KI-basierte Automatisierung: RPA mit Document AI, OCR & Klassifikatoren im Mittelstand

Was KI-basierte Automatisierung wirklich ist — und was nicht

KI-basierte Automatisierung ist die nächste Stufe von RPA (Robotic Process Automation). Sie kombiniert zwei Welten: den Klick-Roboter, der starre Arbeitsschritte ausführt, mit Modellen, die unstrukturierte Eingaben verstehen — Texte, Bilder, Sprache. Damit werden Prozesse erschlossen, die RPA bisher nicht packen konnte: eine PDF-Rechnung lesen, eine Beschwerde-Mail nach Dringlichkeit sortieren, einen handgeschriebenen Lieferschein digitalisieren.

Wichtig: KI-Automatisierung ist nicht der Microsoft-365-Copilot. Microsoft 365 Copilot ist ein Assistent, der mit Menschen interagiert. KI-Automatisierung läuft im Hintergrund. Sie greift, wenn niemand hinschaut, und liefert das Ergebnis dorthin, wo es gebraucht wird — ins ERP, ins DMS, in die Inbox des zuständigen Sachbearbeiters. Wer den Unterschied verstanden hat, weiß auch, warum sich beide Welten nicht ausschließen, sondern ergänzen.

Bitkom-Daten zeigen den Trend deutlich: Laut dem Bitkom KI-Monitor setzen 27 Prozent der deutschen Unternehmen bereits KI ein, weitere 37 Prozent planen oder prüfen es. Im Mittelstand kommen davon die meisten über Prozessautomatisierung an Bord, nicht über Chatbots oder generative Tools. Die strategischen Fragen dahinter — Make-or-Buy, ROI, Compliance — haben wir parallel in KI und Prozessautomatisierung für Geschäftsführer aufgeschrieben.

Die drei realistischen Einstiegs-Use-Cases im Mittelstand

Wir betreuen Hamburger und norddeutsche Mittelständler seit Jahren bei Automatisierungsprojekten. Drei Use-Cases tauchen immer wieder als sinnvoller Startpunkt auf — nicht, weil sie technisch sexy sind, sondern weil sie messbar entlasten.

1. Eingangsrechnungs-Verarbeitung mit Document AI

Ein typischer Mittelständler mit 50 Mitarbeitern bekommt 1.500 bis 3.000 Rechnungen pro Monat. PDF im Anhang, manchmal eingescannt, mit unterschiedlichen Layouts. Klassisch wird das von einer Buchhalterin abgetippt: Lieferant suchen, IBAN abgleichen, Position aufnehmen, Konto zuweisen. Bei 2.000 Belegen mal vier Minuten sind das 133 Stunden im Monat — mehr als ein dreiviertel Vollzeit-Job nur fürs Tippen.

Mit Azure AI Document Intelligence oder einer vergleichbaren Lösung liest ein Modell die Rechnung, extrahiert Lieferant, Betrag, Fälligkeit, Steuersätze und Positionen, gleicht das mit den Stammdaten im ERP ab und legt einen Buchungsvorschlag an. Die Buchhalterin prüft und gibt frei. Bearbeitungszeit pro Beleg sinkt von 3 bis 5 Minuten auf 30 bis 60 Sekunden — und die Fehlerquote sinkt mit, weil Tippfehler entfallen.

2. E-Mail-Klassifikation und Routing

Eine Servicehotline bekommt 200 E-Mails am Tag: Reklamationen, Anfragen, Bestellungen, Spam, Bewerbungen. Sortieren kostet Zeit, und dringende Fälle gehen im Stapel unter. Wer schon mal eine eilige Reklamation erst nach drei Tagen entdeckt hat, weiß, was das im Kundenverhältnis anrichtet.

Ein Klassifikator-Modell (z.B. via Power Automate AI Builder) liest jede E-Mail, weist eine Kategorie zu und routet sie in die richtige Queue. Eskalations-Logik gleich dahinter: Reklamation von Stamm-Kunde XY mit Auftragsvolumen über 50.000 Euro? Sofort an den Vertriebsleiter, nicht in den Standard-Bearbeitungs-Pool. Das ist keine Magie — das sind klar definierte Regeln, die der Klassifikator zuverlässig anwendet.

