Ein Schweizer E-Commerce-Unternehmen mit 120 Mitarbeitern stand vor einem klassischen Problem: Die Buchhaltung verbrachte 40 % ihrer Arbeitszeit mit der manuellen Erfassung von Lieferantenrechnungen. Jede Rechnung erforderte 15 Minuten f\u00fcr die Dateneingabe, und die Fehlerquote lag bei 5 %. Das Team brauchte eine L\u00f6sung, die die Routinearbeit eliminiert, ohne die bestehende ERP-Landschaft zu ersetzen.<\/p>\n
Die Entscheidung fiel auf ein Retrieval-Augmented Generation (RAG)-System, das auf pgvector basiert. Der Prozess-Audit identifizierte die Rechnungsverarbeitung als den Workflow mit dem h\u00f6chsten Automatisierungspotenzial. Das Ziel: Die Zykluszeit auf unter 5 Minuten pro Rechnung senken und die Fehlerquote auf unter 1 % reduzieren. Die Implementierung sollte in 4 Wochen abgeschlossen sein, um den Pilotbetrieb vor dem Quartalsende zu starten.<\/p>\n
Die Architektur setzt auf drei Kernkomponenten: Eine pgvector-Instanz in der bestehenden PostgreSQL-Datenbank, ein LLM (OpenAI GPT-4o) f\u00fcr die Textverarbeitung und Custom-REST-APIs f\u00fcr die Integration. Die Rechnungen werden als PDFs in ein S3-Bucket geladen, wo ein OCR-Service den Text extrahiert. Die Vektoren werden in pgvector gespeichert, um \u00e4hnliche Rechnungen und Kontextinformationen abzurufen.<\/p>\n
Die REST-APIs verbinden das System mit dem ERP (SAP Business One) und der Buchhaltungssoftware. Webhooks senden Ereignisse wie \u2018Rechnung extrahiert\u2019 oder \u2018Freigabe erforderlich\u2019 an die zust\u00e4ndigen Systeme. Die Daten bleiben im Schweizer Rechenzentrum, was die ISO 27001-Anforderungen erf\u00fcllt. Die Vektordatenbank wird verschl\u00fcsselt, und der Zugriff erfolgt \u00fcber rollenbasierte Berechtigungen.<\/p>\n
Das RAG-System klassifiziert jede Rechnung automatisch: Lieferantenname, Rechnungsnummer, Netto-Betrag, MWST-Satz und F\u00e4lligkeitsdatum. Die Vektordurchsuchung in pgvector findet \u00e4hnliche Rechnungen aus der Vergangenheit, um Kontext zu liefern. Das LLM extrahiert die strukturierten Felder und vergleicht sie mit den ERP-Daten.<\/p>\n
Bei Unstimmigkeiten \u2013 z. B. wenn der Betrag von der letzten Rechnung abweicht \u2013 fordert das System eine menschliche Freigabe an. Die Person pr\u00fcft die extrahierten Daten und best\u00e4tigt oder korrigiert sie. Dieser Human-in-the-Loop-Ansatz reduziert das Risiko von Fehlern und erf\u00fcllt die Compliance-Anforderungen. Die Freigabe erfolgt \u00fcber ein Web-Interface, das direkt in die Buchhaltungssoftware integriert ist.<\/p>\n
Die Baseline-Messung vor dem Pilotbetrieb ergab: 15 Minuten pro Rechnung, 5 % Fehlerquote, 40 % der Buchhaltungszeit f\u00fcr manuelle Eingaben. Nach 4 Wochen Pilotbetrieb: 3 Minuten pro Rechnung, 0,4 % Fehlerquote, 12 % der Buchhaltungszeit f\u00fcr manuelle Eingaben.<\/p>\n
Die Skalierung erfolgt durch die Erh\u00f6hung der pgvector-Instanz und die Anpassung der API-Limits. Da die Architektur model-agnostisch ist, k\u00f6nnen bei steigenden Anforderungen leistungsf\u00e4higere LLMs oder lokale Modelle auf eigener Hardware eingesetzt werden. Die Webhooks und REST-APIs bleiben unver\u00e4ndert. Das dedizierte AI-Team \u00fcberwacht die Systemleistung und optimiert die Vektordurchsuchung kontinuierlich.<\/p>\n
Die ISO 27001-Konformit\u00e4t wird durch mehrere Ma\u00dfnahmen gew\u00e4hrleistet: Die Daten verbleiben im Schweizer Rechenzentrum, die Vektordatenbank ist verschl\u00fcsselt, und der Zugriff erfolgt \u00fcber rollenbasierte Berechtigungen. Regelm\u00e4\u00dfige Penetrationstests und Audits sind Teil des Betriebs.<\/p>\n
Die Custom-REST-APIs und Webhooks werden \u00fcber API-Gateways abgesichert, die Rate-Limiting und Authentifizierung (OAuth 2.0) implementieren. Die LLM-APIs werden \u00fcber sichere Verbindungen (TLS 1.3) aufgerufen, und die Prompts werden vor der \u00dcbertragung validiert. Die Human-in-the-Loop-Freigaben werden protokolliert, um die Nachvollziehbarkeit zu gew\u00e4hrleisten. Diese Ma\u00dfnahmen erf\u00fcllen die Anforderungen der ISO 27001 und der Schweizer Datenschutzverordnung (DSG).<\/p>\n","protected":false},"excerpt":{"rendered":"
