Wandeln Sie Belege in Excel um, indem Sie Ihre Spalten benennen – jeder Laden, eine Tabelle
Jeder Laden druckt ein anderes Belegformat – winzige Thermodruck-Schrift, verblasste Tinte, nicht standardisierte Layouts, anders als Rechnungen, die Buchhaltungskonventionen folgen. Benennen Sie die gewünschten Spalten – Datum, Händler, Betrag, Kategorie, gekaufte Artikel – und die KI liest jeden Beleg, indem sie versteht, was die Daten bedeuten, nicht wo sie auf der Seite stehen.
Verschlüsselte Verarbeitung · Automatische Löschung der Daten nach der Konvertierung
Was Sie aus Belegen extrahieren können
Geben Sie die benötigten Spaltennamen ein – die KI findet diese Werte auf jedem Beleg, indem sie die Bedeutung jedes Feldes semantisch versteht, egal ob es sich um eine „Summe" handelt, die in winziger Thermodruckschrift am unteren Rand eines Kassenzettels versteckt ist, oder um eine „Zahlungsmethode", die in einer Ecke einer Restaurantrechnung untergebracht ist.
Das Tool nutzt die benutzerdefinierte Spaltenextraktion: Sie legen die Spaltennamen in Ihrer Ausgabetabelle fest – „Datum", „Händler", „Betrag", „Kategorie", „Gekaufte Artikel" – und die KI findet den passenden Wert auf jeder Quittung, indem sie die Bedeutung des Feldes semantisch versteht, nicht durch eine feste Vorlage oder Koordinate. So funktioniert ein Satz Spaltennamen gleichzeitig für Quittungen von Lebensmittelgeschäften, Baumärkten, Restaurants und Apotheken, obwohl jedes Geschäft Beträge, Daten und Artikelbeschreibungen an völlig unterschiedlichen Positionen auf dem Papier platziert. Sie können auch eine abgeleitete Spalte definieren – zum Beispiel eine Spalte namens „Kategorie (Optionen: Mahlzeiten/Bürobedarf/Reisen/Materialien/Sonstiges)" – und die KI klassifiziert jede Quittung basierend auf Händlername, gekauften Artikeln und Kaufkontext und fügt diese Klassifizierung Ihrer Ausgabe hinzu, ohne dass sie explizit auf der Quittung gedruckt sein muss.
Warum Belege vorlagenbasierte Extraktion scheitern lassen – und was hier anders ist
Ein Beleg ist kein standardisiertes Dokument. Anders als Rechnungen, die Buchhaltungskonventionen folgen – Rechnungsadresse, Lieferadresse, Positionen mit Einzelpreisen – druckt jeder Laden 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 sechs Fuß lang mit abgekürzten Arzneimittelcodes. Vorlagenbasierte Tools, die auf festen Koordinaten oder beschrifteten Feldern beruhen, versagen, sobald sich das Format ändert – und bei Belegen ändert es sich mit jedem Laden. Die KI geht das grundlegend anders an.
Jeder Laden druckt ein anderes Kassenbon-Format – es gibt keinen Standard. Rechnungen folgen einer vorhersehbaren Struktur: Kopfzeile mit Rechnungsadresse, Tabelle mit Positionen/Menge/Einzelpreis/Gesamtsumme, Fußzeile mit Zwischensumme/Steuer/Endsumme. Kassenbons folgen keiner solchen Konvention. Ein Lebensmittelbon listet Artikel von oben nach unten mit abgekürzten Namen in der linken Spalte und Preisen rechts. Ein Baumarktbon stapelt SKU-Codes, Mengen und Preise in drei Spalten. Ein Restaurantbon druckt Artikel in einer einzigen Spalte, mit der eingekreisten Summe unten – und einem handschriftlichen Trinkgeld obendrauf. Ein Vorlagentool, das „Gesamtsumme" in der unteren rechten Ecke einer festen Koordinate erwartet, scheitert bei Laden Nr. 2. Für jeden Laden, bei dem Sie einkaufen, eine separate Vorlage zu trainieren, macht den Sinn der Automatisierung zunichte.
