Viele Unternehmen stehen aktuell vor einer zentralen Herausforderung: Produktivität muss steigen, während wirtschaftlicher Druck zunimmt und qualifizierte Fachkräfte immer schwerer verfügbar sind. Prozesse werden komplexer, Volumina steigen und zusätzliche Ressourcen sind oft keine Option.
Genau hier setzen sinnvolle KI-Initiativen an. Nicht als Selbstzweck, sondern als gezielte Entlastung dort, wo im Alltag Zeit und Geld verloren gehen. Die entscheidende Frage lautet dabei nicht ob KI eingesetzt werden soll, sondern wo KI messbaren Mehrwert liefert.
In diesem Beitrag zeigen wir anhand eines anonymisierten Praxisbeispiels, wie aus dieser strukturierten Use-Case-Analyse ein sehr konkreter Finance-Use-Case entstanden ist:
KI-gestützte Kontierungsvorschläge im Workflow für die Übergabe an Microsoft Dynamics 365 Business Central.
Dass dieser Fokus so schnell sichtbar wurde, war kein Zufall. Als methodische Grundlage diente unser KI-Use-Case Discovery Workshop. Er hilft, Use Cases zu identifizieren, zu priorisieren und gemeinsam mit Fachbereichen und IT bewertbar zu machen, inklusive Anforderungen an Daten, Integration, Sicherheit und Betrieb.
Die Ausgangslage
Vom breiten Blick zum echten Use Case mit Hebel
In vielen Unternehmen beginnt KI mit einer breiten Use Case Sammlung. So auch bei unserem Kunden, einem mittelständischen Unternehmen aus der Abwasser und Entsorgungsbranche. Nach unserem ersten Termin kam der entscheidende Moment, als ein Fachbereich einen sehr konkreten Schmerz benannt hat.
Die Finanzbuchhaltung stellte eine klare Frage:
„Wir möchten die Kontierung unserer Buchungssätze im Workflow verbessern.
Gibt es eine Möglichkeit, im JobRouter automatisch Vorschlagswerte zu erzeugen?
Damit Buchungssätze sauber vorbereitet in Business Central übergeben werden können.“
Doch wie kam es dazu? Ziel unseres Termins war es, sinnvolle KI Einsatzfelder zu verstehen und gemeinsam herauszuarbeiten, wo schnell Wirkung entsteht.
Im Gespräch kamen typische Use Cases aus Fachbereichen und IT auf den Tisch, die in serviceorientierten Unternehmen häufig entstehen:
- automatische Fahrzeug Erfassung
- Wartungs und TÜV Frühwarnsystem
- Fuhrpark Auslastungsanalyse
- automatische Schadenanalyse
- automatische Angebotserstellung
Das sind gute Startpunkte. Gleichzeitig zeigt sich in vielen Workshops ein Muster. Die spannendsten Ideen sind nicht automatisch die mit dem größten Hebel. Der größte Hebel liegt meist dort, wo täglich Routine Arbeit anfällt, die sich über das Jahr zu sehr hohen Aufwänden summiert.
Genau deshalb war die Frage aus der Finanzbuchhaltung so relevant. Kontierung wirkt pro Beleg wie Kleinkram, skaliert bei hohen Volumina aber massiv und wird damit zu einem relevanten Kostentreiber, obwohl sich ein großer Teil der Entscheidungen historienbasiert effizient unterstützen lässt.
Das ist ein typisches Discovery Ergebnis. Ein Use Case wird nicht erfunden. Er wird sichtbar gemacht. Dort, wo täglich Aufwand entsteht.
Sie möchten herausfinden, welcher Use Case in Ihrem Unternehmen den größten Hebel hat?
Dann ist der KI-Use-Case Discovery Workshop der schnellste Einstieg.
Die Herausforderung
Kontierung ist zeit und ressourcenintensiv
Kontierung klingt nach Routine. In der Realität ist es ein großer Zeitblock, weil mehrere Entscheidungen pro Rechnung nötig sind und weil Informationen häufig verteilt sind.
In unserem anonymisierten Beispiel lagen die Eckdaten bei ~30.000 Rechnungen pro Jahr. Je nach Prozessannahme wurde der Aufwand je Rechnung mit 8 bis 12 Minuten betrachtet. Das ergibt einen Gesamtaufwand von 4.000 bis 6.000 Stunden pro Jahr und Prozesskosten in einer Größenordnung von 280.000 bis 420.000 Euro. (Beispielrechnung, gerundet; abhängig von Stundensätzen/Prozess)
Wichtig ist dabei eine Einordnung, die in vielen Unternehmen zutrifft. Kontierung ist oft nicht der komplette Prozess, aber ein relevanter Teil davon. Als typische Orientierung gilt häufig ein Anteil von 25 bis 40 Prozent am Gesamtprozess, also oft 3 bis 4 Minuten pro Rechnung.
