KI-gestützte Vertragsprüfung in der Logistik: Fallstudie aus Österreich

Hintergrund: AlpenLogistik in der Wachstumsphase

Die vorliegende Fallstudie ist ein Composite aus Mustern, die Forfis in der Praxis beobachtet hat. Es werden keine realen Kundennamen genannt, um die Vertraulichkeit zu wahren. Die beschriebene Firma ist ein fiktives, aber plausibles Unternehmen, das die typischen Merkmale eines Logistikdienstleisters in Österreich mit 11 bis 50 Mitarbeitern abbildet. Die Firma, nennen wir sie „AlpenLogistik“, betreibt einen B2B-Dienst für den Transport von Gütern zwischen Deutschland, Österreich und Italien. Der Stack besteht aus einem bestehenden ERP-System, einem Helpdesk-Tool und Microsoft Teams als Kommunikationskanal. Die IT-Abteilung ist klein, mit zwei Mitarbeitern, die für die Wartung und die Einführung neuer Tools zuständig sind. Die Firma ist in der Phase, in der sie ihre Prozesse digitalisieren will, aber noch keine eigene KI-Strategie hat. Die Herausforderung besteht darin, die wachsende Menge an Dokumenten und Support-Anfragen effizienter zu bearbeiten, ohne das Team zu vergrößern.

Herausforderung: Mehrsprachige Anfragen und manuelle Vertragsprüfung

AlpenLogistik stand vor einem doppelten Problem. Erstens stieg die Anzahl der Support-Tickets, weil die Kunden mehrsprachige Anfragen stellten – auf Deutsch, Italienisch und Englisch. Das Team konnte die Anfragen nicht schnell genug bearbeiten, was zu längeren Antwortzeiten und unzufriedenen Kunden führte. Zweitens war die Vertragsprüfung ein manueller Prozess, der viel Zeit in Anspruch nahm. Juristen und Compliance-Beauftragte mussten jede Vertragsklausel manuell prüfen, was zu Engpässen führte. Die operative Drucker war hoch, weil die Firma in der Saison mit einem höheren Volumen an Gütern zu tun hatte und die Bearbeitungszeiten nicht weiter steigen durften. Die Kosten pro Support-Ticket waren gestiegen, und die Firma suchte nach einer Lösung, die die Kosten senkt und die Abdeckung erweitert, ohne neue Mitarbeiter einzustellen. Die Deadline für die Einführung war acht Wochen, um die nächste Saison zu schaffen.

Vorgehen: Audit, Pilot und Integration in Microsoft Teams

Forfis begann mit einem AI-Automation-Audit, das zwei Wochen dauerte. Dabei wurden die bestehenden Workflows analysiert und die Prozesse identifiziert, die sich am besten für die Automatisierung eignen. Es zeigte sich, dass die Dokumentenextraktion und die Vertragsprüfung die größten Hebel boten. Der Pilot umfasste die Integration der Anthropic Claude API in das bestehende System. Die KI extrahierte relevante Daten aus den Dokumenten und erstellte einen Entwurf für die Vertragsprüfung. Die Integration erfolgte über Microsoft Teams, wo die Mitarbeiter die Vorschläge der KI prüfen und freigeben konnten. Die Architektur war modell-agnostisch, sodass bei Bedarf auch andere Modelle genutzt werden konnten. Der Pilot lief vier Wochen, und die Ergebnisse wurden gemessen. Die Durchlaufzeit für die Vertragsprüfung sank von drei Tagen auf acht Stunden, und die Fehlerquote ging um 40 Prozent zurück. Die Kosten pro Support-Ticket sanken um 35 Prozent, weil die KI die ersten Schritte übernahm.

Ergebnis: Skalierung auf weitere Abteilungen und messbare Effekte

Nach dem erfolgreichen Pilot wurde die Lösung auf weitere Abteilungen skaliert. Die Dokumentenextraktion wurde auf die Rechnungsprüfung und die Datenpflege ausgedehnt. Die mehrsprachige Abdeckung wurde erweitert, indem die KI auch auf Italienisch und Englisch Anfragen bearbeitete. Die Kosten pro Support-Ticket sanken weiter, und die Antwortzeiten verkürzten sich um 50 Prozent. Die Mitarbeiter waren zufrieden, weil die KI die Routinearbeit übernahm und sie sich auf die komplexeren Fälle konzentrieren konnten. Die Skalierung gelang, weil die Architektur modular aufgebaut war und die bestehenden Systeme nicht ersetzt wurden. Die Firma konnte die Lösung in weiteren Abteilungen einführen, ohne große Umstellungen vornehmen zu müssen. Die Gesamtkosten für die Einführung lagen im Rahmen des Budgets, und die Firma war zufrieden mit dem Ergebnis.

Erkenntnisse: Was andere Teams daraus lernen können

Die Fallstudie zeigt, dass die Automatisierung von Dokumenten und die mehrsprachige Abdeckung ein wirksames Mittel sind, um die Kosten pro Ticket zu senken und die Abdeckung zu erweitern. Die Human-in-the-Loop-Ansatz ist essenziell, um die Qualität zu sichern und die Mitarbeiter einzubinden. Die modell-agnostische Architektur ermöglicht es, die Lösung an die spezifischen Anforderungen des Kunden anzupassen. Die Integration in bestehende Systeme wie Microsoft Teams erleichtert die Einführung und die Akzeptanz bei den Mitarbeitern. Die Messung des Erfolgs durch Vorher-Nachher-Baselines ist wichtig, um den Nutzen objektiv zu belegen. Für ähnliche Teams gilt: Beginnen Sie mit einem Audit, identifizieren Sie die größten Hebel und skalieren Sie die Lösung schrittweise. Die KI ist kein Ersatz für den Menschen, sondern ein Werkzeug, das die Arbeit erleichtert.