Dienstag, 7:58 Uhr. Sandra öffnet Outlook. 47 neue E-Mails. Davon 31 Bestellungen. Dazu kommen sechs Faxe im Drucker und zwei Anrufer, die schon auf der Leitung warten.
Willkommen im Innendienst eines mittelständischen Großhändlers.
Im Großhandel bestellen Kunden so, wie sie es seit 20 Jahren tun. Per E-Mail mit PDF-Anhang. Per Fax. Per Telefon. Manchmal alles am selben Tag, vom selben Kunden.
Nur ein kleiner Teil der Kunden nutzt EDI oder einen Webshop. Die große Masse schickt Bestellungen in jedem Format, das man sich vorstellen kann. Handgeschriebene Faxe. Excel-Tabellen als Anhang. Freitext-E-Mails mit Sätzen wie: "Bitte nochmal das Gleiche wie letzte Woche, aber doppelt so viel."
Das Problem: Jede einzelne Bestellung muss ein Mensch lesen, verstehen und ins ERP tippen.
Schritt 1: E-Mail öffnen und lesen. Was hat der Kunde bestellt? Ist ein PDF angehängt oder steht alles im Freitext? Welches Format hat die Bestellung diesmal?
Schritt 2: Kunden identifizieren. Kundennummer raussuchen. Stimmt die Lieferadresse? Gibt es Sonderkonditionen oder einen Rahmenvertrag?
Schritt 3: Artikelnummern nachschlagen. Der Kunde schreibt "M10x40 verzinkt, 500 Stk." Im ERP heißt das Ding anders. Also suchen. Gibt es den Artikel noch? Wurde der umgestellt?
Schritt 4: Positionen ins ERP eintippen. Artikelnummer, Menge, Einheit. Position für Position. Bei einer Bestellung mit 15 Zeilen heißt das: 15 Mal suchen, 15 Mal tippen, 15 Mal prüfen.
Schritt 5: Verfügbarkeit checken. Ist alles auf Lager? Wenn nicht: Wann kommt Nachschub? Teillieferung möglich?
Schritt 6: Auftrag prüfen und bestätigen. Nochmal alles durchgehen. Stimmen die Mengen? Die Preise? Die Lieferadresse? Dann abspeichern und Auftragsbestätigung rausschicken.
Sechs Schritte. Pro Bestellung.
Im Durchschnitt braucht eine manuelle Bestellerfassung 10 bis 15 Minuten. Bei einem einfachen Auftrag mit drei Positionen geht es schneller. Bei einer Bestellung mit 20 Zeilen und Sonderwünschen dauert es deutlich länger.
12 Minuten pro Auftrag ist der Branchendurchschnitt. Das klingt erstmal nicht dramatisch. Bis man hochrechnet.
Bei 200 Bestellungen am Tag sind das 2.400 Minuten. 40 Stunden. Jeden Tag. Fünf Vollzeitkräfte, die nichts anderes tun als Bestellungen abtippen.
Menschen machen Fehler. Das ist normal. Bei manueller Dateneingabe liegt die Fehlerquote laut APQC-Benchmark bei 1 bis 4 Prozent. Bei Telefonbestellungen sogar bei bis zu 10 Prozent.
Klingt wenig? Bei 1.000 Bestellungen im Monat sind das 10 bis 40 fehlerhafte Aufträge. Falsche Artikelnummer eingetippt. Menge verwechselt. Position übersehen. Falscher Kunde zugeordnet.
Jeder Fehler kostet im Schnitt 75 USD an Korrekturaufwand. Wenn es richtig schiefgeht — Fehllieferung, Retoure, verärgerte Kunden — können es bis zu 17.800 USD pro Fall werden.
Ein Großhändler aus der Praxis hat das mal gemessen: 3,5 Prozent Fehlerquote bei manueller Erfassung. Nach der Automatisierung: 0,4 Prozent. Das ist fast eine Zehnerpotenz weniger.
Was die meisten unterschätzen: Die sichtbaren Personalkosten sind nur die Spitze des Eisbergs. Die tatsächlichen Gesamtkosten manueller Prozesse liegen 3 bis 5 Mal höher als das, was ihr auf dem Gehaltszettel seht.
