19 Prüfbereiche in 28 Sekunden — und warum die KI dabei nicht das letzte Wort hat
Eine Nebenkostenabrechnung automatisiert auf 19 Bereiche prüfen, ohne dass die KI Fehler erfindet — mit den Messwerten, die zur Architekturentscheidung geführt haben.
Eckdaten des Projekts
- Branche
- Legal-Tech / Immobilienwirtschaft
- Umfeld
- Eigenprodukt der Rentavo UG
- Dauer
- 9 Tage bis zur Produktionsreife
- Stack
- Next.js 15 · React 19 · TypeScript · Mistral AI · Stripe · Upstash Redis · Vercel (EU)
- Rahmen
- Laufende Betriebskosten unter 60 € im Monat
Prüfbereiche
19
12 deterministisch berechnet, 7 KI-ergänzt und dreifach verifiziert
Laufzeit je Prüfung
28 s
von 47 s gesenkt durch Parallelisierung der Modellaufrufe
Rechenkosten je Prüfung
unter 6 ct
Texterkennung und Modellaufrufe zusammen, gemessen
Bis zur Produktionsreife
9 Tage
einschließlich Zahlungsanbindung, Bezahlschranke und Rechtstexten
Worum es ging
In Deutschland gehen jedes Jahr rund 17,8 Millionen Betriebskostenabrechnungen an Mieter. Auswertungen spezialisierter Prüfdienste kommen übereinstimmend zu dem Schluss, dass ein hoher Anteil davon mindestens einen formalen oder rechnerischen Mangel enthält — je nach Definition und Stichprobe zwischen der Hälfte und über achtzig Prozent.
Wer prüfen lassen will, hat drei Wege: Mitgliedschaft im Mieterverein, Anwaltsmandat oder spezialisierter Prüfdienst. Alle drei kosten Zeit, Geld oder beides — und keiner liefert ein Ergebnis in derselben Sitzung, in der die Abrechnung im Briefkasten lag.
Die eigentliche Frage war für uns aber keine Marktfrage, sondern eine technische: Lässt sich eine juristisch aufgeladene Dokumentenprüfung so automatisieren, dass sie belastbar ist? Ein Sprachmodell schreibt auf jede Abrechnung eine plausibel klingende Antwort. Die Schwierigkeit liegt nicht darin, überhaupt ein Ergebnis zu erzeugen — sondern darin, kein falsches zu erzeugen.
Was die Lösung können musste
Ergebnis in unter einer Minute, ohne Registrierung und ohne Zahlungsdaten vorab. Wer eine Nachzahlungsforderung im Briefkasten hat, legt kein Kundenkonto an.
Jeder Befund muss am Originaldokument nachweisbar sein. Ein Ergebnis ohne Belegstelle ist wertlos, weil der Nutzer damit gegenüber dem Vermieter nicht argumentieren kann.
Sensible Daten: Eine Nebenkostenabrechnung enthält Anschrift, Wohnfläche und Mietverhältnis. Verarbeitung ausschließlich in der EU, automatische Löschung nach 30 Tagen, keine Weitergabe.
Ausdrücklich nicht gefragt war eine Rechtsberatung. Das Produkt prüft rechnerisch und formal und sagt das auch — es ersetzt keine anwaltliche Einschätzung. Diese Abgrenzung war keine nachträgliche Vorsichtsmaßnahme, sondern eine Anforderung an die Architektur: Sie entscheidet, welche Aussagen das System überhaupt treffen darf.
Welche Wege zur Wahl standen
Zwei der drei Ansätze sind verworfen worden. Der zweite war bereits gebaut, bevor die Messung zeigte, dass er schlechter war.
Ansatz 1 — regelbasierte Erkennung mit festen Textmustern. Der erste Stand las die Abrechnung mit hinterlegten Mustern aus. Das funktioniert, solange die Formulierungen bekannt sind, und scheiterte an der Realität: Eine Position, die statt „Gesamtkosten“ die Bezeichnung „Anteil an den Gesamtkosten“ trug, wurde nicht erkannt. Jede neue Formulierung hätte ein Code-Update verlangt. Verworfen, weil nicht wartbar.
