KI-gestützte Dokumentenextraktion: Erstreaktionszeit im E-Commerce senken

Prozessanalyse und Zieldefinition für die Automatisierung

Ein österreichisches E-Commerce-Unternehmen mit 320 Mitarbeitern stand vor einem doppelten Problem: Die HR-Abteilung brauchte im Durchschnitt 48 Stunden, um eingehende Bewerbungen zu sichten und zu klassifizieren, während der Kundenservice eine Erstreaktionszeit von 6 Stunden aufwies. Beide Prozesse waren manuell und fehleranfällig. Die Lösung sollte nicht die bestehenden Systeme ersetzen, sondern sie durch eine KI-Schicht ergänzen. Der Fokus lag auf der Automatisierung der Dokumentenextraktion für Bewerbungen und der Beschleunigung der Ticket-Klassifizierung im Kundenservice. Die Architektur musste modell-agnostisch sein, um die Datenhoheit zu wahren und die Kosten zu kontrollieren. Die Integration erfolgte über die APIs von Microsoft Teams und dem bestehenden Helpdesk-System. Der Pilot umfasste einen Zeitraum von drei Monaten, mit einer klaren Definition der Metriken für Durchlaufzeit und Fehlerquote. Die menschliche Freigabe blieb standardmäßig aktiviert, um die Compliance mit dem EU AI Act zu gewährleisten.

Architektur der Dokumentenextraktionspipeline mit LangGraph

Die technische Umsetzung basierte auf LangChain und LangGraph. LangChain diente als Orchestrierungsschicht, die die LLM-Aufrufe, die Vektor-Datenbank und die Tool-Integrationen verband. LangGraph wurde für die zustandsbehafteten Workflows verwendet, die für die mehrstufige Prüfung der Lebensläufe nötig waren. Die Extraktionspipeline las die PDFs ein, nutzte ein OCR-Modell für die Texterkennung und wendete dann ein LLM an, um die Felder zu strukturieren. Die Daten wurden in ein JSON-Format überführt und über die API in das HR-System geschrieben. Für die Verarbeitung sensibler Daten, wie Gesundheitsangaben, lief das Modell auf der eigenen Hardware des Kunden. Die Freigabe erfolgte über ein Dashboard in Microsoft Teams, wo ein HR-Mitarbeiter die extrahierten Daten prüfte, bevor sie weiterverarbeitet wurden. Die Latenz der Benachrichtigungen lag unter 2 Sekunden, was für einen reibungslosen Betrieb wichtig war.

Reduktion der Erstreaktionszeit durch automatische Ticket-Klassifizierung

Die Reduktion der Erstreaktionszeit im Kundenservice erfolgte durch die automatische Klassifizierung der Tickets. Ein LLM las die eingehende Nachricht, identifizierte die Absicht und schlug eine Antwort vor oder leitete das Ticket an den richtigen Fachbereich weiter. Durch die Integration in Microsoft Teams wurde der Agent sofort benachrichtigt, ohne dass er das Helpdesk-System öffnen musste. In der Praxis sank die Zeit bis zur ersten Antwort von 6 Stunden auf unter 15 Minuten, da die Routineanfragen automatisch beantwortet oder priorisiert wurden. Die KI schlug keine endgültigen Antworten vor, sondern klassifizierte die Dringlichkeit und den Themenbereich. Der Mitarbeiter konnte direkt im Chat die vorgeschlagene Antwort anpassen oder ablehnen. Diese Integration erhöhte die Akzeptanz im Team, da die neue Technologie in den bestehenden Workflow eingebettet wurde, statt ein neues Tool zu erfordern. Die Fehlerquote bei der Klassifizierung lag nach drei Monaten bei 3,2 Prozent.

Compliance mit dem EU AI Act bei der Bewerberauswahl

Der EU AI Act klassifiziert KI-Systeme nach Risikostufe. Für die automatische Bewerberauswahl in Österreich gilt das System als Hochrisiko-KI, da es Auswirkungen auf den Zugang zu Beschäftigung hat. Unternehmen müssen daher eine Risikobewertung durchführen, technische Dokumentation vorlegen und die Transparenzpflichten gegenüber den Bewerbern erfüllen. Die technische Dokumentation musste die Logik der Klassifizierung nachvollziehbar machen, um die Nachvollziehbarkeit zu gewährleisten. Die Daten wurden in der EU gespeichert, und es gab ein Löschkonzept, das die Aufbewahrungsfrist von 6 Monaten nach dem Auswahlprozess vorsah. Bei der Dokumentenextraktion war sicherzustellen, dass keine biometrischen Merkmale extrahiert wurden, da dies unter die strengeren Regeln für Hochrisiko-KI fällt. Die menschliche Freigabe war standardmäßig aktiviert, um die Transparenzpflichten zu erfüllen und das Risiko von Fehlentscheidungen zu reduzieren.

Messung des Erfolgs und Skalierung auf weitere Prozesse

Die Messung erfolgte über zwei Kernmetriken: Durchlaufzeit und Fehlerquote. Die Durchlaufzeit maß, wie lange es von der Eingabe des Dokuments bis zur Freigabe dauerte. Die Fehlerquote maß, wie oft die extrahierten Daten korrigiert werden mussten. Vor dem Piloten wurde eine Baseline über zwei Wochen gemessen, um den manuellen Zustand zu dokumentieren. Die Durchlaufzeit lag bei 48 Stunden, die Fehlerquote bei 12 Prozent. Nach dem Piloten wurde die gleiche Metrik für die KI-gestützte Pipeline gemessen. Die Durchlaufzeit sank auf 4 Stunden, die Fehlerquote auf 3,2 Prozent. Der Vergleich zeigte, dass die Automatisierung die Ziele deutlich übertraf. Die Skalierung auf weitere Prozesse, wie die Rechnungsverarbeitung, war damit wirtschaftlich gerechtfertigt. Die laufenden Betriebskosten lagen bei 1 200 Euro pro Monat, was die Einsparungen durch die reduzierte Arbeitszeit deutlich überstieg.