Da kommen dazu: Einarbeitung neuer Mitarbeiter. Qualitätskontrolle. Fehlerkorrektur. Kundenbeschwerden bearbeiten. Retouren abwickeln. Die ganzen Folgekosten, die nirgendwo in einer Zeile stehen.
Das fundamentale Problem: Manuelle Erfassung skaliert linear. Doppelt so viele Bestellungen heißt doppelt so viele Leute. Und die findet ihr gerade nicht. Im Innendienst herrscht Fachkräftemangel. Eure Leute verbringen 20 bis 40 Prozent ihrer Arbeitszeit mit stumpfem Abtippen statt mit Kundenbetreuung und Beratung.
Mehr Aufträge sind eigentlich eine gute Nachricht. Aber wenn der Engpass die Erfassung ist, bremst euch jedes Wachstum aus.
Das Problem ist nicht, dass eure Leute zu langsam sind. Die sind gut. Das Problem ist der Prozess.
Viele Großhändler wissen, dass manuelle Bestellerfassung Zeit kostet. Aber die wenigsten haben mal durchgerechnet, was das in Euro bedeutet. Machen wir das jetzt.
Nehmen wir einen mittelständischen Großhändler. Keine Riesenbude, kein Kleinstunternehmen. Typischer deutscher Mittelstand.
Die Eckdaten:
Die Rechnung:
200 Aufträge mal 12 Minuten sind 2.400 Minuten am Tag. Das sind 40 Stunden. Jeden Arbeitstag.
40 Stunden mal 35 Euro macht 1.400 Euro pro Tag. Im Monat sind das rund 30.800 Euro. Nur für Bestellungen erfassen.
Das entspricht fünf Vollzeitkräften, die den ganzen Tag nichts anderes tun als E-Mails öffnen, PDFs lesen, Kundennummern suchen und Positionen ins ERP tippen.
Fünf Leute. Nur für Dateneingabe.
30.800 Euro im Monat — nur für das manuelle Erfassen von Bestellungen. Das sind die sichtbaren Kosten. Die tatsächlichen Gesamtkosten liegen 3 bis 5 Mal höher.
30.800 Euro im Monat sind die sichtbaren Personalkosten. Aber das ist nur ein Teil der Geschichte.
Fehlerkosten: Bei 4.400 Bestellungen im Monat und einer Fehlerquote von 2 Prozent habt ihr 88 fehlerhafte Aufträge. Bei durchschnittlich 75 USD (ca. 70 Euro) Korrekturaufwand pro Fehler sind das nochmal 6.160 Euro im Monat. Nur für die Nacharbeit.
Und das sind die harmlosen Fehler. Tippfehler, falsche Mengen, verwechselte Artikel. Wenn eine Fehllieferung rausgeht und der Kunde reklamiert, wird es richtig teuer. Retoure, Neulieferung, Gutschrift, Kundenverlust. In Extremfällen bis zu 17.800 USD pro Vorgang.
TCO — die wahren Gesamtkosten: Die Gesamtkosten manueller Prozesse liegen laut Studien 3 bis 5 Mal höher als die reinen Personalkosten. Da steckt alles drin, was ihr nicht auf einer einzelnen Rechnung seht:
Konservativ gerechnet: Wenn die sichtbaren Kosten 30.800 Euro sind, liegt der tatsächliche TCO eher bei 90.000 bis 150.000 Euro im Monat.
Was passiert, wenn ihr 80 Prozent der Bestellungen automatisch erfasst? Das ist kein Wunschdenken. Das ist der Wert, den Unternehmen nach der Einführung typischerweise erreichen.
Die neue Rechnung (80 % Automatisierungsrate):
11 Stunden mal 35 Euro macht 385 Euro am Tag. Im Monat rund 8.200 Euro.
Monatliche Ersparnis: ca. 22.500 Euro.
Dazu kommen weniger Fehler, schnellere Auftragsbestätigungen und Mitarbeiter, die endlich Zeit für Kundenbetreuung haben.
Die Gegenfrage, die jetzt kommt. Berechtigte Frage.
