Es bimmelte. Dies war das Zeichen, dass ich wieder einen Schritt nach rechts gehen musste. Ich befand mich das erste Mal bei einem sogenannten Speed-Dating. Es ging dabei nicht um eine Form der Partnervermittlung im privaten Bereich – ich war auf einem Marcus-Evans-Event in Köln zum Thema Künstliche Intelligenz und Datenextraktion in der Rechnungserfassung. Ein junger, dynamischer Mann stand mir gegenüber und ich erklärte ihm, dass wir (bludelta.ai) mit Hilfe von Künstlicher Intelligenz Daten aus semistrukturierten Dokumenten wie z.B. Eingangsrechnungen, Lieferscheine, etc. extrahieren und diese dann strukturiert für Folgesysteme bereitstellen. Seine lapidare Antwort: „Echt jetzt? Das gibt es doch schon seit über 10 Jahren!“.

Meine Gegenfrage war: „Und – funktioniert es?“

Ich denke, dass diese Geschichte ein guter Anlass ist, um über meine Markt-Erfahrungen aus dem Nähkästchen zu plaudern. Im Folgenden gebe ich Einblick in ein paar Fälle, die nicht so gut funktioniert haben.

Erst vor kurzem hatte ich die Ehre, bei einer kleinen, aber feinen Kunstveranstaltung in Maishofen (ebenso kleiner, aber feiner Ort in Österreich) eine Rede zu schwingen. Nach der Rede kam ich mit einem netten Herrn über meine Tätigkeit im KI-Bereich und in der Datenextraktion ins Plaudern. Oftmals endet hier dieses Thema – aber nicht bei diesem Herrn. (Wie sich später herausstellt, handelt es sich um einen Manager eines großen Unternehmens aus Deutschland im Öffentlichen Verkehr). Er erzählte von einem gescheiterten Projekt zur Automatisierung der Eingangsrechnungen. Aufwände für das Setup, die Wartung und Konfiguration des Systems waren ein Desaster und standen in keinem vernünftigen Verhältnis zum „Mehrwert“. Die Details, was mit den Verantwortlichen passiert ist, erspare ich ihnen hier.

Verteilung der unterschiedlichen Layouts eines Kunden

Diagramm: Ein Cluster entspricht Häufung von Rechnungen mit ähnlichem Layout 

 

Hauptgrund für frustrierte Buchhalter: Traditionelle, regelbasierte Systeme zur Rechnungserfassung können nur schlecht oder mit hohen Zusatzaufwand mit hoher Layoutvielfalt umgehen. In der Tabelle bzw. im Diagramm sehen sie eine Beispiel Layout Verteilung eines Kunden der Lebensmittelindustrie. Aus einem repräsentativen Sample (2436 Rechnungen) wurden bei unserer Basis Analyse 1124 unterschiedliche Layouts identifiziert.

Verwaltung im öffentlichen Bereich: Ein sogenannter Market Leader wurde hier als System ausgewählt und eingekauft. In Nachgang stellte sich heraus, dass das System mit den verschiedensten Schreibweisen von „Magistratsabteilung“ nicht klarkam und daher nur 50 % der Rechnungen automatisiert weitergeleitet werden konnte. Somit mussten 50 % der Rechnungen manuell korrigiert werden. Bei 1,7 Millionen Rechnungen ist dies durchaus ein Aufwand.

Baukonzern (> 1 Million Rechnungen pro Jahr): Das System einer sehr bekannten, globalen IT-Firma erkannte Bruttogesamtbeträge nur mit einer sehr geringen Erkennungsrate. Dies führte bei der Finanzabteilung bzw. Kreditorenbuchhaltung zu Frustration und vielen Anrufen in der IT-Abteilung. Daher wurde die automatisierte Erkennung von Bruttogesamtbeträgen wieder abgedreht. Somit musste jede Eingangsrechnung wieder manuell bearbeitet werden.

Handelskonzern (> 1 Million Rechnungen pro Jahr): Nach monatelangem Pflichtenheftschreiben und hohen Anfangsinvestitionen bemerkte man, dass die Erkennungsrate nur mit sehr hohem Wartungsaufwand machbar war. Dies entsprach nicht dem Versprechen des Lieferanten. Soweit ich weiß, dauert der Rechtsstreit heute noch an.

Konzern im Lebensmittelbereich (mit ca. 500 Tsd. Rechnungen pro Jahr): Der Konzern ist international tätig und hat eine sehr große Bandbreite an Lieferanten und Dienstleistern. Sehr viele davon senden nur 2 bis 3 Rechnungen pro Jahr. Es wurde ein traditionelles System getestet, aber die Erkennungsraten ohne manuellen Konfigurationsaufwand waren im unteren 2-stelligen Bereich!

Der Eindruck, den ich und unser Team vom Markt des Invoice Capturing haben: Es gibt viele Anbieter und es gibt bei vielen Unternehmen im Corporate-Segment (nicht im KMU-Bereich) sehr wohl Systeme, die auch im Einsatz sind – aber viele davon funktionieren mehr schlecht als recht. Betriebe im KMU Segment schauten bisher ohnehin durch die Finger.

Wir – das BLU DELTA Team – haben es uns zur Aufgabe gemacht auf diese Probleme eine Antwort zu finden. Unsere BLU DELTA Modelle der Künstlichen Intelligenz in Kombination mit Cloud bieten hier neue Möglichkeiten und bessere Lösungen.

Zurück zu meiner ersten Speed-Dating Erfahrung: Bevor ich ausführlich antworten konnte, bimmelte es schon wieder. Leider konnte ich meine Sicht der Dinge nicht zu Ende führen. Stattdessen gibt es aber nun diesen Blog-Eintrag!

 

Autor: Christian Weiler ist ehemaliger General Manager eines global agierenden IT Unternehmens mit Sitz in Seattle/US. Seit 2016 ist Christian Weiler vermehrt im Bereich Künstlicher Intelligenz in verschiedensten Rollen tätig und verstärkt seit 2018 das Management Team der Blumatix Consulting GmbH. Kontakt: c.weiler@blumatix.com