RAG-System für Rechnungsprüfung im E-Commerce: 3-Monats-Plan

Das Problem: Manuelle Rechnungsprüfung und verzögerte Berichterstattung

Ihr E-Commerce-Unternehmen in Österreich (51–200 Mitarbeiter) verarbeitet monatlich 500–2 000 Rechnungen. Die manuelle Prüfung dauert im Schnitt 6 Minuten pro Rechnung. Das ergibt 50–200 Stunden manueller Aufwand pro Monat. Die Fehlerquote liegt bei 3–5 % (falsche Kontierung, verpasste Rabatte, doppelte Buchungen). Die monatliche Berichterstattung (Umsatz, Margen, Lagerbestand) wird manuell aus dem ERP und dem CRM zusammengetragen. Das dauert 8–12 Stunden pro Monat. Die Daten sind verstreut, die Aktualität ist gering, die Fehlerquote ist hoch. Das Ziel ist ein RAG-System, das die Rechnungsprüfung automatisiert und die monatliche Berichterstattung in Echtzeit bereitstellt. Das System soll in Slack oder Microsoft Teams integriert sein, damit die Mitarbeiter die Ergebnisse direkt in ihrem Arbeitsumfeld sehen. Die Implementierung soll in 3 Monaten abgeschlossen sein.

Voraussetzungen: Was Sie vor dem Start brauchen

• ERP-Zugriff: API-Zugang zum ERP-System (z. B. SAP, Microsoft Dynamics, oder ein E-Commerce-ERP wie Shopware oder WooCommerce). Die API muss die Rechnungsdaten (Betrag, Lieferant, Artikel, Kontierung) liefern können.
• CRM-Zugriff: API-Zugang zum CRM-System (z. B. Salesforce, HubSpot, oder ein E-Commerce-CRM wie Klaviyo). Die API muss die Kundendaten und die Bestellhistorie liefern können.
• Slack- oder Teams-Integration: Ein Slack- oder Microsoft-Teams-Account mit API-Zugang. Die Integration soll die Ergebnisse des RAG-Systems in einem dedizierten Channel anzeigen.
• Vektor-Datenbank: Ein Vektor-Datenbank-Cluster (z. B. Qdrant, Weaviate, oder Milvus). Die Datenbank soll auf der eigenen Hardware oder in einer Cloud-Region in Österreich (z. B. AWS eu-central-1, Azure West Europe) betrieben werden.
• LLM-API-Zugang: Ein API-Zugang zu einem LLM-Anbieter (z. B. OpenAI, Anthropic, oder ein Open-Weight-Modell auf eigener Hardware). Die API soll die Rechnungsdaten klassifizieren und die Kontierungsvorschläge generieren.
• Dediziertes AI-Team: Ein Team aus drei Personen (AI-Engineer, Data Engineer, Product Owner), das für die gesamte 3-Monats-Zeitraum verfügbar ist.

Schritte: Implementierung des RAG-Systems in 3 Monaten

1. Prozess-Audit durchführen. Dokumentieren Sie den aktuellen Rechnungsprüfungsprozess. Messen Sie die Durchlaufzeit (von der Rechnungseingang bis zur Buchungsfreigabe) und die Fehlerquote. Erstellen Sie eine Liste der häufigsten Fehler (z. B. falsche Kontierung, verpasste Rabatte, doppelte Buchungen). Das Audit dauert 1–2 Wochen. Das Ergebnis ist eine Baseline, die Sie nach der Implementierung vergleichen können.

2. Datenpipeline aufbauen. Erstellen Sie eine Datenpipeline, die die Rechnungsdaten aus dem ERP und dem CRM in die Vektor-Datenbank lädt. Die Pipeline soll die Daten in einem strukturierten Format (z. B. JSON) speichern. Die Pipeline soll täglich um 02:00 Uhr laufen. Die Datenqualität muss geprüft werden (z. B. fehlende Felder, doppelte Einträge). Die Pipeline dauert 2–3 Wochen.

3. RAG-System implementieren. Implementieren Sie das RAG-System auf Basis von LangChain und LangGraph. Das System soll die Rechnungsdaten in die Vektor-Datenbank laden und die Kontierungsvorschläge generieren. Das System soll die Konfidenz der Extraktion messen. Wenn die Konfidenz unter 90 % fällt, soll das System die Rechnung an einen menschlichen Prüfer in Slack eskalieren. Die Implementierung dauert 4–6 Wochen.

