Wareneingang vs. Rechnungsabgleich: 3-Way-Matching in der Kreditorenbuchhaltung Automatisieren

Automatisieren Sie den 3-Way-Match zwischen Bestellung, Lieferschein und Rechnung und senken Sie die Kosten pro Rechnung deutlich (Ardent Partners 2025).

Veröffentlicht: August 2026 · Verfasst von: Mike Cecconello, Gründer von Supalabs · Lesezeit: 6 Min.
Mike Cecconello ist Gründer von Supalabs. Er arbeitet eingebettet in europäischen Finanz- und Operations-Teams, um KI-Automatisierung in den Produktivbetrieb zu bringen, darunter in der Kreditorenbuchhaltung und beim Abgleich von Wareneingang und Rechnung.

Wareneingang vs. Rechnungsabgleich: die Begriffe

Beim Abgleich von Wareneingang und Rechnung, meist Drei-Wege-Abgleich genannt, werden drei Dokumente verglichen, bevor eine Lieferantenrechnung bezahlt wird: die Bestellung (was Sie zu kaufen vereinbart haben), der Wareneingang bzw. Lieferschein (was tatsächlich angekommen ist) und die Rechnung (was der Lieferant berechnet hat). Stimmen alle drei bei Artikel, Menge und Preis überein, wird die Rechnung zur Zahlung freigegeben. Tun sie es nicht, bleibt sie in einer Warteschlange hängen, bis jemand den Fall von Hand klärt.

In dieser Warteschlange verlieren die meisten Kreditorenteams ihre Woche. Ein Lieferant liefert 480 Stück auf eine Bestellung über 500, berechnet eine Position zum Preis des letzten Quartals oder teilt einen Auftrag in zwei Teillieferungen auf, und schon schreibt eine Sachbearbeiterin in der Kreditorenbuchhaltung E-Mails an Einkauf, Lager und Lieferanten, um herauszufinden, wer recht hat, bevor die Rechnung weiterlaufen kann.

📊

Wo der Rechnungsabgleich in der Kreditorenbuchhaltung 2025 steht

9,84 $
durchschnittliche Gesamtkosten für die Verarbeitung einer Rechnung
Ardent Partners, 2025
8,2 Tage
durchschnittliche Dauer, bis eine Rechnung vollständig verarbeitet ist
Ardent Partners, 2025
18,4 %
der Rechnungen lösen eine Ausnahme aus, die manuell bearbeitet werden muss
Ardent Partners, 2025
35,4 %
der Rechnungen laufen in der Dunkelverarbeitung durch, ohne dass ein Mensch eingreift
Ardent Partners, 2025

Das sind die Durchschnittswerte über alle Unternehmen aus dem Bericht State of ePayables 2025: AP's Unfinished Journey von Ardent Partners, veröffentlicht im Juni 2025 mit Unterstützung von Bottomline. Kosten und Ausnahmequote sinken branchenweit, aber noch immer bleibt fast jede fünfte Rechnung irgendwo im Abgleichprozess hängen.

Warum der Abgleich scheitert

Ausnahmen entstehen selten durch Betrug oder Nachlässigkeit. Sie entstehen durch zeitliche Verschiebungen. Der Einkauf verhandelt mit dem Lieferanten einen besseren Stückpreis, aber die Bestellung im System zeigt noch den alten Wert. Das Lager bucht einen vollständigen Wareneingang auf eine Bestellung, bevor es prüft, dass auf der zweiten Palette im Lkw tatsächlich zwei Kartons fehlten. Ein Lieferant stellt den gesamten Auftrag in derselben Woche in Rechnung, in der er die Hälfte davon versendet, und will den Rest später abrechnen. Nichts davon ist für sich genommen ein Warnsignal. Es sind einfach drei verschiedene Abteilungen mit drei verschiedenen Zeitplänen, die drei Dokumente erzeugen, die ohne jemanden, der sie abstimmt, nie perfekt zusammenpassen würden.

Mit steigendem Volumen verschärft sich das Problem. Ein Unternehmen, das ein paar Dutzend Rechnungen im Monat verarbeitet, kann diese Abstimmung nebenbei erledigen. Ein Unternehmen, das ein paar Tausend verarbeitet, kann es nicht, und meist ist das der Punkt, an dem aus „Das klären wir von Hand“ still und leise verspätete Zahlungen, belastete Lieferantenbeziehungen und eine Finanzabteilung werden, die mehr Zeit damit verbringt, Belegen hinterherzulaufen, als den Abschluss zu machen.

