Auftragserfassung automatisieren (E-Mail-/PDF-Bestellungen ins ERP)

Viele B2B-Lieferanten erhalten noch einen großen Teil ihrer Bestellungen als E-Mails mit PDF-, Excel- oder Freitext- Anhängen, und Mitarbeitende der Auftragsabwicklung tippen sie ins ERP ab. Ein Agent für die Auftragserfassung liest jeden Kanal, extrahiert die Positionen, ordnet die Artikelnummern des Kunden dem Katalog des Lieferanten zu, prüft Preis, Lagerbestand und Konditionen gegen das ERP und bucht den Kundenauftrag. Saubere Bestellungen laufen ohne Eingriff durch; unklare gehen mit markiertem Problem an einen Menschen.

Problem & Nutzen

• Heute: Teams im Kundenservice öffnen das Postfach, lesen jede Bestellung, suchen Kunden- und Artikelnummern heraus, prüfen Preise und Liefertermine, erfassen den Auftrag im ERP und senden eine Bestätigung. Kunden nutzen Hunderte von Layouts; viele können oder wollen weder EDI noch einen Webshop nutzen. Typische Probleme: Tippfehler, falsche Artikelzuordnungen, späte Bestätigungen, Spitzen, die die Abwicklung blockieren, und Wissen, das in den Köpfen weniger Personen steckt (zum Beispiel „Artikelnr. 4711 von Kunde X bedeutet unseren Artikel 88-120").
• KI-Nutzen: Eine vorlagenfreie Extraktion ersetzt EDI-Projekte und OCR-Vorlagen je Kunde; der Abgleich mit den Stammdaten fängt Fehler vor dem Buchen ab; schnellere Bestätigungen; die Mitarbeitenden wenden sich Ausnahmen, Zusatzverkäufen und dem Kundenkontakt zu.
• Nutzenzahlen: Anbieter berichten von Raten ohne oder nahezu ohne Eingriff und großen Zeitersparnissen (zum Beispiel veröffentlichen Esker und Conexiom Kundenfallstudien [2][3]), doch das sind Marketingaussagen, keine unabhängigen Studien. Realistische Erwartung: zuerst an den eigenen historischen Bestellungen validieren; Zuordnungsfehler entstehen meist bei Kunden mit großen privaten Artikelnummernlisten, nicht beim Lesen des PDFs [1].

Varianten

• Hersteller / Großhändler (Mittelstand): PDF- und Excel-Bestellungen in SAP Business One, SAP S/4HANA, Microsoft Dynamics 365, Sage, proALPHA, abas oder Odoo.
• Lebensmittel- und Getränkegroßhandel / HoReCa: kurze, informelle Bestellungen per E-Mail, WhatsApp oder Sprachnachricht mit wechselnden Artikelbezeichnungen (Produkte vom Typ Choco); siehe auch CONV-025 für Sprachbestellung.
• Ersatzteile und technischer Handel: Bestellungen mit Bezug auf Kundenartikelnummern, Zeichnungen oder alte Bestellnummern; intensive Nutzung von Querverweistabellen.
• EDI-nah: Derselbe Agent verarbeitet EDIFACT- oder X12-Nachrichten, wo Partner sie senden, sodass eine Warteschlange alle Kanäle abdeckt.
• Abrufe aus Rahmenverträgen und Änderungen: Bestelländerungen, Stornierungen und Teillieferungen mit Bezug auf eine frühere Bestellung.
• Beschaffung der öffentlichen Hand: Der Bestelleingang auf der Einkaufsseite ist ein anderer Anwendungsfall, siehe AGENT-005.

So funktioniert es

1. intake (shared mailbox / EDI / portal / upload)
2. classify message (order | change | inquiry | complaint | spam) [AGENT-001, DOC-008]
3. parse attachments (PDF/image
4. document AI / VLM; Excel
5. table parser)
6. extract header + lines into a fixed JSON schema (structured outputs)
7. resolve entities (sold-to / ship-to, article, unit, currency) via master data + embeddings
8. validate (price vs. price list/contract, stock, credit limit, delivery date, MOQ, duplicates)
9. decide: auto-post | post as draft/request | route to human with highlighted source
10. ERP write (OData/REST/BAPI) + order confirmation + audit log

