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 Luft- und Raumfahrt bis Einzelhandel: Erfahren Sie, wie Unternehmen Gemini erfolgreich einsetzen.

Airbus

Luft- und Raumfahrt

In der Flugzeugentwicklung sind Computational Fluid Dynamics (CFD)-Simulationen essenziell, um den Luftstrom um Tragflächen, Rümpfe und neuartige Konfigurationen vorherzusagen — entscheidend für Treibstoffeffizienz und Emissionsreduzierung. Herkömmliche hochgenaue RANS-Solver benötigen jedoch Stunden bis Tage pro Lauf auf Supercomputern, wodurch Ingenieure nur wenige Dutzend Iterationen pro Designzyklus durchführen können und die Innovationsfähigkeit für nächste Generationen wie das hydrogenbetriebene ZEROe eingeschränkt wird. Dieses Rechenengpassproblem war besonders akut im Kontext von Airbus' Vorstoß zur Dekarbonisierung der Luftfahrt bis 2035, bei dem komplexe Geometrien eine umfassende Exploration erfordern, um Auftriebs-Widerstands-Verhältnisse zu optimieren und gleichzeitig Gewicht zu minimieren. Kooperationen mit DLR und ONERA zeigten den Bedarf an schnelleren Werkzeugen auf, da manuelle Abstimmungen nicht skalieren, um die Tausenden Varianten zu testen, die für laminares Strömungsverhalten oder Blended-Wing-Body-Konzepte nötig sind.

Lösung

Maschinelle Lern-Surrogatmodelle, einschließlich physik-informierter neuronaler Netze (PINNs), wurden auf umfangreichen CFD-Datensätzen trainiert, um komplette Simulationen in Millisekunden zu emulieren. Airbus integrierte diese in eine generative Design-Pipeline, in der KI Druckfelder, Geschwindigkeiten und Kräfte vorhersagt und dabei die Navier-Stokes-Physik über hybride Verlustfunktionen zur Genauigkeit erzwingt. Die Entwicklung umfasste die Aufbereitung von Millionen von Simulations-Snapshots aus Legacy-Läufen, GPU-beschleunigtes Training und iterative Feinabstimmung mit experimentellen Windkanaldaten. Dadurch wurden schnelle Iterationen möglich: Die KI sichtet Designs, während hochauflösende CFD nur die besten Kandidaten verifiziert, wodurch der Gesamtaufwand um Größenordnungen reduziert wird und gleichzeitig ein <5% Fehler bei Schlüsselmetriken gehalten wird.

Ergebnisse

  • Simulationszeit: 1 Stunde → 30 ms (120.000x Beschleunigung)
  • Design-Iterationen: +10.000 pro Zyklus im gleichen Zeitraum
  • Vorhersagegenauigkeit: 95%+ für Auftriebs-/Widerstandskoeffizienten
  • 50% Verkürzung der Designphasenlaufzeit
  • 30–40% weniger hochauflösende CFD-Läufe erforderlich
  • Treibstoffverbrauchsoptimierung: bis zu 5% Verbesserung in Vorhersagen
Fallstudie lesen →

UPS

Logistik

UPS sah sich mit enormen Ineffizienzen bei der Zustellroutenplanung konfrontiert: Fahrer mussten eine astronomische Anzahl möglicher Routenvarianten berücksichtigen — weit mehr als die Nanosekunden seit der Entstehung der Erde. Traditionelle manuelle Planung führte zu längeren Fahrzeiten, höherem Kraftstoffverbrauch und steigenden Betriebskosten, verschärft durch dynamische Faktoren wie Verkehr, Paketaufkommen, Gelände und Kundenverfügbarkeit. Diese Probleme trieben nicht nur die Kosten in die Höhe, sondern trugen auch erheblich zu CO2‑Emissionen in einer Branche bei, die unter Druck steht, nachhaltiger zu werden. Zu den zentralen Herausforderungen gehörten Widerstand der Fahrer gegenüber neuer Technologie, die Integration in Altsysteme und die Gewährleistung von Echtzeitanpassungsfähigkeit, ohne den täglichen Betrieb zu stören. Pilotversuche zeigten Annahmehürden, da Fahrer, die an vertraute Routen gewöhnt waren, die Vorschläge der KI infrage stellten — ein Hinweis auf die menschliche Komponente bei Technikeinführungen. Die Skalierung auf 55.000 Fahrzeuge erforderte robuste Infrastruktur und die Verarbeitung von Milliarden von Datenpunkten täglich.

Lösung

UPS entwickelte ORION (On‑Road Integrated Optimization and Navigation), ein KI‑gestütztes System, das Operations Research für mathematische Optimierung mit Maschinellem Lernen für prädiktive Analysen zu Verkehr, Wetter und Zustellmustern kombiniert. Es berechnet Routen dynamisch in Echtzeit neu und berücksichtigt Paketziele, Fahrzeugkapazität, Effizienz von Rechts-/Linksabbiegungen und Stoppsequenzen, um Meilen und Zeit zu minimieren. Die Lösung entwickelte sich von statischer Planung zu dynamischer Routenführung weiter und integrierte agentenfähige KI für autonome Entscheidungsfindung. Das Training basierte auf umfangreichen Datensätzen aus GPS‑Telematik, wobei kontinuierliche ML‑Verbesserungen die Algorithmen verfeinerten. Um Akzeptanzbarrieren zu überwinden, wurden Fahrerschulungen und Gamification‑Anreize eingeführt; die Integration erfolgte nahtlos über Fahrzeuginnen‑Displays.

