Strukturierte Daten aus PDFs sind ein Leseproblem, kein Denkproblem. Ein kleines Modell — Claude Haiku, Gemini Flash oder vergleichbar — erkennt Beträge, Daten und Lieferanten zuverlässig, bei einem Bruchteil der Kosten. Pro Rechnung kostet das nur Bruchteile eines Cents.
Kleines LLM · ~0,001 € / Rechnung
Warum kein LLM für den Duplikat-Check?
Datenbank-Abfragen sind deterministisch — ein LLM würde Kosten erzeugen ohne Mehrwert. Die Regel ist einfach: gleiche Rechnungsnummer + gleicher Lieferant = Duplikat. SQL macht das in Millisekunden.
SQL-Query · 0,00 € / Check
Wann braucht es wirklich einen Menschen?
Unleserliche Belege, unbekannte Lieferanten, Beträge über Freigabegrenzen. Ein Reasoning-Modell trifft hier eine begründete Abwägung — aber wenn Konsequenzen größer sind als 2.000 €, entscheidet immer ein Mensch.
Reasoning-LLM · ~0,02 € / Grenzfall
1
Extraktion zuerst — ohne jede Infrastruktur
Schick eine echte Rechnung als PDF an ein LLM deiner Wahl — Claude, ChatGPT oder Gemini — mit dem Prompt: "Extrahiere Betrag, Datum, Lieferant und MwSt. als JSON." Wenn das bei 10 verschiedenen Layouts zuverlässig klappt, steht der schwerste Teil.
½ Tag
2
Den Happy Path aufbauen — die 75 % ohne Reibung
IMAP-Trigger → LLM-Extraktion → Lexoffice API. Noch kein Duplikat-Check, kein Reasoning-Modell, keine Eskalation. Nur das Fundament. Erst wenn 10 echte Rechnungen sauber durchlaufen, geht es weiter.
2–3 Tage
3
Grenzfälle — nach zwei Wochen Beobachtung, nicht vorher
Duplikat-Check, Freigabelimits, Reasoning-Modell für Ausnahmen, Alert wenn ein Mensch ran muss. Erst nach zwei Wochen Betrieb weißt du welche Grenzfälle wirklich auftreten — und baust nur die.