Forfis Blog

Author: Forfis

  • KI-Automatisierung für Order-Status-Updates in Professional Services

    Prozess-Audit und Roadmap-Entwicklung

    Ein Prozess-Audit ist der erste Schritt in der Forfis-Methode zur KI-Integration. Dabei werden bestehende Workflows in Back-Office und Customer Service systematisch analysiert, um Automatisierungspotenziale zu identifizieren. Der Fokus liegt auf Prozessen mit hoher Wiederholungsrate und manuellem Aufwand, wie der Erfassung von Bestelldaten oder der Erstellung von Monatsreports. Das Audit ermittelt Zykluszeiten, Fehlerquoten und Engpässe, die durch KI-Automatisierung adressiert werden können. Das Ergebnis ist eine priorisierte Roadmap, die festlegt, welche Prozesse in einem 8-Wochen-Piloten automatisiert werden. Diese Vorgehensweise stellt sicher, dass die Automatisierung auf messbaren Effizienzgewinnen basiert und nicht auf technologischen Wunschvorstellungen. Für Unternehmen mit über 2.000 Mitarbeitern ist diese strukturierte Herangehensweise entscheidend, um Ressourcen effizient einzusetzen und schnelle Erfolge zu erzielen.

    AI-Native Operations und Modell-Agnostik

    AI-Native Operations beschreibt einen Betriebszustand, in dem KI-Systeme als integraler Bestandteil der Kernprozesse fungieren, statt als isolierte Tools. Im Gegensatz zu punktuellen Automatisierungen werden hier Datenflüsse, Entscheidungslogik und menschliche Freigaben architektonisch verzahnt. Für Unternehmen in der Professional Services-Branche bedeutet dies, dass KI-Entscheidungen direkt in ERP- und CRM-Systeme integriert sind und keine manuelle Übertragung mehr erfordern. Die Architektur ist bewusst modell-agnostisch: OpenAI- und Anthropic-APIs werden dort eingesetzt, wo Qualität im Vordergrund steht, während Open-Weight-Modelle auf eigener Hardware zum Einsatz kommen, wenn regulierte Daten das Gebäude nicht verlassen dürfen. Diese Flexibilität ermöglicht es, die beste Technologie für jeden spezifischen Anwendungsfall zu wählen, ohne an einen Anbieter gebunden zu sein.

    n8n als Orchestrierungsplattform

    n8n dient in der Forfis-Architektur als zentrales Orchestrierungssystem für Workflow-Automatisierungen. Als Open-Source-Plattform ermöglicht n8n die visuelle Gestaltung komplexer Datenflüsse durch Nodes und Code-Blöcke. Im Kontext der Order-Status-Automatisierung orchestriert n8n die Abholung von Bestelldaten aus SAP oder Microsoft Dynamics, die Anreicherung durch KI-gestützte Analyse und den Versand der Statusupdates an Kunden. Jede Aktion wird protokolliert, was die Nachvollziehbarkeit und Fehlerbehebung erleichtert. Die Integration erfolgt über die jeweiligen APIs der ERP-Systeme, ohne die bestehende Infrastruktur zu ersetzen. Dies ermöglicht eine saubere Trennung zwischen Datenquelle und Automatisierungsschicht, was die Wartbarkeit und Skalierbarkeit der Lösung verbessert.

    Workflow-Orchestration für Supply Chain

    Workflow-Orchestration unterscheidet sich von einfacher Task-Automatisierung durch die koordinierte Abfolge mehrerer Schritte über verschiedene Systeme hinweg. Bei Forfis wird dies genutzt, um komplexe Prozesse wie die Generierung von Monatsreports oder den Versand von Shipment-Status-Updates als durchgängige, fehlerresistente Abläufe zu verwalten. Die Orchestrierung steuert Abhängigkeiten, Fehlerbehandlung und Zustandsübergänge, was besonders bei Prozessen mit menschlicher Freigabe (Human-in-the-Loop) wichtig ist. Im Bereich Operations and Supply Chain ermöglicht dies die Echtzeit-Verfolgung von Bestellungen und die proaktive Kommunikation mit Kunden. Durch die Automatisierung dieser Workflows sinken die Kosten pro Support-Ticket, da weniger manuelle Nachfragen erforderlich sind und die Reaktionszeit auf Kundenanfragen sich deutlich verkürzt.

    DSGVO-Compliance bei Datenverarbeitung

    Die DSGVO (Datenschutz-Grundverordnung) stellt bei der Automatisierung von Kundenkommunikation strenge Anforderungen an die Datenverarbeitung. Bei der Generierung von Order-Status-Updates müssen Unternehmen sicherstellen, dass nur die für die Auftragsabwicklung notwendigen Daten verarbeitet werden. Forfis implementiert dies durch datenminimierte API-Aufrufe und die lokale Verarbeitung sensibler Daten auf eigener Hardware. Für Unternehmen in Deutschland bedeutet dies, dass keine personenbezogenen Daten an externe KI-Anbieter wie OpenAI oder Anthropic übertragen werden, wenn dies nicht zwingend erforderlich ist. Die Architektur sieht vor, dass Open-Weight-Modelle auf Client-Hardware zum Einsatz kommen, wenn regulierte Daten verarbeitet werden. Dies gewährleistet Compliance und gleichzeitig die Nutzung moderner KI-Fähigkeiten für die Automatisierung von Reporting und Statusupdates.

    Managed Operations und 8-Wochen-Timeline

    Managed AI Operations bezeichnet das fortlaufende Betreiben, Monitorieren und Optimieren von KI-Systemen nach der Implementierung. Forfis übernimmt dabei die Wartung der n8n-Workflows, das Aktualisieren von KI-Modellen und die Überwachung der Systemperformance. Das Unternehmen ist nicht nur für die Entwicklung, sondern auch für die Stabilität und kontinuierliche Verbesserung der Automatisierung über den gesamten Lebenszyklus verantwortlich. Im 8-Wochen-Zeitraum umfasst dies die Prozessanalyse, die Entwicklung des Piloten und die erste Ausrollung. In Woche 1-2 erfolgt das Audit, in Woche 3-5 die Entwicklung der Workflows und die ERP-Integration, und in Woche 6-8 der Pilotbetrieb mit menschlicher Freigabe. Dieser Zeitrahmen ist realistisch, da er auf einer festen Scope-Definition basiert und keine umfassende ERP-Umstellung erfordert.

