Regelbasiert oder KI? Wie du die Dokumentenverarbeitung in der Steuerkanzlei richtig aufbaust

Kurzantwort

Alles, was einer festen Logik folgt und strukturierte Daten liefert, lässt sich mit Regeln lösen: schneller, günstiger, fehlerfrei reproduzierbar und vollständig nachvollziehbar. KI lohnt sich dort, wo echtes Sprachverständnis nötig ist oder Muster so komplex werden, dass Regeln nicht mehr sinnvoll zu pflegen sind. Die tragfähige Architektur ist hybrid: Regeln als Fundament, KI an wenigen, klar abgegrenzten Stellen und Regeln, die jedes KI-Ergebnis prüfen, bevor es weiterverarbeitet wird.

Worum es in diesem Artikel geht

Kanzleien verarbeiten täglich Dokumente, aus denen Buchungen oder andere Daten entstehen: Eingangs- und Ausgangsrechnungen, Zahlungsavise, Kontoauszüge und ähnliche Belege. Wer diese Verarbeitung automatisieren will, steht heute vor einer Grundsatzfrage: Setze ich auf klassische Regeln oder auf KI?

Die Diskussion wird oft verkürzt geführt. Auf der einen Seite steht die Erwartung, KI könne „einfach alles“. Auf der anderen Seite die Skepsis, KI sei zu unzuverlässig. Beides greift zu kurz. Dieser Artikel liefert dir Kriterien, mit denen du für jeden einzelnen Verarbeitungsschritt entscheiden kannst, welcher Ansatz passt, und zwar mit konkreten Zahlen aus der Praxis.

Als durchgehendes Beispiel dienen Rechnungen. Die Überlegungen gelten aber genauso für Avise, Kontoauszüge und andere Dokumente, aus denen Buchungen oder Daten erzeugt werden.

Begriffe, die wir sauber trennen

Regelbasiert heißt: Ein Verarbeitungsschritt folgt eindeutigen Vorgaben. Das können feste Positionen im Dokument sein, Textmuster (Pattern), Zuordnungstabellen oder Berechnungsvorschriften. Gleiche Eingabe, gleiches Ergebnis, jedes Mal.

KI-gestützt heißt in diesem Artikel: Ein Sprachmodell interpretiert Inhalte und liefert einen Vorschlag. Das Ergebnis ist eine Einschätzung, keine Berechnung.

Hybrid heißt: Beide Ansätze arbeiten in einer Architektur zusammen, aber jeder Schritt ist klar dem einen oder dem anderen zugeordnet. Es gibt keine Grauzone, in der unklar bleibt, ob gerade eine Regel oder ein Modell entschieden hat.

Diese Trennung ist keine Formalie. Sie entscheidet darüber, ob du Fehler später eingrenzen, erklären und beheben kannst.

Wie regelbasierte Extraktion funktioniert

Digitale PDF-Dokumente enthalten ihren Text als Text, nicht als Bild. Das bedeutet: Inhalte und ihre Positionen auf der Seite lassen sich direkt auslesen. Auf dieser Grundlage arbeitet eine regelbasierte Extraktion typischerweise mit drei Bausteinen:

1. Position und Struktur: Wo im Dokument steht welche Information? Der Rechnungsbetrag steht etwa in einem definierten Bereich, die Positionen stehen in einer Tabellenstruktur.
2. Pattern: Wiedererkennbare Muster, zum Beispiel Formate für Rechnungsnummern, Datumsangaben, Beträge oder Steuersätze. Ein Pattern findet die Information auch dann, wenn sie nicht immer an exakt derselben Stelle steht.
3. Zuordnungslogik: Feste Tabellen und Bedingungen, die aus den gelesenen Daten Buchungsinformationen machen.

Ein verbreiteter Irrtum lautet: „Sobald Dokumente unterschiedlich aussehen, brauche ich KI.“ Das stimmt so nicht. Unterschiedliche Datenformate lassen sich über passende Pattern häufig regelbasiert abarbeiten. Die entscheidende Frage ist nicht, wie unterschiedlich die Dokumente aussehen, sondern ob sich die Logik dahinter beschreiben lässt.

Praxisbeispiel: Buchungen aus PDF-Rechnungen

Ein Fall aus unserer Praxis: Aus digitalen PDF-Dokumenten sollen Buchungen erzeugt werden. Es handelt sich um fünf verschiedene Formate, die jeweils immer gleich aufgebaut sind.

