Die Herausforderung: Spesenanträge ausserhalb der Richtlinie

Für die meisten Finanzteams sind Spesenanträge ausserhalb der Richtlinie ein hartnäckiger blinder Fleck. Reisen, Kundenbewirtung, Abonnements und Ad-hoc-Einkäufe laufen über verschiedene Kanäle. Wenn Sie sie sehen, sind sie bereits im System – vermischt mit Hunderten oder Tausenden von konformen Positionen. Jede einzelne Zeile manuell gegen eine komplexe Richtlinie zu prüfen, ist schlicht nicht machbar.

Traditionelle Kontrollen basieren auf statischen Regeln in Spesentools und gelegentlichen manuellen Audits. Diese Regeln decken einfache Prüfungen wie tägliche Verpflegungspauschalen oder fehlende Belege ab, versagen aber, sobald Richtlinien nuanciert werden: stadtbezogene Hotelobergrenzen, kundenspezifische Ausnahmen, wiederholte Grenzfälle oder Ausgabemuster, die formal innerhalb der Limits liegen, aber klar missbräuchlich sind. Wenn sich Richtlinien weiterentwickeln, kämpfen IT und Finanzen damit, die Systemregeln mit der Realität synchron zu halten – es entstehen Lücken, die Mitarbeitende schnell und oft unbeabsichtigt ausnutzen.

Das Ergebnis ist erheblicher unkontrollierter Spend und Reibung. Nicht konforme Spesen rutschen durch und treiben T&E-Kosten in die Höhe – insbesondere bei Reisen, Beschaffung und Long-Tail-Softwareabonnements. Finanzteams verschwenden Stunden mit nachgelagerten Diskussionen, die das Vertrauen zu Mitarbeitenden und Führungskräften belasten. Das Management verliert die Echtzeitsicht auf Kostentreiber und kann Genehmigungsregeln nicht im grossen Massstab durchsetzen – das schwächt die Verhandlungsmacht gegenüber Anbietern und untergräbt übergeordnete Kostenkontrollprogramme.

Diese Herausforderung ist real, aber lösbar. Mit moderner KI-basierten Spesenkontrolle können Sie jede Spesenposition in Echtzeit prüfen, komplexe Richtlogik konsequent anwenden und Muster sichtbar machen, die Menschen nie erkennen würden. Bei Reruption haben wir Organisationen dabei unterstützt, von manuellen, reaktiven Prüfungen auf KI-first-Betriebskontrollen in anderen kritischen Bereichen wie Dokumentenanalyse und Compliance umzustellen. Im weiteren Verlauf dieser Seite zeigen wir Ihnen, wie Sie dieselbe Denkweise mit Gemini anwenden können, um Ihre Spesen ausserhalb der Richtlinie wieder unter Kontrolle zu bringen.

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 an KI-first-Internalsystemen und Dokumentenanalyse-Lösungen wissen wir, wie schnell manuelle Kontrollprozesse zu Engpässen werden. Diese Erfahrung auf Gemini für die Durchsetzung von Spesenrichtlinien anzuwenden, bedeutet, Gemini nicht als Chatbot, sondern als in Ihre Finanzprozesse eingebettete Reasoning-Engine zu verstehen: Es liest Belege und Rechnungen, interpretiert Ihre Richtlinie und markiert Abweichungen automatisch, bevor sie in Ihre Bücher gelangen.

Verankern Sie Gemini in einem klaren Spesen-Governance-Modell

Bevor Sie Gemini in Ihren Spesenprozess integrieren, benötigen Sie ein klares Governance-Modell: Wer definiert die Richtlinie, wer verantwortet Ausnahmen und wie werden Entscheidungen dokumentiert? KI kann keine unscharfe Richtlinie reparieren. Wenn regionale Hotelobergrenzen, Per-Diem-Regeln oder Schwellenwerte für Abonnementfreigaben unklar sind, wird Gemini diese Unschärfen widerspiegeln und uneinheitliche Markierungen erzeugen.

Beginnen Sie damit, Ihre Reise- und Spesenrichtlinie in einer einzigen, maschinenlesbaren „Source of Truth“ zu konsolidieren. Sie müssen nichts komplett neu schreiben, aber Ihre Regeln müssen so explizit sein, dass ein System sie interpretieren kann: numerische Limits, ortsspezifische Regeln, rollenbasierte Ausnahmen und Eskalationspfade. Wenn Gemini Spesenanträge gegen diese Struktur prüft, erhalten Sie konsistente, verteidigbare Entscheidungen statt ad-hoc-Urteile einzelner Genehmigender.

