Ausgangslage: Manuelle Engpässe in der Kreditprüfung

Der Kunde, ein spezialisierter B2B-Softwareanbieter mit 85 Mitarbeitern in der DACH-Region, stand vor einem klassischen Skalierungsproblem. Mit wachsendem Kundenstimm wuchs auch das Volumen der Kreditanfragen, die monatlich über 500 Stück erreichten. Bislang wurde jeder dieser Vorgänge vollständig manuell abgewickelt. Finanzexperten verbrachten im Schnitt bis zu 45 Minuten pro Anfrage damit, unstrukturierte Dokumente wie Bilanzen, Gewinn- und Verlustrechnungen sowie Korrespondenz per E-Mail zu sichten, Daten abzutippen und gegen interne Richtlinien zu prüfen.

Diese manuelle Belastung führte zu drei zentralen Problemen. Erstens war der personelle Aufwand extrem hoch, da wiederkehrende, einfache Datenabgleiche aus PDFs und E-Mails den Tagesablauf der Experten dominierten. Zweitens litt die Qualität der Bewertungen unter Inkonsistenzen, da unterschiedliche Prüfer unterschiedliche Gewichtungskriterien anlegten oder Details übersehen konnten. Drittens war die Reaktionszeit auf Kundenanfragen viel zu langsam. Im Durchschnitt warteten Interessenten drei Tage auf eine Rückmeldung, was im kompetitiven B2B-Umfeld zu Abwanderung an schneller agierende Wettbewerber führte.

Herausforderungen bei der Automatisierung

Die Entscheidung für eine KI-gestützte Lösung war nicht ohne Grund, da die Kreditprüfung ein sensibles Feld ist. Wir identifizierten vier konkrete Herausforderungen, die es zu lösen galt.

  1. Heterogene Dokumentenformate: Die eingehenden Unterlagen waren in keiner einheitlichen Struktur. Bilanzen kamen als gescannte PDFs, als Excel-Dateien oder als strukturierte PDFs in unterschiedlichen Layouts an. Eine einfache OCR-Lösung reichte hier nicht aus, da das Verständnis von Kontext und Zusammenhängen fehlte.
  2. Regelkomplexität: Die internen Kreditrichtlinien waren komplex und enthielten viele „Wenn-dann“-Abhängigkeiten, die schwer in starre If-Else-Logik zu übersetzen waren. Die KI musste diese nuancierten Regeln interpretieren können.
  3. Vertrauen der Experten: Das Finance-Team war skeptisch gegenüber einer Black-Box-Lösung. Sie befürchteten, dass die KI Fehler machen würde, die sie nicht nachvollziehen konnten, und weigerten sich zunächst, die Verantwortung zu delegieren.
  4. Integration in bestehende Prozesse: Die Lösung durfte keine Insellösung sein. Sie musste nahtlos in das bestehende ERP-System greifen, um Daten zu lesen und Entscheidungen zurückzuschreiben, ohne den Workflow der Mitarbeiter zu stören.

Der Tech-Stack

Um diese Herausforderungen zu meistern, haben wir einen schlanken, modularen Tech-Stack entwickelt:

  • Large Language Model (LLM): Als Kern der Intelligenz nutzen wir ein Fine-Tuned LLM, das speziell für die Interpretation von Finanzdokumenten und die Anwendung von Kreditrichtlinien trainiert wurde. Es extrahiert strukturierte Daten aus unstrukturierten Texten.
  • Document Parsing Engine: Eine spezialisierte Vorverarbeitungsschicht, die PDFs und E-Mails bereinigt, Seiten zusammenführt und relevante Abschnitte für das LLM vorbereitet.
  • Workflow Orchestration: Ein Orchestrierungs-Framework, das die Abläufe steuert: vom Empfang der Anfrage über die KI-Analyse bis zur Eskalation oder Automatisierung.
  • ERP-Integration Layer: Eine REST-API-Schnittstelle, die sicher mit dem bestehenden ERP-System des Kunden kommuniziert, um Stammdaten abzurufen und Prüfergebnisse zu speichern.
  • Monitoring & Logging: Ein Dashboard, das jede KI-Entscheidung mit dem zugrunde liegenden Prompt und den extrahierten Daten protokolliert, um Transparenz und Nachvollziehbarkeit zu gewährleisten.

