Ein \u00f6sterreichisches Medtech-Unternehmen mit 80 Mitarbeitern steht vor einem klassischen Skalierungsproblem: Das Umsatzwachstum \u00fcbersteigt die Kapazit\u00e4t des Back-Office-Teams. Die manuelle Rechnungspr\u00fcfung dauert im Schnitt 4,5 Minuten pro Dokument, die Fehlerrate liegt bei 3,2 %. Neue Einstellungen sind aufgrund der engen Personalbudgets und der langen Einarbeitungszeit im Gesundheitswesen nicht m\u00f6glich. Die L\u00f6sung ist keine ERP-Ersetzung, sondern eine schlanke KI-Middleware, die in den bestehenden Workflow eingreift. Der Fokus liegt auf einem einzigen Prozess: der Eingangsrechnungspr\u00fcfung. Ziel ist es, die Zykluszeit auf unter 30 Sekunden pro Rechnung zu senken und die Fehlerrate auf unter 0,5 % zu dr\u00fccken, ohne neue Mitarbeiter einzustellen. Die Architektur muss dabei die strengen Datenschutzanforderungen des Gesundheitswesens und die neuen Vorgaben des EU AI Act erf\u00fcllen.<\/p>\n
Die Kernkomponente ist ein LangGraph-Workflow, der als gerichteter Graph modelliert wird. Der Eingangsknoten empf\u00e4ngt PDF-Dateien \u00fcber einen Webhook von der E-Mail-Infrastruktur. Der erste Verarbeitungsknoten nutzt einen OCR-Dienst (z. B. Tesseract oder kommerzielle APIs wie Azure Document Intelligence) zur Extraktion von Feldern: Rechnungsnummer, Betrag, Steuersatz, Lieferant. Der zweite Knoten ist ein LLM-Call (z. B. GPT-4o oder Claude 3.5 Sonnet), der die extrahierten Daten mit den Bestelldaten im ERP abgleicht. LangGraph verwaltet den State des Workflows persistent. Wenn der LLM-Call fehlschl\u00e4gt, wird der Prozess nicht abgebrochen, sondern in einen \u2018Error-State\u2019 verschoben. Von dort aus wird die Rechnung an einen menschlichen Pr\u00fcfer weitergeleitet. Die Architektur ist model-agnostic: F\u00fcr die Klassifikation wird ein gro\u00dfes Modell verwendet, f\u00fcr die einfache Feldextraktion kann ein kleineres, g\u00fcnstigeres Modell auf eigener Hardware laufen, um sensible Daten nicht zu verlassen.<\/p>\n
Die Integration erfolgt \u00fcber Custom REST APIs und Webhooks. Das bestehende ERP (z. B. SAP Business One oder ein spezialisiertes Medtech-ERP) stellt eine REST-API f\u00fcr den Abruf von Bestelldaten bereit. Die KI-Engine ruft diese API auf, um die Plausibilit\u00e4t der Rechnung zu pr\u00fcfen. Die Ergebnisse werden als JSON an die ERP-API zur\u00fcckgesendet. F\u00fcr die Benachrichtigung des menschlichen Pr\u00fcfers wird ein Webhook an das interne Ticketing-System (z. B. Jira oder ein Custom-Tool) gesendet. Die Datenfl\u00fcsse sind strikt getrennt: Rohdaten (PDF) bleiben im Dateisystem, strukturierte Daten flie\u00dfen \u00fcber die APIs. F\u00fcr die Compliance mit dem EU AI Act wird ein Logging-Mechanismus implementiert, der jede KI-Entscheidung (Klassifikation, Plausibilit\u00e4tspr\u00fcfung) mit Zeitstempel und Modellversion protokolliert. Dies ist erforderlich, um die Nachvollziehbarkeit der automatisierten Entscheidungen zu gew\u00e4hrleisten, insbesondere wenn es um die Freigabe von Zahlungen geht.<\/p>\n
Die Wahl des LLM-Providers ist ein Kompromiss zwischen Qualit\u00e4t, Kosten und Datenschutz. GPT-4o bietet hohe Genauigkeit bei der Plausibilit\u00e4tspr\u00fcfung, aber die Daten verlassen das Unternehmen. F\u00fcr ein Medtech-Unternehmen in \u00d6sterreich ist dies bei reinen Rechnungsdaten (ohne Patientennamen) oft akzeptabel, sofern ein Data Processing Agreement (DPA) mit dem Anbieter vorliegt. Alternativ kann ein Open-Weight-Modell (z. B. Llama 3 70B) auf eigener Hardware laufen. Dies erh\u00f6ht die Latenz (ca. 5-10 Sekunden statt 1-3 Sekunden) und die Infrastrukturkosten, aber die Daten bleiben im Rechenzentrum. F\u00fcr den Piloten wird empfohlen, mit einem kommerziellen API-Provider zu starten, um die Genauigkeit zu validieren, und dann zu evaluieren, ob ein On-Premise-Modell f\u00fcr die Skalierung wirtschaftlich ist. Die Kosten pro Rechnung liegen bei ca. 0,01 EUR f\u00fcr die API-Nutzung, was bei 1.000 Rechnungen\/Monat 10 EUR betr\u00e4gt \u2013 vernachl\u00e4ssigbar im Vergleich zu den Personalkosten.<\/p>\n