In Risikostufen denken, nicht in binären Freigaben

Ein rein binärer Ansatz (freigeben/ablehnen) ist für KI-gestützte Spesenkontrollen selten wirksam. Konzipieren Sie Ihre Gemini-Integration stattdessen rund um Risikostufen: geringes Risiko für Anträge, die automatisch genehmigt werden können, mittleres Risiko für Positionen, die eine Managerfreigabe erfordern, und hohes Risiko oder klar ausserhalb der Richtlinie liegende Ausgaben, die blockiert und eskaliert werden.

Diese risikobasierte Denkweise ermöglicht es, die lange Reihe routinemässiger, konformer Spesen zu automatisieren und die Aufmerksamkeit von Menschen auf das zu lenken, was wirklich zählt. Gemini ist hervorragend darin, schwache Signale zu aggregieren – leicht ungewöhnliche Händler, wiederholte Grenzfälle oder musterhafte Auffälligkeiten über Mitarbeitende hinweg – und sie in einen Risikowert zu übersetzen. Finance kann dann Schwellenwerte nach Region oder Geschäftsbereich setzen und diese anpassen, je mehr Vertrauen ins System entsteht.

Teams auf KI-unterstützte, nicht KI-gesteuerte Entscheidungen vorbereiten

Selbst mit einer starken Richtlinie müssen Finanzteams und Führungskräfte verstehen, dass Gemini ihr Urteilsvermögen ergänzt und nicht ersetzt. Zu starke Automatisierung in der Einführungsphase kann Widerstand erzeugen, wenn Mitarbeitende „die KI“ als undurchsichtige Instanz wahrnehmen, die legitime Anträge blockiert.

Setzen Sie die Erwartungen klar: Gemini hebt potenziell ausserhalb der Richtlinie liegende Positionen hervor, erklärt die Begründung in verständlicher Sprache und schlägt Massnahmen vor, aber die endgültigen Entscheidungen liegen zunächst bei Menschen. Geben Sie Genehmigenden und Finanzanalysten transparente Einblicke in die Bewertung durch Gemini – welche Regel angewendet wurde, welches Muster erkannt wurde –, damit sie lernen, den Empfehlungen zu vertrauen und bei Bedarf zu widersprechen.

Für kontinuierliches Lernen und Policy-Feedbackschleifen designen

Richtlinien und Verhaltensweisen ändern sich: neue Reiserouten, neue Anbieter, angepasste Benefits. Eine einmalige Konfiguration von KI-basierten Spesenkontrollen wird schnell veralten. Behandeln Sie Ihre Gemini-Implementierung als lebendes System, das aus Freigaben, Ablehnungen und Richtlinienanpassungen lernt.

Strategisch bedeutet das, klare Feedbacksignale zu definieren. Wenn Führungskräfte eine Markierung von Gemini als zulässig überstimmen, sollte diese Entscheidung beeinflussen, wie ähnliche zukünftige Anträge bewertet werden. Wenn Finance eine Richtlinie ändert – z. B. Senkung der Hotelobergrenzen in einer bestimmten Stadt –, benötigen Sie einen einfachen Workflow, um diese Änderung in die Policy-Prompts und Konfiguration von Gemini zu überführen. Mit der Zeit reduziert diese Feedbackschleife Fehlalarme und verbessert die Erkennung wirklich problematischer Ausgaben.

Compliance-, Datenschutz- und Audit-Anforderungen frühzeitig adressieren

Finanzdaten sind per Definition sensibel. Die Implementierung von Gemini für Spesenprüfungen berührt Belege, Kartentransaktionen und teilweise vertrauliche Kundeninformationen. Strategisch müssen Sie entscheiden, wo Daten verarbeitet werden, wie lange sie aufbewahrt werden und welche Nachweise Prüfer benötigen.

Arbeiten Sie früh mit Ihren Security-, Legal- und Compliance-Teams zusammen, um Rahmenbedingungen festzulegen: Datenresidenz, Protokollierungspflichten und wie KI-Entscheidungen dokumentiert werden. Gestalten Sie das System so, dass jede Gemini-Entscheidung nachvollziehbar ist – Eingaben, Begründungszusammenfassung und Ergebnis –, damit Sie Prüfern zeigen können, dass Ihre Kontrollen robust und erklärbar sind. Diese frühzeitige Abstimmung verhindert aufwendige Nacharbeiten und beschleunigt die Freigabe für einen Rollout über mehrere Gesellschaften hinweg.