Das Ergebnis mit einer regelbasierten Verarbeitung:

• Über 500 verarbeitete Dokumente ohne einen einzigen Fehler
• Ca. 0,1 Sekunden pro Dokument (3 bis 4 Seiten)
• Jeder Schritt exakt nachvollziehbar: welche Regel gegriffen hat, welche Eingabe vorlag, welches Ergebnis entstand

Hier wäre KI schlicht die falsche Wahl gewesen. Sie wäre langsamer, teurer und weniger zuverlässig gewesen, ohne einen Mehrwert zu liefern, denn die Aufgabe hat eine vollständig beschreibbare Logik.

Warum KI anders arbeitet

Um zu verstehen, warum die Unterschiede strukturell und nicht zufällig sind, hilft ein Blick auf die Funktionsweise.

Geschwindigkeit: Ein Sprachmodell erzeugt seine Antwort schrittweise, Baustein für Baustein. Dazu kommen der Aufruf über eine Schnittstelle und die Rechenzeit des Modells. Nach unserer Erfahrung liegt die Verarbeitung pro Dokument bei 10 bis 20 Sekunden. Eine Regel läuft lokal und liest Text direkt aus: 0,1 Sekunden.

Reproduzierbarkeit: Sprachmodelle arbeiten mit Wahrscheinlichkeiten. Bei gleicher Eingabe kann das Ergebnis unterschiedlich ausfallen. Man kann dieses Verhalten durch Einstellungen und gute Anweisungen eingrenzen, aber nicht vollständig ausschließen. Aus hunderten Projekten kennen wir das Muster: Egal, wie gut der Prompt oder die Anweisung ist, KI bringt immer ein Restrisiko für Fehler mit.

Halluzinationen: Modelle können Inhalte erzeugen, die im Dokument nicht stehen, aber plausibel klingen. Besonders anfällig ist das Vorgehen, alle Daten eines Dokuments auf einmal in ein Modell zu kopieren. Je mehr irrelevanter Inhalt mitgeliefert wird, desto mehr „Rauschen“ entsteht, und desto eher schleichen sich Fehler ein.

Das ist keine Schwäche einzelner Anbieter, sondern eine Eigenschaft der Technologie. Sie sollte in der Architektur berücksichtigt werden, statt sie zu ignorieren.

Der Vergleich in Zahlen

Nehmen wir zwei realistische Stapelgrößen: 100 und 200 Dokumente.

Die KI-Zeiten gelten für sequenzielle Verarbeitung. Parallelisierung verkürzt die Gesamtdauer, verursacht aber zusätzlichen Aufwand und Kosten.

Zwei ehrliche Einordnungen dazu. Erstens: In absoluten Zahlen sind die Kosten pro KI-Dokument gering. Das Kostenargument allein trägt also nicht. Zweitens: 30 Minuten für 100 Dokumente klingen nicht dramatisch. Der Unterschied wird aber spürbar, sobald Volumen wachsen, Ergebnisse geprüft werden müssen oder Verarbeitung im Tagesgeschäft schnell und planbar sein soll.

Was ein kleiner Fehleranteil wirklich bedeutet

Angenommen, die KI macht nur einen Fehler bei 50 Dokumenten. Das sind 2 Prozent und klingt zunächst akzeptabel. Hochgerechnet ergibt sich aber:

(Beispielannahme, keine Messung.)

Das Problem: Du weißt vorher nicht, welche Dokumente betroffen sind. Ohne Regelprüfung müsstest du alle Ergebnisse kontrollieren, um die wenigen fehlerhaften zu finden. Der Prüfaufwand fällt also auf den gesamten Stapel, nicht nur auf die Fehler.

Bei einer rein regelbasierten Verarbeitung entsteht dieses Problem nicht. Der Fehleranteil lässt sich hier auf null reduzieren, sofern die Logik korrekt abgebildet ist. In unserem Beispiel waren es über 500 Dokumente ohne einen Fehler.

Der versteckte Aufwand auf beiden Seiten

Ehrlich betrachtet hat auch der regelbasierte Ansatz seinen Preis, und zwar an einer anderen Stelle.

Regeln brauchen Implementierungszeit. Ein neues Dokumentformat als Regel abzubilden dauert länger, als es einem Modell zur Interpretation vorzulegen. Dieser Aufwand fällt aber einmalig an. Und er lässt sich verringern: KI kann beim Erstellen der Regeln helfen, etwa beim Analysieren von Dokumentstrukturen oder beim Entwerfen von Patterns. Der Unterschied liegt darin, wann KI arbeitet. Beim Erstellen der Regel arbeitet sie einmal. Danach läuft die Verarbeitung ohne sie, bei jedem Dokument, dauerhaft.

