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

HSBC

Bankwesen

Als eine der weltweit größten Banken nach Vermögenswerten verarbeitet HSBCMilliarden von Transaktionen, wodurch die Betrugserkennung und die Geldwäschebekämpfung (AML) zu einer enormen Herausforderung werden. Traditionelle regelbasierte Systeme litten unter hohen Falsch-Positiv-Raten, was zu übermäßigen manuellen Prüfungen führte, Compliance-Teams belastete, Kosten erhöhte und Kunden-Transaktionen verlangsamte . Die Gewährleistung der regulatorischen Compliance in 62 Ländern bei gleichzeitiger Minimierung finanzieller Kriminalität war kritisch, doch Legacy-Systeme fehlte die Raffinesse für Echtzeit- und nuancierte Bedrohungserkennung. Die Skalierung des Kundenservice stellte eine weitere Hürde dar, da die Nachfrage nach 24/7 personalisiertem Support menschliche Agenten überwältigte. NLP-Chatbots waren erforderlich, um komplexe Anfragen effizient zu bearbeiten, ohne Datenschutz oder Genauigkeit zu gefährden. Gleichzeitig brachte die Erforschung von generativer KI (GenAI) Herausforderungen bei ethischer Implementierung, Bias-Minderung und Integration mit strengen Bankvorschriften wie GDPR und Basel III mit sich, da schnelle technologische Fortschritte das Risiko von Non-Compliance erhöhten . Die Umsetzungsherausforderungen umfassten länderübergreifend isolierte Daten, Fachkräftemangel im KI-Bereich und die Balance zwischen Innovationsgeschwindigkeit und robuster Governance .

Lösung

HSBC begegnete Betrug mit Google Cloud KI-gestützten ML-Modellen für AML, die fortschrittliche Algorithmen nutzen, um Transaktionsmuster, Kundenverhalten und externe Daten für präzise Anomalieerkennung zu analysieren und so Falsch-Positiv-Raten drastisch zu senken . Dies war Teil einer breiteren Strategie, die global Hunderte von KI-Anwendungsfällen implementierte, von Risikomodellen bis zu Überwachungssystemen . Für das Kundenengagement wurden NLP-getriebene Chatbots eingeführt, die natürliche Sprachverarbeitung nutzen, um Anfragen zu interpretieren, maßgeschneiderte Beratung zu liefern und komplexe Fälle nahtlos weiterzuleiten, während Compliance-Standards eingehalten werden . Im GenAI-F&E-Bereich nahm HSBC an einem GenAI-Sandbox-Programm teil und schloss Ende 2025 eine mehrjährige Partnerschaft mit Mistral AI, um generative Werkzeuge bankweit zu integrieren. Ziel ist die Automatisierung interner Aufgaben, personalisierte Kundeninsights, Verstärkung der Betrugserkennung und Produktivitätssteigerungen, untermauert von einem starken ethischen KI-Rahmen, der die menschliche Aufsicht betont .

Ergebnisse

  • Hunderte von global eingesetzten KI-Anwendungsfällen in den Betriebsbereichen
  • Mehrjährige Partnerschaft mit Mistral AI beschleunigt GenAI-Einführung bankweit
  • Verbesserte AML-Erkennung mit reduzierten Falsch-Positiven durch Google Cloud ML
  • Echtzeit-Betrugskennzeichnung für Milliarden täglicher Transaktionen
  • GenAI-Tools zielen auf 20–40% Produktivitätssteigerungen bei Bankaufgaben
  • Transformierter Kundenservice mit 24/7 skalierbaren NLP-Chatbots
Fallstudie lesen →

Associated Press (AP)

Nachrichtenmedien

In der Mitte der 2010er Jahre sah sich die Associated Press (AP) im Wirtschaftsressort mit erheblichen Einschränkungen aufgrund begrenzter manueller Ressourcen konfrontiert. Mit nur wenigen Journalisten, die sich der Berichterstattung zu Quartalszahlen widmeten, konnte AP lediglich rund 300 Quartalsberichte pro Quartal erstellen und konzentrierte sich dabei hauptsächlich auf große S&P-500-Unternehmen. Dieser manuelle Prozess war arbeitsintensiv: Reporter mussten Daten aus Finanzberichten extrahieren, Kennzahlen wie Umsatz, Gewinne und Wachstumsraten analysieren und unter engen Fristen prägnante Texte formulieren. Mit der Zunahme börsennotierter Unternehmen geriet AP zunehmend in die Lage, kleinere Firmen nicht abzudecken, sodass viele markt­relevante Informationen unberichtet blieben. Diese Beschränkung reduzierte nicht nur APs umfassende Marktabdeckung, sondern band Journalisten auch an monotone Aufgaben und verhinderte, dass sie investigativen Geschichten oder tiefergehenden Analysen nachgehen konnten. Der Druck während der Quartalssaison verschärfte diese Probleme, da viele Fristen gleichzeitig bei tausenden Unternehmen anstanden und skalierbare Berichterstattung ohne Innovation unmöglich machte.

