# cornell-ai-hub-100k-unidentified-payments-2026-06-15

## Veille

Fallstudie, veröffentlicht vom **Cornell AI Innovation Hub** (15. Juni 2026): wie eine zweisemestrige Zusammenarbeit zwischen dem AI Hub, Doktoranden und dem Treasury-Team von Cornell eine zeitaufwendige manuelle Recherche in ein KI-Tool verwandelte, das bei einer ersten Charge **100.000 $** an nicht identifizierten Zahlungen **zurückgewann**. Ein erfolgreicher **AI4Business**-Anwendungsfall (Finanzprozess), der das **Leader-Lab-Crowd**-Framework von **Ethan Mollick** nahezu punktgenau veranschaulicht: Der **AI Hub** übernimmt die Rolle des **Lab** (ein zentrales, beidhändiges Team aus Technologen und Studierenden); **Treasury** (Cheryl Barnes, Marie Graves…) ist die **Crowd**, die das Fachwissen und den eigentlichen Schmerzpunkt einbringt; und die **100.000 $** stellen die **sichtbare Belohnung** (vivid win) dar, die die Akzeptanz verankert — genau der Anreizhebel, den Mollick als entscheidend erachtet. Zentrale Methode: **„context first, then plan, then build“** über **Claude Code Plan Mode**, eine Kette aus **Fuzzy Matching → Gemini Enterprise Web Search → Claude-Synthese**, alles innerhalb des kontrollierten **Cornell AI Gateway**. *„Die 100.000 Dollar sind ein Anfang.“*

## Titre Article

How Cornell Recovered $100,000 in Unidentified Payments With AI

## Date

2026-06-15

## URL

https://innovationhub.ai.cornell.edu/articles/how-cornell-recovered-100000-in-unidentified-payments-with-ai/

## Keywords

Cornell AI Innovation Hub, nicht identifizierte Zahlungen, Zahlungsabgleich, Treasury, Finanzen, AI4Business, Leader-Lab-Crowd, Ethan Mollick, Belohnung, Anreiz, vivid win, Lab, Crowd, Fachwissen, Claude Code, Plan Mode, context first, Fuzzy Matching, Gemini Enterprise Web Search, Claude-Synthese, Cornell AI Gateway, Data Governance, know your data, Backtest, Escheatment, Oracle GL, Kyriba, n8n, /treasury-Skill, Claude-Pilot, Change Management, Automatisierung, messbarer ROI

## Authors

**Pete Stergion** — Desktop Engineer au Cornell AI Innovation Hub, co-tech lead du projet (avec Phil Williammee). Article institutionnel signé de l'AI Hub.

## Ton

**Profil**: eine institutionelle Fallstudie / *Fortschrittsbericht*, verfasst in der Wir-Form (*„we“*), veröffentlicht im Blog des Cornell AI Innovation Hub. Zielpublikum: operative Teams an Universitäten und Unternehmen, IT-Verantwortliche, Praktiker des KI-Change-Managements. Register: **nüchtern, pädagogisch und ehrlich**, mittleres technisches Niveau (setzt Vertrautheit mit Fuzzy Matching, Pipelines, GL, Backtesting voraus), aber auch für Nicht-Ingenieure verständlich.

**Stil**: schrittweise Erzählung (*The Problem / The Team / How We Built It / The Pipeline / The Results / What's Next / The Takeaway*), im Wechsel zwischen Erzählung und Zahlen, mit einer **kontrollierten Ehrlichkeit**, die die Glaubwürdigkeit stärkt: Die **Einschränkung** des Tools ist dokumentiert (Lieferanten, die mehrere Abteilungen abrechnen), es wird festgehalten, dass *„die Klärung weiterhin von der Nachverfolgung durch das Treasury-Personal abhängt“*, und die Governance wird betont (*„know your data“*, Cornell AI Gateway, PII entfernt). Kein Übertreiben: Die Schlussthese lautet nicht „KI vollbringt Wunder“, sondern *„das Projekt funktionierte, weil das Team die Vorarbeit geleistet hat“*. Teilbarer Slogan: *„Die 100.000 Dollar sind ein Anfang.“*

