Konvertieren Sie Belege jedes Geschäfts in Excel zu einer konsolidierten Tabelle
Schluss mit dem manuellen Abtippen von Summen und Kategorien aus Belegen, die nie zweimal gleich aussehen: winzige Thermoschrift, verblasste Tinte, kein festes Layout wie bei Rechnungen. Benennen Sie die gewünschten Spalten, z. B. Datum, Händler, Betrag, Kategorie und gekaufte Artikel, und die KI findet jeden Wert anhand der Bedeutung – nicht anhand der Position auf der Seite.
Verschlüsselte Verarbeitung · Automatische Löschung der Daten nach der Konvertierung
Was Sie aus Belegen extrahieren können
Jede Beleg-zu-Excel-Konvertierung beginnt hier mit dem, was Sie tatsächlich benötigen, nicht mit dem, was der Beleg zufällig ausdruckt. Benennen Sie die Spalte, z. B. „Gesamtbetrag“ oder „Zahlungsmethode“, und die KI findet sie auf jedem Beleg, egal ob sie in winzigem Thermodrucktext am unteren Rand eines Kassenzettels vergraben oder in die Ecke einer Restaurantrechnung gequetscht ist.
Das Tool verwendet die Benutzerdefinierte Spaltenextraktion: Sie bestimmen die Spaltennamen in Ihrer Ausgabetabelle, z. B. „Datum“, „Händler“, „Betrag“, „Kategorie“, „Gekaufte Artikel“, und die KI findet den passenden Wert auf jedem Beleg, indem sie die semantische Bedeutung des Feldes versteht – nicht durch Abgleich mit einer festen Vorlage oder Koordinate. Das bedeutet, dass ein Satz von Spaltennamen gleichzeitig für Lebensmittelbelege, Baumarktquittungen, Restaurantrechnungen und Apothekenbelege funktioniert, auch wenn jedes Geschäft Beträge, Daten und Artikelbeschreibungen an völlig unterschiedlichen Positionen auf dem Papier platziert. Sie können auch eine abgeleitete Spalte definieren, z. B. eine Spalte mit dem Namen „Kategorie (Optionen: Mahlzeiten/Büromaterial/Reisen/Material/Sonstiges)“, und die KI klassifiziert jeden Beleg anhand des Händlernamens, der gekauften Artikel und des Kaufkontexts und fügt diese Klassifizierung Ihrer Ausgabe hinzu, ohne dass sie explizit auf dem Beleg gedruckt sein muss.
Warum Belege vorlagenbasierte Extraktion scheitern lassen – und was hier anders ist
Ein Beleg ist kein standardisiertes Dokument. Anders als Rechnungen, die buchhalterischen Konventionen folgen – etwa Rechnungsempfänger, Lieferadresse und Positionen mit Einzelpreisen – druckt jedes Geschäft sein eigenes Format. Home Depot druckt Holz-SKUs in einer Spalte und Summen in einer anderen. Ein Restaurant druckt handschriftliche Trinkgelder über gedruckte Zwischensummen. Ein Apothekenbeleg zieht sich über sechs Fuß mit abgekürzten Medikamentencodes. Vorlagenbasierte Tools, die auf feste Koordinaten oder beschriftete Felder angewiesen sind, versagen, sobald sich das Format ändert – und bei Belegen passiert das in jedem Geschäft. Die Konvertierung von Belegen zu Excel erfordert einen anderen Ansatz, und die KI meistert das, indem sie Bedeutung statt Position liest. Belege sind einfach der chaotischste Fall einer breiteren Kategorie: unstrukturierte Datenextraktion macht jedes Dokument ohne festes Raster lesbar – und ein Beleg sitzt an ihrem äußersten Ende.
Jedes Geschäft druckt ein anderes Belegformat, und es gibt kein Standardlayout. Rechnungen folgen einer vorhersehbaren Struktur: Kopfbereich mit Rechnungsadresse, Tabellenzeilen mit Menge/Einzelpreis/Gesamtsumme, Fußbereich mit Zwischensumme/Steuer/Endsumme. Belege folgen keiner solchen Konvention. Ein Lebensmittelbeleg listet Artikel von oben nach unten mit abgekürzten Namen in der linken Spalte und Preisen rechts auf. Ein Baumarktbeleg stapelt SKU-Codes, Mengen und Preise in drei Spalten. Ein Restaurantbeleg druckt Artikel in einer einzigen Spalte mit der unten eingekreisten Summe und einem handschriftlich notierten Trinkgeld obendrauf. Ein Vorlagen-Tool, das „Gesamtsumme“ in der unteren rechten Ecke einer festen Koordinate erwartet, scheitert bei Geschäft Nr. 2. Für jedes Geschäft, in dem Sie einkaufen, eine separate Vorlage zu trainieren, macht den Zweck der Automatisierung zunichte.