Bei einer Ersparnis von 22.500 Euro im Monat und Softwarekosten von maximal 5.000 Euro ist das ein klarer Business Case. Break-Even bei SaaS: 1 bis 3 Monate. Bei Eigenentwicklung: 2 bis 6 Monate inklusive Setup.
Manuelle Bestellerfassung kostet einen mittelständischen Großhändler mit 200 Aufträgen am Tag rund 30.800 Euro im Monat an reinen Personalkosten. Die tatsächlichen Gesamtkosten sind 3 bis 5 Mal höher.
Mit 80 Prozent Automatisierung spart ihr über 22.000 Euro im Monat. Und das ist nur die direkte Ersparnis, ohne Fehlerreduktion und bessere Kundenbindung.
Die Frage ist nicht, ob sich Automatisierung lohnt. Die Frage ist, wie lange ihr es euch leisten könnt, darauf zu verzichten.
Automatische Bestellerfassung klingt nach einem großen Wort. In der Praxis stecken drei Technologie-Bausteine dahinter, die zusammen fast jeden Bestellkanal abdecken. Kein einzelnes Wundertool. Sondern eine Kombination, die zum Großhandel passt.
EDI (Electronic Data Interchange) ist der Klassiker. Bestellungen werden direkt von System zu System übertragen. Euer Kunde schickt eine strukturierte Nachricht, euer ERP liest sie automatisch ein. Kein Mensch tippt irgendetwas ab.
Im Großhandel sind Standards wie EDIFACT und openTRANS verbreitet. Funktioniert zuverlässig und ist seit Jahren erprobt.
Der Haken: EDI lohnt sich nur bei Großkunden mit hohem Bestellvolumen. Die Anbindung dauert Wochen bis Monate pro Kunde. Für eure Top-20-Kunden ist das sinnvoll. Für die restlichen 500? Unrealistisch.
Und genau das ist das Problem. Die meisten Bestellungen im Großhandel kommen nicht von den Großkunden. Sie kommen von der langen Liste mittelgroßer und kleiner Kunden, die per E-Mail, PDF oder Fax bestellen. EDI allein löst also nur einen Teil des Problems.
Hier wird es spannend. Moderne KI-Systeme kombinieren zwei Technologien:
OCR (Optical Character Recognition) liest Text aus PDFs, Scans und Faxen. Egal ob maschinenlesbares PDF oder eingescanntes Papierdokument.
NLP (Natural Language Processing) versteht den Inhalt. Das System erkennt: Das ist eine Bestellung. Der Kunde ist Müller GmbH. Er will 500 Stück Artikel X und 200 Stück Artikel Y. Lieferung bis Freitag.
Das funktioniert auch bei Freitext-E-Mails, bei denen kein festes Format existiert. Die KI lernt, wie eure Kunden bestellen, und wird mit der Zeit besser.
Wie schnell geht das?
Ein konkretes Beispiel: Der Elektrogroßhändler EVG aus Duisburg hat seine Bestellerfassung mit KI automatisiert. Vorher: 4,5 Minuten pro Auftrag. Nachher: 16 Sekunden.
16 Sekunden. Die KI liest die Bestellung, extrahiert alle Positionen, gleicht gegen die Stammdaten ab und übergibt den fertigen Auftrag ans ERP. Ein Mitarbeiter prüft kurz und gibt frei.
In einem Quartal hat EVG damit 68 Arbeitstage eingespart. Das sind fast 95,5 Prozent weniger Zeitaufwand pro Auftrag.
Auch bei Karl Bachl, einem Bauzulieferer aus Bayern mit rund 350 Bestellungen pro Woche, zeigt sich das Bild: 78,5 Prozent Effizienzsteigerung und 20 Stunden pro Woche weniger manuelle Arbeit.
Die KI tippt nicht blind ab. Jede erkannte Position wird gegen eure ERP-Stammdaten geprüft:
Wenn alles passt, geht der Auftrag durch. Wenn etwas nicht stimmt — unbekannte Artikelnummer, ungewöhnlich hohe Menge, neuer Kunde — wird der Auftrag markiert.
Kein vernünftiges System läuft komplett ohne Menschen. Das Prinzip heißt Human-in-the-Loop.