F\u00fcr ein 80-Personen-Unternehmen in der Phase \u2018One Process Automated\u2019 ist die Empfehlung klar: Starte mit einem engen Scope. Automatisiere nur die Eingangsrechnungspr\u00fcfung f\u00fcr die Top-50 Lieferanten, die 80 % des Volumens ausmachen. Verwende LangGraph f\u00fcr die Zustandsverwaltung und eine kommerzielle LLM-API f\u00fcr die Plausibilit\u00e4tspr\u00fcfung. Integriere die L\u00f6sung \u00fcber REST-APIs in das bestehende ERP, ohne dieses zu ersetzen. Implementiere ein Logging-System f\u00fcr die EU AI Act-Compliance. Die Zeitlinie von 2 Wochen ist realistisch, wenn der Fokus auf der OCR-Extraktion und der LLM-Klassifikation liegt. Die manuelle Nachbearbeitung der Ausnahmen (ca. 10 %) bleibt beim bestehenden Team. Die Skalierung erfolgt durch horizontale Skalierung der API-Worker, nicht durch neue Einstellungen. Der ROI ist messbar: Senkung der Zykluszeit von 4,5 Minuten auf 30 Sekunden und der Fehlerrate von 3,2 % auf 0,5 %.<\/p>\n","protected":false},"excerpt":{"rendered":"
Wie ein 80-Personen-Medtech-Unternehmen in \u00d6sterreich mit LangGraph und LLMs die Rechnungspr\u00fcfung automatisiert. Technischer Deep Dive zu Architektur, EU AI Act und Skalierung.<\/p>\n","protected":false},"author":2,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"rank_math_title":"KI-gest\u00fctzte Rechnungspr\u00fcfung im Medtech: LangGraph, EU AI Act und Skalierung","rank_math_description":"Wie ein 80-Personen-Medtech-Unternehmen in \u00d6sterreich mit LangGraph und LLMs die Rechnungspr\u00fcfung automatisiert. Technischer Deep Dive zu Architektur, EU AI Act und Skalierung.","rank_math_focus_keyword":"reduce error rate in the back office invoice processing","_yoast_wpseo_title":"","_yoast_wpseo_metadesc":"","_yoast_wpseo_focuskw":"","pll_lang":"de","geo_jsonld":"{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@id\":\"https:\/\/blog.forfis.com\/blog\/ki-rechnungspruefung-medtech-langgraph-eu-ai-act\/#article\",\"@type\":\"Article\",\"author\":{\"@id\":\"https:\/\/blog.forfis.com#org\"},\"dateModified\":\"2026-10-05T23:50:40.757457183+00:00\",\"datePublished\":\"2026-10-05T23:50:40.757457183+00:00\",\"description\":\"Wie ein 80-Personen-Medtech-Unternehmen in \u00d6sterreich mit LangGraph und LLMs die Rechnungspr\u00fcfung automatisiert. Technischer Deep Dive zu Architektur, EU AI Act und Skalierung.\",\"headline\":\"KI-gest\u00fctzte Rechnungspr\u00fcfung im Medtech: LangGraph, EU AI Act und Skalierung\",\"inLanguage\":\"en\",\"keywords\":[\"One Process Automated\",\"LangChain and LangGraph\",\"Workflow Orchestration\",\"Operations and Supply Chain\",\"51-200\",\"EU AI Act\",\"Dedicated AI Team\",\"Healthcare and Medtech\",\"Custom REST API and Webhooks\",\"German\",\"Reduce Error Rate in the Back Office\",\"Austria\",\"2 weeks\",\"Invoice Processing\"],\"mainEntityOfPage\":\"https:\/\/blog.forfis.com\/blog\/ki-rechnungspruefung-medtech-langgraph-eu-ai-act\/\",\"publisher\":{\"@id\":\"https:\/\/blog.forfis.com#org\"}},{\"@id\":\"https:\/\/blog.forfis.com\/blog\/ki-rechnungspruefung-medtech-langgraph-eu-ai-act\/#faq\",\"@type\":\"FAQPage\",\"mainEntity\":[{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Der