AI für das Steuerbüro: Rechnungen, Anomalien, Kundenbetreuung

Ein Steuerbüro betreut durchschnittlich ein Dutzend bis mehrere Dutzend Kunden. Jeder von ihnen liefert monatlich Pakete mit Rechnungen, Bankauszügen und Personalunterlagen. Der Buchhalter verbringt mehrere bis über zehn Stunden pro Monat damit, Zahlen aus Dokumenten in das System zu übertragen, Abweichungen zu suchen und auf sich wiederholende Fragen zu antworten: „Wann ist die Frist für die ZUS-Zahlung?“, „Habt ihr schon die JPK gesendet?“, „Wie hoch ist meine zu zahlende Einkommensteuer?“

Das ist schematische Arbeit, anfällig für menschliche Fehler und gleichzeitig kostspielig, da sie von einem Spezialisten mit mehrjähriger Erfahrung ausgeführt wird. AI ersetzt hier nicht den Buchhalter, sondern entlastet ihn von genau diesen Aufgaben, damit er sich auf das konzentrieren kann, was AI nicht leisten kann: steuerliche Interpretation, Planung und den Kontakt mit dem Kunden in schwierigen Angelegenheiten.

Der Einstiegspunkt für die meisten Steuerbüros sind Rechnungen. Kunden senden sie per E-Mail, über Apps oder manchmal noch in Papierform. Das manuelle Übertragen jeder Position in Optima, Symfonia oder ein anderes ERP-System ist monoton und führt bei hohem Volumen zu Fehlern.

OCR in Kombination mit Datenextraktion verändert diesen Workflow: Das System liest die Rechnung (PDF, Scan, Handyfoto), erkennt Felder (Steuernummer, Datum, Nettobetrag, Mehrwertsteuer, Kontonummer) und gibt eine strukturierte Ausgabe zurück, die zum Import oder zur Überprüfung bereitsteht.

Drei Dinge, die ein funktionierendes System von einem Pilotprojekt unterscheiden, das nach einem Monat scheitert:

• Validierung kritischer Felder: Die Steuernummer wird im Mehrwertsteuerregister überprüft, die Kontonummer auf der weißen Liste, bevor ein Eintrag ins System gelangt. Ein Fehler hier bedeutet ein steuerliches Risiko für den Kunden.
• OCR-Sicherheitsschwelle: Wenn das Modell eine geringe Sicherheit bei einer gelesenen Zahl hat (z. B. manuelle Korrektur auf der Rechnung), wird der Fall in eine manuelle Warteschlange verschoben, statt automatisch importiert zu werden.
• Human-Gate beim Import: Kein Eintrag im Buchhaltungssystem wird automatisch ohne Bestätigung durch den Buchhalter erstellt. AI schlägt vor, der Mensch genehmigt.

Die Bearbeitungszeit einer Rechnung verkürzt sich in der Regel von 2–4 Minuten manuell auf 15–30 Sekunden zur Überprüfung. Bei 500 Rechnungen pro Monat sind das mehrere Stunden gewonnene Arbeitszeit ohne Änderung der ERP-Systemarchitektur.

Eine fortgeschrittenere Ebene ist die Analyse von Mustern in den Finanzdaten der Kunden. Ein Steuerbüro, das einen Kunden seit Jahren betreut, baut implizit ein Muster seiner Einnahmen, Ausgaben und Zahlungsfristen auf. AI kann dieses Muster explizit machen und bei Abweichungen alarmieren.

Beispielhafte Anwendungen:

• Anomalien bei Kosten: Der Betrag in der Kategorie „Fremdleistungen“ ist im Vergleich zum Vormonat um 60 % gestiegen, ohne Änderungen bei den Bestellungen. Dies könnte eine übersehene Duplikat-Rechnung oder eine tatsächliche Veränderung sein, die mit dem Kunden besprochen werden sollte.
• Mehrwertsteuer-Inkonsistenzen: Der Mehrwertsteuersatz stimmt nicht mit der Produktkategorie gemäß der PKWiU-Datenbank überein. Das System markiert das Dokument zur Überprüfung vor der Abgabe der Steuererklärung.
• Verspätete Zahlungen: Das System verfolgt Fälligkeitstermine von Verbindlichkeiten und generiert eine priorisierte Liste für den Kunden im Voraus, statt nach Fristablauf zu informieren.
• Doppelte Rechnungen: Dieselbe Steuernummer des Ausstellers, derselbe Betrag, unterschiedliche Dokumentennummern. Vor dem Import fragt das System: „Ist das ein Duplikat?“

Die Erkennung von Anomalien erfordert kein Fine-Tuning eines eigenen Modells. RAG mit einer Regelbasis und der Transaktionshistorie des Kunden reicht für die ersten Ebenen aus. Fine-Tuning ist erst sinnvoll, wenn das Datenvolumen groß ist und die Muster branchenspezifisch sind.

