Wenn Sie gerade ein Tool auswählen oder einführen, hilft Ihnen unsere Schritt-für-Schritt-Anleitung zum Zahlungsabgleich mit KI.
Das Wichtigste in Kürze
- Bank- und Zahlungsformate lassen wenig Platz für Zahlungsinformationen. Die Rechnungsliste einer Sammelzahlung kommt deshalb meist getrennt an: per E-Mail, als Anhang oder über ein Portal.
- Vision-Language-Modelle erfassen ein Zahlungsavis wie ein Sachbearbeiter: als ganze Seite. Das Layout eines neuen Kunden braucht deshalb kein Template.
- Ein guter Zahlungsabgleich hält eine feste Reihenfolge ein: Zahler bestimmen, Kontoumsatz und Avis zusammenführen, Referenzen abgleichen und dann jeden Cent Differenz erklären.
- Die schwierigen Fälle sind Sammelzahlungen, Minderzahlungen, verstümmelte Referenzen und Gebühren. Jeder davon braucht eine klassifizierte Restdifferenz, keine erzwungene Zuordnung.
- Messen Sie neben der automatischen Zuordnungsquote auch die Fehlzuordnungen, und legen Sie offen, ob Sie Zahlungen, Positionen oder Beträge zählen.
In diesem Artikel
- Das Wichtigste in Kürze
- Wo stehen die Zahlungsinformationen: im Verwendungszweck oder im Zahlungsavis?
- Wie liest KI ein Zahlungsavis ohne Templates?
- Wie entscheidet KI, welche Rechnungen eine Zahlung begleicht?
- Zahlungsavise zuordnen: die schwierigen Fälle
- Buchungsprüfung: Nichts gelangt ungeprüft ins Hauptbuch
- Woran messen Sie, wie gut Zahlungsavise zugeordnet werden?
- Vorher und nachher: ein Montag im Zahlungsabgleich (Beispiel)
Wo stehen die Zahlungsinformationen: im Verwendungszweck oder im Zahlungsavis?
Zahlungsinformationen kommen auf zwei Wegen an. Mit der Zahlung selbst kommt nur ein kurzes Feld der Bankdatei, bei SEPA der Verwendungszweck. Alles andere steht außerhalb der Zahlung: im Text von E-Mails, in PDF- oder Bildanhängen, Excel-Listen, Kundenportalen, EDI-Dateien und Lockbox-Scans. Für die Zuordnung brauchen Sie beides.
An dieser Trennung liegt es, dass so viele Zahlungseingänge noch von Hand zugeordnet werden. Laut einem Vergleich von 851 Organisationen werden im Median nur 45 % der Kundenzahlungen ohne manuellen Eingriff den Rechnungen zugeordnet (APQC, abgerufen 2026).
Was heißt es, ein Zahlungsavis zuzuordnen?
Beim Zuordnen von Zahlungsavisen wird jeder Zahlungseingang mit den offenen Rechnungen und Gutschriften verknüpft, die er ausgleicht, und mit den Abzügen, die der Kunde dabei einbehalten hat. Grundlage sind das Zahlungsavis des Zahlers und die Bankdaten. Das Ergebnis sind Zuordnungsvorschläge und für jede Differenz eine Erklärung.
Warum die Rechnungsliste nicht in die Bankdatei passt
Eine SEPA-Überweisung hat genau ein Feld für den Verwendungszweck, und das fasst höchstens 140 Zeichen (European Payments Council, 2024). Im US-Zahlungsverkehr trägt eine ACH-Zahlung im Format CCD+ nach den Regeln von Nacha genau einen Addenda-Satz, dessen Feld für zahlungsbezogene Angaben 80 Stellen hat (Nacha, 2013). Für 23 achtstellige Rechnungsnummern mit Trennzeichen braucht es über 200 Zeichen. Die Liste kommt deshalb auf anderem Weg.
