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 Bankwesen bis Telekommunikation: Erfahren Sie, wie Unternehmen Gemini erfolgreich einsetzen.

Upstart

Bankwesen

Traditionelle Kreditbewertung stützt sich stark auf FICO-Scores, die nur einen engen Faktorensatz wie Zahlungsverhalten und Kreditnutzung bewerten und dadurch häufig kreditwürdige Antragsteller mit dünnen Kreditakten, nicht-traditioneller Beschäftigung oder Bildungswegen, die Rückzahlungsfähigkeit signalisieren, ablehnen. Das führt dazu, dass bis zu 50 % der potenziellen Antragsteller trotz geringem Ausfallrisiko abgelehnt werden, was die Fähigkeit der Kreditgeber einschränkt, Portfolios sicher zu erweitern. Fintech-Kreditgeber und Banken standen vor der Doppelaufgabe, regulatorische Anforderungen gemäß Fair-Lending-Gesetzen einzuhalten und gleichzeitig zu wachsen. Legacy-Modelle hatten Schwierigkeiten mit ungenauer Risikovorhersage in Zeiten wirtschaftlicher Veränderungen, was zu höheren Ausfällen oder zu konservativer Kreditvergabe führte und Chancen in unterversorgten Märkten verpasste. Upstart erkannte, dass die Einbeziehung von alternativen Daten die Vergabe an Millionen zuvor ausgeschlossener Personen ermöglichen könnte.

Lösung

Upstart entwickelte eine KI-gestützte Kreditplattform, die Modelle des maschinellen Lernens einsetzt, um über 1.600 Variablen zu analysieren — darunter Bildungsabschluss, Berufsverlauf und Banktransaktionsdaten, weit über FICOs 20–30 Eingaben hinaus. Ihre Gradient-Boosting-Algorithmen sagen die Ausfallwahrscheinlichkeit mit höherer Präzision voraus und ermöglichen so sicherere Bewilligungen. Die Plattform integriert sich über API mit Partnerbanken und Kreditgenossenschaften und liefert Echtzeitentscheide sowie für die meisten Kredite vollautomatisierte Zeichnung. Dieser Wechsel von regelbasiertem zu datengetriebenem Scoring sichert Fairness durch erklärbare KI-Techniken wie Merkmalswichtungs-Analysen. Die Implementierung umfasste das Training von Modellen an Milliarden von Rückzahlungsereignissen und kontinuierliches Nachtrainieren zur Anpassung an neue Datenmuster.

Ergebnisse

  • 44% mehr genehmigte Kredite im Vergleich zu traditionellen Modellen
  • 36% niedrigere durchschnittliche Zinssätze für Kreditnehmer
  • 80% der Kredite vollständig automatisiert
  • 73% weniger Verluste bei gleichen Genehmigungsraten
  • Bis 2024 von 500+ Banken und Kreditgenossenschaften übernommen
  • 157% Anstieg der Genehmigungen auf gleichem Risikoniveau
Fallstudie lesen →

BMW (Spartanburg Plant)

Automobilproduktion

Die BMW Spartanburg Plant, das weltweit größte Werk des Unternehmens zur Produktion der X‑Serie‑SUVs, stand unter großem Druck, die Montageprozesse angesichts steigender Nachfrage nach SUVs und gestörter Lieferketten zu optimieren. Die traditionelle Fertigung setzte stark auf menschliche Arbeitskräfte für repetitive Tätigkeiten wie Teiletransport und Einbau, was zu Arbeiterermüdung, Fehlerquoten von bis zu 5–10% bei Präzisionsaufgaben und ineffizienter Ressourcenzuteilung führte. Bei über 11.500 Mitarbeitern, die die Hochvolumenproduktion bewältigen, verursachte manuelle Schichtplanung und Zuordnung von Mitarbeitern zu Aufgaben Verzögerungen und eine Zykluszeitvarianz von 15–20%, die die Skalierbarkeit der Produktion behinderte. Hinzu kamen Herausforderungen bei der Anpassung an Industrie 4.0‑Standards, bei denen starre Industrieroboter Schwierigkeiten mit flexiblen Aufgaben in dynamischen Umgebungen hatten. Personalmangel nach der Pandemie verschärfte die Lage, mit steigenden Fluktuationsraten und der Notwendigkeit, qualifizierte Mitarbeiter in wertschöpfende Rollen umzuschichten und gleichzeitig Stillstandszeiten zu minimieren. Die begrenzte Leistungsfähigkeit älterer Machine‑Vision‑Systeme erkannte subtile Defekte nicht zuverlässig, was zu Qualitätsausreißern und Nacharbeitskosten in Millionenhöhe pro Jahr führte.