Gemini für Spesenkontrollen ausserhalb der Richtlinie zu nutzen, bedeutet weniger, ein weiteres Tool hinzuzufügen, als vielmehr, die Art und Weise zu verändern, wie Richtlinien in Echtzeit angewendet werden: klare Governance, risikobasierte Kontrollen, transparente Entscheidungshilfen und kontinuierliches Lernen. Reruption’s KI-Engineering-Expertise und Co-Preneur-Ansatz sind genau auf diese Art eingebetteter, operativer Lösungen ausgelegt – wir arbeiten Seite an Seite mit Ihren Finanz- und IT-Teams, um von der Idee zu einem laufenden KI-Kontrollkreislauf zu kommen. Wenn Sie darüber nachdenken, Ihre Spesenprüfungen mit Gemini zu automatisieren, helfen wir Ihnen, die Machbarkeit schnell zu testen und funktionierende Ansätze zu skalieren, ohne Ihren bestehenden Finanz-Stack zu stören.

Hilfe bei der Umsetzung dieser Ideen?

Nehmen Sie gerne unverbindlich Kontakt zu uns auf.

Fallbeispiele aus der Praxis

Von E‑Commerce bis Gesundheitswesen: Erfahren Sie, wie Unternehmen Gemini erfolgreich einsetzen.

Forever 21

E‑Commerce

Forever 21, ein führender Fast‑Fashion‑Händler, stand vor erheblichen Herausforderungen bei der Online-Produktentdeckung. Kund:innen hatten Schwierigkeiten mit textbasierten Suchanfragen, die subtile visuelle Details wie Stoffstrukturen, Farbabstufungen oder genaue Styles in einem riesigen Katalog mit Millionen von SKUs nicht erfassen konnten. Das führte zu hohen Absprungraten von über 50 % auf Suchseiten und dazu, dass frustrierte Käufer:innen Warenkörbe verließen. Die visuell geprägte Natur der Modebranche verstärkte diese Probleme. Beschreibende Keywords passten oft nicht zum Inventar wegen subjektiver Begriffe (z. B. „boho dress“ vs. spezifische Muster), was zu schlechten Nutzererlebnissen und verpassten Verkaufschancen führte. Vor dem Einsatz von KI basierte Forever 21s Suche auf einfachem Keyword‑Matching, was Personalisierung und Effizienz in einem wettbewerbsintensiven E‑Commerce‑Umfeld begrenzte. Zu den Implementierungsherausforderungen zählten das Skalieren für viele mobile Nutzer:innen und das Handling vielfältiger Bildinputs wie Nutzerfotos oder Screenshots.

Lösung

Um dem entgegenzuwirken, führte Forever 21 eine KI‑gestützte visuelle Suche in App und Website ein, die Nutzer:innen ermöglicht, Bilder hochzuladen und so ähnliche Artikel zu finden. Mithilfe von Computervision-Techniken extrahiert das System Merkmale mit vortrainierten CNN‑Modellen wie VGG16, berechnet Embeddings und rankt Produkte über Metriken wie Cosinus‑Ähnlichkeit oder euklidische Distanz. Die Lösung integrierte sich nahtlos in die bestehende Infrastruktur und verarbeitete Anfragen in Echtzeit. Forever 21 arbeitete wahrscheinlich mit Anbietern wie ViSenze zusammen oder baute die Lösung intern auf und trainierte auf firmeneigenen Katalogdaten für mode­spezifische Genauigkeit. Dadurch wurden die Grenzen textbasierter Suche überwunden, indem der Fokus auf visuelle Semantik gelegt wurde, mit Unterstützung für Stil-, Farb‑ und Musterabgleich. Herausforderungen wie das Feinabstimmen der Modelle für unterschiedliche Beleuchtungen und Nutzerbilder sowie A/B‑Tests zur UX‑Optimierung wurden systematisch adressiert.

Ergebnisse

  • 25% Steigerung der Conversion-Raten durch visuelle Suchen
  • 35% Reduktion der durchschnittlichen Suchzeit
  • 40% höhere Engagement‑Rate (Seiten pro Sitzung)
  • 18% Wachstum im durchschnittlichen Bestellwert
  • 92% Matching‑Genauigkeit für ähnliche Artikel
  • 50% Rückgang der Absprungrate auf Suchseiten
Fallstudie lesen →