Thermopapier verblasst, Tinte verschmiert und Schriftgrößen sind mikroskopisch klein. Kassenbons werden auf Thermopapier gedruckt – nicht mit Tinte –, das innerhalb von Wochen oder Monaten verblasst. Ein Bon, der beim Einstecken in die Brieftasche noch perfekt lesbar war, ist beim Hervorholen für die Spesenabrechnung nur noch ein geisterhafter Papierstreifen. Die „Gesamtsumme" könnte in 8-Punkt-Schrift am unteren Ende eines 7,5 cm breiten Streifens gedruckt sein. Herkömmliche OCR rät bei mehrdeutigen Zeichenformen; das visuelle LLM nutzt den Dokumentkontext – es weiß, dass der verblasste Klecks neben „€" in der letzten Zeile wahrscheinlich die Summe ist, selbst wenn einzelne Ziffern kaum zu unterscheiden sind. Aber es gibt eine physikalische Grenze: Wenn Text so stark verblasst ist, dass ein Mensch einzelne Zeichen nicht mehr lesen kann, kann KI sie auch nicht wiederherstellen. Fotografieren Sie Kassenbons sofort nach Erhalt für die zuverlässigste Extraktion.
Kassenbons mischen handschriftliche und gedruckte Inhalte auf derselben kleinen Fläche. Ein Restaurantbon ist ein besonders schwieriges Dokument: Der Kellner druckt die Zwischensumme, Sie schreiben einen Trinkgeldbetrag dazu, und die beiden Zahlen liegen nur Zentimeter auseinander auf einem 7,5 cm breiten Thermopapierstreifen – manchmal überlappt die handschriftliche Summe die gedruckte Zwischensumme. Dies ist der mit Abstand schwierigste Kassenbon-Fall für jedes Extraktionssystem. Die KI versucht, beides zu lesen, und verlässt sich bei Vorhandensein beider Beträge auf die handschriftliche Summe als endgültigen Betrag, aber die Genauigkeit ist hier geringer als bei vollständig gedruckten Bons. Für compliance-relevante Erstattungen überprüfen Sie handschriftliche Trinkgeldpositionen manuell.
Benennen Sie Ihre Spalten – die KI findet die Daten inhaltlich, nicht nach Position. Geben Sie „Datum", „Händler", „Gesamtsumme", „Kategorie" und „Gekaufte Artikel" ein – die KI analysiert das Layout jedes Belegs und findet den passenden Wert, indem sie versteht, was die Daten bedeuten. Sie erkennt, dass der Dollar-Betrag unten auf dem Beleg, nach der Artikelliste und vor der Zahlungsmethode, die „Gesamtsumme" ist – egal ob „Endsumme", „Rechnungsbetrag", „Saldo" oder gar keine Beschriftung. Sie erkennt den Ladenname ganz oben auf dem Beleg – selbst in einem Logo-Bild oder einer dekorativen Schrift – als „Händler". Dieser semantische Ansatz bedeutet, dass Ihre Spaltennamen ohne Anpassung in jedem Ladenformat funktionieren.
Eine Spaltendefinition verarbeitet jedes Ladenformat – von Home Depot Holz-SKUs über Kroger-Lebensmittelcodes bis zu handschriftlichen Restaurantrechnungen. Laden Sie einen Stapel hoch mit einer Home-Depot-Quittung (SKU-Codes + Mengen in Spalten), einer Kroger-Quittung (abgekürzte Artikelnamen + Preise, keine SKUs), einer Amazon-Digitalrechnung (PDF mit strukturierten Positionen) und einer Restaurantrechnung (handschriftliches Trinkgeld + gedruckter Zwischensumme auf Thermopapier). Definieren Sie Ihre Spalten einmal – „Datum", „Händler", „Betrag", „Kategorie" – und die KI liest jedes Dokumentlayout unabhängig aus und erstellt eine konsolidierte Tabelle, in der jede Zeile dem gleichen Schema folgt. Die Spalte „Gekaufte Artikel" erfasst Positionen aus der strukturierten Amazon-Rechnung genauso natürlich wie abgekürzte Lebensmittelnamen von der Kroger-Quittung. Keine Konfiguration pro Laden. Kein Vorlagentraining. Keine Einschränkung wie „dieses Tool funktioniert nur mit Home-Depot-Format".
Belege von 20 verschiedenen Läden, ein Stapel, eine Tabelle – mit automatischer Händler-Spalte zur Nachverfolgung der Herkunft jeder Zeile. Nennen Sie eine Spalte „Händler" und die KI füllt sie mit dem auf jedem Beleg gedruckten Ladenname – egal ob „Home Depot #0123", „Starbucks #8841", ein lokaler Imbiss mit Logo-Header oder eine Amazon-Digitalrechnung mit Firmenname im E-Mail-Header. Jede Zeile in Ihrer Ausgabetabelle ist mit ihrer Quelle gekennzeichnet, sodass Sie nach Laden filtern, Einkäufe nach Händler gruppieren oder Ausgaben nach Verkäufer sortieren können – alles aus einem Stapel-Upload. Dies ist der Kernunterschied zwischen Stapelverarbeitung, die tatsächlich mit heterogenen Belegen funktioniert, und Stapelverarbeitung, die ein Vorsortieren nach Laden erfordert.