Die KI erledigt 80 bis 90 Prozent der Aufträge vollautomatisch. Bei den restlichen 10 bis 20 Prozent — Sonderfälle, unklare Bestellungen, Abweichungen — springt ein Sachbearbeiter ein. Das System zeigt genau an, was es erkannt hat und wo es unsicher ist. Der Mitarbeiter prüft, korrigiert wenn nötig und gibt frei.
Das ist kein Rückschritt. Das ist der richtige Ansatz. Ihr wollt keine Blackbox, die Aufträge anlegt, die keiner geprüft hat. Ihr wollt ein System, das die Routinearbeit übernimmt und bei Ausnahmen den Menschen einbindet.
Die Fehlerquote sinkt dabei drastisch. Studien zeigen eine Reduktion von über 80 Prozent. Ein Praxisbeispiel aus dem Großhandel: Von 3,5 Prozent Fehlerquote runter auf 0,4 Prozent.
Der dritte Baustein ist der eigene B2B-Webshop oder ein Kundenportal. Wenn eure Kunden direkt im System bestellen, entfällt die Erfassung komplett. Null manueller Aufwand.
In der Theorie die beste Lösung. In der Praxis die schwierigste. Viele Großhandelskunden bestellen seit Jahren per E-Mail oder Telefon und sehen keinen Grund, das zu ändern. Die Akzeptanz von B2B-Portalen wächst, aber langsam.
Der Webshop ist deshalb ein Langfristziel. Nicht das, womit ihr morgen anfangt.
Die beste Strategie für den Großhandel ist keine Entweder-oder-Entscheidung:
So deckt ihr alle Bestellkanäle ab. Die KI-Implementierung geht dabei deutlich schneller als eine EDI-Anbindung — wenige Tage bis Wochen statt Monate pro Kunde. Und moderne Systeme erreichen Erkennungsraten von über 90 Prozent, bei angelernten Formaten nahe 100 Prozent.
Die Technologie ist 2026 produktionsreif. 63 Prozent der Großhändler und Hersteller bewerten KI bereits als hoch relevant. Bis 2030 sollen es 85 Prozent sein. Die Frage ist nicht mehr ob, sondern wann.
Theorie ist das eine. Aber was passiert, wenn Großhändler das tatsächlich umsetzen? Hier sind drei Unternehmen aus Deutschland, die ihre Bestellerfassung automatisiert haben. Mit echten Zahlen, nicht mit Marketing-Versprechen.
EVG handelt und fertigt elektronische und elektromechanische Komponenten. Ein klassischer B2B-Großhändler mit hohem Bestellvolumen über E-Mail und PDF.
Vorher: Jede Bestellung wurde manuell erfasst. E-Mail öffnen, PDF lesen, Kundennummer suchen, Positionen ins ERP tippen, Auftrag prüfen. Zeitaufwand: 4,5 Minuten pro Auftrag. Klingt nicht viel, summiert sich aber brutal bei hunderten Bestellungen pro Woche.
Nachher: Ein KI-Agent liest die Bestellung, validiert gegen die Stammdaten und übergibt den Auftrag ans ERP. Der Innendienst leitet die E-Mail weiter, der Rest passiert automatisch. Bearbeitungszeit: 16 Sekunden.
Die Zahlen:
Sebastian Rippen, IT-Leiter bei EVG, bringt es auf den Punkt: Der Prozess beschränkt sich jetzt darauf, die Bestellung an den KI-Agenten weiterzuleiten, der im Grunde die ganze Arbeit erledigt.
Karl Bachl ist ein Bauzulieferer aus Röhrnbach in Bayern. Kunststoffverarbeitung, großes Sortiment, viele Bestellungen über verschiedene Kanäle.
Vorher: Ca. 350 Bestellungen pro Woche, jede manuell erfasst. Das sind 1.400 Bestellungen im Monat. Ein Team von Innendienstmitarbeitern, das den ganzen Tag Daten abtippt.
Nachher: 78,5 % Effizienzsteigerung. Pro Auftrag spart das Team 3,5 Minuten. Klingt wenig, aber rechnet das mal hoch: 350 Bestellungen mal 3,5 Minuten sind über 20 Stunden pro Woche.
