Stoppen Sie doppelte und betrügerische Spesenabrechnungen mit Claude KI
Finanzteams verlieren Geld und Zeit damit, doppelte und betrügerische Spesenabrechnungen in Tausenden kleiner Transaktionen aufzuspüren. In diesem Leitfaden erfahren Sie, wie Sie Claude nutzen, um wiederverwendete Belege, geteilte Rechnungen und Fake-Vendoren systematisch zu erkennen – und wie Sie mit dem Ansatz von Reruption KI in Ihren Spesenprüfprozess einbetten.
Inhalt
Die Herausforderung: Doppelte und betrügerische Spesenabrechnungen
Finanzteams stehen unter konstantem Druck, Ausgaben zu kontrollieren, dennoch sind doppelte und betrügerische Spesenabrechnungen häufig in Tausenden kleiner Rechnungen, Belege und Kartentransaktionen versteckt. Ein wiederverwendeter Taxibeleg hier, eine geteilte Hotelrechnung dort, ein leicht umbenannter Lieferant – für sich genommen wirken sie harmlos. In der Summe aber drücken sie auf die Marge, untergraben das Vertrauen in Spesenrichtlinien und verschlingen unzählige Stunden manueller Prüfung.
Traditionelle Kontrollen beruhen auf Keyword-Regeln, einfachen Betragsschwellen und stichprobenbasierten Audits. Diese Ansätze tun sich schwer mit dem heutigen Volumen und der Vielfalt von Spesendaten: gescannte Belege in unterschiedlichen Sprachen, gemischte Firmen- und Privatausgaben auf derselben Reise, Abos, die auf subtile Weise abgerechnet werden. Menschliche Prüfer können schlicht nicht jede einzelne Position lesen und abgleichen, und klassische Regelwerke lassen sich austricksen, sobald Mitarbeitende verstanden haben, wie sie funktionieren.
Die geschäftlichen Auswirkungen gehen über den direkten finanziellen Schaden hinaus. Schwache Spesenbetrugserkennung unterminiert Ihr internes Kontrollsystem und macht Sie in Audits angreifbar. Budgetverantwortliche verlieren das Vertrauen in die berichteten Zahlen, Finance verbringt Zeit mit dem Löschen von Bränden statt mit Beratung des Geschäfts, und Chancen zur Optimierung von Reise-, Beschaffungs- und Abonnementausgaben bleiben unentdeckt. Wettbewerber, die diese Ebene automatisieren, profitieren von saubereren Büchern, schnelleren Abschlüssen und besserer Kostentransparenz.
Dennoch ist diese Herausforderung lösbar. Moderne KI-Systeme wie Claude können lange Spesenberichte, Rechnungen und Reiselogs im Kontext lesen, Muster erkennen, die Menschen entgehen, und verdächtige Abrechnungen markieren, bevor sie erstattet werden. Bei Reruption sehen wir, wie ein KI-first-Blick auf dokumentenintensive Prozesse die Kontrollqualität und Produktivität der Teams transformiert. Der Rest dieser Seite zeigt, wie Sie Claude nutzen können, um dieselbe Strenge auf doppelte und betrügerische Spesen in Ihrem Finanzbereich anzuwenden.
Bauen Sie jetzt ein KI-System mit uns!
Wir bauen einen Proof of Concept für Ihr Problem für 5.000–8.000€. Sie bekommen eine handfeste Demo statt Folien mit Versprechen.
Innovatoren bei diesen Unternehmen vertrauen uns:
Unsere Einschätzung
Eine strategische Einschätzung der Herausforderung und High-Level-Tipps, wie Sie sie angehen können.
Aus Reruptions Arbeit am Aufbau von KI-gestützter Dokumentenanalyse und internen Assistenzsystemen wissen wir, dass Claude besonders stark im Umgang mit langen, unstrukturierten Finanzdokumenten ist: Spesenabrechnungen mit vielen Anhängen, Reiseplänen, internen Spesenrichtlinien und Kreditkartenabrechnungen. Unsere Perspektive ist einfach: Richtig eingesetzt wird Claude für Spesenbetrugserkennung zu einem unermüdlichen Prüfer, der jede Abrechnung gegen Richtlinien und Muster abgleicht und gleichzeitig Erklärungen liefert, die Finanzcontroller verstehen und hinterfragen können.