3. Stammdaten-Pflege mit OCR und Abgleich

Visitenkarten, Lieferscheine, handgeschriebene Notizen — alles wertvolle Daten, die im Papier-Stapel verschwinden. OCR (Texterkennung) digitalisiert das, ein KI-Modell normalisiert die Felder (Straße, Hausnummer, Postleitzahl) und gleicht mit dem CRM ab. Dubletten werden markiert, neue Einträge validiert. Wer einmal eine Datenbank mit 12.000 Kunden und 1.800 doppelten Einträgen gesehen hat, versteht den Effekt: Reporting wird endlich verlässlich, Vertrieb spricht Kunden nicht versehentlich doppelt an.

Warum Microsoft 365 der pragmatischste Startpunkt ist

Theoretisch können Sie KI-Automatisierung mit jedem Cloud-Anbieter bauen — AWS, Google Cloud, Open-Source-Stacks. In der Praxis empfehlen wir 80 Prozent unserer Kunden den Microsoft-Weg. Drei Gründe:

1. Power Automate ist bereits in den meisten M365-Lizenzen drin. Wer Microsoft 365 E3 oder E5 hat, kann sofort loslegen. Premium-Konnektoren und AI Builder kosten extra (rund 15 Euro pro Nutzer und Monat), aber die Einstiegshürde ist niedrig. Hintergrund-Lektüre zur Plattform: Microsoft Learn — Was ist Power Automate?.
2. Document Intelligence ist EU-gehostet. Daten bleiben in europäischen Rechenzentren, was DSGVO-Anforderungen ans Cloud-Computing und ab August 2026 den EU AI Act erleichtert.
3. Bestehende Systeme sind oft schon angebunden. Outlook, Teams, SharePoint, OneDrive, Dynamics — alles ohne große Integrationsarbeit. SAP, DATEV, Salesforce über Premium-Konnektoren.

Wenn Sie Microsoft 365 nicht im Vollausbau nutzen, liegt hier oft mehr Potenzial brach, als Sie denken. Wir öffnen das gemeinsam mit der Geschäftsführung, nicht über den Kopf der Buchhaltung hinweg.

Die meisten unserer Neukunden haben Microsoft 365 bereits — nutzen aber nur E-Mail und vielleicht Word. Da liegt so viel Potenzial brach: Teams, SharePoint, Intune, Autopilot. Wir helfen, das freizuschalten.

Jens HagelGeschäftsführer, hagel IT-Services GmbH

Der saubere Implementierungs-Weg in fünf Schritten

1. Use-Case identifizieren: Nicht „wir wollen KI" — sondern „wir verarbeiten 2.000 Rechnungen pro Monat manuell". Volumen und Schmerz messen, sonst kein ROI.
2. Datenfluss kartieren: Wo kommt der Input rein? Was passiert damit? Wo geht das Ergebnis hin? Wer prüft? Ein einfaches Flussdiagramm reicht — niemand muss BPMN beherrschen.
3. Pilot mit 100–200 echten Belegen: Modell trainieren oder Standard-Modell anpassen, gegen echte Daten testen. Erkennungsrate messen (Ziel: über 95 Prozent). Fehlerfälle dokumentieren.
4. Human-in-the-Loop aufbauen: Eine Prüf-Stufe vor der Buchung, vor allem in den ersten Wochen. Mitarbeiter geben Feedback, das Modell lernt nach.
5. Skalieren und neue Use-Cases: Wenn der erste Prozess stabil läuft (4 bis 12 Wochen), kommt der nächste dazu. Niemals zwei Bots gleichzeitig produktiv stellen — Stabilität vor Geschwindigkeit.

