KI-Zahlungsabgleich: Wie genau ist er, und wer entscheidet?

Das Wichtigste in Kürze

• Genauigkeit im KI-Zahlungsabgleich ist der Anteil der automatischen Zuordnungen, die richtig sind, und damit eine andere Zahl als die Auto-Match-Quote; diese liegt bei den Anwendern von Cash-Application-Software, die The Hackett Group untersucht hat, im Median bei 70 % (The Hackett Group, August 2025).
• Jeder öffentliche, anbieterübergreifende Benchmark, den wir prüfen konnten, misst die Abdeckung (wie viel automatisch zugeordnet wird), nicht die Richtigkeit (wie viel davon stimmt).
• Eine strengere Konfidenzschwelle erhöht die Richtigkeit und senkt die Abdeckung: In unserem illustrativen Beispiel mit 1.000 Zahlungen steigt die Richtigkeit von 98,9 % auf 99,4 %, während 120 Zahlungen mehr in die manuelle Klärung gehen.
• Menschen entscheiden an drei Stellen: bei der Freigabe vor der Buchung, bei Beträgen, die von der Rechnung abweichen, und bei Zahlern oder Beträgen, die sich aus den Belegen nicht eindeutig klären lassen.
• ClearMatch von Transformance ordnet 95 % der Zahlungen automatisch zu, das ist ein Wert für die Abdeckung, und ohne Freigabe durch eine Person wird nichts gebucht (Transformance-Kundendaten, 2026).

In diesem Artikel

• Das Wichtigste in Kürze
• Wie genau ist der KI-Zahlungsabgleich, und über welche Zahlungen entscheidet ein Mensch?
• Was messen Genauigkeit und Auto-Match-Quote jeweils?
• Was sagen veröffentlichte Benchmarks, und wie lesen Sie sie?
• Über welche Zahlungen entscheidet ein Mensch, und wer genau?
• Wie entscheidet eine Konfidenzschwelle, was gebucht wird und was wartet?
• Warum genügt es nicht, die menschliche Prüfung vorauszusetzen?
• Wie testen Sie die Genauigkeit an Ihren eigenen Zahlungen?
• Was bringt Transformance für Genauigkeit und Freigabe mit?

Wie genau ist der KI-Zahlungsabgleich, und über welche Zahlungen entscheidet ein Mensch?

Genauigkeit ist der Anteil der automatischen Zuordnungen, die richtig sind; fragen Sie deshalb neben der Auto-Match-Quote immer danach. Über Zahlungen, die eine Freigabe, eine Klärung oder ein Urteil brauchen, entscheiden Menschen.

Welche Zahlungen die KI selbst zuordnet und wo ein Mensch entscheidet

Lesen Sie die letzte Spalte als Liste von Entscheidungen, nicht von Lücken: Hinter jeder Zeile steht eine Folge, für die jemand im Finanzbereich verantwortlich ist.

Hinter dem Wort „Genauigkeit“ stecken zwei verschiedene Zahlen. Was als Genauigkeit genannt wird, ist meist eine Auto-Match-Quote, also der Anteil der Zahlungen, die ohne menschliches Zutun zugeordnet werden. Der Anteil dieser Zuordnungen, die stimmen, ist eine zweite Zahl, und an ihr hängt, ob Sie Ihren Debitorensalden und Ihrem Abschluss trauen können.

Wie Auslesen und Zuordnen funktionieren, erklärt der Beitrag Zahlungsavis mit KI auslesen und Zahlungen zuordnen. Was die dokumentierten Regeln in SAP und Oracle ausgleichen, lesen Sie unter regelbasierter oder KI-Zahlungsabgleich, und wie Sie eine einzelne Zahlung ohne Erklärung klären, unter Zahlung ohne Verwendungszweck zuordnen.

Kurz gesagt: Eine Auto-Match-Quote sagt Ihnen, wie viel Arbeit vom Tisch ist, nicht, wie viel davon bei der richtigen Rechnung gelandet ist.

