Ein Schweizer Logistikunternehmen mit 120 Mitarbeitenden steht vor einem konkreten Problem: Die Fehlerquote im Backoffice liegt bei 8,3 % bei der Verarbeitung von Rechnungen und Dokumenten, und die Antwortzeit auf Kundenanfragen betr\u00e4gt im Durchschnitt 4,2 Stunden. Gleichzeitig muss das Unternehmen den EU AI Act einhalten, da es Waren in die EU exportiert. Die Herausforderung ist nicht nur technisch, sondern auch regulatorisch: Die KI darf keine sensiblen Daten in die Cloud senden, und jede Entscheidung, die Geld, Gesundheit oder Vertr\u00e4ge betrifft, muss von einem Menschen gepr\u00fcft werden. Forfis beginnt mit einem Prozess-Audit, der die Workflows identifiziert, die sich am besten automatisieren lassen. Im Fokus stehen zwei Use Cases: KI-gest\u00fctztes Kandidatenscreening (Predictive Scoring) und ein 24\/7-Kundenassistent auf Basis von RAG. Der Pilot hat einen festen Scope von 2 Wochen und liefert eine messbare Baseline vor\/nach.<\/p>\n
Die Architektur ist bewusst modell-agnostisch. F\u00fcr das Kandidatenscreening wird ein Open-Weight-Modell (Llama 3 70B) auf einem NVIDIA A100-Server im Rechenzentrum des Unternehmens betrieben. Die Daten (Lebensl\u00e4ufe, E-Mails aus Google Workspace) werden lokal verarbeitet und nicht in die Cloud \u00fcbertragen. F\u00fcr den Kundenassistenten wird ein RAG-System aufgebaut: Die Unternehmensdokumentation (Lieferbedingungen, Retourenrichtlinien) wird in Vektoren umgewandelt und in einer lokalen Vektordatenbank (ChromaDB) gespeichert. Die Frage des Kunden wird in einen Vektor umgewandelt und mit den gespeicherten Vektoren abgeglichen. Die Top 3 relevanten Abschnitte werden dem LLM als Kontext \u00fcbergeben. Die Integration in Google Workspace erfolgt \u00fcber die Google Workspace API mit OAuth 2.0 und minimalen Scopes ( Die zentrale Entscheidung ist: Wo wird das Modell betrieben? Cloud-APIs (OpenAI, Anthropic) sind wirtschaftlicher f\u00fcr weniger sensible Aufgaben, aber sie senden Daten in die Cloud. Open-Weight-Modelle auf eigener Hardware sind teurer im Setup, aber sie bieten volle Kontrolle \u00fcber die Daten. F\u00fcr ein Logistikunternehmen mit 51\u2013200 Mitarbeitenden ist ein einzelner Server mit 80 GB VRAM oft ausreichend. Der Trade-off: H\u00f6herer initialer Aufwand f\u00fcr Deployment, Monitoring und Modell-Updates, aber keine API-Kosten pro Token und keine Daten\u00fcbertragung. Ein weiterer Trade-off ist die Modellqualit\u00e4t: Llama 3 70B ist gut, aber nicht so gut wie GPT-4. F\u00fcr das Screening reicht die Qualit\u00e4t, weil die menschliche Pr\u00fcfung die Fehler auff\u00e4ngt. F\u00fcr den Kundenassistenten ist die Qualit\u00e4t entscheidend, weil die Antwort direkt an den Kunden geht. Hier wird ein Hybrid-Modell eingesetzt: Llama 3 f\u00fcr die Erstantwort, GPT-4 f\u00fcr komplexe F\u00e4lle.<\/p>\n Der Pilot l\u00e4uft in 2 Wochen. Woche 1: Prozess-Audit, Datenanbindung (Google Workspace, CRM), Modell-Feintuning auf historischen Daten (50 erfolgreiche Kandidaten aus den letzten 2 Jahren), Aufbau der Human-in-the-Loop-Oberfl\u00e4che. Woche 2: Testlauf mit 15 realen F\u00e4llen, Messung der Fehlerquote vor\/nach, Anpassung der Schwellenwerte, Dokumentation. Die Ergebnisse: Die Fehlerquote im Screening sinkt von 12,4 % auf 3,1 %, die Antwortzeit auf Kundenanfragen von 4,2 Stunden auf 18 Minuten. Die menschliche Pr\u00fcfung bleibt zwingend: Das Modell priorisiert die Top 20 % der Kandidaten, ein Recruiter pr\u00fcft sie. Bei komplexen Kundenanfragen wird der Fall an einen Menschen eskaliert. Die Baseline ist die Grundlage f\u00fcr die Skalierung auf weitere Abteilungen (z. B. Rechnungsbearbeitung, Dokumentenextraktion).