  • AI-Workflow-Orchestration: 40 % weniger manuelle Rechnungsarbeit in 8 Wochen

    Hintergrund: Wachstumsdruck im Back-Office

    Dieser Fall ist ein Composite aus Mustern, die Forfis in der Praxis beobachtet hat. Wir benennen keine echten Kunden, um die Vertraulichkeit der Projekte zu wahren. Die beschriebene Firma ist ein fiktives, aber plausibles B2B-SaaS-Unternehmen mit 35 Mitarbeitern in Wien. Das Unternehmen befindet sich in der Wachstumsphase und nutzt ein Standard-ERP sowie Confluence für die Wissensdokumentation. Der operative Druck war hoch: Die Skalierung der Kundenbasis führte zu einem Anstieg der eingehenden Rechnungen um 60 % im Vorjahr, während das Back-Office-Team konstant blieb. Die Folge war eine wachsende Stauung im Rechnungsworkflow, die die Cash-Flow-Prognosen verzerrte und die Controller mit Routineaufgaben band, die eigentlich für die Finanzplanung reserviert waren.

    Die Herausforderung: Routinearbeit bindet Kapazitäten

    Die Kernproblematik war nicht die fehlende Software, sondern die mangelnde Orchestrierung. Manuelle Datenerfassung aus PDF-Rechnungen in das ERP war fehleranfällig und zeitintensiv. Zudem gab es keine klare Trennung zwischen der Extraktion und der Validierung. Senior-Controller verbrachten bis zu 12 Stunden pro Woche mit der manuellen Prüfung von Belegen und der Korrektur von Buchungsfehlern. Der Bedarf war eindeutig: Die Routinearbeit musste automatisiert werden, um das Senior-Team für strategische Analysen und die Vorbereitung der Jahresabschlüsse zu entlasten. Zusätzlich bestand der Bedarf an Compliance-Sicherheit im Hinblick auf den EU AI Act, da die Automatisierung finanzielle Transaktionen betraf.

    Ansatz: Audit und Orchestrierung mit LangGraph

    Forfis startete mit einer AI Automation Audit Phase, die zwei Wochen dauerte. Dabei wurden die bestehenden Workflows in Confluence analysiert und die Datenquellen (ERP-API, E-Mail-Postfächer) kartiert. Die technische Architektur basierte auf LangChain und LangGraph. LangGraph wurde genutzt, um den Workflow als Zustandsmaschine zu modellieren: Der Agent extrahiert die Daten, prüft sie gegen die in Confluence hinterlegten Buchungsrichtlinien (via RAG) und pausiert bei Unsicherheiten, bis ein Mensch die Freigabe erteilt. Die Integration erfolgte über die Confluence-API, um die internen Richtlinien als Kontext für den LLM bereitzustellen. Die Modellwahl war model-agnostic: Für die Extraktion kamen proprietäre APIs zum Einsatz, für die Orchestrierung offene Modelle auf eigener Hardware, um die Latenz zu minimieren.

    Ergebnis: Messbare Effizienzsteigerung

    Nach 8 Wochen war der Pilot live. Die Messung der Baseline vor dem Start zeigte eine durchschnittliche Durchlaufzeit von 4,5 Tagen pro Rechnung und eine Fehlerquote von 8 % bei der Kontenzuordnung. Nach dem Rollout sank die Durchlaufzeit auf 1,2 Tage, da die automatische Validierung die manuellen Prüfzyklen eliminierte. Die Fehlerquote reduzierte sich auf unter 1 %, da der Agent die Daten gegen die ERP-Referenzdaten abgleicht, bevor sie gebucht werden. Das Senior-Team konnte 40 % seiner Zeit in der Rechnungsverarbeitung einsparen und diese für die Liquiditätsplanung und die Analyse der Kundensegmente nutzen. Die Compliance-Anforderungen des EU AI Acts wurden durch den dokumentierten Human-in-the-Loop-Prozess und die transparente Logik der LangGraph-States erfüllt.

    Lektionen für ähnliche Teams

    1. Baseline messen, bevor man baut: Ohne die genaue Erfassung der Durchlaufzeit und Fehlerquote vor dem Piloten lässt sich der ROI nicht belegen. Die Audit-Phase ist kein Overhead, sondern die Grundlage für die Erfolgsmessung.
    2. RAG für interne Richtlinien nutzen: Die Integration von Confluence oder Notion als Wissensquelle für den LLM reduziert Halluzinationen bei der Kategorisierung erheblich. Der Agent muss nicht „wissen“, wie man bucht, sondern kann die Richtlinien abfragen.
    3. Human-in-the-Loop ist Compliance: Im Kontext des EU AI Acts ist die menschliche Freigabe für finanzielle Transaktionen nicht nur eine Sicherheitsmaßnahme, sondern eine rechtliche Notwendigkeit. Die Architektur muss diese Pausenpunkte explizit in der Zustandsmaschine abbilden.
    4. Model-Agnostizität spart Kosten: Nicht jeder Schritt braucht das teuerste Modell. Die Trennung von Extraktion (hohe Qualität) und Orchestrierung (hohe Geschwindigkeit) optimiert die Betriebskosten pro Transaktion.

  • KI-gestützte Lead-Qualifikation im Schweizer Fintech: 8-Wochen-Pilot

    Die Herausforderung der manuellen Lead-Qualifikation im Schweizer Fintech

    Viele Fintechs in der Schweiz mit 51 bis 200 Mitarbeitern kämpfen mit einer hohen manuellen Last in der Lead-Qualifikation. Sales-Teams verbringen wertvolle Zeit damit, eingehende Anfragen manuell zu klassifizieren und in das CRM einzupflegen. Dieser Prozess verzögert die First-Response Time erheblich, was in einem wettbewerbsintensiven Markt wie dem Schweizer Finanzsektor direkt zu verlorenen Deals führt. Die Herausforderung liegt nicht in der fehlenden Technologie, sondern in der Integration dieser Technologie in die bestehenden Workflows, ohne das operative Geschäft zu stören. Ein gezielter Ansatz, der auf der Automatisierung der Dokumentenverarbeitung und der Priorisierung von Leads basiert, kann hier die Engpässe lösen, ohne dass ein kompletter Systemwechsel erforderlich ist.

    Architektur: LangGraph und Predictive Scoring auf eigener Hardware

    Die technische Basis bildet eine model-agnostic Architektur, die auf LangChain und LangGraph setzt. LangChain orchestriert die Interaktionen mit den LLMs, während LangGraph die zustandsbehafteten Workflows für die komplexe Logik der Lead-Qualifikation steuert. Für die eigentliche Berechnung des Predictive Scoring werden Open-Weight-Modelle auf der eigenen Hardware des Kunden eingesetzt, um sicherzustellen, dass sensible Finanzdaten nicht das Gebäude verlassen. Dies erfüllt die strengen Anforderungen der ISO 27001. Die Anbindung an das bestehende CRM erfolgt über eine Custom REST API und Webhooks, was eine Echtzeit-Synchronisation der Daten ermöglicht, ohne dass das CRM selbst modifiziert werden muss.

