Unstrukturierte ERP-Exports mit KI in strukturierte Excel-Listen umwandeln

Vom Excel-Export zur strukturierten Liste

Kennen Sie das? Sie exportieren ein Kontoblatt, eine Lieferantenliste oder eine Kreditoren-OP-Liste aus Ihrem ERP-System und erhalten ein Excel-File, das aussieht wie ein gedrucktes Dokument, mit verbundenen Zellen, unstrukturierten Zeilen und einer Formatierung, die Sie ohne manuelle Nacharbeit nicht verwenden können. Was folgt, sind Stunden monotoner Excel-Handarbeit.

Das ERP-Export-Problem, das jeder kennt

Finance-Teams in KMU kämpfen täglich mit einem frustrierenden Problem: ERP-Systeme exportieren Daten oft nicht als saubere, strukturierte Tabellen, sondern als formatierte “Druckansichten”. Kreditorenlisten, Kontoblätter, Bilanzen, OP-Listen – all diese Auswertungen landen als chaotische Excel-Files auf unserem Desktop.

Das konkrete Problem:

• Verbundene Zellen statt einzelner Datenpunkte
• Kopfzeilen über mehrere Zeilen verteilt
• Zwischensummen und Gruppierungen, die eine saubere Auswertung unmöglich machen
• Keine klare Header-Struktur für Pivot-Tabellen oder weitere Analysen

Die klassische Lösung? Manuelle Umformatierung. Bei kleinen Listen machbar, bei grösseren Datenmengen ein Zeitfresser.

Mein Langzeit-Test seit ChatGPT-4

Seit der Veröffentlichung von ChatGPT-4 habe ich regelmässig getestet, ob KI diese Aufgabe übernehmen kann. Meine Hoffnung: ERP-Export hochladen, KI strukturiert die Daten automatisch, fertig.

Meine Testfälle umfassten:

• Kreditorenlisten mit mehreren hundert Einträgen
• Kontoblätter mit komplexen Hierarchien
• Bilanzen mit Gruppierungen und Zwischensummen
• OP-Listen (Offene Posten) bei Debitoren und Kreditoren
• etc.

Das Ergebnis über Monate hinweg: Ernüchternd. Bei kleineren Listen klappte es teilweise. Bei umfangreichen Dateien mit mehr als 500-1000 Zeilen scheiterten alle Modelle – ChatGPT-4, GPT-4o, frühere Claude-Versionen, Gemini-Versionen. Die KI verlor sich in den verbundenen Zellen, interpretierte Formatierungen falsch oder lieferte unvollständige Resultate.

Der Durchbruch mit Claude Sonnet 4.5

Letzte Woche habe ich es wiederum mit dem neuen Modell von Claude Sonnet 4.5 versucht. Dem aktuell leistungsstärksten Modell von Anthropic.

Mein Testfall: Eine anonymisierte Kreditorenliste mit offenen Posten, wirklich eine üble Struktur:

• Gesamt-OP-Saldo: 10’533’234.34 CHF
• Umfang: Über 2000 Zeilen mit Detailpositionen
• Format: Typischer ERP-Export mit verbundenen Zellen, Gruppierungen, Zwischensummen

Meine Aufgabenstellung war klar: Erstelle eine strukturierte Excel-Liste mit folgenden Spalten:

• Beleg-Nr.
• Kreditor
• Bel-Datum
• OP-Betrag

Was anders war dieses Mal

Beim Arbeiten mit Claude Sonnet 4.5 konnte ich erstmals in Echtzeit beobachten, wie die KI mit den Formatierungen kämpfte – und sich selbst korrigierte.

Was ich im Chat-Verlauf sah:

• Die KI analysierte die Dateistruktur mehrfach
• Sie erkannte verbundene Zellen und interpretierte sie unterschiedlich
• Bei Fehlern korrigierte sie ihren Ansatz selbstständig
• Sie prüfte mehrfach, ob die Summen stimmten
• 32 Arbeitsschritte bis zum finalen Resultat !

