Die Herausforderung: Regelwidrige Spesenanträge

Finanzteams stehen unter Druck, Kosten zu kontrollieren, doch regelwidrige Spesenanträge machen diese Aufgabe erheblich schwerer. Reise- und Spesenrichtlinien sind oft lang, komplex und voller Ausnahmen. Mitarbeitende reichen ihre Anträge in gutem Glauben ein, Führungskräfte genehmigen sie schnell, um Engpässe zu vermeiden, und das Finanzteam entdeckt Probleme erst Wochen später bei Audits – wenn überhaupt. Das Ergebnis ist ein stetiger Strom an nicht regelkonformen Ausgaben, die schwer zu erkennen und nach der Erstattung noch schwerer zu korrigieren sind.

Traditionelle Ansätze stützen sich auf manuelle Kontrollen, Stichprobenprüfungen und einfache Regel-Engines in Spesentools. Diese Methoden tun sich mit der Realität schwer: unterschiedliche Tagegelder je Land, besondere Projektregeln, wechselnde Reiseklassen je Level oder Reisedauer sowie Ausnahmen wie Kundenbewirtung oder kurzfristige Änderungen. Statische Regeln können Notizen auf Belegen oder E-Mail-Genehmigungen nur schwer interpretieren, und manuelle Prüfungen skalieren nicht, wenn jeden Monat Tausende von Positionen ins System kommen.

Die geschäftlichen Auswirkungen sind erheblich. Nicht regelkonforme Ausgaben blähen Reise- und Betriebskosten schleichend auf, Genehmigungszyklen verlangsamen sich, wenn das Finanzteam manuelle Kontrollen verschärft, und spät eskalierte Konflikte mit Mitarbeitenden schaden dem Vertrauen. Die Finanzleitung verliert die klare Sicht auf die tatsächlichen Kostentreiber, was Verhandlungen mit Anbietern, die Optimierung von Reiserichtlinien oder eine präzise Liquiditätsplanung erschwert. In wettbewerbsintensiven Märkten wird die mangelnde Fähigkeit, Spesenrichtlinien in großem Maßstab durchzusetzen, zu einem echten Nachteil für Profitabilität und Governance.

Die gute Nachricht: Dieses Problem ist lösbar. Fortschritte bei KI für das Finanzwesen machen es heute realistisch, Richtlinien, Belege und Spesenexports mit menschlicher Nuanciertheit, aber maschineller Konsistenz zu lesen und zu interpretieren. Bei Reruption sehen wir, wie gut gestaltete KI-Workflows die Richtliniendurchsetzung von einem schmerzhaften Nachgedanken zu einer eingebetteten, Echtzeitkontrolle machen können. In den folgenden Abschnitten finden Sie konkrete Hinweise, wie Sie Claude nutzen, um regelwidrige Anträge zu erkennen, bevor sie bezahlt werden – und zwar auf eine Weise, die Mitarbeitende unterstützt statt sie zu kontrollieren.

Brauchen Sie einen Sparring-Partner für diese Herausforderung?

Lassen Sie uns unverbindlich sprechen und brainstormen.

Innovatoren bei diesen Unternehmen vertrauen uns:

Unsere Einschätzung

Eine strategische Einschätzung der Herausforderung und High-Level-Tipps, wie Sie sie angehen können.

Aus Reruption’s Arbeit beim Aufbau KI-zentrierter Workflows in Finanzfunktionen haben wir gelernt, dass Tools wie Claude dort glänzen, wo klassische Regel-Engines an ihre Grenzen kommen: beim Verständnis nuancierter Texte, bei der konsistenten Anwendung komplexer Richtlinien und bei der Erklärung von Entscheidungen in verständlicher Sprache. Richtig eingesetzt kann Claude zu einer skalierbaren Spesenkontrollschicht werden, die jeden Antrag gegen Ihre Reise- und Spesenrichtlinie prüft, Ausnahmen kennzeichnet und Mitarbeitende auf regelkonforme Alternativen hinweist – ohne Ihr Finanzteam mit manuellen Kontrollen zu überlasten.

Behandeln Sie Spesenkontrolle als Richtlinien- und Begründungsproblem, nicht nur als Regel-Engine

Viele Organisationen gehen Kontrollen für regelwidrige Spesen an, indem sie immer mehr hart codierte Regeln in ihr Spesentool einbauen. Das wird schnell unbeherrschbar, wenn sich Richtlinien ändern, Länder unterschiedlich sind und Ausnahmen sich häufen. Besser ist es, das Thema als Richtlinien- und Begründungsproblem zu sehen: Kann eine KI Ihre Richtlinie wie ein Mensch lesen, den Kontext jedes Antrags verstehen und begründet einschätzen, ob die Ausgabe sinnvoll ist?

Claude ist besonders stark darin, lange Dokumente aufzunehmen und auf konkrete Fälle anzuwenden. Strategisch bedeutet das: Sie sollten von Anfang an Zeit investieren, um Ihre Richtlinie, Randfälle und Beispiele zu strukturieren und zu präzisieren. Finanz, HR und Legal sollten sich darüber abstimmen, was „regelkonform“, „begründungspflichtig“ und „regelwidrig“ wirklich bedeutet, damit die Argumentation von Claude Ihre Governance widerspiegelt – und nicht nur ein technisches Regelwerk.