Umsetzung: Von der Analyse zum Pilot

Die Implementierung folgte einem agilen Ansatz mit klaren Meilensteinen. In der ersten Phase führten wir eine detaillierte Prozessanalyse durch. Wir sammelten 200 historische Kreditanfragen und klassifizierte diese manuell, um die Häufigkeit von Dokumententypen und die Komplexität der Entscheidungen zu verstehen. Dies diente als Basis für das Training und die Validierung des Modells.

Projektverlauf in 6 Phasen: Analyse der Kreditprüfungsprozesse und Datenquellen, Entwicklung des LLM-Workflows für Dokumenten-Parsing, Integration in das bestehende ERP-System …

Anschließend entwickelten wir den LLM-Workflow. Der Fokus lag auf der strukturierten Auswertung unstrukturierter Dokumente. Das System lernte, Umsatz, Schuldenstand und Bonitätskennzahlen aus Bilanzen zu extrahieren und diese mit den im ERP hinterlegten Kundenstammdaten abzugleichen. Parallel dazu implementierten wir die regelbasierte Logik: Das LLM prüft die extrahierten Daten gegen die internen Kreditrichtlinien. Hier war entscheidend, dass die KI nicht nur ja oder nein sagt, sondern eine Begründung liefert. Für jeden Prüfpunkt wird ein Konfidenzwert berechnet.

Das Herzstück der Lösung ist der Human-in-the-Loop-Ansatz. Wir definierten klare Schwellenwerte: Liegt der Konfidenzwert der KI über 95 % und sind alle Pflichtfelder vollständig, wird der Vorgang automatisch abgeschlossen. Liegt er darunter oder fehlen Daten, wird der Fall an einen menschlichen Experten eskaliert, der die Vorschläge der KI sieht und final entscheidet. Diese Transparenz war der Schlüssel zur Akzeptanz im Team.

Die technische Integration in das ERP-System erfolgte über eine Middleware, die sicherstellt, dass keine Daten verloren gehen und dass der Status der Kreditanfrage in Echtzeit im ERP aktualisiert wird. Nach der Entwicklung begannen wir mit einer Pilotphase. Wir nahmen 10 % des monatlichen Volumens in den neuen Workflow. Diese Phase dauerte drei Wochen. In dieser Zeit begleiteten wir das Team täglich, um Feedback einzuholen und die Prompts sowie die Schwellenwerte zu optimieren. Die letzten drei Wochen der 10-wöchigen Gesamtlaufzeit dienten der Schulung der Experten und dem schrittweisen Rollout auf 100 % des Volumens.

Wie wir die Zahlen messen

Um den Erfolg objektiv zu belegen, haben wir vor der Implementierung einen Baseline-Wert ermittelt. Wir haben für zwei Wochen manuell protokolliert, wie lange die Experten für die einzelnen Schritte (Sichtung, Datenerfassung, Bewertung, Freigabe) benötigt haben. Diese Daten dienten als Vergleichswert.

Nach dem Rollout messen wir die Kennzahlen über das ERP-System und die Workflow-Orchestrierung. Die Bearbeitungszeit wird durch Zeitstempel am Start und Ende des Vorgangs ermittelt. Der Automatisierungsgrad wird berechnet, indem wir die Anzahl der automatisch abgeschlossenen Vorgänge durch die Gesamtzahl der eingehenden Anfragen teilen. Die Personalkosten-Ersparnis wird basierend auf der gesparten Arbeitszeit und dem internen Stundensatz der Finanzexperten berechnet. Zusätzlich führen wir monatlich eine Qualitätsprüfung durch, bei der wir 5 % der automatisch abgeschlossenen Fälle stichprobenartig durch einen Senior-Experten überprüfen, um die Fehlerquote zu validieren.