Diese Selbstreflexion und -korrektur von Claude 4.5 war beeindruckend. Frühere Modelle scheiterten meist still – sie lieferten einfach falsche oder unvollständige Resultate. Claude Sonnet 4.5 hingegen zeigte transparent seinen Denkprozess.

Das Resultat: Präzise bis auf den Rappen

Nach wenigen Minuten hatte ich die fertige Excel-Datei von Claude:

Das Entscheidende: Der Schlussbetrag stimmte auf den Rappen genau. Bei über 2000 Positionen und einem chaotischen Export-Format ist das keine Selbstverständlichkeit.

Warum das ein Fortschritt ist

Dieses Erlebnis verändert die praktische Nutzbarkeit von KI im Finance-Alltag grundlegend.

Konkrete Anwendungsfälle im Rechnungswesen:

• Kreditorenlisten für detaillierte Fälligkeitsanalysen
• OP-Listen zur Identifikation von Risikopositionen
• Kontoblätter für Soll-Ist-Vergleiche
• Bilanz-Details für tiefere Analysen
• Exportdaten für externe Auswertungen oder Weitergabe an Treuhänder

Der entscheidende Haken: Datenschutz

Trotz des Erfolgs bleibt ein fundamentales Problem: Datenschutz und Compliance.

Das Dilemma:

• Cloud-KI-Modelle wie Claude oder ChatGPT erfordern Upload sensibler Finanzdaten
• Anonymisierung ist zeitaufwändig und nicht immer praktikabel
• Vertraulichkeitsverpflichtungen gegenüber Mandanten

Für meinen Test musste ich die Liste vollständig anonymisieren – Kreditoren-Namen, Beträge teilweise verfälscht, sensible Details entfernt. Das macht den Prozess für den produktiven Einsatz unpraktisch.

Ausblick: Lokale KI-Modelle als Lösung?

Der Durchbruch mit Claude Sonnet 4.5 zeigt: Die Technologie ist da.

Nächste Schritte in meinen Tests für die Zukunft:

1. Lokale Open-Source-Modelle evaluieren:
2. On-Premise-Lösungen prüfen: Modelle auf eigener Infrastruktur
3. Performance-Vergleich: Schaffen lokale Modelle die gleiche Qualität?

Das Ziel: ERP-Export-Strukturierung ohne Datenschutz-Kompromisse.

Realistische Einschätzung:

• Lokale Modelle hinken noch 6-12 Monate hinter Cloud-Modellen her
• Hardware-Anforderungen sind nicht trivial
• Setup und Betrieb erfordern technisches Know-how

Aber: Die Entwicklung ist rasant. Was heute nur mit Cloud-KI geht, könnte in 12 Monaten lokal laufen.

Praxis-Tipps für eigene Tests

Wenn Sie ERP-Daten-Strukturierung mit KI testen möchten:

Tipp 1: Starten Sie mit Claude Sonnet 4.5 Aktuell zeigt dieses Modell die beste Performance bei komplexen Excel-Strukturierungen. ChatGPT-5 ist eine Alternative, aber in meinen Tests bisher weniger zuverlässig bei grossen Datenmengen, was sich aber täglich ändern kann.

Tipp 2: Anonymisieren Sie gründlich

• Ersetzen Sie alle echten Kreditoren-/Debitoren-Namen durch Dummy-Daten
• Verfälschen Sie Beträge leicht (z.B. +/- 10%)
• Entfernen Sie alle personenbezogenen Daten
• Achten Sie darauf, dass Summen und vor allem die Struktur nach Anonymisierung noch plausibel sind

Tipp 3: Seien Sie im Prompten präzise in der Aufgabenstellung

• Beschreiben Sie das gewünschte Zielformat exakt
• Nennen Sie den erwarteten Schlussbetrag zur Kontrolle
• Listen Sie alle gewünschten Spalten einzeln auf
• Geben Sie Formatierungs-Präferenzen an (z.B. Datumsformat)

Tipp 4: Prüfen Sie das Resultat sorgfältig