So wird ein gemischter Belegstapel verschiedener Geschäfte konsolidiert
Hochladen — so wie es ist
Sie legen 30 Belege Ende des Monats auf Ihren Schreibtisch: 12 von Home Depot und Lowe's (Materialeinkäufe, auf DIN A4 mit SKU-Spalten und Auftragsnummern), 8 von Restaurants (Thermopapier, teils handschriftliche Trinkgelder auf dem gedruckten Zwischensumme), 5 von Amazon (digitale PDF-Rechnungen mit strukturierten Positionen und Steueraufschlüsselung), 3 vom lokalen Supermarkt (1,80 m lange Thermostreifen mit abgekürzten Artikeln in Großbuchstaben und Preisen am rechten Rand) und 2 von der Apotheke (dichte 1,20 m Thermoquittungen mit PLU-Codes und Versicherungsanpassungen). Fotografieren Sie sie mit dem Handy oder scannen Sie die Papierbelege. Laden Sie alle 30 auf einmal hoch — keine Vorsortierung nach Geschäft, keine Trennung von Papier und Digital, keine Vorlagenauswahl.
Spalten definieren — was Sie wollen
Geben Sie die Spaltennamen für Ihre Ausgabetabelle ein: Datum, Händler, Gekaufte Artikel, Zwischensumme, Steuer, Gesamtbetrag, Zahlungsmethode, Kategorie. Bei den Home-Depot-Belegen liest die KI SKU-Codes und Mengen aus den entsprechenden Spalten sowie den Gesamtbetrag aus dem unteren Bereich. Bei den Amazon-Rechnungen erfasst sie strukturierte Positionen aus der Rechnungstabelle und die Steuer aus der Aufschlüsselung. Bei den Restaurantquittungen liest sie die gedruckte Zwischensumme und das handschriftliche Trinkgeld. Bei den Supermarktbelegen parst sie abgekürzte Artikelcodes ("ORG BANANE 4011") und gleicht Preise vom rechten Rand ab. Bei den Apothekenquittungen erfasst sie PLU-Arzneimittelcodes und den Endbetrag nach Versicherungsanpassungen. Eine Spaltendefinition gilt für den gesamten 30-Belege-Batch — die KI passt sich unabhängig an jedes Beleglayout an.
Ausgabe — eine Tabelle, eine Zeile pro Beleg, alle Spalten einheitlich
Laden Sie eine Excel-Datei mit 30 Zeilen herunter — eine pro Beleg — und Ihren benannten Spalten als Kopfzeilen. Die Spalte Datum verwendet ein einheitliches Format über alle Geschäfte hinweg. Die Spalte Händler gibt genau an, von welchem Geschäft jede Zeile stammt (befüllt aus dem Händlernamen auf jedem Beleg, egal ob Firmenlogo oder handschriftliche Kopfzeile eines lokalen Diners). Die Spalte Kategorie — falls als abgeleitete Spalte definiert — klassifiziert jeden Einkauf automatisch als Mahlzeiten, Bürobedarf, Materialien oder Reisekosten, basierend auf Händlernamen und gekauften Artikeln, ohne dass ein Etikett „Kategorie“ auf den Originalbelegen erforderlich ist. Export als XLSX, CSV oder JSON. Geben Sie die Tabelle an Ihren Buchhalter weiter oder importieren Sie sie direkt in QuickBooks, Xero oder Ihr Spesenabrechnungssystem.
Wann es am besten funktioniert – und wann Ergebnisse zu prüfen sind
Die Extraktionsgenauigkeit variiert bei Belegen stärker als bei strukturierten Formularen – die Formatvielfalt ist größer. Hier erfahren Sie, was Sie je nach Belegart und -zustand erwarten können.
Zuverlässig verarbeitet
Digitale Belege (PDF oder E-Mail). Maschinell erstellte Belege von Amazon, Airbnb, Hotelrechnungen und Onlineshops werden nahezu fehlerfrei erfasst – alle Felder sind sauber gedruckt oder strukturiert mit beschrifteten Werten.