4. Slack- oder Teams-Integration aufbauen. Integrieren Sie das RAG-System in Slack oder Microsoft Teams. Das System soll die Ergebnisse in einem dedizierten Channel anzeigen. Die Mitarbeiter sollen die Ergebnisse direkt in ihrem Arbeitsumfeld sehen. Die Integration soll die Eskalationen an die richtigen Personen weiterleiten. Die Integration dauert 1–2 Wochen.

5. Piloten durchführen. Führen Sie einen Piloten mit 50–100 Rechnungen durch. Messen Sie die Durchlaufzeit und die Fehlerquote. Vergleichen Sie die Ergebnisse mit der Baseline aus dem Prozess-Audit. Der Pilot dauert 2–3 Wochen. Das Ergebnis ist eine Entscheidung, ob das System in den Produktivbetrieb geht.

6. Rollout durchführen. Führen Sie den Rollout auf alle Rechnungen durch. Das System soll die Rechnungsprüfung automatisieren. Die Mitarbeiter sollen die Ergebnisse in Slack oder Microsoft Teams sehen. Der Rollout dauert 1–2 Wochen. Das Ergebnis ist eine vollständige Automatisierung der Rechnungsprüfung.

7. Monatliche Berichterstattung automatisieren. Automatisieren Sie die monatliche Berichterstattung (Umsatz, Margen, Lagerbestand). Das System soll die Daten aus dem ERP und dem CRM aggregieren und die Berichte in Echtzeit bereitstellen. Die Berichterstattung soll in Slack oder Microsoft Teams angezeigt werden. Die Automatisierung dauert 2–3 Wochen. Das Ergebnis ist eine Echtzeit-Berichterstattung.

Häufige Stolperfallen und wie Sie sie erkennen

• Falsche Kontierung durch das LLM. Das LLM klassifiziert die Rechnung falsch (z. B. als „Wareneingang“ statt „Dienstleistung“). Sie erkennen das, wenn die Kontierungsvorschläge in Slack nicht mit den internen Kontierungsregeln übereinstimmen. Die Lösung ist eine Feinabstimmung des Prompts und eine Erhöhung der Konfidenz-Schwelle.
• Datenqualität im ERP. Die Rechnungsdaten im ERP sind unvollständig oder fehlerhaft (z. B. fehlende Artikelnummern, doppelte Einträge). Sie erkennen das, wenn die Datenpipeline Fehler meldet oder wenn die Vektor-Datenbank leere Einträge enthält. Die Lösung ist eine Datenbereinigung im ERP und eine Validierung in der Datenpipeline.
• Eskalationen werden nicht bearbeitet. Die Eskalationen in Slack werden von den Mitarbeitern nicht bearbeitet. Sie erkennen das, wenn die Durchlaufzeit der eskalierten Rechnungen länger ist als die der manuellen Prüfung. Die Lösung ist eine klare Zuständigkeitsregel und eine Benachrichtigung an die Vorgesetzten, wenn eine Eskalation länger als 24 Stunden nicht bearbeitet wird.
• Vektor-Datenbank ist überlastet. Die Vektor-Datenbank ist überlastet und die Abfragen dauern länger als 5 Sekunden. Sie erkennen das, wenn die Latenz der RAG-Abfragen in den Logs steigt. Die Lösung ist eine Skalierung der Vektor-Datenbank (z. B. mehr Replikate, schnellere Hardware) oder eine Optimierung der Embedding-Modelle.
• Slack- oder Teams-Integration bricht ab. Die Slack- oder Teams-Integration bricht ab und die Ergebnisse werden nicht angezeigt. Sie erkennen das, wenn die Mitarbeiter in Slack keine Nachrichten vom RAG-System erhalten. Die Lösung ist eine Überwachung der API-Aufrufe und eine automatische Wiederherstellung der Verbindung.

Fazit: Vom Piloten zum Produktivbetrieb

Die Implementierung des RAG-Systems für die Rechnungsprüfung ist in 3 Monaten abgeschlossen. Die Durchlaufzeit der Rechnungsprüfung sinkt von 6 Minuten auf 1,5 Minuten. Die Fehlerquote sinkt von 3–5 % auf 0,5–1 %. Die monatliche Berichterstattung wird in Echtzeit bereitgestellt. Die Mitarbeiter sehen die Ergebnisse in Slack oder Microsoft Teams. Der nächste logische Schritt ist die Automatisierung weiterer Prozesse (z. B. die Kundenkommunikation, die Lagerverwaltung). Das RAG-System kann als Basis für diese Prozesse dienen. Die Datenpipeline und die Vektor-Datenbank sind bereits vorhanden. Die Integration in Slack oder Microsoft Teams ist bereits aufgebaut. Die nächsten Use Cases können in 4–6 Wochen implementiert werden.