Was messen Genauigkeit und Auto-Match-Quote jeweils?

Die Auto-Match-Quote zählt Zahlungen, die ohne einen Menschen zugeordnet werden; die Genauigkeit zählt, wie viele davon richtig waren. Eine höhere Konfidenzschwelle verbessert die zweite Zahl auf Kosten der ersten.

Der Machine Learning Crash Course von Google definiert zwei Begriffe: Accuracy ist der Anteil aller Klassifizierungen, die richtig waren, Precision der Anteil der positiven Klassifizierungen des Modells, die tatsächlich positiv sind (Google for Developers, aktualisiert im Januar 2026). Was Finanzteams Genauigkeit im Zahlungsabgleich nennen, kommt der Precision am nächsten: Von den Zuordnungen, die das System selbst vornimmt, wie viele stimmen? Google weist außerdem darauf hin, dass eine höhere Klassifizierungsschwelle in der Regel weniger falsch positive und mehr falsch negative Ergebnisse bringt. Für den Zahlungsabgleich heißt das: weniger falsche Zuordnungen, mehr Zahlungen, die ein Mensch klären muss.

Im Folgenden heißen die beiden Zahlen deshalb schlicht Abdeckung (die Auto-Match-Quote) und Richtigkeit (die Genauigkeit der automatischen Zuordnungen).

Abdeckung und Richtigkeit: zwei Zahlen, zwei Fragen

Illustratives Beispiel (fiktives Unternehmen, EUR): Von 1.000 Zahlungen in einem Monat ordnet das System 820 automatisch zu, 811 richtig und 9 falsch. Mit einer strengeren Schwelle ordnet es 700 zu, davon 696 richtig.

Die zweite Einstellung wirkt genauer und nimmt Ihnen 120 Zahlungen weniger ab. Die Korrekturquote sinkt von 1,1 % (9 von 820) auf 0,6 % (4 von 700).

Der Wert verändert das Bild. Angenommen, die 820 automatischen Zuordnungen machen zusammen 5.000.000 € aus, und die 9 falschen sind 8 kleine Rechnungen über zusammen 14.000 € sowie eine Zahlung über 236.000 € vom größten Kunden. Nach Anzahl liegt die Richtigkeit bei 98,9 %, nach Wert bei 95,0 % (4.750.000 € von 5.000.000 €). Acht falsche Zuordnungen bei kleinen Rechnungen sind Aufräumarbeit; eine falsche beim größten Zahler ist ein falscher Saldo und ein Gespräch mit dem Kunden. Weisen Sie beide Bezugsgrößen aus.

Wie Zahlungen mit und ohne manuellen Eingriff gezählt werden, erklärt der Beitrag Was ist Dunkelverarbeitung im Zahlungsabgleich?; die vollständigen KPI-Definitionen stehen im Beitrag darüber, welche Quote im automatischen Zahlungsabgleich gut ist.

Kurz gesagt: Ein Genauigkeitswert ohne seinen Nenner sagt nichts.

Was sagen veröffentlichte Benchmarks, und wie lesen Sie sie?

Jeder öffentliche, anbieterübergreifende Benchmark, den wir prüfen konnten, misst die Abdeckung, allen voran eine Auto-Match-Quote von 70 % im Median (The Hackett Group, 2025); keiner misst, wie viele Zuordnungen richtig sind.

The Hackett Group hat 2025 Cash-Application-Software untersucht. Laut der Studie liegt die Auto-Match-Quote bei den untersuchten Anwendern im Median bei 70 %, ein Drittel erreicht mehr als 80 %. Zugleich geben sich nach Hackett überraschend viele Unternehmen mit Automatisierungsquoten unter 40 % zufrieden (The Hackett Group, August 2025). Bewertet wurden 15 Anbieter nach 16 Kriterien, auf Grundlage von Anbieter-Briefings und Kundendaten. Das ist der aktuellste beobachtete Median, den wir prüfen konnten; einen vergleichbaren Wert für 2026 haben wir nicht gefunden.

