Dokumenten-Automatisierung mit KI: Angebote, Rechnungen, Verträge

Wo im Dokumenten-Prozess die Zeit verloren geht

In den meisten kleinen und mittelständischen Unternehmen läuft der Papierkram so: Eine Anfrage kommt per Mail rein, jemand tippt daraus ein Angebot, kopiert die Positionen später in eine Rechnung, prüft eingehende Lieferanten-Rechnungen von Hand und legt Verträge in einem Ordner ab, den außer einer Person niemand wirklich überblickt. Das ist nicht ineffizient, weil die Leute langsam wären — sondern weil dieselben Daten drei- bis viermal neu erfasst werden.

Genau hier setzt Dokumenten-Automatisierung mit KI an. Der Unterschied zu klassischen Vorlagen und Makros: KI versteht unstrukturierten Text und Bild — also die Mail im Fließtext, das PDF mit krummem Layout, den eingescannten Vertrag. Sie liest heraus, was relevant ist, und übergibt es strukturiert an das nächste System. Das ist kein Zukunftsthema mehr, sondern mit heutigen Sprachmodellen und OCR praktisch verfügbar.

Die drei lohnendsten Anwendungsfälle

1. Angebote aus Anfragen erzeugen

Der häufigste Engpass im Vertrieb kleiner Firmen: Anfragen kommen formlos rein, das Angebot dauert. Ein KI-gestützter Ablauf sieht so aus:

• Die Anfrage (Mail, Kontaktformular, Telefonnotiz) wird an ein Sprachmodell übergeben.
• Das Modell extrahiert Eckdaten: Was wird gewünscht, in welcher Menge, bis wann, mit welchen Sonderwünschen.
• Aus einem Positions-Katalog (deine Preisliste) wird ein Angebotsentwurf zusammengesetzt.
• Der Mensch prüft, passt an, gibt frei — er tippt nicht mehr von null.

Beispiel aus der Praxis: Bei einem Pflanzen- und Floristik-Großhandel kommen Bestellanfragen oft als lose Aufzählung im Mailtext ("50 Stiele Eukalyptus, dazu was Saisonales in Weiß, Lieferung Donnerstag"). Die KI gleicht das mit dem Sortiment ab, schlägt konkrete Artikel vor und erzeugt einen Angebotsentwurf. Der Disponent korrigiert in zwei Minuten statt zehn.

2. Eingangsrechnungen automatisch erfassen

Lieferanten-Rechnungen kommen in 20 verschiedenen Layouts. KI plus OCR liest die relevanten Felder zuverlässig aus:

• Rechnungsnummer, Datum, Lieferant, Netto/Brutto, USt-Satz, Fälligkeit, IBAN.
• Abgleich mit der Bestellung (stimmt Menge und Preis?).
• Übergabe an die Buchhaltungssoftware oder den Steuerberater per DATEV-Schnittstelle.

Der Mehrwert ist hier doppelt: weniger Tippfehler und eine Prüfschicht. Eine KI fällt schneller auf, wenn eine Rechnung zweimal kommt oder die Summe nicht zur Bestellung passt.

3. Verträge prüfen und durchsuchbar machen

Verträge sind der Bereich, wo am meisten Wissen in PDFs verschwindet. Sinnvolle KI-Aufgaben:

• Kennzahlen herausziehen: Laufzeit, Kündigungsfristen, Preisanpassungsklauseln, Verlängerungsautomatik.
• Fristen-Register automatisch befüllen, damit keine Kündigung verpasst wird.
• Abweichungs-Check gegen den eigenen Standardvertrag: Was hat die Gegenseite geändert?

Wichtig: KI ist hier ein Vorprüfer und Sortierer, kein Jurist. Sie macht den Stapel überschaubar und markiert auffällige Stellen — die rechtliche Bewertung bleibt beim Menschen.

So sieht ein Einstieg konkret aus

Ein pragmatischer Aufbau in vier Schritten — bewusst klein anfangen:

1. Einen Prozess wählen, der oft vorkommt und klar strukturiert ist. Eingangsrechnungen sind oft der beste Start: hohes Volumen, klares Soll-Ergebnis.
2. Datenquelle anbinden. Meist ein Mail-Postfach oder ein Upload-Ordner. Tools wie n8n oder Make holen die Dokumente ab und reichen sie weiter.
3. Extraktion definieren. Ein Sprachmodell (z. B. über die Anthropic- oder OpenAI-API) bekommt eine klare Anweisung, welche Felder es im JSON-Format zurückgeben soll. Bilder/Scans laufen vorher durch OCR oder direkt durch ein Vision-Modell.
4. Ziel-System befüllen. Die strukturierten Daten gehen in deine Buchhaltung, dein CRM oder ein Angebots-Template — mit einer Freigabe-Stufe für den Menschen, bis das Vertrauen sitzt.