    Implementierung in 8 Wochen: Vom Piloten zum messbaren Erfolg

    Der Pilot wird in einem festen Scope von 8 Wochen umgesetzt. In den ersten zwei Wochen erfolgt die Prozessanalyse, um die relevanten Datenpunkte für das Scoring zu identifizieren. Die darauffolgenden vier Wochen dienen der Entwicklung der API-Integration und dem Training des Modells auf historischen CRM-Daten. Die letzten zwei Wochen sind für die Validierung und das Feintuning reserviert. Das Ziel ist eine messbare Reduktion der First-Response Time. Durch die automatische Extraktion von Dokumenten und die sofortige Berechnung des Scores kann das Sales-Team seine Zeit auf die hochpotenziellen Leads konzentrieren, was die Effizienz des gesamten Vertriebsprozesses steigert.

    Compliance und Datenschutz: ISO 27001 als Standard

    Die Compliance ist in der Schweizer Finanzbranche nicht verhandelbar. Durch den Einsatz von Open-Weight-Modellen auf eigener Infrastruktur wird sichergestellt, dass keine Kundendaten an externe API-Anbieter wie OpenAI oder Anthropic übertragen werden, es sei denn, es handelt sich um anonymisierte Daten. Die Architektur ist so gestaltet, dass alle Datenflüsse protokolliert werden und Zugriffskontrollen strikt nach dem Least-Privilege-Prinzip umgesetzt sind. Dies entspricht den Anforderungen der ISO 27001 und schafft Vertrauen bei den Kunden, dass ihre Daten sicher behandelt werden. Zudem ermöglicht die lokale Verarbeitung eine schnellere Reaktionszeit, da keine Latenz durch externe Netzwerke entsteht.

    Managed Operations: Langfristige Stabilität und Kontrolle

    Nach dem Piloten übernimmt Forfis das Managed AI Operations. Dies bedeutet, dass der Anbieter nicht nur die Software liefert, sondern auch den laufenden Betrieb sichert. Dazu gehören das Monitoring der Modell-Performance, das Nachtrainieren bei Daten-Drift und die Pflege der API-Verbindungen. Der Human-in-the-Loop-Ansatz bleibt bestehen: Das Modell berechnet das Score, aber die finale Entscheidung oder das Auslösen von Aktionen, die Geld oder Verträge betreffen, erfordert eine manuelle Freigabe. Dies minimiert das Risiko von Fehlentscheidungen und stellt sicher, dass die Mitarbeiter die Kontrolle über den Prozess behalten, während sie von der Automatisierung profitieren.

  • KI-Wissensassistent für Schweizer Versicherungen: RAG mit LangGraph in 2 Wochen

    Prozess-Audit vor der Automatisierung

    Der erste Schritt ist die Identifikation des Engpasses. In der Versicherungsbranche geht es selten um die komplette Automatisierung der Kundenkommunikation, sondern um die interne Effizienz. Ein typischer Fall: Ein Team von 20 Mitarbeitern verbringt täglich 2 Stunden damit, in PDF-Policen und internen Richtlinien nach relevanten Klauseln zu suchen. Ein RAG-Assistant, der auf diese Dokumente zugreift, reduziert diese Zeit auf 10 Minuten. Die Auswahl des Prozesses erfolgt über ein kurzes Audit: Welche Dokumente werden am häufigsten abgefragt? Wo entstehen die meisten Fehler durch veraltete Informationen? Dieser Fokus auf einen einzigen, messbaren Prozess ist der Schlüssel zum Erfolg im 2-Wochen-Fenster.

    LangGraph als Steuerungsebene

    Die Architektur basiert auf LangGraph, da die monatliche Berichterstattung einen deterministischen Ablauf erfordert. LangChain allein reicht für einfache Chains aus, aber für die Aggregation von Daten aus CRM, Dokumentenverwaltung und Excel-Tabellen braucht man die Zustandskontrolle von LangGraph. Das System ruft über REST-APIs die aktuellen Kundendaten ab, indiziert neue Dokumente über Webhooks und übergibt die relevanten Abschnitte an das LLM. Die Vektor-Datenbank (z. B. Weaviate oder Qdrant) läuft lokal, um die Datenhoheit zu wahren. Diese Modell-agnostische Herangehensweise erlaubt es, später auf offene Modelle umzusteigen, falls die Kosten oder die Compliance-Anforderungen es erfordern.

    Human-in-the-Loop als Standard

    Die Integration erfolgt nicht durch den Austausch bestehender Systeme, sondern durch deren Anreicherung. Die REST-APIs des CRM und der Dokumentenverwaltung werden in LangGraph als Tool-Nodes definiert. Webhooks lösen bei neuen Dokumenten automatisch die Indizierung aus. Das LLM erhält die relevanten Abschnitte als Kontext und formuliert die Antwort. Für die monatliche Berichterstattung aggregiert das System die Daten und generiert einen Entwurf. Ein Mitarbeiter prüft die Zahlen und die narrative Zusammenfassung, bevor der Bericht versendet wird. Dieser Human-in-the-Loop-Ansatz stellt sicher, dass keine fehlerhaften Daten in die Berichterstattung einfließen, ohne dass ein Mensch sie geprüft hat.

    2-Wochen-Timeline: Realistisch oder Wunschdenken?

    Die 14 Tage sind nur realistisch, wenn der Scope eng gefasst ist. Tag 1-2: Audit und Datenbereinigung. Tag 3-5: Setup der Infrastruktur und Entwicklung der LangGraph-Logik. Tag 6-10: Integration der APIs und Webhooks, Erstellung der Prompts. Tag 11-14: Testing und Übergabe. Voraussetzung ist, dass die Datenquellen bereits API-fähig sind und die Dokumentation strukturiert vorliegt. Ein dediziertes AI-Team übernimmt die gesamte Wertschöpfungskette, von der Planung bis zum Betrieb. Das reduziert das Risiko von Vendor-Lock-in und stellt sicher, dass das System mit dem Unternehmen mitwächst. Die Kosten liegen bei einem Pilot in dieser Größenordnung bei 15.000-25.000 CHF, je nach Komplexität der Integration.

    Vom Pilot zum Betrieb

    Der Pilot endet nicht mit der Übergabe des Codes. Das dedizierte Team bleibt für die kontinuierliche Optimierung verantwortlich. Die Prompts werden an neue Geschäftsprozesse angepasst, die Vektor-Datenbank wird gepflegt, und die Fehlerquoten werden monatlich gemessen. Die monatliche Berichterstattung wird als KPI definiert: Wie viel Zeit spart der Assistant? Wie hoch ist die Genauigkeit der Antworten? Diese Metriken bilden die Grundlage für die Entscheidung, ob der Assistant auf weitere Prozesse ausgedehnt wird. In der Versicherungsbranche, wo Fehler in der Kundenkommunikation teuer werden, ist diese kontinuierliche Validierung entscheidend für den langfristigen Erfolg.

  • Checkliste: AI-Integration im Fintech für Lead-Qualifikation und 24/7-Support

    Checkliste für die AI-Integration im Fintech

    1. Verifizieren Sie die PCI-DSS-Konformität der Datenflüsse.
      Stellen Sie sicher, dass keine PANs in Logs oder Prompts persistiert werden und die Übertragung per TLS 1.3 gesichert ist.

