Prozessengpässe im Back Office: Wo die Zeit verloren geht
In Schweizer E-Commerce-Unternehmen mit 501 bis 2000 Mitarbeitern staut sich die Arbeit im Back Office häufig an Dokumenten, die manuell erfasst, klassifiziert und in CRM- oder HR-Systeme übertragen werden müssen. Die Zykluszeit für eine einzelne Bewerbung oder einen Lieferantenvertrag liegt oft bei 48 bis 72 Stunden, die Fehlerquote bei der Dateneingabe bei 3 bis 5 Prozent. Diese Ineffizienz kostet Zeit und Geld, ohne dass die Ursache in der Software liegt, sondern im manuellen Prozess. Ein AI Agent, der auf interne Wissensbasen in Confluence oder Notion zugreift, kann diese Engpässe durch automatisierte Extraktion und Klassifizierung lösen. Der Ansatz ersetzt keine bestehenden Systeme, sondern ergänzt sie um eine intelligente Verarbeitungsstufe, die menschliche Prüfer entlastet und die Durchlaufzeit auf unter 4 Stunden senkt.
Architektur: LangGraph als Zustandsmaschine für RAG und Scoring
Die technische Basis bildet eine RAG-Pipeline, die auf LangGraph aufsetzt. LangGraph verwaltet den Zustandsübergang zwischen Dokumentenabruf, Vektorisierung, LLM-Abfrage und Antwortgenerierung. Für die Wissenssuche werden Dokumente aus Confluence über die REST-API abgerufen, in Chunks aufgeteilt und in eine Vektor-Datenbank geladen. Das LLM – je nach Compliance-Anforderung ein OpenAI- oder Anthropic-Modell oder ein Open-Weight-Modell auf eigener Hardware – beantwortet Anfragen auf Basis dieser Inhalte. Predictive Scoring wird als separater Knoten in den Graphen integriert: Das Modell berechnet eine numerische Wertung für eingehende Dokumente, etwa die Passung eines Lebenslaufs zu einer Stellenanzeige. Die Architektur ist modell-agnostisch, um ISO 27001-Anforderungen an Datenhoheit zu erfüllen.
Fixed-Scope Pilot: Vier Wochen bis zum messbaren Ergebnis
Der Pilot läuft über vier Wochen mit fixiertem Umfang. Woche 1: Prozess-Audit und Definition der Erfolgskriterien. Es wird eine Baseline zu Zykluszeit und Fehlerquote für den ausgewählten Workflow gemessen. Woche 2: Technische Einrichtung der RAG-Pipeline und Anbindung an Confluence oder Notion. Woche 3: Implementierung des Predictive Scoring-Modells und der menschlichen Freigabe-Schleife. Woche 4: Messung der Ergebnisse und Erstellung des Vorher-Nachher-Berichts. Der Pilot umfasst keine neuen Integrationsziele und keine Änderung der Datenquellen während der Laufzeit. Die menschliche Freigabe bleibt für alle Vorgänge erhalten, die Geld, Gesundheitsdaten oder Verträge betreffen. Das Ergebnis ist ein messbarer Nachweis der Effizienzsteigerung, der als Grundlage für die Skalierung auf weitere Abteilungen dient.
Skalierung über Abteilungen: Vom Piloten zum Betrieb
Die Skalierung auf weitere Abteilungen folgt einem standardisierten Muster. Die Prompt-Templates und die Zustandslogik in LangGraph werden als wiederverwendbare Komponenten definiert. Neue Abteilungen werden an die bestehende Infrastruktur angeschlossen, indem ihre Datenquellen in die RAG-Pipeline integriert werden. Die menschliche Freigabe-Schleife bleibt erhalten, aber die Volumenlast verteilt sich auf mehrere Teams. Die Architektur unterstützt horizontale Skalierung ohne Neuentwicklung der Kernkomponenten. Für regulierte Daten, die das Gebäude nicht verlassen dürfen, werden Open-Weight-Modelle auf eigener Hardware betrieben. Die ISO 27001-Zertifizierung erfordert dokumentierte Zugriffskontrollen, Verschlüsselung und Audit-Logs, die in der Architektur von Beginn an berücksichtigt werden. Die Skalierung ist kein Neuprojekt, sondern die Erweiterung eines bewährten Musters.
Stolperfallen: Datenqualität und Compliance-Vorgaben
Die häufigste Stolperfalle ist die unklare Definition der Erfolgskriterien vor Pilotbeginn. Ohne eine gemessene Baseline zu Zykluszeit und Fehlerquote lässt sich der Nutzen nicht quantifizieren. Eine weitere Herausforderung ist die Datenqualität in Confluence oder Notion: veraltete oder widersprüchliche Dokumente führen zu unzuverlässigen AI-Antworten. Die Prozess-Audit-Phase muss diese Datenprobleme identifizieren und lösen. Ein weiterer Fehler ist die Annahme, dass die AI-Lösung ohne menschliche Freigabe auskommt. Bei sensiblen Daten wie HR-Informationen ist die menschliche Prüfung gesetzlich und compliance-seitig erforderlich. Die Architektur muss diese Schleife von Beginn an einplanen, nicht nachträglich ergänzen.
Leave a Reply