Wo genau entsteht der Aufwand?
Kontierungsaufwand entsteht typischerweise hier.
Sachkonto auswählen → Kostenstelle oder Kostenträger bestimmen →
Steuerschlüssel prüfen → Vergleich mit ähnlichen Rechnungen aus der Vergangenheit →
Rückfragen bei unklaren Rechnungen
Der Hebel liegt darin, dass viele Entscheidungen wiederkehrenden Mustern folgen:
- Muster nach Lieferant.
- Muster nach Leistung.
- Muster nach Kostenstelle.
- Muster nach Historie.
Sie möchten herausfinden, welcher Use Case in Ihrem Unternehmen den größten Hebel hat?
Schreiben Sie uns über das Kontaktformular und buchen unseren KI-Use-Case Discovery Workshop
Warum Workflow Systeme das alleine nicht lösen
Workflow Systeme wie JobRouter steuern Abläufe sehr zuverlässig. Belege werden erfasst, geprüft, freigegeben und anschließend an das ERP übergeben. Was dabei häufig fehlt, ist nicht der Prozess, sondern das fachliche Verständnis für die Inhalte.
Denn ein Workflow System erkennt nicht automatisch, welche historischen Buchungen zu einer Rechnung passen und welche Kontierung im Unternehmen üblich ist. Es kann Rechnungstexte nicht semantisch interpretieren, Muster aus der Buchungshistorie ableiten oder begründete Vorschläge erzeugen.
In diesem Beispiel bedeutet das konkret für JobRouter
JobRouter ist stark im Orchestrieren des Prozesses. Ohne individuelle Erweiterung liefert JobRouter jedoch typischerweise keine intelligenten Kontierungsvorschläge, weil dafür folgende Fähigkeiten nötig wären:
- semantisches Verstehen von Rechnungstexten
- Ableiten von Vorschlägen aus der historischen Buchungspraxis
- Erkennen und Bewerten ähnlicher Buchungen
- Nachvollziehbare Begründung, warum ein bestimmtes Konto oder eine Dimension vorgeschlagen wird
Genau diese Lücke schließt moderne KI, wenn sie sauber mit Ihrer Business Central Historie verbunden wird. So entstehen Vorschlagswerte, die in den bestehenden Workflow integriert werden können, ohne dass JobRouter selbst zum „Buchhaltungsgehirn“ werden muss.
Der Lösungsansatz
KI gestützte Kontierung mit Historie aus Business Central
Die Grundidee ist einfach: Kontierungsvorschläge entstehen nicht aus „Magie“, sondern aus Unternehmenswissen. Und dieses Wissen liegt bereits vor: in den historisch gebuchten Vorgängen in Business Central.
1. Datenbasis: Was die KI wirklich braucht
Für praxistaugliche Kontierungsvorschläge sind vor allem diese Daten relevant:
- Rechnungsinformationen aus dem Workflow (Kreditor, Text, Beträge, ggf. Positionen)
- Historische Buchungen aus Business Central (Sachkonto, Dimensionen, Steuerschlüssel, Buchungsgruppen)
- Kontenplan + Dimensionen-Logik
- Optional: dokumentierte Regeln / Ausnahmen (wenn vorhanden)
2. „Context first“: Die KI bekommt die richtigen Beispiele – nicht den ganzen Datenberg
Statt riesige Datenmengen in ein Modell zu kippen, arbeitet man effizienter so:
- Wir bestimmen anhand von Kreditor, Text und Merkmalen die ähnlichsten historischen Buchungen
- Daraus entsteht ein kompakter Kontext (z. B. die Top-Beispiele mit hoher Relevanz)
- Die KI erzeugt daraus strukturierte Vorschläge – inklusive Begründung und Confidence
3. Output im Workflow: Vorschlag + Confidence + Begründung
Im JobRouter wird kein „Blackbox-Text“ benötigt, sondern ein sauberer Vorschlagsdatensatz, z. B.:
- Sachkonto
- Kostenstelle / Dimension(en)
- Steuerschlüssel
- Confidence-Score
- Kurze Begründung („ähnlich zu X historischen Buchungen für Kreditor Y“)
4. Human-in-the-Loop: Automatisieren, wo es sicher ist
In der Praxis bewährt sich ein einfacher Mechanismus:
- Hohe Confidence → Vorschlag kann automatisch vorbelegt werden
- Mittlere Confidence → Vorschlag wird angezeigt, Mitarbeitende bestätigen
- Niedrige Confidence → keine Automatisierung, nur Assistenz / Hinweis
So entsteht Akzeptanz – und die Qualität steigt schnell, weil Feedback aus der Praxis zurückfließt.
Wenn Sie an ähnliche Lösungen denken, aber nicht sicher sind, wo Sie anfangen sollen, schreiben Sie uns über das Kontaktformular und buchen unseren KI-Use-Case Discovery Workshop
Wir melden uns innerhalb kurzer Zeit mit Terminvorschlägen zurück.