Frische Thermoquittungen bei gutem Licht fotografiert. Quittungen, die innerhalb weniger Stunden nach dem Druck fotografiert werden – Gesamtsumme, Datum, Händlername und Zahlungsmethode werden zuverlässig erfasst, egal ob Einzelhandel, Supermarkt oder Gastronomie. Das visuelle LLM versteht das räumliche Layout einer Quittung (oben = Händler, unten = Summe, Mitte = Artikel), selbst wenn Felder nicht beschriftet sind.
Stapelverarbeitung verschiedener Händler. Laden Sie Belege von über 20 verschiedenen Geschäften in einem Stapel hoch – dasselbe Spaltenlayout (Datum, Händler, Kategorie, Betrag, Gekaufte Artikel) gilt für alle und erzeugt eine einheitliche Tabelle. Jede Zeile wird mit dem Händlernamen zur Filterung versehen.
Stapel mit mehreren Währungen. Enthält Ihr Stapel einen Beleg in EUR von einer Geschäftsreise und Belege in USD von Inlandskäufen, definieren Sie eine Spalte „Währung“ – die KI liest das Währungssymbol von jedem Beleg ($, €, £, ¥) und erfasst den Betrag wie gedruckt. Anschließend in Excel umrechnen.
Diese Fälle prüfen
Verblasste Thermo-Bons. Thermopapier verblasst mit der Zeit – besonders in warmen Geldbörsen oder Handschuhfächern. Die KI nutzt Dokumentkontext, um Lücken zu füllen, aber physisch fehlende Zeichen können nicht wiederhergestellt werden. Fotografieren Sie Bons zeitnah für zuverlässige Extraktion. Bei Bons, die älter als 3 Monate sind und unter ungünstigen Bedingungen gelagert wurden, können einige Felder leer bleiben.
Restaurantbons mit handschriftlichem Trinkgeld. Handschriftliche Trinkgeldbeträge auf gedruckten Zwischensummen auf kleinem Thermopapier sind der schwierigste Fall. Die KI versucht, sowohl die gedruckte Zwischensumme als auch die handschriftliche Gesamtsumme zu lesen – bei Überlappungen sinkt die Genauigkeit. Prüfen Sie trinkgeldkorrigierte Summen manuell bei compliance-relevanten Erstattungen.
Dichte Apotheken- oder Supermarktzeilen mit abgekürzten Codes. Bons mit stark abgekürzten Artikelcodes (PLU-Codes, SKU-Nummern wie „ORG BANANA 4011“) extrahieren die Codes korrekt – die Kategorieableitung aus obskuren Abkürzungen ist jedoch weniger zuverlässig. Nutzen Sie eine Artikelcode-Spalte für den Rohcode und Artikelbeschreibung für den lesbaren Namen, statt sich bei SKU-Zeilen auf die Kategorieableitung zu verlassen.
Bons aus extremen Winkeln oder bei schwachem Licht fotografiert. Ein schneller Schnappschuss in 45-Grad-Neigung bei gedämpftem Restaurantlicht erzeugt perspektivische Verzerrung und geringen Kontrast. Die KI verarbeitet moderate Winkel und Lichtschwankungen, aber extreme Fälle – wo Bonecken trapezförmig statt rechteckig sind – mindern die Genauigkeit. Legen Sie den Bon flach auf einen Tisch und fotografieren Sie ihn gerade bei gutem Licht für beste Ergebnisse.
Häufig gestellte Fragen
Kann ich Belege von verschiedenen Geschäften – Home Depot, Amazon, einem Restaurant – in einer Tabelle zusammenfassen?
