top of page

Unser erstes USA-Projekt: KI-gestützte Dokumentprüfung auf Positionsebene (Repair Orders)

  • Autorenbild: herbertwagger
    herbertwagger
  • vor 2 Tagen
  • 3 Min. Lesezeit

Ein erfolgreiches US-Pilotprojekt auf Basis von BubbleGPT – mit universeller Anwendbarkeit auf komplexe Geschäftsunterlagen.

Einleitung

Im Rahmen unseres ersten USA-Projekts hat die INTRANET GmbH gemeinsam mit BubbleGPT eine hochspezialisierte Lösung entwickelt, die komplexe technische Dokumente automatisiert analysiert, strukturiert und auf Abweichungen überprüft.

Das Projekt entstand im Umfeld von umfangreichen Reparatur- und Serviceunterlagen („Repair Orders“), die im Automotive-Sektor eine zentrale Rolle spielen – insbesondere in juristischen und qualitätssichernden Kontexten.


Da der Kunde nicht namentlich genannt werden soll, sprechen wir bewusst allgemein von einem „US-Dienstleister im Automotive-Umfeld“.

Die Herausforderungen waren außergewöhnlich:hohe Dokumentenkomplexität, variierende Layouts, große Datenmengen, juristische Anforderungen an Nachvollziehbarkeit und Präzision, sowie der Bedarf an externen Validierungsdaten.

Auf Basis der Analyseunterlagen (Meeting-Notizen , technischer Analyse und Projektdokumentation ) entstand eine innovative End-to-End-Automatisierung, die wir als neues Best-Practice-Beispiel präsentieren.


Use Case – Automatisierte Analyse komplexer Service- und Reparaturdokumente

Der US-Dienstleister verarbeitet hunderte bis tausende sogenannte Repair Orders (ROs) – Service- und Reparaturabrechnungen, die Arbeitszeiten, technische Codes, Tätigkeitsbeschreibungen und Preise enthalten.

Die bisherigen manuellen Arbeitsschritte umfassten:

  • Öffnen jedes Dokuments

  • Manuelles Abschreiben von Arbeitspositionen

  • Vergleich der verrechneten Arbeitszeit mit OEM- oder Drittanbieter-Referenzwerten

  • Identifikation von Über- oder Unterverrechnungen

  • Erstellung von Excel-Protokollen

  • Vorbereitung für juristische Auseinandersetzungen

Der Prozess war zeitaufwendig, fehleranfällig und kaum skalierbar.

Die zentrale Frage:

Kann eine KI komplette Repair-Order-Dokumente automatisch erkennen, extrahieren, validieren und bewerten?

Ja – und genau dafür wurde ein neues BubbleGPT-Modul entwickelt.

Die Lösung: KI-gestützte Extraktion + Anomalieprüfung via BubbleGPT

1. Das neue Modul: Bubble Extractor™

(Marketingbezeichnung – intern „OCR Extractor“ als BubbleGPT-Modul)

Da klassische OCR-Technologie heute nicht mehr ausreicht, wurde gemeinsam ein neues KI-gestütztes Verfahren entwickelt, das:

  • nicht nur Text erkennt, sondern

  • Struktur, Tabellen, Zusammenhänge und technische Codes versteht,

  • mehrere Repair Orders in einer einzigen PDF erkennt,

  • komplexe Tabellen robust extrahiert,

  • semantische Zusammenhänge interpretiert,

  • Abweichungen erkennt,

  • Erklärungen liefert.

Der Bubble Extractor™ geht weit über OCR hinaus:Es ist ein domänenspezifischer, KI-kontrollierter Parser, der sowohl Layout-Varianten als auch „fuzzy“ Dokumentlogik versteht.

2. Technische Umsetzung (auszugsweise)

Wir zeigen bewusst nicht alle technischen Details – um das geistige Eigentum und die Innovationsführerschaft zu schützen. Gleichzeitig geben wir einen Überblick über die wichtigsten Bausteine.

2.1 Automatische RO-Erkennung und Parsing

Die KI erkennt:

  • Dealer-Informationen

  • RO-Nummer

  • VIN (Fahrgestellnummer)

  • Modell, Baujahr, Kilometerstand

  • Alle Arbeitspositionen inkl.

    • Line-Bezeichnung

    • OPCODE

    • Technischer Code

    • Tarifart (CP, Warranty, Inspection …)

    • Standard-Arbeitszeit (S/HRS)

    • Positionspreise

Strukturierte Datenformate folgen einem universellen Schema wie in der Analyse dokumentiert .

