Case Study — Wie ein Wiener Steuerberater 15h/Woche mit KI spart

Anonymisierter Case einer Wiener Steuerkanzlei mit 8 MitarbeiterInnen — was wir gebaut haben und was es brachte. Der Kunde war bei Projektstart skeptisch ("die ChatGPT-Sache ist doch alles übertrieben"), nach 6 Monaten hat er uns gefragt, ob wir das gleiche Setup nicht für die Kollegenkanzlei nebenan auch bauen könnten. Die Story ist anonymisiert, die Zahlen sind real, das Setup ist mit Erlaubnis dokumentiert.

1. Ausgangslage — was tatsächlich weh tat

Die Kanzlei ist seit 1998 etabliert, Mandantenmischung aus 80 KMU im Wiener Raum (Handel, Gastronomie, Freie Berufe), 20 % Privatpersonen. Acht MitarbeiterInnen: zwei Steuerberater (StB), drei Berufsanwärter, zwei Buchhalterinnen, eine Sekretariats-Kraft. Tooling: BMD NTCS als Kernsystem, Outlook 365, sonst klassisch.

Der Pain bei Erstkontakt war konkret und benennbar:

• Beleg-Eingang chaotisch. Mandanten schickten Belege per E-Mail (PDF-Anhänge), Foto via WhatsApp, gelegentlich per Post. Vor dem Buchen wurde manuell sortiert, klassifiziert, in BMD eingespielt. Geschätzter Aufwand: ~120 Stunden/Monat über alle Buchhalterinnen.
• Korrespondenz-Routine. Standard-Schreiben (Honorarnoten, Erinnerungen, Mandanten-Anfragen-Antworten) wurden von Hand geschrieben — meist von den Berufsanwärtern, die dabei "die Zeit verschwenden, in der sie eigentlich Substanzielles lernen sollten", wie es der Senior-StB formulierte.
• Recherche-Last. Bei spezifischen Fragen (KStG-Änderungen, EStG-Auslegung, USt-Spezialfälle) gingen pro Woche ~6–10 Stunden in Findok-Recherche und Literaturdurchsicht.
• Mandanten-Onboarding. Neuer Mandant = mehrere Wochen Hin und Her für Dokumentensammlung. Niemand hatte einen klaren Prozess.
• Compliance-Sorge. Die ChatGPT-Versuche einzelner MitarbeiterInnen passierten ohne Rahmen — Berufsrecht, Verschwiegenheitspflicht, BMG- Verordnung waren ungeklärt.

Insgesamt geschätzte Effizienz-Lücke: 100–150 Stunden/Monat. Bei Stundensätzen €60–95/h (intern) ein Schaden von €6.000–14.000 monatlich allein an verlorener fakturierbarer Zeit.

2. Audit-Findings — die fünf Top-Use-Cases

Im 2-wöchigen Audit haben wir mit allen acht MitarbeiterInnen je 30–45 Minuten gesprochen, Workflows beobachtet und eine priorisierte Use-Case-Liste erstellt. Die Top 5 nach ROI und Machbarkeit:

1. Beleg-Pipeline (Klassifikation, OCR, Vorkontierung): geschätzter Effizienzgewinn 60–80 h/Monat, mittlere technische Komplexität.
2. Korrespondenz-Assistent für Standard-Schreiben und Mandanten-Antworten: 25–40 h/Monat, niedrige Komplexität.
3. Findok-/Literatur-Recherche-Assistent: 15–25 h/Monat, mittlere Komplexität (Retrieval auf Findok-Inhalten).
4. Mandanten-Onboarding-Bot mit Dokumenten-Checkliste: 10–15 h/Monat, niedrige Komplexität.
5. Jahresabschluss-Vorbereitung (Inkonsistenz-Check, Plausibilität): 8–12 h/Monat, hohe Komplexität.

Entscheidung: Phase 1 mit den ersten beiden Use-Cases starten (Pareto- Logik — die zwei machen 70 % des Total-ROI). Phase 2 nach Stabilisierung.

