Die Geschichte der Künstlichen Intelligenz seit 1950

Die Geschichte der Künstlichen Intelligenz ist eine jahrzehntelange Reise, getrieben vom Traum, denkende Maschinen zu erschaffen. Diese Reise hat heute für Finanzteams eine besondere Bedeutung: Systeme, die Belege lesen, Ausgaben klassifizieren und verdächtige Transaktionen erkennen, sind nicht über Nacht entstanden. Um die Künstliche Intelligenz, die heute das Ausgaben- und Spesenmanagement verändert, richtig einzuschätzen, muss man wissen, woher diese Technologie kommt und wohin sie sich entwickelt. In diesem Beitrag betrachten wir zunächst in einer kurzen Chronologie die Meilensteine der Künstlichen Intelligenz und untersuchen anschließend, wie diese Technologie in die Finanzprozesse — insbesondere in das Spesenmanagement — Einzug gehalten hat.

Wie entstand die Idee der Künstlichen Intelligenz?

Die Frage, ob Maschinen denken können, reicht zurück in die Zeit, als Computer noch die Größe eines Raumes hatten. 1950 stellte der britische Mathematiker Alan Turing seine inzwischen klassische Frage: „Können Maschinen denken?“ Diese Frage legte den Grundstein für das, was wir heute als Turing-Test kennen: Wenn eine Maschine so natürlich sprechen kann, dass sie einen menschlichen Prüfer überzeugt, kann man annehmen, dass sie „denkt“.

Die offizielle Geburtsstunde des Fachgebiets war die Dartmouth-Konferenz von 1956. John McCarthy, Marvin Minsky und andere Pioniere jener Zeit diskutierten dort die Idee, dass Maschinen lernen und Probleme lösen können; der Begriff „Künstliche Intelligenz“ wurde auf dieser Konferenz zum ersten Mal verwendet.

Erste Hoffnungen und KI-Winter

In den zwei Jahrzehnten nach Dartmouth sorgten die ersten Programme, die mathematische Theoreme bewiesen und mit einfachen Mustern plaudern konnten, für große Begeisterung. Einige Forscher sagten voraus, dass Maschinen mit menschlichem Denkvermögen kurz bevorstünden. Die Realität blieb hinter den Erwartungen zurück.

Das Fachgebiet durchlebte zwei große Stagnationsphasen, die als „KI-Winter“ bezeichnet werden. In der ersten (1974–1980) zeigten begrenzte Rechenleistung und unzureichende Daten, dass die Versprechen nicht eingelöst werden konnten; die Mittel wurden gestrichen. In den 1980er-Jahren wurden regelbasierte Expertensysteme in der Geschäftswelt populär: Diese Strukturen, die Expertenwissen in der Form „wenn diese Bedingung eintritt, tue jenes“ kodierten, funktionierten in bestimmten Bereichen, waren jedoch schwer zu warten, wenig flexibel und teuer. Als ihre Grenzen deutlich wurden, kam der zweite Winter (1987–1993).

Die Lehre dieser Ära gilt bis heute: Handgeschriebene Regeln können mit der Komplexität der realen Welt nicht Schritt halten. Dieselbe Lehre sollte sich, wie wir noch sehen werden, in der Evolution der Finanzsoftware exakt wiederholen.

Vom maschinellen Lernen zum Deep Learning

Ab Ende der 1990er-Jahre vollzog sich ein stiller Paradigmenwechsel: Mit dem maschinellen Lernen begannen Systeme, Regeln nicht mehr fertig von Menschen zu übernehmen, sondern selbst aus Daten zu lernen. Steigende Rechenleistung, die Datenfülle des Internets und Fortschritte bei künstlichen neuronalen Netzen machten diesen Wandel möglich. Der Sieg von Deep Blue über den Schachweltmeister Garry Kasparov im Jahr 1997 wurde zum Symbol dafür, dass Maschinen den Menschen in bestimmten Bereichen übertreffen können.

Die 2010er-Jahre waren die Ära des Deep Learning. Mehrschichtige künstliche neuronale Netze erzielten, wenn sie mit großen Datensätzen trainiert wurden, Durchbrüche in der Bilderkennung und der Verarbeitung natürlicher Sprache: 2012 ließen Deep-Learning-Modelle in Bilderkennungswettbewerben ihre Konkurrenten hinter sich, 2016 besiegte AlphaGo den Go-Weltmeister, und die 2017 veröffentlichte Transformer-Architektur legte den Grundstein für die heutigen großen Sprachmodelle. In den 2020er-Jahren hielt die generative Künstliche Intelligenz — Modelle, die Texte schreiben, Bilder erzeugen und Dokumente zusammenfassen — Einzug in den Arbeitsalltag von Millionen Menschen.

Der Einzug der Künstlichen Intelligenz in Finanzen und Spesenmanagement

Jede Phase in der Geschichte der Künstlichen Intelligenz fand ihre Entsprechung in der Finanzsoftware. Diese Evolution lässt sich in drei Etappen lesen.

