Eine Lieferantenrechnung landet im Posteingang. Der Betrag stimmt mit dem Angebot überein. Sie sieht aus wie hundert Rechnungen davor, die Ihr Team schon freigegeben hat. Jemand in der Kreditorenbuchhaltung winkt sie durch, und das Geld geht auf ein Konto, das um ein einziges Zeichen abweicht.
Unaufmerksamkeit erklärt das nicht. Es hat eben niemand die Kontonummer auf der Rechnung mit der verglichen, die bei Ihnen hinterlegt ist. Um genau dieses Prüfen geht es, wenn Sie einen Analyse-Agenten bauen wollen, der trägt.
Alle wollen die Demo-Fassung: KI auf die Rechnungen ansetzen, lesen lassen, entscheiden lassen. Die brauchbare Fassung ist leiser und ehrlicher: ein Agent, der jede eingehende Rechnung mit dem Vertrag und den Rechnungen der letzten Monate abgleicht und dann meldet, was ein Mensch ansehen sollte. Er gibt keine Zahlung frei. Genau diese eine Grenze ist so gewollt. Niemand muss sich für sie entschuldigen.
Die Rechnungsprüfung, die Sie längst betreiben
Legen Sie die Aufgabe ruhig fest, bevor Sie sich für eine Technik entscheiden.
Jedes mittelständische Unternehmen prüft seine Eingangsrechnungen heute schon, von Hand. Ein Mensch öffnet jede Lieferantenrechnung und geht eine kurze Liste durch. Ist das ein Duplikat von etwas, das längst bezahlt ist? Ist der Preis über den Satz gestiegen, den Sie im Vertrag vereinbart haben? Gibt es eine Bestellung, mit der sich das abgleichen lässt? Stimmt die umsatzsteuerliche Behandlung, und steht auf der Rechnung die Bankverbindung, die Sie hinterlegt haben?
Das ist echte Analyse und kein Makro. Ein regelbasiertes System erkennt eine Rechnungsnummer, die schon einmal da war. Es kann aber weder einen eingescannten Vertrag lesen noch das Muster des letzten Quartals mitdenken noch beurteilen, ob ein Preisaufschlag von neun Prozent auf einer Position einen zweiten Blick verdient, eine Rundungsdifferenz dagegen nicht. Dieses Urteil ist der Grund, warum ein Agent hierher passt, und zugleich der Grund, warum er hier scheitern kann. Für eine Führungskraft ist die Aufgabe greifbar, weil ein Fehler in Euro zu Buche schlägt und nicht abstrakt bleibt. Und diese Aufgabe verzeiht Fehler: Eine Meldung ist billig, eine Fehlüberweisung nicht.
Stellen Sie sich den Agenten als fähige neue Kraft in Ihrer Rechnungsprüfung vor. Schnell, unermüdlich und gelegentlich felsenfest im Irrtum. Einer neuen Kraft geben Sie am ersten Tag keine Zeichnungsbefugnis. Sie lassen die neue Kraft alle Rechnungen lesen, die auffälligen markieren und jemandem vorlegen, der freigeben darf. Behalten Sie dieses Bild im Kopf: Es ist bereits der ganze Aufbau, und von hier aus arbeite ich ihn aus.
Woraus so ein Agent tatsächlich besteht
Lassen Sie das Marketing weg, dann bleiben von einem Analyse-Agenten nur wenige Teile übrig.
Im Zentrum sitzt, was das Engineering-Team von Anthropic ein erweitertes Modell nennt: ein Sprachmodell, ergänzt um Werkzeuge, Wissensabruf und Gedächtnis (Building Effective Agents, eine Herstellerquelle, nehmen Sie also den Aufbau mit und lassen Sie die Empfehlung liegen). Für diese Aufgabe sind die Werkzeuge die Abfragen im ERP- und im Bestellsystem . Der Wissensabruf holt den Vertrag und die Rechnungen der letzten Monate. Das Gedächtnis ist das, was der Agent von einem Schritt seiner eigenen Überlegung in den nächsten mitnimmt.