Palettenregale im Lager, in dem eingehende Lieferungen geprüft und erfasst werden, bevor ein Wareneingang gebucht wird

Was ein automatisierter Abgleich tatsächlich verändert

Ein automatisierter Drei-Wege-Abgleich nimmt der Kreditorenbuchhaltung nicht das Urteilsvermögen ab. Er nimmt ihr die Teile der Arbeit ab, die nie Urteilsvermögen gebraucht haben, und leitet den Rest an eine Person weiter, die den Kontext hat, um ihn zu klären. In der Praxis bedeutet das drei Ebenen, die zusammenarbeiten:

  • Extraktion. OCR und Dokumenten-KI lesen die Rechnung, egal in welchem Format sie eingeht (PDF, eingescanntes Papier oder strukturierte E-Rechnung), und erfassen Positionen, Mengen, Stückpreise und Bestellbezüge, ohne dass ein Mensch sie abtippt.
  • Abgleich. Eine Regel-Engine prüft jede Position gegen Bestellung und Wareneingang, innerhalb von Toleranzen, die Sie festlegen (zum Beispiel eine Preisabweichung von 2 % oder ein Spielraum für Teillieferungen), statt eine exakte Übereinstimmung der Zahlen zu verlangen, die in der realen Logistik selten zustande kommt.
  • Weiterleitung von Ausnahmen. Alles außerhalb der Toleranz wird mit der konkreten Abweichung markiert und an die Person geschickt, die diese Entscheidung verantwortet – der Einkauf bei einer Preisdifferenz, das Lager bei einer Mengendifferenz –, statt in einem allgemeinen Postfach der Kreditorenbuchhaltung zu landen, wo jemand ohne Vorwissen nachforschen muss.

Die Rechnungen, bei denen alle drei Dokumente bereits übereinstimmen, laufen von selbst durch. Das ist der Mechanismus hinter dem Abstand zwischen durchschnittlicher und Best-in-Class-Leistung, den die folgende Tabelle zeigt.

Best-in-Class im Vergleich zu allen anderen

Kennzahl Best-in-Class-Kreditorenteams Alle anderen Kreditorenteams
Kosten pro Rechnung 2,65 $ 12,42 $
Bearbeitungsdauer 2,9 Tage 13,5 Tage
Ausnahmequote 11,1 % 20,9 %
Dunkelverarbeitung 51,0 % 29,0 %

Quelle: Ardent Partners, State of ePayables 2025: AP's Unfinished Journey, Juni 2025.

Schreibtisch mit Lieferantenunterlagen bei einer Prüfung in der Kreditorenbuchhaltung

Ein praxistauglicher Rollout: wo Sie anfangen

Die meisten KMU brauchen keinen kompletten Austausch ihrer Purchase-to-Pay-Plattform, um den Großteil dieses Nutzens zu erzielen. Ein engerer, schnellerer Weg funktioniert meist besser:

Beginnen Sie mit Ihrer Lieferantenkategorie mit dem höchsten Volumen. Wählen Sie die Lieferantengruppe mit den meisten Rechnungspositionen, oft Rohstoffe, Verpackung oder wiederkehrende Dienstleistungen, und bauen Sie die Abgleichregeln zuerst für diese Kategorie. So lernen Sie die realen Toleranzschwellen an einem überschaubaren Datensatz kennen, bevor Sie breiter ausrollen.

Legen Sie Toleranzen fest, bevor Sie automatisieren, nicht danach. Entscheiden Sie schriftlich, welche Preis- und Mengenabweichung ohne menschliche Prüfung akzeptabel ist. Vage Toleranzen sind der häufigste einzelne Grund dafür, dass ein neues Abgleichsystem mehr Ausnahmen erzeugt als der manuelle Prozess, den es ersetzt hat.

Leiten Sie Ausnahmen an die Person weiter, die sie tatsächlich beheben kann. Eine Preisabweichung gehört zu der Person, die die Lieferantenbeziehung verantwortet. Eine Mengenabweichung gehört zu der Person, die die Ware angenommen hat. Wer beides in ein gemeinsames Postfach der Kreditorenbuchhaltung schickt, baut den Engpass nur mit besserer Software neu auf.