Behandeln Sie KI als zweites Augenpaar, nicht als Black-Box-Richter
Die erste strategische Entscheidung besteht darin, Claude als Prüfassistenz zu positionieren – nicht als autonome Entscheidungsinstanz. Im Finanzbereich zählen Kontrollqualität und Prüfbarkeit genauso viel wie Geschwindigkeit. Claude sollte Spesenabrechnungen vorsortieren, potenziell doppelte und betrügerische Abrechnungen hervorheben und strukturierte Begründungen liefern wie „gleiches Belegbild an diesen drei Daten verwendet“ oder „Lieferant nicht im Kreditorenstamm vorhanden“. Die finale Freigabe bleibt bei einem menschlichen Controller.
Diese Einordnung reduziert organisatorischen Widerstand und Prüfrisiken. Controller behalten die Kontrolle, aber ihre Aufmerksamkeit konzentriert sich auf die 5–10 % der Abrechnungen, die Claude als besonders verdächtig einstuft. Mit der Zeit können Sie die Automatisierung für risikoarme, repetitive Fälle schrittweise erhöhen, sobald Ihr Team das Verhalten des Systems vertraut und seine Grenzen versteht.
Rund um Ihre Richtlinien und Risikobereitschaft designen
Claude ist am wirkungsvollsten, wenn es an Ihre tatsächlichen Spesenrichtlinien, Risikoschwellen und Genehmigungsworkflows angepasst wird. Strategisch bedeutet das, Richtlinien-PDFs und verstreute Leitfäden in klare, maschinenlesbare Regeln und Beispiele zu übersetzen: Was gilt als Duplikat, wie funktionieren Tagegeldgrenzen, welche Lieferanten gelten als risikobehaftet, welche Dokumentation ist für jeden Spesentyp erforderlich.
Nutzen Sie Claude, um diese Richtlinien zu interpretieren und zu normalisieren, definieren Sie die „roten Linien“ jedoch zentral: Welche Verstöße blockieren eine Erstattung automatisch, welche lösen nur einen Kommentar aus und welche Daten sollen in Ihr ERP- oder Spesenmanagement-Tool zurückgeschrieben werden. So stellen Sie sicher, dass KI-gestützte Checks Ihr internes Kontrollsystem stärken, anstatt ein paralleles System mit widersprüchlicher Logik zu schaffen.
Mit Kategorien mit hohem Volumen und hoher Ambiguität starten
Nicht jede Spesenkategorie braucht von Tag eins an KI. Fokussieren Sie Claude strategisch auf Ausgaben mit hohem Volumen und hoher Ambiguität, bei denen klassische Regeln schwach sind: Reisen und Bewirtung, Abonnements, sonstige Erstattungen und Lieferantenrechnungen von Long-Tail-Suppliern. Genau dort verstecken sich doppelte und betrügerische Abrechnungen besonders häufig.
Durch die Eingrenzung des Scopes reduzieren Sie Implementierungskomplexität und können den Mehrwert schnell demonstrieren. Sobald Sie nachweisbare Verbesserungen bei der Erkennung und die Akzeptanz der Controller in diesen Kategorien erreicht haben, erweitern Sie die Abdeckung auf andere Bereiche wie Kilometerabrechnungen, Trainingsbudgets oder Marketingausgaben.
Teams auf den Wandel von Datenerfassung zu Investigation vorbereiten
Die Einführung von Claude in Finanzprozesse verändert die Rolle Ihrer Mitarbeitenden. Weniger Zeit wird für manuelle Prüfungen aufgewendet (z. B. „passt dieser Beleg zu dieser Position?“), mehr für investigative Arbeit: Prüfung von KI-markierten Auffälligkeiten, Nachfragen an Mitarbeitende und Verfeinerung von Richtlinien. Strategisch müssen Sie Ihr Team auf diesen Wandel im Skill-Profil und in der Denkweise vorbereiten.
Investieren Sie in grundlegende KI-Kompetenz, transparente Trainingsbeispiele und klare Eskalationspfade für strittige Fälle. Machen Sie explizit, dass das Ziel darin besteht, wenig wertschöpfende manuelle Tätigkeiten zu reduzieren – nicht Personal abzubauen. Wenn Controller sehen, dass KI ihnen hilft, Muster zu erkennen, die sie sonst übersehen hätten – etwa systematische Belegwiederverwendung in einem bestimmten Kostenzentrum – wird die Adoption deutlich leichter.