Unilever

Personalwesen

Unilever, ein Riese im Konsumgüterbereich, der jährlich 1,8 Millionen Bewerbungen bearbeitet, kämpfte mit einem manuellen Rekrutierungsprozess, der extrem zeitaufwendig und ineffizient war . Traditionelle Methoden dauerten bis zu vier Monate, um Positionen zu besetzen, was Recruiter überlastete und die Talentgewinnung in den globalen Einheiten verzögerte . Der Prozess barg zudem das Risiko unbewusster Verzerrungen bei der Sichtung von Lebensläufen und Interviews, schränkte die Workforce-Diversität ein und ließ potenziell geeignete Kandidaten aus unterrepräsentierten Gruppen übersehen . Hohe Volumina machten eine gründliche Bewertung jeder Bewerbung unmöglich, führten zu jährlichen Kosten in geschätzter Millionenhöhe und zu inkonsistenter Einstellungsqualität . Unilever benötigte ein skalierbares, faires System, um das Screening in frühen Phasen zu straffen und gleichzeitig psychometrische Strenge zu wahren.

Lösung

Unilever implementierte einen KI-gestützten Rekrutierungstrichter in Partnerschaft mit Pymetrics für neuro-wissenschaftlich basierte gamifizierte Assessments, die kognitive, emotionale und verhaltensbezogene Merkmale mittels ML-Algorithmen messen, die auf vielfältigen globalen Daten trainiert sind . Darauf folgten KI-analysierte Video-Interviews unter Einsatz von Computer Vision und NLP, um Körpersprache, Gesichtsausdrücke, Stimmlage und Wortwahl objektiv zu bewerten . Bewerbungen wurden anonymisiert, um Verzerrungen zu minimieren; die KI kürzte die Liste auf die Top 10–20 % der Kandidaten für die menschliche Prüfung und integrierte psychometrische ML-Modelle zur Persönlichkeitsprofilierung . Das System wurde zuerst bei volumenstarken Einstiegsrollen pilotiert, bevor es global ausgerollt wurde .

Ergebnisse

  • Time-to-hire: 90 % Reduktion (4 Monate auf 4 Wochen)
  • Recruiter time saved: 50.000 Stunden
  • Annual cost savings: £1 Million
  • Diversity hires increase: 16 % (inkl. neuro-atypischer Kandidaten)
  • Candidates shortlisted for humans: 90 % Reduktion
  • Applications processed: 1,8 Millionen/Jahr
Fallstudie lesen →

Capital One

Bankwesen

Capital One sah sich mit einem hohen Volumen routinemäßiger Kundenanfragen konfrontiert, die ihre Callcenter überschwemmten – darunter Kontostände, Transaktionshistorien und grundlegende Supportanfragen. Das führte zu steigenden Betriebskosten, Überlastung der Agenten und frustrierenden Wartezeiten für Kunden, die sofortige Hilfe erwarteten. Traditionelle Callcenter arbeiteten nur eingeschränkt rund um die Uhr und konnten die Anforderungen an 24/7-Verfügbarkeit im wettbewerbsintensiven Bankenmarkt, in dem Tempo und Komfort zentral sind, nicht erfüllen. Zusätzlich erschwerten die branchenspezifische Finanzterminologie und regulatorische Vorgaben die Lage, wodurch Standard-AI-Lösungen unzureichend waren. Kunden erwarteten personalisierte, sichere Interaktionen, doch die Skalierung menschlicher Unterstützung war angesichts der wachsenden Nutzung digitaler Bankangebote nicht nachhaltig.

Lösung

Capital One begegnete diesen Problemen durch die Entwicklung von Eno, einem proprietären konversationellen KI-Assistenten, der auf firmeneigener NLP beruht und für Banking-Vokabular angepasst wurde. Ursprünglich 2017 als SMS-Chatbot eingeführt, wurde Eno auf mobile Apps, Weboberflächen und Sprachintegration mit Alexa ausgeweitet und ermöglicht Multichannel-Support per Text oder Sprache für Aufgaben wie Kontostandsabfragen, Ausgabenanalysen und proaktive Benachrichtigungen. Das Team meisterte die Terminologie-Herausforderungen durch die Entwicklung domänenspezifischer NLP-Modelle, die auf Capital One–Daten trainiert wurden und so natürliche, kontextbewusste Gespräche gewährleisteten. Eno eskaliert komplexe Anfragen nahtlos an Agenten und bietet gleichzeitig Betrugsschutz durch Echtzeitüberwachung – bei gleichbleibend hohen Sicherheitsstandards.