Ergebnisse

  • 100 Millionen Meilen jährlich eingespart
  • 300–400 Millionen $ Kosteneinsparung pro Jahr
  • 10 Millionen Gallonen Kraftstoff jährlich reduziert
  • 100.000 Tonnen CO2‑Emissionen eingespart
  • 2–4 Meilen kürzere Routen pro Fahrer täglich
  • 97 % Flotteneinführung bis 2021
Fallstudie lesen →

BP

Energie

BP, ein globaler Energieführer in Öl, Gas und Erneuerbaren, kämpfte mit hohen Energiekosten in Spitzenzeiten über sein umfangreiches Asset-Portfolio hinweg. Volatile Netzlasten und Preisspitzen während hoher Verbrauchsperioden belasteten den Betrieb und verschärften Ineffizienzen in der Energieproduktion und -nutzung. Die Integration intermittierender Erneuerbarer Energien brachte zusätzliche Prognoseprobleme mit sich, während traditionelle Managementansätze nicht dynamisch auf Echtzeit-Marktsignale reagierten, was zu erheblichen finanziellen Verlusten und Risiken für die Netzstabilität führte . Hinzu kamen bei BP Daten-Silos und Altsysteme, die für prädiktive Analytik ungeeignet waren – von Offshore-Anlagen bis zu datenintensiver Exploration. Spitzenenergiekosten schmälerten die Margen und behinderten den Übergang zu nachhaltigem Betrieb angesichts zunehmender regulatorischer Vorgaben zur Emissionsreduzierung. Das Unternehmen benötigte eine Lösung, um Lasten intelligent zu verschieben und Flexibilität in Energiemärkten zu monetarisieren .

Lösung

Um diese Probleme anzugehen, übernahm BP 2021 Open Energi und erhielt damit Zugriff auf die führende Plato AI-Plattform, die Machine Learning für prädiktive Analytik und Echtzeit-Optimierung einsetzt. Plato analysiert umfangreiche Datensätze von Assets, Wetterdaten und Netzsignalen, um Spitzen vorherzusagen und Demand Response zu automatisieren, indem nicht-kritische Lasten in Nebenzeiten verschoben werden und gleichzeitig an Frequenzregelungsdiensten teilgenommen wird . In die BP-Operationen integriert, ermöglicht die KI die Teilnahme an dynamischen Containment- und Flexibilitätsmärkten und optimiert den Verbrauch, ohne die Produktion zu stören. In Kombination mit BPs interner KI für Exploration und Simulation schafft sie End-to-End-Sichtbarkeit, reduziert die Abhängigkeit von fossilen Brennstoffen in Spitzenzeiten und verbessert die Integration erneuerbarer Energien . Diese Übernahme markierte eine strategische Wende, bei der Open Energis Nachfrageseitenspezialisierung mit BPs Lieferseitenskalierung verschmolz.

Ergebnisse

  • $10 Millionen jährliche Energieeinsparungen
  • >80 MW an Energieassets unter flexibler Steuerung
  • Stärkste Ölexplorationsleistung seit Jahren dank KI
  • Erheblicher Schub bei der Optimierung des Stromverbrauchs
  • Reduzierte Spitzenstromkosten durch dynamische Reaktion
  • Verbesserte Anlageneffizienz in Öl, Gas und Erneuerbaren
Fallstudie lesen →

Waymo (Alphabet)

Transport

Die Entwicklung von vollautonomen Fahrdienstangeboten verlangte das Überwinden extremer Herausforderungen in der Zuverlässigkeit von KI für reale Straßen. Waymo musste die Wahrnehmung beherrschen — Objekte bei Nebel, Regen, in der Nacht oder bei Verdeckungen allein mit Sensoren zu erkennen — und gleichzeitig unberechenbares menschliches Verhalten wie das Überqueren außerhalb von Fußgängerübergängen oder plötzliche Spurwechsel vorherzusagen. Die Planung komplexer Trajektorien im dichten, unvorhersehbaren Stadtverkehr sowie die präzise Steuerung zur kollisionsfreien Ausführung von Manövern erforderten nahezu perfekte Genauigkeit, da ein einzelner Fehler katastrophale Folgen haben konnte . Die Skalierung von Tests zu kommerziellen Flotten brachte Hindernisse wie den Umgang mit Randfällen (z. B. Schulbusse mit Haltzeichen, Einsatzfahrzeuge), behördliche Zulassungen in verschiedenen Städten und öffentliches Vertrauen unter Beobachtung. Vorfälle, etwa das Nichtanhalten bei Schulbussen, machten Softwarelücken sichtbar und führten zu Rückrufen. Enorme Datenanforderungen für das Training, rechenintensive Modelle und geografische Anpassungen (z. B. Rechts- vs. Linksverkehr) verschärften die Probleme, wobei Wettbewerber mit der Skalierbarkeit kämpften .