Ergebnis: Effizienz und Geschwindigkeit im Gleichgewicht

Nach drei Monaten im vollen Betrieb zeigte sich ein deutlicher Wandel im Finanzprozess. Die manuelle Last wurde drastisch reduziert, und das Team konnte sich auf die wirklich komplexen Fälle konzentrieren. Die wichtigsten KPIs nach drei Monaten:

  • 40 % weniger Bearbeitungszeit: Die durchschnittliche Zeit pro Vorgang sank von 45 auf 27 Minuten. Die Experten nutzten die gewonnene Zeit für die kritischen 5 % der Fälle und für strategische Aufgaben.
  • 2x schnellere Kundenantwort: Die durchschnittliche Reaktionszeit auf Kreditanfragen sank von drei Tagen auf 36 Stunden. Dies verbesserte die Kundenzufriedenheit messbar und reduzierte Absagen durch zu lange Wartezeiten.
  • 95 % Automatisierungsgrad: 95 % der eingehenden Anfragen wurden ohne manuelles Eingreifen abgeschlossen. Nur noch 5 % der Fälle erforderten eine menschliche Intervention, was die Kapazität des Teams erheblich entlastete.
  • Kostensenkung: Durch die Reduktion der manuellen Arbeitszeit sanken die Personalkosten für die Kreditprüfung um 25 %. Diese Ersparnis deckt die laufenden Kosten für die KI-Infrastruktur und das Monitoring mehr als ab.

Effizienzsteigerung nach 3 Monaten: Vorher-Nachher-Vergleich der Kennzahlen in %

Learnings und Was wir heute anders machen würden

Der Erfolg dieses Projekts basierte auf einer klaren Trennung zwischen automatisierbaren Routineaufgaben und kritischen Entscheidungsprozessen. Vertrauen in die KI-Entscheidung entsteht nicht durch blindes Vertrauen, sondern durch transparente Nachvollziehbarkeit. Die Experten mussten sehen können, warum die KI eine bestimmte Entscheidung getroffen hat. Ohne diese „Glass-Box“-Transparenz wäre die Akzeptanz im Team nie erreicht worden.

Ein wesentlicher Learning war die Bedeutung der Datenqualität. Saubere, vollständige Eingabedaten verbessern die Genauigkeit des LLMs massiv. In der Pilotphase haben wir festgestellt, dass fehlende Daten in den PDFs zu vielen Eskalationen führten. Wir haben daher eine Vorab-Prüfung eingefügt, die unvollständige Anfragen sofort zurückweist, bevor die KI gestartet wird.

Auch das schrittweise Vorgehen war entscheidend. Der Pilot mit nur 10 % des Volumens reduzierte das Risiko erheblich. Er baute Akzeptanz auf und erlaubte es, Fehler in einem kontrollierten Umfeld zu finden und zu beheben, bevor der volle Betrieb begann.

Was wir heute anders machen würden? Erstens würden wir die Schulung der Experten früher einplanen. In diesem Projekt wurden die Schulungen erst in den letzten drei Wochen durchgeführt. Heute würden wir das Team von Tag 1 an einbinden, um Feedback in die Prompt-Entwicklung einzuspeisen und Widerstände früher zu adressieren.

Zweitens würden wir stärker in die Standardisierung der Eingabedaten investieren. Statt nur die KI an die unstrukturierten Daten anzupassen, hätten wir die Kunden stärker dazu motivieren sollen, Daten in einem standardisierten Format zu liefern. Dies hätte die Fehlerquote der KI weiter gesenkt und den Automatisierungsgrad wahrscheinlich über 95 % gesteigert.

Drittens würden wir das Monitoring-System von Anfang an als Produkt betrachten. In diesem Projekt war das Dashboard primär für die Entwickler gedacht. Heute würden wir es von Beginn an für die Fachabteilung designen, um Self-Service-Analysen und eigenständige Optimierung der Schwellenwerte zu ermöglichen.

Passend dazu