ISO 20022 definiert das Feld als „Informationen, die es ermöglichen, eine Buchung den Posten zuzuordnen, die mit der Überweisung beglichen werden sollen“ (eigene Übersetzung). Ausgerechnet dieses Feld ist je Vorkommen auf 140 Zeichen begrenzt, und SEPA lässt nur ein Vorkommen zu. Warum auch reichhaltigere Standards die Lücke nicht schließen, lesen Sie im Beitrag E-Rechnung allein automatisiert den Zahlungsabgleich nicht.
Hinzu kommen Schecks: In der Umfrage des US-Verbands AFP machen sie noch 26 % der B2B-Zahlungen aus (AFP, 2025). Damit fallen Bilder aus der Lockbox und Scheckabschnitte auf Papier an. Außerdem kommen Echtzeitüberweisungen in Euro heute innerhalb von Sekunden beim Empfänger an (Europäische Kommission, 2025). Das PDF-Avis kann dagegen Stunden oder Tage später folgen. Wie Sie beides zusammenführen, lesen Sie im Beitrag zum Echtzeit-Zahlungsabgleich.
Wo die Zahlungsinformationen stehen
Quellen: EPC SCT Implementation Guidelines 2025, Nacha, X12, Formatbeschreibung MT940 von ING.
Wie liest KI ein Zahlungsavis ohne Templates?
KI-Lösungen wie DocSense von Transformance lesen Zahlungsavise mit Vision-Language-Modellen, die die ganze Seite erfassen: Layout, Tabellen, die Bedeutung der Spalten und den Kontext. Deshalb muss für ein neues Kundenformat nichts eingerichtet werden.
An diesem Schritt hängt die gesamte Avisverarbeitung mit KI. Fehlt beim Auslesen eine Zeile, holt sie keine Abgleichslogik mehr zurück.
Template-OCR: erst Zeichen, dann Regeln
Die Texterkennung (OCR) liefert Text, danach sucht ein Template oder ein regulärer Ausdruck je Layout in einem festen Bereich nach „Rechnungsnummer“. Das scheitert, sobald sich das Layout ändert, eine Tabelle auf eine zweite Seite umbricht oder das Avis als Handyfoto kommt. Jeder neue Kunde bedeutet also ein weiteres Template.
Vision-Language-Modelle: die Seite, wie ein Sachbearbeiter sie sieht
In der Praxis ändern sich vier Dinge:
- Tabellen werden als Tabellen gelesen, auch über mehrere Seiten, und eine negative Zeile wird als Gutschrift erkannt.
- Die Bedeutung einer Spalte wird über Sprachgrenzen hinweg erkannt: „Inv. No.“, „Belegnummer“, „Factura“ und „Rechnung“ meinen alle die Rechnungsreferenz.
- E-Mail-Text und Anhang werden zusammen gelesen, weil der Grund für eine Minderzahlung oft in der E-Mail steht. Laut AFP kann KI die Daten auch dann auslesen, wenn das Avis direkt im Text der E-Mail mitgeschickt wird (AFP, 2024).
- Jedes Feld kommt mit einem Konfidenzwert zurück. Ein Feld mit niedrigem Wert geht in die Prüfung statt in den Abgleich.
DocSense erreicht bei Zahlungsavisen eine Extraktionsgenauigkeit von über 97 %. Es verarbeitet über 100 Dokumenttypen in über 170 Sprachen, ganz ohne Template-Konfiguration, und liest ein neues Format deshalb auf Anhieb (Transformance-Plattformdaten, 2026).
Was das Auslesen an den Abgleich übergibt
Auf Kopfebene: Name und Konto des Zahlers, Zahlungsdatum, Gesamtbetrag und Währung. Je Position: Rechnungsreferenz, Bestellnummer, Bruttobetrag, Skonto, Abzugsbetrag und Begründungstext sowie Referenzen auf Belastungsanzeigen und Gutschriften. Wer nur die Rechnungsnummern erfasst, steht bei jeder Minderzahlung ohne Erklärung da.
