Wie man in Minuten einen KI-Ausgaben-Tracker erstellt
Kurzantwort
Ein KI-Ausgaben-Tracker braucht vier Bausteine, die zusammenspielen: OCR, das die Posten von einem Beleg-Foto ausliest, ein Kategorisierungsmodell, das Ausgaben der richtigen Budgetlinie zuordnet, eine Freigabekette, die nach Betrag und Abteilung routet, und einen Erstattungs-Datensatz, der den Kreis schließt, sobald jemand sein Geld zurückbekommen hat. Greta baut alle vier Bausteine in einer einzigen Next.js-App mit Postgres/Prisma-Datenschicht auf – ohne Lizenz pro Nutzer, ohne Drittanbieter, der deine Ausgabendaten verwahrt. Du beschreibst den Workflow, Greta baut das Schema, die OCR-Pipeline und die Freigabelogik als ein zusammenhängendes System.
Warum wird ein Ausgaben-Tool mit Preis pro Sitz teuer, sobald du skalierst?
Expensify, Ramp und ähnliche Tools berechnen pro aktivem Nutzer, pro Monat, für immer. Ein 40-köpfiges Team auf einem 10-Dollar-pro-Sitz-Plan bindet sich damit an 4.800 Dollar im Jahr – nur um Belege zu erfassen. Und die Zahl steigt mit jeder Neueinstellung. Es liegt nicht daran, dass diese Tools schlecht wären. Sie sind für ein generisches Unternehmen gebaut, was bedeutet, dass deine Kategorien, deine Freigabegrenzen, deine Abteilungscodes sich dem Schema von jemand anderem beugen müssen.
Ich habe Finance-Teams gesehen, die eine parallele Tabelle pflegen, nur um Ausgaben umzukategorisieren, die die Standardkategorien des Anbieters nicht abdecken. Das ist der eigentliche Preis von „Kaufen": nicht die Abo-Zeile, sondern der Workaround, der jeden Monat obendrauf gebaut wird.
Ein Tracker, den du einmal selbst baust, hat davon nichts. Du legst die Kategorien fest. Du legst fest, wer was freigibt. Und die Grenzkosten für den vierzigsten Mitarbeiter, der einen Beleg einreicht, sind null – nicht ein weiterer Sitzplatz.
Was dir tatsächlich gehört, wenn du selbst baust
Der Code liegt in deinem GitHub-Repository. Die Beleg-Bilder und Ausgaben-Datensätze liegen in deiner eigenen Postgres-Datenbank, nicht in der Multi-Tenant-Cloud eines Anbieters. Brauchst du einen neuen Ausgabentyp – sagen wir, Tagegeld für einen bestimmten Kundeneinsatz –, fügst du eine Spalte und eine Regel hinzu, keinen Support-Ticket.
Wie funktionieren Belegerfassung und OCR unter der Haube?
Der Ablauf ist einfacher, als er klingt. Ein Mitarbeiter macht ein Foto oder leitet eine Beleg-E-Mail weiter; das Bild landet im Object Storage (S3 oder ein Supabase-Bucket); ein OCR-Dienst – Google Cloud Vision, AWS Textract oder ein LLM-Vision-Call – extrahiert Händlername, Datum, Summe und Positionen als strukturiertes JSON. Dieses JSON wird zu einer Entwurfs-Ausgabe, vorausgefüllt, und wartet darauf, dass der Mitarbeiter sie bestätigt oder korrigiert, bevor sie in die Freigabe-Warteschlange geht.
Der Kategorisierungsschritt läuft direkt nach der Extraktion. Statt Mitarbeiter aus einem Dropdown mit 30 generischen Kategorien wählen zu lassen, weist ein schlanker Klassifizierungs-Prompt – gefüttert mit Händlername, Betrag und Abteilung des Mitarbeiters – eine Kategorie und einen Konfidenzwert zu. Alles unter, sagen wir, 85 % Konfidenz wird für einen kurzen menschlichen Blick markiert, statt still und falsch abgelegt zu werden. Genau diese eine Absicherung macht den Unterschied zwischen einer Kategorisierung, der Leute vertrauen, und einer, die sie umgehen.
