Die letzte Meile der Dokumentenverarbeitung: Wie KI den manuellen Bruch zwischen E-Mail und ERP schließt

Das ERP ist digital, der Übergang bleibt Handarbeit

Ein typischer Vormittag im Vertriebsinnendienst: Eine Kundenbestellung trifft als PDF-Anhang per E-Mail ein. Ein Mitarbeiter öffnet das Dokument auf dem linken Bildschirm und das ERP-System auf dem rechten. Zunächst wird der Kunde im System gesucht. Dann gleicht der Mitarbeiter die Positionen ab – oft unternehmensinterne Artikelnummern des Kunden, die erst in die eigenen Nummern übersetzt werden müssen. Mengen und Wunschtermine werden übertragen. Schließlich wird der Vorgang manuell angelegt und geprüft.

Dieser Prozess wird oft als "Abtippen" abgetan. Tatsächlich ist es eine komplexe kognitive Leistung. Der Mitarbeiter liest nicht nur Buchstaben, sondern interpretiert den fachlichen Kontext, ordnet Stammdaten zu und klärt Widersprüche. Genau hier scheiterten klassische Automatisierungsansätze oft: Sie lieferten nur Text, aber keinen fachlich verwertbaren Geschäftsvorgang.

Der betriebliche Nutzen einer Automatisierung entsteht jedoch erst, wenn aus einem eingehenden Dokument ein fachlich geprüfter, strukturierter ERP-Vorgang wird, der nur noch freigegeben werden muss.

Was die "letzte Meile" schwierig macht

Die Extraktion von Bestelldaten ist fehleranfällig, weil Geschäftsdokumente für das menschliche Auge optimiert sind, nicht für Maschinen. Folgende Faktoren erschweren die maschinelle Verarbeitung:

• Wechselnde Dokumentlayouts: Jeder Kunde formatiert seine Bestellungen anders. Tabellenspalten verschieben sich, Informationen stehen in Fußnoten oder Fließtexten.
• Unterschiedliche Artikelbezeichnungen: Ein "Sechskantbolzen 8x20" beim Kunden heißt im eigenen ERP "Schraube M8x20 verzinkt".
• Komplexe Tabellen: Mehrseitige Positionstabellen mit Seitenumbrüchen innerhalb einer Zeile bringen einfache Auslesewerkzeuge aus dem Takt.
• Mengen und Verpackungsgrößen: Bestellt der Kunde "2 Kartons" oder "200 Stück"? Die Einheiten müssen zum ERP-Stammdatensatz passen.
• Fehlende Angaben: Ein fehlendes Lieferdatum oder eine abweichende Lieferadresse erfordern freigegebene Geschäftsregeln oder Rückfragen; die KI darf fehlende Angaben nicht erfinden.

Um diese Lücke zu schließen, reicht es nicht, Text zu erkennen. Die Informationen müssen verstanden, in ein festes Datenschema gezwungen und mit den Stammdaten des Unternehmens validiert werden.

Texterkennung, Extraktion und Validierung unterscheiden

Der Weg vom PDF zum ERP-Datensatz besteht aus klar getrennten technischen Disziplinen. Ein Large Language Model (LLM) kann auf der optischen Zeichenerkennung (OCR) aufbauen. Dokumentenservices verbinden je nach Modell OCR, Layoutanalyse und Felderkennung, wie die Microsoft-Dokumentation zu Document Intelligence zeigt.

Hinweis zur Datenqualität: Wenn Dokumente bereits maschinenlesbar vorliegen (z.B. native PDFs mit Textschicht), ist oft keine fehleranfällige OCR nötig. Liegen Daten bereits strukturiert vor (z.B. als XML via EDI), entfällt die KI-Extraktion vollständig. Der Workflow muss einen geeigneten Verarbeitungsweg wählen, der unnötige Modellschritte vermeidet. Workflow-Design

Die Architektur: Vom Posteingang zum freigegebenen Vorgang

Eine robuste Lösung erfordert eine strukturierte Pipeline. Das Prinzip der Eingabe-Verarbeitung-Ausgabe (EVA) muss strikt eingehalten werden. Ein einzelner, gut konfigurierter Workflow reicht hierfür aus.