2.2 Anomalie-Erkennung mittels BubbleGPT

Basierend auf den extrahierten Daten erfolgt die intelligente Prüfung:

  • Interne Referenzwerte(Medianwerte ähnlicher Vorgänge – Phase 1)

  • Externe Standards(OEM- oder Drittanbieter-Daten – Phase 2)

  • Delta-Berechnungen(Abweichung absolut & prozentuell)

  • Ampel-Scoring(OK / gelb / rot – vgl. Analyseabschnitt zu Thresholds )

  • ErklärmodellWarum genau ist diese Position auffällig?

Die KI liefert vollständige, juristisch nachvollziehbare Prüfberichte.

2.3 Integration in BubbleGPT

BubbleGPT dient als Drehscheibe:

  • PDF hochladen → automatische Analyse

  • Tabellarische Auswertung

  • Filter & Insights über Chat (“Zeig mir alle roten Positionen…”)

  • Export als Excel/CSV

  • Optional DB-Speicherung für Serienanalysen

2.4 Vorbereitung Phase 2 – externe Referenzdaten

Der technische Entwurf unterstützt bereits:

  • OEM-Daten

  • Drittanbieter wie ALLDATA, Mitchell etc.

  • API- oder Operator-basierte Integration (abhängig von Lizenzen)

Diese Architektur ist im Analyse-Dokument ausführlich beschrieben .

3. Herausforderungen & Besonderheiten

1. Dokumentkomplexität

ROs enthalten variierende Layouts und viele Ausnahmen – die Lösung musste robust und fehlertolerant sein.

2. Juristische Anforderungen

Es muss klar nachvollziehbar sein:

  • woher Daten stammen

  • wie sie extrahiert wurden

  • wie die Bewertung erfolgt

  • warum eine Abweichung kritisch ist

3. Externe Datenquellen

In Phase 2 kommen Drittsysteme mit teils restriktiven Zugangsrechten hinzu (= besondere Herausforderung).

4. Skalierbarkeit

Der Dienstleister arbeitet mit hunderten bis tausenden ROs pro OEM und pro Staat – Skalierbarkeit war Pflicht.

5. Produktisierbarkeit

Das System sollte sowohl für dieses Projekt, als auch als generisches BubbleGPT-Modul wiederverwendbar sein.

4. Warum dieses Beispiel universell anwendbar ist

Viele Unternehmen kämpfen mit komplexen, strukturierten oder halbstrukturierten Dokumenten, etwa:

  • Rechnungen

  • Ausschreibungen

  • Wartungsberichte

  • Lieferscheine

  • Vertragsanhänge

  • Schadensmeldungen

  • Versicherungsunterlagen

  • technische Prüfprotokolle

Diese Dokumente enthalten:

  • Tabellen

  • viele Werte

  • technische Kürzel

  • Preise

  • Abhängigkeiten

  • Semantik

→ Genau hier entfaltet der Bubble Extractor™ seine Stärken.

Einmal trainiert – universell einsetzbar.

Die Lösung lässt sich innerhalb weniger Tage auf neue Dokumenttypen übertragen, da BubbleGPT als Basistechnologie dieselbe Pipeline nutzt.

5. Ergebnis & Mehrwert

Der US-Dienstleister verfügt nun über:

  • eine vollautomatisierte Extraktion und Analyse,

  • massive Zeitersparnis (Stunden → Minuten),

  • höhere Datenqualität,

  • bessere Vergleichbarkeit,

  • klar nachvollziehbare Strukturierung,

  • schnelle juristische Entscheidungsgrundlagen,

  • eine skalierbare Basislösung für weitere OEMs und Bundesstaaten.

BubbleGPT und der Bubble Extractor™ bilden dafür die technische Grundlage.


Fazit: Ein Leuchtturmprojekt für KI-Automatisierung komplexer Dokumente

Dieses Referenzprojekt zeigt, wie INTRANET GmbH und BubbleGPT den Schritt von klassischer OCR zu echter KI-gestützter Dokumentintelligenz vollzogen haben.

Der neu entwickelte Bubble Extractor™ ist ein generisches Modul, das auch in Zukunft für viele Branchen eingesetzt werden kann – überall dort, wo komplexe Dokumente automatisch analysiert, validiert und verglichen werden müssen.

 
 
 

Kommentare

bottom of page