    2. Dokumentieren Sie die bestehenden Prozesse im CRM und im Helpdesk.
      Erstellen Sie eine detaillierte Prozesslandkarte, um die Engpässe in der Lead-Qualifikation und der Kundenantwort zu identifizieren.

    3. Konfigurieren Sie die LangChain-Orchestrierung für die LLM-Interaktion.
      Setzen Sie die Standard-Tools für die API-Aufrufe an OpenAI und Anthropic ein, um die Konsistenz der Antworten zu gewährleisten.

    4. Implementieren Sie LangGraph für die zustandsbehafteten Workflows.
      Definieren Sie die Entscheidungszweige, an denen ein menschlicher Approver eingreifen muss, und speichern Sie den Zustand in einer Datenbank.

    5. Integrieren Sie die Systeme über die bestehenden APIs.
      Verbinden Sie das CRM, den Helpdesk und die Marketing-Tools über REST-APIs, um die Datenkonsistenz sicherzustellen.

    6. Automatisieren Sie die Lead-Qualifikation anhand von vordefinierten Kriterien.
      Klassifizieren Sie die Anfragen nach Budget, Zeitrahmen und Bedarf, um hochwertige Leads direkt an den Vertrieb zu leiten.

    7. Richten Sie die 24/7-Kundenantwort über Chat und E-Mail ein.
      Nutzen Sie das LLM für die ersten Antworten und leiten Sie kritische Anfragen an menschliche Agenten weiter.

    8. Automatisieren Sie die monatliche Berichterstattung in Notion oder Confluence.
      Ziehen Sie die Daten aus den Systemen, erstellen Sie einen Entwurf und lassen Sie ihn von einem Analysten prüfen.

    9. Schulen Sie das dedizierte AI-Team in der Architektur und den Sicherheitsstandards.
      Stellen Sie sicher, dass alle Teammitglieder die PCI-DSS-Anforderungen und die Workflow-Logik verstehen.

    10. Testen Sie die Workflows in einer isolierten Umgebung.
      Führen Sie Unit-Tests und Integrationstests durch, um Fehler in der Datenverarbeitung und der API-Kommunikation zu identifizieren.

    11. Dokumentieren Sie die Datenflussdiagramme für die Compliance-Prüfung.
      Erstellen Sie detaillierte Diagramme, die den Weg der Daten von der Erfassung bis zur Verarbeitung zeigen.

    12. Optimieren Sie die Prompt-Engineerung für die spezifischen Use Cases.
      Passen Sie die Prompts an, um die Genauigkeit der Klassifikation und die Qualität der Antworten zu verbessern.

    13. Implementieren Sie ein Monitoring-System für die Leistung der Workflows.
      Überwachen Sie die Antwortzeiten, die Fehlerquoten und die Auslastung der APIs in Echtzeit.

    14. Skalieren Sie die Lösung auf weitere Abteilungen aus.
      Wiederverwenden Sie die bestehenden Bausteine für neue Use Cases und passen Sie die Konfigurationen an die jeweiligen Anforderungen an.

    15. Führen Sie regelmäßige Reviews und Schulungen durch.
      Stellen Sie sicher, dass die Akzeptanz in den neuen Abteilungen hoch ist und die Effizienz der Automatisierung maximiert wird.

    Umsetzung und Skalierung über Abteilungen

    Die Umsetzung dieser Checkliste erfordert eine enge Zusammenarbeit zwischen dem dedizierten AI-Team und den internen Stakeholdern. Die erste Phase der drei Monate konzentriert sich auf die Prozessanalyse und die Auswahl der Use Cases, wobei die PCI-DSS-Konformität von Anfang an berücksichtigt werden muss. In der zweiten Phase wird die Pilotumsetzung durchgeführt, einschließlich der Integration in die bestehenden Systeme und der ersten Tests. Die dritte Phase dient der Ausweitung auf weitere Abteilungen und der finalen Optimierung. Durch die standardisierte Architektur und die zentrale Dokumentation in Confluence wird sichergestellt, dass die Skalierung über die Abteilungen hinweg reibungslos verläuft und die Effizienz der Automatisierung maximiert wird.

    Langfristige Wartung und Anpassung

    Die Wartung der Checkliste ist ein kontinuierlicher Prozess, der an die sich ändernden Anforderungen des Unternehmens angepasst werden muss. Regelmäßige Reviews der Workflows und der Compliance-Standards sind notwendig, um sicherzustellen, dass die Lösung den aktuellen PCI-DSS-Anforderungen entspricht. Neue Use Cases und Integrationen sollten in die Checkliste aufgenommen werden, um die Vollständigkeit und die Aktualität der Dokumentation zu gewährleisten. Durch diese kontinuierliche Verbesserung wird die Effizienz der AI-Integration langfristig gesichert und die Risiken minimiert.

  • KI-Glossar: Candidate Screening & HR-Automatisierung in Österreich

    Automatisierung

    Im Kontext von KI-gestütztem Candidate Screening bezeichnet Automatisierung die Übertragung wiederkehrender, regelbasierter Aufgaben von Menschen auf Software. Dies umfasst die Extraktion von Daten aus Lebensläufen, die Klassifizierung von Bewerbungen nach Qualifikationen und die Generierung von Erstantworten. Automatisierung ersetzt keine strategischen HR-Entscheidungen, sondern eliminiert manuelle Routinearbeit. Der Fokus liegt auf der Fehlerreduktion und der Beschleunigung von Prozessen, die bisher mehrere Tage in Anspruch nahmen. In der Praxis bedeutet das: Ein System, das 100 Bewerbungen pro Woche bearbeitet, kann die manuelle Vorarbeit von 20 Stunden auf 2 Stunden reduzieren, während die Qualität der Auswahl durch standardisierte Kriterien steigt.

    Candidate Screening

    Candidate Screening ist der Prozess der Vorauswahl von Bewerbern anhand definierter Kriterien. Traditionell erfolgt dies manuell durch Recruiter, die Lebensläufe lesen und Interviews führen. Mit KI-Unterstützung wird der Prozess in zwei Phasen unterteilt: Die automatisierte Vorprüfung (Datenextraktion, Keyword-Matching, Compliance-Check) und die menschliche Endentscheidung. Die KI erstellt einen strukturierten Bericht über jeden Kandidaten, der dem Recruiter als Entscheidungsgrundlage dient. Dies reduziert die First-Response Time und stellt sicher, dass alle Bewerber nach denselben objektiven Kriterien bewertet werden, was auch aus Sicht der Gleichbehandlungsgesetzgebung (GleichBG) in Österreich vorteilhaft ist.