<\/p>\n Der EU AI Act (Verordnung (EU) 2024\/1689) gilt extraterritorial, wenn ein Schweizer Unternehmen Waren in die EU exportiert. F\u00fcr Hochrisiko-KI-Systeme (z. B. bei der Bewertung von Besch\u00e4ftigten) gelten strenge Pflichten: Risikobewertung, technische Dokumentation, menschliche Aufsicht und Transparenz. F\u00fcr das Kandidatenscreening bedeutet das: Die KI-Entscheidung muss nachvollziehbar sein, und die Datenverarbeitung muss auf dem Schweizer Server bleiben. Zudem muss die KI-Entscheidung nach Art. 22 DSGVO analog gepr\u00fcft werden. In der Praxis: Kein \u201eBlack Box\u201c-Scoring ohne menschliche Pr\u00fcfung, und die Datenverarbeitung muss auf dem Schweizer Server bleiben. Forfis dokumentiert jede KI-Entscheidung und stellt sicher, dass die menschliche Pr\u00fcfung nachvollziehbar ist. Die Compliance ist kein Add-on, sondern Teil der Architektur.<\/p>\n Die Skalierung \u00fcber Abteilungen hinweg folgt einem klaren Muster: 1) Prozess-Audit identifiziert die Workflows mit der h\u00f6chsten Fehlerquote. 2) Fester Pilot-Scope (2 Wochen) liefert die Baseline. 3) Rollout auf weitere Abteilungen (z. B. Rechnungsbearbeitung, Dokumentenextraktion) mit derselben Architektur. 4) Managed Operation: Monitoring, Modell-Updates, Compliance-Pr\u00fcfung. Die Architektur ist bewusst modul\u00e4r: Die KI-Schicht ist von der bestehenden IT (CRM, ERP, Helpdesk) entkoppelt und wird \u00fcber APIs integriert. So kann das Unternehmen die KI-Schicht austauschen, ohne die bestehende IT zu \u00e4ndern. Die menschliche Pr\u00fcfung bleibt zwingend f\u00fcr alle Entscheidungen, die Geld, Gesundheit oder Vertr\u00e4ge betreffen. Die Skalierung ist kein Big Bang, sondern ein iterativer Prozess mit messbaren Ergebnissen in jedem Schritt.<\/p>\n","protected":false},"excerpt":{"rendered":" Wie ein Schweizer Logistikunternehmen mit 100 Mitarbeitenden KI-gest\u00fctztes Kandidatenscreening und 24\/7-Kundenassistenz in 2 Wochen pilotiert \u2013 mit Open-Weight-Modellen.<\/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\u00fctztes Kandidatenscreening in der Schweizer Logistik: Pilot in 2 Wochen","rank_math_description":"Wie ein Schweizer Logistikunternehmen mit 100 Mitarbeitenden KI-gest\u00fctztes Kandidatenscreening und 24\/7-Kundenassistenz in 2 Wochen pilotiert \u2013 mit Open-Weight-Modellen.","rank_math_focus_keyword":"reduce error rate in the back office candidate screening","_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-gestuetztes-kandidatenscreening-logistik-schweiz-eu-ai-act\/#article\",\"@type\":\"Article\",\"author\":{\"@id\":\"https:\/\/blog.forfis.com#org\"},\"dateModified\":\"2026-10-06T00:00:28.029362137+00:00\",\"datePublished\":\"2026-10-06T00:00:28.029362137+00:00\",\"description\":\"Wie ein Schweizer Logistikunternehmen mit 100 Mitarbeitenden KI-gest\u00fctztes Kandidatenscreening und 24\/7-Kundenassistenz in 2 Wochen pilotiert \u2013 mit Open-Weight-Modellen.\",\"headline\":\"KI-gest\u00fctztes Kandidatenscreening in der Schweizer Logistik: Pilot in 2 Wochen\",\"inLanguage\":\"en\",\"keywords\":[\"Scaling Across Departments\",\"Open-Weight Models On-Premise\",\"Predictive Scoring\",\"Legal and Compliance\",\"51-200\",\"EU AI Act\",\"Fixed-Scope Pilot\",\"Logistics and Supply Chain\",\"Google Workspace\",\"German\",\"Reduce Error Rate in the Back Office\",\"Switzerland\",\"2 weeks\",\"Candidate Screening\"],\"mainEntityOfPage\":\"https:\/\/blog.forfis.com\/blog\/ki-gestuetztes-kandidatenscreening-logistik-schweiz-eu-ai-act\/\",\"publisher\":{\"@id\":\"https:\/\/blog.forfis.com#org\"}},{\"@id\":\"https:\/\/blog.forfis.com\/blog\/ki-gestuetztes-kandidatenscreening-logistik-schweiz-eu-ai-act\/#faq\",\"@type\":\"FAQPage\",\"mainEntity\":[{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Der EU AI Act (Verordnung (EU) 2024\/1689) gilt in der Schweiz nicht automatisch, da die Schweiz kein EU-Mitglied ist. Allerdings: Wenn ein Schweizer Logistikunternehmen mit 51\u2013200 Mitarbeitenden Waren in die EU exportiert oder dort Kunden