KI-Verarbeitung erzeugt laufenden Aufwand. Jeder Fehler, den ein Modell macht, muss gefunden, verstanden und behoben werden. Meist bedeutet das, Prompt oder Anweisungen nachzubessern. In der Praxis sind dafür schnell ein bis zwei Stunden pro Fehlerfall verbraucht, und es bleibt ungewiss, ob die Anpassung nicht an anderer Stelle neue Abweichungen erzeugt.

Auf lange Sicht schlägt der regelbasierte Ansatz deshalb fast immer durch: bei Geschwindigkeit, Kosten, Prüfaufwand und Nachvollziehbarkeit. Der höhere Startaufwand amortisiert sich.

Wo KI ihren Platz hat

Das heißt nicht, dass KI unnötig wäre. Sie hat dort ihren Platz, wo Regeln an ihre Grenzen kommen: bei Zuordnung und Einordnung. Typische Beispiele sind die Zuordnung von Konten, die Bestimmung von Kategorien oder die Ermittlung von Berechnungspositionen. Hier kommt es auf Bedeutung an, etwa auf Beschreibungen, Bezeichnungen oder Zusammenhänge, die keine feste Tabelle vollständig abdeckt.

[Hier ein konkretes Beispiel einfügen: Welche Eingabe (z. B. eine unklare Leistungsbeschreibung) liegt vor, was schlägt die KI vor, woran würde eine Regel scheitern?]

In unseren Anwendungen macht die KI etwa 10 Prozent der Verarbeitungsschritte aus. Diese 10 Prozent haben einen großen Hebel, weil genau dort der manuelle Aufwand sitzt, den Regeln nicht übernehmen können. Der Hebel entsteht aber nur, wenn KI gezielt eingesetzt wird und nicht als Universallösung für den gesamten Ablauf.

Die Architektur, die beides verbindet

Ein hybrider Aufbau folgt einigen Grundprinzipien:

1. Klare Trennung. Jeder Verarbeitungsschritt ist eindeutig regelbasiert oder KI-gestützt. Das macht das System verständlich und Fehler eingrenzbar.

2. Minimale Daten an die KI. Das Modell bekommt nur die Information, die es für seine konkrete Aufgabe braucht, niemals das gesamte Dokument. Das reduziert das Rauschen und damit das Risiko von Halluzinationen. Nebeneffekt: Es werden weniger Tokens verbraucht, was Kosten und Antwortzeit senkt.

3. Regeln validieren jedes KI-Ergebnis. Ein vorgeschlagenes Konto wird gegen den Kontenrahmen geprüft. Beträge werden auf Plausibilität kontrolliert. Pflichtangaben müssen vorhanden sein. Die KI liefert Vorschläge, die Regeln entscheiden, ob ein Vorschlag weiterverarbeitet werden darf.

4. Definierter Umgang mit Fehlschlägen. Besteht ein Ergebnis die Validierung nicht, muss das System flexibel reagieren können: ein neuer KI-Aufruf, eine manuelle Korrektur oder ein gezielter Hinweis an den Bearbeiter. Wichtig ist, dass es einen definierten Weg gibt und der Fehler nicht ungeprüft durchrutscht.

Mit dieser Architektur lassen sich Halluzinationen und Rauschen gezielt vermeiden, statt sie nur zu hoffen zu verhindern.

Nachvollziehbarkeit

Ein regelbasierter Schritt lässt sich exakt rekonstruieren: welche Eingabe vorlag, welche Regel gegriffen hat, welches Ergebnis herauskam. Das ist relevant, wenn du gegenüber Mandanten, Kollegen oder Prüfern erklären musst, wie eine Buchung zustande gekommen ist.

Bei einem KI-Schritt ist das nicht in gleicher Weise möglich. Das Modell liefert eine Einschätzung, aber keine prüfbare Herleitung. Je kleiner der KI-Anteil im Prozess, desto größer der Teil, den du lückenlos erklären kannst. [Optional: Wie ihr KI-Schritte protokolliert, falls ihr das tut.]

Datenschutz: Weniger Daten, weniger Risiko

Mandantendaten sind personenbezogen. Die DSGVO gilt deshalb für jede Verarbeitung, ob mit oder ohne KI. Der Unterschied liegt in der Angriffsfläche: Bei regelbasierter Verarbeitung verlassen die Daten das System nicht. Es gibt keinen zusätzlichen Anbieter und keine Übermittlung an ein Modell.