Starten Sie mit Hochrisiko-Kategorien, bevor Sie erweitern

Zu versuchen, vom ersten Tag an jede einzelne Spesenkategorie zu automatisieren, führt meist zu Komplexität und Widerstand. Strategisch sinnvoller ist es, die risikoreichsten und volumenstärksten Kategorien zu identifizieren – etwa Reisen, Hotels, Mahlzeiten und wiederkehrende Abonnements – und Claude zunächst dort zu pilotieren. Diese Kategorien weisen typischerweise die größte Richtliniennuance und den höchsten finanziellen Impact auf.

Durch eine bewusst enge Fokussierung können Sie die Performance von Claude validieren, Prompts feinjustieren und Schwellenwerte für das Flaggen von Auffälligkeiten anpassen, ohne das Geschäft zu überfordern. Sobald Sie den Mehrwert belegt haben – z. B. weniger späte Ablehnungen, klarere Erklärungen für Mitarbeitende und messbare Einsparungen – wird es deutlich einfacher, KI-Prüfungen auf das lange Ende weiterer Spesenarten auszurollen.

Gestalten Sie Zusammenarbeit zwischen Finanz, Führungskräften und Mitarbeitenden

Die Durchsetzung von Richtlinien kann schnell zu einem kulturellen Problem werden, wenn Mitarbeitende das Gefühl haben, von einer Black Box bestraft zu werden. Positionieren Sie Claude strategisch als Assistenten, der allen hilft, die Regeln einzuhalten: Es unterstützt Mitarbeitende beim Einreichen von Anträgen, liefert Führungskräften klare Begründungen bei der Genehmigung und stellt dem Finanzteam strukturierte Ausnahmen zur Prüfung bereit.

Dafür müssen Stakeholder früh eingebunden werden. Arbeiten Sie mit den Fachbereichen zusammen, um die größten Schmerzpunkte im aktuellen Prozess zu verstehen, und nutzen Sie diese als Design-Input. Achten Sie zum Beispiel darauf, dass die Ausgaben von Claude menschenlesbare Erklärungen enthalten („Dies überschreitet die Hotelobergrenze für Berlin um 25 %“) und – wo möglich – Vorschläge („Eine regelkonforme Option wäre bis zu 150 € pro Nacht oder eine dokumentierte Kundenanforderung“). Diese kollaborative Einbettung erhöht die Akzeptanz deutlich.

Richten Sie KI-Kontrollen an Risikoappetit und Governance aus

Nicht jeder regelwidrige Fall hat das gleiche Risiko. Eine etwas zu teure Taxifahrt ist nicht mit wiederholter Überziehung von Bewirtungsbudgets oder verdächtigen wiederkehrenden SaaS-Gebühren gleichzusetzen. Definieren Sie strategisch Ihre Risikostufen und Eskalationspfade, bevor Sie Claude konfigurieren: Welche Fälle sollen Zahlungen automatisch blockieren, welche erfordern zusätzliche Dokumentation und welche können genehmigt, aber für Analysen protokolliert werden?

Claude kann so konfiguriert werden, dass es je nach Risikostufe unterschiedliche Logik anwendet, doch die eigentliche Designentscheidung betrifft die Governance, nicht die Technologie. Finanz, Compliance und Interne Revision sollten gemeinsam klare Schwellenwerte und Eskalationsregeln erarbeiten. So stellen Sie sicher, dass KI-basierte Kontrollen Ihr bestehendes Governance-Modell stärken, statt informelle neue Regeln einzuführen, die sich in Audits schwer begründen lassen.

Planen Sie kontinuierliches Lernen, Monitoring und Richtlinienweiterentwicklung ein

Spesenrichtlinien und geschäftliche Realitäten verändern sich: neue Märkte, aktualisierte Tagegelder, andere Reisemuster, Remote-Work-Normen. Eine einmalige Konfiguration von Claude driftet über die Zeit, wenn Sie nicht für kontinuierliches Monitoring und laufende Verfeinerung sorgen. Behandeln Sie Claude strategisch als lebende Kontrolle, die Sie regelmäßig überprüfen – so wie jede andere wesentliche Finanzkontrolle.

Richten Sie Feedbackschleifen ein: Finanzanalysten können falsche Flags oder übersehene Probleme markieren, die dann in aktualisierte Prompts, Beispiele oder Richtlinienrepräsentationen einfließen. Prüfen Sie monatlich aggregierte Kennzahlen – etwa den Prozentsatz geflaggter Anträge, die häufigsten Verstoßtypen und die False-Positive-Rate – und passen Sie die Konfiguration an. Diese laufende Feinjustierung macht aus Claude ein verlässliches Element Ihres Spesen-Governance-Rahmens statt nur eines interessanten Experiments.