Von Anfang an auf Nachvollziehbarkeit und Compliance auslegen
Finanzverantwortliche brauchen die Sicherheit, dass jede KI-basierte Betrugserkennung erklärbar, prüfbar und datenschutzkonform ist. Strategisch bedeutet das, Ihre Claude-Integration so zu designen, dass Prompts, Modellausgaben und wesentliche Entscheidungssignale für jede geprüfte Abrechnung gespeichert werden. So entsteht eine nachvollziehbare Spur, die Sie Internen Revisionen oder externen Prüfern vorlegen können.
Arbeiten Sie früh mit Legal, Compliance und IT-Security zusammen, um Datengrenzen zu definieren: Welche Felder werden an Claude gesendet, wie werden personenbezogene Daten behandelt, wo werden Logs gespeichert und wer hat worauf Zugriff. Reruptions Arbeit an sicherer KI-Dokumentenanalyse zeigt, dass die frühzeitige Einbindung dieser Stakeholder spätere Freigaben massiv beschleunigt und das Risiko reduziert, die Lösung unter regulatorischem Druck neu designen zu müssen.
Richtig eingesetzt wird Claude zu einer skalierbaren Verteidigung gegen doppelte und betrügerische Spesenabrechnungen – liest jedes Dokument, gleicht jedes Muster ab und liefert klare Erklärungen, mit denen Ihr Finanzteam arbeiten kann. Reruption ist darauf spezialisiert, dieses Potenzial in konkrete, sichere Workflows zu übersetzen, die zu Ihren Richtlinien, Systemen und Ihrer Risikobereitschaft passen. Wenn Sie das in Ihrer eigenen Umgebung testen möchten, macht unser KI-PoC-Format es einfach, Erkennungsqualität und Aufwand zu validieren, bevor Sie in einen vollständigen Rollout investieren.
Bauen Sie jetzt ein KI-System mit uns!
Wir bauen einen Proof of Concept für Ihr Problem für 5.000–8.000€. Sie bekommen eine handfeste Demo statt Folien mit Versprechen.
Fallbeispiele aus der Praxis
Von Öffentlicher Sektor bis Gesundheitswesen: Erfahren Sie, wie Unternehmen Claude erfolgreich einsetzen.
Best Practices
Erfolgreiche Implementierungen folgen bewährten Mustern. Werfen Sie einen Blick auf unsere taktischen Ratschläge für den Einstieg.
Erstellen Sie einen von Claude unterstützten Pre-Check für jede Spesenabrechnung
Beginnen Sie damit, einen Claude-Pre-Check-Schritt vor der menschlichen Freigabe in Ihren bestehenden Spesenworkflow einzubauen. Exportieren Sie den vollständigen Bericht (Positionen, Mitarbeitende, Kostenstelle, Reisedetails) sowie Bilder oder PDFs der Belege und übergeben Sie diese als einen strukturierten Prompt an Claude. Bitten Sie Claude, die Richtlinienkonformität zu prüfen, potenzielle Duplikate zu markieren und fehlende Dokumentation hervorzuheben.
Systemrolle (Beispiel):
Sie sind ein interner Finanzkontroll-Assistent für ACME Corp.
Sie kennen und wenden die Spesenrichtlinie von ACME präzise an.
Sie müssen:
- jede Position gegen die Richtlinie prüfen
- mögliche doppelte Abrechnungen in den bereitgestellten Daten erkennen
- verdächtige Lieferanten oder Beschreibungen markieren
- das Gesamtrisiko bewerten: niedrig / mittel / hoch
- jede Markierung in einfachem, verständlichem Business-Deutsch erklären.
User-Inhalt (Beispielstruktur):
{
"employee": {...},
"trip": {...},
"expense_policy": "<vollständiger Richtlinientext oder Zusammenfassung>",
"line_items": [...],
"receipts": [Base64 oder Links]
}Geben Sie eine strukturierte JSON-Zusammenfassung zurück, die Ihre Workflow-Engine oder Ihr Spesentool verarbeiten kann. So ermöglichen Sie automatische Steuerung: Niedrigrisikoberichte können beschleunigt freigegeben werden, während Hochrisikoberichte an Senior Controller mit den Kommentaren von Claude weitergeleitet werden.