• Eingang: Eine E-Mail mit PDF-Anhang trifft im Postfach (z.B. bestellungen@unternehmen.de) ein.
• Vorprüfung: Der Workflow prüft Dateityp, Dateigröße und sucht nach bereits verarbeiteten Duplikaten anhand der Message-ID.
• Verarbeitungsweg: Das System prüft auf strukturierte Daten (EDI/XML). Sind keine vorhanden, wird das Dokument für die visuelle Analyse oder Textauslesung vorbereitet.
• Extraktion: Ein KI-Modell erhält den Text sowie präzise Instruktionen und überführt die Inhalte in ein festes JSON-Format.
• Validierung: Ein Skript prüft das JSON auf Syntax, Schema und Werte (z.B. "Ist das Datum ein gültiges Kalenderdatum?").
• Stammdatenabgleich: Der Workflow fragt das ERP ab. Stimmt der extrahierte Kundenname mit einer Kundennummer überein? Existieren die Artikel?
• Prüfbereitstellung: Das Originaldokument, die extrahierten Daten und das Ergebnis der ERP-Prüfung werden in einer Oberfläche zusammengeführt.
• Freigabe: Ein Mensch prüft die Daten (Human in the Loop), korrigiert offene Punkte und klickt auf "Freigeben".
• ERP-Übernahme: Der verifizierte Datensatz wird als konkreter Vorgang (Verkaufsauftrag) über eine API im ERP angelegt.
• Rückmeldung: Der Mitarbeiter sieht die erzeugte ERP-Belegnummer; bei technischen API-Fehlern wird ein Ticket erstellt.

Wichtig ist Schritt 9: Die Freigabe berechtigt im beschriebenen Ablauf zur ERP-Übernahme. Der rechtliche Status des Vorgangs richtet sich nach dem konkreten Geschäftsprozess.

Konkretes Beispiel: Aus einer Bestellung werden strukturierte Daten

Betrachten wir einen fiktiven Fall. Die "Schrauben-Meyer GmbH" sendet ein PDF. Im Dokument steht folgender Textblock:

Bestellung Nr. PO-2026-881

Datum: 28.09.2026

Bitte liefern Sie zum 15.10.2026 folgende Positionen:

Pos 1: SM-992-A | Sechskantschraube M8x20 verzinkt | 500 Stück

Pos 2: SM-993-B | Unterlegscheiben Spezial (wie besprochen) | 10 Paket

Das KI-Modell liest diesen Text und erzeugt folgendes JSON-Objekt. Wichtig: Fehlende Werte werden als null ausgegeben, sie dürfen vom Modell nicht erfunden werden.

{
  "external_order_number": "PO-2026-881",
  "customer_name_document": "Schrauben-Meyer GmbH",
  "order_date": "2026-09-28",
  "requested_delivery_date": "2026-10-15",
  "line_items": [
    {
      "customer_article_reference": "SM-992-A",
      "description": "Sechskantschraube M8x20 verzinkt",
      "quantity": 500,
      "unit": "Stück"
    },
    {
      "customer_article_reference": "SM-993-B",
      "description": "Unterlegscheiben Spezial (wie besprochen)",
      "quantity": 10,
      "unit": "Paket"
    }
  ]
}

Das Ergebnis der fachlichen Prüfung

Das JSON ist syntaktisch gültig, aber fachlich nicht zwingend korrekt. Der Workflow gleicht die Daten nun mit dem ERP ab:

• Kunde: "Schrauben-Meyer GmbH" wird eindeutig der ERP-Kunden-ID K-4099 zugeordnet.
• Position 1: Artikel "SM-992-A" wird als ERP-Artikel ART-10045 (Sechskantschraube M8x20) erkannt. Einheit "Stück" passt zur Basismengeneinheit. Status: Grün (Gültig).
• Position 2: "Unterlegscheiben Spezial" liefert keinen eindeutigen Artikel-Treffer im ERP. Zudem ist die bestellte Einheit "Paket", das ERP verlangt jedoch eine Stückzahl. Status: Rot (Klärung erforderlich).

Der Workflow stoppt hier. Die Bestellung wird dem Mitarbeiter vorgelegt.

Welche Kontrollen vor der ERP-Übernahme nötig sind

Die Validierungslogik schützt das ERP vor fehlerhaften Daten. Eine im PDF formulierte Aufforderung (z.B. "Liefern Sie sofort!") ist für das System lediglich ein ausgelesener Text (Daten) und darf niemals unkontrolliert externe Systemaktionen auslösen.