## Pense-betes

- **Die Schlüsselzahl**: **100.000 $** zurückgewonnen bei einer **ersten Charge** — 23 kontaktierte Abteilungen, **7 Antworten**, **5 bestätigte Zahlungen**. Aktiver Rückstand ~**1 Mio. $** (historischer Höchststand **4 Mio. $**) über einige Hundert Transaktionen. Regulatorischer Einsatz: Das Recht des Bundesstaats New York schreibt eine **Verfallserklärung (escheatment)** vor (Übergabe nicht beanspruchter Gelder an den Staat), wenn sie nicht rechtzeitig geklärt werden.
- **Die alles strukturierende Erkenntnis**: **Lieferantennamen erscheinen bei 99 %** der nicht identifizierten Zahlungen, während **Rechnungs-/Bestellnummern bei weniger als 4 %** vorkommen. → Die Wette gilt dem Lieferantennamen, nicht dem fehlenden Identifikator.
- **Mollick-Lesart (Kern der Fragestellung)**: Der Fall veranschaulicht das **Leader-Lab-Crowd**-Framework ([[mollick-making-ai-work-leadership-lab-crowd-2025-05-22]]).
- **Lab** = der **AI Hub** (Pete Stergion, Phil Williammee, Kohorte von Studierenden): das zentrale Team, das die Lösung *verpackt*.
- **Crowd** = **Treasury** (Cheryl Barnes, Marie Graves, Kevin Mooney, Debra Federation): Fachwissen + Daten (Kevin stellt **3 Jahre Oracle GL, über 10.000 Datensätze** bereit). Es ist der Schmerz an der Front (bis zu **einem halben Arbeitstag** für dieses Problem), der zur Chance wird.
- **Belohnung / vivid win**: Mollick empfiehlt, **Mitarbeitende zu belohnen, die transformative Anwendungen entdecken**, und ein **anschauliches Bild** der KI-Zukunft zu vermitteln. Die **100.000 $** sind genau dieser konkrete, legitimierende Beweis — er macht den Wert greifbar und erstrebenswert.
- **Beruhigung gegen Stellenabbau**: KI **beseitigt die Routinearbeit** (E-Mail-Recherchen, Googeln von Abkürzungen, Abgleiche) statt Personal zu ersetzen; das erklärte Ziel ist *„ein nachhaltiger Workflow, den das Team selbst besitzt und betreibt“* (Einbindung in den Claude-Piloten + den Skill **`/treasury`**). Dies ist die Antwort auf Mollicks *„reassure your workers“*.
- **Methode „Context first, then plan, then build“**: Über **Claude Code Plan Mode** wird der *gesamte* Kontext geladen (Hintergrund, manueller Prozess, Semester-Notizen, studentische Prototypen, bereinigte Daten); Claude Code **schlägt eine vollständige Architektur vor, die validiert wird, bevor auch nur eine Zeile geschrieben wird**. Ergebnis: von **Semester-Notizen zu einem funktionsfähigen Tool in einer einzigen Sitzung**.
- **Pipeline (3 Schritte), bereitgestellt als *Skill* in Claude Code**: (1) **historischer Abgleich** (Fuzzy Matching gegen das GL; filtert Störwörter wie *Inc/LLC/Corp*; ein Token-Overlap-*Gate* zur Vermeidung von Fehlalarmen); (2) **Lieferantenrecherche** über **Gemini Enterprise Web Search** (innerhalb des Cornell AI Gateway); (3) **Claude-Synthese** (wägt die Belege ab → wahrscheinliche Abteilung, **Konfidenzniveau**, vorgeschlagener Kontakt). Ergebnis: **nach Konfidenz sortierte Excel-Datei**, in wenigen Minuten. Eingabe: **Kyriba**-Export (TMS).
- **Rigoroser Backtest**: 3 Szenarien über **9.131** bereits geklärte Zahlungen, Antworten verdeckt. Wiederkehrende Lieferanten: **97 %** (nur Fuzzy Matching, 500 Testzahlungen) → **100 %** mit der vollständigen KI-Kette. Unbekannte Lieferanten: **76 % → 100 %** nach Aktivierung von Gemini + Claude. **Dokumentierte Einschränkung**: Lieferanten, die mehrere Abteilungen abrechnen (richtiger Lieferant, aber nicht immer das richtige Abteilungskonto).
- **Governance**: Finanzdaten mit *moderatem Risiko*, **Cornell AI Gateway**, **kein Training externer Modelle**, eingeschränkter Zugriff, **PII entfernt**, ein *„know your data“*-Ansatz. Im Verlauf getestete Modelle: **Gemini, GPT, Claude**; anfängliches Prototyping in **n8n**.
- **Nützliche Gegenerzählung**: einsetzbar gegen die Erzählung, „KI schaffe keinen Wert in Geschäftsprozessen“. Hier tut sie es — **weil** Lab + Crowd + Vorarbeit zusammenkamen. *„Als es Zeit war zu bauen, hatte die KI alles, was sie brauchte, um eine echte Lösung statt einer generischen zu entwerfen.“*