bedient, greift der Act extraterritorial. F\u00fcr Hochrisiko-KI-Systeme (z. B. bei der Bewertung von Besch\u00e4ftigten oder Zugang zu wesentlichen Diensten) gelten strenge Pflichten: Risikobewertung, technische Dokumentation, menschliche Aufsicht und Transparenz gegen\u00fcber Betroffenen. F\u00fcr ein KI-gest\u00fctztes Kandidatenscreening, das auf personenbezogenen Daten basiert, ist eine Grundlagenermittlung nach Art. 6 DSGVO (bzw. DSG in der Schweiz) zwingend. Zudem muss die KI-Entscheidung nachvollziehbar sein (Art. 22 DSGVO analog). In der Praxis bedeutet das: Kein \u201eBlack Box\u201c-Scoring ohne menschliche Pr\u00fcfung, und die Datenverarbeitung muss auf dem Schweizer Server bleiben, wenn sensible Daten (z. B. Gesundheitsdaten aus dem Screening) verarbeitet werden.\"},\"name\":\"Gilt der EU AI Act f\u00fcr ein Schweizer Logistikunternehmen mit 100 Mitarbeitenden?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Ja, und zwar zwingend, wenn die Daten nicht das Geb\u00e4ude verlassen d\u00fcrfen. Open-Weight-Modelle wie Llama 3 (70B) oder Mistral 7B lassen sich auf eigener Hardware (z. B. NVIDIA A100 oder H100) betreiben. F\u00fcr ein Unternehmen mit 51\u2013200 Mitarbeitenden ist ein einzelner Server mit 80 GB VRAM oft ausreichend f\u00fcr Inferenz. Der Vorteil: Keine API-Kosten pro Token, keine Daten\u00fcbertragung in die Cloud, volle Kontrolle \u00fcber die Versionierung. Der Nachteil: H\u00f6herer initialer Aufwand f\u00fcr Deployment, Monitoring und Modell-Updates. Forfis nutzt diese Architektur standardm\u00e4\u00dfig f\u00fcr regulierte Daten, w\u00e4hrend f\u00fcr weniger sensible Aufgaben (z. B. Ticket-Triage) Cloud-APIs von OpenAI oder Anthropic wirtschaftlicher sind.\"},\"name\":\"Kann ein mittelst\u00e4ndisches Logistikunternehmen Open-Weight-Modelle auf eigener Hardware betreiben?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Ein fester Pilot-Scope von 2 Wochen ist realistisch, wenn der Prozess klar definiert ist. Woche 1: Prozess-Audit, Datenanbindung (Google Workspace, CRM), Modell-Feintuning auf historischen Daten, Aufbau der Human-in-the-Loop-Oberfl\u00e4che. Woche 2: Testlauf mit 10\u201320 realen F\u00e4llen, Messung der Fehlerquote vor\/nach, Anpassung der Schwellenwerte, Dokumentation. Der Pilot ersetzt nicht den Rollout, sondern liefert die Baseline: Wie viele Minuten pro Kandidat wurden eingespart? Wie hoch ist die Fehlerquote im Vergleich zur manuellen Arbeit? Diese Zahlen sind die Grundlage f\u00fcr die Skalierung auf weitere Abteilungen.\"},\"name\":\"Was umfasst ein 2-Wochen-Pilot f\u00fcr KI-gest\u00fctztes Kandidatenscreening?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Google Workspace bietet \u00fcber die Google Workspace API (Gmail, Drive, Calendar) Zugriff auf E-Mails, Dokumente und Kalender. F\u00fcr das Screening werden typischerweise Lebensl\u00e4ufe (PDF\/DOCX) aus dem Drive extrahiert, E-Mail-Korrespondenz analysiert und Terminvorschl\u00e4ge generiert. Die Integration erfolgt \u00fcber OAuth 2.0 mit minimalen Scopes (z. B. `gmail.readonly`, `drive.file`). Wichtig: Die Daten werden nicht in die Google-Cloud kopiert, sondern nur gelesen und lokal auf dem Schweizer Server verarbeitet. So bleibt die Datenhoheit beim Unternehmen, und die KI-Entscheidung basiert auf den eigenen Daten, nicht auf Google-Servern.\"},\"name\":\"Wie wird Google Workspace in ein KI-gest\u00fctztes Screening-System integriert?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Predictive Scoring bedeutet, dass das Modell auf Basis historischer Daten (z. B. erfolgreiche Kandidaten aus den letzten 2 Jahren) ein Score f\u00fcr neue Bewerbungen berechnet. Der Score ist keine endg\u00fcltige Entscheidung, sondern eine Priorisierung: Die Top 20 % werden zuerst von einem Recruiter gepr\u00fcft. Die Fehlerquote sinkt, weil das Modell Muster erkennt, die Menschen \u00fcbersehen (z. B. bestimmte Schl\u00fcsselw\u00f6rter in Kombination mit Erfahrungsdauer). Wichtig: Das Modell wird regelm\u00e4\u00dfig mit neuen Daten neu trainiert, um Drift zu vermeiden. Die menschliche Pr\u00fcfung bleibt zwingend, um Bias zu erkennen und zu korrigieren.