Was das konkret bedeutet:
Bei Karl Bachl war ein Zusatzeffekt besonders wertvoll: Die automatische Erkennung von Fehlern in den Bestellungen selbst. Wenn ein Kunde eine falsche Artikelnummer schickt oder eine Menge nicht zum üblichen Bestellverhalten passt, schlägt das System Alarm. Das fängt Probleme ab, bevor sie im Lager landen.
Die Meesenburg Gruppe ist ein Großhändler für Beschlag- und Sicherheitstechnik. Ein anderer Ansatz, aber das gleiche Ergebnis.
Meesenburg setzt auf eine SAP-basierte KI-Plattform. Der Fokus liegt hier nicht nur auf der Bestellerfassung, sondern auf der gesamten Vertriebsarbeit. Routineaufgaben wie Auftragsanlage, Statusabfragen und Datenabgleich werden automatisiert.
Das Ergebnis: Jeder Vertriebler gewinnt bis zu 1 Stunde pro Tag. 60 Minuten, die vorher in repetitive Aufgaben geflossen sind, stehen jetzt für Kundengespräche, Beratung und Neugeschäft zur Verfügung.
Bei 20 Vertrieblern sind das 20 Stunden am Tag. 100 Stunden pro Woche. 400+ Stunden im Monat. Alles reine Vertriebszeit, die vorher in Admin versunken ist.
Die drei Beispiele zeigen ein klares Muster:
Die Zeitersparnis ist massiv. Nicht 10 oder 20 Prozent, sondern 78 bis 95 Prozent. Das ist kein inkrementelles Optimieren, das ist ein Prozess, der sich fundamental verändert.
Die Effekte skalieren. EVG spart 68 Arbeitstage in einem Quartal. Karl Bachl 20 Stunden pro Woche. Meesenburg eine Stunde pro Vertriebler pro Tag. Je mehr Bestellungen ihr verarbeitet, desto größer der Hebel.
Die Mitarbeiter werden nicht ersetzt, sondern entlastet. In keinem der Beispiele wurden Stellen gestrichen. Stattdessen macht der Innendienst jetzt das, wofür er eigentlich da ist: Kunden beraten, Probleme lösen, Umsatz generieren.
Wenn ihr 200+ Bestellungen pro Woche manuell erfasst, liegt bei euch dasselbe Potenzial. Die Frage ist nicht ob, sondern wann.
Die Praxisbeispiele zeigen, was möglich ist. Aber wie sieht das technisch aus? In diesem Kapitel bauen wir einen konkreten Workflow, der E-Mail-Bestellungen automatisch erfasst. Keine Blackbox, sondern ein transparenter Prozess, den ihr selbst kontrolliert.
Schritt 1: E-Mail-Postfach überwachen (IMAP)
Der Workflow startet mit einem IMAP-Trigger. Er überwacht euer Bestellpostfach (bestellungen@firma.de) und springt an, sobald eine neue E-Mail reinkommt. Keine Verzögerung, kein manuelles Postfach-Checken.
n8n prüft dabei automatisch: Ist ein Anhang dabei? PDF, Excel, Bild? Der Anhang wird extrahiert und für den nächsten Schritt vorbereitet.
Schritt 2: Bestellung parsen (LLM-API)
Jetzt kommt die KI ins Spiel. Der E-Mail-Text und die Anhänge gehen an ein Sprachmodell. Das kann GPT-4, Claude oder ein anderes LLM sein, das ihr über eine API ansprecht.
Das Modell bekommt einen klaren Auftrag: Lies diese Bestellung und gib mir strukturierte Daten zurück. Kundenname, Artikelbezeichnungen, Mengen, gewünschter Liefertermin. Als JSON, nicht als Freitext.
Bei PDF-Anhängen wird vorher OCR eingesetzt, um den Text zu extrahieren. Das funktioniert auch bei gescannten Faxbestellungen, die als PDF im Postfach landen.
Das Ergebnis: Aus einer unstrukturierten E-Mail wird ein sauberer Datensatz.