Lösung

Um dem entgegenzuwirken, ging AP 2014 eine Partnerschaft mit Automated Insights ein und implementierte deren Wordsmith NLG-Plattform. Wordsmith verwendet template-basierte Algorithmen, um strukturierte Finanzdaten—wie Gewinn je Aktie, Umsatzzahlen und jährliche Veränderungen—in lesbaren, journalistischen Text zu überführen. Reporter geben verifizierte Daten aus Quellen wie Zacks Investment Research ein, und die KI erzeugt Entwürfe in Sekundenschnelle, die Menschen anschließend leicht für Genauigkeit und Stil redigieren. Die Lösung umfasste die Erstellung von kundenspezifischen NLG-Templates, die an den Stil der AP angepasst wurden, sodass die Artikel menschlich geschrieben wirkten und journalistischen Standards entsprachen. Dieser hybride Ansatz—KI für die Menge, Menschen für die Aufsicht—überwand Qualitätsbedenken. Bis 2015 kündigte AP an, die Mehrheit der US-Unternehmensberichterstattung zu Quartalszahlen zu automatisieren und die Abdeckung dramatisch zu skalieren, ohne das Personal proportional zu erhöhen.

Ergebnisse

  • 14-fache Steigerung der Quartalsberichte: 300 auf 4.200
  • Abdeckung ausgeweitet auf über 4.000 börsennotierte US-Unternehmen pro Quartal
  • Entspricht der Freisetzung von 20 Vollzeitreportern
  • Artikel werden in Sekunden statt in manuell benötigten Stunden veröffentlicht
  • Nach der Implementierung keine gemeldeten Fehler in automatisierten Artikeln
  • Dauerhafte Nutzung wurde auf Sport, Wetter und Lotterieberichte ausgeweitet
Fallstudie lesen →

Cleveland Clinic

Gesundheitswesen

Bei Cleveland Clinic, einem der größten akademischen Medizinzentren, kämpften Ärztinnen und Ärzte mit einer hohen Dokumentationslast und verbrachten bis zu 2 Stunden pro Tag mit elektronischen Gesundheitsakten (EHR), was Zeit für die Patientenversorgung reduzierte. Zusätzlich erschwerte die rechtzeitige Erkennung von Sepsis die Versorgung – eine Erkrankung, die in den USA jährlich fast 350.000 Todesfälle verursacht, wobei frühe, subtile Symptome traditionelle Überwachungsmethoden häufig umgehen und so Verzögerungen bei Antibiotika sowie 20–30% Sterblichkeit in schweren Fällen nach sich ziehen. Die Sepsis‑Erkennung beruhte weitgehend auf manuellen Vitalzeichenkontrollen und klinischem Ermessen und verpasste oft Warnsignale 6–12 Stunden vor Ausbruch. Die Einbindung unstrukturierter Daten wie klinischer Notizen war manuell und inkonsistent, was das Risiko auf stark frequentierten Intensivstationen weiter erhöhte.

Lösung

Die Cleveland Clinic führte einen Pilotversuch mit der KI‑Plattform von Bayesian Health durch – ein prädiktives Analyse‑Tool, das strukturierte und unstrukturierte Daten (Vitalwerte, Laborwerte, Notizen) mittels Machine Learning verarbeitet, um das Sepsis‑Risiko bis zu 12 Stunden früher vorherzusagen und Echtzeit‑EHR‑Alarme für das Klinikpersonal zu erzeugen. Das System nutzt fortgeschrittenes NLP, um klinische Dokumentation nach subtilen Hinweisen zu durchsuchen. Ergänzend testete die Klinik Ambient‑KI‑Lösungen wie Sprache‑zu‑Text‑Systeme (ähnlich Nuance DAX oder Abridge), die passiv Arzt‑Patienten‑Gespräche mitschneiden, NLP für Transkription und Zusammenfassung anwenden und EHR‑Notizen automatisch vorbefüllen, wodurch die Dokumentationszeit um 50% oder mehr sinken kann. Diese Tools wurden in Arbeitsabläufe integriert, um sowohl Vorhersage‑ als auch Verwaltungsaufwände zu reduzieren.

Ergebnisse

  • 12 Stunden frühere Sepsis‑Vorhersage
  • 32% Steigerung der Früherkennungsrate
  • 87% Sensitivität und Spezifität in den KI‑Modellen
  • 50% Reduktion der Dokumentationszeit von Ärztinnen und Ärzten
  • 17% weniger falsch‑positive Ergebnisse im Vergleich zur alleinigen Beurteilung durch Ärzte
  • Nach Pilotphase auf vollständige Einführung ausgeweitet (Sep 2025)
Fallstudie lesen →

Commonwealth Bank of Australia (CBA)

Bankwesen

Als Australiens größte Bank sah sich CBA zunehmenden Betrugs- und Scam-Bedrohungen gegenüber, wobei Kunden erhebliche finanzielle Verluste erlitten. Betrüger nutzten schnelle digitale Zahlungen wie PayID aus, bei denen nicht übereinstimmende Empfängernamen zu unumkehrbaren Überweisungen führten. Traditionelle Erkennungssysteme hinkten hinter komplexen Angriffen her, was zu hohem Kundenschaden und regulatorischem Druck führte. Parallel dazu waren die Contact Center überlastet und bearbeiteten Millionen von Anfragen zu Betrugswarnungen und Transaktionen. Das führte zu langen Wartezeiten, steigenden Betriebskosten und angespannten Ressourcen. CBA benötigte proaktive, skalierbare KI, um in Echtzeit einzugreifen und gleichzeitig die Abhängigkeit von menschlichen Agenten zu reduzieren.

