Wie wir KI mit echten Aufträgen trainieren, ohne Daten zu speichern

Die meisten KI-Lösungen für die Auftragsbearbeitung müssen Ihre Kundendaten im Rohformat speichern, um daraus zu lernen. Das schafft DSGVO-Risiken und bindet Sie an einen einzigen Anbieter.

Wir haben einen anderen Weg gewählt: Wir trainieren auf Struktur und Kontext, nicht auf gespeicherten Dokumenten. In diesem Artikel erklären wir, wie Context Modelling funktioniert. Und warum es die Genauigkeit über 95 % gebracht hat, ohne jemals sensible Auftragsdaten zu behalten.

Welche drei Ansätze gibt es für KI-gestützte Auftragsbearbeitung?

KI für Auftragsautomatisierung braucht Trainingsdaten. Die eigentliche Frage ist: Woher kommen diese Daten, und was passiert damit?

In der Praxis sehen wir drei gängige Ansätze. Die meisten Lösungen wählen einen der ersten zwei. Wir haben uns bewusst für den dritten entschieden.

Ansatz 1: OCR kombiniert mit Machine Learning

Der erste Ansatz beginnt mit OCR: Dokument scannen, Text auslesen, und ein Modell lernt mit der Zeit Muster. Mehr erfahren über den Hyperfox IDP Agent.

Das klingt logisch. In der Realität scheitert es schnell.

OCR tut sich schwer mit Handschrift, ungewöhnlichen Layouts und Scans in schlechter Qualität. Die Machine-Learning-Schicht dahinter braucht große Mengen gelabelter Daten, bevor sie zuverlässig wird.

B2B-Händler arbeiten mit hunderten verschiedenen Auftragsformaten, von PDFs über Tabellen bis zu Fotos. Da wird das schnell zum Wartungsproblem. Jeder neue Sonderfall erfordert erneutes Training.

Ansatz 2: ein großes Sprachmodell fine-tunen

Ein anderer Ansatz trainiert ein großes Sprachmodell auf internen Auftragsdaten oder tunt es darauf fein.

Die Idee: Das Modell lernt irgendwann den unternehmensspezifischen Kontext.

Das hat aber seinen Preis. Sie müssen große Mengen an Auftragsdaten im Rohformat speichern, erhebliche Rechenleistung bereitstellen und monatelang nachjustieren, bis das Modell stabil läuft.

Außerdem sind Sie an eine bestimmte Modellarchitektur gebunden. Bringt ein Anbieter eine neue Version heraus, beginnt das Fine-Tuning möglicherweise von vorn.

Ansatz 3: Context Modelling (was wir tatsächlich tun)

Wir haben einen dritten Weg gewählt: Context Modelling.

Statt Rohaufträge in eine Trainingspipeline zu geben, strukturieren wir den Kontext rund um den Auftrag.

Für jeden Kunden legen wir fest, wie ein gültiger Auftrag aussieht. Dazu gehören Produktkataloge, Preisvereinbarungen, Lieferregeln, Verpackungsregeln und die typischen Ausnahmen, die das Team bearbeitet.

Mit diesem strukturierten Kontext arbeitet die KI. Nicht mit dem Rohdokument selbst.

Kommt ein Auftrag herein, ob als PDF, Excel-Datei, E-Mail-Text oder sogar Sprachnachricht, läuft es so.

Die KI liest das Dokument und erfasst die relevanten Felder.
Das System prüft diese Felder gegen die kundenspezifischen Regeln.
Ein Mensch sieht sich die Ausnahmen an.
Das Feedback aus dieser Prüfung verbessert das System mit der Zeit.

Was wir nicht behalten: Rohaufträge, identifizierbare Kundendaten, Preisangaben oder Lieferadressen.

Was wir behalten: die Struktur, die Validierungsregeln und die Sonderfälle, die die Genauigkeit verbessern helfen.

Kurz gesagt: Wir lernen aus Mustern, nicht aus gespeicherten Dokumenten.

Warum zählt Context Modelling in der Praxis?

Dieser Ansatz bringt mehrere Vorteile, die sich mit der Zeit gegenseitig verstärken.

Schneller Start

Weil wir nicht für jeden Kunden ein neues Modell trainieren, dauert die Einführung Tage statt Monate.

Das System lernt aus Struktur, nicht aus Volumen. Sobald die Kontextschicht des Kunden mit Regeln, Mappings und Ausnahmen eingerichtet ist, kann die KI sofort Aufträge bearbeiten.

Modellunabhängigkeit

Context Modelling heißt: Wir sind nicht an einen einzigen Modellanbieter gebunden.

Kommt morgen ein besseres Modell, wechseln wir, ohne alles neu zu bauen. Die Intelligenz steckt in der strukturierten Kontextschicht.

Datenschutz als Designprinzip

Wir brauchen keine sensiblen Auftragsdaten, um genauer zu werden.

Bei einigen Kunden hat dieser Ansatz die Genauigkeit mit der Zeit über 95 % gebracht. Nicht auf Kosten des Datenschutzes, sondern weil wir das System darum herum gebaut haben.

Dieselbe Philosophie steckt hinter unserer Codex-Funktion.

Codex ist eine strukturierte Wissensschicht. Darin werden die kundenspezifischen Interpretationsregeln explizit und maschinenlesbar. Die Geschäftslogik, die normalerweise in einem Kopf steckt, wird Teil des Systems.

So kann eine Auftragsposition wie „4x Mayonnaise“ bei einem Kunden automatisch Paletten bedeuten und bei einem anderen Eimer.

Der eigentliche Unterschied

Viele Anbieter im Bereich Auftragsautomatisierung werben mit KI-gestützter Bearbeitung.

In der Praxis heißt das oft: OCR mit einer schöneren Oberfläche. Oder Modelle, die monatelang Daten sammeln müssen, bevor sie Nutzen bringen.

Wir halten die bessere Frage für eine andere: nicht, wie klug die KI ist.

Die eigentliche Frage ist, wie gut das System Ihr Geschäft versteht.

Dafür müssen Sie keine Kundenaufträge speichern. Dafür müssen Sie die Regeln, den Kontext und die Ausnahmen strukturieren und jeden Auftrag prüfen, bevor er Ihr ERP-System erreicht.

Genau das ermöglicht Context Modelling.

Wenn Sie sehen möchten, wie das mit Ihren Auftragstypen funktioniert, buchen Sie eine Demo mit unserem Team. Wir zeigen Ihnen gern ein Live-Beispiel.

Bereit zu sehen, wie das für Ihr Unternehmen funktioniert? Demo buchen und wir gehen ein Live-Beispiel mit Ihren eigenen Auftragsdaten durch.