Bild- und Textvergleich nutzen, um wiederverwendete Belege zu erkennen
Doppelte und betrügerische Abrechnungen beruhen häufig auf wiederverwendeten oder manipulierten Belegen. Um diese zu erkennen, kombinieren Sie das Textverständnis von Claude mit Bild-Fingerprinting aus Ihrem internen Stack. Erstellen Sie zunächst für jedes hochgeladene Belegbild einen Hash oder Ähnlichkeits-Score und vergleichen Sie ihn mit historischen Belegen, um wahrscheinliche Duplikate oder nahe Übereinstimmungen zu finden.
Geben Sie die verdächtigen Paare dann mit expliziten Anweisungen an Claude weiter, die Daten, Beträge, Lieferanten, Positionen und visuelle Hinweise (z. B. Logos oder Layout) zu vergleichen. Bitten Sie Claude, das Paar als „wahrscheinlich Duplikat“, „möglicherweise Duplikat“ oder „unterschiedlich“ zu klassifizieren und die Begründung zu erläutern. Dieser gestaffelte Ansatz erkennt Fälle, in denen Mitarbeitende Belege leicht bearbeiten oder zuschneiden, um naive Duplikatprüfungen zu umgehen.
User-Prompt (Beispiel):
Vergleichen Sie die folgenden zwei Belege und entscheiden Sie, ob sie darstellen
(1) dieselbe Ausgabe, die zweimal abgerechnet wurde,
(2) getrennte Ausgaben mit ähnlichen Details oder
(3) auf Basis der vorliegenden Informationen unklar.
Erläutern Sie Ihre Begründung in maximal 5 Stichpunkten.
Beleg A OCR-Text:
...
Beleg B OCR-Text:
...
Spesen gegen interne Stammdaten abgleichen
Viele Fake-Vendoren und verdächtige Beschreibungen lassen sich durch einen Abgleich der Abrechnungen mit Ihren internen Stammdaten erkennen. Erstellen Sie eine Service-Schicht, die kanonische Listen genehmigter Lieferanten, Kostenstellen, Projekte und Sachkonten bereitstellt. Wenn Sie Daten an Claude senden, fügen Sie sowohl die Spesendetails als auch einen Snapshot der relevanten Stammdaten hinzu.
Bitten Sie Claude, jede Abrechnung abzugleichen: Taucht der Lieferant in der Liste auf, ist die Kostenstelle mit der Abteilung des Mitarbeitenden konsistent, passt die Beschreibung plausibel zum Sachkonto? Fordern Sie einen Konfidenzscore und eine kurze Begründung an. So werden statische Stammdaten zu einem aktiven Kontrollmechanismus, ohne dass Sie eine schwere Regel-Engine implementieren müssen.
User-Prompt (Beispielausschnitt):
Hier ist unsere aktuelle Kreditorenstammliste und Kostenstellenstruktur.
Hier sind die Spesen, die Sie beurteilen sollen.
Beantworten Sie für jede Ausgabe:
- Ist der Lieferant bekannt? Falls nicht, warum könnte das riskant sein?
- Ist die Kostenstelle für diese Art von Ausgabe plausibel?
- Gesamturteil: OK, Klärung erforderlich oder wahrscheinlich Richtlinienverstoß.
Richtlinienlogik und Erklärungen automatisieren
Claude ist hervorragend darin, lange Richtliniendokumente zu lesen und konsistent anzuwenden. Nutzen Sie dies, um Ihr Spesenhandbuch und Ihre Reiserichtlinie in ein KI-durchgesetztes Regelwerk zu verwandeln. Fügen Sie jeden Bewertungsanfragen den vollständigen Richtlinientext (oder eine kuratierte Zusammenfassung) bei und bitten Sie Claude, beim Markieren eines Problems konkrete Abschnitte oder Paragraphen zu zitieren.
Das verbessert nicht nur die Kontrollqualität, sondern erleichtert auch die Kommunikation mit Mitarbeitenden. Wenn eine Abrechnung beanstandet wird, kann Claude eine kurze, höfliche Erklärung für den Mitarbeitenden generieren und auf den relevanten Richtlinienabschnitt verweisen. Controller prüfen und versenden diese dann, anstatt sie von Grund auf selbst zu formulieren.
User-Prompt (Beispielausschnitt):
Prüfen Sie die Spesen auf Basis der folgenden ACME-Spesenrichtlinie.
