KI-Steuerberater Projekt - Research Dashboard

17%

Unternehmen nutzen KI in Buchhaltung (Bitkom 2025)

80%

Kanzleien mit Fachkraftemangel (Taxdoo 2025)

12-18

Monate Zeitfenster bevor DATEV aufholt

9 Wo.

MVP-Timeline (erfahrener Entwickler)

📊 Marktanalyse DACH + International

Direkte Wettbewerber (PDF zu DATEV)

Anbieter	Land	Kann PDF zu DATEV?	KI-Tiefe	Zielgruppe	Schwache
Finmatics	AT/DACH	Ja, tief	ML-Kontierung, mandantenspezifisch lernend	Kanzleien	Kein LLM-Ansatz, AT-Fokus (RZL), Pricing unklar
DATEV Automatisierung	DE	Ja, nativ	KI-Buchungsvorschlage, Copilot (Chat)	DATEV-Kanzleien	Langsame Innovation, Copilot = Chat, kein FIBU-Automat
BuchhaltungsButler	DE	DATEV-Export	Selbstlernend, 95% Automatisierung	SMBs	Keine Kanzlei-Architektur, begrenzte FIBU-Tiefe
Candis	DE	DATEV-Export	OCR + Vorkontierung	KMUs	Fokus Approval, nicht Buchungssatz. 369+ EUR/Mo
Tabula (YC W24)	DE	LLM zu DATEV	LLM-basiert, $4.6M Funding	Kanzleien	Fruh, kleines Team (5), direkter Wettbewerber!
Taxforce	DE	In Entwicklung	KI-native Kanzlei	Eigene Kanzlei	Tenet-Fonds Roll-up, nicht als Tool verfugbar
sevDesk	DE	CSV/XML	OCR-Level	Freelancer/KMU	Keine tiefe Kontierung, kein Kanzlei-Tool
lexoffice	DE	DATEVconnect	Basis-OCR	Freelancer	Minimale KI, reine SMB-Losung

Internationale Player (kein DATEV)

Anbieter	Land	KI-Level	Besonderheit	DATEV?
Vic.ai	NO	1 Mrd+ trainierte Rechnungen, 85% No-Touch	Technologisch fuhrend	Nein
Rossum	CZ	95-98% template-freie Extraktion	Beste OCR/Extraktion	Nein
Dext	UK	Marktfuhrer Belegerfassung	Xero/QuickBooks	Nein
Truewind	US	AI Bookkeeping	QuickBooks-Fokus	Nein
Botkeeper	US	AI + Human Bookkeeping	QuickBooks/Xero	Nein
Bench	CA	Ubernommen (Ende 2024)	Geschlossen/Employer 1-800-Accountant	Nein

🎯 Die Marktlucke

Warum das Projekt Sinn macht

Niemand kombiniert drei Dinge gleichzeitig:

Moderne LLMs (GPT-4 Vision / Claude) fur kontextbasierte Kontierung
Mandantenspezifisches Wissen (Buchungshistorie als RAG-Kontext)
Tiefe DATEV-Integration (EXTF-Buchungsstapel, korrekte BU-Schlussel, Validierung)

Finmatics kommt am nachsten, nutzt aber kein LLM. DATEV selbst ist zu langsam. Tabula (YC) baut dasselbe, ist aber noch fruh. Tappens Vorteil: Domain-Expertise + echte Mandanten + Trainingsdaten vom Tag 1.

Open-Source Bausteine: pydatev (Python DATEV-Format), TaxHacker (LLM Steuer-Ansatz), invoice2data (Rechnungs-OCR)

👥 CTO-Kandidaten Shortlist

15 Kandidaten recherchiert. Gerankt nach: LLM-Produkterfahrung, DATEV-Nahe, Shipping-Mentalitat, Verfugbarkeit.

Tier 1: Top-Kandidaten - Sofort kontaktieren

Aleksander Heimrath

ex-CTO Candis (2021-2024)

Prio A

3 Jahre exakt dasselbe Problem gelost: PDF-Rechnungen zu DATEV-Buchungen via KI bei Candis.

9 Jahre CTO-Erfahrung (Rocket Internet, Lendico, Alteos). M.Sc. TU Dresden. Kennt DATEV-Schnittstellen in- und auswendig.

Status: Scheint seit Dez 2024 nicht mehr bei Candis. Perfektes Timing-Fenster.

Risiko: Konnte bereits im nachsten Startup stecken. Moglicherweise "das Thema durch".

