Spenden automatisch verbuchen: den Verwendungszweck per LLM auslesen

Wer in einer NPO Spenden verbucht, kennt das: Auf dem Kontoauszug steht im Verwendungszweck alles und nichts. Mal eine Kampagnennummer, mal ein Projektname in eigener Schreibweise, mal eine Widmung, mal einfach „Spende". Ein Sprachmodell kann hier viel Handarbeit abnehmen, vorausgesetzt, der Workflow drumherum stimmt. Wie wir so etwas bauen, zeigen wir am Beispiel einer Banktransaktion.

Das Problem: Freitext im Verwendungszweck

Eine Überweisung liefert euch ein paar strukturierte Felder (Betrag, IBAN, Name, Datum) und ein großes Freitextfeld: den Verwendungszweck. Dort steckt die eigentliche Information, aber unstrukturiert. Regeln und Synonymlisten fangen die häufigen Fälle ab, scheitern aber an Tippfehlern, neuen Kampagnen und kreativen Formulierungen. Das Ergebnis sind Klärfälle, die jemand manuell nacharbeiten muss.

Der Workflow im Überblick

Wir verstehen die Verarbeitung als Kette aus klar getrennten Schritten. Jeder Schritt hat eine Aufgabe und ein nachvollziehbares Ergebnis:

• Import: Die Transaktionen kommen über eine Schnittstelle zur Bank oder zum Payment-Provider, idealerweise in Echtzeit statt als nächtlicher Batch.
• Regeln zuerst: Eindeutige Fälle (klare Kampagnencodes, exakte Treffer) werden direkt deterministisch zugeordnet, ganz ohne Modell.
• LLM-Extraktion: Nur der unklare Rest geht an das Sprachmodell, das den Verwendungszweck in strukturierte Felder übersetzt (Kampagne, Projekt, Zweck, Hinweis auf die Spender:in).
• Abgleich: Die extrahierten Werte werden gegen eure echten Stammdaten gematcht, also gegen die tatsächlichen Kampagnen, Projekte und Kontakte im CRM.
• Konfidenz-Schwelle: Liegt die Sicherheit über einem Schwellenwert, wird automatisch verbucht. Darunter entsteht ein Klärfall.
• Verbuchung oder Klärfall: Sichere Fälle landen automatisch im Fundraising-CRM, unsichere in einer übersichtlichen Nachbearbeitungs-Liste.
• Mensch prüft: Eine Person entscheidet die Zweifelsfälle, und diese Entscheidungen verbessern die Regeln und Synonymlisten für das nächste Mal.

LLM für die Sprache, Code für die Ausführung

Der wichtigste Architektur-Entscheid: Das Modell übersetzt nur den Freitext in eine strukturierte Vermutung. Es bucht nichts. Die eigentliche Zuordnung und Verbuchung übernimmt deterministischer Code, der gegen eure Stammdaten prüft und feste Regeln anwendet. So bleibt der kritische Teil verlässlich und testbar, und das Modell darf bei dem helfen, was es gut kann: Sprache verstehen. Damit die Extraktion verwertbar ist, lassen wir das Modell ein klar definiertes, validiertes Schema ausgeben, kein Fließtext, sondern Felder mit Werten und einer Konfidenz.

Mensch im Prozess: Konfidenz und Klärfälle

Kein Modell liegt immer richtig, und beim Geld zählt jeder Cent. Deshalb verbuchen wir nur automatisch, wenn die Sicherheit hoch genug ist und der Treffer zu genau einem Stammdatensatz passt. Mehrere mögliche Treffer, ein unbekannter Zweck oder eine niedrige Konfidenz werden bewusst zum Klärfall. Das Ziel ist nicht, den Menschen zu ersetzen, sondern ihm den Großteil der Routinefälle abzunehmen und die wenigen echten Entscheidungen gut aufbereitet vorzulegen.

Eure Daten bleiben eure

Spendendaten sind sensibel. Je nach Anforderung setzen wir auf einen gehosteten Anbieter mit geklärtem Datenschutz oder auf ein selbst betriebenes, offenes Modell, sodass die Daten das Haus nicht verlassen. Beide Wege sind für uns machbar; entscheidend ist nicht die Mode, sondern eure Datensensibilität, und dass ihr unabhängig bleibt.

Das Modell schlägt vor, der Code entscheidet, und im Zweifel ein Mensch. So wird aus wirrem Freitext eine saubere Buchung.

Fazit

Ein LLM ist hier kein Selbstzweck, sondern ein Übersetzer zwischen unstrukturiertem Verwendungszweck und eurem CRM. Mit Regeln zuerst, einem klaren Schema, einer Konfidenz-Schwelle und dem Menschen für die Zweifelsfälle wird aus einem mühsamen Tagesgeschäft ein verlässlicher, weitgehend automatischer Ablauf. So, wie ihn Patrick aus unserer NPO-Journey gut gebrauchen kann.