‍

‍

Vier öffentliche Quellen und was jede davon zählt

Die Hackett-Zahl vom Juli 2026 lässt sich ohne Ausgangswert nicht einordnen. Die Mitteilung stellt die Benchmarks als Leistungsstandards für einen künftigen Zustand vor, und ihre Order-to-Cash-Werte stammen ausdrücklich aus einer Modellierung für AI World Class. Es ist also ein modellierter Zielzustand, keine beobachtete Quote, und Stichprobe und Ausgangswert fehlen. Ausgehend von 40 % bedeuten 89 % mehr etwas anderes als ausgehend von 70 %.

Die Studie der RMIT University misst die Qualität der Zuordnung, nicht die Abdeckung. Laut der Mitteilung des Verlags hat das graphbasierte Verfahren die Zuordnungsgenauigkeit deutlich verbessert, am stärksten bei 1:n-Zuordnungen, also wenn eine einzelne Zahlung mehreren Rechnungen gegenübersteht (KeAi, November 2025). Der Hauptautor ergänzt, dass Stabilität genauso wichtig sei wie Genauigkeit. Die Mitteilung nennt keine Zahl, daher zitieren wir hier keine.

Wir haben kein Beratungshaus, keine Hochschule und keine Behörde gefunden, die eine anbieterübergreifende Richtigkeitsquote für den Zahlungsabgleich veröffentlicht. Mit vier Fragen machen Sie jede Genauigkeitsangabe überprüfbar:

• Nenner: Zahlungen, Avispositionen, Rechnungen oder Wert?
• Abdeckung oder Richtigkeit: automatisch zugeordnet oder richtig zugeordnet?
• Testmenge: wessen Zahlungen, welcher Zeitraum, und waren die Lösungen vor dem System verborgen?
• Vergleichsbasis: verglichen mit Regeln, mit manueller Arbeit oder mit gar nichts?

Kurz gesagt: Lesen Sie einen Benchmark danach, was er zählt, nicht nach der Zahl.

Über welche Zahlungen entscheidet ein Mensch, und wer genau?

Menschen entscheiden an drei Stellen: bei der Freigabe vor der Buchung, bei Beträgen, die von der Rechnung abweichen, und bei Zahlern oder Beträgen, die sich aus den Belegen nicht eindeutig klären lassen.

Freigeben. Geprüfte Zuordnungen gehen an eine Person, bevor sie gebucht werden. Das ist eine Kontrolle, und hier greifen Ihre Freigabestufen, etwa ein Vier-Augen-Prinzip ab einem bestimmten Betrag, wenn Ihre Richtlinie das vorsieht.

Entscheiden. Weicht der Betrag von der Rechnung ab, verlangt die Differenz eine kaufmännische Entscheidung: eine Minderzahlung akzeptieren, reklamieren oder ausbuchen; eine Überzahlung oder Doppelzahlung erstatten, als Gutschrift führen oder verrechnen. Die Belege zeigen den Grund; die Entscheidung über das Geld des Kunden treffen Sie.

Beurteilen. Manche Fälle lassen mehr als eine plausible Lösung zu: ein neuer Zahler, eine Muttergesellschaft, die für ihre Töchter zahlt, eine Sammelzahlung, die zu zwei Gruppen von Rechnungen passt. Die Belege grenzen die Auswahl ein; die Wahl trifft ein Mensch.

‍

‍

Entscheidungen nach der Zuordnung, mit typischer Zuständigkeit (Ihre Rollen können abweichen)

Wie Zahlungen auf Gesellschaften aufgeteilt oder konzernintern verrechnet werden, regelt Ihre eigene Richtlinie. Mehr zum Umgang mit Minderzahlungen lesen Sie unter Teilzahlungen und Abzüge in der Debitorenbuchhaltung automatisieren, und zu den Zahlungen, die am Ende ungeklärt bleiben, unter ungeklärte Zahlungseingänge abbauen.