Wie ein E-Commerce-Unternehmen in der Schweiz mit RAG und pgvector die Rechnungsverarbeitung automatisiert. 4-Wochen-Pilot, ISO 27001-konform, mit messbarer Reduktion der Zykluszeiten.<\/p>\n","protected":false},"author":2,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"rank_math_title":"RAG-System f\u00fcr Rechnungsverarbeitung im Schweizer E-Commerce","rank_math_description":"Wie ein E-Commerce-Unternehmen in der Schweiz mit RAG und pgvector die Rechnungsverarbeitung automatisiert. 4-Wochen-Pilot, ISO 27001-konform, mit messbarer Reduktion der Zykluszeiten.","rank_math_focus_keyword":"free senior staff from routine work 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\/rag-rechnungsverarbeitung-ecommerce-schweiz\/#article\",\"@type\":\"Article\",\"author\":{\"@id\":\"https:\/\/blog.forfis.com#org\"},\"dateModified\":\"2026-10-05T23:45:25.208589762+00:00\",\"datePublished\":\"2026-10-05T23:45:25.208589762+00:00\",\"description\":\"Wie ein E-Commerce-Unternehmen in der Schweiz mit RAG und pgvector die Rechnungsverarbeitung automatisiert. 4-Wochen-Pilot, ISO 27001-konform, mit messbarer Reduktion der Zykluszeiten.\",\"headline\":\"RAG-System f\u00fcr Rechnungsverarbeitung im Schweizer E-Commerce\",\"inLanguage\":\"en\",\"keywords\":[\"One Process Automated\",\"pgvector Embeddings Search\",\"Retrieval-Augmented Knowledge Assistant\",\"Finance and Accounting\",\"51-200\",\"ISO 27001\",\"Dedicated AI Team\",\"E-commerce and Retail\",\"Custom REST API and Webhooks\",\"German\",\"Free Senior Staff from Routine Work\",\"Switzerland\",\"4 weeks\",\"Invoice Processing\"],\"mainEntityOfPage\":\"https:\/\/blog.forfis.com\/blog\/rag-rechnungsverarbeitung-ecommerce-schweiz\/\",\"publisher\":{\"@id\":\"https:\/\/blog.forfis.com#org\"}},{\"@id\":\"https:\/\/blog.forfis.com\/blog\/rag-rechnungsverarbeitung-ecommerce-schweiz\/#faq\",\"@type\":\"FAQPage\",\"mainEntity\":[{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Ein RAG-System kombiniert eine Vektordatenbank (z. B. pgvector) mit einem LLM. Es durchsucht zuerst die relevanten Abschnitte aus dem firmeneigenen Dokumentenbestand und \u00fcbergibt diese als Kontext an das Sprachmodell. So werden Halluzinationen reduziert und die Antworten basieren auf verifizierbaren internen Daten.\"},\"name\":\"Was ist ein Retrieval-Augmented Knowledge Assistant?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Klassische OCR-Tools erkennen nur Text und liefern rohe Daten. RAG-Systeme verstehen den Kontext: Sie klassifizieren Rechnungen, extrahieren strukturierte Felder (Netto, MWST, F\u00e4lligkeitsdatum) und k\u00f6nnen bei Unklarheiten gezielt nachfragen oder die Daten gegen ERP-Belege abgleichen.\"},\"name\":\"Wie unterscheidet sich RAG von klassischer OCR?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Die Implementierung dauert in der Regel 4 Wochen. Woche 1: Prozess-Audit und Datenanalyse. Woche 2: Aufbau der pgvector-Infrastruktur und API-Anbindung. Woche 3: Modell-Feintuning und Human-in-the-Loop-Workflows. Woche 4: Pilotbetrieb und Validierung der Fehlerquoten.\"},\"name\":\"Wie lange dauert die Implementierung?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Ja, ISO 27001 ist machbar, wenn die Architektur korrekt aufgebaut ist. Sensible Finanzdaten verbleiben im eigenen Rechenzentrum oder in einem Schweizer Cloud-Region. Die Vektordatenbank wird verschl\u00fcsselt, und der Zugriff erfolgt \u00fcber rollenbasierte Berechtigungen. Regelm\u00e4\u00dfige Penetrationstests sind Teil des Betriebs.\"},\"name\":\"Ist RAG unter ISO 27001 zul\u00e4ssig?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Die Kosten setzen sich aus Lizenzgeb\u00fchren f\u00fcr die LLM-APIs (z. B. OpenAI oder Anthropic), der Infrastruktur f\u00fcr pgvector und dem Aufwand f\u00fcr die Custom-REST-APIs zusammen. F\u00fcr ein Unternehmen mit 51-200 Mitarbeitern liegen die laufenden Kosten typischerweise zwischen 2 000 und 5 000 CHF pro Monat, abh\u00e4ngig von der Dokumentenmenge.\"},\"name\":\"Was kostet ein RAG-System f\u00fcr Rechnungsverarbeitung?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Der Prozess-Audit identifiziert die drei bis f\u00fcnf Workflows mit dem h\u00f6chsten Automatisierungspotenzial. Dabei werden Zykluszeiten, Fehlerquoten und manuelle Schritte gemessen. Das Ergebnis ist ein Priorisierungsmatrix, die festlegt, welcher Prozess als Pilotprojekt dient \u2013 in diesem Fall die Rechnungsverarbeitung.