Duplikat-Erkennung ist wichtiger, als man denkt. Zwei Einreichungen mit demselben Händler, demselben Betrag und demselben Datum innerhalb eines 48-Stunden-Fensters sollten vor der Freigabe markiert werden – nicht erst drei Monate später von einem Prüfer entdeckt.
Wie baut man einen Freigabe-Workflow, der sich nicht wie ein Flaschenhals anfühlt?
Der meiste Freigabe-Frust entsteht aus einem einzigen Design-Fehler: jede Ausgabe unabhängig von ihrer Höhe durch dieselbe Kette zu routen. Ein 12-Dollar-Kaffeebeleg und ein 3.000-Dollar-Kundenessen sollten nicht mit derselben Dringlichkeit in derselben Manager-Warteschlange landen.
Das Muster, das sich bewährt: Eine Regeltabelle bildet Betragsgrenzen und Kategorien auf eine Freigabekette ab. Unter 50 Dollar automatische Freigabe, wenn die Kategorie zur Policy passt und der Mitarbeiter eine saubere Historie hat. Zwischen 50 und 500 Dollar eine Freigabe durch den Manager. Über 500 Dollar, oder alles, was die Konfidenz-Prüfung oben markiert hat, geht sowohl an den Manager als auch an Finance. Speichere das als Daten – eine Tabelle, die Greta abfragen kann – nicht als fest codierte If-Anweisungen, die irgendwo in einer Komponente vergraben sind, damit Finance eine Schwelle ändern kann, ohne einen Entwickler um ein Deployment zu bitten.
Benachrichtigungen spielen hier ebenfalls eine Rolle. Eine ungelesene Freigabe im Posteingang ist praktisch dasselbe wie gar kein Freigabesystem. Route offene Freigaben per Slack oder E-Mail mit einem Ein-Klick-Link zum Genehmigen oder Ablehnen, und die Warteschlange wird tatsächlich abgearbeitet, statt sich bis zur Gehaltsabrechnungswoche aufzustauen.
Wohin bewegt sich das Erstattungsgeld tatsächlich?
Das ist der Teil, den generische Tools oft richtig machen und Eigenentwicklungen falsch, wenn man nicht aufpasst: Der Ausgaben-Datensatz und der Zahlungs-Datensatz sind nicht dasselbe. Eine genehmigte Ausgabe bleibt im Status „zahlungsbereit", bis sie tatsächlich in einem Zahlungslauf enthalten ist – eine ACH-Sammelüberweisung, ein Stripe-Payout oder eine manuelle Banküberweisung, die Finance protokolliert.
Bau das Schema so, dass eine Ausgabe erst dann auf „bezahlt" wechseln kann, wenn sie an einen konkreten Zahlungs-Batch mit eigener ID und eigenem Zeitstempel gebunden ist. Das gibt dir einen Audit-Trail, der Fragen wie „Wurde Sarah für das Kundenessen am 14. März erstattet, und in welchem Zahlungslauf?" beantwortet, ohne dass jemand E-Mail-Verläufe durchsuchen muss.
Ein schneller Vergleich
| Aspekt | Ausgaben-SaaS mit Preis pro Sitz | Mit Greta gebauter Tracker |
|---|---|---|
| Kosten bei 40 Mitarbeitern | ~400+ Dollar/Monat, wächst mit der Kopfzahl | Nur Hosting-Kosten, keine Sitzplatzgebühr |
| Kategorien und Freigaberegeln | Passen sich dem Schema des Anbieters an | Passen exakt zu deinen Abteilungen und Schwellen |
| Beleg- und Ausgabendaten | Liegen in der Multi-Tenant-Cloud des Anbieters | Liegen in deiner eigenen Postgres-Datenbank |
| Neuer Ausgabentyp oder neue Regel | Support-Ticket oder Plan-Upgrade | Eine Schema-Änderung und eine Regelzeile |
| Reporting | Dashboard des Anbieters, exportierbar | Frag deine eigenen Daten ab, wie du willst |
Wo das in einer mit Greta gebauten App liegt
Greta baut das als Prisma-Schema mit einer Expense-Tabelle (Betrag, Händler, Kategorie, Beleg-URL, Konfidenzwert, Status), einer ApprovalRule-Tabelle, die Finance ohne Deployment bearbeiten kann, und einer PaymentBatch-Tabelle, auf die Ausgaben verweisen, sobald sie tatsächlich bezahlt sind. Der OCR-Schritt läuft in einer API-Route – etwa app/api/expenses/extract/route.ts –, die ein Vision-Modell aufruft, das strukturierte Ergebnis in den Entwurfs-Datensatz zurückschreibt und ihn dem Mitarbeiter zur schnellen Bestätigung übergibt.