Schritt 3: Stammdatenabgleich (ERP-Datenbank)
Die extrahierten Daten werden gegen eure ERP-Datenbank geprüft. n8n verbindet sich per MySQL-, Postgres- oder HTTP-Node direkt mit eurem System.
Was passiert hier konkret:
Bei Unstimmigkeiten geht der Auftrag nicht blind durch. Stattdessen wird er als Ausnahme markiert und ein Mitarbeiter bekommt eine Benachrichtigung zur kurzen Prüfung.
Schritt 4: Auftrag im ERP anlegen
Wenn alle Daten validiert sind, legt n8n den Auftrag direkt im ERP an. Per REST-API, SOAP-Schnittstelle oder Dateiexport, je nachdem was euer System unterstützt.
Der Auftrag enthält alle relevanten Daten: Kundennummer, Positionen, Mengen, Preise nach Kundenkonditionen, Liefertermin. Fertig angelegt, als hätte es ein Mitarbeiter manuell gemacht.
Schritt 5: Bestätigung senden
Letzter Schritt: Der Kunde bekommt automatisch eine Auftragsbestätigung per E-Mail. Intern geht eine Benachrichtigung an den zuständigen Sachbearbeiter, per E-Mail, Slack oder Telegram.
Bei Ausnahmen (niedriger Confidence-Score, unbekannter Artikel, ungewöhnliche Menge) wird der Sachbearbeiter aktiv einbezogen. Alles andere läuft durch, ohne dass jemand einen Finger rühren muss.
Die meisten SaaS-Lösungen für Auftragserfassung laufen in der Cloud. Eure Bestelldaten, Kundennamen, Preise und Konditionen liegen dann auf fremden Servern.
Mit n8n habt ihr drei entscheidende Vorteile:
DSGVO-Konformität. n8n läuft auf eurem eigenen Server. Kundendaten verlassen euer Netzwerk nicht. Bei LLM-APIs könnt ihr auf europäische Anbieter oder Self-hosted-Modelle setzen.
Kosten. Keine pro-Auftrag-Gebühren, keine Volumen-Staffeln, keine Überraschungen auf der Rechnung. Ihr zahlt für den Server und die LLM-API-Aufrufe, fertig.
Flexibilität. Ihr könnt den Workflow jederzeit anpassen. Neuer Bestellkanal? Neues ERP? Spezielle Validierungsregel? Alles in n8n konfigurierbar, ohne auf den SaaS-Anbieter warten zu müssen.
| SaaS (Workist, Caya) | Self-hosted (n8n + LLM) | |
|---|---|---|
| Monatliche Kosten | 1.000–5.000 €/Monat | 500–2.000 €/Monat |
| Preismodell | Pro Auftrag / Volumen-Staffel | Server + LLM-API-Verbrauch |
| Setup-Aufwand | Gering (Onboarding durch Anbieter) | Mittel (eigenes Setup oder Dienstleister) |
| DSGVO | Auftragsverarbeitung, Daten in der Cloud | Volle Kontrolle, Daten on-premise |
| Anpassbarkeit | Begrenzt (Feature-Requests) | Unbegrenzt (eigener Code) |
| Skalierungskosten | Steigen mit Volumen | Bleiben weitgehend konstant |
Bei 200+ Bestellungen am Tag lohnt sich Self-hosted fast immer. Die LLM-Kosten pro Auftrag liegen bei wenigen Cent, der Server kostet einen festen Betrag. Bei SaaS-Lösungen steigt die Rechnung mit jedem zusätzlichen Auftrag.
Für kleinere Unternehmen mit unter 50 Bestellungen am Tag kann eine SaaS-Lösung der schnellere Einstieg sein. Kein Setup, kein Server-Management, dafür höhere laufende Kosten auf Dauer.
Ihr wisst jetzt, was möglich ist und wie es technisch funktioniert. Bleibt die Frage: Wie fängt man an? Hier ist ein 4-Phasen-Plan, der in 4 bis 8 Wochen von der Analyse bis zum laufenden System führt.
Bevor ihr irgendetwas automatisiert, müsst ihr wissen, was ihr automatisiert. Klingt banal, wird aber oft übersprungen.