Richtlinie:
<Richtlinientext einfügen>
Geben Sie für jeden Verstoß aus:
- short_title
- explanation_for_controller
- explanation_for_employee (höflich, mit Verweis auf Richtlinienabschnitt)
Auffälligkeiten für die menschliche Prüfung scoren und priorisieren
Um zu vermeiden, dass Controller mit zu vielen Markierungen überlastet werden, sollten Sie Claude-Ausgaben rund um Risikobewertung und Priorisierung gestalten. Bitten Sie Claude, für jede Abrechnung oder jeden Bericht einen Risikograd zu vergeben und die 1–3 kritischsten Auffälligkeiten zu identifizieren, die zuerst untersucht werden sollten. Kombinieren Sie dies mit quantitativen Metriken (z. B. Betrag, Häufigkeit, Historie des Mitarbeitenden) in Ihrer eigenen Scoring-Logik.
Nutzen Sie in Ihrem Workflow-Tool diesen kombinierten Score, um SLAs und Routing zu steuern: Hochrisiko-Abrechnungen müssen innerhalb von 24 Stunden von Senior-Personal geprüft werden, während Niedrigrisikofälle warten oder stichprobenartig geprüft werden können. Analysieren Sie im Zeitverlauf, welche von Claude markierten Themen tatsächlich zu Korrekturen oder Ablehnungen geführt haben, und verfeinern Sie auf dieser Basis Ihre Prompts.
User-Prompt (Beispielausschnitt):
Geben Sie für den vollständigen Bericht an:
- overall_risk_score (1-100)
- top_3_risks: [ {type, severity, explanation} ]
- recommendation: approve / approve_with_comment / reject
KPIs verfolgen und Prompts wie ein Produkt iterieren
Behandeln Sie Ihre Claude-basierte Spesenkontrolle als Produkt, das laufend optimiert werden muss. Definieren Sie einige praxisnahe KPIs: Anteil der Berichte, die automatisch als Niedrigrisiko freigegeben werden, Anzahl erkannter Duplikate je 1.000 Abrechnungen, durchschnittlich gesparte Zeit pro Controller und Anzahl der Fälle, in denen Mitarbeitende eine Markierung erfolgreich anfechten (False Positives).
Überprüfen Sie diese Kennzahlen monatlich. Wenn Sie in einer Kategorie zu viele False Positives sehen, passen Sie die Prompts konservativer an. Wenn Betrugsfälle durchrutschen, fügen Sie diese als Negativbeispiele in Ihrem Prompt- oder Fine-Tuning-Setup hinzu. Reruptions KI-PoC-Ansatz ist genau um diese Schleife herum aufgebaut: ein funktionsfähiges Prototyping unter produktionsnahen Bedingungen, messen, verfeinern und dann skalieren.
Mit einem disziplinierten Setup erzielen Finanzteams typischerweise realistische Ergebnisse wie eine Reduktion der manuellen Prüfzeit für Standardspesenberichte um 30–50 %, einen deutlichen Anstieg erkannter Duplikate und verdächtiger Abrechnungen sowie schnellere, besser dokumentierte Freigaben – und das alles ohne Wechsel des Kern-ERP- oder Spesenmanagement-Systems.
Bauen Sie jetzt ein KI-System mit uns!
Wir bauen einen Proof of Concept für Ihr Problem für 5.000–8.000€. Sie bekommen eine handfeste Demo statt Folien mit Versprechen.
Häufig gestellte Fragen
Claude analysiert den vollständigen Kontext einer Spesenabrechnung: Positionen, Belege, Reisedetails, Kartentransaktionen und Ihre eigene Spesenrichtlinie. Es sucht nach Mustern wie identischen oder sehr ähnlichen Beleginhalten, die mehrfach verwendet werden, inkonsistenten Daten zwischen Reisen und Rechnungen, ungewöhnlichen Lieferantennamen sowie Ausgaben, die nicht zum typischen Verhalten für eine bestimmte Rolle oder Kostenstelle passen.
Technisch kombiniert Claude natürliches Sprachverständnis von Beschreibungen und Richtlinien mit strukturierten Vergleichen von Beträgen, Daten und Lieferanten. Integriert in Ihre Systeme kann es außerdem Stammdaten (z. B. genehmigte Lieferanten) und historische Abrechnungen nutzen, um Auffälligkeiten zu identifizieren, die eine Regel-Engine oder manuelle Stichprobenprüfung übersehen würde.