    DSGVO (Datenschutz-Grundverordnung)

    Die DSGVO (Datenschutz-Grundverordnung) ist die europäische Datenschutzverordnung, die die Verarbeitung personenbezogener Daten regelt. Im HR-Kontext ist sie besonders relevant, da Bewerbungen hochsensible Daten enthalten (z. B. Gesundheitsdaten, politische Meinungen). Die DSGVO verlangt Datenminimierung (nur notwendige Daten verarbeiten), Zweckbindung (Daten nur für den Bewerbungsprozess nutzen) und Transparenz (Kandidaten über die Verarbeitung informieren). Bei der Nutzung von KI-Modellen muss sichergestellt werden, dass keine Daten an Dritte (z. B. Cloud-Anbieter) weitergegeben werden, es sei denn, es liegt eine angemessene Garantie vor (Art. 46 DSGVO). Für Unternehmen in Österreich bedeutet das: Lokale Verarbeitung oder vertraglich gesicherte Cloud-Dienste sind Pflicht.

    Document Extraction

    Document Extraction ist die Technik, strukturierte Daten aus unstrukturierten Dokumenten (z. B. PDF-Lebensläufen, Scans) zu extrahieren. Moderne Ansätze nutzen OCR (Optical Character Recognition) kombiniert mit LLMs (Large Language Models), um nicht nur Text zu erkennen, sondern auch Kontext zu verstehen. Im Candidate Screening wird Document Extraction genutzt, um Namen, Kontaktdaten, Berufserfahrung und Qualifikationen automatisch in ein CRM zu überführen. Dies eliminiert manuelle Dateneingabe und reduziert Fehler. Die Genauigkeit hängt von der Qualität der Dokumente und der Konfiguration des Modells ab. Für deutsche und österreichische Dokumente sind spezielle Modelle erforderlich, da die Struktur von Lebensläufen kulturell variiert.

    First-Response Time

    Die First-Response Time ist die Zeit zwischen dem Eingang einer Bewerbung und der ersten Antwort an den Kandidaten. In der österreichischen Professional Services Branche liegt der Durchschnitt bei 3-5 Tagen, was zu einem hohen Drop-off-Rate bei Top-Talenten führt. Durch die Automatisierung der Erstantwort kann diese Zeit auf unter 1 Stunde reduziert werden. Die First-Response Time ist ein KPI (Key Performance Indicator) für die Effizienz des Recruiting-Prozesses. Eine schnelle Antwort signalisiert Professionalität und erhöht die Wahrscheinlichkeit, dass der Kandidat den Prozess abschließt. Die Messung erfolgt über Zeitstempel im CRM: Eingang der Bewerbung vs. Versand der ersten E-Mail.

    Human-in-the-Loop

    Human-in-the-Loop ist eine Architektur, bei der die KI Vorschläge macht, aber ein Mensch die finale Entscheidung trifft. Im Candidate Screening bedeutet das: Die KI klassifiziert Bewerbungen und erstellt einen Entwurf für die Antwort, aber der Recruiter prüft und sendet die Nachricht. Dies ist nicht nur eine Compliance-Maßnahme (Art. 22 DSGVO), sondern auch ein Qualitätsmerkmal. Es verhindert Fehlentscheidungen durch Halluzinationen des Modells und stellt sicher, dass die menschliche Empathie in der Kommunikation erhalten bleibt. Der Human-in-the-Loop-Prozess wird durch ein Dashboard gesteuert, in dem der Recruiter die KI-Vorschläge einsehen, bearbeiten und freigeben kann.

    LangChain und LangGraph

    LangChain ist ein Framework für die Entwicklung von Anwendungen, die auf LLMs basieren. Es bietet Bausteine für die Kette von Prompts, die Verwaltung von Kontext und die Integration von externen Tools. LangGraph ist ein erweitertes Framework von LangChain, das Zustandsmaschinen für KI-Agenten ermöglicht. Es erlaubt die Definition von Knoten (Schritte) und Kanten (Übergänge), was komplexe Workflows wie die mehrstufige Prüfung von Lebensläufen strukturiert. Im Vergleich zu reinen Prompt-Ketten bietet LangGraph bessere Kontrolle über Fehlerbehandlung und menschliche Eingriffe. Für Unternehmen, die skalierbare KI-Systeme aufbauen wollen, ist LangGraph die empfohlene Wahl, da es die Komplexität der Orchestrierung reduziert.

  • Manuelle Statuspflege vs. automatisierte Datenanreicherung im Medtech-Support

    Manuelle Statuspflege vs. automatisierte Datenanreicherung

    Der Vergleich stellt zwei Ansätze gegenüber: die manuelle Pflege von Bestell- und Versandstatus durch Fachkräfte im Kundensupport und die automatisierte Datenanreicherung durch ein KI-System, das in bestehende Workflows integriert wird. Die manuelle Variante basiert auf der Recherche in ERP- und CRM-Systemen, der manuellen Zusammenführung der Daten und der Formulierung der Antwort in Slack oder Microsoft Teams. Die automatisierte Variante nutzt n8n als Orchestrierungsschicht, die Daten aus den Quellsystemen extrahiert, ein LLM zur Anreicherung und Bereinigung einsetzt und das Ergebnis über die Chat-Plattformen zurückmeldet. Beide Ansätze zielen auf dieselbe Geschäftsfunktion: die Bereitstellung aktueller Statusinformationen an Kunden im Gesundheits- und Medtech-Bereich. Der entscheidende Unterschied liegt in der Skalierbarkeit und der Compliance-Struktur. Während die manuelle Arbeit linear mit dem Volumen wächst, bleibt die automatisierte Lösung bei steigenden Anfragen stabil, sofern die Infrastruktur skaliert. Für Unternehmen mit über 2.000 Mitarbeitern in Österreich, die unter dem EU AI Act und der DSGVO operieren, ist die Frage nicht nur technisch, sondern auch regulatorisch geprägt.

    Kriterien für die Bewertung

    Die Bewertung stützt sich auf acht Kriterien, die für den beschriebenen Use Case relevant sind: Latenz der Antwort, Kosten pro transaktionaler Einheit, Vendor Lock-in, Compliance mit dem EU AI Act, Datenschutz nach DSGVO, Integrationstiefe in Slack/Teams, Wartungsaufwand und Skalierbarkeit. Die Latenz misst die Zeit von der Anfrage bis zur Antwort. Die Kosten pro Einheit umfassen Infrastruktur, API-Aufrufe und Personalkosten. Vendor Lock-in bewertet die Abhängigkeit von einem bestimmten Anbieter. Compliance prüft die Erfüllung der Pflichten nach Artikel 10 und 13 des EU AI Act sowie der DSGVO. Datenschutz bewertet die Sicherheit der Datenverarbeitung. Integrationstiefe misst die Nahtlosigkeit der Anbindung an die bestehenden Tools. Wartungsaufwand quantifiziert den Aufwand für Updates und Fehlerbehebung. Skalierbarkeit bewertet die Fähigkeit, das Volumen zu verdreifachen, ohne die Qualität zu beeinträchtigen. Diese Kriterien werden im folgenden Vergleich konkretisiert.

