So extrahieren Sie Belegdaten
wenn jedes Format anders ist

Warum Quittungsvorlagen immer versagen – und warum das wichtiger ist, als Sie denken

Jeder Laden druckt Quittungen anders. Das ist keine Kleinigkeit – es ist die Hauptursache dafür, dass die meisten Beleglese-Tools inkonsistente Ergebnisse liefern. Eine Walmart-Quittung ist ein langer vertikaler Streifen mit aufgeschlüsselten SKUs, laufenden Zwischensummen und einem Barcode unten. Ein lokales Café druckt eine 7,5 cm große Square-Quittung mit abgekürztem Händlernamen, ohne Steueraufschlüsselung und mit einem QR-Code. Eine Restaurantquittung enthält Positionen, eine Trinkgeldzeile und manchmal eine Tabelle mit empfohlenen Trinkgeldern. Eine Home-Depot-Quittung erstreckt sich über 60 cm Papier mit Unternehmerpreisen, Auftragsnummern und Rückgabebedingungen. Keines dieser Formate ähnelt dem anderen.

Vorlagenbasierte Extraktion – der Ansatz der meisten traditionellen OCR-Tools – funktioniert, indem sie sich merkt, wo Daten auf einer Seite stehen. Sie trainieren sie mit einem Home-Depot-Quittungslayout, und sie lernt, dass "die Summe unten rechts steht". Dann geben Sie eine Walmart-Quittung ein, bei der die Summe mittig links steht, und die Vorlage versagt. Sie bräuchten eine separate Vorlage für jeden Laden, in dem Sie einkaufen – und jedes Mal, wenn dieser Laden sein Kassensystem aktualisiert, bricht die Vorlage erneut. Ein r/Bookkeeping-Nutzer brachte die Frustration in einem Thread zur Belegerfassung auf den Punkt: "Kartenausgaben-Tools: docyt, divvy, Expensify, dext – viele davon haben die Funktionen, die Sie suchen." Die Empfehlungsliste ist aufschlussreich: Nutzer springen zwischen fünf verschiedenen Tools hin und her, weil keines das Problem der Formatvielfalt allein sauber löst.

Die Formatvielfalt ist kein Nischenproblem. Ein Kleinunternehmer, der bei 15 verschiedenen Lieferanten einkauft – plus Tankstellen, Baumärkten, Bürobedarfsketten und Online-Marktplätzen – begegnet jeden Monat 15 bis 25 verschiedenen Quittungslayouts. Jedes platziert Datum, Summe, Steuer, Händlernamen und Positionen in einer anderen Anordnung. Ein vorlagenbasierter Ansatz skaliert nicht für diese Realität. Er funktioniert für die drei Läden, die Sie konfiguriert haben. Er versagt bei den anderen 12.

Was semantische Extraktion anders macht – und warum sie jede Quittung liest

Es gibt einen grundlegend anderen Ansatz zur Beleg-Extraktion, der völlig unabhängig vom Layout funktioniert. Er heißt semantische Extraktion und arbeitet so, wie ein Mensch eine Quittung liest – indem er versteht, was jeder Text bedeutet, nicht wo er steht.

Wenn Sie eine Quittung ansehen, suchen Sie nicht nach Koordinaten. Sie suchen nach Bedeutung: „Diese Zahl unten mit einem Dollarzeichen und dem Wort ‚Gesamtsumme‘ darüber – das ist der Gesamtbetrag.“ KI-gestützte semantische Extraktion macht dasselbe. Statt auf bestimmte Quittungslayouts trainiert zu sein, lernt sie die Sprache und Struktur von Quittungen als Dokumenttyp. Sie kennt Konzepte wie „Zwischensumme“, „Steuer“, „Gesamtsumme“, „Rückgeld“ und „Zahlungsmethode“. Sie weiß, dass ein Datum ein Datum ist, ein Dollarbetrag ein Dollarbetrag und ein Händlername meist oben steht. Sie liest die Quittung – sie führt nicht nur eine Texterkennung durch.

Genau das ermöglicht die benutzerdefinierte Spaltenextraktion. Sie legen die gewünschten Spalten in Ihrer Tabelle fest – „Händler“, „Datum“, „Gesamtsumme“, „Steuer“, „Kategorie“ – und die KI findet jeden Wert auf jeder Quittung, indem sie versteht, was diese Spaltennamen bedeuten. Die Extraktion kümmert sich nicht darum, ob „Gesamtsumme“ unten rechts auf einer Home-Depot-Quittung oder mittig links auf einer Walmart-Quittung steht. Sie findet „Gesamtsumme“ durch Bedeutung, nicht durch Position. Dieser Ansatz ist vorlagenfrei: Sie erstellen oder pflegen keine Vorlage für einen einzigen Laden. Sie richten Ihre Spaltennamen einmal ein, und sie funktionieren bei jeder Quittung, die Sie jemals verarbeiten – von jedem Geschäft, jedem Kassensystem, jedem Format.