Um diesen Kern herum läuft eine Schleife. Der Agent liest die Rechnung und zieht die Felder heraus. Er plant, was zu vergleichen ist. Er handelt, indem er die Abfragen aufruft und den Dreiwege-Abgleich durchführt, also Rechnung, Bestellung und Wareneingang einander gegenüberstellt. Danach prüft er, ob die Zahlen zusammenpassen und wie sicher er sich dabei ist (seine Konfidenz). Dieselbe Quelle formuliert es schlicht: Ein Agent ist ein Modell, das „Werkzeuge auf Grundlage von Rückmeldungen aus seiner Umgebung in einer Schleife einsetzt“ (Originalzitat englisch, hier von mir übersetzt), und jedes Ergebnis, das ein Werkzeug zurückgibt, ist ein Stück belastbarer Wirklichkeit, an dem er den eigenen Fortschritt messen kann.
Die Praktiker, die Rechercheagenten bauen, ergänzen diese Schleife um vier Dinge, sobald die Arbeit schwerer wird: einen ausführlichen Auftrag, einen Planungsschritt, Unteragenten und einen Notizblock, auf den der Agent schreiben darf (LangChain, „Deep Agents“). Für die Rechnungsprüfung brauchen Sie selten alle vier. Fangen Sie mit der Schleife an und bauen Sie erst dort aus, wo es sich rechtfertigen lässt.
Was die meisten überspringen, ist der Weg hinaus. Bevor etwas den Agenten verlässt, passiert es einen Kontrollpunkt. Hohe Konfidenz, alle Prüfungen bestanden: durchlassen, kein Mensch nötig. Geringe Konfidenz oder eine nicht bestandene Prüfung: an einen Menschen weiterreichen, mitsamt der Begründung. Dieser Kontrollpunkt ist die maschinelle Fassung des Vier-Augen-Prinzips, das Ihre Buchhaltung ohnehin kennt. Erst er macht aus einem klugen Leser einen Kollegen, dem Sie diese Arbeit anvertrauen können: Der Agent ist das erste Augenpaar, der Mensch bleibt das zweite.
Die vier Teile, die eine Führungskraft sehen muss: worauf der Agent schauen darf, die Schleife, in der er denkt, die Stelle, an der entschieden wird, und die zwei Wege, auf denen eine Rechnung ihn verlässt. Alles Schwierige an diesem Aufbau sitzt am Kontrollpunkt.
Dieser Aufbau ist die leichte Hälfte. Die Hälfte, die Ihr Vertrauen verdient, ist das, was passiert, wenn eines dieser Teile still nachgibt.
Fangen Sie bei dem an, was schiefgehen kann
Ein Analyse-Agent versagt nicht so, wie Software sonst versagt. Er stürzt ja selten ab. Er reicht Ihnen eine gut formatierte Antwort, die keinen Zweifel erkennen lässt und schlicht falsch ist, und er tut das auf ein paar Arten, die einen Namen verdienen.
Beginnen Sie beim stillen Lesefehler. Für das Lesen von Rechnungen selbst gibt es einen Benchmark des Fraunhofer IAIS: Das beste getestete Modell erkannte rund 96,5 Prozent der Felder auf sauberen digitalen Rechnungen richtig, etwa 92 Prozent auf Scans und etwa 87 Prozent auf verrauschten gescannten Belegen (arXiv 2509.04469 – ein Preprint, keine begutachtete Veröffentlichung; die getesteten Modelle GPT-5, Gemini 2.5 und Gemma 3 sind Stand Juli 2026 bereits eine Modellgeneration alt). Neuere Modelle liegen vermutlich einen oder zwei Punkte darüber, nur hat niemand die volle Spanne von sauber bis verrauscht mit derselben Sorgfalt neu gemessen. Lesen Sie die Größenordnung, nicht die Nachkommastelle. Ein wirklich gutes Modell liest weiterhin einen spürbaren Teil der Felder falsch, und der Anteil wächst, je unordentlicher die Papiere werden.