    Vergleichstabelle: Manuell vs. Automatisiert

    Kriterium Manuelle Pflege Automatisierte Anreicherung (n8n)
    Latenz 45-90 Minuten (je nach Auslastung) 2-5 Sekunden (API-Aufruf + LLM-Inferenz)
    Kosten pro Einheit 8-12 EUR (Stundensatz 60 EUR, 8-12 Min.) 0,05-0,15 EUR (Token-Kosten + Infrastruktur)
    Vendor Lock-in Gering (kein technisches System) Mittel (n8n ist Open Source, aber LLM-Anbieter sind abhängig)
    EU AI Act Compliance Manuelle Dokumentation erforderlich Automatisierte Logging und Nachvollziehbarkeit
    DSGVO Risiko durch manuelle Datenübergabe Kontrollierte Datenflüsse, Pseudonymisierung möglich
    Slack/Teams Integration Manuelle Eingabe, fehleranfällig Native API-Integration, formatierte Cards
    Wartungsaufwand Hoher Personalaufwand für Schulung Geringer technischer Aufwand, Managed Operations
    Skalierbarkeit Linear (mehr Mitarbeiter nötig) Exponentiell (Infrastruktur-Skalierung)

    Szenario-spezifisches Verdikt

    Die manuelle Pflege gewinnt in Szenarien, in denen die Datenqualität der Quellsysteme so gering ist, dass eine automatisierte Bereinigung nicht zuverlässig funktioniert. Wenn das ERP-System keine strukturierten Daten liefert oder die Versandstatus in Freitextfeldern stecken, ist die menschliche Interpretation unersetzlich. Zudem ist die manuelle Variante bei sehr geringem Volumen (unter 50 Anfragen pro Tag) wirtschaftlich sinnvoller, da die Fixkosten der Automatisierung nicht amortisiert werden. Für Unternehmen, die gerade erst ihre Datenstrukturen aufbauen, ist die manuelle Phase ein notwendiger Schritt, um die Datenqualität zu verbessern. Die automatisierte Lösung gewinnt dagegen bei hohem Volumen, standardisierten Datenquellen und klaren Compliance-Anforderungen. Sie ist die richtige Wahl, wenn die Latenz unter 10 Sekunden liegen muss und die Kosten pro Einheit unter 0,50 EUR sinken sollen. In der Praxis bedeutet das: Unternehmen mit über 2.000 Mitarbeitern und einem etablierten ERP-System sollten die Automatisierung bevorzugen, während kleinere Teams oder solche mit chaotischen Datenquellen zunächst manuell bleiben sollten.

    Empfehlung für das beschriebene Szenario

    Die Empfehlung lautet: Für den beschriebenen Use Case (Bestell- und Versandstatusupdates im Medtech-Support, 2.000+ Mitarbeiter, Österreich, 6-Monats-Zeitraum) ist die automatisierte Datenanreicherung mit n8n-Orchestrierung die überlegene Option. Die Begründung stützt sich auf drei Punkte: Erstens die Compliance. Der EU AI Act verlangt eine nachvollziehbare Dokumentation der Datenverarbeitung, die durch die automatisierte Logging-Funktion von n8n und die strukturierte Datenflüsse gewährleistet wird. Zweitens die Skalierbarkeit. Bei einem Volumen von über 1.000 Anfragen pro Tag ist die manuelle Pflege nicht mehr wirtschaftlich tragfähig. Drittens die Freisetzung von Fachkräften. Die Automatisierung ermöglicht es, die Senior-Staff von der Routinearbeit zu befreien und sie für komplexe Fälle einzusetzen, was die Kundenzufriedenheit erhöht. Die Implementierung sollte als Fixed-Scope-Pilot starten, der einen spezifischen Prozess (z. B. Versandstatus für ein bestimmtes Produktsegment) automatisiert. Nach 3 Monaten wird die Performance gemessen und die Entscheidung für den Rollout getroffen. Die Managed AI Operations übernehmen dann die laufende Betreuung, um die Stabilität und Compliance sicherzustellen.

  • RAG mit pgvector vs. LLM-Orchestrierung: Statusanfragen im Versicherungsbereich

    Zwei Ansätze zur Automatisierung von Statusanfragen

    Die Automatisierung von Statusanfragen im Schweizer Versicherungsbereich steht vor einer klaren Entscheidung: Ein RAG-System mit pgvector, das auf der eigenen Hardware läuft, oder eine LLM-Orchestrierung, die auf externen APIs basiert. Beide Ansätze zielen darauf ab, die Fehlerquote im Back Office zu senken und die Durchlaufzeit zu verkürzen. Der Unterschied liegt in der Architektur, den Kosten und der Kontrolle über die Daten. Das RAG-System nutzt Embeddings, um relevante Dokumente und Daten abzurufen. Die LLM-Orchestrierung nutzt ein großes Sprachmodell, um die Antwort zu formulieren und zu interpretieren. Beide Ansätze sind in der Lage, die Statusanfragen zu bearbeiten, aber sie unterscheiden sich in der Präzision, der Latenz und der Compliance. Die Entscheidung hängt davon ab, welche Prioritäten das Unternehmen setzt: Kontrolle über die Daten oder Flexibilität in der Antwortformulierung.

    Kriterien für die Bewertung

    Die Bewertung beider Ansätze erfolgt anhand von sechs Kriterien. Erstens: Latenz. Wie schnell wird die Antwort geliefert? Zweitens: Kosten. Was kostet die Infrastruktur und die Entwicklung? Drittens: Vendor Lock-in. Wie abhängig ist das System von einem bestimmten Anbieter? Viertens: Compliance. Bleiben die Daten auf der eigenen Hardware? Fünftens: Fehlerquote. Wie präzise sind die Antworten? Sechstens: Skalierbarkeit. Wie leicht lässt sich das System auf weitere Prozesse ausweiten? Diese Kriterien sind entscheidend für die Entscheidung. Sie werden im folgenden Vergleichstabelle konkretisiert. Die Zahlen basieren auf den Erfahrungen aus dem Pilot und den typischen Werten in der Branche. Die Kriterien sind so gewählt, dass sie die wichtigsten Aspekte der Automatisierung abdecken. Sie sind nicht beliebig, sondern reflektieren die realen Anforderungen eines Versicherers mit 51 bis 200 Mitarbeitern.

