Problembewertung: Reaktionszeit und Compliance im Schweizer E-Commerce
Viele E-Commerce-Unternehmen in der Schweiz mit 11 bis 50 Mitarbeitern kämpfen mit einer hohen First-Response-Time im Support und manuellem Aufwand bei der Dokumentenverarbeitung. Die Herausforderung liegt nicht nur in der Geschwindigkeit, sondern in der Skalierbarkeit: Wenn das Volumen wächst, reicht die manuelle Bearbeitung nicht mehr aus. Ein AI-Agent, der auf Open-Weight-Modellen basiert und lokal auf der eigenen Hardware läuft, bietet eine Lösung, die sowohl die Reaktionszeit senkt als auch die Compliance-Anforderungen erfüllt. Der Fokus liegt auf der Automatisierung von Back-Office-Aufgaben wie der Extraktion von Rechnungsdaten und der Bereitstellung einer internen Wissenssuche, die auf den eigenen CRM-Records basiert. Durch die Nutzung von Custom REST APIs und Webhooks lässt sich der Agent in die bestehende Infrastruktur integrieren, ohne dass Systeme ersetzt werden müssen. Der Pilot ist auf vier Wochen festgelegt, um einen messbaren Vorher-Nachher-Vergleich der Zykluszeit und Fehlerquote zu ermöglichen.
Architektur: On-Premise-Modelle und RAG für interne Wissenssuche
Die Architektur basiert auf Open-Weight-Modellen wie Llama 3 oder Mistral, die auf der eigenen Hardware des Kunden laufen. Dies ist entscheidend für die Einhaltung von PCI-DSS, da keine sensiblen Daten das Gebäude verlassen. Der AI-Agent wird über Custom REST APIs und Webhooks mit dem CRM und dem Helpdesk verbunden. Bei einem neuen Ticket oder Dokument ruft der Agent die relevanten Daten ab, verarbeitet sie mit dem LLM und sendet die Ergebnisse zurück. Für die interne Wissenssuche wird ein RAG-System (Retrieval-Augmented Generation) eingesetzt, das die Dokumentation und CRM-Records in einer Vektor-Datenbank indexiert. Das LLM nutzt diese Indexe, um kontextbezogene Antworten zu generieren, die auf den spezifischen Unternehmensdaten basieren. Die Human-in-the-Loop-Prüfung ist in den Workflow integriert: Der Agent erstellt einen Entwurf, ein Mitarbeiter prüft und genehmigt ihn, bevor er finalisiert wird. Dies ist besonders wichtig bei Aufgaben, die Geld oder Verträge betreffen.
Fixed-Scope-Pilot: Vier Wochen bis zur messbaren Automatisierung
Der Pilot ist auf vier Wochen festgelegt und folgt einem klaren Zeitplan. Woche 1: Prozess-Audit und Datenbereinigung. Es werden die Workflows identifiziert, die am meisten manuellen Aufwand erfordern, und die Datenquellen (CRM, Helpdesk, ERP) aufbereitet. Woche 2: Integration der REST-APIs und Feintuning des Modells. Der Agent wird mit den bestehenden Systemen verbunden und die Prompts werden optimiert, um die Genauigkeit der Extraktion und der Antworten zu erhöhen. Woche 3: Parallelbetrieb mit Human-in-the-Loop-Prüfung. Der Agent läuft parallel zum manuellen Prozess, und die Ergebnisse werden verglichen. Woche 4: Messung der KPIs und Übergabe. Die Zykluszeit und die Fehlerquote werden gemessen und dokumentiert. Die Übergabe umfasst die Dokumentation der API-Endpunkte, die Konfiguration des RAG-Systems und die Schulung der Mitarbeiter für die Human-in-the-Loop-Prüfung. Dieser Ansatz stellt sicher, dass der Pilot einen messbaren Wert liefert und die Grundlage für eine spätere Skalierung bildet.
Skalierung über Abteilungen: Von der Pilotphase zum Betrieb
Die Skalierung über Abteilungen hinweg erfordert eine einheitliche Datenstruktur und eine zentrale Orchestrierung. Der AI-Agent wird so konfiguriert, dass er je nach Quelle (z. B. Support, Logistik, Buchhaltung) unterschiedliche Prompts und Datenquellen nutzt. Die Human-in-the-Loop-Prüfung wird auf die kritischsten Bereiche beschränkt, während niedrigrisikoreiche Aufgaben vollautomatisiert ablaufen. Für die interne Wissenssuche wird die Knowledge-Base kontinuierlich aktualisiert, indem neue Dokumente über Webhooks in die Vektor-Datenbank eingespielt werden. Dies stellt sicher, dass die Antworten des Agents immer auf dem aktuellen Stand der Dokumentation basieren. Die Skalierung erfolgt nicht durch das Hinzufügen neuer Tools, sondern durch die Erweiterung der bestehenden Integrationen. Der Agent dient als zentrale Anlaufstelle, die sowohl interne Mitarbeiter als auch externe Kunden bedient, was die Reaktionszeit über alle Kanäle hinweg senkt und die Effizienz des gesamten Unternehmens verbessert.
Compliance: PCI-DSS und Datenschutz bei der Dokumentenextraktion
Die Einhaltung von PCI-DSS ist bei der Automatisierung von Zahlungs- und Kundendaten entscheidend. Der AI-Agent darf keine Kreditkartendaten (PAN, CVV) verarbeiten oder speichern. Er darf jedoch Metadaten wie Bestellstatus oder Kundenname (anonymisiert) nutzen, um Tickets zu priorisieren. Die eigentliche Zahlungsabwicklung bleibt im ERP-System, das den PCI-DSS-Standard erfüllt. Der Agent interagiert nur über definierte REST-Endpunkte, die keine sensiblen Zahlungsdaten exponieren. Zusätzlich wird die Datenverarbeitung in der Schweiz gehalten, um die Anforderungen des Datenschutzgesetzes (DSG) zu erfüllen. Die Human-in-the-Loop-Prüfung stellt sicher, dass keine fehlerhaften oder sensiblen Daten finalisiert werden. Die Dokumentation der Datenflüsse und der Zugriffskontrollen ist Teil des Piloten und wird für die Compliance-Audits bereitgestellt. Dieser Ansatz minimiert das Risiko von Datenlecks und stellt sicher, dass die Automatisierung den gesetzlichen Anforderungen entspricht.
Leave a Reply