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.“