## RésuméDe400mots

Der Cornell AI Innovation Hub berichtet (15. Juni 2026), wie eine zweisemestrige Zusammenarbeit es ermöglichte, mithilfe von KI **100.000 $** an nicht identifizierten Zahlungen zurückzugewinnen. Das Problem: Jedes Jahr erhält Cornell Hunderte von Überweisungen und ACH-Zahlungen ohne ausreichende Informationen zur Zuordnung (keine Rechnungsnummer, vage Lieferantenbezeichnung). Die Gelder sammeln sich auf einem Ausgleichskonto an — aktiver Rückstand ~**1 Mio. $**, historischer Höchststand **4 Mio. $** — und das Recht des Bundesstaats New York schreibt eine **Verfallserklärung (escheatment)** vor, wenn sie nicht rechtzeitig geklärt werden. Zwei Mitarbeiter der Treasury-Abteilung wendeten dafür bis zu **einem halben Tag pro Tag** auf.

Die Struktur des Projekts veranschaulicht das **Leader-Lab-Crowd**-Framework von **Ethan Mollick**. Das **Lab** ist der **AI Hub** (Pete Stergion und Phil Williammee, Co-Tech-Leads, plus eine Kohorte von Studierenden). Die **Crowd** ist **Treasury** (Cheryl Barnes, Marie Graves, Kevin Mooney, Debra Federation), Trägerin des Fachwissens und der Daten — Kevin stellt **3 Jahre Oracle-GL-Historie (über 10.000 Datensätze)** bereit. Die studentische Analyse fördert die zentrale Erkenntnis zutage: **99 %** der Zahlungen tragen einen Lieferantennamen, aber **weniger als 4 %** eine Rechnungsnummer.

Der Aufbau folgt der Disziplin **„context first, then plan, then build“**: Über **Claude Code Plan Mode** lädt das Team den gesamten Kontext (Notizen, manueller Prozess, Prototypen, bereinigte Daten); Claude Code **schlägt eine Architektur vor, die validiert wird, bevor auch nur eine Zeile Code geschrieben wird**. Ein Semester an Notizen wird so in **einer einzigen Sitzung zu einem funktionsfähigen Tool**. Die **Python-Pipeline** (bereitgestellt als *Skill* `/treasury`) verkettet drei Schritte: **Fuzzy Matching** gegen das GL (Herausfiltern von Störwörtern wie Inc/LLC/Corp), **Lieferantenrecherche** über **Gemini Enterprise Web Search**, dann **Claude-Synthese**, die für jede Zahlung eine wahrscheinliche Abteilung, ein **Konfidenzniveau** und einen Kontakt liefert. Ergebnis: eine nach Konfidenz sortierte Excel-Datei, in wenigen Minuten — alles innerhalb des kontrollierten **Cornell AI Gateway** (PII entfernt, kein Training externer Modelle).