Der Durchschnitt ist ohnehin die falsche Zahl. Im selben Benchmark wurde die Bankverbindung, also die IBAN, deutlich schlechter erkannt als jedes andere Feld: Das Modell verwechselt Zeichen, die einander ähneln, und liefert eine plausible, aber falsche Kontonummer zurück, ohne jeden Vorbehalt. Das ist keine Marotte einer Modellgeneration, sondern eine Eigenschaft des Feldes. Jeder Wert, der lang ist, Buchstaben und Ziffern mischt und keine eingebaute Redundanz zur Selbstkontrolle mitbringt, ist genauso anfällig, gleich was ihn liest. Das ist die falsch bezahlte Rechnung vom Anfang, und der Fehler bleibt unsichtbar, solange niemand die Nummer nachrechnet.
Dann der Fehler, der sich aufschaukelt. Ein Modell kann jeden einzelnen Schritt fehlerfrei durchdenken, und die Kette dieser Schritte fällt trotzdem auseinander. Eine große Auswertung von mehreren tausend Agentenläufen aus dem Jahr 2026 ergab, dass Systeme, die auf kurzer und mittlerer Strecke stark sind, „bei Aufgaben mit langem Zeithorizont häufig zusammenbrechen“ (Originalzitat englisch, hier von mir übersetzt), und dass die Fehler vor allem daher rühren, dass der Agent nicht mehr nachprüft, ob die Lage noch die ist, von der er ausgegangen ist (HORIZON, arXiv 2604.11978). Übertragen auf die Rechnungsprüfung: Ein Agent, der einen ganzen Monatsabschluss in einem Zug erledigen soll, driftet ab. Ein Agent, der eine Rechnung prüfen soll, kann nirgendwohin abdriften.
Die dritte Fehlerart, der unsichtbare Bruch, macht Führungskräfte nervös, und das zu Recht. Wenn einer dieser Agenten etwas falsch beantwortet, sehen Sie in der Regel, dass er versagt hat. Wo genau, das sehen Sie oft nicht. Die Bruchstelle zu finden, ist so schwer, dass Forschende dafür ein eigenes Verfahren entwickelt haben. In ihrem eigenen Benchmark erhöht es die Trefferquote für den ersten fehlerhaften Schritt um bis zu 30 Punkte (eine Zahl, die die Autoren des Verfahrens selbst angeben; sie zeigt, wie schwer das ist, und ist keine Produktangabe) (schrittgenaue Fehlerlokalisierung, HF 2606.02060). Wenn schon die Fachliteratur ein eigenes Verfahren dafür braucht, wird Ihr Agent die Bruchstelle auch nicht von sich aus melden.
Zuletzt das blinde Vertrauen. Ein Agent, der ein fehlerhaftes Abfrageergebnis oder einen veralteten Vertrag für bare Münze nimmt, denkt von einer falschen Prämisse aus tadellos weiter. Eine Reihe von Benchmarks zur Zuverlässigkeit aus dem Jahr 2026 weist in dieselbe Richtung: Agenten halten in sauberen Einzeltests stand und lassen unter realistischen Bedingungen nach, sobald mehrere Schritte ineinandergreifen. Nehmen Sie das als groben Umriss; diese Benchmarks habe ich gelesen, aber nicht Zahl für Zahl nachgeprüft. Das alles ist kein Grund, nicht zu bauen. Es ist der Grund, zuerst den Kontrollpunkt zu bauen.
Jede benannte Fehlerart hat rechts eine billige Gegenmaßnahme. Keine davon lautet „dem Modell mehr vertrauen“.
Unspektakulär, und zwar mit Absicht
Achten Sie darauf, was diese Gegenmaßnahmen gemeinsam haben. Sie sind unspektakulär, sie sind billig, und keine einzige verlangt vom Modell, besser zu sein, als es ist. Das ist durchaus als Lob gemeint.
