Morgens warten im Postfach bestellungen@ 40 E-Mails. Ein Teil sind PDFs aus den Systemen der Kunden, ein Teil sind Scans, ein Teil ist reiner Mailtext nach dem Muster „dasselbe wie letzte Woche, plus 2 Paletten Kleber". Zwei Personen im Innendienst tippen das bis Mittag ins ERP, und eine falsche Artikelnummer fällt erst bei der Reklamation auf.
KI-Anbieter versprechen, dass ein Modell diese Bestellungen selbst liest. Das stimmt teilweise. Dieser Beitrag hilft Ihnen zu entscheiden, ob sich Ihr Bestelleingang für eine Automatisierung mit KI eignet, was das tatsächlich kostet und wann die günstigere Antwort eine einfache CSV-Datei vom Kunden ist.
Erst zählen, dann kaufen
Das Auslesen einer Kundenbestellung folgt demselben Mechanismus, den wir bei der KI-Rechnungsverarbeitung beschrieben haben: Das Modell liest das Dokument, extrahiert Felder, ein Mensch gibt frei. Mit einem Unterschied. Eine Rechnung hat gesetzlich festgelegte Pflichtangaben; eine Kundenbestellung enthält die Artikelnummern, Bezeichnungen und Mengeneinheiten des Kunden.
Bevor Sie mit einem Anbieter sprechen, erheben Sie drei Zahlen aus den letzten 4 Wochen:
- Volumen. Wie viele Bestellungen pro Tag per E-Mail oder als PDF eingehen. Unter 15–20 pro Tag amortisiert sich eine Automatisierung selten in weniger als 2 Jahren.
- Streuung. Von wie vielen verschiedenen Kunden. Wenn 3 Kunden 80 % der Bestellungen schicken, löst ein Gespräch mit ihnen das Problem, nicht ein Modell.
- Zeit pro Bestellung. Messen Sie 20 aufeinanderfolgende Bestellungen mit der Stoppuhr. Typischerweise sehen wir 4–10 Minuten für eine Bestellung mit 10–30 Positionen.
Kommen Sie auf mehr als 30 Bestellungen pro Tag von mehr als 50 Kunden bei 5+ Minuten pro Stück, haben Sie einen Kandidaten. Wenn nicht, lesen Sie den Abschnitt darüber, wann es keinen Sinn ergibt, bevor Sie Geld ausgeben.
Wo die eigentliche Arbeit liegt: Artikelzuordnung
Der Fehler, den wir am häufigsten sehen: Das Unternehmen bewertet das Projekt danach, wie gut das Modell das PDF liest. Das Modell liest gut. Das Problem beginnt einen Moment später, wenn in der Bestellung „RUR-PP-20x2,8 / 4m" steht und derselbe Artikel in Ihrem ERP die Nummer 100245 und die Bezeichnung „Rohr PP20 PN20 4 m" hat.
Ohne Zuordnungstabelle „Kundennummer → Ihre Artikelnummer" muss jede Position von Hand gesucht werden. Die KI spart dann das Abtippen des Kopfes, nicht die Arbeit. In unseren Projekten machten Aufbau und Bereinigung dieser Tabelle 50–60 % des Gesamtaufwands aus.
So sieht das in der Praxis aus:
- Sie ziehen die Bestellhistorie der letzten 12 Monate aus dem ERP und ordnen Kundennummern Ihren Artikelnummern automatisch zu, wo es möglich ist.
- Den Rest ergänzt jemand aus dem Innendienst, der das Sortiment kennt. Meist 1–3 Wochen mit je 2 Stunden pro Tag.
- Jede manuelle Korrektur nach dem Start wandert in die Tabelle. Nach 2–3 Monaten sinkt der Anteil der Positionen, die von Hand zugeordnet werden müssen, meist unter 5 %.
Der zweite Punkt sind Mengeneinheiten. Der Kunde bestellt „10 Pack", Sie verkaufen Stück zu 25 pro Packung. Umrechnungsfaktoren gehören in die Artikelstammdaten, nicht in den Kopf einer einzelnen Mitarbeiterin. Sind die Stammdaten in schlechtem Zustand, beginnen Sie mit der Bereinigung: ein Artikel, eine Nummer, korrekte Umrechnungsfaktoren.
Beispiel: Großhändler, 24 Mitarbeitende, Comarch Optima
Bei einem unserer Kunden, einem Großhändler für Installationsmaterial mit 24 Mitarbeitenden, gingen etwa 60 Bestellungen pro Tag von rund 140 aktiven Kunden ein. 70 % kamen als PDF oder Mailtext. Zwei Personen im Innendienst verbrachten zusammen etwa 7 Stunden täglich mit Abtippen, im Schnitt 7 Minuten pro Bestellung. Ihr ERP ist Comarch Optima, eines der verbreitetsten ERP-Systeme in kleinen polnischen Unternehmen.
Was wir umgesetzt haben:
- das Postfach bestellungen@ in Microsoft 365 leitet Anhänge an einen Dienst weiter, der Kopf und Positionen mit einem Sprachmodell extrahiert,
- die Positionen laufen durch die Zuordnungstabelle (etwa 3.200 Paare „Kundennummer → Artikelnummer"),
- ein Bestellentwurf landet in Comarch Optima als Beleg zur Freigabe, nicht zugeordnete Positionen sind markiert,
- nichts gelangt ins System ohne Klick eines Menschen.