    Vergleichstabelle: RAG mit pgvector vs. LLM-Orchestrierung

    Kriterium RAG mit pgvector LLM-Orchestrierung
    Latenz 80-150 ms 400-800 ms
    Kosten (Pilot) 15 000 EUR 25 000 EUR
    Vendor Lock-in Gering (eigene Hardware) Hoch (externe API)
    Compliance Daten bleiben lokal Daten verlassen das Gebäude
    Fehlerquote 3 % 5 %
    Skalierbarkeit Mittel (manuelles Tuning) Hoch (automatisches Tuning)

    Die Tabelle zeigt die konkreten Unterschiede. Die Latenz ist beim RAG-System niedriger, da es keine externe API aufruft. Die Kosten sind beim RAG-System geringer, da die Infrastruktur auf der eigenen Hardware läuft. Der Vendor Lock-in ist beim RAG-System gering, da es keine Abhängigkeit von einem externen Anbieter gibt. Die Compliance ist beim RAG-System gegeben, da die Daten lokal bleiben. Die Fehlerquote ist beim RAG-System niedriger, da es auf präzisen Daten basiert. Die Skalierbarkeit ist beim LLM-System höher, da es automatisch angepasst werden kann. Diese Zahlen sind die Grundlage für die Entscheidung. Sie zeigen, dass beide Ansätze ihre Stärken haben. Die Wahl hängt davon ab, welche Kriterien für das Unternehmen am wichtigsten sind.

    Wann gewinnt das RAG-System?

    Das RAG-System mit pgvector gewinnt, wenn die Kontrolle über die Daten und die niedrige Latenz im Vordergrund stehen. Das ist der Fall, wenn die Daten sensible Kundendaten enthalten und die Compliance-Anforderungen der Schweiz erfüllt werden müssen. Das RAG-System ist auch die richtige Wahl, wenn die Statusanfragen einfach und klar definiert sind, z. B. ‘Wo ist meine Sendung?’. In diesem Fall reicht ein präziser Abruf aus der Datenbank. Die LLM-Orchestrierung gewinnt, wenn die Antwortformulierung komplex ist und Nuancen erfordert. Das ist der Fall, wenn die Kunden Fragen stellen, die nicht direkt aus der Datenbank beantwortet werden können, z. B. ‘Warum ist meine Sendung verzögert?’. In diesem Fall ist ein LLM mit größerem Kontextfenster und Chain-of-Thought-Reasoning die bessere Wahl. Die LLM-Orchestrierung ist auch die richtige Wahl, wenn das System auf weitere Prozesse ausgeweitet werden soll, z. B. auf die Bearbeitung von Schadensfällen. In diesem Fall ist die Skalierbarkeit und die Flexibilität des LLM-Systems entscheidend.

    Empfehlung für den Pilot

    Die Empfehlung ist klar: Für den Pilot im Schweizer Versicherungsbereich ist das RAG-System mit pgvector die richtige Wahl. Die Gründe sind die Kontrolle über die Daten, die niedrige Latenz und die geringeren Kosten. Der Pilot läuft 8 Wochen und ist auf einen klar definierten Workflow beschränkt. Die Kosten sind fix kalkuliert: 15 000 EUR für die Entwicklung, 2 000 EUR/Monat für die Infrastruktur. Nach dem Pilot entscheidet das Management auf Basis der gemessenen Fehlerquote und Durchlaufzeit, ob der Rollout auf alle Kanäle und Prozesse folgt. Wenn der Rollout auf komplexere Prozesse ausgeweitet wird, z. B. auf die Bearbeitung von Schadensfällen, kann die LLM-Orchestrierung als Ergänzung hinzukommen. Die Architektur ist so gestaltet, dass beide Ansätze kombiniert werden können. Das RAG-System für die schnellen Faktenabfragen, das LLM für die Interpretation. Der Wechsel zwischen den beiden Modi erfolgt über eine einfache Routing-Logik in der Orchestrierungsschicht. Diese Kombination bietet die beste Balance zwischen Kontrolle, Präzision und Flexibilität.

  • KI-Pilot im österreichischen Fintech: Lead-Qualifikation in 4 Wochen

    Prozessaudit als Grundlage für die Automatisierung

    Viele Fintech-Unternehmen in Österreich mit 201 bis 500 Mitarbeitern kämpfen mit wachsenden Support-Volumina und unvollständigen CRM-Daten. Die manuelle Bearbeitung von Anfragen und die Bereinigung von Lead-Daten binden wertvolle Kapazitäten im Vertrieb und im Backoffice. Ein AI-Automation-Audit identifiziert die Workflows mit dem höchsten Hebel: In der Regel sind das die Lead-Qualifikation und die erste Antwort im Support. Der Audit-Prozess analysiert die bestehenden Prozesse in Notion oder Confluence, misst die aktuelle Zyklenzeit und Fehlerquote und priorisiert die Automatisierungsmöglichkeiten nach Wirtschaftlichkeit. Das Ergebnis ist eine klare Roadmap für einen isolierten Piloten, der in vier Wochen implementiert wird. Der Fokus liegt auf der Reduktion der First-Response-Time und der Senkung der Kosten pro Ticket, ohne die bestehende Infrastruktur zu ersetzen. Die KI wird als Ergänzung zum bestehenden CRM und Helpdesk integriert, nicht als Ersatz. Dies minimiert das Risiko und ermöglicht eine schrittweise Einführung.

    Technische Architektur: OpenAI API und DSGVO-Konformität

    Die technische Architektur basiert auf der OpenAI API für die Sprachverarbeitung und Datenextraktion. Die eingehenden Anfragen aus dem Helpdesk oder den Webformularen werden in die API übergeben, die die relevanten Datenpunkte extrahiert und eine Klassifikation vornimmt. Für die Lead-Qualifikation werden Kriterien wie Unternehmensgröße, Branche und Budget aus dem Text extrahiert und mit den vorhandenen CRM-Daten abgeglichen. Die Integration in Notion oder Confluence erfolgt über deren APIs, sodass die KI auf interne Dokumente zugreifen kann, um kontextbezogene Antworten zu generieren. Die Datenflüsse sind so gestaltet, dass sie DSGVO-konform bleiben: Es wird ein AVV mit OpenAI geschlossen, und die Datenverarbeitung erfolgt in der EU. Die Architektur ist model-agnostic, was bedeutet, dass bei Bedarf auf Open-Weight-Modelle auf eigener Hardware umgestellt werden kann, falls die Daten nicht das Gebäude verlassen dürfen. Dies ist besonders relevant für sensible Finanzdaten.

    Pilot-Implementierung in vier Wochen

    Der Pilot läuft vier Wochen lang in einem isolierten Umfeld. In Woche 1 wird die Pipeline aufgesetzt und mit historischen Daten getestet. Woche 2 dient der Integration in das bestehende CRM und die Wissensbasis in Notion. Woche 3 ist die Testphase mit realen, aber anonymisierten Anfragen, um die Genauigkeit der Klassifikation und Extraktion zu validieren. Woche 4 umfasst die Feinjustierung der Prompts und die Schulung der Mitarbeiter. Die Metriken werden vor und nach dem Piloten gemessen: Zyklenzeit pro Ticket, Fehlerquote bei der Datenextraktion und First-Response-Time. Das Ziel ist eine messbare Reduktion der Bearbeitungszeit um mindestens 50 Prozent und eine Senkung der Kosten pro Ticket. Der Human-in-the-Loop-Ansatz bleibt bestehen: Die KI erstellt einen Entwurf, der von einem Mitarbeiter geprüft und freigegeben wird, bevor er an den Kunden geht. Dies stellt sicher, dass keine fehlerhaften oder unpassenden Antworten versendet werden.