Lösung

CBA setzte einen hybriden KI-Stack ein, der Maschinelles Lernen zur Anomalieerkennung und generative KI für personalisierte Warnungen kombiniert. NameCheck überprüft Empfängernamen gegen PayID in Echtzeit und warnt Nutzer bei Abweichungen. CallerCheck authentifiziert eingehende Anrufe und blockiert Nachahmungs-Betrugsversuche. In Partnerschaft mit H2O.ai implementierte CBA von GenAI angetriebene prädiktive Modelle zur Scam-Intelligence. Ein KI-virtueller Assistent in der CommBank-App bearbeitet Routineanfragen, generiert natürliche Antworten und eskaliert komplexe Fälle. Die Integration mit Apate.ai liefert nahezu in Echtzeit Scam-Intelligence und verbessert das proaktive Blockieren über alle Kanäle hinweg.

Ergebnisse

  • 70 % Reduktion der Betrugsverluste
  • 50 % Verringerung der Kundenschäden durch Betrug bis 2024
  • 30 % Rückgang der Betrugsfälle durch proaktive Warnungen
  • 40 % Reduktion der Wartezeiten im Contact Center
  • 95 %+ Genauigkeit bei NameCheck-Empfängerabgleichen
Fallstudie lesen →

UC San Francisco Health

Gesundheitswesen

Bei UC San Francisco Health (UCSF Health), einem der führenden akademischen Medizinzentren des Landes, sahen sich Klinikteams mit enormen Dokumentationslasten konfrontiert. Ärzt:innen verbrachten nahezu zwei Stunden mit Aufgaben im elektronischen Gesundheitsaktensystem (EHR) für jede Stunde direkter Patientenversorgung, was zu Burnout und vermindertem Patientenkontakt beitrug . In hoch-akuten Bereichen wie der ICU verschärfte sich die Lage: Das manuelle Durchforsten großer, komplexer Datenströme für Echtzeit-Erkenntnisse war fehleranfällig und verzögerte kritische Interventionen bei Patientenverschlechterungen . Das Fehlen integrierter Werkzeuge führte dazu, dass prädiktive Analytik kaum genutzt wurde; traditionelle regelbasierte Systeme erfassten feingliedrige Muster in multimodalen Daten (Vitalwerte, Laborwerte, Notizen) nicht zuverlässig. Das führte zu verpassten Frühwarnungen bei Sepsis oder Verschlechterungen, längeren Verweildauern und suboptimalen Ergebnissen in einem System, das Millionen von Begegnungen pro Jahr verarbeitet . UCSF wollte Ärzt:innen Zeit zurückgeben und gleichzeitig die Entscheidungsgenauigkeit verbessern.

Lösung

UCSF Health baute eine sichere, interne KI‑Plattform, die generative KI (LLMs) für „digitale Schreibassistenten“ nutzt, die Notizen, Nachrichten und Zusammenfassungen automatisch vorentwerfen und direkt in ihr Epic EHR integriert sind – dabei kommt GPT‑4 über Microsoft Azure zum Einsatz . Für prädiktive Anwendungsfälle wurden ML‑Modelle für Echtzeit‑ICU‑Verschlechterungswarnungen implementiert, die EHR‑Daten verarbeiten, um Risiken wie Sepsis vorherzusagen . In Partnerschaft mit H2O.ai für Document AI automatisierten sie die Extraktion unstrukturierter Daten aus PDFs und Scans und speisten diese sowohl in die Scribe‑ als auch in die Prädiktions‑Pipelines ein . Ein klinikerzentrierter Ansatz stellte HIPAA‑Konformität sicher: Modelle wurden auf de‑identifizierten Daten trainiert und durch Human‑in‑the‑loop‑Validierung abgesichert, um regulatorische Hürden zu überwinden . Diese ganzheitliche Lösung beseitigte sowohl administrative Lasten als auch Lücken in der klinischen Vorhersagefähigkeit.

Ergebnisse

  • 50% Reduktion der Nachtdokumentationszeit
  • 76% schnellere Notizerstellung mit digitalen Schreibassistenten
  • 30% Verbesserung der Genauigkeit bei ICU‑Verschlechterungs‑Vorhersagen
  • 25% Verringerung unerwarteter ICU‑Verlegungen
  • 2x mehr Face‑Time zwischen Klinikteam und Patient:innen
  • 80% Automatisierung der Verarbeitung von Überweisungsdokumenten
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