Der **Backtest** (9.131 bereits geklärte Zahlungen) zeigt eine Genauigkeit von **97 % → 100 %** für wiederkehrende Lieferanten mit der vollständigen KI-Kette und **76 % → 100 %** für unbekannte Lieferanten. Dokumentierte Einschränkung: Lieferanten, die mehrere Abteilungen abrechnen. Operatives Ergebnis: 23 kontaktierte Abteilungen, 7 Antworten, **5 Zahlungen = 100.000 $** bestätigt.

Über die Zahl hinaus ist der Fall ein **Gegenbeispiel** zur Erzählung, dass „KI keinen geschäftlichen Wert schafft“: Hier tut sie es, weil ein **Lab**, eine sachkundige **Crowd** und **echte Vorarbeit** zusammenkamen. Und die **100.000 $** übernehmen die Rolle der **sichtbaren Belohnung**, die Mollick schätzt — der greifbare Beweis, der die Akzeptanz legitimiert und verbreitet, indem er die mühsame Routinearbeit beseitigt statt der Arbeitsplätze. *„Die 100.000 Dollar sind ein Anfang.“*

## GrapheDeConnaissance

- Pete Stergion —travaille_chez→ Cornell AI Innovation Hub (ORGANISATION, 0.96)
- Cornell AI Innovation Hub —collabore_avec→ Cornell Treasury Operations (ORGANISATION, 0.97)
- Cornell AI Innovation Hub —a_créé→ pipeline de rapprochement des paiements non identifiés (TECHNOLOGIE, 0.95)
- pipeline de rapprochement des paiements non identifiés —utilise→ Claude Code (TECHNOLOGIE, 0.96)
- pipeline de rapprochement des paiements non identifiés —utilise→ Gemini Enterprise Web Search (TECHNOLOGIE, 0.94)
- pipeline de rapprochement des paiements non identifiés —utilise→ Cornell AI Gateway (TECHNOLOGIE, 0.93)
- Claude Code Plan Mode —permet→ passer d'un semestre de notes à un outil fonctionnel en une seule session (AFFIRMATION, 0.9)
- pipeline de rapprochement des paiements non identifiés —mesure→ 100 % de précision au backtest avec la chaîne IA complète (vs 97 % en fuzzy-matching seul) (MESURE, 0.93)
- Cornell AI Innovation Hub —mesure→ 100 000 $ récupérés sur un premier lot (5 paiements, 23 départements contactés, 7 réponses) (MESURE, 0.95)
- Cornell AI Innovation Hub —affirme_que→ les noms de fournisseurs figurent sur 99 % des paiements non identifiés, contre moins de 4 % pour les numéros de facture (AFFIRMATION, 0.92)
- Cornell AI Innovation Hub —est_instance_de→ framework Leader-Lab-Crowd (CONCEPT, 0.85)
- Cornell Treasury Operations —est_instance_de→ framework Leader-Lab-Crowd (CONCEPT, 0.85)
- Ethan Mollick —recommande→ récompenser les employés qui découvrent des usages transformationnels de l'IA (AFFIRMATION, 0.9)
- récupération de 100 000 $ —est_instance_de→ récompense visible de l'adoption IA (CONCEPT, 0.82)
- Cornell AI Innovation Hub —recommande→ une approche « contexte d'abord » (groundwork avant build) (AFFIRMATION, 0.88)

---
Canonical: https://www.thekb.eu/de/fiches/cornell-ai-hub-100k-unidentified-payments-2026-06-15/