DATEV-Experte LLM-Produktion FinTech

Daniel Bartholomae

CTO & Co-Founder Fideus | @the_startup_cto

Prio A

Baut gerade KI-Steuerberatung: Belegabgleich, Fristenmonitoring, OPOS bei Fideus (900K Pre-Seed).

Ex-CTO Optilyz, McKinsey-Background. Mathe/Physik-Studium. Aktiver Open-Source-Dev, APX Mentor.

Ansatz: Kooperation statt Abwerbung (Fideus = Holdings-Nische, nicht laufende FIBU).

Risiko: Eigenes Startup. Eher Sparringspartner als CTO.

Steuer-KI aktiv Open Source Eigenes Startup

LinkedIn GitHub

Keyvan Hardani

AI Research & Engineering | Indie-Hacker

Prio A

Hat bereits DATEV-AI-Tool gebaut: Open-Source auf GitHub (Datev-AI-Datenautomatisierung).

Nutzt GPT-4 Vision API fur DATEV-Docs. Hat Qwen Vision-Language Models auf deutsche Dokumente fine-tuned.

Ideal fur MVP-Phase: Indie-Hacker-Mentalitat, baut und shipped schnell. Niedrige Kontaktschwelle.

Risiko: Kein CTO-Track-Record in Unternehmen. Eher Einzelkampfer.

DATEV-AI gebaut LLM Fine-Tuning Open Source

GitHub Portfolio

Tier 2: Relevant, aber gebunden

Burkhard Reffeling

CTO & Co-Founder Taxforce | ex-Klarna

Tier 2

Ex-Head of Engineering Klarna (140+ Ingenieure). Baut KI-native Steuerkanzlei.

Nutzen: Netzwerk-Kontakt, Erfahrungsaustausch. Tenet-Fonds (80M) macht Roll-ups.

Gebunden Steuer-KI Klarna-Scale

Patrick Sagmeister

CTO & Co-Founder Finmatics, Wien

Tier 2

DER DATEV-KI-Partner: 800+ Steuerberater-Kunden, 100+ MA. Seit 2016 an dem Problem.

Nutzen: Kooperationspartner oder Finmatics-Alumni als Kandidaten.

Gebunden 800+ Kanzlei-Kunden

Dr. Sebastian B. Rose

Data Science Lead sevDesk

Prio A

Hat ML/Data-Science-Team bei sevDesk aufgebaut. KI fur Buchhaltung in Produktion.

Nutzen: Praktische Erfahrung KI + DATEV-Export.

ML in Produktion DATEV-Export

Mario Hachemer

CTO FastBill, Frankfurt

Tier 2

6+ Jahre CTO bei FastBill (Cloud-Buchhaltung). FastBill 2024 von Grundern zuruckgekauft - mogliche Unruhe.

Risiko: Unklar ob AI/ML-Tiefe. Eher klassischer Engineering-CTO.

Moglicherweise Buchhaltung

Tier 3: Indie-Hacker / MVP-Phase

Jonas Witt

Entwickler | stripe-datev-exporter

Tier 3

Hat Open-Source Stripe-zu-DATEV-Exporter gebaut. Versteht DATEV-Formate. Python.

Risiko: Kein AI/ML-Background. Fur DATEV-Schnittstelle nutzlich, nicht als alleiniger CTO.

GitHub

Linus (CTO Finto)

YC S25 | AI Accounting fur Enterprises

Tier 3

Invoice-to-Pay Automatisierung. Ex-Tech-Lead Tacto. Munchner Startup-Szene.

Nutzen: Finto-Alumni oder abgeworbene Ingenieure konnten interessant sein.

Wettbewerber-Watch

Unternehmen	Team	Funding	Bedrohung
Tabula (YC W24, Berlin)	Tim Hermes (ex-Taxfix), Leo von Kleist (ex-Hive CTO, ETH)	$4.6M	Direkt
Finmatics (Wien/Berlin)	Patrick Sagmeister, 100+ MA	VC-backed	Hoch
Supercount AI (Linz)	Markus Waghubinger	Fruh	Mittel (AT)
boring.tax (Berlin)	Juan Garcia-Berdoy, Thomas Flassbeck	Bootstrapped	Mittel

⚙ Technischer Plan

DATEV-Import: EXTF-CSV Format (kein API notig)

Einfachster Weg: EXTF-CSV Datei generieren, Steuerberater importiert mit 1 Klick in DATEV Rechnungswesen.

Kritische Header-Felder: Kennung="EXTF", Version=700, Sachkontenlange=4, SKR="03", korrektes Wirtschaftsjahr + Buchungszeitraum.