Durchdacht eingesetzt kann Claude Ihre Kontrolle regelwidriger Spesenanträge grundlegend verändern: von sporadischen, manuellen Stichproben hin zu konsistenten, nachvollziehbaren Echtzeitprüfungen über alle Ausgabenkategorien hinweg. Entscheidend ist nicht nur das Modell selbst, sondern wie Sie Ihre Richtlinienlogik kodifizieren, Risiken steuern und KI in die täglichen Workflows integrieren. Bei Reruption sind wir darauf spezialisiert, diese Ideen in funktionierende KI-Kontrollen in Finanzteams zu übersetzen – von schnellen PoCs bis zu produktionsreifen Automatisierungen. Wenn Sie erkunden möchten, was Claude für Ihren eigenen Spesenprozess leisten kann, unterstützen wir Sie dabei, dies schnell, sicher und mit klaren Business-Kennzahlen zu testen.

Hilfe bei der Umsetzung dieser Ideen?

Nehmen Sie gerne unverbindlich Kontakt zu uns auf.

Fallbeispiele aus der Praxis

Von Gesundheitswesen bis Bankwesen: Erfahren Sie, wie Unternehmen Claude erfolgreich einsetzen.

Mass General Brigham

Gesundheitswesen

Mass General Brigham, als eines der landesweit führenden integrierten akademischen Gesundheitssysteme, steht vor enormen Mengen an medizinischen Bilddaten aus Radiologie und Pathologie, die schnellere und genauere Analysen erfordern, um Kliniker zu unterstützen. Der Zustrom von KI-Technologien in der medizinischen Bildgebung hat Herausforderungen wie Governance, Einbindung medizinischer Expertise und die Gewährleistung einer verantwortungsvollen Einführung mit sich gebracht, während Kliniker wegen manueller Arbeitsabläufe und Entscheidungsüberlastung unter Burnout leiden. Zusätzlich erfordern die operativen Anforderungen in einem großen Krankenhausnetz prädiktive Modelle für Ressourcenallokation, Patientenfluss und Früherkennung. Altsysteme haben Schwierigkeiten mit dem Umfang und der Komplexität von Echtzeitdaten, was Effizienz und Patientenergebnisse beeinträchtigt.

Lösung

Mass General Brigham richtete ein dediziertes Künstliche-Intelligenz-Zentrum ein, das akademische Forschung, Produktentwicklung und klinische Translation verbindet und KI für Bildgebung mittels Computervision sowie für den Betrieb mittels prädiktiver Analytik verwaltet. Sie entwickelten Governance-Initiativen in der Radiologie und bezogen Klinikpersonal ein, um Einführungsbarrieren zu adressieren. Wesentliche Partnerschaften umfassen Microsoft für Foundation-Modelle in der medizinischen Bildgebung und eine frühere Zusammenarbeit mit GE Healthcare an KI-Workflows, die mit 36.000+ Hirnbildern für MRT-Konsistenz trainiert wurden. Dieses Ökosystem unterstützt Hunderte von Modellen, gestützt auf rigorose Forschung und einem 30-Millionen-Dollar-Innovationsfonds.

Ergebnisse

  • 36.000+ Hirnbilder wurden für das KI-Training in MRT-Workflows verwendet
  • 300+ neue KI-bezogene Studien und klinische Studien initiiert
  • Dediziertes KI-Zentrum mit kompletten Services für die Translation von Modellen in die Praxis
  • Partnerschaften ermöglichen KI-Copiloten zur Bildanalyse
  • Führendes Governance-Framework für den Zustrom von Hunderten KI-Tools in der Radiologie
Fallstudie lesen →

Khan Academy

Bildung

Khan Academy stand vor der gewaltigen Aufgabe, personalisierte Nachhilfe in großem Maßstab für ihre 100M+ jährlichen Nutzenden bereitzustellen, viele davon in unterversorgten Regionen. Traditionelle Online-Kurse, so wirksam sie auch sind, fehlte die interaktive Eins-zu-eins-Begleitung durch menschliche Tutoren, was zu hohen Abbruchraten und ungleichmäßigen Lernfortschritten führte. Lehrkräfte waren mit Planung, Bewertung und Differenzierung für heterogene Klassen überlastet. Im Jahr 2023, als KI große Fortschritte machte, kämpften Pädagogen mit Halluzinationen und Risiken einer Überabhängigkeit bei Tools wie ChatGPT, die häufig direkte Antworten statt Lernförderung lieferten. Khan Academy benötigte eine KI, die schrittweises Denken fördert, ohne zu schummeln, und gleichzeitig gleichberechtigten Zugang als Nonprofit sicherstellt. Sichere Skalierung über Fächer und Sprachen hinweg stellte technische und ethische Hürden dar.

Lösung

Khan Academy entwickelte Khanmigo, einen KI-gestützten Tutor und Lehrassistenten, der auf GPT-4 basiert, im März 2023 für Lehrkräfte pilotiert und später für Schüler ausgeweitet. Anders als generische Chatbots nutzt Khanmigo maßgeschneiderte System‑Prompts, um Lernende sokratisch zu führen — mit gezielten Fragen, Hinweisen und Feedback, ohne direkte Lösungen zu liefern — in Mathematik, Naturwissenschaften, Geisteswissenschaften und mehr. Der gemeinnützige Ansatz legte Wert auf Sicherheitsmaßnahmen, Integration in Khans Content-Bibliothek und iterative Verbesserungen durch Lehrkräfte-Feedback. Partnerschaften wie mit Microsoft ermöglichten Lehrkräften bis 2024 kostenlosen globalen Zugang, inzwischen in 34+ Sprachen. Laufende Updates, etwa 2025 zur Mathematik‑Berechnung, adressieren Genauigkeitsprobleme.