Ansatz 2 — die vollständige Bewertung durch ein Sprachmodell. Naheliegend und schnell gebaut: Das Modell bekommt den Text und die 19 Prüfbereiche und liefert die Befunde. Wir haben diesen Stand gegen einen Testsatz von Abrechnungen mit bekannten, absichtlich eingebauten Fehlern laufen lassen. Das Ergebnis war eindeutig und negativ: Das Modell übersah einen tatsächlich vorhandenen Rechenfehler und meldete stattdessen eine Auffälligkeit, die im Dokument nicht belegt war. Bei einer als fehlerfrei verifizierten Abrechnung erfand es einen Sechs-Cent-Rechenfehler. Verworfen — nicht aus Vorbehalt gegen KI, sondern weil gemessen schlechter.
Ansatz 3 — Hybrid, und so läuft es heute. Alles, was exakt berechenbar ist, entscheidet deterministischer Code: Fristen, Rechenwege, Umlagefähigkeit, Doppelberechnungen — zwölf der neunzehn Prüfbereiche. Die KI ergänzt ausschließlich die sieben Bereiche, die Ermessen erfordern und sich nicht ausrechnen lassen, etwa die Plausibilität einzelner Positionen. Die Trennung ist im Code hart gezogen: Eine Liste erlaubter Prüfbereiche filtert KI-Befunde außerhalb ihrer Zuständigkeit heraus, selbst wenn das Modell die Anweisung ignoriert.
Der Unterschied ist nicht kosmetisch. Arithmetik ist die strukturelle Schwäche von Sprachmodellen, unabhängig von Anbieter und Modellgröße. Ein größeres Modell hätte das Problem nicht gelöst, ein anderer Anbieter auch nicht. Die Lösung war, dem Modell die Zuständigkeit dafür zu entziehen.
Wie das System aufgebaut ist
Der Ablauf ist eine Kette aus vier Stufen. Die hochgeladene Datei geht zunächst durch die Texterkennung; das Ergebnis ist Rohtext, auch bei abfotografierten Abrechnungen. Aus diesem Text liest ein Sprachmodell Kopfdaten und Kostenpositionen strukturiert aus — hier ist die KI stark, weil es um Sprachverständnis geht und nicht um Rechnen. Die Ausgabe wird gegen ein Schema validiert; was nicht passt, fällt auf die regelbasierte Auslesung zurück.
Die dritte Stufe ist die Bewertung, und hier liegt die eigentliche Entscheidung: Die Regel-Engine läuft immer und ist alleinige Autorität für alles Berechenbare. Sie ist gewöhnlicher, testbarer Code — dieselbe Eingabe ergibt immer dasselbe Ergebnis.
Erst danach ergänzt die KI ihre sieben Ermessensbereiche, und jeder dieser Befunde durchläuft drei Filter, bevor er den Nutzer erreicht: Er muss in mehreren unabhängigen Durchläufen reproduzierbar auftreten, er muss eine gezielte Gegenprüfung überstehen, die ihn zu widerlegen versucht, und er muss einen abschließenden Schritt passieren, der Befunde nur streichen oder abschwächen darf — niemals hinzufügen. Fällt einer dieser Schritte aus, entfällt der KI-Befund; der Regel-Befund bleibt.
Ein Detail, das sich im Betrieb bewährt hat: Jeder Befund trägt seine Herkunft mit sich — regelbasiert oder KI-ergänzt. Das ist keine Spielerei, sondern die Voraussetzung dafür, im Zweifelsfall nachvollziehen zu können, woher eine Aussage kam.
Was schiefging
Vier Punkte, die im Betrieb aufgefallen sind. Sie stehen hier, weil eine reibungslose Erfolgsgeschichte nichts darüber aussagt, wie jemand mit Problemen umgeht.