Bei Transformance untersucht Vero, der KI-Agent, den Ausnahmefall auf Basis von Customer 360, seinem Gedächtnis für jeden Kunden. Dazu holt Vero interne und externe Informationen ein, um weitere Treffer zu finden, und macht einen Vorschlag mit den Belegen; eine Person gibt frei. Buchungen folgen einem vierstufigen Freigabemodell (lesen, empfehlen, ausführen, buchen), bei dem für ERP-Buchungen immer ein Mensch im Prozess ist.

Kurz gesagt: Automatisierung erledigt das Eindeutige; Menschen verantworten das Folgenreiche.

Wie entscheidet eine Konfidenzschwelle, was gebucht wird und was wartet?

Eine Konfidenzschwelle trennt Vorschläge, die zur Freigabe weitergehen, von denen, die mit ihren Belegen auf einen Menschen warten; auch SAP dokumentiert eine solche Schwelle.

SAP beschreibt das Verfahren in seinem Lernkurs zu SAP Cash Application für FI-CA. Danach werden Vorschläge oberhalb der Genauigkeitsschwelle für den automatischen Ausgleich, die in der Konfiguration festgelegt ist, automatisch ausgeglichen. Vorschläge darunter sieht der zuständige Sachbearbeiter in den Apps oder Programmen zur Nachbearbeitung von SAP, und nur Vorschläge unterhalb einer bestimmten Schwelle werden gar nicht angezeigt (SAP Learning, ohne Datum). So dokumentiert es SAP; die Verfügbarkeit hängt von Ihrer Edition und Lizenz ab.

Die Schwelle macht aus dem Rechenbeispiel eine Richtlinie: Wird sie angehoben, steigt die Richtigkeit, und die Abdeckung sinkt. Ein Großhändler mit Tausenden kleiner, wiederkehrender Zahlungen kann eine niedrigere Schwelle akzeptieren als ein Hersteller, auf dessen größte Kunden der Großteil der Forderungen entfällt.

Beispiel einer Konfidenzrichtlinie (illustrativ, legen Sie Ihre eigene fest)

Die Grenzen der Stufen legt Ihre Richtlinie fest: Setzen Sie sie je Zahlungsart und Betrag, und überprüfen Sie sie nach dem Test weiter unten. In Transformance lassen sich Freigabegrenzen nach Betrag, Gesellschaft und Kunde festlegen, 100 % der Buchungen durchlaufen die Buchungsprüfung, und ohne Freigabe durch eine Person wird nichts gebucht. Wie eine freigegebene Zuordnung anschließend in jedem ERP gebucht und ausgeglichen wird, lesen Sie unter wie ein Fremdsystem offene Posten im ERP ausgleicht.

Kurz gesagt: Die Schwelle ist eine kaufmännische Entscheidung über Risiko, keine Voreinstellung, die Sie einfach übernehmen.

Warum genügt es nicht, die menschliche Prüfung vorauszusetzen?

Wer automatisch erzeugte Vorschläge prüft, übersieht Fehler und übernimmt falsche Empfehlungen, sobald die Entscheidungshilfe nicht fehlerfrei ist; Schulung verhindert das nicht (Parasuraman und Manzey, Human Factors, 2010).

Die Übersichtsarbeit über empirische Studien stammt von 2010 und ist damit älter als unsere übrigen Quellen; für diesen Punkt bleibt sie die Primärquelle. Ihr Befund: Automation Bias führt zu Fehlern durch Unterlassen und durch Handeln, wenn die Entscheidungshilfe nicht fehlerfrei ist. Er tritt bei Laien wie bei Fachleuten auf und lässt sich weder durch Schulung noch durch Anweisungen verhindern. Übermäßiges Vertrauen in die Automatik (Complacency) zeigt sich vor allem, wenn mehrere Aufgaben gleichzeitig anfallen (Parasuraman und Manzey, Human Factors, 2010). Eine Sachbearbeiterin in der Debitorenbuchhaltung, die am letzten Tag des Monats einige Hundert Vorschläge freigibt, arbeitet genau unter diesen Bedingungen.