Mindestens benötigen Sie Zugriff auf Ihre Spesendaten (Berichte, Belege, Kartenfeeds), eine Integrationsschicht (oft eine kleine interne API oder ein Automatisierungstool) und eine Person, die den Prozess auf Finanzseite verantwortet. Auf der technischen Seite helfen Skills in Backendentwicklung und grundlegender Cloud-Infrastruktur, um Claude sicher mit Ihren bestehenden Systemen zu verbinden.
Finanzteams müssen keine KI-Experten werden. Ihr Hauptbeitrag ist es, Richtlinien, Sonderfälle und Entscheidungsregeln klar zu definieren. Reruption bringt üblicherweise technisches Personal mit Finanz-Stakeholdern zusammen und setzt das eigene Engineering-Team ein, um Prompt-Design, Datenpipelines und Security zu übernehmen, sodass sich Ihre Controller auf die Validierung der Ergebnisse und die Verfeinerung der Richtlinien konzentrieren können.
Nach unserer Erfahrung kann ein fokussierter Pilot für die Erkennung doppelter und betrügerischer Spesenabrechnungen innerhalb weniger Wochen – nicht Monate – laufen. Innerhalb der ersten 2–4 Wochen haben Sie in der Regel einen Prototypen, der reale historische Spesendaten einliest, potenzielle Auffälligkeiten markiert und Controller-fähige Erklärungen liefert.
Messbare Ergebnisse – etwa ein signifikanter Anstieg erkannter Duplikate oder eine Reduktion der manuellen Prüfzeit – zeigen sich häufig innerhalb von ein bis zwei Buchungszyklen. Reruptions strukturiertes KI-PoC-Format ist genau auf diesen Zeitrahmen ausgelegt: Wir definieren den Use Case, bauen einen funktionsfähigen Prototypen, messen die Performance und skizzieren einen Produktionsplan, alles in einem kompakten Projekt.
Der ROI entsteht aus drei Hauptquellen: vermiedene Verluste, eingesparte Zeit und verbesserte Kontrollqualität. Selbst in mittelgroßen Organisationen können niedrigrangiger Spesenbetrug und doppelte Abrechnungen sich unbemerkt zu erheblichen Jahresbeträgen summieren. Schon das systematische Erkennen eines Teils davon deckt häufig die laufenden KI-Kosten mehrfach.
Auf der Effizienzseite reduziert die Automatisierung von Pre-Checks und Anomalieerkennung die manuelle Prüfzeit pro Bericht und entlastet Controller, damit sie sich auf komplexe Fälle und Analysen konzentrieren können. Hinzu kommt qualitativer ROI: stärkere interne Kontrollen, bessere Prüfbereitschaft und verlässlichere Ausgabendaten für strategische Entscheidungen. In einem PoC quantifizieren wir den ROI typischerweise über einfache Kennzahlen wie ermittelten Betrugs-/Duplikatwert, eingesparte Stunden und reduzierte manuelle Prüfungen.
Reruption arbeitet als Co-Preneur und integriert sich in Ihr Team, um echte KI-gestützte Finanz-Workflows aufzubauen – statt nur Foliensätze zu produzieren. Wir beginnen mit unserem 9.900 € KI-PoC, in dem wir Ihre spezifischen Herausforderungen in der Spesenkontrolle erfassen, einen Claude-basierten Prototypen designen und entwickeln, der an Ihre Daten angebunden ist, und die Erkennungsqualität, Geschwindigkeit und Kosten pro Lauf in Ihrer Umgebung messen.
Über den PoC hinaus unterstützen wir Sie bei der Härtung der Lösung: Integration in Ihr ERP- oder Spesentool, Design sicherer Datenflüsse, Einrichtung von Monitoring und KPIs sowie Training der Controller für die effektive Zusammenarbeit mit KI. Durchgängig bringen wir tiefe Engineering-Kompetenz, einen KI-first-Blick auf Ihre Prozesse und eine geteilte Ownership-Mentalität ein – und agieren wie ein Co-Founder Ihres internen KI-Produkts, bis es zuverlässig doppelte und betrügerische Spesenabrechnungen in großem Umfang erkennt.
Kontaktieren Sie uns!
Direkt Kontaktieren
Philipp M. W. Hoffmann
Founder & Partner
Adresse
Reruption GmbH
Falkertstraße 2
70176 Stuttgart
Kontakt
Telefon