KI-Bot für Bestelleingang: Fax und E-Mail lesen

TL;DR

Ein KI-Bot für den Bestelleingang erkennt Bestelldaten aus Faxen, E-Mails und PDF-Anhängen mit 92% Genauigkeit und überträgt sie automatisch ins ERP-System. Mittelständische Großhändler sparen damit 3,4 FTE im Auftragseingang — rund €170.000 pro Jahr. Die Implementierung dauert 8–12 Wochen und amortisiert sich in unter 5 Monaten.

Das Fax lebt — und frisst Arbeitszeit

42% der deutschen Großhändler und Zulieferer erhalten Bestellungen noch per Fax. Weitere 35% bekommen unstrukturierte E-Mails mit PDF-Anhängen. Jede dieser Bestellungen wird manuell abgetippt: Artikelnummern, Mengen, Lieferadressen, Wunschtermine. Ein durchschnittlicher Sachbearbeiter schafft 45 Bestellungen pro Tag — mit einer Fehlerquote von 2,8%.

Der KI-Bot für den Bestelleingang automatisiert diesen Prozess. Er liest Faxe über OCR, extrahiert Bestelldaten aus E-Mail-Texten und PDF-Anhängen und erstellt Aufträge direkt im ERP. Die menschliche Aufgabe beschränkt sich auf die Prüfung markierter Unsicherheiten.

Typischer Bestelleingang vor KI

Bei 200 Bestellungen pro Tag bindet der manuelle Prozess 3,5–4,2 Vollzeitstellen. Die Fehlerquote von 2,8% verursacht zusätzlich Retouren und Nachbearbeitungskosten von €35.000–€55.000 jährlich.

Technische Architektur des KI-Bots

Der Bot besteht aus vier Komponenten: Eingangskanal-Router, OCR/NLP-Engine, Datenextraktion und ERP-Connector.

# bestelleingang-bot-architektur.yaml
system:
  name: ki-bestelleingang-bot
  version: "2.1"

  eingangsrouter:
    channels:
      - fax:
          protocol: T.38_over_SIP
          format: TIFF
          preprocessing: deskew, denoise, binarize
      - email:
          protocol: IMAP
          filter: "subject:bestellung OR attachment:*.pdf"
          attachments: [PDF, XLSX, CSV]
      - freitext_email:
          nlp_model: custom_ner
          entities: [artikelnummer, menge, lieferadresse, termin]

  ocr_engine:
    provider: tesseract_5 + custom_model
    languages: [deu, eng]
    accuracy_target: 96%
    confidence_threshold: 0.85

  datenextraktion:
    model: fine_tuned_layoutlm_v3
    felder:
      - artikelnummer: {format: "regex:[A-Z]{2}-\\d{4,6}"}
      - menge: {type: integer, validation: ">0"}
      - einheit: {enum: [Stück, Karton, Palette, kg, Liter]}
      - lieferadresse: {model: address_parser}
      - wunschtermin: {format: date, default: "+3_werktage"}
      - kundennummer: {lookup: erp_stammdaten}

  erp_connector:
    system: SAP_B1  # oder proALPHA, Microsoft Dynamics
    action: create_sales_order
    review_required_if: confidence < 0.88

So erkennt der Bot Bestelldaten

Fax-Erkennung (OCR + Layout-Analyse)

Moderne OCR allein reicht nicht. Faxe haben unterschiedliche Layouts — jeder Kunde bestellt auf eigenem Formular. Die Lösung: LayoutLMv3, ein Transformer-Modell, das Text und Layout gleichzeitig versteht. Nach Training mit 500 Musterbestellungen erkennt es Felder positionsunabhängig.

Die Erkennungsrate nach 4 Wochen Training:

• Artikelnummern: 96,2%
• Mengen: 97,8%
• Lieferadressen: 89,4%
• Wunschtermine: 91,1%

E-Mail-Erkennung (NLP + NER)

Freitext-E-Mails wie „Bitte 50 Stück Art. HB-2847 an unser Lager Ost liefern" werden mit Named Entity Recognition (NER) analysiert. Ein Fine-tuned German BERT Modell extrahiert Artikelnummern, Mengen und Lieferorte aus natürlichsprachlichen Texten.

PDF-Anhang-Erkennung

PDF-Bestellungen werden zunächst klassifiziert: Ist es eine maschinenlesbare PDF oder ein Scan? Maschinenlesbare PDFs liefern direkt Text per Extraktion. Scans durchlaufen die OCR-Pipeline wie Faxe.

Implementierung in 4 Phasen

Phase 1: Datensammlung (Wochen 1–3)

500 historische Bestellungen pro Kanal sammeln und manuell annotieren. Dieser Schritt ist der zeitaufwändigste, aber entscheidend für die Modellqualität. Tipp: Auszubildende oder Werkstudenten einsetzen — die Annotation erfordert keine Fachkenntnisse.