3. Implementation-Entscheidung und Architektur

Vier wesentliche Architekturentscheidungen, die wir gemeinsam mit dem Senior-StB getroffen haben:

• LLM-Provider: Anthropic Claude (Sonnet) statt OpenAI. Begründung: EU-Datenresidenz konfigurierbar via Workspace-Setting, Anthropic-Policy zu Daten-Nichtnutzung für Training klarer, in 2025-Audits weniger Reibung mit Datenschutzbehörden.
• Hosting: alles auf Hetzner Frankfurt, nicht Cloud-USA. Anthropic-API- Calls über EU-Routing, eigener Mini-Backend in Python (FastAPI).
• Integration BMD NTCS: über die offiziellen BMD-Schnittstellen (REST, seit 2024 stabil), kein Hack-Drumrum.
• Berufsrecht-Check: Verschwiegenheitspflicht (§ 91 WTBG 2017) und Berufsgrundsätze (BO-WT) wurden mit der Kammer der Steuerberater und Wirtschaftsprüfer Wien vorbesprochen. Resultat: LLM-Einsatz unter klaren Bedingungen zulässig (EU-Hosting, dokumentierte Datenflüsse, keine Weitergabe an außereuropäische Verarbeiter ohne Adäquanzbeschluss, Mandanten-Information).

Datenschutz-Folgenabschätzung (DSFA) nach Art. 35 DSGVO wurde erstellt. Mandanten wurden via Anpassung der Vollmacht und der Datenschutz-Information über den KI-Einsatz informiert (Opt-out möglich, faktisch von keinem genutzt).

4. Sprint-Verlauf — 4 Wochen

Woche 1 — Setup und Beleg-Pipeline-MVP:

• Hetzner-Server aufgesetzt, FastAPI-Backend, Postgres als Datenspeicher.
• Anthropic-API-Workspace eingerichtet, EU-Routing-Settings, No-Training-Setting.
• Erste OCR-Stufe mit Mistral OCR (selfhosted) für PDF-Belege.
• Klassifikations-Prompt für Belegtypen (Rechnung eingehend, Rechnung ausgehend, Spesenbeleg, Kassabeleg, sonstiges) entwickelt und gegen 300 historische Belege validiert. Erste Treffer-Quote: 89 %.

Woche 2 — Vorkontierung und BMD-Integration:

• Vorkontierungs-Logik: Claude bekommt klassifizierten Beleg plus Mandanten-Kontenrahmen, schlägt Buchungssatz vor.
• BMD-Schnittstelle für Beleg-Import angebunden — Belege landen inkl. Vorkontierung im richtigen Mandanten-Ordner.
• Manuelle Review-Stufe: die Buchhalterinnen sehen Vorkontierung, bestätigen oder korrigieren. Korrektur-Daten fließen ins Few-Shot-Prompt-Update zurück.

Woche 3 — Korrespondenz-Assistent:

• Templates für die 12 häufigsten Schreibtypen aus den letzten 24 Monaten extrahiert.
• Streamlit-internes Tool für die Berufsanwärter: Vorgang auswählen, Mandant auswählen, Kontext eingeben → Entwurf wird generiert.
• Verschwiegenheitsprüfung: keine personenbezogenen Daten an externe APIs ohne Pseudonymisierung der Mandantenstammdaten (Mandanten-IDs statt Namen).

Woche 4 — Schulung und Go-Live:

• 2-stündige Hands-on-Schulung für alle 8 MitarbeiterInnen, plus schriftliche interne Nutzungs-Richtlinie (eine A4-Seite).
• Monitoring eingerichtet (Latenz, Fehlerquote, Korrektur-Rate).
• Soft-Launch in der zweiten Woche-4-Hälfte mit zwei MitarbeiterInnen, dann Stufenweise Rollout.

Go-Live: 15. Mai 2025.

