Supply Chain
Automation
Wie Agentic AI das Chaos unstrukturierter E-Mail-Bestellungen in einem SAP-geführten Industrieunternehmen in einen fehlerfreien, autonomen Workflow verwandelte.
Executive Summary
Unser Kunde ist ein mittelständischer Automobilzulieferer mit über 1.200 Mitarbeitern. Jeden Tag erreichen das Backoffice hunderte Bestellungen, Lieferabrufe und Änderungsanfragen von internationalen Großkunden. Das Problem: Diese Aufträge kommen nicht ordentlich formatiert über eine EDI-Schnittstelle (Electronic Data Interchange), sondern als chaotische E-Mails. Manchmal ist es ein PDF-Anhang, manchmal ein Foto eines Lieferscheins im Fließtext, und oft gibt es Sprachbarrieren durch internationale Zulieferer.
Ein Team von 15 Disponenten verbrachte 60% seiner Arbeitszeit (die sogenannten "Swivel Chair Operations") damit, diese unstrukturierten E-Mails zu lesen, die wesentlichen Daten (Artikelnummer, Menge, Lieferdatum) händisch herauszusuchen und in das starre SAP ERP-System abzutippen. Dies führte zu enormen Latenzzeiten zwischen Bestelleingang und Produktionsplanung sowie zu menschlichen Übertragungsfehlern, die im schlimmsten Fall zu Bandstillständen bei den Automobilkonzernen führten – ein Millionenrisiko.
Corestone Solutions ersetzte diesen manuellen Prozess durch eine "Agentic Workflow"-Architektur. Wir bauten ein System aus spezialisierten KI-Agenten, die das E-Mail-Postfach überwachen, Dokumente visuell und semantisch verstehen, Daten extrahieren, gegen die SAP-Stammdaten abgleichen und den Auftrag autonom im ERP anlegen. Nur bei echten Anomalien wird ein Mensch hinzugezogen ("Human-in-the-Loop").
10.000+
Aufträge / Monat
< 3 Min
Verarbeitungszeit
94%
Autonomiesierungsgrad
Die Herausforderung: Unstrukturierte Daten in starren Systemen
Die Automobilindustrie ist berüchtigt für ihre strengen "Just-in-Time"-Lieferketten. Jede Verzögerung in der Bestellannahme kann zu einem Kettenbruch führen. Obwohl der Kunde ein hochmodernes SAP S/4HANA System nutzte, lag der Flaschenhals ganz am Anfang der Kette: beim Eingang der E-Mails.
Frühere Versuche, das Problem mit klassischem OCR (Optical Character Recognition) und Regex-Regeln zu lösen, waren kläglich gescheitert. Eine klassische OCR-Software benötigt starre Templates. Wenn Kunde A die Artikelnummer oben rechts platziert und Kunde B sie unten links "Art.Nr." nennt, versagt die Template-Logik. Und wenn ein Kunde einfach schreibt: "Please send the same batch of screws as last month, but 20% more, delivery next Tuesday to our Munich plant", kollabiert jedes regelbasierte System vollständig.
Zudem gab es das Problem der Validierung: Selbst wenn eine Artikelnummer extrahiert wurde, musste der Disponent prüfen, ob dieser Artikel überhaupt noch verfügbar war, ob er für diesen spezifischen Kunden freigegeben war und ob der Preis stimmte. Dies erforderte das ständige Springen zwischen E-Mail-Client und SAP-Screens.
Die Hauptblocker waren:
- Extreme Varianz im Input: PDFs, Excel-Dateien, eingescannte Faxe und unformatierter E-Mail-Text in 5 verschiedenen Sprachen.
- Kontextabhängigkeit: Eine Bestellung wie "same as last month" erfordert den Abruf historischer Daten.
- Systembruch: Die manuelle Schnittstelle zwischen Microsoft Outlook und SAP verursachte massive Verzögerungen, besonders bei Krankheitswellen im Backoffice.
Die Lösung: Multi-Agent Orchestration Workflow
Statt ein einzelnes, riesiges KI-Modell zu verwenden, bauten wir eine "Fließband"-Architektur aus kleinen, hochspezialisierten KI-Agenten, die Hand in Hand arbeiten.
Der Agenten-Workflow
1. Der Triage-Agent (Klassifizierung)
Ein erstes LLM überwacht die Inbox (über Microsoft Graph API). Es liest die E-Mail und entscheidet: Ist das eine neue Bestellung? Eine Reklamation? Eine Liefertermin-Änderung? Oder nur Spam? Ist es eine Bestellung, wird die Mail an den Extraktions-Agenten geroutet.
