KI-Vorkontierung: Was ein guter Agent können muss

Dein Finanzteam braucht kein weiteres Chatfenster, das ein Aufwandskonto nennen kann. Es braucht ein System, das aus Kassenbon, Rechnung oder Bankzeile einen vorgeschlagenen Buchungssatz macht, seine Schlüsse zeigt und weiß, wann es stoppen muss.

Das ist meine Antwort auf die Frage hinter dem aktuellen Suchinteresse an KI-Agenten für die Vorkontierung. Der Agent lohnt sich, wenn er vollständige, prüfbare Arbeitseinheiten erzeugt. Ein Kontierungsvorschlag allein ist keine Arbeitseinheit. Eine eindrucksvolle Genauigkeitszahl ohne prüfbaren Nenner ist es ebenfalls nicht.

Diese Unterscheidung zählt, weil Anbieter schnell von Assistenten zu ausführenden Systemen wechseln. Moss beschreibt einen Agenten für die Vorkontierung, der Aufwandskonten, Kostenstellen und Fälligkeiten kontiert, und wirbt mit mehr als 98 Prozent Genauigkeit. Am 7. August 2026 kündigte freee Buchhaltungsagenten an, die sichere Buchungen und Zuordnungen automatisieren und Fälle mit niedriger Sicherheit an Menschen geben. Am 26. August startete Meridian by Pilot sein Meridian AI: Das System erledigt fallweise Buchhaltungsarbeit, fragt bei widersprüchlichen Informationen nach und liefert eine prüfbare Zusammenfassung.

Die Branchendebatte ist damit über die Frage hinaus, ob KI ein Konto vorschlagen kann. Entscheidend ist, ob der Vorschlag den Weg vom Nachweis bis ins Hauptbuch übersteht.

Was ist ein KI-Agent für die Vorkontierung?

Vorkontierung umfasst die Arbeit zwischen dem Eingang eines Nachweises und der Freigabe eines Buchungssatzes. Dazu gehören Belege sammeln, Daten und Beträge auslesen, Lieferanten erkennen, Positionen trennen, Umsatzsteuer behandeln, Konten oder Kostenstellen vorschlagen, Zahlungen zuordnen und Ausnahmen zur Prüfung vorbereiten.

Ein KI-Agent für die Vorkontierung koordiniert diese Schritte. Er ist mehr als OCR, denn OCR liest Felder. Er ist mehr als ein Chatbot, denn er bringt einen Ablauf voran. Er ist trotzdem kein autonomer Buchhalter, denn Richtlinien, Freigaben und Verantwortung bleiben beim Unternehmen.

Das beste Denkmodell ist ein Junior Operator mit engem Mandat und ungewöhnlich gutem Gedächtnis. Er darf viel vorbereiten, aber keine Richtlinie erfinden. Fehlt ein Nachweis, sollte er eine konkrete Frage oder einen Wartezustand erzeugen, nicht eine plausible Antwort.

Deshalb trennen wir diese Rolle auch vom umfassenderen KI-Agenten für die Buchhaltung. Die Vorkontierung bereitet verlässliche Eingaben vor. Spätere Abläufe können diese abstimmen, auswerten oder einreichen, aber erst wenn Nachweis und Berechtigung klar sind.

Welche Aufgaben sollte ein KI-Agent automatisieren?

Käufer vergleichen Produkte oft nach der Zahl ihrer KI-Funktionen. Ich würde stattdessen die Übergaben vergleichen. Jede Stufe sollte ein Ergebnis hinterlassen, das die nächste Stufe prüfen kann.

Die Tabelle zeigt eine häufige Produktlücke. Ein Tool kann sehr gut extrahieren und trotzdem einen Menschen den Vorgang neu aufbauen lassen. Es kann gut kontieren und trotzdem die falsche Zahlung verbinden. Es kann alles zur Prüfung schicken, formal sicher bleiben und dennoch kaum Zeit sparen.

Der gesamte Weg zählt. Unser Leitfaden zu KI-Ausgabenmanagement formuliert denselben Punkt aus Käufersicht: Scannen ist der Anfang, nicht das Ergebnis.

Wie genau muss KI-Vorkontierung sein?

„98 Prozent genau“ klingt präzise, ist aber keine vollständige Kennzahl. 98 Prozent welcher Felder? Auf welchen Dokumenten? Vor oder nach deterministischer Validierung? Zählt ein falscher Lieferant genauso wie ein falscher Umsatzsteuersatz? Enthält die Stichprobe zehnzeilige Bons, Fremdwährungen und unternehmensspezifische Kostenstellen?

Die Zahl kann korrekt sein und das operative Risiko trotzdem nicht beschreiben. Ein Modell kann 98 von 100 Feldern richtig füllen, während die zwei falschen Felder die steuerliche Behandlung bestimmen. Ein anderes System automatisiert vielleicht nur 70 Fälle, parkt 30 ehrlich und erzeugt weniger falsche Einträge. Abdeckung, Feldgenauigkeit, Genauigkeit freigegebener Buchungen und Dunkelverarbeitung sind verschiedene Maße.

Ich würde vier Nenner verlangen: versuchte Dokumente, vorgeschlagene Felder, ohne Bearbeitung akzeptierte Buchungen und später korrigierte Buchungen. Teile die Ergebnisse anschließend nach Feld und Dokumentart auf. Kann ein Anbieter diese Struktur nicht liefern, solltest du einen repräsentativen Test selbst messen.

Deshalb haben wir schon zuvor erklärt, warum Genauigkeit in der KI-Buchhaltung einen Nenner braucht. Eine Prozentzahl wird erst nützlich, wenn du sie mit einer geschäftlichen Aktion und ihrem Korrekturweg verbinden kannst.