5. Was wir 6 Monate später sehen

Konkrete Zahlen nach 6 Monaten Produktivbetrieb (Stand: November 2025):

• Beleg-Pipeline: 58 h/Monat gespart über zwei Buchhalterinnen und einen Berufsanwärter, der vorher Stichprobenkontrolle gemacht hat. Klassifikations-Treffer-Quote nach Few-Shot-Updates: 96 %. Vorkontierungs-Treffer-Quote: 81 % (was unter dem internen Ziel von 85 % liegt, aber laut Senior-StB "okay, weil die Korrektur Sekunden braucht").
• Korrespondenz-Assistent: 15 h/Monat gespart, vor allem bei den zwei Berufsanwärtern. Qualität der Entwürfe nach Korrektur durch StB "besser als die Hälfte unserer früheren First-Drafts".
• Gesamt: 73 h/Monat über 5 produktiv eingebundene MitarbeiterInnen (die anderen 3 — Senior-StB, ein nicht eingebundener Berufsanwärter, Sekretariat — sind außerhalb des Scopes geblieben).
• Akzeptanz: 6 von 8 MitarbeiterInnen nutzen die Tools täglich, 2 arbeiten überwiegend ohne (eine Buchhalterin und der Senior-StB selbst, beide mit explizitem Wunsch dazu).

Investment vs Return:

• Initial: €18.500 für Audit, Implementation, Schulung, DSFA.
• Laufend: €380/Monat (Hetzner €60 + Anthropic-API €240 + BMD-Wartung €80).
• Effekt: 73 h × €70 internal cost ≈ €5.110/Monat eingesparte interne Stundenkosten. Payback nach unter 3 Monaten.

Was zusätzlich nicht in den Zahlen steht: zwei der Berufsanwärter berichten, dass sie mehr Zeit für inhaltlich anspruchsvollere Arbeit haben — Bilanzanalyse, Steuergestaltung, Mandantengespräche. Das war im Audit nicht quantifiziert, ist aber retrospektiv der Wert, den der Senior-StB als wichtigsten benennt.

6. Lessons Learned

Vier Sachen, die wir beim nächsten gleichartigen Setup anders machen würden:

• Phase 1 noch fokussierter. Wir haben Korrespondenz und Beleg-Pipeline parallel gebaut, was funktioniert hat — aber rückblickend wäre Beleg- Pipeline-only in Woche 1–3 plus Korrespondenz erst nach Stabilisierung weniger riskant gewesen.
• Few-Shot-Update-Pipeline früher. Die Korrektur-Daten aus den Buchhalter-Reviews fließen seit Monat 2 in regelmäßige Prompt-Updates — wir hätten das von Anfang an automatisieren sollen.
• Mandanten-Information klarer. Die Datenschutz-Information war rechtlich sauber, aber für Mandanten zu abstrakt. Beim nächsten Setup würden wir ein 2-Minuten-Video machen, das den Prozess konkret zeigt.
• Senior-Partner-Buy-In nicht überspringen. Der Senior-StB war bei Projektstart skeptisch — wir haben ihn in Audit-Phase einbezogen, das hat sich später ausgezahlt. Ohne diesen Buy-In wäre der Rollout an die Junior-Kräfte gescheitert.

7. Was Phase 2 jetzt bringt

Phase 2 läuft seit Februar 2026, mit Findok-Recherche-Assistent als priorisiertem Use-Case. RAG-System über Findok-Inhalte (mit ordentlicher Lizenzklärung), Anbindung an die Kanzlei-interne Wissensdatenbank. Frühe Zahlen: ~12 h/Monat zusätzlich gespart, vor allem bei den Berufsanwärtern. Onboarding-Bot folgt in Q2 2026.

Dein Case Study fehlt hier noch?

Lass uns 30 Minuten reden. Wenn dein Setup ähnlich ist — KMU in Österreich, klare Wiederhol-Prozesse, regulatorisches Umfeld — sehen wir im Discovery-Call meist innerhalb von 20 Minuten, ob ein Audit sinnvoll ist und in welcher Größenordnung sich ein Setup wie das oben beschriebene rechnet. Kein Sales-Druck, kein Pflicht-Folgetermin.