{"id":2323,"date":"2026-03-02T12:09:07","date_gmt":"2026-03-02T11:09:07","guid":{"rendered":"https:\/\/cogita.ai\/?post_type=case-study&#038;p=2323"},"modified":"2026-04-02T12:18:53","modified_gmt":"2026-04-02T10:18:53","slug":"from-manual-quoting-to-minutes-ai-that-reads-orders-better-than-humans","status":"publish","type":"case-study","link":"https:\/\/cogita.ai\/de\/case-study\/from-manual-quoting-to-minutes-ai-that-reads-orders-better-than-humans\/","title":{"rendered":"Von&nbsp;der&nbsp;manuellen Angebotserstellung zum&nbsp;Protokoll - KI, die&nbsp;Auftr\u00e4ge besser liest als der&nbsp;Mensch"},"content":{"rendered":"<p><strong>Ein&nbsp;europ\u00e4ischer Hersteller reduzierte die&nbsp;Zeit f\u00fcr&nbsp;die&nbsp;Bearbeitung von&nbsp;Anfragen um ~80% und&nbsp;beseitigte seinen gr\u00f6\u00dften betrieblichen Engpass - ohne ein&nbsp;einziges System zu ersetzen.<\/strong><\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Problem<\/h3>\n\n\n\n<p>Ein&nbsp;gro\u00dfer europ\u00e4ischer Hersteller von&nbsp;kundenspezifischen Produkten war mit&nbsp;einer&nbsp;t\u00e4uschend einfachen Aufgabe \u00fcberfordert - dem&nbsp;Lesen eingehender Anfragen.<\/p>\n\n\n\n<p>Jede Angebotsanfrage kam in einem&nbsp;anderen Format an. Saubere PDFs, die&nbsp;mit&nbsp;CAD&#8209;Tools erstellt wurden. Gescannte Spezifikationsbl\u00e4tter. Fotos von&nbsp;handschriftlichen Notizen und&nbsp;Skizzen auf Papier. Jede Anfrage enthielt bis zu mehreren hundert technische Parameter, die&nbsp;manuell interpretiert, \u00fcberpr\u00fcft und&nbsp;in das&nbsp;Auftragsverwaltungssystem eingegeben werden mussten.<\/p>\n\n\n\n<p>Die&nbsp;Arbeit war langsam, fehleranf\u00e4llig und&nbsp;- was am&nbsp;kritischsten war - v\u00f6llig abh\u00e4ngig von&nbsp;einer&nbsp;Handvoll erfahrener Mitarbeiter, die&nbsp;als einzige in der&nbsp;Lage waren, komplexe Auftr\u00e4ge in verschiedenen Formaten richtig zu interpretieren. Wenn diese Mitarbeiter nicht verf\u00fcgbar waren, kam die&nbsp;Angebotserstellung nur schleppend voran. Angebote kamen versp\u00e4tet zur\u00fcck. Die&nbsp;Ums\u00e4tze gingen zur&nbsp;T\u00fcr hinaus.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Herausforderung<\/h3>\n\n\n\n<p>Die&nbsp;technische Hauptschwierigkeit bestand darin, eine&nbsp;hohe Genauigkeit bei&nbsp;der&nbsp;Extraktion von&nbsp;Auftragsparametern zu erreichen - manchmal mehrere Hundert pro einzelner Anfrage - und&nbsp;gleichzeitig eine&nbsp;stabile Leistung bei&nbsp;stark schwankender Eingabequalit\u00e4t zu gew\u00e4hrleisten.<\/p>\n\n\n\n<p>Das&nbsp;System musste alles verarbeiten, von&nbsp;maschinell erzeugten PDF&#8209;Dateien bis hin zu kaum lesbaren Fotos von&nbsp;handschriftlichen Notizen in mehreren Sprachen. Ein&nbsp;einziger falsch gelesener Parameter konnte ein&nbsp;falsches Angebot, ein&nbsp;falsches Produkt oder&nbsp;einen&nbsp;verlorenen Kunden bedeuten.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">L\u00f6sung<\/h3>\n\n\n\n<p>Wir haben ein&nbsp;mehrkomponentiges KI&#8209;System entwickelt, das&nbsp;das&nbsp;gesamte Spektrum der&nbsp;eingehenden Auftragsformate verarbeitet:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Multimodale LLM&#8209;Integration (OpenAI API)<\/strong> f\u00fcr&nbsp;die&nbsp;Texterkennung, einschlie\u00dflich Handschrift in mehreren Sprachen, kombiniert mit&nbsp;fortschrittlichem Prompt-Engineering, um eine&nbsp;konsistente Extraktion in allen Randf\u00e4llen zu gew\u00e4hrleisten.