Denselben Wandel bei Eingangsrechnungen beschreibt der Beitrag OCR-Rechnungsverarbeitung: So automatisiert KI die Buchhaltung.
Wie entscheidet KI, welche Rechnungen eine Zahlung begleicht?
KI im Zahlungsabgleich, etwa ClearMatch von Transformance, arbeitet eine feste Reihenfolge ab: Zahler bestimmen, Kontoumsatz und Avis zusammenführen, Referenzen abgleichen und dann jede Differenz zwischen gezahltem und offenem Betrag erklären. Nur vollständig erklärte Ergebnisse gehen weiter, und zwar als Buchungsvorschläge, die eine Person freigibt.
So würde auch ein erfahrener Sachbearbeiter Zahlungen und Rechnungen zuordnen. Die KI im Zahlungsabgleich geht diesen Weg bei jedem Kontoumsatz:
- Zahler bestimmen. Erst Bankverbindung oder IBAN mit dem Kundenstamm abgleichen, dann Namensvarianten prüfen. Danach kommen bekannte Fälle, in denen jemand anders für den Kunden zahlt: eine Muttergesellschaft für ihre Töchter, ein Factor, ein Shared Service Center.
- Kontoumsatz und Avis zusammenführen. Über Betrag, Zahler, Zeitfenster und eine vorhandene Bankreferenz. Ein Avis, das am Freitag per E-Mail kam, kann zu einem Zahlungseingang vom Montag gehören.
- Referenzen exakt abgleichen. Die Rechnungsnummern aus dem Avis gegen die offenen Posten dieses Kunden, einschließlich seiner Konzerngesellschaften.
- Abweichende Referenzen bereinigen. Präfixe und führende Nullen entfernen, abgeschnittene Nummern ergänzen, Bestell- oder Belegnummern des Kunden auf Ihre Rechnungsnummern zurückführen, Zahlendreher erkennen.
- Den Betrag erklären. Gehen die Positionen nicht auf, wird jede Differenz klassifiziert: Skonto, Abzug, verrechnete Gutschrift, Bankgebühr, Kursdifferenz oder Teilzahlung.
- Ohne Referenzen Kombinationen suchen. Prüfen, welche offenen Posten zusammen den Zahlbetrag ergeben, eingegrenzt nach dem Alter der Posten und den Gewohnheiten des Kunden.
- Bewerten und weiterleiten. Vollständig erklärt und sicher: Vorschlag zur Buchung. Erklärt bis auf eine klassifizierte Restdifferenz: Vorschlag zur Buchung, die Restdifferenz wird als eigener Posten eröffnet. Alles andere: Klärfallliste, mit den infrage kommenden Rechnungen und dem Grund.
Eine Zuordnung zu erzwingen, nur damit die Liste leer wird, ist schlechter, als die Zahlung vorerst nicht zuzuordnen. Eine falsche Zuordnung verschiebt das Problem ins Mahnwesen und auf den Kontoauszug, den Ihr Kunde von Ihnen erhält.
Ein vollständiger Lauf von ClearMatch dauert unter 8 Minuten (Transformance-Kundendaten, 2026). Die Gewohnheiten jedes Zahlers, etwa welche Muttergesellschaft für welche Töchter zahlt, kennt ClearMatch aus Customer 360, einem Graphen je Kunde.
Zahlungsavise zuordnen: die schwierigen Fälle
Die schwierigen Fälle folgen vier Mustern: eine Zahlung für viele Rechnungen, eine Minderzahlung, eine fehlende oder falsche Referenz und eine Differenz durch Währung oder Gebühren. In jedem dieser Fälle muss die Differenz erklärt werden, nicht versteckt.