Jedes Steuerbüro beantwortet monatlich dieselben Fragen. Fristen für ZUS, Finanzamt, JPK, Status der Abrechnungen, Fragen zu bestimmten Rechnungen. Ein auf RAG basierender Assistent, der an die Kundendaten angebunden ist, kann einen Großteil dieser Fragen beantworten, ohne den Buchhalter einzubinden.

Funktionsweise:

1. Der Kunde schreibt über ein Formular, Chat oder E-Mail: „Wann muss ich die ZUS in diesem Monat zahlen?“
2. Das System klassifiziert die Absicht: Frage nach einer Frist (→ RAG + Kalender), Frage nach einem Betrag (→ RAG + letzte Abrechnung), Frage nach dem Status eines Dokuments (→ Kundendokumentenbank), Frage, die eine Interpretation erfordert (→ Eskalation zum Buchhalter).
3. RAG durchsucht den Index: Kundendokumente, gesetzliche Fristen, Korrespondenz. Die Antwort wird unter Angabe der Quelle formuliert.
4. Wenn die Frage außerhalb des Systemumfangs liegt oder die Sicherheit gering ist, sagt der Assistent direkt: „Bitte um Bestätigung durch Ihren Buchhalter“ und eskaliert.

Der Assistent interpretiert kein Steuerrecht und gibt keine Ratschläge in strittigen Angelegenheiten. Der Umfang ist streng definiert, und Guardrails blockieren Fragen außerhalb dieses Rahmens mit einer klaren Erklärung.

Nicht jedes Steuerbüro benötigt alle drei Ebenen sofort. Die folgende Tabelle zeigt, wann welcher Umfang sinnvoll ist.

Der Pilot beginnt immer mit dem engsten Umfang bei höchstem Dokumentenvolumen. Für die meisten Büros ist das OCR von Rechnungen oder der FAQ-Assistent, nicht ein vollständiger Agent mit ERP-Zugriff.

Ein Steuerbüro verarbeitet sensible Daten: Steuernummern, Einnahmen, Gehälter, personenbezogene Daten der Mitarbeiter von Kunden. Die berufliche Verschwiegenheitspflicht stellt hier zusätzliche Anforderungen über die standardmäßige RODO hinaus.

Vier technische Anforderungen, die vor der Inbetriebnahme eines AI-Systems erfüllt sein müssen:

• PII-Maskierung lokal: Namen, PESEL-Nummern, Kontonummern werden maskiert oder tokenisiert, bevor etwas die Büroinfrastruktur verlässt. Das Cloud-Modell sieht Tokens, keine personenbezogenen Daten.
• Self-Hosting für Finanzdaten: Vollständige Finanzdokumente und Transaktionshistorien sollten nicht an externe APIs gesendet werden. Lokale Modelle für Inference (Ollama oder On-Premise-Server) für die Dokumentenanalyse sind Standard für Büros mit Kunden aus regulierten Sektoren.
• Getrennte Indizes pro Kunde: Jeder Kunde hat einen eigenen, isolierten Index in der Vektordatenbank. Fehlende Isolation birgt das Risiko von Datenlecks zwischen Kunden durch Cross-Query.
• Protokollierung jeder Operation: Was das System gelesen hat, was es vorgeschlagen hat, wer es genehmigt hat. Ein Audit muss rückwirkend für mindestens 5 Jahre gemäß den Buchhaltungsvorschriften möglich sein.

Wenn die Kunden des Büros Unternehmen aus dem Finanz-, Gesundheits- oder öffentlichen Sektor sind, sollte vor der Implementierung eine DPIA durchgeführt werden. Details zu den Anforderungen von RODO und AI Act behandelt der Artikel AI Act und RODO 2026.

Die Effektivität des AI-Systems hängt von der Qualität der ERP-Integration ab. In polnischen Steuerbüros dominieren einige Systeme, jedes mit unterschiedlichen Export- und API-Möglichkeiten.

Häufigste Integrationsmuster:

• Import über Datei: Das AI-System generiert eine XML- oder CSV-Datei, die für den Import in Optima, Symfonia oder Wapro bereitsteht. Am einfachsten, erfordert keinen API-Zugriff, aber der Import wird immer manuell vom Buchhalter bestätigt.
• ERP-API: Direkte Eingabe nach menschlicher Bestätigung. Schnellere Verarbeitung, erfordert Konfiguration und End-to-End-Tests in einer Testumgebung vor dem Start.
• n8n als Orchestrierungsebene: n8n verbindet das E-Mail-Postfach (Rechnungseingang), das OCR-System, die Validierung und den ERP-Import zu einem Workflow mit Protokollierung jedes Schritts. Besonders geeignet, wenn das Büro eine heterogene Umgebung mit mehreren verschiedenen Systemen bei verschiedenen Kunden hat.