Thermopapier verblasst, Tinte verschmiert, und Schriftgrößen sind mikroskopisch klein. Belege werden auf Thermopapier gedruckt, nicht mit Tinte, und verblassen über Wochen oder Monate. Ein Beleg, der perfekt lesbar war, als Sie ihn in Ihre Brieftasche gesteckt haben, ist ein geisterhafter Papierstreifen, wenn Sie ihn für die Spesenabrechnung wieder herausholen. Die „Gesamtsumme“ könnte in 8-Punkt-Schrift am unteren Ende eines 3 Zoll breiten Streifens gedruckt sein. Herkömmliche OCR sieht mehrdeutige Zeichenformen und rät; das visuelle LLM nutzt stattdessen den Dokumentkontext, sodass es weiß, dass der verblasste Fleck neben „$“ in der letzten Zeile wahrscheinlich die Gesamtsumme ist, selbst wenn einzelne Ziffern kaum zu unterscheiden sind. Aber es gibt eine physische Grenze: Wenn Text so weit verblasst ist, dass ein Mensch einzelne Zeichen nicht mehr lesen kann, kann KI sie auch nicht wiederherstellen. Fotografieren Sie Belege sofort nach Erhalt für die zuverlässigste Extraktion.
Belege mischen handschriftliche und gedruckte Inhalte auf derselben kleinen Fläche. Ein Restaurantbeleg ist ein besonders schwieriges Dokument: Der Kellner druckt die Zwischensumme, Sie schreiben ein Trinkgeld dazu, und die beiden Zahlen liegen nur Zentimeter voneinander entfernt auf einem 3 Zoll breiten Streifen Thermopapier, manchmal überlappt die handschriftliche Summe sogar die gedruckte Zwischensumme. Das ist der schwierigste Belegfall für jedes Extraktionssystem. Die KI versucht, beides zu lesen, und verlässt sich auf die handschriftliche Summe als endgültigen Betrag, wenn beide vorhanden sind – aber die Genauigkeit ist hier geringer als bei vollständig gedruckten Belegen. Für compliance-kritische Erstattungen prüfen Sie handschriftliche Trinkgeldpositionen manuell.
Erhalten Sie konsistente Daten, egal wie ein Beleg aufgebaut ist, denn die KI gleicht Spalten nach Bedeutung ab, nicht nach Position. Geben Sie „Datum", „Händler", „Gesamtbetrag", „Kategorie" und „Gekaufte Artikel" ein, und die KI liest das Layout jedes Belegs und findet den passenden Wert, indem sie versteht, was die Daten darstellen. Sie weiß, dass der Dollar-Betrag am unteren Ende des Belegs, nach der Artikelliste und über der Zahlungsmethode, der „Gesamtbetrag" ist – egal ob er als „Grand Total", „Amount Due", „Balance" oder gar nicht beschriftet ist. Sie weiß, dass der Geschäftsname ganz oben auf dem Beleg, selbst in einem Logo-Bild oder einer dekorativen Schriftart, der „Händler" ist. Dieser semantische Ansatz bedeutet, dass Ihre Spaltennamen ohne Änderung für das Format jedes Geschäfts funktionieren.