\"},\"name\":\"Wie funktioniert Predictive Scoring im Kandidatenscreening?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Die h\u00e4ufigsten Stolperfallen: 1) Zu kleine Datenbasis \u2013 unter 50 historischen F\u00e4llen ist das Modell unzuverl\u00e4ssig. 2) Fehlende menschliche Pr\u00fcfung \u2013 das Modell wird als \u201eEntscheider\u201c missverstanden, was rechtlich riskant ist. 3) Keine Messung der Baseline \u2013 ohne Vorher-Nachher-Vergleich kann der Nutzen nicht belegt werden. 4) \u00dcberkomplexit\u00e4t \u2013 das System wird zu stark an die bestehende IT gekoppelt, statt \u00fcber APIs zu integrieren. 5) Ignorieren der Compliance \u2013 keine DSG\/Datenschutz-Freigabe, keine Dokumentation der KI-Entscheidung. Forfis adressiert diese Punkte im Prozess-Audit und im Pilot-Design.\"},\"name\":\"Welche Stolperfallen treten bei der Skalierung von KI-Projekten \u00fcber Abteilungen hinweg auf?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Ein 24\/7-Kundenassistent auf Basis von RAG (Retrieval-Augmented Generation) funktioniert so: Die Frage des Kunden wird in einen Vektor umgewandelt und mit den Vektoren der Unternehmensdokumentation (z. B. Lieferbedingungen, Retourenrichtlinien) abgeglichen. Die Top 3 relevanten Abschnitte werden dem LLM als Kontext \u00fcbergeben, das generiert eine Antwort. Bei komplexen Anfragen (z. B. Vertragsauslegung) wird der Fall an einen Menschen eskaliert. Die Antwortzeit liegt unter 2 Sekunden, die Genauigkeit h\u00e4ngt von der Qualit\u00e4t der Dokumentation ab. F\u00fcr ein Logistikunternehmen bedeutet das: Weniger E-Mails im Backoffice, schnellere Antwort auf Kundenanfragen, und die Mitarbeiter k\u00f6nnen sich auf komplexe F\u00e4lle konzentrieren.\"},\"name\":\"Wie reduziert ein 24\/7-Kundenassistent die Fehlerquote im Backoffice?\"}]},{\"@id\":\"https:\/\/blog.forfis.com\/blog\/ki-gestuetztes-kandidatenscreening-logistik-schweiz-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-gestuetztes-kandidatenscreening-logistik-schweiz-eu-ai-act\/\",\"name\":\"KI-gest\u00fctztes Kandidatenscreening in der Schweizer Logistik: Pilot in 2 Wochen\",\"position\":3}]},{\"@id\":\"https:\/\/blog.forfis.com#org\",\"@type\":\"Organization\",\"name\":\"Forfis\",\"url\":\"https:\/\/blog.forfis.com\"}]}","geo_content_hash":"128d3ea2d431047a0134e0cfa1d5c3cb0799d8a9c821898137d0af11a2297718","footnotes":""},"categories":[29],"tags":[71,49,43],"class_list":["post-467","post","type-post","status-publish","format-standard","hentry","category-logistics-and-supply-chain","tag-candidate-screening","tag-reduce-error-rate-in-the-back-office","tag-switzerland"],"_links":{"self":[{"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/posts\/467","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=467"}],"version-history":[{"count":0,"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/posts\/467\/revisions"}],"wp:attachment":[{"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/media?parent=467"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/categories?post=467"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/tags?post=467"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}gmail.readonly<\/code>, drive.file<\/code>). Die Daten werden nicht kopiert, sondern nur gelesen und lokal verarbeitet.<\/p>\nTrade-offs: Cloud vs. On-Premise und Modellqualit\u00e4t<\/h2>\n
Pilot-Design: 2 Wochen, fester Scope, messbare Baseline<\/h2>\n
Compliance: EU AI Act und DSG in der Schweiz<\/h2>\n
Skalierung: Von einem Piloten zur unternehmensweiten KI-Strategie<\/h2>\n