Der Unterschied zur vorlagenbasierten Texterkennung ist der Unterschied zwischen dem Erinnern, wo etwas war, und dem Verstehen, was etwas ist. Vorlagenbasierte Tools sagen: „Die Gesamtsumme ist bei Koordinaten (450, 820).“ Semantische Extraktion sagt: „Die Gesamtsumme ist die Zahl mit einem Dollarzeichen, der das Wort ‚Gesamtsumme‘ vorausgeht – ich finde sie, egal wo sie auf dieser Seite steht.“ Der zweite Ansatz überlebt Formatänderungen. Der erste Ansatz überlebt gar nichts.

So funktioniert die beleglose Belegerfassung – Schritt für Schritt

Der Workflow zur Extraktion von Belegdaten in eine Tabelle ohne Vorlagen ist einfacher als die vorlagenbasierte Alternative, da es keine Einrichtungsphase gibt. So läuft der gesamte Prozess ab.

Schritt 1: Belege hochladen. Laden Sie Fotos von Papierbelegen, PDFs, Screenshots von E-Mail-Belegen oder eine Mischung aus allen drei Formaten hoch. Mit dem Batch-Upload können Sie einen ganzen Monat – 50 Belege von 15 verschiedenen Geschäften – in einem Schritt hochladen. Das Tool akzeptiert JPG, PNG, PDF und WebP, sodass Sie weder Fotos mit dem Handy machen noch E-Mail-Anhänge speichern müssen – kein Formatkonvertierungsschritt erforderlich.

Schritt 2: Definieren, was extrahiert werden soll. Hier ersetzt die benutzerdefinierte Spaltenextraktion die Vorlagen. Statt Layout-Regeln pro Geschäft zu erstellen, geben Sie die Spaltennamen ein, die Ihren Anforderungen entsprechen. Für die Belegerfassung sieht ein typischer Spaltensatz so aus:

Die letzte Spalte – Kategorie – nutzt eine Funktion namens abgeleitete Spalten. Die KI liest den Beleginhalt (ein Restaurantbeleg zeigt Lebensmittel, ein Office-Depot-Beleg zeigt Bürobedarf) und weist automatisch die richtige Kategorie zu, obwohl kein Beleg ein Feld namens „Kategorie“ enthält. Das bedeutet, dass Extraktion und Klassifizierung in einem Durchlauf erfolgen – Sie extrahieren keine Daten in eine Tabelle und kategorisieren dann jede Zeile manuell.

Schritt 3: Prüfen und exportieren. Die KI verarbeitet jeden Beleg und füllt Ihre Tabellenspalten. Die Ergebnisse erscheinen in einer Tabelle, in der Sie sie prüfen, bei Bedarf korrigieren und dann als Excel (XLSX), CSV oder JSON exportieren können. Jede Zeile in der Tabelle entspricht einem Beleg, jede Spalte einem von Ihnen definierten Feld. Händlername, Datum, Gesamtbetrag, Steuer, Zahlungsmethode und automatisch klassifizierte Kategorie – alles ausgefüllt, ohne eine einzige Vorlage zu berühren oder eine Zelle manuell einzugeben.

Die Verarbeitung einer Seite dauert etwa 5 bis 10 Sekunden – rund 18 Mal schneller als die manuelle Eingabe, die im Schnitt etwa 3 Minuten pro Beleg dauert, wenn man die Zeit für das Suchen des Belegs, das Öffnen der Tabelle, das Eintippen jedes Feldes und das Überprüfen der Eingabe mit dem Original einrechnet.

Welche Daten Sie aus jedem Beleg extrahieren können – und welche nicht

Die semantische Extraktion erfasst die Standardfelder, die auf den meisten Belegen erscheinen. Hier ist, was zuverlässig extrahierbar ist – und wo die realen Grenzen liegen.

Immer extrahierbar: Händlername, Transaktionsdatum, gezahlter Gesamtbetrag, Zahlungsmethode (falls aufgedruckt) und Umsatzsteuer (falls als separate Zeile ausgewiesen). Diese Felder erscheinen auf praktisch jedem Beleg und sind an ihren semantischen Mustern konsistent erkennbar – Daten sehen aus wie Daten, Geldbeträge wie Geldbeträge und Händlernamen stehen immer oben im Dokument.