So ähnlich legen wir bei Supalabs den Umfang von Projekten fest: Zuerst kartieren wir die Ausnahmemuster in den realen Rechnungsdaten eines Kunden, dann bauen und übergeben wir einen Abgleich-Workflow, der auf genau diesen Lieferantenstamm zugeschnitten ist, statt eine generische Vorlage auszurollen und zu hoffen, dass die Toleranzen passen. Wenn Sie das für Ihre eigene Kreditorenbuchhaltung prüfen, zeigt unsere Fallstudie zur Rechnungsverarbeitung, wie verifizierte Ergebnisse bei drei verschiedenen Unternehmen aussehen, und unser Leitfaden zur Finanzautomatisierung beschreibt, wo der Abgleich in den übrigen Kreditoren-Stack passt.

Sonderfälle, an denen naive Automatisierung scheitert

Einige wenige Muster verursachen die meisten falschen Ausnahmen in einem schlecht abgestimmten Abgleichsystem:

Teillieferungen. Wird eine Bestellung über 1.000 Stück mit drei verschiedenen Lkw geliefert, muss das System die kumulierten Wareneingänge gegen die Rechnung abgleichen, statt jede Lieferung als eigenen Drei-Wege-Abgleich zu behandeln.

Rahmen- und Dauerbestellungen. Eine einzelne Bestellung, die monatelang wiederkehrende Lieferungen abdeckt, braucht eine laufende Saldenlogik statt eines einmaligen Vergleichs, sonst scheitert jede Lieferung nach der ersten zwangsläufig am Abgleich.

Fracht, Zölle und Zuschläge. Rechnungen, die Versand- oder Zollkosten enthalten, die in der ursprünglichen Bestellung nicht einzeln aufgeführt waren, scheitern an einem naiven Abgleich Position für Position, selbst wenn der eigentliche Auftrag korrekt ist. Sie brauchen eine eigene Toleranzkategorie, keine pauschale Ausnahme.

Gutschriften und Belastungsanzeigen. Eine Teilrücksendung oder Preiskorrektur, die nach der ursprünglichen Rechnung ausgestellt wird, muss mit dieser verrechnet werden, statt als eigenständiges Dokument ohne passende Bestellung bewertet zu werden.

Nichts davon ist exotisch. Das ist der normale Alltag im B2B-Einkauf, und ein Abgleichsystem, das nicht dafür gebaut ist, erzeugt so viele falsche Ausnahmen, dass die Kreditorenbuchhaltung ihm nicht mehr vertraut und ohnehin alles in die manuelle Prüfung schickt, womit der Sinn der Automatisierung verloren ist. Diese Fälle von Anfang an richtig zu lösen, unterscheidet eine Abgleich-Engine, die den personellen Druck tatsächlich senkt, von einer, die den Papierkram nur in eine andere Warteschlange verschiebt. Unser KI-ROI-Rechner ist ein sinnvoller Ausgangspunkt, um abzuschätzen, was das Schließen dieser Lücke für Ihr eigenes Rechnungsvolumen wert ist, bevor Sie Budget dafür bereitstellen.

Mehr Rechnungen abzugleichen, als Ihr Team hinterherkommt?

Supalabs baut und übergibt automatisierten Abgleich von Wareneingang und Rechnung für Finanzteams europäischer KMU, abgestimmt auf Ihre realen Lieferantendaten statt auf eine generische Vorlage.

Kostenloses Qualifizierungsgespräch buchen →

Wichtige Statistiken (2025)

88%of organizations using AI in at least one functionMcKinsey 2025
62%experimenting with AI agentsMcKinsey 2025
74%achieve ROI from AI in year oneArcade.dev 2025
64%say AI enables their innovationMcKinsey 2025
$150-200Bprojected enterprise AI market by 2030Glean 2025
30%productivity increase with workflow automationZapier 2025

Weiterführende Lektüre

Häufig gestellte Fragen

AI Solutions6 min2026-08-06

Diesen Artikel teilen

Mike Cecconello

Mike Cecconello

Gründer, SUPALABS

Gründer von SUPALABS, einem eingebetteten KI-Umsetzungspartner für europäische Unternehmen. Arbeitet in den Organisationen seiner Kunden daran, neu aufzubauen, wie die Arbeit läuft: entwirft und bringt produktive KI-Systeme in Finanzen, Operations, HR und Kundenservice in Betrieb und übergibt die Verantwortung danach an das Team des Kunden.

Erfahrung

Über 5 Jahre Erfahrung im Aufbau von KI- und Automatisierungssystemen für europäische Unternehmen

Expertise
  • KI-natives Prozessredesign
  • KI-Systeme im Produktivbetrieb
  • Embedded Delivery
  • Enterprise-KI-Strategie
Supalabs AI solutions