Was ihr in dieser Phase macht:
Das Ergebnis: Ihr wisst genau, wo der größte Hebel liegt. Meistens ist es E-Mail. 60 bis 80 Prozent der Bestellungen im Großhandel kommen per E-Mail oder mit PDF-Anhang. Genau der Kanal, den KI am besten automatisieren kann.
Typische Erkenntnis: Unternehmen sind überrascht, wie viel Zeit tatsächlich in der manuellen Erfassung steckt. Die Schätzung liegt meistens bei 5 bis 8 Minuten pro Auftrag. Die Messung ergibt 10 bis 15 Minuten, wenn man ehrlich ist.
Nicht alles auf einmal. Fangt mit einem Kanal an. E-Mail-Bestellungen sind der beste Startpunkt, weil sie das höchste Volumen haben und technisch am einfachsten zu automatisieren sind.
Was ihr in dieser Phase macht:
Wichtig: In den ersten zwei Wochen läuft das System parallel zum manuellen Prozess. Ihr vergleicht: Hat die KI richtig erkannt? Stimmen die Artikelzuordnungen? Wo hakt es?
Erfahrungsgemäß erreicht ihr nach 50 bis 100 verarbeiteten Bestellungen eine Erkennungsrate von über 90 Prozent. Die häufigsten Fehler in den ersten Tagen: Artikel-Matching bei ungewöhnlichen Bezeichnungen und Kundenzuordnung bei neuen Absendern.
Wenn der E-Mail-Kanal stabil läuft, erweitert ihr den Workflow.
Fax-Bestellungen: Kommen ohnehin als PDF per E-Mail rein (die meisten Faxlösungen leiten digital weiter). Damit sind sie praktisch schon abgedeckt.
PDF-Bestellungen per Upload: Kunden, die Bestellungen als PDF hochladen oder per Messenger schicken, könnt ihr über einen zusätzlichen Eingangskanal einbinden.
EDI bleibt EDI. Für Großkunden, die bereits per EDIFACT oder OpenTrans angebunden sind, ändert sich nichts. Die laufen weiter wie bisher. Die KI-Automatisierung schließt die Lücke für alle anderen Kunden, die nicht über EDI bestellen.
Telefonbestellungen: Der schwierigste Kanal. Kurzfristig hilft eine Zwischenlösung: Der Innendienst tippt eine kurze Zusammenfassung der Telefonbestellung, die dann vom Workflow verarbeitet wird. Langfristig könnt ihr KI-basierte Spracherkennung einbauen, aber das ist noch Zukunftsmusik.
In dieser Phase erhöht ihr auch die Automatisierungsrate. Aufträge mit hohem Confidence-Score gehen ohne Freigabe direkt durch. Nur Ausnahmen landen beim Sachbearbeiter.
Das System läuft. Jetzt geht es um Feinschliff und Überwachung.
KPIs, die ihr tracken solltet:
Typische Optimierungen:
Bevor ihr startet, checkt diese drei Voraussetzungen:
1. ERP-API-Zugang. Euer ERP muss eine Schnittstelle haben, über die Aufträge angelegt werden können. REST-API ist ideal, Datenbankzugang geht auch. Die meisten modernen ERPs (SAP, Microsoft Dynamics, proALPHA, Sage) bieten das. Bei älteren Systemen hilft ein Dateiexport als Zwischenlösung.
2. n8n-Instanz. Ein Linux-Server mit Docker reicht. 4 GB RAM, 2 CPU-Kerne. Kostet bei einem Cloud-Anbieter ca. 20 bis 50 Euro im Monat. Oder ihr nutzt einen bestehenden Server in eurem Netzwerk.
3. LLM-Budget. Die API-Kosten für ein Sprachmodell liegen bei wenigen Cent pro Bestellung. Bei 200 Bestellungen am Tag sind das ca. 100 bis 300 Euro im Monat. Kein Vergleich zu den Personalkosten, die ihr einspart.
Ihr verarbeitet hunderte Bestellungen pro Woche manuell und wollt wissen, wie viel Automatisierung bei euch konkret bringt?
Wir analysieren eure Bestellprozesse und zeigen euch in einer kostenlosen Beratung, wo der größte Hebel liegt und wie ein n8n-Workflow für euer Setup aussehen würde.
