Use Case
Agentische Prozesse im Einsatz: das Beispiel Buchhaltung
Ein KI-Agent, der in einem geschäftskritischen Prozess arbeitet, macht Fehler, die sofort Geld kosten. Die Buchhaltung ist dafür das härteste Beispiel: strenge Regeln, Prüfpflichten, keine Toleranz für erfundene Zahlen. Klassische KI liest hier nur Belege aus. Die folgenden fünf Bausteine zeigen, wie aus einem Vorlese-Werkzeug ein System wird, dem man Arbeit anvertrauen kann. Jeder Baustein läuft bei mir produktiv oder liegt öffentlich auf GitHub.
Baustein 1
RAG für Richtlinien
Die Herausforderung
Ein Beleg ist nur so gut wie sein Kontext. Ob eine Buchung korrekt ist, entscheiden interne Richtlinien, Verträge und steuerliche Vorgaben, nicht der Beleg selbst.
Der Ansatz
Eine RAG-Pipeline liest nicht nur den Beleg, sondern gleicht ihn im selben Schritt mit den internen Unternehmensrichtlinien, Verträgen und steuerlichen Vorgaben ab. Der Agent argumentiert mit den Quellen, nicht mit seinem Gedächtnis.
Baustein 2
Action-Space-Whitelisting
Die Herausforderung
Ein Agent, der alles darf, ist ein Risiko. Ein Agent, der nichts darf, ist nutzlos.
Der Ansatz
Der Agent darf Buchungssätze vorschlagen und Freigabeprozesse anstoßen, aber nur innerhalb klar vordefinierter Grenzen. Beispiel: Belege bis 500 € werden automatisch verbucht, alles darüber geht in das Human-in-the-Loop-Gate. Jeder Versuch außerhalb der Whitelist wird verworfen und protokolliert.
Baustein 3
Hashverkettete Audit-Trails
Die Herausforderung
Im Finanzbereich akzeptiert kein Wirtschaftsprüfer eine KI-Entscheidung, die sich nicht nachvollziehen lässt.
Der Ansatz
Jeder Schritt wird unveränderbar protokolliert: welches Dokument gelesen wurde, welcher Prompt lief, welcher Mensch freigegeben hat. Die Einträge sind per Hash verkettet: Nachträgliche Änderungen sind erkennbar. Das Ergebnis ist lückenlos nachvollziehbar und prüffähig dokumentiert.
Baustein 4
Qualität gegen Golden Sets
Die Herausforderung
In Finanzberichten führt ein erfundener Zahlenwert sofort zu falschen Entscheidungen. Und jedes Modell-Update kann die Qualität unbemerkt verschlechtern.
Der Ansatz
Kontinuierliche Evaluation gegen fest definierte Golden Sets: echte, perfekt kontierte, anonymisierte Daten. Jeder Modellwechsel und jede Prompt-Änderung wird objektiv gemessen, bevor sie produktiv geht. Die Trefferquote bei der Kontierung verschlechtert sich nie unbemerkt.
Baustein 5
Menschliche Kontrolle an der richtigen Stelle
Die Herausforderung
Fachleute fürchten zweierlei: von KI ersetzt zu werden und die Kontrolle über Fehler zu verlieren.
Der Ansatz
Das System arbeitet autonom, stoppt aber an exakt definierten Gates: Abweichung im Skonto, unklare Kostenstelle, neuer Lieferant. Dort fordert es den Menschen zur Freigabe auf. Der Mensch korrigiert, das System lernt strukturiert nach. Assistenz statt Kontrollverlust: Die Autonomie wächst mit nachgewiesener Qualität, nicht umgekehrt.
Übertragbar
Die Buchhaltung ist hier das Beispiel. Das Muster ist übertragbar auf jeden Prozess, in dem Fehler Geld kosten: Einkauf, Vertragsprüfung, Instandhaltung, Kundenservice. Die Bausteine sind keine Konzepte, sondern Code:
- local-agent-pipeline ↗ (Whitelist, Gates, hashverketteter Audit-Trail)
- rag-approval-blueprint ↗ (Freigabe eines RAG-Systems mit Kontrollkatalog)