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.

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 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.

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 Gesundheitswesen bis Lebensmittelproduktion: Erfahren Sie, wie Unternehmen Gemini erfolgreich einsetzen.

UC San Diego Health

Gesundheitswesen
Sepsis, eine lebensbedrohliche Erkrankung, stellt in Notaufnahmen eine große Gefahr dar, da verzögerte Erkennung zu hohen Sterblichkeitsraten führt – in schweren Fällen bis zu 20–30 %. Bei UC San Diego Health, einem akademischen Medizinzentrum mit über 1 Million Patientenbesuchen jährlich, erschwerten unspezifische Frühsymptome rechtzeitige Interventionen und verschlechterten die Ergebnisse in stark ausgelasteten Notaufnahmen .

Lösung

UC San Diego Health implementierte COMPOSER, ein Deep-Learning-Modell, das auf elektronischen Gesundheitsakten trainiert wurde, um das Sepsisrisiko 6–12 Stunden im Voraus vorherzusagen und Epic Best Practice Advisory (BPA)-Alarme für Pflegekräfte auszulösen . Dieser quasi-experimentelle Ansatz in zwei Notaufnahmen integrierte sich nahtlos in Arbeitsabläufe. Mission Control, ein KI-gestütztes Operations-Kommandozentrum, finanziert durch eine Investition von 22 Mio.

Ergebnisse

  • Sepsis-In-Hospital-Sterblichkeit: 17 % Reduktion
  • Jährlich gerettete Leben: 50 in zwei Notaufnahmen
  • Einhaltung des Sepsis-Bundles: deutliche Verbesserung
  • 72‑Stunden‑SOFA-Verlauf: reduzierte Verschlechterung
  • Intensivstationskontakte: Rückgang nach Implementierung
  • Patientendurchsatz: verbessert durch Mission Control
Fallstudie lesen →

FedEx

Lieferkette
FedEx sah sich mit suboptimaler Lkw-Routenplanung in seinem umfangreichen Logistiknetz konfrontiert, bei der statische Planung zu überschüssigen Meilen, höheren Treibstoffkosten und steigenden Personalkosten führte . Beim Handling von Millionen Sendungen täglich über komplexe Routen stießen traditionelle Methoden an Grenzen bei Echtzeitvariablen wie Verkehr, Wetterstörungen und schwankender Nachfrage, was zu ineffizienter Fahrzeugauslastung und verspäteten Zustellungen führte .

Lösung

Maschinelle Lernmodelle integriert mit heuristischen Optimierungsalgorithmen bildeten den Kern des KI-gestützten Routingsystems von FedEx und ermöglichten dynamische Routenanpassungen basierend auf Echtzeitdaten wie Verkehr, Wetter und Sendungsvolumen . Das System nutzt Deep Learning für prädiktive Analysen und kombiniert Heuristiken wie genetische Algorithmen, um das Vehicle Routing Problem (VRP) effizient zu lösen, Lasten auszubalancieren und Leerfahrten zu minimieren .

Ergebnisse

  • 700,000 überschüssige Meilen wurden täglich aus Lkw-Routen eliminiert
  • Einsparungen in Millionenhöhe jährlich bei Treibstoff- und Personalkosten
  • Verbesserte Genauigkeit der Zustellzeitvorhersagen durch ML-Modelle
  • Erhöhte operative Effizienz und kostensenkende Effekte branchenweit
  • Bessere Pünktlichkeitswerte durch Echtzeitoptimierungen
  • Signifikante Reduktion des CO2-Fußabdrucks durch weniger gefahrene Meilen
Fallstudie lesen →

Wells Fargo

Bankwesen
Wells Fargo, das 70 Millionen Kunden in 35 Ländern betreut, sah sich mit hoher Nachfrage nach 24/7-Kundendienst in seiner Mobile-Banking-App konfrontiert, in der Nutzer sofortige Unterstützung bei Transaktionen wie Überweisungen und Rechnungszahlungen benötigten. Traditionelle Systeme hatten Schwierigkeiten mit hohen Interaktionsvolumina, langen Wartezeiten und der Notwendigkeit schneller Antworten per Sprache und Text, insbesondere da die Kundenerwartungen sich hin zu nahtlosen digitalen Erlebnissen wandelten.

Lösung

Wells Fargo entwickelte Fargo, einen generativen KI-Virtual-Assistenten, der in die Banking-App integriert ist und auf Google Cloud AI setzt, einschließlich Dialogflow für den Konversationsfluss und PaLM 2/Flash 2.0 LLMs für das Verständnis natürlicher Sprache. Diese modell-agnostische Architektur ermöglichte eine datenschutzorientierte Orchestrierung, die Anfragen routet, ohne PII an externe Modelle zu senden.

Ergebnisse

  • 245 Millionen Interaktionen in 2024
  • 20 Millionen Interaktionen bis Januar 2024 seit dem Start im März 2023
  • Prognose: 100 Millionen Interaktionen jährlich (Prognose 2024)
  • Keine menschlichen Übergaben bei allen Interaktionen
  • Keine PII an LLMs weitergegeben
  • Durchschnittlich 2,7 Interaktionen pro Nutzersitzung
Fallstudie lesen →

Nubank (Pix Payments)

Zahlungen
Nubank, Lateinamerikas größte digitale Bank mit über 114 Millionen Kunden in Brasilien, Mexiko und Kolumbien, stand vor der Herausforderung, sein Pix-Sofortzahlungssystem angesichts explosionsartiger Nachfrage zu skalieren. Traditionelle Pix-Transaktionen erforderten, dass Nutzer sich manuell durch die App navigieren, was Reibung erzeugte — insbesondere bei schnellen Zahlungen unterwegs.

Lösung

Nubank setzte eine multimodale generative KI-Lösung ein, angetrieben durch OpenAI-Modelle, die es Kunden ermöglicht, Pix-Zahlungen per Sprachnachricht, Textanweisung oder Bild-Upload direkt in der App oder über WhatsApp zu initiieren. Die KI verarbeitet Speech-to-Text, Natural Language Processing zur Intent-Extraktion und optische Zeichenerkennung (OCR) für Bilder und wandelt diese in ausführbare Pix-Überweisungen um.

Ergebnisse

  • 60% Reduktion der Transaktionsverarbeitungszeit
  • Bis Ende 2024 mit 2 Millionen Nutzern getestet
  • Bedient 114 Millionen Kunden in 3 Ländern
  • Tests begonnen im August 2024
  • Verarbeitet Sprach-, Text- und Bildeingaben für Pix
  • Ermöglicht Sofortzahlungen über WhatsApp-Integration
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 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.

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

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