Das Problem: Manuelle Lead-Qualifikation im Fintech-Backoffice
In einem österreichischen Fintech-Unternehmen mit 51 bis 200 Mitarbeitern staut sich die Lead-Qualifikation im Backoffice. Marketing liefert täglich 20 bis 50 neue Leads aus Formularen, Webinaren und Partnerkanälen. Die Daten sind unvollständig: Firmennamen fehlen, Branchen sind falsch zugeordnet, Kontaktdaten sind dupliziert. Ein Mitarbeiter braucht im Schnitt 15 Minuten pro Lead, um die Daten zu bereinigen und zu qualifizieren. Das ergibt bei 1 000 Leads pro Monat 250 Stunden manueller Arbeit. Die Fehlerrate liegt bei 8 Prozent, weil Menschen müde werden und Muster übersehen. Gleichzeitig gilt PCI DSS, weil manche Leads Finanzdaten enthalten, und DSGVO, weil personenbezogene Daten verarbeitet werden. Die Aufgabe: Ein AI-System, das die Daten bereinigt, die Leads klassifiziert und die Ergebnisse in Notion oder Confluence schreibt, ohne dass sensible Daten das Gebäude verlassen.
Voraussetzungen vor dem ersten Schritt
Bevor du mit der Implementierung beginnst, brauchst du folgende Voraussetzungen: Erstens, ein klar definiertes Lead-Format in deinem CRM (z. B. HubSpot, Salesforce oder ein eigenes System), das die Felder für Name, Firma, Branche, Kontaktdaten und Quelle enthält. Zweitens, eine Notion- oder Confluence-Instanz, in der die qualifizierten Leads landen sollen, mit einer Datenbank- oder Seitenstruktur, die die AI-Entscheidungen dokumentieren kann. Drittens, einen API-Key für Anthropic Claude (z. B. Claude 3.5 Sonnet), der in einer Umgebungsvariable gespeichert wird, nicht im Code. Viertens, eine Compliance-Prüfung durch deinen Datenschutzbeauftragten, die bestätigt, dass die Datenanonymisierung vor dem API-Aufruf erfolgt. Fünftens, einen festen Scope für den Pilot: Welche Felder werden bereinigt, welche Klassifikationen werden vorgenommen, und welche Metriken werden gemessen (Fehlerrate, Zykluszeit).
Die 7 Schritte zur Implementierung
Schritt 1: Definiere die Metriken. Miss die aktuelle Fehlerrate und Zykluszeit manuell über zwei Wochen. Dokumentiere in einer Tabelle, wie viele Leads pro Tag ankommen, wie lange die Bearbeitung dauert und wie viele Fehler gefunden werden. Das ist deine Baseline. Schritt 2: Baue die Datenbereinigung. Schreibe eine Python-Skript, das die Lead-Daten aus dem CRM liest, Duplikate entfernt (basierend auf E-Mail-Adresse und Firmennamen) und fehlende Felder mit einer Regel-Engine ergänzt (z. B. Branche aus der Domain ableiten). Schritt 3: Integriere Anthropic Claude. Rufe die API mit einem Prompt auf, der die bereinigten Daten klassifiziert: ‘Klassifiziere diesen Lead nach Branche, Unternehmensgröße und Kaufbereitschaft. Gib das Ergebnis als JSON zurück.’ Schritt 4: Schreibe die Ergebnisse in Notion. Nutze die Notion-API, um einen neuen Datenbank-Eintrag zu erstellen, der die AI-Klassifikation und die bereinigten Daten enthält. Schritt 5: Implementiere die Human-in-the-Loop-Schleife. In Notion wird ein Status-Feld ‘AI-Vorschlag’ gesetzt, das ein Mensch auf ‘Bestätigt’ oder ‘Korrigiert’ ändern muss. Schritt 6: Teste mit historischen Daten. Führe die Pipeline über die letzten 30 Tage an und vergleiche die AI-Ergebnisse mit den manuellen Entscheidungen. Schritt 7: Gehe in den Parallelbetrieb. Die AI arbeitet im Hintergrund, der Mensch entscheidet. Nach zwei Wochen ohne kritische Fehler schaltest du die AI auf ‘Autonom mit Freigabe’ um.
Häufige Stolperfallen und wie du sie erkennst
Hier sind die häufigsten Fehler und wie du sie erkennst: Erstens, die API-Kosten explodieren, weil der Prompt zu viel Kontext enthält. Erkennst du das an der monatlichen Abrechnung von Anthropic. Lösung: Halte den Prompt unter 500 Token, indem du nur die relevanten Felder übermittelst. Zweitens, die AI klassifiziert Leads falsch, weil der Prompt zu vage ist. Erkennst du das an der hohen Korrekturrate in Notion. Lösung: Füge Few-Shot-Beispiele in den Prompt ein, die typische Leads und ihre korrekte Klassifikation zeigen. Drittens, die Notion-Integration bricht, weil die API-Rate-Limits überschritten werden. Erkennst du das an fehlenden Einträgen in der Datenbank. Lösung: Implementiere ein Retry-Mechanismus mit exponentiellem Backoff. Viertens, sensible Daten landen in den API-Logs. Erkennst du das durch eine Audit-Prüfung der Log-Dateien. Lösung: Maskiere PAN und andere PCI-DSS-sensible Felder vor dem API-Aufruf. Fünftens, die Metriken werden nicht gemessen, weil das Monitoring fehlt. Erkennst du das, wenn nach 8 Wochen niemand weiß, ob sich die Investition gelohnt hat. Lösung: Logge jede AI-Entscheidung mit Zeitstempel und Ergebnis in eine separate Tabelle.
Fazit: Vom Pilot zum Managed Operation
Nach 8 Wochen hast du einen funktionierenden Pilot, der die Lead-Qualifikation automatisiert. Die Fehlerrate ist von 8 Prozent auf 2 Prozent gesunken, die Zykluszeit von 15 Minuten auf 2 Minuten pro Lead. Die AI arbeitet im Managed Operations-Modus: Forfis überwacht die Pipeline, optimiert die Prompts bei API-Änderungen von Anthropic und stellt sicher, dass die Compliance-Anforderungen eingehalten werden. Der nächste logische Schritt ist die Erweiterung auf weitere Prozesse: Rechnungsstellung, Kundenbetreuung oder Dokumentenextraktion. Aber erst, wenn der Pilot stabil läuft und die Metriken über vier Wochen konstant sind. Dann kannst du den zweiten Prozess in den Scope aufnehmen, ohne das erste System zu destabilisieren.
Leave a Reply