Warum dieser Ansatz wirkt und sich rechnet
Das Entscheidende an diesem Use Case ist die Klarheit. Statt KI als Tool Frage zu diskutieren, wurde im KI-Use-Case Discovery Workshop der tatsächliche Engpass sichtbar gemacht und priorisiert: manueller Kontierungsaufwand, der Zeit bindet und Kosten verursacht. Genau deshalb ist der Ansatz so wirksam.
Durch die Nutzung der vorhandenen Business Central Historie entstehen Vorschläge, die zur realen Buchungspraxis des Unternehmens passen. Das reduziert Suchaufwand und Rückfragen, beschleunigt den Rechnungsdurchlauf und erhöht die Konsistenz. Mitarbeitende starten nicht mehr bei jeder Rechnung bei null, sondern prüfen und bestätigen nur noch dort, wo es nötig ist. So verbessert sich Effizienz im Tagesgeschäft und gleichzeitig die Kostenkontrolle, weil weniger manuelle Minuten pro Rechnung anfallen.
Auch der Kostenfaktor bleibt planbar. Sie starten fokussiert mit einem klar abgegrenzten Use Case und einem sicheren Vorgehen, statt in breit angelegte KI Experimente zu investieren.
Was das wirtschaftlich bedeutet
Als Zielbild wurde formuliert, dass KI gestützte Kontierung den manuellen Aufwand um ~50–60% reduzieren könnte. Daraus lässt sich – je nach Lohnkostensatz und Prozess – ein Einsparpotenzial von ca. 70.000 – 85.000 € ableiten. Hinzu kommen weitere Effekte wie weniger Rückfragen, schnellere Durchlaufzeiten und Skalierbarkeit ohne zusätzliches Personal.
Was es kostet und wann sich das rechnet
Damit aus diesem Einsparpotenzial echte Wirkung wird, braucht es eine einmalige Umsetzung in klaren Schritten. In unserem Beispiel wurde dafür ein Proof of Concept mit rund 12.000 Euro angesetzt. Für die produktive Implementierung lag der Rahmen bei 24.000 bis 36.000 Euro, abhängig von Integration und Prozessdetails. Insgesamt ergibt sich damit eine einmalige Investition in einer Größenordnung von rund 50.000 Euro.
Stellt man dem das abgeleitete Einsparpotenzial von 70.000 bis 85.000 Euro pro Jahr gegenüber, wird der Business Case greifbar. Der Return on Investment kann damit bereits im ersten Jahr erreicht werden. Zusätzlich bleiben die laufenden KI Betriebskosten im Verhältnis zum Prozessnutzen in der Regel gering, weil vor allem manuelle Minuten pro Rechnung reduziert werden.
Warum viele KI Initiativen nicht ins Handeln kommen
In der Praxis sehen wir drei Gründe, warum KI Initiativen oft stocken.
- Es gibt zu viele Ideen und zu wenig Priorisierung.
- Der Nutzen bleibt zu allgemein, dadurch werden Budgets nicht entschieden.
- IT Fragen kommen zu spät, dann wird es im Projekt kompliziert.
Der Discovery Schritt ist der Gegenentwurf. Er schafft Klarheit zu Nutzen und Machbarkeit und liefert eine priorisierte Shortlist, die als Entscheidungsgrundlage dient.
Warum dieses Beispiel ein perfekter KI-Use-Case Discovery ist
Dieses Beispiel zeigt, was wir in vielen Unternehmen beobachten.
Der erste KI Impuls liegt oft bei sichtbaren Themen.
Der größte Hebel liegt dann häufig dort, wo tägliche Routineaufwände entstehen, die sich über das Jahr zu erheblichen Kosten summieren.
Genau dafür ist der KI-Use-Case Discovery Workshop da. Nicht um möglichst viele Ideen zu sammeln, sondern um die Use Cases zu finden, die wirklich wirken.
Und um die IT von Anfang an mitzunehmen, damit aus einem Use Case kein Risiko wird, sondern ein planbares Projekt.
Wenn Sie KI im Unternehmen wirksam einsetzen möchten, starten Sie nicht mit dem Tool. Starten Sie mit dem Use Case.
Wir identifizieren gemeinsam mit Ihnen die Use Cases mit dem größten Hebel, ordnen sie technisch und wirtschaftlich sauber ein und schaffen eine priorisierte Grundlage für die nächsten Schritte.
So wird aus vielen Ideen ein fokussierter Use Case, der Effizienz erhöht und Kosten senkt.
Kontaktanfrage
Finden Sie Ihre Use Cases mit echtem ROI.
Kontaktieren Sie uns über das Kontaktformular für ein unverbindliches Erstgespräch. Wir melden uns schnellstmöglich mit Terminvorschlägen zurück.