Eine Zahlung, viele Rechnungen
Beispiel: Ein SEPA-Zahlungseingang über 48.210,00 EUR kommt mit dem Verwendungszweck „ZAHLLAUF 17.10 SIEHE AVIS“. Das per E-Mail geschickte PDF-Avis listet 22 Rechnungen über zusammen 49.450,00 EUR und die Gutschrift CN-0912 über -1.240,00 EUR auf. 49.450,00 minus 1.240,00 ergibt 48.210,00.
Das Avis wird als Tabelle gelesen, und die negative Zeile wird als Gutschrift erkannt. Zwanzig Referenzen passen exakt, die beiden anderen sind Bestellnummern, die sich auf Ihre Rechnungen zurückführen lassen. Restdifferenz null: Vorschlag zur Buchung.
Eine optionale SEPA-Erweiterung erlaubt bis zu 999 strukturierte Verwendungszweckangaben je Zahlung (European Payments Council, 2019). Ohne Vereinbarung zwischen der Bank des Empfängers und ihrem Kunden wird aber nur das Feld mit 140 Zeichen weitergegeben.
Minderzahlungen und Abzüge
Bei einer Minderzahlung klafft eine Lücke zwischen Rechnung und Zahlung: Ordnen Sie zu, was eingegangen ist, und geben Sie der Lücke einen Namen.
Beispiel: Die Rechnung 90017342 über 12.400,00 EUR wird mit 11.780,00 EUR bezahlt. In der E-Mail steht „620,00 WKZ KW 38 abgezogen, Ref. DM-5531“. 12.400,00 minus 11.780,00 ergibt 620,00. Das System schlägt vor, 11.780,00 der Rechnung zuzuordnen und für die 620,00 einen Abzugsposten mit dem Grund „Werbekostenzuschuss“ und der Referenz DM-5531 zu eröffnen. So bleibt die Rechnung nicht teilweise offen.
Der Abzug geht dann an ClaimIQ, das ihn für die Klärung in eine von sechs Kategorien einordnet. Wie es danach weitergeht, beschreibt der Beitrag Teilzahlungen und Abzüge in der Debitorenbuchhaltung automatisieren.
Fehlende oder falsche Referenzen
Beispiel A: Ein Kontoumsatz über 3.186,40 USD trägt im MT940-Feld :86: den Text „INV 4471 4472“, Zahler ist „Example Retail Ltd“. Ihre offenen Rechnungen 2026-0004471 und 2026-0004472 über je 1.593,20 USD lauten auf eine Tochtergesellschaft von Example Retail. 2 x 1.593,20 ergibt 3.186,40. Bereinigte Referenzen und das Wissen, dass die Muttergesellschaft für die Tochter zahlt, lösen den Fall.
Beispiel B: Ohne jede Referenz gehen 7.350,00 EUR ein. Der Kunde hat vier offene Rechnungen über je 2.450,00 EUR, und jede Kombination aus dreien ergibt den Zahlbetrag (3 x 2.450,00 = 7.350,00). Dieser Kunde gleicht meist zuerst seine ältesten Posten aus. Deshalb werden die drei ältesten mit niedriger Konfidenz vorgeschlagen und markiert, damit eine Person auswählt. Lässt sich das nicht klären, bleibt das Geld als On-Account-Zahlung ohne Rechnungsbezug auf dem Kundenkonto.
Kursdifferenzen und Bankgebühren
Beispiel A: Eine Rechnung über 18.000,00 USD wird mit 17.975,00 USD bezahlt, und das Avis sagt nichts zu den 25,00. Das Muster passt zur Gebühr einer zwischengeschalteten Bank. Nach der Toleranzregel des Unternehmens werden die 25,00 deshalb mit Begründungsschlüssel zur Buchung auf das Konto für Bankgebühren vorgeschlagen.
Beispiel B: Eine Rechnung über 10.000,00 EUR wird von einem GBP-Konto bezahlt, und es kommen 9.962,00 EUR an. Die 38,00 sind eine Kursdifferenz. Innerhalb der Toleranz wird sie zur Buchung auf das Konto für Kursdifferenzen vorgeschlagen. Oberhalb der Toleranz wird sie wie eine Minderzahlung behandelt und beim Kunden geklärt.