2. Der Extraktions-Agent (Vision & NLP)
Dieser Agent ist mit Multimodal-Fähigkeiten (GPT-4o / Claude 3 Opus) ausgestattet. Er "liest" PDFs, Tabellen und E-Mail-Texte. Er sucht nach semantischen Konzepten, nicht nach starren Boxen. Er extrahiert ein standardisiertes JSON-Objekt, das Kundennummer, Artikelnummer, Menge und Wunschlieferdatum enthält – egal, wo oder wie diese im Dokument versteckt waren. Er übersetzt auch unklare Anweisungen wie "next Tuesday" in ein exaktes ISO-Datum.
3. Der Validierungs-Agent (API Integration)
Dieser Agent nimmt das JSON und spricht via REST/OData Schnittstelle direkt mit SAP S/4HANA. Er gleicht die Artikelnummern ab, prüft die Kunden-ID und checkt den Lagerbestand. Findet er Unstimmigkeiten (z.B. der Kunde bestellt Artikel "A123", der im System aber "A-123-X" heißt), nutzt er Fuzzy-Matching und eine Vektorsuche in den Stammdaten, um den korrekten Artikel zu inferieren.
Human-in-the-Loop & Execution
Die größte Sorge des Managements war der Kontrollverlust. "Was ist, wenn die KI eigenmächtig 10.000 Reifen an den falschen Kunden schickt?"
Confidence Scoring
Jeder Agent vergibt einen Konfidenzwert (z.B. "Ich bin zu 99% sicher, dass Artikelnummer X gemeint ist"). Liegt die aggregierte Sicherheit über 95%, wird der Datensatz an den Execution-Agenten übergeben.
Execution Agent (RPA)
Dieser Agent feuert den API-Call an SAP, legt den Kundenauftrag ("Sales Order") an und schickt dem Kunden vollautomatisch die Bestellbestätigung per Mail. Der Mensch im Backoffice bekommt davon nichts mit – die Bestellung taucht einfach sauber in der Produktionsplanung auf.
Der Human-in-the-Loop Workflow
Liegt der Konfidenzwert unter 95% (z.B. handschriftliches Fax unleserlich, Artikelnummer existiert wirklich nicht), stoppt die Kette. Das JSON und das Original-PDF werden in ein Microsoft Teams Interface oder ein simples Web-Dashboard gepusht. Der Disponent sieht die Warnung: "Bitte Artikelnummer prüfen, ich bin mir unsicher". Er klickt auf "Korrigieren", wählt den richtigen Artikel, und das System lernt aus dieser Korrektur für das nächste Mal (Feedback-Loop).
Messbare Ergebnisse & Impact
Der Rollout der Architektur erfolgte phasenweise, beginnend mit den Top 5 Kunden und einer Ausweitung auf das gesamte Volumen innerhalb von vier Monaten.
- Radikale Geschwindigkeitssteigerung: Die Durchlaufzeit von "E-Mail kommt an" bis "Auftrag ist im SAP gebucht" reduzierte sich von durchschnittlich 4 Stunden (inklusive Liegezeit in der Inbox) auf weniger als 3 Minuten. Die Produktion kann nun in Echtzeit auf Bestelleingänge reagieren.
- 94% "Straight-Through-Processing" (STP): Im laufenden Betrieb werden mittlerweile 94 von 100 Bestellungen vom System ohne jegliche menschliche Interaktion verarbeitet. Die Fehlerquote sank auf 0%, da Tippfehler ("Fat-Finger-Errors") der Vergangenheit angehören.
- Fokus statt Copy-Paste: Das Disponenten-Team wurde nicht entlassen. Stattdessen nutzen sie ihre gewonnene Zeit nun für echtes Supply-Chain-Management: Verhandlung mit Lieferanten, Behebung von echten Eskalationen und strategische Planung. Die Mitarbeiterzufriedenheit stieg massiv an, da die langweiligste, repetitivste Aufgabe ihres Tages eliminiert wurde.
- Ausfallsicherheit: Die KI wird nicht krank, braucht keinen Urlaub und arbeitet 24/7. Bestellungen, die Freitagabend eintreffen, sind Montagmorgen um 6 Uhr bereits vollständig in der Produktion eingetaktet.
Fazit & Ausblick
Der Use-Case beweist eindrucksvoll die Macht von "Agentic AI". Sobald wir aufhören, KI nur als Chatbot (ChatGPT) zu betrachten und anfangen, sie als API-gesteuerte Entscheidungs-Engine in Workflows zu integrieren, entstehen die wahren Business-Werte. Unstrukturierte Daten sind nicht länger das unlösbare Problem der Digitalisierung – LLMs sind die perfekten "Übersetzer" zwischen menschlichem Chaos und maschineller Struktur.
Im nächsten Schritt evaluieren wir die Erweiterung der Agenten auf das Accounts Payable (Kreditorenbuchhaltung) Team, um den gesamten Rechnungsprüfungsprozess nach dem exakt gleichen Prinzip (Dokumentenverstehen → Validierung → Buchung) zu automatisieren.