Das Skalierungsproblem im Medtech-Back-Office
Ein österreichisches Medtech-Unternehmen mit 80 Mitarbeitern steht vor einem klassischen Skalierungsproblem: Das Umsatzwachstum übersteigt die Kapazität des Back-Office-Teams. Die manuelle Rechnungsprüfung dauert im Schnitt 4,5 Minuten pro Dokument, die Fehlerrate liegt bei 3,2 %. Neue Einstellungen sind aufgrund der engen Personalbudgets und der langen Einarbeitungszeit im Gesundheitswesen nicht möglich. Die Lösung ist keine ERP-Ersetzung, sondern eine schlanke KI-Middleware, die in den bestehenden Workflow eingreift. Der Fokus liegt auf einem einzigen Prozess: der Eingangsrechnungsprüfung. Ziel ist es, die Zykluszeit auf unter 30 Sekunden pro Rechnung zu senken und die Fehlerrate auf unter 0,5 % zu drücken, ohne neue Mitarbeiter einzustellen. Die Architektur muss dabei die strengen Datenschutzanforderungen des Gesundheitswesens und die neuen Vorgaben des EU AI Act erfüllen.
Architektur: LangGraph als Zustandsmaschine
Die Kernkomponente ist ein LangGraph-Workflow, der als gerichteter Graph modelliert wird. Der Eingangsknoten empfängt PDF-Dateien über einen Webhook von der E-Mail-Infrastruktur. Der erste Verarbeitungsknoten nutzt einen OCR-Dienst (z. B. Tesseract oder kommerzielle APIs wie Azure Document Intelligence) zur Extraktion von Feldern: Rechnungsnummer, Betrag, Steuersatz, Lieferant. Der zweite Knoten ist ein LLM-Call (z. B. GPT-4o oder Claude 3.5 Sonnet), der die extrahierten Daten mit den Bestelldaten im ERP abgleicht. LangGraph verwaltet den State des Workflows persistent. Wenn der LLM-Call fehlschlägt, wird der Prozess nicht abgebrochen, sondern in einen ‘Error-State’ verschoben. Von dort aus wird die Rechnung an einen menschlichen Prüfer weitergeleitet. Die Architektur ist model-agnostic: Für die Klassifikation wird ein großes Modell verwendet, für die einfache Feldextraktion kann ein kleineres, günstigeres Modell auf eigener Hardware laufen, um sensible Daten nicht zu verlassen.
Integration und Compliance: REST, Webhooks und EU AI Act
Die Integration erfolgt über Custom REST APIs und Webhooks. Das bestehende ERP (z. B. SAP Business One oder ein spezialisiertes Medtech-ERP) stellt eine REST-API für den Abruf von Bestelldaten bereit. Die KI-Engine ruft diese API auf, um die Plausibilität der Rechnung zu prüfen. Die Ergebnisse werden als JSON an die ERP-API zurückgesendet. Für die Benachrichtigung des menschlichen Prüfers wird ein Webhook an das interne Ticketing-System (z. B. Jira oder ein Custom-Tool) gesendet. Die Datenflüsse sind strikt getrennt: Rohdaten (PDF) bleiben im Dateisystem, strukturierte Daten fließen über die APIs. Für die Compliance mit dem EU AI Act wird ein Logging-Mechanismus implementiert, der jede KI-Entscheidung (Klassifikation, Plausibilitätsprüfung) mit Zeitstempel und Modellversion protokolliert. Dies ist erforderlich, um die Nachvollziehbarkeit der automatisierten Entscheidungen zu gewährleisten, insbesondere wenn es um die Freigabe von Zahlungen geht.
Trade-offs: Cloud-API vs. On-Premise-Modelle
Die Wahl des LLM-Providers ist ein Kompromiss zwischen Qualität, Kosten und Datenschutz. GPT-4o bietet hohe Genauigkeit bei der Plausibilitätsprüfung, aber die Daten verlassen das Unternehmen. Für ein Medtech-Unternehmen in Österreich ist dies bei reinen Rechnungsdaten (ohne Patientennamen) oft akzeptabel, sofern ein Data Processing Agreement (DPA) mit dem Anbieter vorliegt. Alternativ kann ein Open-Weight-Modell (z. B. Llama 3 70B) auf eigener Hardware laufen. Dies erhöht die Latenz (ca. 5-10 Sekunden statt 1-3 Sekunden) und die Infrastrukturkosten, aber die Daten bleiben im Rechenzentrum. Für den Piloten wird empfohlen, mit einem kommerziellen API-Provider zu starten, um die Genauigkeit zu validieren, und dann zu evaluieren, ob ein On-Premise-Modell für die Skalierung wirtschaftlich ist. Die Kosten pro Rechnung liegen bei ca. 0,01 EUR für die API-Nutzung, was bei 1.000 Rechnungen/Monat 10 EUR beträgt – vernachlässigbar im Vergleich zu den Personalkosten.
Empfehlung: Fokussierter Pilot mit messbarem ROI
Für ein 80-Personen-Unternehmen in der Phase ‘One Process Automated’ ist die Empfehlung klar: Starte mit einem engen Scope. Automatisiere nur die Eingangsrechnungsprüfung für die Top-50 Lieferanten, die 80 % des Volumens ausmachen. Verwende LangGraph für die Zustandsverwaltung und eine kommerzielle LLM-API für die Plausibilitätsprüfung. Integriere die Lösung über REST-APIs in das bestehende ERP, ohne dieses zu ersetzen. Implementiere ein Logging-System für die EU AI Act-Compliance. Die Zeitlinie von 2 Wochen ist realistisch, wenn der Fokus auf der OCR-Extraktion und der LLM-Klassifikation liegt. Die manuelle Nachbearbeitung der Ausnahmen (ca. 10 %) bleibt beim bestehenden Team. Die Skalierung erfolgt durch horizontale Skalierung der API-Worker, nicht durch neue Einstellungen. Der ROI ist messbar: Senkung der Zykluszeit von 4,5 Minuten auf 30 Sekunden und der Fehlerrate von 3,2 % auf 0,5 %.
Leave a Reply