Gestalten Sie die Freigabe deshalb so, dass sie Fehler auffängt:

• Zeigen Sie die Belege neben dem Vorschlag, nicht nur das Ergebnis: die Avisposition, die Rechnungsbeträge, den Grund einer Differenz.
• Prüfen Sie freigegebene Zuordnungen monatlich in Stichproben, mit Schwerpunkt auf hohen Beträgen und neuen Zahlern.
• Streuen Sie ab und zu bekannte Fälle ein, also Zahlungen, deren richtige Lösung Sie schon kennen, und prüfen Sie, ob sie richtig zurückkommen.
• Verfolgen Sie die Korrekturquote je freigebender Person und je Zahlungsart, damit ein Muster vor dem Abschluss sichtbar wird.
• Weisen Sie die Freigabezeit getrennt von der Bearbeitungszeit aus. Sehr kurze Freigabezeiten bei komplexen Zahlungen sind ein Warnsignal, kein Erfolg.

Erst der Audit Trail macht diese Prüfungen im Nachhinein möglich. In Transformance hält das Prüfprotokoll fest: den Zeitstempel, was das System und was der Nutzer getan hat, wer freigegeben hat, die Eingangsdaten und die Konfidenz.

Kurz gesagt: Eine Freigabe ist nur dann eine Kontrolle, wenn jemand hätte Nein sagen können.

Wie testen Sie die Genauigkeit an Ihren eigenen Zahlungen?

Nehmen Sie einen abgeschlossenen Zeitraum, dessen richtige Zuordnungen Sie kennen, lassen Sie die Software ohne die Lösungen laufen, und messen Sie Abdeckung und Richtigkeit nach Anzahl, Wert und Zahlungsart.

Sechs Schritte, um die Genauigkeit an Ihren eigenen Zahlungen zu testen

1. Wählen Sie drei abgeschlossene Monate. Exportieren Sie die Zahlungen und die endgültige Zuordnung jeder Zahlung. Erledigt, wenn jede Zahlung ihre bekannte Lösung hat.
2. Halten Sie die Lösungen zurück und lassen Sie die Software laufen, mit denselben Zahlungen und offenen Posten. Erledigt, wenn jede Zahlung einen Vorschlag hat oder einen Grund, warum sie einem Menschen überlassen wurde.
3. Bewerten Sie jedes Ergebnis als richtig, falsch oder einem Menschen überlassen. Erledigt, wenn die drei Zahlen zusammen die Zahl der Zahlungen ergeben.
4. Berechnen Sie Abdeckung, Richtigkeit und Korrekturquote nach Anzahl und nach Wert. Erledigt, wenn beide Bezugsgrößen ausgewiesen sind.
5. Teilen Sie die Ergebnisse nach Zahlungsart auf, wie in der ersten Tabelle. Erledigt, wenn Sie wissen, bei welchen Zahlungsarten die Fehler liegen.
6. Prüfen Sie jede Abweichung und legen Sie die Schwelle fest. Manchmal war die ursprüngliche Zuordnung die falsche. Erledigt, wenn die Beispielrichtlinie oben mit Ihren eigenen Stufen ausgefüllt ist.

Starten Sie mit einer Gesellschaft und mit den Zahlungsavisen, die Sie tatsächlich erhalten (siehe woher ein Zahlungsavis kommt). Ein Anbietertest, dem Sie trauen können, nutzt Ihre Daten, hält die Lösungen zurück und nennt seinen Nenner.

Kurz gesagt: Eine selbst gewählte Testmenge schlägt jeden Benchmark.

Was bringt Transformance für Genauigkeit und Freigabe mit?

ClearMatch ordnet 95 % der Zahlungen automatisch zu, DocSense liest Zahlungsavise mit einer Extraktionsgenauigkeit von über 97 %, und ohne Freigabe durch eine Person wird nichts gebucht.