Was die Praxis lehrt: Vier ehrliche Warnungen

• Schlechte Daten = schlechtes Modell. Wenn Ihre Rechnungseingänge teilweise faxbasiert, mit Filzstift annotiert oder schief gescannt sind, wird kein Modell glücklich. Erst Eingangs-Qualität sicherstellen, dann automatisieren.
• Modelle sind nicht 100 Prozent. Eine Erkennungsrate von 97 Prozent klingt großartig — bedeutet aber: Bei 2.000 Belegen pro Monat liegen 60 falsch. Ohne Prüf-Stufe wird daraus ein Buchhaltungs-Chaos.
• Mitarbeiter einbinden, nicht überraschen. Wir haben Projekte gesehen, die technisch perfekt liefen — aber die Buchhaltung hat den Bot torpediert, weil niemand mit ihr gesprochen hatte. Change Management ist kein Add-on, sondern Pflicht.
• Compliance ab Tag 1 mitdenken. Der EU AI Act greift schrittweise und entfaltet ab August 2026 volle Wirkung. Document AI ist in der Regel „minimal risk", aber Klassifikatoren für Personal- oder Kreditentscheidungen schnell „high risk". Was das konkret für KMU heißt, steht in unserer Vertiefung zum [EU AI Act im Mittelstand](/it-insights/eu-ai-act-mittelstand-2026-pflichten-kmu-norddeutschland "EU AI Act Mittelstand 2026 — Pflichten für KMU einfach erklärt").

Was kostet das? — Realistische Zahlen aus der Praxis

Eine typische Rechnungs-Automatisierung für 30 Mitarbeiter rechnet sich bei rund 1.500 Belegen pro Monat in 8 bis 12 Monaten. Bei Managed IT mit Festpreis ist die Betreuung der Automatisierungs-Workflows oft bereits Teil des Pakets — Sie zahlen nicht zusätzlich für Monitoring und kleine Anpassungen.

Was Kunden uns dazu sagen

Genau das ist der Anspruch, mit dem wir auch KI-Automatisierung angehen. Nicht das größte Projekt mit dem schönsten Buzzword, sondern das, was im Arbeitsalltag spürbar entlastet. Bei einer norddeutschen Spedition haben wir mit der Rechnungserkennung angefangen, drei Monate später kam das E-Mail-Routing dazu, und sechs Monate später die Lieferschein-Erfassung. Heute laufen drei Bots produktiv — und die Buchhalterin macht endlich, was sie eigentlich gelernt hat: prüfen statt tippen.

Fünf Fragen, die Sie vor dem Projektstart beantworten sollten

• Volumen. Wie viele Belege/E-Mails/Datensätze pro Monat? Unter 500 pro Monat lohnt sich der Aufwand selten.
• Eingangs-Qualität. Kommen die Inputs digital, einheitlich, lesbar? Oder Mix aus Fax, Scan, Foto?
• Berechtigungen. Wer darf Daten sehen, wer darf freigeben? Vor dem Bot festlegen, nicht nachträglich.
• Schnittstellen. Hat Ihr ERP/CRM eine API oder einen Konnektor? Wenn nicht: Workaround planen.
• Verantwortung. Wer ist intern Pate? Ein Power-User aus der Fachabteilung — nicht „die IT macht das schon".

Fazit: Klein anfangen, groß werden

KI-basierte Automatisierung ist 2026 keine Frage des „ob”, sondern des „womit”. Wer auf den großen Wurf wartet, verliert Zeit gegen Wettbewerber, die schon mit Pilot-Projekten produktiv sind. Drei pragmatische Schritte:

• Heute: Use-Case identifizieren, der hohes Volumen hat und manuell nervt (Rechnungen, Mails, Stammdaten).
• In vier Wochen: Pilot mit echten Daten, klarer Prüf-Stufe, Mitarbeitern an Bord.
• In sechs Monaten: Erster Prozess produktiv, ROI gemessen, nächster Use-Case in Vorbereitung.

Wir kennen den Hamburger Mittelstand. Wenn Sie wissen wollen, welcher Use-Case bei Ihnen zuerst Sinn macht, schauen wir gemeinsam drauf — 15 Minuten, ohne Verkaufsdruck.