KI-gestützte Dokumentenextraktion für Professional Services in Österreich

Die Fehlerquote im Back Office als strukturelles Problem

In österreichischen Professional Services mit 51 bis 200 Mitarbeitern staut sich die Arbeit im Back Office. Rechnungen, Verträge und interne Dokumente werden manuell erfasst, was zu einer hohen Fehlerquote führt. Die betroffenen Rollen – Buchhaltung, HR und Recruiting – verbringen Stunden mit der manuellen Dateneingabe und der Suche nach Informationen in verstreuten Dateien. Die Folge: Verzögerungen in der Abrechnung, falsche Daten im ERP-System und eine geringe Produktivität der Fachkräfte. Die Zykluszeit für die Verarbeitung einer einzelnen Rechnung liegt oft bei über 15 Minuten, und die Fehlerquote bei der manuellen Erfassung beträgt im Schnitt 3 bis 5 Prozent. Diese Zahlen sind nicht nur ein Ärgernis, sondern ein direkter Kostenfaktor, der die Marge des Unternehmens drückt.

Warum generische KI-Tools und interne Projekte scheitern

Viele Unternehmen greifen zu generischen KI-Tools oder versuchen, die Automatisierung intern mit vorhandenen Ressourcen zu stemmen. Der Fehler liegt in der Annahme, dass ein off-the-shelf-Tool die spezifischen Prozesse des Unternehmens abbilden kann. Generische Tools kennen die Struktur der internen Dokumente nicht und liefern daher unzuverlässige Ergebnisse. Intern gesteuerte Projekte scheitern oft an der fehlenden Expertise im Umgang mit Vektordatenbanken und der Integration in bestehende Systeme wie Google Workspace. Zudem fehlt die klare Definition der KPIs, die eine erfolgreiche Automatisierung messbar machen. Ohne eine gemessene Baseline vor und nach der Implementierung bleibt unklar, ob die Investition sich lohnt.

Der Forfis-Ansatz: Model-agnostisch und messbar

Forfis setzt auf einen model-agnostischen Ansatz, der die spezifischen Anforderungen des Unternehmens berücksichtigt. Die Architektur nutzt pgvector für die Embeddings-Suche und integriert sich über APIs in bestehende Systeme wie Google Workspace, CRM und ERP. Für die Dokumentenextraktion werden Open-Weight-Modelle auf der eigenen Hardware des Kunden eingesetzt, wenn sensible Daten nicht das Gebäude verlassen dürfen. Für Aufgaben, bei denen die Qualität im Vordergrund steht, kommen APIs von OpenAI oder Anthropic zum Einsatz. Die Lieferung erfolgt als Managed AI Operations: Forfis plant, entwickelt und betreibt das System. Jeder Pilot liefert eine gemessene Baseline in Bezug auf Zykluszeit und Fehlerquote, die die Verbesserung quantifiziert.

In 2 Wochen zum messbaren Pilot

Der Start mit Forfis folgt einem klaren Prozess. Schritt 1: Prozess-Audit. Forfis identifiziert die Workflows, die sich am meisten lohnen, z. B. die Extraktion von Daten aus Rechnungen oder die interne Wissenssuche. Schritt 2: Pilot mit festem Umfang. In zwei Wochen wird ein einzelner Prozess automatisiert. Schritt 3: Messung der Baseline. Die Zykluszeit und die Fehlerquote werden vor und nach der Implementierung gemessen. Schritt 4: Rollout-Planung. Auf Basis der Pilot-Ergebnisse wird der Rollout auf weitere Bereiche geplant. Schritt 5: Managed Operation. Forfis übernimmt den Betrieb und die kontinuierliche Optimierung des Systems. Dieser Ansatz stellt sicher, dass die Investition sich amortisiert und die Fehlerquote im Back Office tatsächlich sinkt.