Das Projekt dauerte 6 Wochen und kostete etwa 38 Tsd. PLN (ca. 9.000 EUR), davon entfielen 2 Wochen allein auf die Zuordnungstabelle. Modell und Hosting kosten dort 150–300 PLN (ca. 35–70 EUR) pro Monat. Nach drei Monaten sank die durchschnittliche Bearbeitungszeit pro Bestellung von 7 auf etwa 1,5 Minuten — von 7 auf etwa 1,5 Stunden pro Tag. Fehler bei Artikelnummern gingen von etwa 3 pro Woche auf weniger als 1 zurück.
Was wir anders machen würden: die Zuordnungstabelle aufbauen, bevor das Werkzeug ausgewählt wird. Sie ist das einzige Element, das nützt, egal ob am Ende KI, ein CSV-Import oder gar nichts steht.
Wann es keinen Sinn ergibt
Das zweite Beispiel lief schlechter. Ein Verpackungshersteller, 35 Mitarbeitende, mit enova365 (einem weiteren in Polen verbreiteten ERP). Etwa 15 Bestellungen pro Tag, aber 80 % von 8 großen Kunden. Ein Teil der Bestellungen verwies auf technische Zeichnungen und enthielt Vermerke wie „wie letztes Mal, nur mit neuer Druckversion".
Nach 10 Wochen und etwa 22 Tsd. PLN (ca. 5.000 EUR) las das Modell rund 70 % der Positionen korrekt. Der Innendienst prüfte trotzdem jede Bestellung Zeile für Zeile, die Ersparnis lag bei etwa 30 Minuten pro Tag. Dann stellte sich heraus, dass 5 der 8 großen Kunden in ihren Systemen einen Bestellexport als CSV oder XML hatten. Man musste nur fragen. Ein einfacher Dateiimport kostete 6 Tsd. PLN (ca. 1.400 EUR) und deckte mehr als die Hälfte des Volumens ab.
KI ergibt keinen Sinn, wenn:
- wenige Kunden den Großteil der Bestellungen schicken. Fragen Sie nach einem Export als CSV, XML oder EDI. Handelsketten verlangen ohnehin EDI, wie wir im Beitrag zu EDI für kleine Lieferanten beschreiben.
- die Bestellung Interpretation erfordert, keine Abschrift. Zeichnungen, technische Varianten, „wie letztes Mal". Das braucht einen Menschen oder einen Konfigurator auf Kundenseite.
- Ihre Artikelstammdaten in schlechtem Zustand sind. Das Modell liest die Kundennummer richtig, trifft aber Ihre Artikelnummer nicht, weil Sie drei Nummern für einen Artikel haben.
- Sie weniger als 15–20 Bestellungen pro Tag haben. Bei 5 Minuten pro Bestellung sind das unter 2 Stunden täglich. Ein Projekt für 20–40 Tsd. PLN (ca. 5.000–9.000 EUR) amortisiert sich dann in 2–3 Jahren, wenn alles gut geht.
Ein eigenes Thema ist der Datenschutz. Bestellungen enthalten Namen, Lieferadressen und Telefonnummern, Sie übermitteln also personenbezogene Daten an den Modellanbieter. Nutzen Sie eine Business-Variante mit Auftragsverarbeitungsvertrag, nicht das private Konto eines Mitarbeiters. Microsoft erklärt zum Beispiel, dass bei Azure OpenAI Eingaben und Ausgaben nicht zum Training von Modellen verwendet werden, bei einer „Global"-Bereitstellung aber außerhalb der EU verarbeitet werden können (Quelle: Microsoft Learn — Daten, Datenschutz und Sicherheit für Azure OpenAI). Prüfen Sie das im Vertrag Ihres Anbieters.
Realistische Spannen für ein Unternehmen mit 10–50 Mitarbeitenden: 15–40 Tsd. PLN (ca. 3.500–9.000 EUR) und 4–10 Wochen für eine KI-Lösung, 4–10 Tsd. PLN (ca. 1.000–2.300 EUR) und 1–3 Wochen für einen Dateiimport von einigen Kunden. Dazu kommen 1–3 Wochen Arbeit einer Person aus dem Innendienst für die Zuordnungstabelle, unabhängig von der Variante.
Was Sie diese Woche tun können
Keiner dieser Schritte erfordert einen Kauf oder einen Dienstleister:
- Zählen Sie die Bestellungen der letzten 4 Wochen: wie viele per E-Mail oder PDF, von wie vielen Kunden, wie die Top 10 der Kunden aussehen.
- Messen Sie 20 aufeinanderfolgende Bestellungen mit der Stoppuhr und notieren Sie, bei wie vielen Positionen die Artikelnummer gesucht werden musste.
- Schreiben Sie Ihren 3 größten Kunden und fragen Sie, ob deren System Bestellungen als CSV, XML oder EDI senden kann.
- Exportieren Sie 12 Monate Bestellhistorie aus dem ERP und prüfen Sie, wie viele Kunden eigene Artikelnummern verwenden.
- Legen Sie 30 Beispielbestellungen verschiedener Kunden beiseite, die schlechtesten Scans eingeschlossen. Das ist Ihr Testset für jeden Anbieter.
Zeigt sich nach diesen fünf Schritten, dass sich der Großteil des Volumens über eine Datei vom Kunden abwickeln lässt, machen Sie das zuerst. KI ergänzen Sie später für den langen Schwanz kleiner Kunden, wenn es sich dann noch rechnet.
KI liest die Bestellung eines Kunden. Ob sich das Projekt rechnet, hängt aber an der Tabelle, die Kundennummern Ihren Artikelnummern zuordnet, nicht am Modell.