Klassische Invoice Capturing Fails

19. Juli 2019

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!“.

Belegerfassung BuchhalterIn

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“. Diese Story führt mich direkt zu einem Parade-Fehler.

Verteilung der unterschiedlichen Layouts eines Kunden

Diagramm: Ein Cluster entspricht Häufung von Rechnungen mit ähnlichem Layout