Ergebnisse

  • 50% Reduzierung des Callcenter-Kontaktvolumens bis 2024
  • Rund-um-die-Uhr-Verfügbarkeit, die jährlich Millionen von Interaktionen abwickelt
  • Über 100 Millionen verarbeitete Kundengespräche
  • Bedeutende Einsparungen bei den Betriebskosten im Kundenservice
  • Beinahe sofortige Antwortzeiten bei Routineanfragen
  • Verbesserte Kundenzufriedenheit durch personalisierten Support
Fallstudie lesen →

Visa

Zahlungsverkehr

Die Zahlungsbranche sah sich einem Anstieg an Online-Betrug gegenüber, insbesondere Enumeration-Angriffen, bei denen Angreifer automatisierte Skripte und Botnetze einsetzen, um gestohlene Kartendaten in großem Umfang zu testen. Diese Angriffe nutzen Schwachstellen bei Transaktionen ohne Kartenpräsenz (card-not-present) aus und verursachen weltweit jährliche Betrugsverluste in Höhe von 1,1 Mrd. $ sowie erhebliche Betriebskosten für Emittenten. Visa benötigte Echtzeiterkennung, um dem entgegenzuwirken, ohne hohe False-Positive-Raten zu erzeugen, die legitime Kundinnen und Kunden blockieren — insbesondere vor dem Hintergrund steigender E‑Commerce‑Volumina wie bei Cyber Monday-Spitzen. Traditionelle Betrugssysteme kämpften mit der Geschwindigkeit und Raffinesse dieser Angriffe, verstärkt durch KI-gesteuerte Bots. Die Herausforderung für Visa bestand darin, riesige Transaktionsdaten in Millisekunden zu analysieren, anomalische Muster zu erkennen und gleichzeitig nahtlose Nutzererfahrungen beizubehalten. Dafür waren fortgeschrittene KI- und Machine‑Learning‑Lösungen nötig, um Risiken präzise vorherzusagen und zu bewerten.

Lösung

Visa entwickelte den Visa Account Attack Intelligence (VAAI) Score, ein generative KI‑gestütztes Tool, das in Echtzeit die Wahrscheinlichkeit von Enumeration-Angriffen bei Transaktionen ohne Kartenpräsenz bewertet. Durch die Kombination von generativen KI‑Komponenten mit Machine‑Learning‑Modellen erkennt VAAI ausgeklügelte Muster von Botnetzen und Skripten, die legacy, regelbasierte Systeme umgehen. In Visa's breiterem KI-getriebenen Betrugs-Ökosystem, einschließlich Identity Behavior Analysis, verbessert die Lösung das Risikoscoring durch verhaltensbasierte Erkenntnisse. Zunächst 2024 für US‑Emittenten eingeführt, reduziert sie sowohl Betrug als auch falsche Ablehnungen und optimiert die Betriebsabläufe. Dieser Ansatz ermöglicht Emittenten, Bedrohungen in bislang ungekanntem Umfang proaktiv zu mindern.

Ergebnisse

  • 40 Mrd. $ an Betrug verhindert (Okt 2022–Sep 2023)
  • Fast 2x Steigerung YoY bei der Betrugsprävention
  • 1,1 Mrd. $ jährlich an globalen Verlusten durch Enumeration-Angriffe adressiert
  • 85 % mehr betrügerische Transaktionen an Cyber Monday 2024 YoY blockiert
  • 200 % Anstieg an Betrugsversuchen ohne Serviceunterbrechung abgewickelt
  • Verbesserte Genauigkeit des Risikoscorings durch ML und Identity Behavior Analysis
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 →

Best Practices

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

Zentralisieren Sie Ihre Richtlinie und konvertieren Sie sie in Gemini-lesbare Regeln

Beginnen Sie mit dem Einsammeln aller relevanten Reise- und Spesenrichtlinien: globale Richtlinie, regionale Ergänzungen, Betriebsvereinbarungen und Ausnahmen für bestimmte Rollen oder Teams. Bereinigen Sie Duplikate und Widersprüche – Gemini kann komplexe Logik verarbeiten, aber nur, wenn die Quelle konsistent ist.

Übersetzen Sie anschliessend die wichtigsten Teile in strukturierte Prompts und Konfigurationen, die Gemini konsistent anwenden kann. Definieren Sie beispielsweise stadtbezogene Hotelobergrenzen, Per-Diem-Sätze, Alkoholregeln und Genehmigungsschwellen in einem strukturierten Dokument (JSON, YAML oder strukturierter Text), das Ihre Integrationsschicht mit jedem Spesenantrag an Gemini übergibt.