Lösung

BMW ging eine Partnerschaft mit Figure AI ein, um Figure 02 Humanoide Roboter einzusetzen, die mit Maschinellem Sehen zur Echtzeit‑Objekterkennung und ML‑Scheduling‑Algorithmen für dynamische Aufgabenverteilung integriert sind. Diese Roboter nutzen fortschrittliche KI, um Umgebungen über Kameras und Sensoren wahrzunehmen und dadurch autonome Navigation und Manipulation in Mensch‑Roboter‑Kooperationen zu ermöglichen. ML‑Modelle sagen Produktionsengpässe voraus, optimieren die Robot‑Mitarbeiter‑Planung und überwachen die Leistung selbstständig, wodurch die menschliche Aufsicht reduziert wird. Die Implementierung umfasste Pilotversuche im Jahr 2024, bei denen die Roboter repetitive Aufgaben wie Teilekommissionierung und Einbau übernahmen und zentral über eine KI‑Orchestrierungsplattform koordiniert wurden. So konnte eine nahtlose Integration in bestehende Linien erfolgen, wobei Digitale Zwillinge Szenarien für eine sichere Einführung simulierten. Herausforderungen wie anfängliche Kollisionsrisiken wurden durch Feinabstimmung mittels bestärkenden Lernens (Reinforcement Learning) überwunden, was menschähnliche Geschicklichkeit ermöglichte.

Ergebnisse

  • 400% Steigerung der Roboter­geschwindigkeit nach den Tests
  • 7x höhere Erfolgsrate bei Aufgaben
  • Reduzierte Zykluszeiten um 20–30%
  • 10–15% der Mitarbeiter auf qualifizierte Aufgaben umgeschichtet
  • Über $1 Mio. jährliche Kostenersparnis durch Effizienzgewinne
  • Fehlerquoten sanken unter 1%
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 →

Walmart (Marketplace)

Einzelhandel

Im umkämpften Umfeld des Walmart Marketplace konkurrieren Drittanbieter‑Verkäufer hart um die Buy Box, die den Großteil der Verkaufsabschlüsse ausmacht . Diese Verkäufer verwalten umfangreiche Bestände, haben aber mit manuellen Preisänderungen zu kämpfen, die zu langsam sind, um mit sich schnell ändernden Wettbewerberpreisen, Nachfrageschwankungen und Markttrends Schritt zu halten. Das führt häufig zum Verlust der Buy Box, verpassten Verkaufschancen und geschwächten Gewinnmargen auf einer Plattform, auf der Preis das wichtigste Schlachtfeld ist . Zusätzlich sehen sich Verkäufer einer Datenflut gegenüber, wenn sie Tausende von SKUs überwachen, optimale Preisniveaus prognostizieren und Wettbewerbsfähigkeit gegen Profitabilität abwägen müssen. Traditionelle statische Preisstrategien versagen in diesem dynamischen E‑Commerce‑Umfeld, was zu suboptimaler Leistung und übermäßigem manuellen Aufwand führt – oft Stunden pro Tag und Verkäufer . Walmart erkannte den Bedarf an einer automatisierten Lösung, um Verkäufer zu stärken und das Plattformwachstum voranzutreiben.