Ja. Laden Sie Belege von beliebigen Geschäften hoch, in beliebigen Formaten – Papier, digitale PDFs, E-Mail-Screenshots. Definieren Sie Ihre Spalten einmal – „Datum", „Händler", „Betrag", „Kategorie" – und alle Belege liefern Daten in denselben Spalten, zusammengeführt in einer Excel-Datei. Der entscheidende Unterschied zu vorlagenbasierten Tools: Die KI liest jedes Beleglayout eigenständig, indem sie die Bedeutung der Daten versteht, nicht durch Abgleich mit festen Koordinaten. So erzeugen ein Home-Depot-Beleg (SKU-Codes in Spalten) und ein Restaurantbeleg (Positionen in einer Spalte mit handschriftlichem Trinkgeld) saubere, konsistente Zeilen in derselben Tabelle – ohne händlerspezifische Vorlagen oder formatabhängige 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 Einzelposten ist schwieriger als die von Zusammenfassungsfeldern – dichte Belege mit abgekürzten Artikelnamen („ORG BANANA 4011" auf einem Kassenzettel) und mehrzeiligen Beschreibungen sind die größte Herausforderung. Digitale Belege mit strukturierten Tabellen werden mit hoher Genauigkeit extrahiert. Dichte Thermodruck-Belege mit über 40 abgekürzten Positionen haben bei einzelnen Artikelnamen eine geringere Genauigkeit als bei Gesamtsumme und Datum. Für die Ausgabenkategorisierung, bei der Gesamtsumme und Händler ausreichen, lassen Sie die Positionsspalten weg, um schnellere und zuverlässigere Ergebnisse zu erzielen.
Was ist mit verblassten Thermodruck-Belegen?
Das visuelle LLM kann aus verblassten Belegen mehr extrahieren als herkömmliche OCR, da es den Dokumentkontext nutzt, um Lücken zu füllen – es erkennt, 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 physikalische Grenze. Wenn Text so stark verblasst ist, dass ein Mensch einzelne Zeichen nicht mehr lesen kann, kann die KI sie ebenfalls nicht wiederherstellen. Best Practice: Fotografieren Sie Belege sofort nach Erhalt, bevor das Thermopapier verblasst. Bei bereits verblassten Belegen bleiben einige Felder leer – die KI zeigt geringe Konfidenz an, anstatt 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 Smartphone, geben einen kurzen Bestätigungscode ein und laden die Belege direkt hoch – ohne Kontoerstellung. Alle Einreichungen landen in Ihrer Verarbeitungswarteschlange, wo Sie sie mit Ihren Standardspalten stapelweise zu einer konsolidierten Tabelle verarbeiten. 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 verschiedenen Baumärkten kaufen; und den Empfang digitaler Belege von Teammitgliedern, die Online-Käufe bei verschiedenen Händlern tätigen. Die KI verarbeitet die Formatvielfalt – Ihr Team muss nur ein Foto machen.
Verarbeitet das Tool auch Restaurantbelege mit handschriftlichem Trinkgeld?
Ja, aber das ist der schwierigste Einzelfall. Handschriftliche Trinkgeldbeträge auf gedruckten Zwischensummen, auf 7,5 cm schmalem Thermopapier, stellen mehrere Herausforderungen gleichzeitig dar: Handschriftliche Ziffern können die gedruckte Summe überlappen, kursive Zahlen („4“ vs. „9“ vs. „7“) sind in kleiner Größe mehrdeutig, und der Trinkgeldbetrag ist oft in einer anderen Ausrichtung als der gedruckte Text geschrieben. Die KI versucht, sowohl die gedruckte Zwischensumme als auch den handschriftlichen Gesamtbetrag zu lesen und priorisiert den handschriftlichen Betrag als endgültigen Betrag, wenn beide vorhanden und unterscheidbar sind. Für die routinemäßige Spesenverfolgung ist die Genauigkeit ausreichend. Für compliance-relevante Erstattungen, bei denen der genaue, durch Trinkgeld geänderte Gesamtbetrag wesentlich ist, empfehlen wir eine kurze visuelle Überprüfung der Restaurantbelegzeilen in Ihrer Ausgabetabelle – sehen Sie sich die Spalte „Gesamtbetrag“ für jeden Restaurant-Eintrag an und vergleichen Sie ihn mit dem Belegfoto. Dies dauert Sekunden pro Stapel, nicht Minuten pro Beleg.
Sind KI-extrahierte Belege steuerlich anerkannt?
Das IRS akzeptiert digitale Belege seit 1997 als gültige Nachweise (Revenue Procedure 97-22). KI-extrahierte Tabellendaten erfüllen die Dokumentationsanforderungen, wenn die Originalbelege als Backup aufbewahrt werden – die Tabelle dient als durchsuchbarer, analysierbarer Nachweis, während die Originalfotos die Quelldokumentation darstellen. ImageToTable.ai speichert hochgeladene Dokumente nach der Verarbeitung nicht. Bewahren Sie die Originalbelege in Ihren eigenen Unterlagen auf (lokaler Ordner, Cloud-Speicher oder als Anhang in Ihrer Buchhaltungssoftware) zusammen mit der extrahierten Tabelle für eine vollständige Prüfungskette.