KI in der Buchhaltung — Belegverarbeitung, Kontierung, Prüfung.

Wenn ich CEOs frage, wie viele Stunden pro Woche im Unternehmen mit Belegerfassung, Kontierung und Buchhaltungs-Routine verbracht werden, kommt fast nie eine Zahl — sondern ein Schulterzucken. Das ist symptomatisch. Buchhaltung ist der Prozess, den jeder hat, den niemand wirklich misst, und in dem deshalb seit Jahren Geld verbrennt, das niemand sieht.

In allen drei Portfolio-Unternehmen, die ich bei V1 Capital aktiv begleite, ist die Buchhaltung einer der ersten Bereiche, den wir auf KI gestellt haben. Bei xpansio läuft die Belegverarbeitung heute zu rund 80 % automatisch — ohne dass jemand den Steuerberater feuern musste. Was hier folgt, ist die ehrliche Bestandsaufnahme: Was KI in der Buchhaltung wirklich übernimmt, was sie noch nicht kann, und wo der Steuerberater auch 2026 unverzichtbar bleibt.

Belegverarbeitung — der einfachste und größte Hebel

Belegverarbeitung ist der Prozess, der sich am eindeutigsten automatisieren lässt. Eingangsrechnungen, Kassenbons, Reisekostenbelege, Kreditkartenabrechnungen — die Arbeit, die früher in jeder Buchhaltung Stunden gefressen hat, lässt sich heute mit zwei Komponenten zu großen Teilen abnehmen: OCR (Texterkennung) plus LLM (Klassifizierung und Strukturierung).

Was OCR plus LLM heute leistet

Die alte Welt war: PDF kommt rein, Mensch liest, Mensch tippt Lieferant, Datum, Betrag, MwSt., Buchungstext in DATEV oder Lexoffice. Die neue Welt ist: PDF oder Foto kommt rein, OCR extrahiert alle Textbestandteile, ein LLM ordnet die Felder zu (Lieferant, Belegdatum, Nettobetrag, MwSt.-Satz, Bruttobetrag), schlägt einen Buchungstext vor und legt das Ganze als Buchungsvorschlag in der Buchhaltungssoftware an.

Was vor zwei Jahren noch fragil war — schiefe Smartphone-Fotos, mehrseitige Sammelrechnungen, Belege auf Englisch oder Französisch — funktioniert heute zuverlässig. GPT-4o, Claude und die spezialisierten Belegerkennungs-APIs (Candis, Receipt Bot, GetMyInvoices) erreichen in der Praxis Trefferquoten zwischen 90 und 98 %, je nach Belegqualität und Lieferantenstamm.

Konkrete Tool-Landschaft für den Mittelstand

Der pragmatische Stack im deutschen Mittelstand sieht heute so aus: Lexoffice oder DATEV als Buchhaltungs-Backbone, ergänzt durch ein Beleg-Tool. GetMyInvoices holt Rechnungen aus E-Mail-Postfächern, Lieferantenportalen und Kreditkartenabrechnungen automatisch ab. Candis übernimmt Erkennung, Freigabe-Workflow und Übergabe in die Buchhaltung. Receipt Bot ist die schlankere, günstigere Alternative für kleinere Betriebe.

Die Kostenseite ist überschaubar: Lexoffice ab 12 €/Monat, ein Beleg-Add-On 30–80 €/Monat je nach Belegvolumen, eigene LLM-Pipeline (Claude oder GPT-4o per API) zwischen 50 und 200 €/Monat. Für ein Unternehmen mit 500–2.000 Belegen pro Monat amortisiert sich das innerhalb weniger Wochen — gemessen an der eingesparten Tipparbeit der Buchhaltungskraft.

Kontierung — von Vorschlag zu Vertrauen

Der zweite Hebel ist die Kontierung. Hier wird es interessanter, weil Kontierung nicht rein technisch ist — sie folgt einer Logik, die sich aus Lieferanten, Leistungsart und Mandantenkontext ergibt. Genau das ist die Domäne, in der LLMs gut werden.