EU AI Act klassifiziert KI-Systeme in Risikoklassen. F\u00fcr die automatische Rechnungspr\u00fcfung in der Back-Office-Verwaltung handelt es sich um ein System mit minimalem Risiko, sofern keine biometrische Identifikation oder Hochrisiko-Entscheidungen (wie Kreditvergabe oder Personalentscheidungen) getroffen werden. Dennoch greifen Artikel 4 und 5: Die Organisation muss sicherstellen, dass die KI nicht zu diskriminierenden Ergebnissen f\u00fchrt und dass die Datenverarbeitung DSGVO-konform bleibt. Bei der Verarbeitung von Patientendaten (z. B. auf Rechnungen von Kliniken) gelten zus\u00e4tzlich die strengen Vorgaben der DSGVO f\u00fcr Gesundheitsdaten (Art. 9).\"},\"name\":\"Welche Pflichten des EU AI Act gelten f\u00fcr eine KI-gest\u00fctzte Rechnungspr\u00fcfung im Gesundheitswesen?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"LangGraph modelliert den Workflow als gerichteten Graphen mit Zust\u00e4nden. Jeder Knoten ist eine Funktion (z. B. 'OCR auslesen', 'Regeln pr\u00fcfen', 'LLM klassifizieren'). Kanten definieren die \u00dcberg\u00e4nge. Der Vorteil gegen\u00fcber reinen Prompt-Ketten: Der Zustand (State) wird persistent gespeichert. Wenn die API-Verbindung zum LLM abbricht, kann der Prozess exakt an der letzten erfolgreichen Stelle fortgesetzt werden. F\u00fcr die Rechnungspr\u00fcfung bedeutet das: Wenn die LLM-Aufrufe f\u00fcr die Klassifikation fehlschlagen, wird die Rechnung nicht verworfen, sondern in eine Warteschlange f\u00fcr die manuelle Nachbearbeitung geschoben, ohne dass der gesamte Batch verloren geht.\"},\"name\":\"Wie funktioniert die Zustandsverwaltung in LangGraph bei einem abgebrochenen LLM-Call?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Nein, die Integration ersetzt keine bestehende ERP- oder CRM-Software. Die KI-Engine agiert als Middleware. Sie empf\u00e4ngt die Rohdaten (PDF, E-Mail) \u00fcber Webhooks, verarbeitet sie und sendet die strukturierten Ergebnisse (JSON) an die REST-API des bestehenden Systems. Das ERP bleibt die Single Source of Truth f\u00fcr die Buchhaltung. Die KI reduziert nur den manuellen Aufwand der Datenerfassung und -pr\u00fcfung. Die finale Buchung erfolgt weiterhin im ERP, wobei die KI die Wahrscheinlichkeit von Fehlern durch Vorab-Pr\u00fcfung senkt.\"},\"name\":\"Ersetzt die KI-L\u00f6sung das bestehende ERP-System?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Die Latenz besteht aus drei Komponenten: 1. OCR-Extraktion (ca. 200-500 ms je nach Dokumentkomplexit\u00e4t), 2. LLM-Inferenz (ca. 1-3 Sekunden f\u00fcr die Klassifikation und Plausibilit\u00e4tspr\u00fcfung), 3. API-Roundtrip zum ERP (ca. 100-300 ms). In Summe liegt die End-to-End-Verarbeitung einer einzelnen Rechnung bei unter 5 Sekunden. Da die Verarbeitung asynchron \u00fcber Webhooks erfolgt, blockiert dies keine Benutzeroberfl\u00e4che. Der menschliche Pr\u00fcfer sieht die Rechnung erst, wenn die KI ihre Arbeit erledigt hat und eine Freigabe oder Korrektur ben\u00f6tigt.\"},\"name\":\"Wie hoch ist die Latenz der automatisierten Rechnungspr\u00fcfung?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Die Skalierung erfolgt horizontal. Da die Verarbeitung stateless ist (au\u00dfer dem persistenten State in LangGraph), k\u00f6nnen zus\u00e4tzliche Worker-Instanzen der API-Engine gestartet werden. Bei einer Steigerung von 500 auf 5.000 Rechnungen pro Tag wird die Anzahl der Container in der Kubernetes-Cluster-Umgebung (oder der Cloud-Instanzen) skaliert. Die Kosten steigen linear mit dem Volumen, da die LLM-Aufrufe pro Rechnung konstant bleiben. Es sind keine neuen Mitarbeiter f\u00fcr die Datenerfassung n\u00f6tig, da die KI 90 % der Routinef\u00e4lle automatisch abwickelt. Der menschliche Aufwand konzentriert sich auf die 10 % der Ausnahmen.