Ergebnisse

  • Nutzerwachstum: 68.000 (Pilot 2023-24) auf 700.000+ (Schuljahr 2024-25)
  • Lehrerakzeptanz: Kostenlos für Lehrkräfte in den meisten Ländern, Millionen nutzen Khan Academy-Tools
  • Unterstützte Sprachen: 34+ für Khanmigo
  • Engagement: Verbesserte Schüler-Persistenz und Lernfortschritte in Pilotprojekten
  • Zeitersparnis: Lehrkräfte sparen Stunden bei Unterrichtsplanung und -vorbereitung
  • Skalierung: Integriert in 429+ kostenlose Kurse in 43 Sprachen
Fallstudie lesen →

DBS Bank

Bankwesen

DBS Bank, die führende Finanzinstitution in Südostasien, kämpfte damit, KI von Experimenten in die Produktion zu skalieren, während Betrugsbedrohungen zunahmen, die Nachfrage nach hyperpersonalisierten Kundenerlebnissen stieg und operative Ineffizienzen im Service-Support bestanden. Traditionelle Systeme zur Betrugserkennung hatten Schwierigkeiten, bis zu 15.000 Datenpunkte pro Kunde in Echtzeit zu verarbeiten, was zu übersehenen Bedrohungen und suboptimalen Risikobewertungen führte. Personalisierungsbemühungen wurden durch isolierte Datensilos und fehlende skalierbare Algorithmen für Millionen von Nutzern in unterschiedlichen Märkten behindert. Zusätzlich sahen sich Kundendienstteams mit überwältigenden Anfragevolumina konfrontiert, wobei manuelle Prozesse die Reaktionszeiten verlangsamten und die Kosten erhöhten. Regulatorischer Druck im Bankwesen erforderte verantwortungsvolle KI-Governance, während Fachkräftemangel und Integrationsherausforderungen eine unternehmensweite Einführung erschwerten. DBS benötigte einen robusten Rahmen, um Datenqualitätsprobleme, Modell-Drift und ethische Bedenken bei der Einführung generativer KI zu überwinden und gleichzeitig Vertrauen und Compliance in einem wettbewerbsintensiven südostasiatischen Umfeld sicherzustellen.

Lösung

DBS startete ein konzernweites KI-Programm mit über 20 Anwendungsfällen, nutzte maschinelles Lernen für fortschrittliche Betrugsrisikomodelle und Personalisierung und ergänzte dies durch generative KI für einen internen Support-Assistenten. Die Betrugsmodelle integrierten umfangreiche Datensätze für die Erkennung von Anomalien in Echtzeit, während Personalisierungsalgorithmen hyperzielgerichtete Hinweise und Anlageideen über die digibank-App lieferten. Ein Mensch-KI-Synergie-Ansatz befähigte Serviceteams mit einem GenAI-Assistenten, der Routineanfragen aus internen Wissensdatenbanken bearbeitet. DBS legte Wert auf verantwortungsvolle KI durch Governance-Rahmenwerke, Qualifizierungsmaßnahmen für über 40.000 Mitarbeitende und eine gestaffelte Einführung, beginnend mit Pilotprojekten 2021 und Skalierung in die Produktion bis 2024. Partnerschaften mit Technologieführern und eine von Harvard unterstützte Strategie sicherten ein ethisches Skalieren in den Bereichen Betrug, Personalisierung und Betrieb.

Ergebnisse

  • 17 % Steigerung der Einsparungen durch verhinderte Betrugsversuche
  • Über 100 maßgeschneiderte Algorithmen für Kundenanalysen
  • 250.000 monatliche Anfragen effizient vom GenAI-Assistenten bearbeitet
  • Mehr als 20 konzernweite KI-Anwendungsfälle eingeführt
  • Analysiert bis zu 15.000 Datenpunkte pro Kunde zur Betrugserkennung
  • Produktivitätssteigerung um 20 % durch KI-Einführung (CEO-Aussage)
Fallstudie lesen →

