Danumed

BELEGVERARBEITUNG

Danumed

Aus einem Stapel Eingangsrechnungen und Spesenbelegen entsteht in wenigen Minuten eine importfertige SEPA-Überweisungsdatei für die Banksoftware — mit menschlicher Kontrolle vor jeder Zahlung.
Pattern Belegverarbeitung mit Vision-KI
  • Python 3.11
  • Vision-LLM (Claude / GPT-4o)
  • NiceGUI

DIE AUSGANGSLAGE

Die Ausgangslage

Jede Woche landet ein Stapel auf dem Schreibtisch: Lieferantenrechnungen als PDF, dazu Quittungen, Kassenbons, Parkscheine, Bewirtungsbelege — teils sauber gedruckt, teils handschriftlich, teils als verknicktes Thermopapier-Foto. Vor der Automatisierung hieß das: jede Zahlung von Hand abtippen — Empfänger, IBAN, Betrag, Verwendungszweck, Fälligkeit. Anschließend in der Banksoftware einzeln erfassen, prüfen, freigeben.

Bei zwanzig Belegen pro Woche ist das nicht „mal eben nebenher" — sondern bindet planbar Stunden, in denen Tippfehler und übersehene Skontofristen bares Geld kosten.

WAS WIR GEBAUT HABEN

Was wir gebaut haben

Ein eigenständiges Desktop-Werkzeug, das den kompletten Weg vom Belegordner bis zur SEPA-XML-Datei automatisiert — mit klarer Trennung zwischen Extraktion, Prüfung und Export, und einer Tabelle, in der nichts ohne menschliche Freigabe das Haus verlässt.

Der Ablauf

  1. Belege einsammeln — Zwei Eingabeordner werden gescannt: einer für vollständige Rechnungs-PDFs, einer für Bild-Belege wie Quittungen und Bewirtungsnachweise.
  2. Direkt aus dem Bild verstehen — Jedes Originaldokument geht direkt an ein visionsfähiges KI-Modell. Kein Zwischenschritt über Texterkennung, der bei Handschrift, Thermopapier oder schiefen Scans regelmäßig stolpert.
  3. Zwei spezialisierte Lesarten — Rechnungen werden vollständig ausgelesen (Empfänger, IBAN, Betrag, Skonto, Fälligkeit, Verwendungszweck). Spesenbelege folgen einem schlankeren Muster: Betrag und Kurzbeschreibung kommen vom Beleg, der Empfänger steht in der Konfiguration. Auch Devisen-Bestätigungen und Zahlungsreferenzen werden erkannt.
  4. Tabelle prüfen und korrigieren — Alle erkannten Zahlungen erscheinen in einer übersichtlichen Tabelle. Jede Zeile lässt sich anklicken und bearbeiten. IBANs werden mit Prüfziffer validiert, Pflichtfelder hervorgehoben, Umlaute SEPA-konform ersetzt.
  5. Zeilen auswählen, Datei erzeugen — Per Häkchen wählt der Benutzer, welche Zahlungen in den Lauf gehören. Einzelüberweisungen, terminierte Zahlungen mit Fälligkeitsdatum und Sammelüberweisungen sind dabei dieselbe Mechanik — nur anders konfiguriert.
  6. In die Banksoftware übergeben — Es entsteht eine SEPA-XML-Datei nach dem ISO-20022-Standard pain.001.001.09, die jede deutsche Banksoftware (im Einsatz: WinData) ohne Nachbearbeitung importiert. Der Import lässt sich auf Wunsch direkt aus der Anwendung heraus auslösen.

Mehrere Modelle, ein Code

Welches KI-Modell die Extraktion macht, ist konfigurierbar — Anthropic Claude, OpenAI GPT-4o, Azure, OpenRouter oder ein lokal laufendes Modell über Ollama. Damit bleibt die Wahl zwischen Cloud und On-Premise eine Konfigurationsfrage, kein Umbau.

Pro Lauf wird mitprotokolliert, wie viele Tokens die KI verbraucht hat und was das ungefähr kostet — die Wirtschaftlichkeit der Automatisierung ist nicht Schätzung, sondern Messwert.

Auslieferung als eigenständige Anwendung

Das Werkzeug wird als ein einziger Ordner ausgeliefert (Windows oder macOS), der ohne separate Python-Installation auf dem Zielrechner startet. Konfiguration und Zugangsdaten liegen in zwei Dateien daneben — was vor Ort gewartet werden kann, kann auch vor Ort gewartet werden.

WAS WIR DAMIT ERREICHEN

Was wir damit erreichen

  • Aus Stunden werden Minuten. Das Abtippen entfällt vollständig — übrig bleibt eine Sichtprüfung der Tabelle.
  • Belege, an denen Texterkennung scheitert, werden trotzdem gelesen. Handschrift auf Bewirtungsbelegen, gefaltete Parkscheine, fotografierte Quittungen — die KI sieht das Bild und versteht den Inhalt.
  • Skonto wird nicht mehr übersehen. Skontofristen und Fälligkeitsdaten werden mit ausgelesen und sichtbar in die Tabelle übernommen.
  • Jede Zahlung läuft durch zwei Augen. Die Tabelle ist nicht Theater, sondern strukturell die einzige Stelle, an der Zahlungen freigegeben werden.
  • Die Datei passt beim ersten Versuch. SEPA-konforme Umlautbehandlung, IBAN-Prüfziffern, korrekte Summen und Transaktionszahlen — der Banksoftware-Import scheitert nicht mehr an Formatfehlern.

WAS BEWUSST NICHT AUTOMATISIERT WURDE

Was bewusst nicht automatisiert wurde

  • Die Freigabe der Zahlung. Das Werkzeug bereitet vor, der Mensch entscheidet — bei jedem einzelnen Beleg.
  • Die Auswahl, was wirklich bezahlt werden soll. Reklamationen, strittige Posten, Zurückstellungen bleiben manuelle Entscheidungen — die Tabellen-Auswahl ist genau dafür da.
  • Der Bankzugang selbst. Es entsteht eine Datei für die etablierte Banksoftware. Kein direkter Zahlungsverkehr, keine eigenen Bank-Schnittstellen, keine zusätzlichen Sicherheitsrisiken.

WARUM DIESES MUSTER ÜBERTRAGBAR IST

Warum dieses Muster übertragbar ist

Der Aufbau funktioniert überall dort, wo regelmäßig Belege oder Formulare in strukturierte Daten überführt werden müssen — und der letzte Freigabeschritt beim Menschen bleiben soll: Reisekosten-Abrechnungen, Lieferanten-Wareneingang, Versicherungsbelege, Kassenabschlüsse, Spesenabrechnungen.

Das Muster: Beleg → Vision-KI mit kontextspezifischem Prompt → Tabelle mit Validierung → menschliche Freigabe → Export ins Zielsystem.

Die KI übernimmt das stupide Abtippen — die Routine-Arbeit, bei der Konzentration nachlässt und Fehler entstehen. Die Verantwortung für jede einzelne Zahlung bleibt sichtbar beim Menschen — dort, wo sie hingehört.

Sprechen Sie uns an

Zwei Türen, eine Adresse.

Konkreter Engpass?

Lassen Sie uns 30 Minuten über Ihren Use Case sprechen.

Unverbindlich, kostenlos, mit konkreten Vorschlägen am Ende.

30-Min-Gespräch buchen

Eigene KI-Plattform?

Sehen Sie CompanyWizard live in Aktion.

Demo mit Ihren eigenen Daten möglich. Wir bringen die Pseudonymisierung schon eingerichtet mit.

Demo anfragen