Meist extrahierbar: Einzelposten (Produktbeschreibungen, Mengen, Einzelpreise, Zeilensummen). Die Genauigkeit der Einzelposten hängt von der Druckqualität des Belegs ab. Ein sauberer Beleg einer landesweiten Kette mit klarem Zeilenformat wird mit hoher Genauigkeit extrahiert – die KI liest jede Zeile als separate Einheit und ordnet Mengen Beschreibungen und Preisen zu. Ein verblasster Thermo-Beleg von 7-Eleven, bei dem Artikelbeschreibungen auf 8 Zeichen gekürzt sind, liefert eine weniger zuverlässige Einzelposten-Extraktion. Diese Einschränkung sollte man ehrlich benennen: Die Extraktion ist nur so gut wie das Quellbild, und die Verschlechterung von Thermopapier ist ein physikalisches Problem, kein Softwareproblem.

Extrahierbar mit abgeleiteten Spalten: Ausgabenkategorie, geschäftlicher Verwendungszweck und Händlertyp-Klassifizierung. Diese sind nicht auf dem Beleg aufgedruckt – die KI leitet sie aus dem Beleginhalt ab. Ein Beleg von Shell mit einem Tankvorgang wird als „Reise" kategorisiert. Ein Beleg von Staples mit Büroartikel-Einzelposten wird als „Bürobedarf" kategorisiert. Ein Beleg eines Restaurants mit einem Essenskauf wird als „Verpflegung" kategorisiert. Berechnete Spalten können während der Extraktion auch Berechnungen durchführen – zum Beispiel die Berechnung des Trinkgeldbetrags durch Subtraktion der Zwischensumme vom Gesamtbetrag oder der Abgleich, ob die Summe der Einzelposten mit dem aufgedruckten Gesamtbetrag übereinstimmt.

Nicht zuverlässig extrahierbar: Handschriftliche Trinkgelder auf verblassten Belegen, teilweise eingerissene Belege mit fehlendem Text und Belege, die so zerknittert sind, dass Text unleserlich ist. KI kann Handschrift besser verarbeiten als herkömmliche OCR – sie liest handschriftliche Gesamtbeträge und Händlernotizen, die vorlagenbasierte Tools nicht erfassen –, aber sie kann Text, der nicht vorhanden ist, nicht wiederherstellen. Ein zu 40 % physisch zerstörter Beleg liefert eine 60%ige Extraktion. Die Ausgabe kennzeichnet unvollständige Felder, und Sie wissen, welche Belege manuell nachbearbeitet werden müssen.

Stapelverarbeitung: Gemischte Belege aus 20 Geschäften, eine Tabelle

Das Problem der Formatvielfalt wird besonders deutlich, wenn Sie Belege in großen Mengen verarbeiten. Ein Monat Ausgaben könnte Folgendes umfassen: 3 Belege von Home Depot (Langformat, Handwerkerlayout), 7 Tankstellenbelege (Kurzformat, ohne Steueraufschlüsselung), 5 Restaurantbelege (Einzelposten mit Trinkgeldzeile), 4 Amazon-E-Mail-Belege (digital, sauber formatiert), 2 Belege lokaler Lieferanten (handschriftliche Summen) und 3 Bürobedarfsbelege (mittleres Format, aufgeschlüsselt). Das sind 24 Belege aus 6 verschiedenen Layoutfamilien – und innerhalb jeder Familie können einzelne Geschäfte eigene Abweichungen aufweisen.

Stapelverarbeitung bedeutet, all diese Belege auf einmal zu verarbeiten und eine einheitliche Tabelle zurückzuerhalten. Sie laden den gesamten Ordner hoch – alle 24 Belege per Drag & Drop – definieren einmal Ihre Spaltennamen, und die KI verarbeitet jeden Beleg einzeln, wobei sie unabhängig vom Format dieselbe semantische Extraktionslogik anwendet. Das Ergebnis ist eine einzige Excel-Datei, in der jede Zeile einem Beleg entspricht, jede Spalte einem von Ihnen definierten Feld, und das Format des Originalbelegs ist für die Qualität der Extraktion unerheblich.