Die KI klassifiziert die Differenz, Ihre Richtlinie legt die Behandlung fest, die Buchungsprüfung setzt sie durch, und eine Person gibt frei. Toleranzen bestimmt Ihr Finanzteam, nie das Modell.
Buchungsprüfung: Nichts gelangt ungeprüft ins Hauptbuch
Ein Zuordnungsvorschlag ist noch keine Buchung. Bevor etwas ins ERP gelangt, wird der Buchungssatz anhand Ihrer Regeln geprüft, und eine Person gibt ihn frei.
Geprüft werden der Ausgleich von Soll und Haben, das Sachkonto, die offene Periode, die Währung, die Gesellschaft und die Pflichtfelder. Jede Restdifferenz (Abzug, Gebühr, Kursdifferenz oder On-Account-Zahlung) braucht einen eigenen Posten und einen Begründungsschlüssel. Wer freigibt, sieht vorher bei jeder Prüfung, ob sie bestanden ist oder nicht.
Weil jede Prüfung eine Regel ist, die Sie selbst festlegen, bleibt die automatisierte Avisverarbeitung für Prüfer nachvollziehbar. Bei Transformance wendet ClearMatch die Buchungsprüfung auf 100 % der Buchungen an, und ohne Freigabe durch eine Person wird nichts gebucht (Transformance-Kundendaten, 2026). Die Freigabe läuft über vier Stufen (Lesen, Empfehlen, Ausführen, Buchen) mit vollständigem Audit-Trail. Die Plattform lässt sich an SAP S/4HANA und ECC, Oracle, NetSuite und Dynamics anbinden.
Woran messen Sie, wie gut Zahlungsavise zugeordnet werden?
Messen Sie die automatische Zuordnungsquote und nennen Sie dabei die Bezugsgröße. Dazu kommen die Fehlzuordnungsquote, die Extraktionsgenauigkeit je Feld, das Alter nicht zugeordneter Zahlungen und die Zeit vom Zahlungseingang bis zur Buchung. Eine hohe Zuordnungsquote, hinter der sich falsche Zuordnungen verbergen, ist schlechter als eine niedrigere, ehrliche.
- Automatische Zuordnungsquote: der Anteil, der ohne manuelle Arbeit zugeordnet und vorgeschlagen wird. Sagen Sie dazu, ob Sie Kontoumsätze, Rechnungspositionen oder Beträge zählen, und weisen Sie Anzahl und Wert getrennt aus.
- Fehlzuordnungsquote: Zuordnungen, die später rückgängig gemacht werden. Kaum ein Team misst sie, dabei achten Wirtschaftsprüfer auf keine Kennzahl so genau.
- Extraktionsgenauigkeit je Feld: an einer Stichprobe geprüft. Referenzen und Beträge zählen mehr als Adressen.
- Nicht zugeordnete Zahlungen und On-Account-Zahlungen nach Alter.
- Zeit vom Geldeingang auf dem Bankkonto bis zur Buchung.
- Verteilung der Klärfallgründe: Überwiegt „Avis fehlt“, liegt die Lösung bei Ihren Kunden, nicht bei Ihrer Software.
Der oben genannte APQC-Median von 45 % ist Ihr Vergleichswert. ClearMatch erreicht eine automatische Zuordnungsquote von 95 % (Transformance-Kundendaten, 2026). Gleich, welches Tool Sie messen: Schreiben Sie neben die Hauptkennzahl immer die Bezugsgröße und die Fehlzuordnungsquote.
Vorher und nachher: ein Montag im Zahlungsabgleich (Beispiel)
Dies ist ein illustratives Beispiel, kein Kundenfall.