Für Systeme ohne offizielle API ist die Integration über Datei die sicherere Wahl als das Scraping der Benutzeroberfläche, das bei jedem Update kaputtgeht.

Die Kosten eines Piloten hängen vom Umfang und Dokumentenvolumen ab. Für ein Steuerbüro mit 400–800 Rechnungen pro Monat und einer Ebene (OCR oder FAQ-Assistent) dauert ein Pilot in der Regel einige Wochen. Die genauen Zahlen hängen von der technischen Umgebung und dem Integrationsgrad ab. Der ROI-Rechner ermöglicht die Eingabe realer Stunden, Stundensätze und Volumina und liefert die Amortisationszeit ohne Schätzungen „nach Gefühl“.

Drei Metriken, die zeigen, ob der Pilot funktioniert:

• Bearbeitungszeit pro Dokument: Wie viele Minuten vom Erhalt der Rechnung bis zum fertigen Vorschlag im System. Ein manuell gemessener Baseline-Wert vor dem Start ist notwendig.
• Interventionsrate: Anteil der Dokumente, bei denen das System ein kritisches Feld (Betrag, Steuernummer, Datum) falsch erkannt hat. Sollte innerhalb des ersten Monats bei typischen Dokumenten unter 2 % sinken.
• Antwortzeit des Assistenten: Median und p95 von der Kundenfrage bis zur Antwort des Assistenten. Ziel sind unter 5 Sekunden für Fragen aus dem Index.

Bei einem Volumen von über 500 Rechnungen pro Monat amortisiert sich die OCR-Automatisierung in der Regel innerhalb von 3–6 Monaten. Bei geringerem Volumen ist die Amortisationszeit länger, aber die Implementierung ist oft trotzdem sinnvoll, um Fehler zu reduzieren – nicht nur um Zeit zu sparen.

Beschreiben Sie Ihren aktuellen Dokumentenworkflow und die häufigsten Kundenfragen, und das Modell zeigt auf, welche AI-Ebenen in Ihrem Büro das größte Potenzial haben (Playground: PII maskiert, keine Datenspeicherung):

Sollte es nicht ohne Human-Gate. AI kann einen Importvorschlag mit allen ausgefüllten Feldern vorbereiten, aber die Bestätigung jeder finanziellen Operation sollte beim Buchhalter liegen. Finanzdaten im ERP-System sind die Grundlage für die Steuererklärungen des Kunden, daher kann ein Fehler beim automatischen Import rechtliche Konsequenzen haben. Das Muster lautet: AI schlägt vor, der Mensch überprüft mit einem Klick zur Genehmigung oder Ablehnung.

Die Sicherheit hängt von der Architektur ab, nicht von der Tatsache, dass AI genutzt wird. Minimale Anforderungen sind: Maskierung personenbezogener Daten vor dem Versand an externe Modelle, isolierte Indizes pro Kunde in der Vektordatenbank, Protokollierung jeder Operation und Self-Hosting für besonders sensible Daten. Büros, die Kunden aus regulierten Sektoren betreuen, sollten eine DPIA durchführen und lokale Modelle für die Dokumentenextraktion verwenden. Mehr über die Sicherheit von AI-Agenten behandelt der Artikel Sicherheit von AI-Agenten.

Ja, moderne OCR-Systeme mit einer visuellen Modellschicht kommen mit digitalen PDFs, Scans und Handyfotos zurecht. Die Qualität hängt von der Auflösung und Lesbarkeit des Dokuments ab. Manuelle Korrekturen auf Ausdrucken verringern die Sicherheit des Systems, daher ist das Muster immer gleich: geringe Sicherheit = manuelle Warteschlange statt automatischem Import. Prüfen Sie die Bewertung der Bereitschaft, um zu sehen, ob Ihre Dokumente die Mindestanforderungen erfüllen.

Gar nicht und sollte es auch nicht versuchen. Der RAG-Assistent beantwortet faktische Fragen (Fristen, Status, Beträge aus Dokumenten) und eskaliert Fragen, die eine Interpretation erfordern, zum Buchhalter. Der Umfang ist streng durch Guardrails definiert, und der Assistent informiert den Kunden deutlich, wenn er die Angelegenheit an einen Menschen weiterleitet. Das ist keine Systembeschränkung, sondern eine bewusste Designentscheidung aufgrund der beruflichen Verantwortung des Büros.

Mit der Messung, wo die meiste Zeit aufgewendet wird. Wenn es Rechnungen sind, beginnen Sie mit OCR und Validierung. Wenn es sich wiederholende Kundenfragen sind, starten Sie mit einem RAG-Assistenten auf Basis von Fristen und FAQ. Implementieren Sie einen Umfang nach dem anderen, messen Sie die Ergebnisse über 4–6 Wochen und entscheiden Sie dann über die Erweiterung. Der vollständige Leitfaden, wo man mit der AI-Implementierung beginnen sollte, erläutert die Methodik Schritt für Schritt unabhängig von der Branche.