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.

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 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.

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 Technologie bis Luft- und Raumfahrt: Erfahren Sie, wie Unternehmen Claude erfolgreich einsetzen.

IBM

Technologie
In einer weltweiten Belegschaft von mehr als 280.000 Mitarbeitenden kämpfte IBM mit hohen Mitarbeiterfluktuationsraten, insbesondere bei Leistungsträgern und Schlüsselpersonal. Die Kosten für die Ersetzung einer einzelnen Fachkraft – inklusive Rekrutierung, Onboarding und Produktivitätsverlust – können $4.000–$10.000 pro Einstellung übersteigen, was in einem umkämpften Tech-Arbeitsmarkt die Verluste verstärkt.

Lösung

IBM entwickelte ein prädiktives Fluktuations-ML-Modell auf Basis der Watson-KI-Plattform und analysierte 34+ HR-Variablen wie Alter, Gehalt, Überstunden, Stellenfunktion, Leistungsbewertungen und Entfernung vom Wohnort anhand eines anonymisierten Datensatzes von 1.470 Mitarbeitenden. Algorithmen wie logistische Regression, Entscheidungsbäume, Random Forests und Gradient Boosting wurden trainiert, um Mitarbeitende mit hoher Weggangsgefährdung zu identifizieren, und erreichten eine 95%ige Genauigkeit bei der Vorhersage, wer innerhalb von sechs Monaten das Unternehmen verlassen würde.

Ergebnisse

  • 95% Genauigkeit bei der Vorhersage von Mitarbeiterfluktuation
  • Verarbeitete 1.470+ Mitarbeiterdatensätze mit 34 Variablen
  • 93% Genauigkeit im optimierten Extra-Trees-Modell
  • Reduzierte Einstellungskosten durch Vermeidung wertvoller Abgänge
  • Potenzielle Jährliche Einsparungen von über $300M durch verbesserte Bindung (berichtet)
Fallstudie lesen →

NVIDIA

Halbleiter
In Halbleiterfertigung ist das Chip-Floorplanning — die Aufgabe, Makros und Schaltungen auf einem Die anzuordnen — berüchtigt komplex und NP-schwer. Selbst erfahrene Ingenieur:innen verbringen Monate damit, Layouts iterativ zu verfeinern, um Leistung, Performance und Fläche (PPA) auszubalancieren, wobei sie Kompromisse wie Minimierung der Leiterlänge, Dichtebeschränkungen und Routbarkeit austarieren.

Lösung

NVIDIA setzte Deep Reinforcement Learning (DRL) ein, um Floorplanning als sequentiellen Entscheidungsprozess zu modellieren: Ein Agent platziert Makros nacheinander und lernt optimale Strategien durch Ausprobieren. Graph Neural Networks (GNNs) kodieren den Chip als Graph, erfassen räumliche Beziehungen und sagen Auswirkungen von Platzierungen voraus. Der Agent nutzt ein Policy-Netzwerk, das auf Benchmarks wie MCNC und GSRC trainiert wurde, mit Belohnungen, die Half-Perimeter Wirelength (HPWL), Stau und Überlappungen bestrafen.

Ergebnisse

  • Designzeit: 3 Stunden für 2,7M Zellen vs. Monate manuell
  • Chip-Größe: 2,7 Millionen Zellen, 320 optimierte Makros
  • PPA-Verbesserung: Besser oder vergleichbar mit menschlichen Entwürfen
  • Trainingseffizienz: Unter 6 Stunden Gesamtaufwand für Produktionslayouts
  • Benchmark-Erfolg: Übertrifft auf MCNC/GSRC-Suiten
  • Beschleunigung: 10–30 % schnellere Schaltungen in verwandten RL-Designs
Fallstudie lesen →

Klarna

BNPL
Klarna, ein führender Fintech-BNPL-Anbieter, stand unter enormem Druck durch Millionen von Kundenanfragen in mehreren Sprachen für seine 150 Millionen Nutzer weltweit. Die Anfragen reichten von komplexen Fintech-Themen wie Rückerstattungen, Retouren, Sendungsverfolgung bis hin zu Zahlungen und erforderten hohe Genauigkeit, regulatorische Konformität und 24/7-Verfügbarkeit.

Lösung

Klarna arbeitete mit OpenAI zusammen, um einen generativen KI-Chatbot auf Basis von GPT-4 als mehrsprachigen Kundenservice-Assistenten einzusetzen. Der Bot bearbeitet Rückerstattungen, Retouren, Bestellprobleme und fungiert als konversationeller Einkaufsberater, nahtlos in Klarna's App und Website integriert.

Ergebnisse

  • 2/3 aller Kundenservice-Chats werden von KI bearbeitet
  • 2,3 Millionen Konversationen im ersten Monat allein
  • Lösungszeit: 11 Minuten → 2 Minuten (82% Reduktion)
  • CSAT: 4,4/5 (KI) vs. 4,2/5 (Menschlich)
  • 40 Mio. US-Dollar jährliche Kosteneinsparungen
  • Entspricht 700 Vollzeit-Angestellten
  • Über 80% der Anfragen werden ohne menschliches Eingreifen gelöst
Fallstudie lesen →

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 .

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 .

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 →

Nubank

Digitales Banking
Nubank, die größte digitale Bank Lateinamerikas, die 114 Millionen Kunden in Brasilien, Mexiko und Kolumbien betreut, stand unter enormem Druck, den Kundensupport angesichts des explosiven Wachstums zu skalieren. Traditionelle Systeme kamen mit dem hohen Volumen an Tier‑1‑Anfragen nicht zurecht, was zu längeren Wartezeiten und inkonsistenter Personalisierung führte, während die Betrugserkennung eine Echtzeitanalyse riesiger Transaktionsdaten von über 100 Millionen Nutzern erforderte.

Lösung

Nubank integrierte OpenAI GPT-4‑Modelle in sein Ökosystem für einen generativen KI‑Chatassistenten, einen Copilot für Callcenter und eine fortschrittliche Betrugserkennung, die NLP und Computer Vision kombiniert. Der Chatassistent löst autonom Tier‑1‑Probleme, während der Copilot menschliche Agenten mit Echtzeit‑Insights unterstützt.

Ergebnisse

  • 55 % der Tier‑1‑Supportanfragen werden autonom von KI bearbeitet
  • 70 % Reduktion der Chat‑Antwortzeiten
  • Mehr als 5.000 Mitarbeitende nutzen bis 2025 interne KI‑Tools
  • 114 Millionen Kunden profitieren von personalisiertem KI‑Service
  • Echtzeit‑Betrugserkennung für über 100 Mio. Transaktionsanalysen
  • Deutlicher Effizienzschub in den Callcentern
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.

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 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