    Lead-Qualifikation und Data Enrichment im CRM

    Die Lead-Qualifikation ist der Kern des Piloten. Die KI analysiert eingehende Anfragen und extrahiert strukturierte Daten aus unstrukturierten Texten. Diese Daten werden im CRM angereichert und bereinigt: Duplikate werden entfernt, fehlende Felder werden aus öffentlichen Quellen oder internen Dokumenten ergänzt. Die Klassifikation erfolgt nach vordefinierten Kriterien, die im Audit festgelegt wurden. Ein Lead wird als ‘hot’ markiert, wenn er bestimmte Schwellenwerte erfüllt, und wird direkt an den Vertrieb übergeben. ‘Warm’ und ‘cold’ Leads werden in Nurturing-Sequenzen aufgenommen. Die Datenbereinigung reduziert die manuelle Arbeit im Backoffice erheblich, da die KI die Datenqualität kontinuierlich überwacht und korrigiert. Dies führt zu einer höheren Conversion-Rate, da der Vertrieb nur mit qualifizierten Leads arbeitet. Die Integration in das bestehende CRM stellt sicher, dass alle Daten an einem zentralen Ort verfügbar sind und die Historie erhalten bleibt.

    Ergebnisse: Senkung der Kosten und Reaktionszeiten

    Die Reduktion der First-Response-Time ist das sichtbarste Ergebnis des Piloten. Statt auf die Verfügbarkeit eines Mitarbeiters zu warten, erhält der Kunde innerhalb von Sekunden eine erste Antwort. Die KI generiert einen Antwortentwurf basierend auf der Anfrage und den internen Dokumenten in Notion oder Confluence. Der Mitarbeiter prüft den Entwurf und sendet ihn frei. Dies verkürzt die Reaktionszeit von Stunden auf Minuten. Die Kosten pro Ticket sinken, weil die manuelle Bearbeitungszeit pro Ticket von durchschnittlich 15 auf 3 Minuten reduziert wird. Bei einem Volumen von 500 Tickets pro Monat ergibt das eine Einsparung von 100 Stunden pro Monat. Die Fehlerquote bei der Datenextraktion wird durch den Human-in-the-Loop-Ansatz minimiert, da der Mensch die letzte Instanz ist. Die Metriken werden in einem Dashboard visualisiert, sodass die Fortschritte transparent nachvollziehbar sind. Der Pilot liefert die Grundlage für eine breite Rollout-Entscheidung.

  • Voice Agents für Sendungsstatus im deutschen E-Commerce

    Voice Agents für Sendungsstatus im deutschen E-Commerce

    E-Commerce-Unternehmen mit über 2.000 Mitarbeitern in Deutschland stehen vor einem strukturellen Problem: Die telefonische Erreichbarkeit für Sendungsstatusanfragen bindet einen erheblichen Teil der Support-Kapazitäten, während gleichzeitig die manuelle Erfassung von Retouren und die monatliche Berichterstattung im Back-Office Zeit kosten. Ein Voice Agent, der über eine REST-API direkt auf die Logistikdaten zugreift, kann diese Anfragen in Echtzeit beantworten. Die technische Umsetzung basiert auf einem fester Scope Pilot, der in 6 Monaten von der Prozessanalyse bis zur produktiven Nutzung führt. Der Agent wird über Webhooks mit dem ERP-System verbunden und nutzt pgvector für die semantische Suche in internen Dokumenten. Die Skalierung auf weitere Abteilungen erfolgt nach dem Pilot durch die Anbindung neuer Datenquellen.

    Technische Architektur und Integration

    Der Pilot beginnt mit einer Prozessanalyse, die die häufigsten Anrufgründe und die aktuellen Bearbeitungszeiten dokumentiert. Die technische Architektur besteht aus einem Speech-to-Text-Modell, einem Sprachverständnis-Modell und einem Text-to-Speech-Modell. Die Datenabfrage erfolgt über eine Custom REST API, die die Sendungsdaten vom Logistikpartner abruft. pgvector wird als Vektordatenbank eingesetzt, um interne Richtlinien und Produktinformationen semantisch zu durchsuchen. Die Integration in das bestehende ERP-System erfolgt über Webhooks, die bei jedem Anruf die aktuellen Daten abrufen. Der Pilot umfasst 8 bis 12 Wochen und endet mit einer gemessenen Baseline zu Zykluszeit und Fehlerquote.

    Skalierung über Abteilungen hinweg

    Nach dem Pilot wird der Voice Agent auf weitere Abteilungen skaliert. Die Infrastruktur bleibt unverändert, nur die Datenquellen und die Antwortlogik werden erweitert. Der Agent kann zusätzlich auf den Bereich Retouren, Produktinformationen oder Lagerbestände erweitert werden. Die monatliche Berichterstattung wird automatisiert, indem der Agent die Anzahl der Anrufe, die Bearbeitungszeit und die Fehlerquoten in ein Dashboard schreibt. Die Skalierung erfolgt in 2- bis 4-Wochen-Sprints, in denen jeweils eine neue Abteilung angebunden wird. Die menschliche Kontrolle bleibt erhalten: Komplexe Fälle werden an menschliche Mitarbeiter weitergeleitet, und jede Antwort, die Geld oder Verträge betrifft, wird manuell geprüft.

    Compliance und Datenschutz

    Die DSGVO erlaubt die Verarbeitung von Sprachdaten, wenn eine Rechtsgrundlage vorliegt und die Daten verschlüsselt übertragen werden. Der Voice Agent sollte nur die für die Statusabfrage notwendigen Daten verarbeiten und keine biometrischen Merkmale speichern. Eine Datenschutzerklärung muss die automatische Verarbeitung klar benennen. Die Daten werden auf Servern in Deutschland gehostet, um die Datenhoheit zu gewährleisten. Die Integration über REST-APIs und Webhooks stellt sicher, dass keine Daten in externe Cloud-Dienste abfließen, die nicht unter der DSGVO-Kontrolle des Unternehmens stehen. Die monatliche Berichterstattung dokumentiert die Datenflüsse und die Zugriffshäufigkeit.

    Kosten und Zeitrahmen

    Ein fester Scope Pilot für einen Voice Agent kostet typischerweise im mittleren fünfstelligen Bereich. Die Kosten umfassen die technische Umsetzung, die Integration der Logistik-API, das Training des Sprachmodells und die Testphase. Die laufenden Kosten bestehen aus der API-Nutzung für Speech-to-Text und Text-to-Speech sowie der Wartung der Infrastruktur. Die Skalierung auf weitere Abteilungen verursacht zusätzliche Kosten für die Anbindung neuer Datenquellen und die Anpassung der Antwortlogik. Die monatliche Berichterstattung zeigt die ROI-Entwicklung und die Einsparungen im Back-Office.