Wo KI zum Einsatz kommt, gelten drei Grundsätze:

1. Datenminimierung: Es wird nur das Mindestmaß an Daten übergeben, nie das ganze Dokument.
2. Anonymisierung oder Pseudonymisierung, wo immer es möglich ist. Wichtig: Pseudonymisierte Daten gelten rechtlich weiterhin als personenbezogen. Sie senken das Risiko, heben die Pflichten aber nicht auf.
3. Kein unnötiger Datenfluss: Was für die Aufgabe nicht gebraucht wird, geht nicht an das Modell.

[Rechtliche Aussagen in diesem Abschnitt vor Veröffentlichung fachlich prüfen lassen.]

Entscheidungshilfe: Regeln oder KI?

Stelle dir bei jedem Verarbeitungsschritt diese Fragen:

Wenn du beim Durchgehen merkst, dass die meisten Antworten auf Regeln zeigen, ist das kein Zeichen von Rückständigkeit, sondern von guter Architektur.

Grenzen dieses Ansatzes

• Regeln müssen gepflegt werden. Ändert ein Aussteller sein Dokumentformat, muss die Regel angepasst werden. Das ist planbar, aber es ist Aufwand.
• Der Startaufwand ist höher. Für ein neues Format dauert die Regelimplementierung länger als der Test mit einem Modell. Der Aufwand zahlt sich erst über die Zeit aus.
• Sehr variable, freitextlastige Inhalte sind die Domäne der KI. Wer versucht, solche Inhalte mit Regeln abzudecken, produziert Regelwerke, die niemand mehr pflegen kann.
• Hybrid erfordert Konzeptarbeit. Die saubere Trennung ist anspruchsvoller als „alles dem Modell überlassen“. Sie ist aber die Voraussetzung für zuverlässige Ergebnisse.

Fazit

Frage dich bei jedem Automatisierungsschritt zuerst: Lässt sich die Logik beschreiben? Wenn ja, nimm Regeln. Sie sind schneller, kostenlos in der Ausführung, reproduzierbar und vollständig nachvollziehbar. Setze KI erst ein, wenn sprachliches Verständnis oder Komplexität es verlangen, mit klarer Abgrenzung, minimaler Datenübergabe und Regeln, die jedes Ergebnis prüfen.

So entsteht ein Prozess, der schnell, nachvollziehbar und datensparsam ist, und in dem KI dort wirkt, wo sie den größten Hebel hat.

Häufige Fragen

Ersetzt KI die Regeln in der Dokumentenverarbeitung?
Nein. In einer hybriden Architektur übernimmt die KI nur die Schritte, die Regeln nicht leisten können. In unseren Anwendungen sind das etwa 10 % der Verarbeitungsschritte.

Wie viel schneller ist regelbasierte Verarbeitung?
In unserer Praxis dauert ein Dokument mit 3 bis 4 Seiten regelbasiert etwa 0,1 Sekunden, KI-gestützt etwa 10 bis 20 Sekunden. Bei 200 Dokumenten sind das rund 20 Sekunden gegenüber 33 bis 67 Minuten (sequenziell).

Kann man KI-Fehler durch bessere Prompts ausschließen?
Man kann sie reduzieren, aber nicht ausschließen. KI arbeitet mit Wahrscheinlichkeiten und bringt immer ein Restrisiko mit. Deshalb sollten Regeln jedes Ergebnis prüfen.

Wann lohnt sich KI wirklich?
Wenn der Inhalt verstanden werden muss, etwa bei unklaren Bezeichnungen oder Freitext, oder wenn Pattern so komplex werden, dass ihre Pflege unwirtschaftlich ist.

Kann KI beim Erstellen von Regeln helfen?
Ja. KI kann Dokumentstrukturen analysieren und Regeln entwerfen. Der Unterschied: Sie arbeitet dann einmal bei der Erstellung, nicht bei jeder Verarbeitung.

Ist regelbasierte Verarbeitung datenschutzkonform?
Die DSGVO gilt für jede Verarbeitung personenbezogener Daten. Regelbasierte Verfahren vermeiden aber zusätzliche Risiken, weil die Daten das System nicht verlassen.

Was passiert, wenn die Validierung eines KI-Ergebnisses fehlschlägt?
Das System reagiert flexibel: neuer KI-Aufruf, manuelle Korrektur oder ein gezielter Hinweis an den Bearbeiter. Das Ergebnis wird nicht ungeprüft weiterverarbeitet.