Der teuerste Umweg war der zweite Ansatz. Die vollständige KI-Bewertung war bereits gebaut und eingebunden, bevor der Testsatz zeigte, dass sie schlechter war als die Regeln, die sie ersetzen sollte. Die Arbeit war nicht verloren — der Testsatz, der das aufgedeckt hat, ist geblieben und fängt seitdem Regressionen —, aber die Architektur musste umgedreht werden. Die Lehre daraus ist unbequem, und wir sagen sie Kunden gegenüber trotzdem: Ob eine KI-Komponente besser ist als die Alternative, weiß man nicht vorher. Man misst es.
Zweiter Fehler, der unangenehmere: Die kostenpflichtigen Befunde waren zunächst nur visuell unkenntlich gemacht. Der Inhalt stand vollständig im ausgelieferten HTML und ließ sich mit den Entwicklerwerkzeugen des Browsers auslesen — die Bezahlschranke war umgehbar. Die Ursache war strukturell und nicht im Frontend zu beheben: Der bezahlte Bericht wurde aus Daten erzeugt, die der Browser ohnehin hielt. Die Lösung war, die Befunde serverseitig zu halten und dem Browser nur eine Zusammenfassung ohne Inhalte zu schicken. Auch die Neuberechnung nach einer Nutzerkorrektur läuft seitdem auf dem Server.
Dritter Fehler, in Produktion sichtbar: Die Analyse lief in einen Gateway-Timeout. Die Prüfkette machte mehrere Modellaufrufe nacheinander, das Zeitlimit der Serverless-Funktion lag darunter. Behoben durch Parallelisierung der unabhängigen Aufrufe und ein angehobenes Limit; die Laufzeit fiel von 47 auf rund 28 Sekunden. Die einfachen Ja/Nein-Prüfschritte laufen seitdem auf einem kleineren, schnelleren Modell — die eigentliche Bewertung nicht.
Vierter Punkt, kein Fehler im engeren Sinn, aber teuer: Die Fortschrittsanzeige lief nach vier Sekunden durch und meldete „fertig“, während die Analyse noch dreißig Sekunden weiterrechnete. Für den Nutzer sah das aus wie ein Absturz. Die Anzeige ist jetzt an die tatsächliche Laufzeit gekoppelt. Erwähnenswert ist der Punkt, weil er in keinem technischen Test aufgefallen wäre: Es war alles korrekt — nur nicht für den Menschen davor.
Was dabei herausgekommen ist
Das Produkt ist live und vollständig: Upload, Texterkennung, Prüfung über 19 Bereiche, Bezahlschranke, Zahlungsabwicklung, PDF-Bericht und E-Mail-Versand laufen durchgängig.
Der belastbarste Beleg ist keine Nutzerzahl — dafür ist das Produkt zu jung —, sondern der Testsatz: Er enthält Abrechnungen mit bekannten, absichtlich eingebauten Fehlern und läuft bei jeder Änderung an der Prüflogik mit. Genau dieser Testsatz hat den Unterschied zwischen den beiden Architekturen sichtbar gemacht. Ohne ihn wäre die schlechtere Variante ausgeliefert worden, ohne dass es jemand bemerkt hätte.
Für Kundenprojekte ist die übertragbare Erkenntnis diese: Der Wert einer KI-Komponente entsteht nicht dadurch, dass sie eingebaut wird, sondern dadurch, dass ihre Zuständigkeit begrenzt und ihr Ergebnis überprüfbar ist. Wo eine Regel reicht, ist die Regel besser — sie ist billiger, schneller, testbar und erklärt sich selbst.
Selbst ansehen
Das Produkt ist öffentlich erreichbar. Die Vorprüfung läuft ohne Registrierung und ohne Zahlungsdaten — Sie können das hier Beschriebene also direkt nachvollziehen.
betriebskosten-pruefer.deÄhnliche Herausforderung?
Wenn Sie überlegen, ob sich ein Prozess bei Ihnen automatisieren lässt: Zwanzig Minuten reichen für eine erste Einschätzung. Wir sagen Ihnen auch, wenn sich der Aufwand nicht lohnt.
Wir antworten innerhalb von 24 Stunden — 7 Tage die Woche, auch an Feiertagen.