Diese Stapelfunktion verändert die Wirtschaftlichkeit der Belegverarbeitung. 24 Belege manuell zu verarbeiten (3 Minuten pro Stück) dauert 72 Minuten. Die Verarbeitung als Stapel mit semantischer Extraktion benötigt etwa 2 bis 4 Minuten für Upload und Überprüfung. Die Einsparungen summieren sich monatlich: Über ein Jahr spart ein kleines Unternehmen, das 100 Belege pro Monat verarbeitet, etwa 55 Stunden – fast sieben volle Arbeitstage, die für die Belegdateneingabe nicht mehr benötigt werden.

Für Unternehmen, die Belege von mehreren Personen sammeln müssen – Mitarbeiter reichen Spesenbelege ein, Handwerker senden Baustellen-Einkaufsbelege, Kunden stellen Unterlagen bereit – macht der Sammellink das lästige E-Mail-Hin-und-Her überflüssig. Sie erstellen einen teilbaren Link, senden ihn an die Personen, die Belege einreichen müssen, und deren Uploads landen direkt in Ihrer Verarbeitungswarteschlange. Der Einreicher benötigt kein Konto. Er öffnet den Link, gibt einen kurzen Bestätigungscode ein und lädt hoch. Jeder Beleg landet in Ihrem Stapel, bereit zur Verarbeitung in dieselbe Tabelle mit denselben Spaltendefinitionen.

Belegdaten IRS-konform machen: Was die Regeln tatsächlich verlangen

Belegdaten in eine Tabelle zu bekommen, ist nur die halbe Miete. Die andere Hälfte ist sicherzustellen, dass Ihre Aufzeichnungen einer IRS-Prüfung standhalten. Die meisten Kleinunternehmer wissen nicht, dass der IRS digitale Belege seit 1997 offiziell akzeptiert – und die Regeln sind einfacher, als allgemein angenommen.

IRS Publication 463 (Reise-, Geschenk- und Autokosten) und IRS Revenue Procedure 97-22 legen den Rahmen fest. Digitale Belege – einschließlich gescannter Kopien, mit dem Handy aufgenommener Fotos und E-Mail-Belege – haben das gleiche rechtliche Gewicht wie Papieroriginale, sofern sie lesbar, vollständig und während der erforderlichen Aufbewahrungsfrist abrufbar sind. Die Standard-Aufbewahrungsfrist beträgt 3 Jahre ab dem Datum der Steuererklärung, verlängert sich auf 6 Jahre, wenn Einkünfte um mehr als 25 % zu niedrig angegeben wurden, und auf 7 Jahre bei Forderungen im Zusammenhang mit uneinbringlichen Forderungen oder wertlosen Wertpapieren.

Was muss ein gültiger Beleg enthalten? Fünf Elemente: Name des Verkäufers, Transaktionsdatum, gezahlter Betrag, Beschreibung des Gekauften und (sofern erkennbar) die Zahlungsmethode. Bei Geschäftsessen benötigen Sie zusätzlich den geschäftlichen Zweck sowie die Namen und Geschäftsbeziehungen der anwesenden Personen. Die 75-Dollar-Regel – Treasury Regulation § 1.274-5(c)(2)(iii) – besagt, dass für Ausgaben ab 75 $ ein Beleg erforderlich ist und ein Kreditkartenabrechnung allein nicht ausreicht, um eine Geschäftsausgabe nachzuweisen. Unter 75 $ benötigen Sie weiterhin Aufzeichnungen – ein Eintrag in Ihrem Ausgabenlog oder Kalender kann ausreichen –, aber die Belegpflicht ist geringer.

Die praktische Erkenntnis: Das Extrahieren von Belegdaten in eine Tabelle spart nicht nur Zeit. Es schafft einen zeitnahen digitalen Nachweis – genau das, was das Finanzamt verlangt: Dokumentation „zum Zeitpunkt der Ausgabe". Eine Tabellenzeile mit Händler, Datum, Betrag, Beschreibung und Kategorie, hinterlegt mit einer digitalen Kopie des Originalbelegs, ist genau das, was das Finanzamt fordert. Ein Schuhkarton voller verblasster Thermo-papierbelege ist es nicht.

Was die belegfreie Extraktion kostet – und was sie ersetzt

Belegextraktionstools gibt es in einer breiten Preisspanne, die Unterschiede liegen in der zugrunde liegenden Technologie. Vorlagenbasierte OCR-Tools starten oft günstiger – 10 bis 30 Euro pro Monat –, erfordern aber eine Einrichtung pro Händler, die die Ersparnis durch Konfigurationszeit auffrisst. Enterprise-IDP-Plattformen (Intelligent Document Processing) können 500 Euro und mehr pro Monat kosten und sind für Konzerne mit eigenen Implementierungsteams gedacht, nicht für einen Einzelunternehmer, der 80 Belege im Monat verarbeitet.