Die Disziplin dahinter ist nicht neu, und ich erkläre sie hier nicht noch einmal. Frühere Beiträge in dieser Reihe (warum gute KI-Agenten nichts mit guten Demos zu tun haben und was Sie an einen KI-Agenten delegieren können – und was in Ihrer Hand bleibt) laufen auf denselben Satz hinaus: Ihnen gehört die Schleife, nicht das Modell. Neu ist hier nur ein durchgearbeitetes Beispiel dafür, wie das in der Praxis aussieht.
Der Agent gibt zu jeder Rechnung einen Konfidenzwert aus; Sie setzen die Schwelle, ab der er allein entscheiden darf. Oberhalb der Schwelle lässt er die Routinerechnungen durch. Darunter sieht sich ein Mensch die Rechnung an, und dessen Entscheidung zeigt Ihnen, wo die Schwelle liegen sollte. Ergänzen Sie das um eine Prüfung, die sich nicht wegdiskutieren lässt: Der Dreiwege-Abgleich und die Prüfziffer der IBAN sind deterministisch. Entweder sie stimmen oder sie stimmen nicht, und die Konfidenz des Agenten hat dabei kein Stimmrecht.
Andere kommen zum selben Schluss. Praxisberichte über solche Verarbeitungsketten aus Texterkennung und Sprachmodell leiten die Regel immer wieder neu her: Die Konfidenz, die ein Modell selbst angibt, ist schlecht kalibriert, also ist die Absicherung eine feste Rechenregel (netto plus Umsatzsteuer ergibt brutto, die Prüfziffer der IBAN). Ein leistungsfähigeres Modell hilft dagegen nicht. Das ist ein Muster über viele solcher Berichte hinweg, kontrolliert erhoben ist es nicht. Aber ein Schluss, der sich bei jeder neuen Modellgeneration erneut ergibt, wiegt schwerer als jede einzelne Benchmarkzahl.
Dann lassen Sie den Agenten den Rechenweg zeigen. Zu jeder Meldung hält er fest, was er behauptet, worauf er sich stützt und welche Prüfung er durchgeführt hat. Das ist die Antwort auf den unsichtbaren Bruch. Sie verlangen vom Modell keine höhere Zuverlässigkeit; Sie machen das Vorgehen des Agenten so nachvollziehbar, dass ein Mensch den Bruch ohne großen Aufwand findet. Ein Analyse-Agent, der trägt, ist nicht der fehlerfreie, sondern der, der seinen Rechenweg zeigt.
Noch so eine Disziplin, und wieder eine unspektakuläre. Im Benchmark des Fraunhofer IAIS brach die Genauigkeit auf verrauschten Belegen um die Hälfte ein, sobald jedes Dokument vorab in sauberen Text umgewandelt wurde: rund 47 statt 87 Prozent. Ausgerechnet die naheliegende, vernünftige Wahl. Nicht das Modell war der Engpass, sondern die Vorverarbeitung. Die Lehre reicht über Rechnungen hinaus. Messen Sie die unscheinbaren Zwischenschritte einmal nach, die Sie für unbedenklich gehalten haben.
Und lassen Sie den Agenten im Parallelbetrieb mitlaufen, bevor Sie ihm trauen: dieselben Rechnungen, beide Wege, verglichen, bis die Ausnahmen so selten sind, dass ein Mensch nur noch diese ansieht. In meiner Arbeit mit regulierten Unternehmen entsteht Vertrauen genau dort. Nicht in der Präsentation.
Damit bleibt die Frage, die eine Führungskraft wirklich beantworten muss.
Bauen, kaufen oder beauftragen
Nichts davon müssen Sie selbst bauen. Für eine übliche Aufgabe in der Dokumentenverarbeitung bei überschaubarem Volumen zahlt sich meist der Kauf am schnellsten aus: Eine eingeführte Software für die Rechnungsverarbeitung übernimmt Lesen und Abgleich, und Ihre Mühe steckt in der Schwelle und in den Ausnahmen. Der Markt hat weitgehend so entschieden. Bei rund 76 Prozent der KI-Anwendungsfälle in Unternehmen wird die Software inzwischen zugekauft, ein Jahr zuvor hielten sich Kauf und Eigenbau noch fast die Waage (eine Zahl von Menlo Ventures, die ich aus der Fachpresse und nicht aus dem Originalbericht kenne; sie bildet Großunternehmen ab, ist US-lastig und gibt für mittelständische europäische Unternehmen bestenfalls eine Richtung an).