Vor der Anlage im ERP müssen folgende Fragen maschinell beantwortet werden:

• Eindeutigkeit der Stammdaten: Sind Kunde und Lieferadresse anhand eindeutiger IDs oder einer geprüften Zuordnung identifiziert?
• Plausibilität von Mengen: Passen Menge und Einheit zu den Mindestbestellmengen und Verpackungsgrößen des Artikels?
• Terminprüfung: Liegt der gewünschte Liefertermin in der Vergangenheit? Wichtig: Ein extrahierter Wunschtermin (requested_delivery_date) führt im ERP nicht zu einer bestätigten Lieferzusage. Er ist lediglich der Wunsch des Kunden.
• Duplikatsprüfung: Wurde die externe Bestellnummer PO-2026-881 von diesem Kunden bereits im ERP angelegt? Dies schützt vor Mehrfachlieferungen, falls der Kunde die E-Mail zweimal sendet.
• Fehlerbehandlung: Was passiert, wenn die ERP-Schnittstelle während der Verarbeitung offline ist? Der Workflow muss den Datensatz vorhalten und den Transfer später erneut versuchen.

Menschliche Freigabe sinnvoll gestalten

Ein Automatisierungsprojekt scheitert, wenn Mitarbeiter jede Angabe mühsam in verschiedenen Fenstern abgleichen müssen. Die Qualität der Lösung definiert sich über die Prüfoberfläche.

"Human in the Loop" bedeutet praktisch:

• Gegenüberstellung: Das Original-PDF wird visuell direkt neben den extrahierten ERP-Feldern angezeigt.
• Fokus auf Ausnahmen: Automatisch geprüfte Felder sind als Vorschläge markiert und bleiben fachlich überprüfbar. Das System springt direkt zu Position 2 ("Unterlegscheiben Spezial").
• Fundstellen-Referenz: Bei einem Klick auf eine extrahierte Menge markiert das System (falls technisch durch das OCR/KI-Modell unterstützt) die genaue Stelle im Original-PDF.
• Korrekturmöglichkeit: Der Mitarbeiter kann über ein Dropdown-Menü den richtigen ERP-Artikel für Position 2 auswählen und die Verpackungsmenge anhand freigegebener Stammdaten oder einer Rückfrage klären. Die Umrechnung in Stück darf nicht geraten werden.

Erst nach dieser Korrektur erfolgt ein verbindlicher Freigabestatus und der Datensatz wird per Schnittstelle an das ERP übergeben. Make/n8n vs. ChatGPT

Sind vier Stunden Zeitersparnis pro Tag realistisch?

Automatisierung wird oft mit pauschalen Einsparungen beworben. Ob sich vier Stunden pro Tag einsparen lassen, erfordert eine transparente Nutzenrechnung.

Ein hypothetisches Rechenbeispiel, keine gemessene Kundeneinsparung:

Ein Unternehmen erhält täglich 50 PDF-Bestellungen.

• Bisheriger Aufwand pro Vorgang: 8 Minuten.
• Gesamtaufwand manuell: 400 Minuten pro Tag.

Durch den neuen KI-Workflow verändert sich die Arbeit. Maschinelle Laufzeit, Wartezeit und blockierte Arbeitszeit müssen separat gemessen werden. In dieser Modellrechnung wird keine aktive Wartezeit angesetzt. Relevanter ist der Prüfaufwand:

• 35 Bestellungen werden fehlerfrei extrahiert (hohe Konfidenz, Stammdaten passen). Prüfaufwand (Sichtkontrolle und Klick): 2 Minuten pro Dokument = 70 Minuten.
• 15 Bestellungen enthalten Abweichungen (neue Artikel, abweichende Einheiten, unleserliche Scans). Aufwand für Klärung und Nacharbeit: 7 Minuten pro Dokument = 105 Minuten.
• Laufender technischer Betreuungsaufwand (Systemkontrolle, API-Überwachung): 15 Minuten täglich.

Die Rechnung:

400 Minuten (Bisher)

− 70 Minuten (Routineprüfung)

− 105 Minuten (Ausnahmebehandlung)

− 15 Minuten (Betreuung)

= 210 Minuten Nettozeitersparnis pro Tag. (Exakt 3,5 Stunden).

Die Rechnung ergibt unter diesen Annahmen 3,5 Stunden. Ob dieser Wert erreichbar ist, muss ein Pilot mit repräsentativen Dokumenten belegen.