Haufigste Fehler (vermutlich Tappens Kollege):

Encoding: UTF-8 statt Windows-1252 (DATEV braucht ANSI!)
Dezimalformat: Punkt statt Komma (muss 56,72 sein)
Sachkontenlange falsch (4 vs 6 Stellen)
BU-Schlussel inkompatibel mit Kontotyp
Belegdatum ausserhalb Header-Buchungszeitraum

Library: pydatev (pip install pydatev) - einzige Python-Library fur DATEV-Format

Datenschutz: Mandantendaten + Cloud-KI

Problem: §203 StGB + §57 StBerG = Verschwiegenheitspflicht. Mandantendaten an US-Cloud-APIs senden = Straftat.

Losung fur MVP:

Option A: Self-hosted LLM (Llama 3.1 70B auf Hetzner DE) - Beste Option
Option B: Anonymisierung vor API-Call (Firmennamen/StNr ersetzen, Betrage bleiben)
Option C: Azure OpenAI EU-Region mit AVV + §203-Vereinbarung

Zwingend notig: AVV nach Art. 28 DSGVO + Verschwiegenheitsverpflichtung nach §203 Abs. 4 StGB

Realistische Genauigkeit

Metrik	Monat 1	Monat 3	Monat 6+
OCR-Extraktion korrekt	95%+	95%+	98%+
Richtiges Sachkonto	60-70%	75-85%	85-90%
Richtiger BU-Schlussel	70-80%	80-90%	90%+
Komplett korrekte Buchung	50-60%	65-75%	80%+

80/20-Regel: KI schlagt 80% korrekt vor. StB reviewed alle, korrigiert 20%. System lernt aus Korrekturen. Von 5 Min/Beleg auf 30 Sek/Beleg.

🔧 MVP-Pipeline

1. InputPDF Upload / Email

→

2. OCRAzure Doc AI + pdfplumber

→

3. ExtraktionFelder + Confidence

→

4. KontierungLLM + RAG (SKR03)

→

5. ValidierungRegelprufung + Score

→

6. ReviewStB pruft (Streamlit UI)

→

7. ExportEXTF-CSV (pydatev)

Tech Stack

Komponente	Technologie	Begrundung
Sprache	Python 3.11+	Bestes ML/LLM-Okosystem, pydatev ist Python
Backend	FastAPI	Async, schnell, API-first
Frontend	Streamlit (MVP)	Schnellster Weg zu funktionalem UI
OCR	Azure Document Intelligence	Bester Benchmark fur DE-Rechnungen
LLM	Llama 3.1 70B (Self-hosted)	Datenschutz, keine Cloud-APIs fur Mandantendaten
RAG	ChromaDB	Embedded, einfach, reicht fur MVP
DATEV Export	pydatev	Einzige Python-Library fur DATEV-Format
Hosting	Hetzner Cloud (DE)	DSGVO, gunstig, performant

📅 Aktionsplan bis 16.04.2026

03.-04. April

Email an Tappen senden

Fehlermeldungen des Kollegen anfordern. Testdaten (anonymisierte PDFs). SKR03/04 bestatigen. Budget-Vorstellung klaren. Lauras Verfugbarkeit.

07. April

CTO-Kandidaten kontaktieren

Aleksander Heimrath (LinkedIn). Keyvan Hardani (GitHub). Daniel Bartholomae (Twitter). Raphael nach Kontakten fragen.

08. April

Tappen liefert Daten

Screenshots DATEV-Fehlermeldungen. Tool/Script des Kollegen. Beispiel-Belege. Budget-Range.

09. April

Marktanalyse finalisieren

Finmatics, Candis, Tabula - Abgrenzung klar dokumentiert. Positioning Statement.

10.-12. April

Technische Voranalyse

Fehlermeldungen kategorisieren. Lösungsansatze skizzieren. Einschatzung: reparierbar oder neu starten?

13.-14. April

CTO-Kurzprofile aufbereiten

Pro Kandidat: Hintergrund, Passung, Verfugbarkeit, Engagement-Modell. Min. 3 Kandidaten mit Ruckmeldung.

15. April

Call-Vorbereitung

Agenda an Tappen senden. Prasentation finalisieren. Technik testen.

16. April - VIDEO-CALL

60-90 Min mit Tappen + Benjamin

Entscheidungen im Call

Build vs. Buy

Eigenlosung bauen oder Finmatics/Candis anpassen?

Budget Phase 1

15-30K EUR fur 8-Wochen-Prototyp mit Freelance-CTO

CTO-Auswahl

Welchen Kandidaten kontaktieren? Wer fuhrt das Gesprach?

Dominiks Rolle

Advisory (1-2h/Wo), Projektsteuerung, oder Vermittler?