Eine Spaltendefinition verarbeitet das Format jedes Geschäfts – von Home-Depot-Holz-SKUs über Kroger-Lebensmittelcodes bis hin zu handschriftlichen Restaurant-Summen. Laden Sie einen Stapel mit einem Home-Depot-Beleg (SKU-Codes + Mengen in Spalten), einem Kroger-Beleg (abgekürzte Artikelnamen + Preise, keine SKUs), einer digitalen Amazon-Rechnung (PDF mit strukturierten Positionszeilen) und einem Restaurantbeleg (handschriftliches Trinkgeld + gedruckte Zwischensumme auf Thermopapier) hoch. Definieren Sie Ihre Spalten einmal, z. B. „Datum", „Händler", „Betrag", „Kategorie", und die KI liest das individuelle Layout jedes Dokuments unabhängig und erstellt eine konsolidierte Tabelle, in der jede Zeile demselben Schema folgt. Die Spalte „Gekaufte Artikel" erfasst Positionszeilen aus der strukturierten Amazon-Rechnung genauso natürlich wie abgekürzte Lebensmittelnamen vom Kroger-Beleg. Keine Konfiguration pro Geschäft. Kein Vorlagen-Training. Keine Einschränkung wie „Dieses Tool funktioniert nur mit dem Home-Depot-Format".
Belege von 20 verschiedenen Geschäften, ein Stapel, eine Tabelle, mit einer automatischen Händlernamens-Spalte, um nachzuverfolgen, aus welcher Zeile jede Zeile stammt. Benennen Sie eine „Händler"-Spalte, und die KI füllt sie mit dem Geschäftsnamen, der auf jedem Beleg gedruckt ist – egal ob „Home Depot #0123", „Starbucks #8841", ein lokales Diner mit einem Nur-Logo-Kopf oder eine digitale Amazon-Rechnung mit dem Firmennamen im E-Mail-Kopf. Jede Zeile in Ihrer Ausgabetabelle ist mit ihrer Quelle gekennzeichnet, sodass Sie nach Geschäft filtern, Einkäufe nach Händler gruppieren oder Ausgaben nach Anbieter sortieren können – alles aus einem Stapel-Upload. Dies ist der Kernunterschied zwischen einer Stapelverarbeitung, die tatsächlich über heterogene Belege hinweg funktioniert, und einer Stapelverarbeitung, die erfordert, dass Sie vorher nach Geschäft sortieren.
So wird ein gemischter Batch von Belegen verschiedener Geschäfte konsolidiert
Hochladen: Was Sie haben, unverändert
Sie legen am Monatsende 30 Belege auf Ihren Schreibtisch: 12 von Home Depot und Lowe's (Materialeinkäufe, auf Normalpapier gedruckt, mit SKU-Spalten und Auftragskontonummern), 8 von Restaurants (Thermopapier, einige mit handschriftlichen Trinkgeldnotizen über dem gedruckten Zwischensummenbetrag), 5 von Amazon (digitale PDF-Rechnungen mit strukturierten Positionen und Steueraufschlüsselungen), 3 von einem örtlichen Lebensmittelgeschäft (6-Fuß-Thermostreifen mit abgekürzten Großbuchstaben-Artikeln und Preisen am rechten Rand) und 2 von einer Apotheke (dichte 4-Fuß-Thermobelege mit PLU-Codes und Versicherungsanpassungszeilen). Machen Sie Fotos mit Ihrem Telefon oder scannen Sie die Papierbelege. Laden Sie alle 30 als einen Stapel hoch, ohne Vorsortierung nach Geschäft, ohne Trennung von Papier und digital, und ohne Schritt zur Vorlagenauswahl.
Spalten definieren: Was Sie herausbekommen möchten
Alle 30 Belege werden in einem einzigen Schema zusammengeführt, sobald Sie es definieren, egal wie unterschiedlich jedes Geschäft sie gedruckt hat: Datum, Händler, Gekaufte Artikel, Zwischensumme, Steuer, Gesamt, Zahlungsmethode, Kategorie. Bei den Home-Depot-Belegen liest die KI SKU-Codes und Mengen aus den jeweiligen Spalten und den Gesamtbetrag aus dem unteren Zusammenfassungsbereich. Bei den Amazon-Rechnungen liest sie strukturierte Positionen aus der Rechnungstabelle und die Steuer aus dem Aufschlüsselungsbereich. Bei den Restaurantbelegen liest sie die gedruckte Zwischensumme und die handschriftliche Trinkgeldsumme. Bei den Lebensmittelbelegen parst sie abgekürzte Artikelcodes („ORG BANANA 4011“) und gleicht Preise vom rechten Rand ab. Bei den Apothekenbelegen erfasst sie PLU-Arzneimittelcodes und den Endbetrag nach Versicherungsanpassungen. Eine einzige Spaltendefinition deckt den gesamten 30-Belege-Stapel ab, und die KI passt sich unabhängig an das Layout jedes Belegs an.
