KI-Automatisierung im E-Commerce-Backoffice: 6 Schritte für Österreich

Prozess-Audit vor der Automatisierung

Die meisten E-Commerce-Unternehmen mit 200 bis 500 Mitarbeitern haben bereits CRM, ERP und Helpdesk-Systeme im Einsatz, aber keine KI in der Produktion. Der erste Schritt ist ein Prozess-Audit, das identifiziert, welche Workflows den größten Hebel bieten. Typische Kandidaten sind die Rechnungsprüfung, die Dokumentenextraktion aus PDFs und die Lead-Qualifikation im Vertrieb. Das Audit dauert zwei Wochen und liefert eine priorisierte Liste mit geschätzten Einsparungen pro Workflow. Ohne diese Baseline lässt sich später nicht messen, ob die Automatisierung tatsächlich funktioniert. Der Audit-Bericht enthält konkrete Zahlen: Wie viele Stunden pro Woche werden für manuelle Dateneingabe aufgewendet? Wie hoch ist die aktuelle Fehlerquote bei der Rechnungsprüfung? Diese Zahlen werden zum Maßstab für den gesamten Piloten.

Dokumentenextraktion als Kernprozess

Die Dokumentenextraktion ist der am häufigsten automatisierte Backoffice-Prozess im E-Commerce. Rechnungen, Lieferscheine und Retourenformulare werden in strukturierte Daten umgewandelt, die direkt in das ERP-System eingespielt werden. Statt dass ein Mitarbeiter 15 Minuten pro Rechnung manuell Daten eingibt, erkennt das System in 18 ms die relevanten Felder: Rechnungsnummer, Betrag, Lieferadresse, Artikelnummern. Die Extraktions-Pipeline nutzt ein Open-Weight-Modell auf eigener Hardware, damit keine Kundendaten das Gebäude verlassen. Das Ergebnis wird in ein JSON-Format umgewandelt und über die API des ERP-Systems importiert. Die Fehlerquote sinkt von typischen 3 bis 5 Prozent auf unter 0,5 Prozent, weil das System keine Ermüdung kennt und keine Tippfehler macht.

pgvector als RAG-Infrastruktur

Die pgvector-Erweiterung für PostgreSQL ist der Schlüssel zu einem RAG-System, das auf den eigenen Daten des Unternehmens basiert. Alle relevanten Dokumente – Produktkataloge, CRM-Notizen, Support-Artikel, Verträge – werden in Textschnipsel zerlegt und als Vektoren in der Datenbank gespeichert. Wenn ein Mitarbeiter in Slack oder Microsoft Teams eine Frage stellt, durchsucht das System die Vektordatenbank und findet die ähnlichsten Dokumentenabschnitte. Diese werden dem LLM als Kontext übergeben, sodass es Antworten ausschließlich auf Basis der eigenen Daten generiert. Das System halluziniert nicht, weil es keine externen Trainingsdaten nutzt. Die Infrastruktur läuft auf eigener Hardware oder in einem EU-Rechenzentrum, was die DSGVO-Konformität sicherstellt.

Integration in Slack und Microsoft Teams

Die Integration in Slack oder Microsoft Teams ist entscheidend für die Akzeptanz im Team. Mitarbeiter müssen nicht in ein neues System wechseln, sondern arbeiten dort, wo sie ohnehin kommunizieren. Wenn ein Support-Ticket eingeht, klassifiziert das System die Anfrage und schlägt eine Antwort vor. Der Mitarbeiter prüft den Vorschlag und sendet ihn mit einem Klick. Bei der Lead-Qualifikation im Vertrieb wird der Lead automatisch anhand von Kriterien wie Unternehmensgröße, Budget und Dringlichkeit bewertet. Der Vertrieb erhält eine Benachrichtigung in Teams mit der Lead-Bewertung und den relevanten Dokumenten. Die Reaktionszeit sinkt von Stunden auf Sekunden, und die Kosten pro Support-Ticket reduzieren sich um 30 bis 40 Prozent, weil die manuelle Recherche im CRM entfällt.

DSGVO-Konformität bei der Datenverarbeitung

Die DSGVO verlangt, dass personenbezogene Daten nur in der EU verarbeitet werden und dass ein Auftragsverarbeitungsvertrag (AVV) mit jedem externen Anbieter vorliegt. Für die Dokumentenextraktion und die Vektorsuche bedeutet das: Die Infrastruktur muss auf eigener Hardware oder in einem EU-Rechenzentrum laufen. Wenn ein externes LLM wie OpenAI oder Anthropic für die Antwortformulierung genutzt wird, müssen die sensiblen Daten vor dem API-Call anonymisiert oder maskiert werden. Alternativ werden Open-Weight-Modelle wie Llama 3 oder Mistral lokal gehostet, sodass keine Daten das Gebäude verlassen. Der AVV muss die Datenverarbeitung, die Speicherdauer und die Löschung der Daten klar regeln. Für die Lead-Qualifikation im Vertrieb ist besonders wichtig, dass die Bewertungskriterien transparent sind und der Lead informiert wird, wenn seine Daten automatisiert verarbeitet werden.

8-Wochen-Pilot mit festem Scope

Der 8-Wochen-Pilot hat einen festen Scope: Ein einzelner Workflow wird automatisiert, die Metriken werden gemessen, und das Ergebnis wird dokumentiert. Woche 1 bis 2: Prozess-Audit und Baseline-Messung. Woche 3 bis 5: Entwicklung der Extraktions-Pipeline und der RAG-Infrastruktur. Woche 6 bis 7: Integration in Slack oder Teams und Testlauf mit echten Daten. Woche 8: Auswertung der Metriken und Übergabe an den Kunden. Der Pilot endet mit einem Bericht, der die Fehlerquote vor und nach der Automatisierung, die Durchlaufzeit und die eingesparten Stunden pro Woche dokumentiert. Wenn der Pilot erfolgreich ist, wird die Skalierung auf weitere Workflows als separates Projekt geplant. Der feste Scope schützt beide Seiten: Der Anbieter weiß, was zu liefern ist, und der Kunde weiß, was er bekommt.