Mastercard

Zahlungsverkehr

In der hochbrisanten Welt der digitalen Zahlungen stellten sich Card-Testing-Angriffe als kritische Bedrohung für das Mastercard-Ökosystem heraus. Betrüger setzen automatisierte Bots ein, um gestohlene Kartendaten mittels Mikrotransaktionen bei Tausenden von Händlern zu testen und damit Zugang für größere Betrugsschemata zu validieren. Traditionelle regelbasierte und klassische Machine-Learning-Systeme erkannten diese Angriffe häufig erst, nachdem erste Tests Erfolg hatten, was zu jährlichen Verlusten in Milliardenhöhe führte und legitimen Handel störte. Die Subtilität dieser Angriffe – geringwertige, hochfrequente Tests, die normales Verhalten imitieren – überforderte Legacy-Modelle, verstärkt durch den Einsatz von KI durch Betrüger, um Erkennungsmuster zu umgehen. Als die Transaktionsvolumina nach der Pandemie explodierten, stand Mastercard unter steigendem Druck, von reaktiver zu proaktiver Betrugsprävention überzugehen. Fehlalarme durch überharte Warnungen führten zu abgelehnten legitimen Transaktionen und damit zu Vertrauensverlust bei Kunden, während ausgeklügelte Methoden wie Card-Testing in Echtzeit der Erkennung entgingen. Das Unternehmen benötigte eine Lösung, die kompromittierte Karten präventiv identifizieren kann und dabei riesige Netze miteinander verbundener Transaktionen analysiert, ohne Geschwindigkeit oder Genauigkeit zu opfern.

Lösung

Mastercards Decision Intelligence (DI)-Plattform integrierte generative KI mit graphbasiertem Machine Learning, um die Betrugserkennung zu revolutionieren. Generative KI simuliert Betrugsszenarien und erzeugt synthetische Transaktionsdaten, was das Modelltraining und die Anomalieerkennung beschleunigt, indem seltene Angriffsvarianten nachgebildet werden, die in echten Daten fehlen. Die Graph-Technologie bildet Entitäten wie Karten, Händler, IP-Adressen und Geräte als miteinander verbundene Knoten ab und macht verborgene Betrugsringe sowie Ausbreitungspfade in Transaktionsgraphen sichtbar. Dieser hybride Ansatz verarbeitet Signale in bislang ungekanntem Umfang, nutzt die generative KI zur Priorisierung risikoreicher Muster und Graphen, um Beziehungen zu kontextualisieren. Über Mastercards AI Garage implementiert, ermöglicht er die Echtzeit-Bewertung des Kompromittierungsrisikos von Karten und alarmiert ausgebende Institute, bevor Betrug eskaliert. Das System bekämpft Card-Testing, indem es anomale Testcluster frühzeitig markiert. Die Einführung erfolgte mit iterativen Tests bei Finanzinstituten, wobei Mastercards globales Netzwerk für robuste Validierung genutzt wurde, gleichzeitig wurde auf Erklärbarkeit geachtet, um das Vertrauen der Emittenten zu stärken.

Ergebnisse

  • 2x schnellere Erkennung potenziell kompromittierter Karten
  • Bis zu 300% Steigerung der Effektivität der Betrugserkennung
  • Verdopplung der Rate proaktiver Benachrichtigungen über kompromittierte Karten
  • Deutliche Reduktion betrügerischer Transaktionen nach Erkennung
  • Minimierung falsch abgelehnter legitimer Transaktionen
  • Echtzeit-Verarbeitung von Milliarden von Transaktionen
Fallstudie lesen →

Samsung Electronics

Fertigung

Samsung Electronics steht vor enormen Herausforderungen in der Fertigung von Unterhaltungselektronik aufgrund von Produktion in massivem Umfang, die häufig Millionen von Einheiten täglich überschreitet – bei Smartphones, Fernsehern und Halbleitern. Traditionelle, menschlich gestützte Inspektionen kämpfen mit fehlerbedingter Ermüdung, die subtile Defekte wie Mikrokratzer auf OLED-Panels oder Montagefehlstellungen übersehen, was zu kostspieligen Rückrufen und Nacharbeit führt. In Werken wie Gumi, Südkorea, bearbeiten Linien 30.000 bis 50.000 Einheiten pro Schicht, wobei schon eine 1% Fehlerquote Tausende fehlerhafte Geräte versendet – das untergräbt das Markenvertrauen und verursacht Millionenverluste pro Jahr. Zudem erforderten Schwankungen in der Lieferkette und steigende Arbeitskosten eine hoch effiziente Automatisierung. Vor KI führte die Abhängigkeit von manueller Qualitätssicherung zu inkonsistenten Erkennungsraten (etwa 85–90% Genauigkeit), mit Problemen, Echtzeit-Inspektionen für zahlreiche Bauteile im Kontext von Industrie 4.0 zu skalieren.

Lösung

Samsungs Lösung integriert KI-gesteuertes maschinelles Sehen, autonome Robotik und NVIDIA-gestützte KI-Fabriken für durchgängige Qualitätssicherung (QA). Durch den Einsatz von über 50.000 NVIDIA-GPUs mit Omniverse-Digital-Twins simulieren und optimieren die Fabriken Abläufe, ermöglichen Roboterarme für präzise Montage und Vision-Systeme zur Defekterkennung auf mikroskopischer Ebene. Die Implementierung begann mit Pilotprogrammen im Gumi Smart Factory, die auf Gold-UL-Validierung setzt, und wurde auf globale Standorte ausgeweitet. Deep-Learning-Modelle, trainiert auf umfangreichen Datensätzen, erreichen 99%+ Genauigkeit und automatisieren Inspektion, Sortierung und Nacharbeit, während Cobots (kollaborative Roboter) repetitive Aufgaben übernehmen und menschliche Fehler reduzieren. Dieses vertikal integrierte Ökosystem verknüpft Samsungs Halbleiter, Geräte und KI-Software.

