AI-Prozessaudit in der Logistik: In 8 Wochen zum produktiven Piloten

Das Problem: Manuelle Prozesse in der Logistik

Dein Team verliert 12 Stunden pro Woche mit manueller Datenerfassung aus Frachtdokumenten und beantwortet dieselben Fragen zu Lieferzeiten und Zollvorschriften immer wieder. Die Daten liegen verstreut in SharePoint, E-Mail-Postfächern und dem ERP-System. Du brauchst eine Lösung, die diese Prozesse automatisiert, ohne die Compliance-Vorgaben des EU AI Act zu verletzen. Der Fokus liegt auf zwei Use Cases: Dokumentenextraktion aus PDFs und ein interner Wissenssuch-Assistent, der über Slack oder Microsoft Teams erreichbar ist. Die Zielgröße ist ein 20-köpfiges Team in der Logistikbranche, das in 8 Wochen einen messbaren Piloten mit OpenAI API und RAG-Architektur live haben will.

Voraussetzungen: Was du vor Woche 1 brauchst

Bevor du mit der Implementierung beginnst, brauchst du folgende Voraussetzungen:

• API-Zugang zu OpenAI: Ein aktiver API-Key mit ausreichendem Kontingent (ca. 500-1.000 EUR/Monat für den Piloten).
• Zugriff auf die Datenquellen: Lesezugriff auf SharePoint-Ordner, E-Mail-Postfächer und das ERP-System. Kläre die Berechtigungen mit der IT-Abteilung.
• Slack- oder Teams-Workspace: Ein dedizierter Kanal oder eine Gruppe, in der der Bot operieren kann. Du brauchst Admin-Rechte, um den Bot zu registrieren.
• Ein benannter Verantwortlicher: Eine Person, die die Compliance-Anforderungen des EU AI Act prüft und die Freigabe für den Go-Live erteilt.
• Ein klarer Scope: Welche Dokumenttypen werden extrahiert (z. B. Frachtbriefe, Zollpapiere)? Welche Fragen soll der Wissenssuch-Assistent beantworten (z. B. Lieferzeiten, Zollvorschriften, interne Richtlinien)?

Schritte: Von Audit zu Go-Live in 8 Wochen

1. Prozessaudit durchführen (Woche 1-2): Dokumentiere die aktuellen Workflows. Welche Dokumente werden manuell erfasst? Wie lange dauert das? Wie hoch ist die Fehlerquote? Erstelle eine Priorisierungsliste: Welche Prozesse haben den höchsten ROI bei geringstem Risiko? Typischerweise sind Rechnungsverarbeitung und Vertragsauswertung die ersten Kandidaten.

2. Datenbereinigung und Indizierung (Woche 2-3): Exportiere die relevanten Dokumente aus SharePoint und dem ERP. Bereinige die Daten: Entferne Duplikate, strukturiere die Metadaten (Datum, Dokumenttyp, Abteilung). Indiziere die Dokumente in einer Vektor-Datenbank (z. B. Pinecone oder selbst gehostetes Weaviate). Nutze ein Embedding-Modell wie text-embedding-3-small von OpenAI.

3. RAG-Pipeline aufbauen (Woche 3-4): Verbinde die Vektor-Datenbank mit der OpenAI API. Erstelle eine Retrieval-Funktion, die die Top-5 relevanten Textschnipsel für eine Nutzerfrage holt. Gib diese Schnipsel als Kontext an das LLM weiter. Teste die Pipeline mit 20-30 typischen Fragen aus deinem Team.

4. Slack/Teams-Integration (Woche 4-5): Registriere den Bot in Slack oder Microsoft Teams. Verbinde den Bot mit deiner RAG-Pipeline. Erstelle eine einfache UI: Nutzer stellen eine Frage, der Bot antwortet mit der generierten Antwort und den Quellen (Links zu den Originaldokumenten).

5. User Acceptance Testing (Woche 5-6): Lass 5-10 Mitarbeiter aus deinem Team den Bot testen. Sammle Feedback: Sind die Antworten korrekt? Sind die Quellen nachvollziehbar? Wie schnell antwortet der Bot? Passe die Retrieval-Logik und die Prompts an.

6. Compliance-Prüfung und Go-Live (Woche 7-8): Prüfe die Compliance-Anforderungen des EU AI Act. Dokumentiere die Datenverarbeitung, die Transparenz-Maßnahmen und die menschliche Aufsicht. Erstelle eine Baseline-Messung: Wie lange dauert es aktuell, eine Frage zu beantworten? Wie hoch ist die Fehlerquote? Fahre den Bot für alle 20 Mitarbeiter live.

Häufige Stolperfallen und wie du sie erkennst

• Halluzinationen trotz RAG: Das LLM erfindet Details, die nicht in den Dokumenten stehen. Erkennst du das, wenn Nutzer berichten, dass die Antwort „klingt plausibel, aber stimmt nicht“. Lösung: Erhöhe die Anzahl der Retrieval-Schnipsel von 5 auf 10 und füge eine Anweisung hinzu: „Antworte nur auf Basis der bereitgestellten Quellen. Wenn die Antwort nicht in den Quellen steht, sage: ‚Ich habe keine Informationen dazu.‘“

• Langsame Antwortzeiten: Der Bot antwortet nach 15+ Sekunden. Erkennst du das an Nutzer-Feedback und Log-Dateien. Lösung: Optimiere die Retrieval-Logik (nutze Hybrid-Suche mit BM25 + Vektoren) und cache häufige Fragen.

• Fehlende Quellen: Der Bot antwortet, aber zeigt keine Quellen an. Erkennst du das, wenn Nutzer die Antwort nicht nachvollziehen können. Lösung: Erzwinge die Anzeige der Top-3 Quellen mit Links zu den Originaldokumenten in der Antwort.

• Datenlecks: Sensible Daten (z. B. Kundennamen, Preise) werden in den Antworten angezeigt. Erkennst du das durch regelmäßige Audits der Log-Dateien. Lösung: Füge eine Filter-Schicht hinzu, die sensible Daten maskiert, bevor die Antwort an den Nutzer gesendet wird.

Fazit: Der nächste Schritt

Nach 8 Wochen hast du einen funktionierenden Piloten. Die nächsten Schritte: Erweitere den Scope auf weitere Dokumenttypen (z. B. Lieferscheine, Zollpapiere). Füge weitere Use Cases hinzu (z. B. Ticket-Triage im Helpdesk). Skaliere die Infrastruktur, wenn die Nutzerzahl steigt. Überwache die Metriken: Antwortzeit, Fehlerquote, Nutzerzufriedenheit. Plane die nächste Phase: Übergang zu Managed AI Operations, bei dem ein Team die Pipeline überwacht, aktualisiert und optimiert. Der EU AI Act verlangt kontinuierliche Überwachung – plane dafür Ressourcen ein.