Hintergrund: Helvetia SaaS und die Herausforderung der Skalierung
Dieser Fall ist ein Komposit aus Mustern, die Forfis in der Praxis beobachtet hat. Wir benennen keine echten Kunden, um deren Vertraulichkeit zu wahren. Die beschriebene Firma, nennen wir sie „Helvetia SaaS“, ist ein Schweizer B2B-SaaS-Anbieter mit 800 Mitarbeitern, der sich auf Compliance-Software für den Finanzsektor spezialisiert hat. Das Unternehmen ist in der Wachstumsphase und operiert in der Schweiz und in Deutschland. Die bestehende IT-Infrastruktur umfasst Salesforce als CRM, Google Workspace für die Kommunikation und ein internes Dokumentenmanagement-System. Die IT-Abteilung ist schlank, aber kompetent, und das Unternehmen ist ISO 27001-zertifiziert, was strenge Anforderungen an die Datenverarbeitung und -speicherung mit sich bringt. Die Marketing- und Sales-Teams arbeiten eng zusammen, aber die Übergabe von Leads ist manuell und fehleranfällig.
Die Herausforderung: Fehlerquote und Compliance-Druck
Das Kernproblem lag in der Lead-Qualifizierung und der damit verbundenen Dokumentenverarbeitung. Leads kamen über verschiedene Kanäle – Website, E-Mail, Telefon – und mussten manuell in Salesforce eingetragen werden. Die Mitarbeiter mussten dabei E-Mails lesen, relevante Informationen extrahieren und die Daten in das CRM übertragen. Dieser Prozess war zeitaufwendig und fehleranfällig. Die Fehlerquote lag bei etwa 15 %, was zu unvollständigen Lead-Profilen und verzögerten Sales-Aktivitäten führte. Zudem gab es einen Compliance-Druck: Da Helvetia SaaS im Finanzsektor tätig ist, müssen alle personenbezogenen Daten streng geschützt werden. Die Nutzung von externen AI-Diensten war aus Datenschutzgründen problematisch. Das Management stellte eine Deadline von drei Monaten, um einen messbaren Verbesserungsprozess zu starten, ohne die ISO 27001-Zertifizierung zu gefährden.
Der Ansatz: RAG-Architektur und lokale Modell-Infrastruktur
Forfis startete mit einem Prozess-Audit, um die Workflows zu identifizieren, die sich am besten für die Automatisierung eignen. Der Fokus lag auf der Lead-Qualifizierung und der Dokumentenextraktion aus E-Mails. Die Architektur basierte auf einem RAG-System mit pgvector als Vektor-Datenbank. Die Dokumente und CRM-Daten wurden in Vektoren umgewandelt und lokal gespeichert. Für die Textgenerierung und Klassifikation wurde ein Open-Weight-Modell auf der eigenen Hardware von Helvetia SaaS eingesetzt, um sicherzustellen, dass keine Daten das Gebäude verließen. Die Integration erfolgte über die Google Workspace APIs, um E-Mails und Kalendertermine zu lesen. Die Workflow-Orchestration wurde mit einem festen Scope definiert: Das System sollte E-Mails klassifizieren, relevante Informationen extrahieren und einen Vorschlag für die CRM-Eintragung erstellen. Die menschliche Freigabeschleife war so gestaltet, dass jeder Vorschlag von einem Mitarbeiter bestätigt werden musste, bevor er in Salesforce geschrieben wurde.
Das Ergebnis: Messbare Verbesserungen in drei Monaten
Nach drei Monaten war der Pilot abgeschlossen und die Ergebnisse messbar. Die Fehlerquote bei der Datenextraktion sank von 15 % auf unter 3 %. Die Bearbeitungszeit pro Lead reduzierte sich von durchschnittlich 12 Minuten auf 4 Minuten. Die Mitarbeiter im Back Office konnten sich auf komplexere Aufgaben konzentrieren, während das System die Routinearbeit übernahm. Die Compliance-Anforderungen wurden vollständig erfüllt, da alle Daten lokal verarbeitet wurden und die ISO 27001-Audits keine neuen Risiken aufzeigten. Die Mitarbeiter waren anfangs skeptisch, aber die menschliche Freigabeschleife sorgte für Vertrauen. Das System wurde als zuverlässig empfunden, da es keine autonomen Entscheidungen traf, sondern immer einen menschlichen Check einbaute. Die ROI-Berechnung zeigte, dass sich die Investition innerhalb von sechs Monaten amortisieren würde, basierend auf den eingesparten Arbeitsstunden und der reduzierten Fehlerquote.
Lehren für ähnliche Teams
Aus dem Fall lassen sich mehrere Lehren für ähnliche Teams ziehen. Erstens: Beginnen Sie mit einem engen Scope. Ein Pilot auf einem einzigen Workflow ist erfolgreicher als ein breiter Ansatz, der viele Prozesse gleichzeitig automatisieren will. Zweitens: Investieren Sie in die Datenqualität. Ein RAG-System ist nur so gut wie die Daten, die es verarbeitet. Saubere, strukturierte Dokumente sind die Grundlage für präzise Antworten. Drittens: Planen Sie die menschliche Freigabeschleife von Anfang an ein. Sie ist nicht nur ein Compliance-Tool, sondern auch ein Vertrauensaufbau für die Mitarbeiter. Viertens: Wählen Sie die Modell-Infrastruktur basierend auf den Compliance-Anforderungen. Lokale Hardware ist oft die sicherste Wahl für regulierte Branchen. Fünftens: Messen Sie die Baseline vor dem Pilot. Ohne klare Metriken vor dem Start ist es schwierig, den Erfolg zu belegen und die ROI zu berechnen.
Leave a Reply