ClearMatch erreicht eine Auto-Match-Quote von 95 %: ein Wert für die Abdeckung, also den Anteil der Zahlungen, die automatisch zugeordnet werden. Ein Durchlauf dauert von Anfang bis Ende unter 8 Minuten, 100 % der Buchungen durchlaufen die Buchungsprüfung, und ohne Freigabe durch eine Person wird nichts gebucht (Transformance-Kundendaten, 2026). ClearMatch liest Kontoauszüge, offene Posten und die von DocSense ausgelesenen Zahlungsavise und schreibt die Ausgleichsbuchungen nach der Freigabe in Ihr ERP zurück.

DocSense liest Zahlungsavise mit Vision-Language-Modellen, mit einer Extraktionsgenauigkeit von über 97 % bei über 100 Dokumenttypen und über 170 Sprachen, ohne Vorlagen (Transformance-Plattformdaten, 2026). Das ist ein Wert für das Auslesen: wie gut die Felder des Dokuments erfasst werden, bevor überhaupt zugeordnet wird.

Für die Zahlungen, die einen Menschen brauchen, liefert Vero die Recherche und die Belege. Ein Proof of Value läuft 4 bis 5 Wochen auf einer Gesellschaft, und genau dort hat der Sechs-Schritte-Test von oben seinen Platz. Der vollständige Rollout dauert bis zu 4 bis 8 Wochen. Transformance arbeitet mit Kunden in Europa, den USA und Australasien, darunter Syngenta, Eberspächer und PwC.

Kurz gesagt: 95 % sind das, was ClearMatch selbst zuordnet; jede Buchung gibt trotzdem eine Person frei.

Wer Transformance einsetzt

• ERP: Teams, deren Zahlungen in SAP S/4HANA (On-Premises, Private oder Public Cloud), SAP ECC, NetSuite (auch mit OneWorld-Tochtergesellschaften), Microsoft Dynamics 365 Finance & Operations und Business Central oder Odoo ausgeglichen werden, alle bei Kunden im Produktivbetrieb; Oracle und Infor werden unterstützt.
• Größe: Mittelstand bis Großunternehmen, 250 bis über 2.000 Mitarbeitende, auch Gruppen mit mehreren Gesellschaften und Shared Service Centern.
• Zahlungsvolumen: von unter 1.000 bis über 100.000 Zahlungen im Monat.
• Branchen: Fertigung, Konsumgüter sowie Lebensmittel und Getränke, Logistik, E-Commerce, Landwirtschaft, Energie und unternehmensnahe Dienstleistungen.
• Umfang: Zahlungsabgleich allein oder der gesamte Order-to-Cash-Prozess (Zahlungsabgleich, Abzugsmanagement, Forderungsmanagement, Liquiditätsplanung).

Fazit: zwei Zahlen verlangen, dann selbst testen

Genauigkeit im KI-Zahlungsabgleich steht für zwei Fragen: Wie viel ordnet das System selbst zu, und wie viel davon stimmt? Öffentliche Benchmarks beantworten nur die erste, die zweite beantwortet ein Test an Ihren eigenen Zahlungen.

Verlangen Sie Abdeckung und Richtigkeit nach Anzahl und Wert, und legen Sie die Schwelle als Risikoentscheidung fest. Gestalten Sie die Freigabe so, dass dort jemand Nein sagen kann, und führen Sie den Sechs-Schritte-Test auf einer Gesellschaft durch, bevor Sie ausweiten. Zur Einführung selbst lesen Sie Cash Application automatisieren: Zahlungsabgleich mit KI.

Wichtige Begriffe

• Zahlungsabgleich: jede eingehende Zahlung den offenen Rechnungen zuordnen, die sie begleicht, und das Ergebnis buchen.
• Automatischer Zahlungsabgleich: Software, die eingehende Zahlungen ohne manuelle Erfassung offenen Rechnungen zuordnet und ausgleicht.
• Zahlungsavis: die Aufstellung des Kunden, welche Rechnungen, Gutschriften und Abzüge eine Zahlung umfasst.
• Minderzahlung: eine Zahlung unter dem Rechnungsbetrag, die einen Grund braucht, bevor sie ausgeglichen werden kann.
• On-Account-Zahlungen: Geld des Kunden, das auf dem Konto gebucht, aber noch keiner Rechnung zugeordnet ist.
• Audit Trail: die Aufzeichnung, wer was wann und warum getan hat, für jede Buchung und jede Freigabe.