Ergebnisse

  • 30.000–50.000 Einheiten pro Produktionslinie täglich inspiziert
  • Nahezu null (<0.01%) Fehlerquoten bei ausgelieferten Geräten
  • 99%+ KI-Maschinensehen-Genauigkeit bei der Defekterkennung
  • 50%+ Reduktion der manuellen Inspektionsarbeit
  • Millionen USD jährliche Einsparungen durch frühzeitige Fehlererkennung
  • 50.000+ NVIDIA-GPUs in den KI-Fabriken im Einsatz
Fallstudie lesen →

Best Practices

Erfolgreiche Implementierungen folgen bewährten Mustern. Werfen Sie einen Blick auf unsere taktischen Ratschläge für den Einstieg.

Zentralisieren und strukturieren Sie Ihre Travel-&-Expense-Richtlinie für Claude

Die Stärke von Claude liegt im Verständnis komplexer Texte, dennoch braucht es dafür eine gut aufbereitete Richtlinienbasis. Beginnen Sie damit, Ihre Reise- und Spesenrichtlinie, Genehmigungsregeln und länderspezifischen Vorgaben in einer einzigen Quelle zusammenzuführen. Bereinigen Sie Widersprüche, veraltete Passagen und zweideutige Formulierungen („angemessen“, „zweckmäßig“) wo immer möglich.

Erstellen Sie anschließend eine prägnante „KI-fähige“ Version: Stichpunkte für Limits, explizite Beispiele für Erlaubtes/Nicht erlaubtes sowie klar gekennzeichnete Ausnahmen (z. B. „CEO-Ausnahmen“, „Kundenveranstaltungen“, „Notfallreisen“). Dieses strukturierte Dokument wird zur zentralen Referenz, die Claude bei der Bewertung jedes Antrags nutzt.

Beispiel für einen Claude-Systemprompt-Ausschnitt:

Sie sind ein Spesenrichtlinien-Assistent für die Finanzabteilung.
Sie erhalten:
1) Einen Auszug aus der Reise- & Spesenrichtlinie
2) Eine Liste von Spesenpositionen

Für jede Position:
- Entscheiden Sie: COMPLIANT, NEEDS_JUSTIFICATION oder OUT_OF_POLICY
- Zitieren Sie die genaue(n) einschlägige(n) Richtlinienpassage(n)
- Erklären Sie Ihre Begründung in 2–3 kurzen Sätzen
- Schlagen Sie bei OUT_OF_POLICY eine regelkonforme Alternative vor

Erwartetes Ergebnis: Die Entscheidungen von Claude lassen sich auf konkrete Richtlinienklauseln zurückführen – ein entscheidender Faktor für Transparenz gegenüber Mitarbeitenden und Prüfern.

Bauen Sie einen automatisierten Prüfworkflow rund um Spesenexports

Die meisten Finanzteams können Spesen aus ihrem ERP oder Spesenmanagement-Tool exportieren (z. B. als CSV mit Mitarbeitendem, Kostenstelle, Kategorie, Betrag, Datum, Notizen). Nutzen Sie diesen Export als Input für eine Claude-basierte Batch-Prüfung, die nach einem festen Plan läuft (täglich oder nach jedem Spesenlauf).

Konzipieren Sie einen kleinen Service oder ein Skript, das den Export in handhabbare Pakete aufteilt (z. B. 100–200 Positionen), sie zusammen mit dem relevanten Richtlinienauszug an Claude sendet und die Ergebnisse (Status, Erklärung, empfohlene Aktion) in einer Datenbank oder per API zurück ins ERP schreibt.

Beispiel-Struktur für eine Claude-Request-Payload:

{
  "policy_sections": "[...konsolidierter relevanter Richtlinientext...]",
  "expenses": [
    {
      "id": "EXP-10239",
      "employee_level": "Senior Manager",
      "country": "DE",
      "category": "Hotel",
      "amount": 230.00,
      "currency": "EUR",
      "city": "Berlin",
      "notes": "Konferenzhotel, kurzfristig gebucht"
    },
    ...
  ]
}

Erwartetes Ergebnis: Das Finanzteam erhält eine strukturierte Ausnahmeliste mit klaren Begründungen, statt rohe Tabellenzeilen mühsam durchgehen zu müssen.

Nutzen Sie Claude bereits bei der Einreichung, um Probleme früh zu verhindern

Batch-Prüfungen sind hilfreich, aber die wirksamste Kontrolle ist Prävention. Integrieren Sie Claude in Ihren Speseneinreichungsprozess, sodass Mitarbeitende potenzielle regelwidrige Punkte in Echtzeit sehen, bevor der Antrag in die Genehmigung geht.