Beschreibe die Policy in einfacher Sprache – „genehmige automatisch alles unter 50 Dollar in der Kategorie Reisen, sonst route an den Manager des Mitarbeiters, und markiere alles über 500 Dollar zusätzlich für Finance" –, und Greta baut diese Logik direkt in die Freigabetabelle und den Routing-Code, statt dass du eine Regel-Engine im Admin-Panel eines fremden Anbieters konfigurierst.
Für Teams, die nur einen Ausschnitt davon brauchen – keinen vollständigen Tracker –, lösen ein paar fokussierte Greta-MVPs engere Probleme schnell: ein Gruppen-Rechnungsteiler mit Venmo-Links, um eine gemeinsame Rechnung sofort aufzuteilen, und ein Kilometer-Tracker für Steuerabzüge, um dienstliche Kilometer zu erfassen und einen steuerfertigen Bericht zu exportieren. Wer daneben auch einen Support-Workflow abwägt, findet mehr in unserem Guide zum Bau eines KI-Helpdesks.
FAQ
Ersetzt das eine Buchhaltungssoftware wie QuickBooks? Nein – es ersetzt die Schicht aus Belegerfassung und Freigabe, die normalerweise vor deiner Buchhaltung sitzt. Spiele genehmigte, bezahlte Ausgaben per geplantem Sync oder Export in dein Hauptbuch ein, statt die doppelte Buchführung von Grund auf neu zu bauen.
Kommt das OCR mit handschriftlichen oder verblassten Belegen klar? Einigermaßen gut, auch wenn die Genauigkeit bei Handschrift und ausgeblichenen Thermobelegen sinkt. Genau deshalb zählt die Konfidenzwert-Markierung – alles, bei dem sich das Modell nicht sicher ist, geht an einen Menschen, statt still und falsch abgelegt zu werden.
Was passiert bei Ausgaben in mehreren Währungen? Speichert den ursprünglichen Betrag und die Währung zusammen mit einem umgerechneten Betrag zum Wechselkurs am Transaktionsdatum. Historische Ausgaben zum heutigen Kurs neu zu berechnen ist ein häufiger Fehler – friert den Kurs zum Zeitpunkt der Einreichung ein.
Brauchen Mitarbeiter eine mobile App? Keine dedizierte. Eine mobil-responsive Webseite, die die Kamera öffnet, das Foto erfasst und den vorausgefüllten Entwurf zeigt, deckt den eigentlichen Anwendungsfall ab – jemand steht an der Kasse und will das in unter 15 Sekunden erledigt haben.
Ist das schwerer zu bauen, als es klingt? Der OCR-Aufruf und die Freigaberegeln sind jeweils ein Tag fokussierte Arbeit, kein Quartalsprojekt. Was früher ein kleines Engineering-Team Wochen gekostet hat, ist jetzt ein Beschreiben-und-Aufbauen-Flow mit Greta.
Fazit
Ein Ausgaben-Tracker ist nicht kompliziert, sobald man die vier Dinge trennt, die er wirklich leisten muss: erfassen, kategorisieren, freigeben und bezahlen. Bekommst du diese vier richtig hin, ist das Dashboard, das Reporting, der Export zum Steuerberater – das alles – der leichte Teil. Selbst zu bauen bedeutet, dass du keine wachsende Abo-Rechnung zahlst, nur um Belege zu erfassen, die dein eigenes Team ohnehin schon kategorisieren kann.