Ausgabe: Eine Tabelle, eine Zeile pro Beleg, jede Spalte konsistent
Laden Sie eine Excel-Datei mit 30 Zeilen herunter, eine pro Beleg, und Ihren benannten Spalten als Kopfzeilen. Die Datumsspalte verwendet ein einheitliches Format für alle Geschäfte. Die Spalte „Händler“ zeigt Ihnen genau, aus welchem Geschäft jede Zeile stammt (befüllt aus dem Geschäftsnamen auf jedem Beleg, ob es sich um ein Firmenlogo oder einen handgeschriebenen Kopf eines lokalen Diners handelt). Die Spalte „Kategorie“, falls Sie sie als abgeleitete Spalte definiert haben, klassifiziert jeden Einkauf automatisch als Mahlzeiten, Bürobedarf, Materialien oder Reisen – basierend auf dem Händlernamen und den gekauften Artikeln, ohne dass ein „Kategorie“-Label irgendwo auf den Originalbelegen erforderlich ist. Export als XLSX, CSV oder JSON. Übergeben Sie die Tabelle Ihrem Buchhalter oder importieren Sie sie direkt in QuickBooks, Xero oder Ihr Spesenabrechnungssystem.
Wann es am besten funktioniert und wann Sie Ergebnisse prüfen sollten
Die Extraktionsgenauigkeit variiert bei Belegen stärker als bei strukturierten Formularen, da die Formatvielfalt größer ist. Hier erfahren Sie, was Sie je nach Belegtyp und -zustand erwarten können.
Zuverlässige Verarbeitung
Digitale Belege (PDF oder E-Mail). Maschinell erstellte Belege von Amazon, Airbnb, Hotelrechnungen und E-Commerce-Shops werden mit nahezu perfekter Genauigkeit extrahiert, da alle Felder sauber gedruckt oder mit beschrifteten Werten strukturiert sind.
Frische Thermobelege, die bei gutem Licht fotografiert wurden. Belege, die innerhalb weniger Stunden nach dem Druck fotografiert werden, extrahieren Summe, Datum, Händlername und Zahlungsmethode zuverlässig aus Einzelhandels-, Lebensmittel- und Gastronomieformaten. Das visuelle LLM versteht das räumliche Layout eines Belegs (oben = Händler, unten = Summe, Mitte = Artikel), auch wenn Felder unbeschriftet sind.
Batch-Verarbeitung mit gemischten Händlern. Laden Sie Belege von über 20 verschiedenen Geschäften in einem Batch hoch: Das gleiche Spalten-Setup (Datum, Händler, Kategorie, Betrag, Gekaufte Artikel) gilt für alle und erzeugt eine konsistente Tabelle. Jede Zeile wird für die Filterung mit dem Händlernamen gekennzeichnet.
Beleg-Batches mit mehreren Währungen. Wenn Ihr Batch einen Beleg in EUR von einer Geschäftsreise und Belege in USD von Inlandskäufen enthält, definieren Sie eine Spalte „Währung“ und die KI liest das Währungssymbol von jedem Beleg ($, €, £, ¥) und erfasst den Betrag wie gedruckt. Konvertieren Sie anschließend in Excel.
Diese Fälle prüfen
Verblasste Thermoquittungen. Thermopapier verblasst mit der Zeit, besonders wenn es in einer warmen Geldbörse oder im Handschuhfach aufbewahrt wird. Die KI nutzt den Dokumentkontext, um Lücken zu füllen, aber physisch fehlende Zeichen können nicht wiederhergestellt werden. Fotografieren Sie Quittungen zeitnah für eine zuverlässige Extraktion. Wenn eine Quittung älter als 3 Monate ist und unter nicht idealen Bedingungen gelagert wurde, rechnen Sie damit, dass einige Felder leer bleiben.
Restaurantquittungen mit handschriftlichen Trinkgeldern. Handschriftliche Trinkgeldbeträge auf gedruckten Zwischensummen auf kleinem Thermopapier sind der schwierigste Einzelfall. Die KI versucht, sowohl die gedruckte Zwischensumme als auch die handschriftliche Gesamtsumme zu lesen, aber wenn die handschriftliche Zahl den gedruckten Text überlappt, sinkt die Genauigkeit. Überprüfen Sie trinkgeldkorrigierte Gesamtbeträge manuell für alle compliance-relevanten Erstattungen.
