Wie zuverlässig bekommt KI einen zerknitterten Lieferschein ins ERP?

Der Lieferschein ist geknickt, die letzte Zeile steht auf Seite zwei, und „2 Ktn.“ bezieht sich auf Kartons mit je zwölf Stück. Für die Warenannahme sind das 24 Stück. Wenn die Software einfach den Wert „2“ ins ERP übernimmt, stimmt der Lagerbestand nicht. Genau an solchen Fällen entscheidet sich der Nutzen von Dokumenten-KI.

Texterkennung, auch OCR genannt, liefert aus einem Scan Text. Neuere Dienste wie Mistral OCR 4.1 erkennen zusätzlich die Struktur von Absätzen und Tabellen und können Konfidenzwerte zurückgeben. Die Zuordnung zur Bestellung und die Umrechnung einer Verpackungseinheit braucht Fachregeln und verlässliche Stammdaten. Mistral OCR 4.1 · Mistral-Dokumentation zur Texterkennung

Vom Scan zur ERP-Buchung

Legt zuerst fest, welche Daten der Wareneingang wirklich benötigt. Auf Kopfebene sind das zum Beispiel Lieferant, Lieferscheinnummer und Bestellbezug. Pro Zeile braucht ihr Artikelkennung, Menge und Einheit. Speichert zu jedem vorgeschlagenen Wert den Bezug zur Stelle im Beleg, damit ihn jemand schnell prüfen kann.

1. Auslesen. Die Erkennung liefert Zeilen und Felder. Fehlende oder unleserliche Felder bleiben leer.
2. Abgleichen. Die Anwendung ordnet die Zeile einer offenen Bestellposition zu. Sie prüft Einheiten, Mengen und mögliche Duplikate. „2 Ktn.“ ergeben nur dann 24 Stück, wenn für genau diesen Artikel zwölf Stück pro Karton hinterlegt sind.
3. Buchen oder vorlegen. Eindeutige Fälle können nach den freigegebenen Regeln gebucht werden. Abweichungen landen mit Belegausschnitt und Bestellposition in der Prüfliste. Bei einer Wiederholung derselben Eingabe verhindert ein eindeutiger Beleg- oder Buchungsschlüssel eine zweite Buchung.

Die Messgröße ist der korrekt bearbeitete Beleg

Die Trefferquote einzelner Felder ist hilfreich für die Fehlersuche. Bei 20 Positionen reicht aber schon eine falsch zugeordnete Menge für einen fehlerhaften Beleg. Wertet deshalb sowohl die Feldtreffer als auch die vollständig korrekten Belege aus. Berichtet außerdem die Quote automatisch übernommener Belege, die Fehler in dieser Gruppe und die manuelle Prüfzeit.

In einem fiktiven Test mit 100 Lieferscheinen übernimmt das System 70 automatisch. In zwei davon ist eine Menge falsch. Die Automatisierungsquote beträgt 70 Prozent, und unter den automatisch übernommenen Belegen sind 2 von 70 fehlerhaft. Diese beiden Zahlen braucht ihr gemeinsam, um zu entscheiden, ob der Ablauf für einen produktiven Einsatz taugt.

Ein Test, der den Alltag abbildet

Stellt anonymisierte Beispiele aus dem eigenen Wareneingang zusammen. Nehmt digitale PDFs, Handyfotos, schiefe Scans, handschriftliche Ergänzungen und mehrseitige Belege verschiedener Lieferanten auf. Fachkräfte erfassen die erwarteten Werte und markieren unleserliche Stellen. Reserviert einen Teil dieser Beispiele für die abschließende Prüfung, nachdem Regeln und Schwellenwerte feststehen.

In einem ersten Durchlauf erstellt die Anwendung nur Vorschläge. Das Team vergleicht diese mit dem regulären Wareneingang. Prüft, bei welchen Lieferanten und Feldern Fehler gehäuft auftreten und welche Abweichungen automatisch erkannt werden. Eine hohe Konfidenz des Modells ersetzt den Bestellabgleich nicht. Sie kann helfen, Belege für die Prüfung zu sortieren.

Das Verfahren lohnt sich, wenn am Ende weniger Arbeitszeit anfällt und die Buchungsqualität für den jeweiligen Wareneingang ausreicht. Für die Kostenrechnung lässt sich unser Beispiel zur KI-Wirtschaftlichkeit direkt auf die Zahl bearbeiteter Belege übertragen.

Auf unserer Leistungsseite zur Prozessautomatisierung mit KI zeigen wir, wie wir solche Abläufe in bestehende ERP- und CRM-Systeme einbinden.

Quellen

• Mistral, Modellkarte zu OCR 4.1.
• Mistral, OCR-Dokumentation zu Tabellen, Blöcken und Konfidenzwerten.