Vorlagenfreie KI-Extraktionstools sind eine andere Kategorie. ImageToTable.ai bietet zum Beispiel eine kostenlose Stufe, mit der Sie die Extraktion an Ihren eigenen Belegen testen können, gefolgt von kostenpflichtigen Plänen für 9 €/Monat (Basic), 19 €/Monat (Pro) und 59 €/Monat (Max) – kreditbasiert, Sie zahlen also nur für das, was Sie verarbeiten, und nicht für ein Flatrate-Abo, das in schwachen Monaten ungenutzt bleibt.

Die Break-Even-Rechnung lohnt sich. Wenn Sie manuell 4 Stunden pro Monat für Belege brauchen und Ihr Stundensatz bei 32,23 € liegt (der durchschnittliche US-Lohn laut BLS Stand April 2026), sind das 129 € Ihrer Zeit pro Monat. Ein Tool für 9 €/Monat, das den Aufwand auf 30 Minuten reduziert, spart Ihnen allein 97 € Arbeitszeit pro Monat – noch bevor Sie die Abzüge berücksichtigen, die Sie nicht mehr verpassen, weil Belege nicht verloren gehen. Bei 100 Belegen pro Monat liegen die jährlichen Einsparungen bei Arbeitszeit, wiedergefundenen Abzügen und reduzierter Steuerberater-Vorbereitung typischerweise zwischen 1.500 und 3.000 €.

Es geht nicht darum, Ihre Buchhaltungssoftware zu ersetzen. QuickBooks, Xero und Wave bleiben der Ort, an dem Ihre Bücher geführt werden. Expensify und Dext kümmern sich um Spesenabrechnungs-Workflows und die Synchronisation von Belegen mit der Buchhaltung. Die vorlagenfreie Extraktion schließt die Lücke davor: Sie macht aus einem Foto eines Belegs strukturierte Daten, die diese nachgelagerten Tools verarbeiten können. Es ist der Eingabeschritt, der alles danach beschleunigt.

Häufig gestellte Fragen zur Belegextraktion

Funktioniert die Belegextraktion auch mit verblassten Thermo-Bons?

Das hängt vom Grad der Verblassung ab. Thermopapier zersetzt sich bei normaler Lagerung innerhalb von 6 bis 12 Monaten – Hitze, Sonnenlicht und selbst die Plastikhüllen mancher Ordner beschleunigen das Verblassen. Ist der Text noch mit bloßem Auge erkennbar, wenn auch schwach, kann die KI-Extraktion ihn oft lesen, da das Modell visuelle Muster in höherer Auflösung als herkömmliche OCR interpretiert. Ist der Bon völlig verblasst, kann keine Software Text wiederherstellen, der nicht mehr existiert. Die Lösung ist einfach: Digitalisieren Sie Belege (Foto oder Scan) sofort nach Erhalt, bevor das Thermopapier Zeit zum Verblassen hat. Einmal digitalisiert, sind die Daten dauerhaft.

Wie genau ist die Einzelposten-Extraktion aus Belegen?

Die Genauigkeit variiert je nach Belegqualität und Layout-Komplexität. Saubere Belege von nationalen Einzelhändlern mit gut formatierten Artikelrastern werden mit hoher Genauigkeit extrahiert – 95 % bis 99 % bei klar gedrucktem Text. Belege mit abgekürzten Artikelnamen (8-stellige Beschreibungen von Kassensystemen), mehrspaltigen Layouts oder physischen Schäden liefern geringere Genauigkeit. Die Extraktion verarbeitet gemischte Formate im selben Batch: Hochwertige Belege liefern nahezu perfekte Ergebnisse, minderwertige werden zur Überprüfung markiert. Sie müssen nicht den gesamten Batch annehmen oder ablehnen – einzelne Zeilen können korrigiert werden, ohne den Rest erneut zu verarbeiten.

Kann die Belegextraktion Ausgaben für Steuerzwecke automatisch kategorisieren?