Typischer Tool-Stack

| Baustein | Womit | Wofür |

|—|—|—|

| Workflow-Orchestrierung | n8n, Make | Dokumente holen, Schritte verketten |

| Texterkennung | Azure Document Intelligence, Google Document AI, Tesseract | Scans/PDFs lesbar machen |

| Verstehen & Extrahieren | Claude, GPT-4-Klasse | Felder strukturiert herausziehen |

| Ablage/Übergabe | DATEV, Lexware, sevDesk, eigenes CRM | Daten landen, wo sie hingehören |

Die konkrete Auswahl hängt vom Bestand ab — wer schon sevDesk nutzt, baut anders als jemand mit reinem DATEV-Steuerberater-Setup. Der Fehler ist meist nicht das falsche Tool, sondern zu viele auf einmal.

Stolpersteine, die in der Praxis wehtun

• GoBD und Aufbewahrung. Rechnungen müssen revisionssicher und im Original (10 Jahre) aufbewahrt werden. Die KI-Extraktion ersetzt das Original nicht — sie ergänzt es. Den Originaldatensatz nie wegwerfen.
• Datenschutz (DSGVO). Sobald personenbezogene Daten in eine externe API gehen, brauchst du einen Auftragsverarbeitungsvertrag (AVV) mit dem Anbieter und solltest prüfen, ob die Verarbeitung in der EU stattfindet. Für sensible Bestände sind EU-gehostete Modelle oder lokale Verarbeitung die saubere Wahl.
• Halluzinationen bei Zahlen. Sprachmodelle können Zahlen "plausibel erfinden". Deshalb: kritische Felder (Beträge, IBAN, Steuersätze) immer gegen eine zweite Quelle prüfen oder Validierungsregeln einbauen (z. B. Netto + USt = Brutto).
• Krumme Scans und Sonderfälle. Die ersten 80 % gehen schnell, die letzten 20 % (handschriftliche Notizen, mehrseitige Anhänge, Fremdsprachen) kosten die meiste Arbeit. Plane eine manuelle Ausnahme-Schiene ein, statt 100 % automatisieren zu wollen.
• Kein Mensch mehr im Prozess. Vollautomatik von Tag eins ist der häufigste Fehler. Erst mit Freigabe-Schritt fahren, Trefferquote messen, dann schrittweise loslassen.

Mini-Checkliste für den Start

• [ ] Welcher Dokumenten-Prozess kostet wöchentlich am meisten Zeit?
• [ ] Gibt es ein klares Soll-Ergebnis (welche Felder, welches Zielsystem)?
• [ ] Liegen Daten digital vor oder müssen sie erst gescannt werden?
• [ ] AVV mit dem KI-Anbieter vorhanden, Speicherort geklärt?
• [ ] Freigabe-Schritt für den Menschen definiert?
• [ ] Wie messe ich Erfolg — gesparte Minuten pro Dokument, Fehlerquote?

Was realistisch drin ist

Kein seriöser Anbieter sollte "90 % weniger Aufwand über Nacht" versprechen. Was sich in mittelständischen Projekten zeigt: Bei klar strukturierten, häufigen Dokumenten lässt sich die Bearbeitungszeit pro Vorgang deutlich senken, und die Datenqualität steigt, weil weniger manuell getippt wird. Der eigentliche Gewinn ist oft nicht die gesparte Stunde, sondern dass eine Person nicht mehr alleiniger Engpass ist.

Genau an dieser Stelle setzt Plugwork an: Wir bauen Dokumenten-Workflows so, dass sie sich in den bestehenden Ablauf einfügen — mit der Business-Logik zuerst, dann der Technik. Der Hintergrund aus 12 Jahren Banking hilft dabei, die Stellen zu erkennen, an denen Zahlen und Compliance keine Fehler verzeihen. Wer überlegt, wo der Einstieg am meisten bringt, fängt am besten mit dem Prozess an, der am lautesten nervt.