Kosten: €8.000–€12.000

Phase 2: Modelltraining (Wochen 4–6)

Training der OCR- und NLP-Modelle. Für Faxe empfiehlt sich ein Transfer-Learning-Ansatz auf Basis von LayoutLMv3. Das Aufsetzen lokaler KI-Modelle kann die Trainingskosten um 60% reduzieren.

Kosten: €15.000–€25.000

Phase 3: ERP-Integration (Wochen 7–10)

Anbindung an SAP, proALPHA oder Microsoft Dynamics über Standard-APIs. Erkannte Bestellungen werden als Auftragsentwürfe angelegt. Ein Mitarbeiter prüft Aufträge mit Confidence <88% — das sind anfangs ca. 15%, nach 3 Monaten nur noch 5–8%.

Kosten: €10.000–€18.000

Phase 4: Go-Live und Optimierung (Wochen 11–12)

Parallelbetrieb: KI-Bot und manuelle Erfassung laufen 2 Wochen parallel. Abweichungen werden dokumentiert und als Trainingsdaten genutzt. Die Gesamtkosten der KI-Implementierung inklusive Schulung und Change-Management liegen bei €40.000–€65.000.

ROI-Berechnung

Für eine detaillierte Berechnung empfehlen wir unsere ROI-Excel-Vorlage.

Praxisbeispiel: Elektroteile-Großhändler

Ein Elektroteile-Großhändler mit 85 Mitarbeitern und 180 Bestellungen pro Tag setzte den KI-Bot ein. Vor der Einführung arbeiteten 4 Vollzeitkräfte ausschließlich im Bestelleingang. Nach 12 Wochen übernahm der Bot 78% aller Bestellungen vollautomatisch. Ergebnisse nach 6 Monaten:

• Vollautomatische Verarbeitung: 82% aller Bestellungen
• Fehlerquote: Von 2,8% auf 0,4% gesenkt
• Durchlaufzeit: Von 45 Minuten auf 3 Minuten (Median)
• Personalumbau: 3 von 4 Stellen auf wertschöpfende Aufgaben umgeschichtet

Die KI-Einführung im Unternehmen sollte dabei immer mit dem Use Case beginnen, der den höchsten manuellen Aufwand verursacht — der Bestelleingang ist dafür ein Paradebeispiel.

Typische Stolperfallen

1. Zu wenig Trainingsdaten: 500 annotierte Belege pro Kanal sind das Minimum
2. Handschriftliche Faxe: KI-Bot für maschinengeschriebene Faxe konzipiert — Handschrift erfordert ein separates Modell
3. Kein Feedback-Loop: Ohne systematische Korrektur-Rückmeldung verbessert sich das Modell nicht
4. Unterschätzte Change-Kosten: Sachbearbeiter müssen neue Rolle als KI-Prüfer akzeptieren

FAQ

Kann der KI-Bot auch handschriftliche Faxbestellungen lesen?

Handschriftliche Bestellungen erreichen derzeit eine Erkennungsrate von 65–75% — zu niedrig für die automatische Verarbeitung. Für handschriftliche Faxe empfiehlt sich weiterhin die manuelle Erfassung oder ein spezialisiertes Handschrift-OCR-Modell mit zusätzlichem Training.

Welche ERP-Systeme werden unterstützt?

Die gängigen Mittelstands-ERPs sind über Standard-APIs anbindbar: SAP Business One, proALPHA, Microsoft Dynamics 365, Sage und DATEV. Branchenspezifische ERPs erfordern eine individuelle Schnittstellenentwicklung (Aufwand: 2–4 Wochen).

Wie hoch ist die Fehlerquote des KI-Bots?

Bei maschinengeschriebenen Bestellungen liegt die Fehlerquote nach 3 Monaten Betrieb bei 0,3–0,5%. Das entspricht einer Verbesserung um Faktor 6–8 gegenüber manueller Erfassung (2,5–3% Fehlerquote).

Was passiert, wenn der Bot eine Bestellung nicht erkennt?

Bestellungen mit einer Confidence unter 88% werden an einen Sachbearbeiter zur manuellen Prüfung weitergeleitet. Der Mitarbeiter korrigiert die Daten, und die Korrektur fließt als Trainingsdaten zurück ins Modell. So verbessert sich die Erkennung kontinuierlich.

Ist der KI-Bot DSGVO-konform?

Ja, sofern die Verarbeitung auf EU-Servern stattfindet. Bestelldaten enthalten in der Regel Geschäftsdaten (B2B), die nicht unter den personenbezogenen Datenschutz fallen. Enthält eine Bestellung Privatkundendaten, gelten die üblichen DSGVO-Anforderungen — Verarbeitungsverzeichnis und Löschfristen müssen dokumentiert sein.