\"},\"name\":\"Wie wird der Prozess-Audit durchgef\u00fchrt?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"pgvector ist eine PostgreSQL-Erweiterung, die Vektordaten speichert und durchsucht. Im Vergleich zu spezialisierten Vektordatenbanken wie Weaviate oder Pinecone bietet pgvector den Vorteil, dass die Daten in der bestehenden Datenbank bleiben. Das vereinfacht die Wartung und reduziert die Latenz bei der Abfrage.\"},\"name\":\"Warum pgvector statt einer spezialisierten Vektordatenbank?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Die Custom-REST-APIs verbinden das RAG-System mit dem bestehenden ERP und der Buchhaltungssoftware. Webhooks senden Ereignisse wie 'Rechnung extrahiert' oder 'Freigabe erforderlich' an die zust\u00e4ndigen Systeme. So bleibt der Datenfluss bidirektional und die manuelle Dateneingabe entf\u00e4llt.\"},\"name\":\"Wie funktioniert die Integration \u00fcber REST-APIs und Webhooks?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Human-in-the-Loop bedeutet, dass das System bei kritischen Entscheidungen (z. B. Betr\u00e4ge \u00fcber 1 000 CHF oder Unstimmigkeiten) eine menschliche Freigabe anfordert. Die Person pr\u00fcft die extrahierten Daten und best\u00e4tigt oder korrigiert sie. Dies reduziert das Risiko von Fehlern und erf\u00fcllt Compliance-Anforderungen.\"},\"name\":\"Was ist Human-in-the-Loop bei der Rechnungsverarbeitung?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Die Baseline-Messung erfasst die aktuellen Zykluszeiten und Fehlerquoten vor der Automatisierung. Nach dem Pilotbetrieb werden dieselben Metriken erneut gemessen. Typischerweise sinkt die Bearbeitungszeit von 15 auf 3 Minuten pro Rechnung, und die Fehlerquote von 5 % auf unter 0,5 %.\"},\"name\":\"Wie wird die Baseline-Messung durchgef\u00fchrt?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Ein dediziertes AI-Team besteht aus einem Technischen Lead, einem Data Engineer und einem Product Owner. Das Team arbeitet eng mit dem Kunden zusammen, \u00fcbernimmt die gesamte Entwicklung und stellt sicher, dass die L\u00f6sung in die bestehende IT-Landschaft integriert wird. Die Zusammenarbeit dauert mindestens 4 Wochen f\u00fcr den Piloten.\"},\"name\":\"Was bedeutet 'Dedicated AI Team'?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Die Skalierung erfolgt durch die Erh\u00f6hung der pgvector-Instanz und die Anpassung der API-Limits. Da die Architektur model-agnostisch ist, k\u00f6nnen bei steigenden Anforderungen leistungsf\u00e4higere LLMs oder lokale Modelle auf eigener Hardware eingesetzt werden. Die Webhooks und REST-APIs bleiben unver\u00e4ndert.\"},\"name\":\"Wie skaliert man das System bei steigender Dokumentenmenge?\"}]},{\"@id\":\"https:\/\/blog.forfis.com\/blog\/rag-rechnungsverarbeitung-ecommerce-schweiz\/#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\/rag-rechnungsverarbeitung-ecommerce-schweiz\/\",\"name\":\"RAG-System f\u00fcr Rechnungsverarbeitung im Schweizer E-Commerce\",\"position\":3}]},{\"@id\":\"https:\/\/blog.forfis.com#org\",\"@type\":\"Organization\",\"name\":\"Forfis\",\"url\":\"https:\/\/blog.forfis.com\"}]}","geo_content_hash":"2a097245a29a122a65de879d5f3fa17961aee2e307e1ff698c035bb71d7039dc","footnotes":""},"categories":[65],"tags":[41,39,43],"class_list":["post-64","post","type-post","status-publish","format-standard","hentry","category-e-commerce-and-retail","tag-free-senior-staff-from-routine-work","tag-invoice-processing","tag-switzerland"],"_links":{"self":[{"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/posts\/64","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=64"}],"version-history":[{"count":0,"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/posts\/64\/revisions"}],"wp:attachment":[{"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/media?parent=64"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/categories?post=64"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/tags?post=64"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}