Zu beachten ist die Trennung der Kostenarten: Die eingesparte Zeit (3,5 Stunden) bedeutet frei werdende Arbeitskapazität für Kundenbetreuung, nicht zwingend vermiedene Ausgaben. Dem gegenüber stehen einmalige Einrichtungskosten für den Workflow sowie laufende Kosten für das KI-Modell (Tokens) und die Server-Infrastruktur. Erhöht sich der Anteil an Ausnahmefällen – etwa durch viele Neukunden oder schlechte Dokumentenqualität – sinkt die Nettoersparnis schnell ab.

Ein Pilotprojekt mit klaren Abnahmekriterien

Anstatt das gesamte Unternehmen sofort umzustellen, ist ein fokussierter Pilotbetrieb ratsam. Wähle eine spezifische Dokumentart – beispielsweise nur Kundenbestellungen aus dem Inland – und setze klare Abnahmekriterien.

• Repräsentative Testdaten: Sammle 100 historische Bestellungen, explizit inklusive schwieriger Fälle (handschriftliche Korrekturen, mehrseitige Tabellen).
• Referenzwert bilden: Miss, wie lange die rein manuelle Bearbeitung dieser 100 Dokumente dauerte.
• Sicherer Testbetrieb: Lass den Workflow die Dokumente verarbeiten, aber schreibe die Ergebnisse zunächst nur in eine Datenbank oder Excel-Tabelle, nicht ungeprüft ins produktive ERP.
• Erfolgsmessung anhand der Kriterien:
• Genauigkeit geschäftskritischer Felder: Welche Mindestgenauigkeit und welche zwingenden Einzelprüfungen gelten für Bestellmengen und Artikelnummern? Lege die Grenze passend zu den Fehlerfolgen fest. (Ein fehlendes Logo ist irrelevant, eine falsche Menge verursacht Retourenkosten).
• Anteil Durchläufer: Wie viel Prozent der Vorgänge werden vollständig und ohne rote Markierungen für die manuelle Freigabe vorbereitet?
• Kosten pro Vorgang: Liegen die API- und Modell-Kosten unter den intern kalkulierten Bearbeitungskosten?

Die Schnittstelle zum produktiven ERP darf erst nach bestandenen Abnahmekriterien und Freigabe durch die verantwortlichen Beteiligten aktiviert werden. Starte heute: Identifiziere den Prozess mit dem höchsten manuellen Abtipp-Aufwand, sammle 20 typische PDF-Beispiele und dokumentiere die heutige Bearbeitungszeit.

Häufige Fragen

Braucht KI-Dokumentenverarbeitung weiterhin OCR?

Das hängt vom Dokument ab. Ein digital erzeugtes PDF besitzt meist eine auslesbare Textschicht, die direkt an ein LLM übergeben werden kann. Bei eingescannten Papieren oder Bilddateien ist weiterhin eine optische Zeichenerkennung (OCR) oder ein multimodales Modell zur Bildanalyse zwingend erforderlich, um den visuellen Inhalt in verwertbaren Text zu übersetzen.

Was passiert mit unbekannten Artikeln oder fehlenden Angaben?

Das System darf Daten niemals erfinden. Unbekannte Artikel werden beim Stammdatenabgleich mit dem ERP nicht gefunden. Fehlende Werte werden im Datenschema als leere Felder (null) deklariert. Der Workflow markiert den Vorgang als fehlerhaft und leitet ihn zur manuellen Klärung an einen Mitarbeiter weiter.

Ist eine Integration mit jedem ERP möglich?

Das hängt von den verfügbaren Schnittstellen, unterstützten Belegarten, Berechtigungen und Lizenzbedingungen ab. REST, SOAP oder ein kontrollierter XML-/CSV-Import sind mögliche Integrationswege. Ohne eine dokumentierte Möglichkeit zur automatisierten Dateneingabe kann der Workflow den letzten Schritt der Übergabe nicht vollziehen.

Wann lohnt sich der Aufwand wirtschaftlich?

Die Wirtschaftlichkeit ist gegeben, wenn die tägliche Nettozeitersparnis (reduzierte Bearbeitungszeit abzüglich der neuen Prüf- und Wartungszeit) multipliziert mit dem Stundensatz die laufenden Infrastrukturkosten und die Abschreibung der initialen Entwicklungskosten übersteigt. Eine allgemeine Mindestmenge belegt die Wirtschaftlichkeit nicht. Nutze gemessene Bearbeitungszeiten und vollständige Projektkosten.