Lösung

Walmart führte den Repricer ein, ein kostenloses KI‑gesteuertes automatisiertes Preiswerkzeug, das in Seller Center integriert ist und generative KI zur Entscheidungsunterstützung neben Machine‑Learning‑Modellen wie sequentieller Entscheidungsintelligenz nutzt, um Preise in Echtzeit dynamisch anzupassen . Das Tool analysiert Wettbewerberpreise, historische Verkaufsdaten, Nachfrageindikatoren und Marktbedingungen, um optimale Preise zu empfehlen und umzusetzen, die die Buy‑Box‑Berechtigung und die Verkaufsgeschwindigkeit maximieren . Ergänzend dazu liefert das Pricing Insights‑Dashboard Kontoebenen‑Metriken und KI‑generierte Empfehlungen, einschließlich vorgeschlagener Preise für Aktionen, sodass Verkäufer Chancen ohne manuelle Analyse erkennen können . Für fortgeschrittene Nutzer erweitern Drittanbietertools wie Biviar's AI repricer – im Auftrag von Walmart entwickelt – dies durch Reinforcement Learning zur profitmaximierenden täglichen Preisfindung . Dieses Ökosystem verschiebt Verkäufer von reaktiven zu proaktiven Preisstrategien.

Ergebnisse

  • 25% Steigerung der Conversion‑Raten durch dynamische KI‑Preisgestaltung
  • Höhere Buy‑Box‑Gewinnraten durch Echtzeit‑Wettbewerbsanalyse
  • Maximierte Verkaufsgeschwindigkeit für Drittanbieter im Marketplace
  • 850 Millionen Katalognachdatenverbesserungen durch GenAI (breitere Wirkung)
  • Potenzial für über 40% Conversion‑Steigerung durch KI‑gesteuerte Angebote
  • Reduzierung der manuellen Preisfindung um täglich mehrere Stunden pro Verkäufer
Fallstudie lesen →

Bank of America

Bankwesen

Die Bank of America sah sich einem hohen Volumen routinemäßiger Kundenanfragen gegenüber, etwa Kontostände, Zahlungen und Transaktionsverläufe, was traditionelle Callcenter und Supportkanäle überlastete. Bei Millionen täglicher Nutzer des digitalen Bankings fiel es der Bank schwer, rund um die Uhr personalisierte Finanzberatung in großem Maßstab anzubieten, was zu Ineffizienzen, längeren Wartezeiten und uneinheitlicher Servicequalität führte. Kunden forderten proaktive Erkenntnisse über einfache Abfragen hinaus, etwa Ausgabemuster oder finanzielle Empfehlungen, doch menschliche Mitarbeitende konnten das Volumen nicht ohne steigende Kosten bewältigen. Zudem stellte die Sicherstellung von konversationeller Natürlichkeit in einer regulierten Branche wie dem Bankwesen eine Herausforderung dar, einschließlich der Einhaltung von Datenschutzbestimmungen im Finanzwesen, der präzisen Interpretation komplexer Anfragen und der nahtlosen Integration in die Mobile App, ohne die Nutzererfahrung zu stören. Die Bank musste KI-Automatisierung mit menschlicher Empathie ausbalancieren, um Vertrauen und hohe Zufriedenheitswerte zu erhalten.

Lösung

Bank of America entwickelte Erica, einen internen durch NLP unterstützten virtuellen Assistenten, der direkt in die Mobile-Banking-App integriert ist und Natural Language Processing sowie prädiktive Analytik nutzt, um Anfragen konversationell zu bearbeiten. Erica fungiert als Einstiegspunkt für Self-Service, bearbeitet Routineaufgaben sofort und liefert gleichzeitig personalisierte Einblicke, wie Liquiditätsprognosen oder maßgeschneiderte Empfehlungen, wobei Kundendaten sicher verwendet werden. Die Lösung entwickelte sich von einem einfachen Navigationstool zu einer ausgefeilten KI und integrierte Generative-AI-Komponenten für natürlichere Interaktionen sowie das nahtlose Eskalieren komplexer Fälle an menschliche Agenten. Mit dem Fokus auf interne Sprachmodelle gewährleistet sie Kontrolle über Datenschutz und Anpassung, treibt die unternehmensweite KI-Einführung voran und steigert das digitale Engagement.

Ergebnisse

  • Über 3 Milliarden Kundeninteraktionen insgesamt seit 2018
  • Nahezu 50 Millionen eindeutige Nutzer unterstützt
  • Über 58 Millionen Interaktionen pro Monat (2025)
  • 2 Milliarden Interaktionen bis April 2024 erreicht (Verdoppelung von 1 Mrd. in 18 Monaten)
  • Bis 2024 wurden 42 Millionen Kunden unterstützt
  • 19 % Gewinnanstieg, verbunden mit Effizienzgewinnen
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