\"},\"name\":\"Wie skaliert die L\u00f6sung bei steigendem Rechnungsvolumen?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Die 2-Wochen-Zeitlinie ist f\u00fcr den Piloten realistisch, wenn der Scope eng gefasst ist. Woche 1: Setup der Infrastruktur, Integration der Webhooks, Implementierung der OCR-Pipeline und der ersten LangGraph-Logik. Woche 2: Feintuning der LLM-Prompts, Testlauf mit historischen Daten, Messung der Baseline (Fehlerrate, Zykluszeit) und \u00dcbergabe an den Kunden. Wichtig: Es wird nur ein Prozess (Rechnungspr\u00fcfung) automatisiert, nicht das gesamte Back-Office. Die Zeit f\u00fcr Schulung und Dokumentation ist im Piloten enthalten, aber die volle Produktivsetzung mit allen Ausnahmef\u00e4llen erfolgt nach dem Piloten.\"},\"name\":\"Ist eine Implementierung in 2 Wochen realistisch?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Die Kosten setzen sich aus drei Teilen zusammen: 1. LLM-API-Kosten (z. B. GPT-4o oder Claude 3.5 Sonnet), ca. 0,005-0,02 EUR pro Rechnung je nach Token-L\u00e4nge. 2. Infrastrukturkosten (Server, OCR-Service), ca. 50-100 EUR\/Monat f\u00fcr den Piloten. 3. Dienstleistungskosten f\u00fcr die Implementierung. Bei 1.000 Rechnungen\/Monat liegen die variablen KI-Kosten bei ca. 50-200 EUR\/Monat. Der ROI entsteht durch die Einsparung von Personalkosten: Wenn eine Rechnung manuell 5 Minuten dauert und der Stundensatz 40 EUR betr\u00e4gt, spart die Automatisierung 3,33 EUR pro Rechnung. Bei 90 % Automatisierung ergibt das eine Einsparung von ca. 3 EUR pro Rechnung, was den variablen Kosten weit \u00fcbersteigt.\"},\"name\":\"Wie hoch sind die laufenden Kosten f\u00fcr die KI-gest\u00fctzte Rechnungspr\u00fcfung?\"}]},{\"@id\":\"https:\/\/blog.forfis.com\/blog\/ki-rechnungspruefung-medtech-langgraph-eu-ai-act\/#breadcrumbs\",\"@type\":\"BreadcrumbList\",\"itemListElement\":[{\"@type\":\"ListItem\",\"item\":\"https:\/\/blog.forfis.com\",\"name\":\"Home\",\"position\":1},{\"@type\":\"ListItem\",\"item\":\"https:\/\/blog.forfis.com\/blog\/\",\"name\":\"Blog\",\"position\":2},{\"@type\":\"ListItem\",\"item\":\"https:\/\/blog.forfis.com\/blog\/ki-rechnungspruefung-medtech-langgraph-eu-ai-act\/\",\"name\":\"KI-gest\u00fctzte Rechnungspr\u00fcfung im Medtech: LangGraph, EU AI Act und Skalierung\",\"position\":3}]},{\"@id\":\"https:\/\/blog.forfis.com#org\",\"@type\":\"Organization\",\"name\":\"Forfis\",\"url\":\"https:\/\/blog.forfis.com\"}]}","geo_content_hash":"2fbc864aad2a5498aea8ebd59d330145a8d2fbdf1c358e16f03107ee8b210705","footnotes":""},"categories":[45],"tags":[35,39,49],"class_list":["post-215","post","type-post","status-publish","format-standard","hentry","category-healthcare-and-medtech","tag-austria","tag-invoice-processing","tag-reduce-error-rate-in-the-back-office"],"_links":{"self":[{"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/posts\/215","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/comments?post=215"}],"version-history":[{"count":0,"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/posts\/215\/revisions"}],"wp:attachment":[{"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/media?parent=215"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/categories?post=215"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/tags?post=215"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}