Wie kontextuelle Kontierungs-Vorschläge funktionieren

Ein modernes System lernt nicht durch Regeln, sondern durch Historie. Wenn der Lieferant „Telekom Deutschland GmbH" in den letzten 24 Monaten 23 Mal auf SKR03-Konto 4920 (Telefon) gebucht wurde, wird der nächste Beleg dieses Lieferanten mit hoher Wahrscheinlichkeit denselben Vorschlag bekommen. Das ist trivial. Spannender wird es bei neuen Lieferanten: Hier liest das LLM den Belegtext, ordnet die Leistungsart einer Kontenkategorie zu (Reisekosten, IT-Dienstleistung, Werbung, Bewirtung) und schlägt das wahrscheinlichste Konto vor.

In der Praxis bedeutet das: Die Buchhaltungskraft sitzt nicht mehr vor einem leeren Buchungssatz, sondern vor einem Vorschlag, den sie mit einem Klick bestätigt — oder mit einer kurzen Korrektur ändert. Diese Korrektur fließt zurück ins Lernsignal. Nach 4–8 Wochen Betrieb sind 80–90 % der Buchungen Ein-Klick-Bestätigungen.

Der Wert liegt nicht im perfekten Vorschlag — er liegt darin, dass der Mensch nur noch entscheidet statt erfasst.

Wo Kontierung schwierig bleibt

KI-Vorschläge sind dort schwach, wo der Beleg an sich keine Information enthält. Eine Bewirtungsrechnung über 187 € kann betrieblich oder privat veranlasst sein — das weiß nur der Bewirtende, nicht der Beleg. Ein Beratungshonorar kann Investition in ein Bauprojekt sein (aktivierungspflichtig) oder laufender Aufwand. Solche Fälle bleiben menschliche Entscheidungen, mit Rückfrage an den Geschäftsführer oder den Steuerberater.

Prüfung — wo KI besser ist als der Mensch

Der dritte Hebel ist die Stelle, an der KI nicht nur schneller, sondern objektiv besser arbeitet als ein Mensch: Anomalie-Erkennung über große Buchungsmengen.

Doppelbuchungen, Skonto-Verluste, Plausibilität

Ein einfaches Beispiel: Doppelbuchungen entstehen, wenn dieselbe Rechnung über zwei Wege ins System kommt — einmal per E-Mail, einmal per Lieferantenportal-Sync. Ein Mensch sieht den Doppler nur, wenn er hinschaut. Ein LLM oder eine simple Regel-Pipeline kann jeden Tag prüfen: Gleicher Lieferant, gleicher Betrag, gleiches Belegdatum — Verdacht.

Ähnlich Skonto-Verluste: Lieferant gewährt 2 % Skonto bei Zahlung innerhalb von 14 Tagen. Wenn die Rechnung erst am 20. Tag bezahlt wird, ist der Skonto verloren — meistens, weil niemand die Frist im Blick hatte. Eine KI, die täglich offene Verbindlichkeiten gegen Skonto-Bedingungen prüft, verhindert exakt das. In einem Mittelstandsunternehmen mit 200.000 € Skonto-pflichtigem Volumen pro Jahr sind das schnell 4.000 € realisierter Vorteil — bei marginalem Aufwand.

Plausibilitätsprüfungen sind die dritte Kategorie: Eine Rechnung, die 10x höher ist als der historische Durchschnitt desselben Lieferanten. Eine MwSt., die zur Lieferantenbranche nicht passt. Ein Konto, das im Monat 50 % mehr Bewegung hat als üblich. Solche Auffälligkeiten lässt jedes klassische Buchhaltungssystem durchlaufen — eine KI markiert sie und legt sie dem Steuerberater oder dem CFO zur Prüfung vor.

Was Mensch bleibt — und auch bleiben sollte

Die ehrliche Antwort auf die Frage „Wann ersetzt KI den Steuerberater?" ist: nicht in absehbarer Zeit. Und das ist gut so.

Steuerrechtliche Würdigung

Steuerrecht ist nicht regelbasiert genug, als dass es vollständig automatisiert werden könnte. Was zählt als Bewirtung? Wann ist ein Mietvertrag mit dem Gesellschafter fremdüblich? Wann ist eine Rückstellung handelsrechtlich geboten und steuerlich anzuerkennen? Diese Fragen sind Ermessensentscheidungen mit Tiefenwirkung — falsch beantwortet, kosten sie bei der nächsten Betriebsprüfung erheblich.