Beispiel für einen System-Prompt für Gemini:
Sie sind eine Spesenrichtlinien-Engine für die ACME Group.
Wenden Sie die folgenden Regeln auf jede einzelne Spesenposition an:
- Hotelobergrenzen pro Nacht (inkl. Steuern) nach Stadt und Land
- Verpflegungspauschalen pro Tag nach Land und Rolle
- Alkohol wird nicht erstattet, ausser bei Kundendinnern mit anwesender VP+ Führungskraft
- Abonnements über 50 EUR/Monat erfordern eine vorherige Genehmigungs-ID
Geben Sie zurück:
- policy_compliance: COMPLIANT / BORDERLINE / NON_COMPLIANT
- violated_rules: Liste von Regel-IDs
- explanation: kurze Zusammenfassung in natürlicher Sprache für die Mitarbeitenden

Durch die Externalisierung der Regeln kann Finance Richtlinientexte und Parameter aktualisieren, ohne das gesamte System neu ausrollen zu müssen – Gemini arbeitet stets mit der jeweils aktuellen Version, die Ihre Integration übergibt.

Automatisieren Sie Positionenklassifizierung und Belegabgleich

Integrieren Sie Gemini mit Ihrem Spesenmanagement-System (z. B. via API oder Middleware), um jeden eingereichten Antrag zu verarbeiten. Der Workflow sollte Text und Struktur aus Belegen extrahieren und sie mit Kartentransaktionen und benutzerdefinierten Kategorien abgleichen, bevor jemand den Bericht zu sehen bekommt.

Nutzen Sie Gemini, um Händlertyp, Spesenkategorie und Ort zu erkennen – auch dann, wenn Belege unübersichtlich oder in verschiedenen Sprachen sind. Eine Position aus dem Hotelrestaurant kann zum Beispiel als „Mahlzeit“ klassifiziert werden, während die Zimmerrechnung als „Unterkunft“ gilt. Gemini kann ausserdem prüfen, ob der Beleg zum gleichen Datum, Händler und ungefähren Betrag wie die Kartentransaktion gehört.

Prompt-Ausschnitt für die Klassifizierung:
Klassifizieren Sie diesen Beleg in:
- expense_type (hotel, meal, taxi, ride-sharing, subscription, other)
- city, country
- currency
- is_personal_charge (yes/no)
- suspicious_signals (Liste)

Spielen Sie die Klassifizierungsergebnisse zurück in Ihr Spesentool, sodass Genehmigende saubere, standardisierte Kategorien und einen ersten Compliance-Status sehen, der die manuelle Prüfzeit deutlich reduziert.

Implementieren Sie Echtzeit-Risikobewertung und Routing-Regeln

Gehen Sie über reine Regelprüfungen hinaus und konfigurieren Sie Gemini so, dass ein Risikowert für jeden Spesenbericht oder sogar jede einzelne Position generiert wird. Kombinieren Sie klassische Faktoren (Betrag, Länderrisiko, Mitarbeitendenrolle) mit von der KI erkannten Mustern (runde Beträge, wiederholte Spesen zur gleichen Tageszeit, Abfolge ähnlicher Händler) für ein nuancierteres Bild.

Nutzen Sie diesen Score, um das Routing in Ihrer bestehenden Workflow-Engine zu steuern. Beispielsweise werden Spesen mit einem Risikowert < 20 automatisch genehmigt, wenn sie auch die grundlegenden Systemregeln erfüllen; 20–60 werden an die direkte Führungskraft weitergeleitet; > 60 gehen mit einer detaillierten Erklärung von Gemini zur weiteren Prüfung an Finance.

Beispielschema für Gemini-Ausgaben:
{
  "risk_score": 72,
  "risk_factors": [
    "Mehrere Verpflegungsanträge am selben Abend",
    "Händlerkategorie für Geschäftsreisen untypisch",
    "Ähnlicher Antrag wurde letzten Monat abgelehnt"
  ],
  "recommendation": "An Finance Controller eskalieren",
  "explanation": "Die Mitarbeiterin/der Mitarbeiter hat 3 Abendessen am selben Datum in derselben Stadt eingereicht..."
}

Genehmigende erhalten sofort strukturierte Kontextinformationen und können so schneller und besser dokumentierte Entscheidungen treffen.

Policy-Verstösse und Muster in Dashboards sichtbar machen

Nutzen Sie die strukturierten Ausgaben von Gemini, um Dashboards zur Spesen-Compliance in Ihrem BI-Tool aufzubauen. Statt generischer T&E-Ausgabengrafiken können Sie spezifische Kategorien ausserhalb der Richtlinie verfolgen: Hotelüberschreitungen nach Stadt, nächtliche Fahrdienste, Abonnements ohne Genehmigungs-IDs oder wiederholte Grenzfälle nach Abteilung.