Dichte Apotheken- oder Lebensmittelpositionen mit abgekürzten Codes. Quittungen mit stark abgekürzten Artikelcodes (PLU-Codes für Medikamente, SKU-Nummern wie „ORG BANANA 4011“) werden bei den Codes genau extrahiert, aber die Kategorieableitung aus obskuren Abkürzungen ist weniger zuverlässig. Verwenden Sie eine Item Code-Spalte, um den Rohcode zu erfassen, und Item Description für den lesbaren Namen, wenn verfügbar, anstatt sich bei SKU-only-Zeilen auf die Kategorieableitung zu verlassen.
Quittungen, die in extremen Winkeln oder bei schwachem Licht fotografiert wurden. Ein schneller Schnappschuss in einem 45-Grad-Winkel bei gedimmtem Restaurantlicht erzeugt ein Quittungsbild mit perspektivischer Verzerrung und geringem Kontrast. Die KI verarbeitet moderate Winkel und Lichtschwankungen, aber in schweren Fällen, in denen die Quittungsecken trapezförmig statt rechteckig sind, sinkt die Genauigkeit. Legen Sie die Quittung flach auf einen Tisch und fotografieren Sie sie bei gutem Licht direkt von oben für beste Ergebnisse.
Häufig gestellte Fragen
Kann ich Belege von verschiedenen Geschäften, wie Home Depot, Amazon und einem Restaurant, in einer Stapelverarbeitung in eine einzige Tabelle verarbeiten?
Ja. Laden Sie Belege von beliebigen Geschäften in beliebiger Formatmischung hoch: Papier, digitale PDFs, E-Mail-Screenshots. Legen Sie Ihre Spalten einmal fest, z. B. „Datum“, „Händler“, „Betrag“, „Kategorie“, und alle Belege liefern Daten in denselben Spalten, zusammengeführt in einer einzigen Excel-Datei. Der entscheidende Unterschied zu vorlagenbasierten Tools besteht darin, dass die KI das Layout jedes Belegs unabhängig liest, indem sie versteht, was die Daten bedeuten, und nicht durch Abgleich mit festen Koordinaten. Das bedeutet, dass ein Home-Depot-Beleg (SKU-Codes in Spalten) und ein Restaurantbeleg (Positionen in einer einzelnen Spalte mit handschriftlichem Trinkgeld) beide saubere, konsistente Zeilen in derselben Tabelle erzeugen – ohne Einrichtung von Vorlagen pro Geschäft oder formatspezifische Konfiguration.
Kann die KI einzelne Positionen extrahieren, nicht nur die Gesamtsumme?
Ja, mit Einschränkungen. Definieren Sie Spalten wie „Artikelname“, „Menge“ und „Einzelpreis“, und die KI extrahiert die Positionen. Die Extraktion von Positionen ist schwieriger als die von Zusammenfassungsfeldern: Dichte Belege mit abgekürzten Artikelnamen („ORG BANANA 4011“ auf einem Lebensmittelbeleg) und mehrzeilige Beschreibungen sind die anspruchsvollsten Fälle. Digitale Belege mit strukturierten Positionstabellen werden mit hoher Genauigkeit extrahiert. Dichte Thermo-Belege mit über 40 abgekürzten Positionen weisen bei einzelnen Artikelnamen eine geringere Genauigkeit auf als bei Gesamtsumme und Datumsfeldern. Wenn für die Ausgabenkategorisierung Gesamtsumme und Händler ausreichen, überspringen Sie die Positionsspalten, um schnellere und zuverlässigere Ergebnisse zu erzielen.
Was ist mit verblassten Thermo-Belegen?
Das visuelle LLM kann aus verblassten Belegen mehr extrahieren als herkömmliche OCR, da es den Dokumentkontext nutzt, um Lücken zu füllen. Es weiß, dass die verblasste Textzeile unten auf dem Beleg neben einem Dollarzeichen wahrscheinlich die Gesamtsumme ist, und dass der verblasste Text ganz oben auf einem schmalen Streifen der Händlername ist. Es gibt jedoch eine physische Grenze. Wenn Text so stark verblasst ist, dass ein Mensch einzelne Zeichen nicht mehr lesen kann, kann auch die KI sie nicht wiederherstellen. Bewährte Vorgehensweise: Fotografieren Sie Belege sofort nach Erhalt, bevor das Verblassen durch die Thermopapier-Technologie einsetzt. Bei bereits verblassten Belegen sollten Sie damit rechnen, dass einige Felder leer bleiben, da die KI geringe Konfidenz anzeigt, statt zu raten.