Jahresabschluss-Diskussion

Die Diskussion zwischen CFO, Steuerberater und Wirtschaftsprüfer über Bilanzansätze, Bewertungen, Rückstellungen und Periodenabgrenzungen ist eine Verhandlung. Sie braucht jemanden, der den Mandanten kennt, der die Branche versteht, der das letzte Jahr im Detail nachzeichnen kann. Eine KI kann dabei zuarbeiten — sie ersetzt das Gespräch nicht.

Strategische Steueroptimierung

Holding-Strukturen, Investitionsabzugsbeträge, Verlustvortragsnutzung, Forschungszulage — die strategischen Hebel, die einen Mittelständler über fünf Jahre signifikante Steuerersparnisse bringen, sind individuelle Beratung. Hier ist der Steuerberater wertvoller denn je, weil seine Zeit nicht mehr in Belegerfassung versinkt, sondern in Beratung fließen kann.

Was vor dem Rollout sitzen muss

Ich sehe regelmäßig, wie Geschäftsführer KI-Tools für die Buchhaltung kaufen, bevor die Grundlagen sitzen. Das funktioniert nicht. Drei Dinge müssen vor dem ersten Klick stehen.

Saubere Lieferantendaten

Wenn derselbe Lieferant im System unter drei Schreibweisen geführt wird (Telekom Deutschland GmbH, Telekom Deutschland, T-Com), kann keine KI sinnvoll lernen. Der erste Schritt ist eine Lieferanten-Bereinigung: Duplikate zusammenführen, Schreibweisen vereinheitlichen, Steuernummern und USt-IDs hinterlegen.

Konsistente Kontierung in der Vergangenheit

KI lernt aus Historie. Wenn die letzten zwei Jahre Buchungen wild und inkonsistent sind — heute Telefonkosten auf 4920, morgen auf 4925, übermorgen auf einem Sammelaufwand —, lernt das Modell Inkonsistenz. Eine kurze Konten-Konvention, die mit Steuerberater abgestimmt ist, ist Pflicht.

Klarer Freigabe-Workflow

KI macht Vorschläge — sie ersetzt nicht die Freigabe. Wer was bis zu welchem Betrag freigeben darf, muss vor dem Rollout geklärt sein. Sonst entsteht ein neues Problem: Buchungen laufen schneller durch, aber niemand fühlt sich verantwortlich. Mehr dazu im Artikel Datenqualität als KI-Voraussetzung.

Wann das nicht funktioniert

Drei Konstellationen, in denen ich von KI in der Buchhaltung abrate. Erstens: Sehr kleines Belegvolumen. Wenn ein Unternehmen 30 Belege pro Monat hat, lohnt der Setup-Aufwand nicht — der Steuerberater macht das in 2 Stunden manuell. Zweitens: Hochkomplexe Branchen mit Sondervorschriften (Banken, Versicherungen, ausgewählte Heilberufe). Hier sind die Spezial-Anforderungen so groß, dass Standard-KI mehr Fehler erzeugt als sie erspart. Drittens: Unternehmen ohne digitalisierte Belegbasis. Wer noch mit Schuhkarton und Papier arbeitet, muss zuerst die Digitalisierung abschließen, bevor KI sinnvoll greift.

KI in der Buchhaltung ist kein Steuerberater-Killer. Sie ist ein Buchhalter-Verstärker — und sie macht den Steuerberater wertvoller, nicht überflüssig.

Die ehrliche Erwartung ist: 60–80 % der Belegerfassungs- und Kontierungs-Routinearbeit lassen sich automatisieren. Das spart in einem typischen Mittelstandsunternehmen 8–20 Stunden Buchhaltungszeit pro Woche. Diese Stunden fließen entweder in höherwertige Arbeit oder in eine kleinere, aber kompetentere Buchhaltungsbesetzung. Beides ist gut.

Wer tiefer einsteigen will, findet in KI-ROI im Mittelstand die Logik, mit der wir Use-Cases priorisieren — und in KI in der Praxis die vier Phasen sauberer Implementierung.