Warum sind Positionen und Umsatzsteuer wichtig?

Ein Dokument ist nicht ein einziges Label. Es ist eine Reihe von Buchhaltungsaussagen, die zufällig in derselben Datei ankommen.

Das sehen wir im Produktivsystem von Norman. Vom 9. Juni bis 7. September 2026 erzeugten mehr als 10.000 aktive Rechnungen und Belege, die Nutzer direkt oder im Chat hochgeladen hatten, eine gespeicherte mehrzeilige Extraktion. Zusammen enthielten sie mehr als 50.000 Positionen. Der Median lag bei drei extrahierten Zeilen; das obere Zehntel hatte zehn oder mehr. Etwa jeder zwölfte Beleg enthielt mehr als einen Umsatzsteuersatz.

Fast jede extrahierte Zeile erhielt einen Kontierungsvorschlag. Das entspricht mehr als 99 Prozent Vorschlagsabdeckung. Es bedeutet nicht 99 Prozent Genauigkeit, und wir stellen es auch nicht so dar. Es zeigt, dass das System meistens eine Antwort hat. Gemischte Steuersätze und die Verteilung der Zeilenzahl zeigen, warum die Annahme auf Dokumentebene unsicher wäre.

Die architektonische Folge ist einfach: Bewahre die Positionen. Ein deutscher Supermarktbon kann Lebensmittel mit ermäßigtem Satz und Haushaltswaren mit Regelsatz kombinieren. Eine Dienstleistungsrechnung kann Auslagen und Arbeitsleistung mischen. Ein Konto, ein Steuersatz und ein Konfidenzwert können keines der beiden Dokumente sauber darstellen.

Norman erhält bei der Zeilenextraktion Druckreihenfolge, Betrag und Umsatzsteuersatz. Kontierungsvorschläge werden gegen die verfügbaren Konten des jeweiligen Unternehmens aufgelöst. Unzulässige ausländische Sätze bleiben als Nachweis erhalten, während die erlaubte lokale Behandlung getrennt angewendet wird. Das sind ausgelieferte Kontrollen, keine Behauptung, dass das Modell nie irrt.

Was soll bei Unsicherheit passieren?

Unsicherheit muss zu einem Zustand im Arbeitsablauf werden. Sie darf nicht in einem Score verschwinden.

Mindestens vier Ergebnisse sind sinnvoll: einen umkehrbaren Vorschlag mit geringem Risiko akzeptieren, nach einer fehlenden Tatsache fragen, eine kleine sortierte Kandidatenliste anbieten oder den genauen Fall zur Prüfung geben. „Nicht abgeschlossen“ ist manchmal das richtige Ergebnis. Es ist besser als eine selbstbewusste Buchung auf Basis fehlender Nachweise.

Die Prüfoberfläche sollte Originalbeleg, vorgeschlagene Zeile, zugrunde liegende Regel oder Evidenz und die Auswirkung der Annahme zeigen. Eine Korrektur muss den Arbeitsstand ändern, ohne den ursprünglichen Vorschlag zu löschen. Wiederholte Korrekturen können zu einem unternehmensspezifischen Muster werden, aber erst wenn das System eine Richtlinie von einer Ausnahme unterscheiden kann.

Hier wird Beobachtbarkeit zur Produktfunktion. Unser Ansatz für das Tracing von KI-Agenten hält Ablaufstruktur und Entscheidungsfingerabdrücke fest, ohne private Beleginhalte zu duplizieren. Käufer brauchen nicht unsere Implementierung, sollten aber dasselbe Ergebnis verlangen: Ein Operator kann den Ablauf rekonstruieren, ohne Logs zu durchsuchen oder dem Gedächtnis zu vertrauen.

Wie vergleichst du Software für KI-Vorkontierung?

Beginne mit deinem unordentlichsten normalen Monat, nicht mit einer polierten Anbieterdemo. Nimm Bons mit mehreren Umsatzsteuersätzen, wiederkehrende Lieferanten mit geänderter Kontierung, ausländische Rechnungen, unvollständige Dokumente, Dubletten, verspätete Bankzeilen und einige Fälle, die bewusst unbeantwortet bleiben sollen.

Miss die Zeit bis zu einer prüfbaren Buchung, nicht bis zum Vorschlag. Halte fest, wie viele Dokumente vollständig sind, wie viele mit nützlicher Begründung warten, wie viele Bearbeitung brauchen und wie viele falsche Vorschläge das Hauptbuch erreichen. Wiederhole denselben Satz nach Korrekturen, um zu prüfen, ob das Lernen begrenzt und dauerhaft ist.

Prüfe außerdem die Grenzen des Agenten. Darf er direkt schreiben oder nur vorbereiten? Lassen sich Berechtigungen nach Aktion unterscheiden? Bindet eine Freigabe genau die Nutzdaten, die du gesehen hast? Kann ein späteres Bankereignis eine sichere erneute Zuordnung auslösen? Kannst du Buchung und Nachweis exportieren?

KI-Vorkontierung sollte den Monatsabschluss verkleinern. Sie sollte aus Rohdateien vollständige, nachvollziehbare Vorschläge machen und menschliche Aufmerksamkeit auf echte Unklarheit konzentrieren. Ersetzt sie nur das Tippen durch die Kontrolle jedes Feldes, hat sie die Oberfläche verändert, nicht die Wirtschaftlichkeit der Arbeit.

Gewinnen werden nicht die Systeme, die immer antworten. Gewinnen werden die Systeme, deren Antworten zu Buchungssätzen werden können, ohne Nachweis, Positionen oder das Recht auf „noch nicht“ zu verlieren.