Aggregieren Sie Geminis Verstoss-Tags und Erklärungen in Kennzahlen wie „% Berichte mit mindestens einem Verstoss“, „Top 10 Händler nach nicht konformen Ausgaben“ oder „Abteilungen mit der höchsten Rate an Richtlinienverstössen“. Verknüpfen Sie diese Daten mit Ihren Kostenkontrollmassnahmen, damit Finance und Business-Verantwortliche erkennen, wo Schulung, Verhandlung oder Richtlinienänderungen den grössten Effekt haben.

Beispiele für Kennzahldefinitionen:
- non_compliant_amount_share = non_compliant_amount / total_expense_amount
- avg_violations_per_report = total_violations / number_of_reports
- top_violation_types = count_by(violation_type)

Diese Dashboards übersetzen KI-Erkennungen in konkrete Massnahmen – von der Anpassung von Hotelobergrenzen in bestimmten Städten bis hin zur Modifikation von Reiserichtlinien für ausgewählte Teams.

Transparente Erklärungen für Mitarbeitende und Genehmigende bereitstellen

Konfigurieren Sie Gemini so, dass es nicht nur Probleme markiert, sondern kurze, verständliche Erklärungen erzeugt, die direkt in Ihrem Spesentool angezeigt werden. Das reduziert Rückfragen per E-Mail und sorgt dafür, dass Richtliniendurchsetzung als fair und nicht willkürlich wahrgenommen wird.

Wenn eine Position markiert wird, zeigen Sie Geminis Erklärung und die konkrete Regelreferenz an. Zum Beispiel:

Beispiel für einen Erklärungs-Prompt:
Erklären Sie der Mitarbeiterin/dem Mitarbeiter in 2–3 Sätzen, warum diese Spese möglicherweise nicht konform ist.
Verwenden Sie klare, neutrale Sprache und verweisen Sie auf die Regel-ID und die relevanten Schwellenwerte.

Und das Ergebnis:

"Dieses Abendessen überschreitet die maximale Verpflegungspauschale von 40 EUR pro Person (Regel MEAL-3)
für Deutschland. Der Gesamtbetrag inklusive Getränke liegt bei 78 EUR pro Person. Bitte passen Sie den
Antrag auf den zulässigen Betrag an oder begründen Sie die Überschreitung (z. B. Kundendinner)."

Klare Erklärungen reduzieren Streitfälle und helfen Mitarbeitenden, ihr Verhalten im Zeitverlauf selbst zu korrigieren – was Versuche, ausserhalb der Richtlinie abzurechnen, weiter senkt.

Führen Sie einen KI-PoC durch, bevor Sie auf alle Einheiten skalieren

Bevor Sie Gemini-basierte Spesenkontrollen in der gesamten Organisation ausrollen, sollten Sie den Ansatz in einem fokussierten Proof of Concept validieren. Wählen Sie eine Geschäftseinheit, einen Ausschnitt von Spesentypen (z. B. nur Reisen) und ein Zeitfenster von 4–8 Wochen, um die Performance zu messen.

Definieren Sie konkrete KPIs: Anteil der Berichte, die vollständig automatisch genehmigt werden, Reduktion der manuellen Prüfzeit pro Bericht, Erkennungsrate bisher übersehener Verstösse und Fehlalarmquote. Nutzen Sie diese Kennzahlen, um Prompts, Schwellenwerte und Routing-Regeln zu verfeinern. Sobald der PoC Mehrwert und akzeptable Risikoniveaus nachweist, haben Sie eine fundierte Basis, um breitere Zustimmung zu sichern und einen stufenweisen Rollout zu planen.

Erwartbare Ergebnisse bei guter Umsetzung: 30–60 % weniger manuelle Positionsprüfungen, 20–40 % Rückgang von T&E-Ausgaben ausserhalb der Richtlinie in fokussierten Kategorien innerhalb von 6–12 Monaten und deutlich weniger nachgelagerte Streitfälle – weil potenzielle Probleme in Echtzeit erkannt und erklärt werden, statt erst in verspäteten Audits.

Brauchen Sie jetzt Umsetzungskompetenz?

Lassen Sie uns über Ihre Ideen sprechen!

Häufig gestellte Fragen

Gemini analysiert jede einzelne Spesenposition zusammen mit Belegen, Kartentransaktionen und Ihren Richtlinienregeln. Es prüft Beträge gegen Limits (z. B. Hotelobergrenzen nach Stadt), validiert erforderliche Metadaten (Zweck, Teilnehmende, Genehmigungs-IDs) und sucht nach ungewöhnlichen Mustern über Zeit, Händler und Mitarbeitende hinweg.