Der Eigenbau verdient seinen Platz in eng begrenzten Fällen. Wenn die Analyse ein echter Wettbewerbsvorsprung ist, wenn kein Anbieter zu Ihren Bedingungen passt oder wenn die Daten gemäß KI-Verordnung und DSGVO Ihr Haus nicht verlassen dürfen, ist die fertige Lösung nicht mehr die selbstverständliche Antwort. Seien Sie bei den Kosten aber ehrlich. Das Teure an einem selbst gebauten Agenten ist nicht der Start; es sind Wartung und Anbindung, die danach anfallen: die Kleinarbeit, die Sie nicht eingepreist haben. Eine Beispielkalkulation setzt den Punkt, ab dem sich der Eigenbau gegenüber dem Kauf rechnet, bei etwa einer Million Agenteninteraktionen im Jahr an (eine ungeprüfte Überschlagsrechnung – sie nennt eine Größenordnung, taugt jedoch nicht als belastbare Volumenschwelle). Darunter spricht alles für den Kauf.
Dazwischen liegt die Möglichkeit, für die es diese Art von Beratung gibt. Sie können den Bau klar umreißen und beauftragen: Ein Fractional CAIO, also eine KI-Leitung auf Zeit, entwirft den Agenten, setzt den Kontrollpunkt und übergibt Ihnen ein System, das Ihr Team selbst betreibt – ohne eine dauerhafte KI-Stelle auf der Gehaltsliste. Das Ergebnis gehört Ihnen. So sieht der mittlere Weg für die häufige Lage aus, in der die Aufgabe echtes Urteil verlangt, kein Anbieter genau passt und es noch kein eigenes KI-Team gibt. Ich sage das Offensichtliche dazu: Das ist das Argument, für das evonomics steht. Werten Sie es also als begründete Ansicht eines Beteiligten. Der Rat gilt unabhängig davon, wer die Arbeit macht.
Der nüchterne Blick auf die Kosten unter jedem Ast: Kaufen ist schnell, aber das Werkzeug bleibt gemietet. Selbst bauen ist langsam, dafür gehört Ihnen das Ergebnis; der größte Teil der Kosten fällt erst nach dem Start an. Beauftragen ist klar begrenzt, und auch hier gehört Ihnen das Ergebnis. Die Volumenschwelle ist eine Fußnote. Entschieden wird woanders.
Woran Sie merken, dass der Agent fertig ist
Zurück zu der Rechnung, bei der das Geld auf das falsche Konto ging. Das Versagen lag nie im Fehler selbst; den machen müde Menschen am Freitagnachmittag, und Modelle machen ihn auch. Das Versagen lag darin, dass der Fehler still blieb und niemand etwas gebaut hatte, das ihn aufgefangen hätte.
Ein fertiger Analyse-Agent verspricht Ihnen also nachvollziehbare Fehler: eine Meldung, mit ihrer Begründung, auf dem Schreibtisch eines Menschen, bevor das Geld fließt. Das ist die schmucklose Fassung: am Kontrollpunkt anhalten und den Rechenweg zeigen. Bauen Sie den Agenten für einen Ablauf, den Sie ohnehin verstehen, und lassen Sie ihn neben Ihren Leuten mitlaufen, bis er sich die Schwelle verdient hat, die Sie ihm zugestanden haben.
Diese Entscheidung ist Ihnen ja vertraut. Jede fähige neue Kraft darf vom ersten Tag an lesen; die Zeichnungsbefugnis kommt später. Wann genau, das sagen Ihnen die Meldungen aus der Zwischenzeit.