Ein einfacher Ansatz besteht darin, Claude beim Einreichen oder Bearbeiten eines Antrags aufzurufen. Übergeben Sie die Spesendetails, die Rolle der Person und das Reiseziel sowie die relevanten Richtlinienabschnitte. Zeigen Sie das Feedback von Claude in der Oberfläche an: „Dieses Essen überschreitet das Tagegeld für Paris um 18 €“ plus Vorschläge („Auf zwei Mitarbeitende aufteilen“, „Kategorie in Kundenbewirtung mit beigefügter Agenda ändern“).

Beispielprompt für eine Prüfung bei der Einreichung:

Sie unterstützen eine Mitarbeiterin oder einen Mitarbeiter beim Einreichen von Spesen.
Geben Sie auf Basis der Richtlinie und dieser Spesenposition die Antwort im JSON-Format zurück:
{
  "status": "COMPLIANT | WARNING | OUT_OF_POLICY",
  "summary": "Kurze Erklärung in benutzerfreundlicher Sprache",
  "required_action": "Erforderliche Dokumente oder notwendige Änderungen",
  "policy_reference": "Abschnitt/Paragraph"
}

Erwartetes Ergebnis: Weniger regelwidrige Einreichungen, weniger Hin-und-her zwischen Mitarbeitenden, Führungskräften und Finanzteam sowie schnellere Erstattungszyklen.

Klassifizieren Sie Ausnahmen und leiten Sie sie an die richtige Stelle weiter

Nicht jede Ausnahme sollte in derselben Finanz-Inbox landen. Nutzen Sie Claude, um Ausnahmen zu kategorisieren – basierend auf Risiko und benötigter Expertise. Beispiele: „Geringfügige Limitüberschreitung“, „Fehlende Dokumentation“, „Möglicher Duplikatfall“, „Potenzielle Betrugs-/Verdachtsmuster“, „Abonnement oder wiederkehrende Gebühr“.

Erweitern Sie Ihren Prompt so, dass Claude eine risikobasierte Kategorie und einen Vorschlag für die Zuständigkeit vergibt. Kombinieren Sie dies mit Regeln in Ihrem Workflow-Tool (z. B. Ticketing oder ERP), sodass Dokumentationsthemen in eine gemeinsame Finanz-Queue gehen, während mutmaßlicher Betrug direkt an eine:n zuständige:n Controller:in oder die Interne Revision weitergeleitet wird.

Prompt-Erweiterung für Ausnahmerouting:

Für jede NON-COMPLIANT-Position fügen Sie hinzu:
"exception_type": eines von ["LIMIT_EXCEEDED", "MISSING_DOCS", "DUPLICATE_RISK", "SUSPICIOUS_PATTERN"],
"recommended_owner": eines von ["FINANCE_ANALYST", "PEOPLE_MANAGER", "INTERNAL_AUDIT"]

Erwartetes Ergebnis: Schnellere Bearbeitung tatsächlicher Risiken und weniger Zeitaufwand von Senior-Personal für die Sortierung von Ausnahmen mit geringem Risiko.

Analysieren Sie Begründungstexte und Anhänge mit Claude

Viele entscheidende Details stecken in Freitextfeldern („Kundenessen nach längerem Workshop“) oder in Anhängen (Einladungen, Agenden, Genehmigungen). Traditionelle Tools ignorieren diese Nuancen häufig. Nutzen Sie Claude, um Notizen und Dokumente zusätzlich zu den strukturierten Daten zu lesen und zu interpretieren.

Übergeben Sie für jede Spesenposition den Beschreibungstext sowie – wo möglich – OCR-erfasste Inhalte von Belegen oder Genehmigungen. Bitten Sie Claude zu beurteilen, ob die Begründung eine Ausnahme stützt (z. B. Kundenanforderung, Notfall, keine Alternativen) und ob die Dokumentation gemäß Ihrer Richtlinie ausreichend erscheint.

Beispielprompt für Analyse von Begründungen & Anhängen:

Berücksichtigen Sie für diese Spesenposition die Beschreibung und den Belegtext.
Beantworten Sie:
- Ist die Begründung konsistent mit einer zulässigen Ausnahme in der Richtlinie? (YES/NO)
- Ist der Detaillierungsgrad ausreichend? (YES/NO)
- Welche zusätzlichen Unterlagen, falls überhaupt, sollten angefordert werden?

Erwartetes Ergebnis: Einheitlichere Behandlung von Ausnahmen, weniger fehlende Unterlagen und stärkere Audit-Trails, ohne zusätzliche manuelle Prüfschritte.

Definieren Sie Kennzahlen und Dashboards zur Messung des Impacts

Um den Mehrwert zu belegen, statten Sie Ihre Claude-basierte Kontrolle mit klaren KPIs aus. Typische Kennzahlen sind: Prozentsatz der geflaggten Spesen, Aufschlüsselung nach Kategorie und Gesellschaft, durchschnittliche Zeit von Einreichung bis Genehmigung, Einsparungen durch reduzierte regelwidrige Ausgaben und False-Positive-Rate (Flags, die das Finanzteam im Nachgang als akzeptabel einstuft).

Exportieren Sie die Entscheidungen und Erklärungen von Claude in Ihr BI-Tool und bauen Sie ein dediziertes Spesen-Compliance-Dashboard. Im Zeitverlauf zeigt es auf, wo Richtlinien unrealistisch sein könnten (z. B. wiederkehrende kleine Überschreitungen in bestimmten Städten) oder wo bestimmte Teams gezielte Schulungen benötigen.

