Automatisiert verarbeitete Rechnungen
Rechnungsbetrag und Kundendaten werden mit einem lokal ausgeführten LLM aus den hochgeladenen Dateien extrahiert. Monatsdurchschnitt Januar bis März 2026.
5.700Rechnungen/Monat
Zuverlässige LLM-Verarbeitung von heterogenen Rechnungen
Bei einem Netzwerkdienstleister für Gebäudeschadenmanagement laufen jeden Tag Rechnungen von Hunderten Partnerbetrieben ein, vom Trocknungsspezialisten bis zum Malerbetrieb mit drei Leuten. Diese Rechnungsdokumente mussten bisher manuell gesichtet, ausgewertet, dem richtigen Schadenfall zugeordnet und für die Weiterleitung an den Versicherer einsortiert werden. Bei Trocknungen kamen noch die Messprotokolle dazu, die ebenfalls eine Person von Hand dem entsprechenden Vorgang zuordnen und mit den Rechnungen abgleichen musste. Bei hohem Dokumentenaufkommen band das spürbar Kapazitäten, insbesondere weil Format und Inhalt der Rechnungen von Betrieb zu Betrieb stark variieren. Aufgrund der sensiblen Natur der Daten sowie regulatorischer Vorgaben aus DSGVO, AI Act und DORA sollte die Verarbeitung zudem möglichst auf eigener, kontrollierter Infrastruktur stattfinden statt über externe Cloud-Dienste. Ziel war es, innerhalb dieser eigenen Infrastruktur ein extrem zuverlässiges System zu entwickeln, welches die Revision von Fällen minimiert und so eine echte Hilfe wird.
Analyse der bestehenden Prüf- und Weiterleitungsprozesse für Handwerkerrechnungen und Ermittlung des Bedarfs für den GPU-Server.
Unterstützung bei der Zusammenstellung der Hardware sowie Einrichtung des Anwendungs- und Inferenzservers.
Entwicklung der Pipeline zum Auslesen eingehender Handwerkerrechnungen (vom PDF bis zum abfotografierten Durchschlag) mittels lokal ausgeführtem LLM über vLLM, orchestriert mit Dify. Neben Rechnungen liest die Pipeline auch die Feuchtemessprotokolle und Gerätelaufzeiten der Trocknungsfirmen aus.
Automatisierung der komplexen Entscheidungslogik auf Basis der ausgelesenen Rechnungsdaten und der vorhandenen Falldaten in Dify: Weiterleitung an den Versicherer oder Rückfrage beim Betrieb. Alle Rechnungen eines Schadens landen dabei im selben Fall, egal wie viele Betriebe dran waren, und werden zusammen gegen die Freigabe des Versicherers geprüft. Passen die abgerechneten Gerätetage nicht zum Messverlauf, gibt's eine Rückfrage.
Für einreichende Handwerksbetriebe wird ein Handwerkerportal mit Upload für Rechnungen und Messprotokolle und verschiedenen weiteren Formularoptionen erstellt, welches mit einem Login gesichert ist und eingegebene Daten vor der Verarbeitung mehrstufig prüft.
Testphase mit eigens eingerichtetem Performance-Dashboard, auf dem die automatischen Aktivitäten beobachtet werden können. Übergang in den laufenden, von taliox betreuten Betrieb.

Wir haben für das Unternehmen ein Handwerkerportal für die Einreichung sowie eine Pipeline zur automatischen Verarbeitung eingehender Handwerkerrechnungen eingerichtet und übernehmen die Betreuung des laufenden Betriebs. Die Dokumente werden mittels lokal betriebenem LLM ausgelesen und auf Basis der extrahierten Daten und der vorhandenen Falldaten entscheidet die Pipeline anschließend automatisch, ob eine Rechnung direkt an den Versicherer weitergeht oder erst eine Rückfrage beim Betrieb nötig ist. Dabei führt sie alle Rechnungen eines Schadens zusammen, auch wenn vier verschiedene Betriebe daran gearbeitet haben, und prüft die Summe gegen die Freigabe des Versicherers. Bei Trocknungen liest das Modell außerdem die Messprotokolle mit und schaut, ob die abgerechneten Gerätetage zum Feuchteverlauf passen. Das Handwerkerportal mit der Möglichkeit zum Hochladen von Rechnungen, Mahnungen und weiteren Optionen wird mit Django betrieben. Für die Modellbereitstellung setzen wir auf vLLM, die Orchestrierung der Verarbeitungsschritte und die Entscheidungslogik erfolgt in Dify. Da die Verarbeitung sensibler Schaden- und Rechnungsdaten auf eigener Infrastruktur stattfinden sollte, haben wir das Unternehmen zusätzlich beim Einkauf eines passenden GPU-Servers unterstützt und betreiben und betreuen seither den Anwendungs- und Inferenzserver auf dieser Hardware. Die Lösung wurde unter Berücksichtigung von DSGVO, AI Act und DORA umgesetzt.
Rechnungsbetrag und Kundendaten werden mit einem lokal ausgeführten LLM aus den hochgeladenen Dateien extrahiert. Monatsdurchschnitt Januar bis März 2026.
5.700Rechnungen/Monat
Mahnungen werden automatisiert an die zugeordnete Versicherung weitergeleitet und ein Ticket zur Dokumentation wird erstellt. Monatsdurchschnitt Januar bis März 2026.
390Mahnungen/Monat
Rechnung einsortieren, Summe auslesen und diese mit Richtwerten entsprechend des Falls vergleichen passiert nun automatisch innerhalb der Prüfparameter. Auffälligkeiten werden entweder direkt als Rückfrage an den Kunden gestellt oder an Mitarbeitende weitergeleitet. Durchschnitt Januar bis März 2026.
30Sekunden
Vorher: 9 Minuten
Durch die Vollautomatisierung der Rechnungseinreichungen bekommen die Kunden innerhalb weniger Sekunden eine Rückmeldung über die erfolgreiche Zuordnung der Rechnung. Durchschnitt Januar bis März 2026.
30Sekunden
Vorher: 235 Minuten