Weiterführende Ratgeber

• Welche ERP-Schnittstellen bietet Transformance?
• Welche Quote im automatischen Zahlungsabgleich ist gut, und wie messen Sie sie?
• Warum stauen sich ungeklärte Zahlungen und wie bauen Sie sie ab?
• Woher kommt ein Zahlungsavis, und wie erfassen Sie es?
• Zahlungsavis mit KI auslesen und Zahlungen zuordnen
• Regelbasierter oder KI-Zahlungsabgleich: Welche Zahlung wohin?
• Cash Application automatisieren: Zahlungsabgleich mit KI

Häufig gestellte Fragen

Welche Genauigkeit ist im KI-Zahlungsabgleich gut?

Einen geprüften, anbieterübergreifenden Benchmark für die Richtigkeit gibt es nicht; leiten Sie Ihr Ziel deshalb aus einem Test an Ihren eigenen Zahlungen ab. Fragen Sie neben der Abdeckung nach der Richtigkeit der automatischen Zuordnungen, nach Anzahl und nach Wert, und messen Sie beides an Ihrer heutigen Fehlerquote in der manuellen Bearbeitung.

Ist eine Auto-Match-Quote von 95 % dasselbe wie 95 % Genauigkeit?

Nein. Die Auto-Match-Quote ist der Anteil der Zahlungen, die automatisch zugeordnet werden (Abdeckung); die Genauigkeit ist der Anteil davon, der stimmt. ClearMatch von Transformance erreicht eine Auto-Match-Quote von 95 %, 100 % der Buchungen durchlaufen die Buchungsprüfung, und vor jeder Buchung gibt eine Person frei.

Welche Zahlungen brauchen immer einen Menschen?

Menschen entscheiden über Freigaben, Minderzahlungen und Abzüge, Überzahlungen und Doppelzahlungen, neue oder unklare Zahler und strittige Posten. Das sind Entscheidungen über das Geld des Kunden und über Ihre Bücher; die KI liefert zu jedem Fall die Belege und einen Vorschlag.

Kann die KI Zuordnungen buchen, ohne dass jemand freigibt?

Nein. Bei Transformance wird ohne Freigabe durch eine Person nichts ins ERP gebucht. Das vierstufige Freigabemodell (lesen, empfehlen, ausführen, buchen) sieht für ERP-Buchungen immer einen Menschen vor; dazu kommen die Buchungsprüfung für 100 % der Buchungen und ein vollständiger Audit Trail.

Mit welchen ERP-Systemen funktioniert das?

Transformance ist bei Kunden mit SAP S/4HANA (On-Premises, Private oder Public Cloud), SAP ECC, NetSuite, Microsoft Dynamics 365 Finance & Operations, Business Central und Odoo im Produktivbetrieb und unterstützt Oracle und Infor.

Passt das zu einem Unternehmen unserer Größe und unseres Zahlungsvolumens?

Transformance ist für Mittelstand bis Großunternehmen ausgelegt, 250 bis über 2.000 Mitarbeitende, auch für Gruppen mit mehreren Gesellschaften und Shared Service Centern, und für Volumen von unter 1.000 bis über 100.000 Zahlungen im Monat.

Wie lange dauert es, und was kostet es?

Die ERP-Schnittstelle steht in der Regel in 2 bis 3 Tagen, Ihre IT kann dabei beteiligt sein. Ein Proof of Value läuft 4 bis 5 Wochen auf einer Gesellschaft, der vollständige Rollout dauert bis zu 4 bis 8 Wochen. Die Kosten hängen vom Umfang und von der Zahl der Gesellschaften ab: Termin buchen, und wir bestimmen den Umfang gemeinsam mit Ihnen.