Hinweis zur Quellenlage
Dieser Fallbericht ist ein Komposit aus Mustern, die Forfis in der Zusammenarbeit mit mehreren Unternehmen im Gesundheitswesen und Medtech-Bereich beobachtet hat. Wir nennen keine realen Firmennamen, um die Vertraulichkeit unserer Kunden zu wahren. Die beschriebenen Metriken und Prozesse basieren auf typischen Engagements, die wir in den letzten zwei Jahren durchgeführt haben. Die Zahlen sind realistisch, aber nicht auf einen einzigen Kunden bezogen. Sie dienen als Orientierung für Teams, die ähnliche Herausforderungen in der Dokumentenverarbeitung und im Kundensupport bewältigen müssen.
Hintergrund: MediTech Solutions
Die fiktive Firma „MediTech Solutions“ (MTS) ist ein mittelständisches Unternehmen mit 1.200 Mitarbeitern, spezialisiert auf die Entwicklung von Diagnostik-Software für Krankenhäuser. Der Hauptsitz befindet sich in München, mit weiteren Standorten in Berlin und Hamburg. MTS befindet sich in einer Wachstumsphase: Der Umsatz ist in den letzten drei Jahren um 40 % gestiegen, aber die Back-Office-Kapazitäten haben nicht mitgehalten. Die IT-Landschaft besteht aus einem Salesforce-CRM, einem SAP-ERP und einem internen Ticketing-System (Jira Service Management). Die Dokumentenflüsse – von der Anfrage über die Vertragsprüfung bis zur Rechnungsstellung – laufen über E-Mail und manuelle Datenerfassung. Die IT-Abteilung hat 15 FTE, die überwiegend mit Wartung und Support beschäftigt sind. Es gibt keine dedizierte AI-Strategie, aber ein starkes Interesse an Effizienzsteigerungen, um die Skalierung zu finanzieren.
Herausforderung: Manuelle Datenerfassung als Flaschenhals
Der Kern des Problems lag in der manuellen Datenerfassung im Kundensupport. Wenn ein Kunde eine Anfrage stellte, mussten Support-Mitarbeiter die relevanten Daten aus E-Mails, PDFs und dem CRM manuell in das Ticketing-System übertragen. Dieser Prozess dauerte im Durchschnitt 45 Minuten pro Fall. Die Fehlerquote lag bei 12 %, was zu Nachfragen und verzögerten Bearbeitungszeiten führte. Zusätzlich gab es einen Compliance-Druck: Die DSGVO verlangt eine lückenlose Dokumentation der Datenverarbeitung, die bei manuellem Handling schwer zu garantieren ist. Der Vorstand hatte eine Deadline gesetzt: Bis zum Ende des Quartals sollte die Durchlaufzeit für Support-Tickets um mindestens 30 % reduziert werden, ohne zusätzliche Personalstellen zu schaffen. Die IT-Abteilung war überlastet und konnte keine eigene AI-Entwicklung stemmen.
Ansatz: Prozess-Audit und n8n-Orchestrierung
Forfis startete mit einem 3-wöchigen Prozess-Audit. Wir kartierten alle Workflows im Support und identifizierten die drei kritischsten Engpässe: die Extraktion von Patientendaten aus Arztbriefen, die Kategorisierung von Support-Tickets und die Übertragung von Rechnungsdaten ins ERP. Die Roadmap priorisierte die Dokumenten-Extraktion als Piloten, da sie den größten Zeitvorteil bot. Die Architektur basierte auf n8n als Orchestrierungsschicht. n8n empfing Webhooks aus dem Jira-Ticketing-System, triggerte ein Open-Weight-Modell (Llama 3 70B) auf der eigenen Hardware von MTS für die Textextraktion und schrieb die bereinigten Daten zurück in das CRM. Für die Ticket-Kategorisierung nutzten wir die Anthropic-API (Claude 3 Opus), da die Nuancen der Kundenanfragen hohe Genauigkeit erforderten. Die Integration erfolgte über die bestehenden REST-APIs von Salesforce und Jira. Ein dediziertes Forfis-Team aus zwei Engineers und einem Product Manager arbeitete direkt mit dem MTS-Team zusammen. Der Human-in-the-Loop-Ansatz war fest verankert: Alle extrahierten Daten, die Gesundheitsdaten betrafen, wurden einem Mitarbeiter zur Freigabe vorgelegt, bevor sie in das ERP übernommen wurden.
Ergebnis: 60 % schnellere Dokumentenbearbeitung
Nach 12 Wochen war der Pilot live. Die Durchlaufzeit für die Dokumentenverarbeitung sank von 45 auf 18 Minuten pro Fall – eine Reduktion von 60 %. Die Fehlerquote bei der Datenerfassung fiel von 12 % auf 3,5 %. Die Support-Mitarbeiter konnten sich auf die eigentliche Kundenkommunikation konzentrieren, statt auf Dateneingabe. Die Compliance-Abteilung bestätigte, dass die Dokumentation der Datenflüsse durch die n8n-Logs deutlich transparenter geworden war. Die ROI-Berechnung zeigte eine Amortisation der Investition innerhalb von 14 Monaten. Die Skalierung auf weitere Prozesse, wie die automatische Rechnungsprüfung, wurde für das nächste Quartal geplant. Das MTS-Team schätzte, dass die Lösung die Kapazität des Supports um 25 % erhöht, ohne dass neue Stellen geschaffen werden mussten. Die Zufriedenheit der Kunden stieg messbar, da die Antwortzeiten auf Anfragen um 40 % schneller wurden.
Lektionen für ähnliche Teams
Erstens: Starte mit einem engen, messbaren Piloten. Versuche nicht, alle Prozesse gleichzeitig zu automatisieren. Ein einzelner Workflow mit klaren Metriken (Durchlaufzeit, Fehlerquote) liefert schneller Vertrauen und Daten für die Skalierung. Zweitens: Die Modell-Agnostik ist kein Luxus, sondern eine Notwendigkeit. Für regulierte Daten (Gesundheitsdaten) ist ein lokales Modell oft die einzige Option. Für komplexe Sprachaufgaben ist ein großes kommerzielles Modell oft besser. Die Architektur muss beide Szenarien unterstützen. Drittens: Human-in-the-Loop ist kein Kompromiss, sondern ein Feature. Erhöht die Akzeptanz bei den Mitarbeitern und reduziert das Risiko von Fehlklassifikationen. Viertens: Die Integration über bestehende APIs ist entscheidend. Ein neues System, das die alten ersetzt, scheitert oft an der Akzeptanz. Eine Schicht, die die alten Systeme verbindet, wird schneller akzeptiert. Fünftens: Dokumentiere jeden Schritt. Bei der DSGVO ist die Nachvollziehbarkeit der Datenflüsse so wichtig wie die Genauigkeit der AI.
Leave a Reply