KI-gestützte Vertragsprüfung im Schweizer E-Commerce: Ein Fallbeispiel

Hintergrund: AlpenShop und die Herausforderung der Skalierung

Dieses Fallbeispiel ist ein Composite, basierend auf Mustern, die Forfis in der Praxis beobachtet hat. Es beschreibt ein fiktives, aber plausibles Unternehmen, das typische Herausforderungen im Schweizer E-Commerce-Sektor adressiert. Die genannten Metriken und Prozesse spiegeln reale Erfahrungen wider, ohne auf spezifische Kunden zu verweisen. Das Unternehmen, nennen wir es ‘AlpenShop’, ist ein mittelständischer Online-Händler mit 300 Mitarbeitern, der sich auf den DACH-Raum konzentriert. Die IT-Infrastruktur besteht aus einem modernen ERP-System, einem CRM und einer Cloud-basierten Buchhaltung. Die Back-Office-Abteilung, insbesondere die Finanz- und Rechnungsabteilung, war stark belastet durch manuelle Prozesse, die die Skalierung des Unternehmens bremsten. Die Führungsebene suchte nach Wegen, die Produktivität zu steigern, ohne die Qualität zu gefährden, und entschied sich für eine gezielte Automatisierung der Vertragsprüfung.

Die Herausforderung: Manuelle Last und Compliance-Druck

AlpenShop stand vor einem akuten Engpass: Die manuelle Prüfung von Lieferantenverträgen und Service-Level-Agreements (SLAs) bindet Senior-Controller, die eigentlich für strategische Analysen und die Steuerung der Liquidität zuständig sind. Mit einem Wachstum von 15 % pro Quartal stieg das Volumen der zu prüfenden Dokumente überproportional an. Die Compliance-Anforderungen, insbesondere im Hinblick auf PCI DSS, erforderten eine lückenlose Dokumentation und eine strenge Trennung der Daten. Zudem gab es interne Druck, die Reaktionszeiten auf Vertragsänderungen zu verkürzen, um im Wettbewerb mit größeren Retail-Playern zu bestehen. Die bestehende Lösung, eine Kombination aus Excel-Tabellen und E-Mail-Korrespondenz, war nicht skalierbar und fehleranfällig. Die Führungsebene erkannte, dass eine Automatisierung nicht nur Effizienz, sondern auch Risikominimierung durch konsistente Prüfstandards bieten würde.

Der Ansatz: Integrationssprint mit OpenAI und Teams

Forfis startete mit einem AI-Process-Audit, um die Workflows zu identifizieren, die sich am besten für die Automatisierung eignen. Die Entscheidung fiel auf die Dokumentenextraktion aus Vertragsdokumenten, da diese Aufgabe hochgradig repetitiv ist und klare Regeln für die Freigabe existieren. Die Architektur basierte auf der OpenAI API für die semantische Analyse und die Extraktion der relevanten Felder. Ein zentraler Aspekt war die Integration in Microsoft Teams, das bereits im Unternehmen als Kommunikationsplattform genutzt wurde. Die Lösung wurde als Integrationssprint über vier Wochen geplant. In Woche 1 wurde die Datenbasis analysiert und die OCR-Pipeline aufgebaut. Woche 2 diente der Anbindung an die OpenAI API und der Entwicklung der Prompts für die Klassifikation. Woche 3 umfasste die Integration in Teams und die Einrichtung der Human-in-the-Loop-Workflow. Woche 4 war für Testing, Feintuning und die Schulung der Mitarbeiter reserviert. Die Architektur war bewusst model-agnostic gehalten, um bei Bedarf auf Open-Weight-Modelle wechseln zu können, falls die Datenanforderungen sich ändern.

Ergebnis: Messbare Effizienz und Risikoreduktion

Nach vier Wochen war die Lösung produktiv. Die Metriken zeigten eine deutliche Verbesserung: Die Durchlaufzeit für die Vertragsprüfung sank von durchschnittlich 48 Stunden auf unter 4 Stunden. Die Fehlerquote bei der Extraktion der Zahlungsbedingungen lag bei 2 %, was durch die Human-in-the-Loop-Kontrolle auf null reduziert wurde. Die Senior-Controller konnten 60 % ihrer Zeit in strategische Aufgaben umschichten. Die Integration in Microsoft Teams führte zu einer hohen Akzeptanz, da die Mitarbeiter die Benachrichtigungen und Freigaben im gewohnten Workflow erledigen konnten. Die Compliance-Anforderungen von PCI DSS wurden durch die Datenmaskierung vor der Übertragung an die API und die vollständige Protokollierung der Freigaben erfüllt. Die Skalierung auf andere Abteilungen, wie die Personalabteilung für Arbeitsverträge, war durch die modulare Architektur in weiteren zwei Wochen möglich. Die Lösung hat sich als zentraler Baustein für die digitale Transformation des Back-Office erwiesen.

Lektionen für die Skalierung von KI-Prozessen

Die Erfahrungen aus diesem Projekt lassen sich auf andere Teams übertragen. Erstens: Beginnen Sie mit einem klar definierten Use Case, der einen hohen Wiederholungswert hat und klare Freigabe-Regeln besitzt. Zweitens: Integrieren Sie die KI in die bestehenden Kommunikationskanäle, um die Akzeptanz zu erhöhen und Reibungsverluste zu minimieren. Drittens: Planen Sie die Human-in-the-Loop-Schleife von Beginn an ein, um Compliance und Vertrauen sicherzustellen. Viertens: Nutzen Sie die API-Modelle für die Qualität, aber halten Sie die Architektur offen für alternative Modelle, um auf sich ändernde Anforderungen reagieren zu können. Fünftens: Messen Sie die Ergebnisse von Tag eins an, um die kontinuierliche Verbesserung zu steuern. Diese Prinzipien gelten unabhängig von der Branche, solange die Prozesse dokumentiert und die Datenqualität ausreichend ist.