Wie sammle ich Belege von Mitarbeitern oder Kunden?
Nutzen Sie den Sammellink: Erstellen Sie einen teilbaren Upload-Link und senden Sie ihn an alle, die Belege einreichen müssen. Diese öffnen den Link auf ihrem Telefon, geben einen kurzen Verifizierungscode ein und laden die Belege direkt hoch – ohne Kontoerstellung. Alle Einreichungen landen in Ihrer Verarbeitungswarteschlange, wo Sie sie mit Ihren Standardspalten in einer konsolidierten Tabelle verarbeiten können. Dies ist besonders nützlich für: das Sammeln von Spesenbelegen von Außendienstmitarbeitern, die jede Woche bei verschiedenen Lieferanten einkaufen, das Sammeln von Belegen von Auftragnehmern, die Baumaterialien bei Home Depot/Lowe's/Menards in verschiedenen Städten kaufen, und den Empfang digitaler Belege, die von Teammitgliedern weitergeleitet werden, die Online-Einkäufe bei Amazon, Staples und Fachhändlern tätigen. Die KI übernimmt die Formatvielfalt, sodass Ihr Team nur ein Foto machen muss. Der Sammellink funktioniert auch für Portokassenbelege – die handschriftlichen Zettel, die ein Büroleiter für kleine Barkäufe sammelt, können in dieselbe Einreichungswarteschlange eingefügt werden.
Verarbeitet das Tool Restaurantbelege mit handschriftlichen Trinkgeldern?
Ja, aber das ist der schwierigste Einzelfall. Handschriftliche Trinkgeldbeträge auf gedruckten Zwischensummen, auf 3 Zoll breitem Thermopapier, stellen mehrere Herausforderungen gleichzeitig dar: Handschriftliche Ziffern können die gedruckte Summe überlappen, kursiv geschriebene Zahlen („4“ vs. „9“ vs. „7“) sind in kleinen Größen von Natur aus mehrdeutig, und der Trinkgeldbetrag wird oft in einer anderen Ausrichtung als der gedruckte Text geschrieben. Die KI versucht, sowohl die gedruckte Zwischensumme als auch den handschriftlichen Gesamtbetrag zu lesen, wobei der handschriftliche Gesamtbetrag als endgültiger Betrag priorisiert wird, wenn beide vorhanden und unterscheidbar sind. Für die routinemäßige Spesenverfolgung ist die Genauigkeit ausreichend. Für compliance-kritische Erstattungen, bei denen der exakte, um das Trinkgeld modifizierte Gesamtbetrag wesentlich ist, empfehlen wir eine schnelle visuelle Überprüfung der Restaurantbelegzeilen in Ihrer Ausgabetabelle: Prüfen Sie die Spalte „Gesamt“ für jeden Restaurant-Eintrag und vergleichen Sie sie mit dem Belegfoto. Dies dauert Sekunden pro Batch, nicht Minuten pro Beleg.
Sind KI-extrahierte Belege steuerlich anerkannt?
Der IRS akzeptiert digitale Belegaufzeichnungen seit 1997 als gültige Dokumentation (Revenue Procedure 97-22). KI-extrahierte Tabellendaten erfüllen die Dokumentationsanforderungen, wenn sie mit den als Sicherung aufbewahrten Originalbelegbildern kombiniert werden: Die Tabelle liefert den durchsuchbaren, analysierbaren Datensatz, während die Originalfotos als Quelldokumentation dienen. ImageToTable.ai speichert hochgeladene Dokumente nach Abschluss der Verarbeitung nicht. Bewahren Sie die Originalbelegfotos in Ihren eigenen Unterlagen auf (lokaler Ordner, Cloud-Speicher oder an Ihre Buchhaltungssoftware angehängt) zusammen mit der extrahierten Tabelle, um eine vollständige Prüfkette zu gewährleisten.