Ja, über abgeleitete Spalten. Durch Definieren einer Kategoriespalte mit voreingestellten Optionen (z. B. „Verpflegung / Reise / Bürobedarf / Ausrüstung / Nebenkosten / Sonstiges“) liest die KI den Inhalt jedes Belegs und weist die passende Kategorie zu. Ein Restaurantbeleg erhält „Verpflegung“. Ein Tankstellenbeleg erhält „Reise“. Ein Beleg von Staples erhält „Bürobedarf“. Dies ersetzt nicht die Beurteilung eines Buchhalters oder Steuerberaters – es gibt Grenzfälle (ist ein Essen mit einem Kunden „Verpflegung“ oder „Marketing“?), und die endgültige Kategorisierung liegt bei Ihnen. Aber es erledigt die 80 % der Belege mit eindeutigen Kategorien, was den Großteil der manuellen Arbeit ausmacht.

Kann ich Belege von 10 verschiedenen Geschäften in einem Durchgang verarbeiten?

Ja – genau dafür ist die vorlagenfreie Extraktion gedacht. Laden Sie Belege von Walmart, Home Depot, Amazon, Ihrem lokalen Café, Shell, Staples, einem Restaurant, einem handschriftlichen Lieferantenbeleg und drei weiteren Geschäften in einem Durchgang hoch. Definieren Sie Ihre Spaltennamen einmal. Die KI extrahiert dieselben Felder aus jedem Beleg, unabhängig davon, welches Geschäft ihn ausgestellt hat. Die Ausgabe ist eine Tabelle mit einer Zeile pro Beleg, befüllt aus allen 10+ Formaten.

Anerkennt das Finanzamt digitale Kopien von Belegen?

Ja, seit 1997. Mit dem IRS Revenue Procedure 97-22 wurden digitale Aufzeichnungen formell als rechtlich gleichwertig mit Papieroriginalen anerkannt. Ein gescannter Beleg, ein mit dem Handy aufgenommenes Foto oder eine PDF eines E-Mail-Belegs haben dasselbe Gewicht wie das Papieroriginal – vorausgesetzt, sie sind lesbar, vollständig und während der erforderlichen Aufbewahrungsfrist (in der Regel 3 Jahre, in bestimmten Fällen bis zu 7 Jahre) abrufbar. Die fünf erforderlichen Elemente sind Händlername, Datum, Betrag, Beschreibung und (sofern zutreffend) Zahlungsmethode. Eine Tabellenextraktion aller fünf Elemente, zusammen mit dem Originalbelegbild gespeichert, übertrifft den Dokumentationsstandard.

Was sich ändert, wenn Sie jeden Beleg nicht mehr als Vorlagenproblem betrachten

Die Formatvielfalt realer Belege wird nicht verschwinden. Jedes Kassensystem druckt anders. Jedes Geschäftsupdate mischt das Layout neu. Jeder neue Händler bringt ein Format mit, das Sie noch nie gesehen haben. Diese Vielfalt ist ein dauerhaftes Merkmal der Beleglandschaft – und der Grund, warum die vorlagenbasierte Extraktion an eine Grenze stößt, die keine noch so große Verbesserung der OCR-Genauigkeit beheben kann.

Der Wechsel von der vorlagenbasierten zur semantischen Extraktion ist der Unterschied zwischen der Behandlung jedes Belegs als einzigartiges Layout, das man sich merken muss, und der Behandlung aller Belege als Instanzen desselben Dokumenttyps, den es zu verstehen gilt. Der eine Ansatz skaliert mit der Anzahl der von Ihnen konfigurierten Geschäfte. Der andere skaliert mit der Anzahl der von Ihnen verarbeiteten Belege – und er funktioniert bereits beim ersten Beleg eines noch nie gesehenen Geschäfts, weil er die Bedeutung des Belegs liest, nicht sein Layout.

Für den Freiberufler, der 40 Belege pro Monat von 15 verschiedenen Händlern verarbeitet, oder den Kleinunternehmer, der 120 Belege pro Monat von 25 verschiedenen Lieferanten verarbeitet, ist die Rechnung dieselbe: Sie können entweder Vorlagen für jedes Geschäft, bei dem Sie einkaufen, erstellen und pflegen, oder Sie verwenden eine Methode, die diese nicht benötigt. Die zweite Option ist technisch schon seit einiger Zeit möglich. Das Problem der Formatvielfalt hat sie einfach notwendig gemacht.

Testen Sie es mit Ihren eigenen Belegen – der kostenlose Tarif deckt genug Volumen ab, um einen Monat zu verarbeiten und den Unterschied selbst zu sehen. Beginnen Sie mit ein paar Belegen von verschiedenen Geschäften und vergleichen Sie die Ausgabe mit dem, was Sie manuell eingeben würden. Die Formatvielfalt, mit der Sie täglich umgehen, ist der beste Testfall.