Lösung

Der Stack Waymo Driver integriert Deep Learning End-to-End: Die Wahrnehmung verschaltet Lidar, Radar und Kameras mithilfe von Faltungsnetzwerken (CNNs) und Transformer-Modellen für 3D-Objekterkennung, Tracking und semantisches Mapping mit hoher Genauigkeit. Prognose-Modelle sagen das Verhalten mehrerer Akteure mit Graph-Neural-Networks und Video-Transformern voraus, die auf Milliarden simulierter und realer Meilen trainiert sind . Für die Planung wandte Waymo Skalierungsgesetze an — größere Modelle mit mehr Daten/Compute liefern Potenzgesetz-geprägte Verbesserungen bei Vorhersagegenauigkeit und Trajektorienqualität — und verlagerte sich von regelbasierten zu ML-getriebenen Bewegungsplanern für menschenähnliche Entscheidungen. Die Steuerung nutzt eine Hybridisierung aus Reinforcement Learning und modellprädiktiver Regelung in Kombination mit neuronalen Policies für eine sanfte, sichere Ausführung. Umfangreiche Datensätze aus über 96 Mio. autonomen Meilen sowie Simulationen ermöglichen kontinuierliche Verbesserungen; die jüngste KI-Strategie betont modulare, skalierbare Stacks .

Ergebnisse

  • 450.000+ wöchentliche bezahlte Robotaxi-Fahrten (Dez 2025)
  • 96 Millionen autonome Meilen gefahren (Stand Juni 2025)
  • 3,5x bessere Vermeidung von Unfällen mit Personenschaden gegenüber Menschen
  • 2x bessere Vermeidung von polizeilich gemeldeten Unfällen gegenüber Menschen
  • Über 71 Mio. Meilen mit detaillierter Sicherheitsunfallanalyse
  • 250.000 wöchentliche Fahrten (April 2025 Basis, seitdem verdoppelt)
Fallstudie lesen →

Samsung Electronics

Fertigung

Samsung Electronics steht vor enormen Herausforderungen in der Fertigung von Unterhaltungselektronik aufgrund von Produktion in massivem Umfang, die häufig Millionen von Einheiten täglich überschreitet – bei Smartphones, Fernsehern und Halbleitern. Traditionelle, menschlich gestützte Inspektionen kämpfen mit fehlerbedingter Ermüdung, die subtile Defekte wie Mikrokratzer auf OLED-Panels oder Montagefehlstellungen übersehen, was zu kostspieligen Rückrufen und Nacharbeit führt. In Werken wie Gumi, Südkorea, bearbeiten Linien 30.000 bis 50.000 Einheiten pro Schicht, wobei schon eine 1% Fehlerquote Tausende fehlerhafte Geräte versendet – das untergräbt das Markenvertrauen und verursacht Millionenverluste pro Jahr. Zudem erforderten Schwankungen in der Lieferkette und steigende Arbeitskosten eine hoch effiziente Automatisierung. Vor KI führte die Abhängigkeit von manueller Qualitätssicherung zu inkonsistenten Erkennungsraten (etwa 85–90% Genauigkeit), mit Problemen, Echtzeit-Inspektionen für zahlreiche Bauteile im Kontext von Industrie 4.0 zu skalieren.

Lösung

Samsungs Lösung integriert KI-gesteuertes maschinelles Sehen, autonome Robotik und NVIDIA-gestützte KI-Fabriken für durchgängige Qualitätssicherung (QA). Durch den Einsatz von über 50.000 NVIDIA-GPUs mit Omniverse-Digital-Twins simulieren und optimieren die Fabriken Abläufe, ermöglichen Roboterarme für präzise Montage und Vision-Systeme zur Defekterkennung auf mikroskopischer Ebene. Die Implementierung begann mit Pilotprogrammen im Gumi Smart Factory, die auf Gold-UL-Validierung setzt, und wurde auf globale Standorte ausgeweitet. Deep-Learning-Modelle, trainiert auf umfangreichen Datensätzen, erreichen 99%+ Genauigkeit und automatisieren Inspektion, Sortierung und Nacharbeit, während Cobots (kollaborative Roboter) repetitive Aufgaben übernehmen und menschliche Fehler reduzieren. Dieses vertikal integrierte Ökosystem verknüpft Samsungs Halbleiter, Geräte und KI-Software.

Ergebnisse

  • 30.000–50.000 Einheiten pro Produktionslinie täglich inspiziert
  • Nahezu null (<0.01%) Fehlerquoten bei ausgelieferten Geräten
  • 99%+ KI-Maschinensehen-Genauigkeit bei der Defekterkennung
  • 50%+ Reduktion der manuellen Inspektionsarbeit
  • Millionen USD jährliche Einsparungen durch frühzeitige Fehlererkennung
  • 50.000+ NVIDIA-GPUs in den KI-Fabriken im Einsatz
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