Vorher: Über das Wochenende kommen 1.200 Kontoumsätze und 300 E-Mails mit Zahlungsavisen an. Die Sachbearbeiter öffnen jede E-Mail, kopieren Rechnungsnummern in eine Excel-Liste, suchen im ERP und lassen ungeklärte Differenzen ohne Rechnungsbezug auf dem Kundenkonto stehen. Sammelzahlungen warten bis zum Nachmittag, Abzüge tauchen erst Tage später auf.
Nachher: Der Lauf liest jede E-Mail und jeden Anhang, führt sie mit den Kontoumsätzen zusammen und schlägt Buchungen vor. Bei einer automatischen Zuordnungsquote von 95 % landen 60 der 1.200 Kontoumsätze (5 %) in der Klärfallliste, jeweils mit den infrage kommenden Rechnungen und dem Hinweis, woran die automatische Zuordnung gescheitert ist. Abzüge werden noch am Montagvormittag als eigene Posten eröffnet, und die Sachbearbeiterin prüft die Buchungsvorschau und gibt frei.
Fazit: erst lesen, dann zuordnen
Wer Zahlungsavise zuordnen will, scheitert meist schon am Lesen, nicht erst am Abgleich. Sobald jedes Avis gelesen und jede Differenz klassifiziert ist, wird die Zuordnung zu einer Abfolge, die sich prüfen lässt. Ihr Team hat dann Zeit für die Zahlungen, bei denen es auf Erfahrung und Urteil ankommt.
Häufig gestellte Fragen
Wie liest KI ein Zahlungsavis und ordnet Zahlungen zu?
Eine KI-native Plattform, zum Beispiel Transformance, liest das Zahlungsavis mit einem Vision-Language-Modell, das das ganze Dokument erfasst. Danach ordnet sie die Zahlung über Zahler, Referenz und Betrag den offenen Rechnungen zu. Was sie nicht vollständig erklären kann, gibt sie an eine Person weiter, und zwar mit bereits klassifizierten Differenzen.
Was unterscheidet KI-nativen Zahlungsabgleich vom klassischen OCR-Abgleich?
Der klassische OCR-Abgleich braucht ein Template je Avis-Layout und Regeln, die nur exakte Treffer erkennen. KI-nativer Zahlungsabgleich, wie ihn Transformance umsetzt, liest neue Layouts auf Anhieb und erklärt Differenzen, statt die Zahlung abzuweisen.
Wie steigert KI die Zuordnungsquote im Zahlungsabgleich?
KI liest auch die getrennt verschickten Zahlungsavise, an denen Regeln scheitern, löst abgeschnittene oder falsche Referenzen auf und klassifiziert Minderzahlungen, Gebühren und Abzüge. So lassen sich auch Zahlungen zuordnen, die nur teilweise erklärt sind.
Wie ordnen Sie Zahlungen Rechnungen zu, wenn kein Zahlungsavis vorliegt?
Ohne Avis bestimmen Sie zuerst den Zahler und prüfen dann, welche Kombination offener Posten den Zahlbetrag ergibt. Die Zahlungsgewohnheiten des Kunden legen die Rangfolge der Kandidaten fest. Kombinationen mit niedriger Konfidenz werden markiert, und eine Person wählt aus.
Wie geht KI im Zahlungsabgleich mit Minderzahlungen und Abzügen um?
KI schlägt vor, den gezahlten Betrag der Rechnung zuzuordnen und die Differenz als eigenen Abzugsposten mit Grund und Referenz zu eröffnen. So bleibt die Rechnung nicht teilweise offen.
Kann KI ein Zahlungsavis im Text einer E-Mail lesen?
Ja. Ein Vision-Language-Modell liest den E-Mail-Text und alle Anhänge zusammen, sodass auch Rechnungslisten oder Gründe für eine Minderzahlung erfasst werden, die im Text stehen. Jedes Feld trägt einen Konfidenzwert, und Felder mit niedrigem Wert gehen vor dem Abgleich in die Prüfung.