Statt sich nur auf statische Regeln in Ihrem Spesentool zu stützen, kann Gemini unübersichtliche Belege interpretieren, Kategorien ableiten und grenzwertiges oder verdächtiges Verhalten hervorheben. Anschliessend gibt es einen Compliance-Status, einen Risikowert und eine Erklärung zurück, die Ihr Spesensystem nutzen kann, um Anträge automatisch zu genehmigen, zur Prüfung zu routen oder zu blockieren.

Die Implementierung umfasst in der Regel drei Elemente: API-Integration, die Abbildung der Richtlinie und die Konfiguration der Workflows. Technisch benötigen Sie eine Möglichkeit, damit Ihr Spesentool oder eine Middleware Spesendaten und Belege an Gemini sendet, strukturierte Compliance-Ergebnisse empfängt und diese wieder in die Spesendatensätze zurückschreibt.

Auf der Business-Seite stellt Finance die Reise- und Spesenrichtlinie bereit, identifiziert zentrale Kontrollen (z. B. Hotelobergrenzen, Abonnementfreigaben) und hilft, Entscheidungsregeln auf Basis der Gemini-Ausgaben zu definieren. Mit einem klar abgegrenzten Scope kann eine erste Integration oft in wenigen Wochen prototypisch umgesetzt und nach Validierung der Ergebnisse für den Produktivbetrieb gehärtet werden.

In einem gut abgegrenzten Pilotprojekt sehen Organisationen typischerweise bereits innerhalb von 4–8 Wochen nach Implementierung eine signifikante Reduktion des manuellen Prüfaufwands. Viele routinemässige, risikoarme Spesen können mit hoher Sicherheit automatisch genehmigt werden, während höher riskante Positionen klar markiert und mit Erklärungen versehen werden, was Entscheidungen beschleunigt.

Hinsichtlich Kostenkontrolle ist es realistisch, in ausgewählten Kategorien (z. B. Hotels, Mahlzeiten, Abonnements) eine Reduktion von 20–40 % der T&E-Ausgaben ausserhalb der Richtlinie über 6–12 Monate anzupeilen – getrieben durch frühere Erkennung, bessere Transparenz und Verhaltensänderungen. Die exakten Werte hängen von Ihrem aktuellen Durchsetzungsniveau, vorhandenen Tools und davon ab, wie konsequent Sie Schwellenwerte und Regeln einstellen.

Finanzdaten sind sensibel, daher muss jede Gemini-Einführung für Spesenkontrolle Ihre Anforderungen an Datenschutz, Revision und Regulierung erfüllen. Das umfasst typischerweise die Klärung, wo Daten verarbeitet werden, wie lange Inhalte und Protokolle aufbewahrt werden und wie KI-Entscheidungen dokumentiert werden.

Ein robustes Setup stellt sicher, dass jede KI-Bewertung nachvollziehbar ist: Eingaben (wo möglich anonymisiert), angewandte Richtlinienregeln, Risikowert und finale Empfehlung. Diese Protokolle können in Ihren bestehenden Systemen für Audit-Trails gespeichert werden. Reruption arbeitet mit Ihren Security-, Legal- und Compliance-Teams zusammen, um Architektur und Konfiguration vor dem Skalieren der Lösung mit internen und externen Anforderungen in Einklang zu bringen.

Reruption verbindet tiefe KI-Engineering-Expertise mit einem Co-Preneur-Mindset – wir arbeiten in Ihrer P&L, nicht nur in Präsentationen. Für diesen Use Case ist unser KI-PoC-Angebot für 9.900 € häufig der beste Einstieg: Wir helfen Ihnen, den Scope der Spesenkontrolle zu definieren, die technische Machbarkeit mit Gemini zu bewerten und einen funktionierenden Prototypen zu bauen, der mit Ihren bestehenden Tools integriert ist.

Darauf aufbauend unterstützen wir Sie bei der Härtung der Lösung für den Produktiveinsatz: Verfeinerung der Policy-Prompts, Optimierung der Risikoschwellen, Design der Dashboards und Integration in Ihre Finanz- und Compliance-Workflows. Da wir eher wie Mitgründer als wie externe Berater agieren, bleiben wir so lange beteiligt, bis die neuen KI-basierten Kontrollen tatsächlich live, messbar und von Ihrem Finanzteam und den Stakeholdern akzeptiert sind.

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