Erwartetes Ergebnis: Realistische Verbesserungen wie eine Reduktion nicht regelkonformer Ausgaben um 20–40 % in Fokus-Kategorien innerhalb von 6–12 Monaten, eine spürbare Verringerung manueller Einzelpositionsprüfungen und schnellere, besser planbare Erstattungszyklen – ohne Kontrolle oder Mitarbeitererlebnis zu opfern.

Brauchen Sie jetzt Umsetzungskompetenz?

Lassen Sie uns über Ihre Ideen sprechen!

Häufig gestellte Fragen

Claude bewertet jede Spesenposition gegen Ihre Reise- und Spesenrichtlinie sowie Ihre Genehmigungsregeln. Es kann Limits, Ausnahmen und Tagegelder lesen und sie auf reale Daten wie Betrag, Ort, Mitarbeitenden-Level und Beschreibungstext anwenden.

Für jeden Antrag kann Claude einen Status (regelkonform, begründungspflichtig, regelwidrig), eine kurze Erklärung und die konkret genutzten Richtlinienpassagen ausgeben. So werden Entscheidungen für Mitarbeitende, Führungskräfte, Finanzteam und Prüfer transparent.

Typischerweise brauchen Sie drei Dinge: ein einigermaßen aktuelles Spesenrichtliniendokument, Zugriff auf Ihre Spesendaten-Exports oder -APIs und eine Person aus dem Finanzteam, die aktuelle Genehmigungsabläufe und Randfälle gut kennt. Die technische Integration kann klein beginnen (z. B. dateibasierte Exports und Imports) und im Zeitverlauf reifen.

Reruption startet meist mit einer kurzen Scoping-Phase, um Ihre Richtlinienstruktur, Systeme (ERP/Spesentool) und Ihren Risikoappetit zu verstehen, und entwirft dann einen Claude-basierten Workflow, der sich in Ihre bestehenden Prozesse einfügt – statt einen kompletten Neustart zu erzwingen.

Die meisten Organisationen können innerhalb weniger Wochen einen fokussierten Proof of Concept durchführen und in einer einzelnen Kategorie wie Reisen oder Hotels erste Ergebnisse sehen. Sobald der erste Workflow abgestimmt ist, geht die Erweiterung auf andere Spesenarten deutlich schneller.

Realistische Ergebnisse umfassen: deutlich weniger späte Ablehnungen, messbare Reduktionen regelwidriger Ausgaben in fokussierten Kategorien und einen spürbaren Rückgang manueller Einzelpositionsprüfungen im Finanzteam. Viele Finanzleiter:innen berichten zudem von besserer Transparenz bei Kostentreibern und konstruktiveren Gesprächen mit Mitarbeitenden über das Design der Richtlinien.

Die direkten Nutzungskosten von Claude hängen vom Volumen der verarbeiteten Spesen und der Häufigkeit der Prüfungen ab (z. B. Echtzeit vs. tägliche Batches). In den meisten Finanzumgebungen ist die Cost-per-Expense-Review niedrig im Vergleich zur eingesparten manuellen Prüfzeit und den Einsparungen durch reduzierte nicht regelkonforme Ausgaben.

Der ROI speist sich typischerweise aus drei Bereichen: vermiedener regelwidriger Ausgaben, reduzierter Prüflast für Reviewer:innen und weniger Konflikten mit Mitarbeitenden. Die laufende Wartung besteht vor allem in der Aktualisierung von Prompts und Richtlinienreferenzen bei Regeländerungen sowie gelegentlichem Tuning auf Basis von False-Positive/-Negative-Raten – Aufgaben, die sich gut in Ihre regulären Reviews von Finanzkontrollen einplanen lassen.

Reruption unterstützt Kund:innen End-to-End – von der Idee bis zur funktionierenden Lösung. Mit unserem KI-PoC-Angebot (9.900 €) validieren wir zunächst, ob Claude Ihre spezifischen Richtlinien und Spesendaten zuverlässig interpretieren kann. Das umfasst Use-Case-Definition, Machbarkeitsprüfung, einen funktionierenden Prototypen und klare Performance-Kennzahlen.

Darauf aufbauend setzen wir unseren Co-Preneur-Ansatz um: Wir arbeiten eng mit Ihren Finanz- und IT-Teams zusammen, entwerfen den Workflow rund um Ihre bestehenden ERP-/Spesensysteme und entwickeln die notwendigen Automatisierungen, Prompts und Monitorings für den Produktivbetrieb. Ziel ist nicht nur eine Demo, sondern eine greifbare Spesenkontrollfähigkeit, die in Ihrer Organisation verankert ist und sich mit Ihren Richtlinien weiterentwickelt.

Kontaktieren Sie uns!

0/10 min.

Direkt Kontaktieren

Your Contact

Philipp M. W. Hoffmann

Founder & Partner

Adresse

Reruption GmbH

Falkertstraße 2

70176 Stuttgart

Kontakt

Social Media