<\/li>\n\n\n\n<li><strong>Feinabgestimmte Computer-Vision-Modelle<\/strong> zur&nbsp;Erkennung bestimmter Details auf Eingabedokumenten und&nbsp;zur&nbsp;Klassifizierung von&nbsp;Zeichnungstypen.<\/li>\n\n\n\n<li><strong>Strukturierte Ausgabepipeline<\/strong> die&nbsp;die&nbsp;extrahierten Daten verarbeitet und&nbsp;die&nbsp;Ergebnisse im&nbsp;JSON&#8209;Format direkt an das&nbsp;bestehende Auftragsverwaltungssystem des&nbsp;Kunden liefert - keine&nbsp;manuelle Neueingabe, keine&nbsp;Middleware, keine&nbsp;Systemersetzungen.<\/li>\n<\/ul>\n\n\n\n<p>Die&nbsp;L\u00f6sung wird einfach in die&nbsp;bestehende Infrastruktur des&nbsp;Kunden integriert.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Ergebnisse<\/h3>\n\n\n\n<figure class=\"wp-block-table\"><table class=\"has-fixed-layout\"><thead><tr><th>Metrisch<\/th><th>Auswirkungen<\/th><\/tr><\/thead><tbody><tr><td><strong>Parameter pro Auftrag<\/strong><\/td><td>100+ automatisch aus einer&nbsp;einzigen RFQ extrahiert<\/td><\/tr><tr><td><strong>Bearbeitungszeit<\/strong><\/td><td>~80% Verk\u00fcrzung der&nbsp;Angebotsabwicklung<\/td><\/tr><tr><td><strong>Erforderliche System\u00e4nderungen<\/strong><\/td><td>Null - vollst\u00e4ndige Integration in die&nbsp;bestehende Infrastruktur<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n<p>Die&nbsp;L\u00f6sung verk\u00fcrzte die&nbsp;Antwortzeiten auf Anfragen drastisch, verbesserte die&nbsp;Genauigkeit der&nbsp;Dateneingabe und&nbsp;- was am&nbsp;wichtigsten ist - befreite qualifizierte Mitarbeiter von&nbsp;sich wiederholender manueller Arbeit. Sie k\u00f6nnen sich nun auf das&nbsp;konzentrieren, was ihr Fachwissen tats\u00e4chlich erfordert: die&nbsp;Bewertung der&nbsp;technischen Machbarkeit, die&nbsp;Beratung von&nbsp;Kunden und&nbsp;den&nbsp;Abschluss von&nbsp;Gesch\u00e4ften.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Kommt Ihnen das&nbsp;bekannt vor?<\/h3>\n\n\n\n<p>Wenn Ihr Team immer noch komplexe Auftr\u00e4ge manuell bearbeitet, Stunden mit&nbsp;der&nbsp;Dateneingabe vergeudet oder&nbsp;auf die&nbsp;eine&nbsp;Person wartet, die&nbsp;die&nbsp;Spezifikationen lesen kann, dann ist dieses Problem gel\u00f6st.<\/p>\n\n\n\n<p><a href=\"https:\/\/cogita.ai\/de\/contact-us\/\">Buchen Sie ein&nbsp;Gespr\u00e4ch \u2192<\/a><\/p>\n\n\n\n<p><\/p>","protected":false},"excerpt":{"rendered":"<p>A European manufacturer cut RFQ processing time by ~80% and eliminated its biggest operational bottleneck - without replacing a single system. Problem A major European manufacturer of custom-engineered products was drowning in a deceptively simple task - reading incoming RFQs. Every quote request arrived in a different format. Clean PDFs generated from CAD tools. Scanned [&hellip;]<\/p>\n","protected":false},"featured_media":0,"template":"","meta":{"_acf_changed":true},"class_list":["post-2323","case-study","type-case-study","status-publish","hentry"],"acf":[],"_links":{"self":[{"href":"https:\/\/cogita.ai\/de\/wp-json\/wp\/v2\/case-study\/2323","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/cogita.ai\/de\/wp-json\/wp\/v2\/case-study"}],"about":[{"href":"https:\/\/cogita.ai\/de\/wp-json\/wp\/v2\/types\/case-study"}],"wp:attachment":[{"href":"https:\/\/cogita.ai\/de\/wp-json\/wp\/v2\/media?parent=2323"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}