Erste Etappe: Regelbasierte Kontrollen

Die erste Generation der Finanzsoftware arbeitete, genau wie die Expertensysteme der 1980er-Jahre, mit handgeschriebenen Regeln: „Wenn eine Bewirtungsausgabe diesen Betrag überschreitet, geht sie zur Genehmigung“, „Rechnungen dieser Kategorie werden auf jenes Konto gebucht“. Diese Regeln waren nützlich, aber fragil. Änderte sich die Richtlinie, mussten die Regeln einzeln aktualisiert werden; jede Ausnahme, die keiner Regel entsprach, wurde manuell geprüft. Belegerfassung, Kategorieauswahl und Abstimmung blieben vollständig dem Menschen überlassen — ein langsames und fehleranfälliges System. Was diese manuelle Last Unternehmen kostet, haben wir im Beitrag über die versteckten Zeitkosten der Spesenerfassung ausführlich behandelt.

Zweite Etappe: Maschinen, die Dokumente lesen

Maschinelles Lernen und Deep Learning nahmen die größte Last der Finanzteams ins Visier: die Dokumentenverarbeitung. Dank der Fortschritte in der Bilderkennung wurden Systeme in die Lage versetzt, Belege und Rechnungen vom Foto zu lesen; Betrag, Datum, Lieferant und Steuerangaben werden seither in Sekunden extrahiert und in die richtigen Felder übertragen. Auch die Kategorisierung begann, sich auf Muster statt auf Regeln zu stützen: Das System lernt aus vergangenen Ausgaben und ordnet eine neue Ausgabe selbstständig der richtigen Kategorie zu. Mit der abnehmenden manuellen Dateneingabe sank sowohl die Fehlerquote als auch die Zeit, die Mitarbeitende für die Spesenabrechnung aufwenden.

Dritte Etappe: Anomalieerkennung und Vorausschau

In der aktuellen Phase liest und klassifiziert die Maschine nicht nur, sondern erkennt Abweichungen. Die Künstliche Intelligenz lernt die Ausgabemuster des Unternehmens und markiert das Ungewöhnliche: doppelte Belege, verdächtige Abrechnungen am Wochenende, wiederholte Ausgaben knapp unter der Richtliniengrenze. Diese Signale, die manuelle Stichprobenkontrollen übersehen, ermöglichen es, das Risiko von Spesenbetrug zu erkennen, bevor es wächst. Dieselbe Fähigkeit zum Mustererlernen blickt auch nach vorn: Aus historischen Daten lassen sich Ausgabetrends prognostizieren und Budgetabweichungen früh erkennen. Auch die Regeln sind nicht verschwunden; Ausgaberichtlinien-Prüfungen arbeiten heute mit lernenden Systemen zusammen und fangen regelwidrige Ausgaben bereits im Moment der Einreichung ab.

Masraff ist eine KI-gestützte Plattform für Spesenmanagement, die das aktuelle Glied dieser Evolution repräsentiert: Sie automatisiert den Spesenprozess durchgängig — vom Lesen von Belegen und Rechnungen über die intelligente Kategorisierung bis hin zur Richtlinienprüfung und Anomaliemarkierung.

Häufig gestellte Fragen (FAQ)

Wann entstand die Künstliche Intelligenz zum ersten Mal?

Das Konzept wurde offiziell 1956 auf der Dartmouth-Konferenz vorgestellt; seine theoretische Grundlage geht auf Alan Turings Arbeit von 1950 zurück.

Was ist der Unterschied zwischen regelbasierten und lernenden Systemen?

Bei regelbasierten Systemen schreiben Menschen jede Bedingung einzeln; das System reagiert nur auf definierte Szenarien. Lernende Systeme hingegen leiten Muster aus Daten ab: Sie können auch in neuen, zuvor nicht definierten Situationen vernünftige Entscheidungen treffen. Auf der Finanzseite ist das der Unterschied zwischen einer „festen Limitprüfung“ und dem „eigenständigen Erkennen ungewöhnlicher Ausgaben“.

Wie wird Künstliche Intelligenz im Spesenmanagement eingesetzt?

In drei Hauptbereichen: automatisches Auslesen von Belegen und Rechnungen vom Foto, intelligente Kategorisierung der Ausgaben auf Basis historischer Daten und sofortiges Markieren ungewöhnlicher oder richtlinienwidriger Ausgaben. So sinkt der manuelle Aufwand, Fehler nehmen ab und das Finanzteam kann sich statt auf Kontrollen auf die Strategie konzentrieren.

Wird Künstliche Intelligenz das Finanzteam ersetzen?

Nein; sie übernimmt repetitive Aufgaben. Während Dateneingabe, Abgleich und Erstprüfung an die Maschine übergehen, bleiben Entscheidungen, die Urteilsvermögen erfordern — Richtliniengestaltung, Ausnahmegenehmigung, Budgetstrategie — beim Menschen.

---

Die jahrzehntelange Entwicklung der Künstlichen Intelligenz hat heute eine Reife erreicht, die Ihre Spesenprozesse spürbar entlasten kann. Wenn Sie den Übergang von regelbasierten Kontrollen zu lernenden Systemen im eigenen Unternehmen erleben möchten, nehmen Sie Kontakt mit uns auf — lassen Sie uns gemeinsam betrachten, was Künstliche Intelligenz im Spesenmanagement verändert.