• Extraktion: Ein Vision-Language-Modell oder ein spezialisiertes Dokumentenmodell liest das Seitenbild und liefert schemagebundenes JSON. Excel-/CSV-Dateien werden zuerst deterministisch gelesen; das LLM ordnet nur die Bedeutung der Spalten zu.
• Entitätsauflösung: der schwierigste Schritt. Kombinieren Sie exakte Abfragen (kundenspezifische Querverweistabelle), unscharfe/Embedding-Suche über Artikelbeschreibungen und einen Reranker; das LLM darf nur unter den gefundenen Kandidaten wählen und niemals eine Artikelnummer erfinden.
• Agentischer Teil: Eine kleine Schleife mit Werkzeugen kann das ERP abfragen (Bestand, Preis, Bestellhistorie), dem Kunden per E-Mail eine Rückfrage stellen oder die vorherige Bestellung desselben Kunden nachschlagen. Schreibzugriffe auf das ERP laufen über ein schmales, berechtigtes Werkzeug.
• Mensch-in-der-Schleife (Human-in-the-Loop): Konfidenzschwelle je Feld und Kunde; neue Kunden, neue Artikel, Preise, die von der Liste abweichen, ungewöhnlich große Mengen und jede Zuordnung mit geringer Konfidenz gehen immer an die Auftragsabwicklung. Korrekturen aktualisieren die Querverweistabelle, sodass derselbe Fall beim nächsten Mal automatisch läuft.

Datenaufbereitung

Zwei Datenbestände sind wichtig. Erstens die eingehenden Bestellungen: E-Mails mit PDF-, Excel-, Fax- oder Foto-Anhängen, wobei jeder Kunde sein eigenes Layout nutzt und die Bestellungen meist in Bestellpostfächern liegen. Zweitens die Referenzdaten zur Validierung: Kundenstamm und Lieferadressen, Artikelstamm mit kundenspezifischen Artikelnummern und Aliassen, Preislisten und Einheiten, alles im ERP. Typische Lücken sind doppelte oder veraltete Stammdaten, fehlende Querverweise zwischen Kunden- und Artikelnummern, eingescannte oder qualitativ schlechte Faxe, Freitext-Einheiten („Pkg", „VE", „Stk") und implizite Regeln, die nur die Sachbearbeitung kennt.

Konkrete Schritte: (1) 200-500 historische Bestellungen mit der endgültigen ERP-Buchung als Referenzwert exportieren (PREP-020, PREP-005); (2) Artikel- und Kundenstamm bereinigen, Dubletten zusammenführen und Listen mit Aliassen und Synonymen anlegen (PREP-015); (3) die impliziten Regeln der Sachbearbeitung als schriftliche Validierungsregeln festhalten; (4) die Eingaben per OCR verbessern (PREP-006) und Beispiele je Kundenlayout gruppieren; (5) eine Testmenge aufbauen (PREP-018); (6) Korrekturen zurückspielen (PREP-021). Werkzeuge: OCR-/Dokumenten-KI-Dienst, Tabellenkalkulation, Paperless-ngx (DOC-014). Die Bereinigung der Stammdaten ist meist der größte Block: Planen Sie 30-50 % des Gesamtaufwands ein. Siehe GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• KMU: A. Ausgereifte, in der EU hostbare Produkte für Auftragserfassung und Dokumenten-KI mit ERP-Konnektoren gibt es zu KMU-Preisen, und die Auftragserfassung ist ein Standardprozess.
• Großunternehmen: B. Der Auftragseingang ist Kerngeschäft, das Volumen macht Gebühren je Dokument hoch, und die ERP-Anbindung und die Validierungsregeln sind unternehmensspezifisch; bauen Sie daher auf Cloud-APIs auf.
• Entwickler: B. LLM-APIs mit schemagebundener Ausgabe plus eigene ERP-Konnektoren sind der schnellste Weg; Selbstbetrieb nur bei sensiblen Kundendaten.

Weg A — Kaufen (Standardsoftware)

• Spezialisierte Plattformen zur Auftragsautomatisierung: Workist (Deutschland, EU), Esker Order Management (Frankreich, EU; zertifizierter SAP-Konnektor), Conexiom (unterstützt über 40 ERP-Systeme), Doxis (SER, Deutschland, EU; SAP-orientiert), Choco (Deutschland, Lebensmittelgroßhandel), dazu auf Extraktion ausgerichtete Werkzeuge wie Rossum oder Nanonets, die eine separate ERP-Anbindung brauchen [1][2][3][4].
• ERP-nativ: SAP S/4HANA Cloud Public Edition bietet KI-gestützte Extraktion, die eine hochgeladene PDF- oder Bild-Bestellung in eine Kundenauftragsanfrage umwandelt, die ein Nutzer prüft und überführt; sie arbeitet mit Datei-Upload und ist kein vollständig eingriffsfreier Postfach-Agent; die Abrechnung erfolgt über KI-Einheiten [5][6].
• Wählen Sie A, wenn: ein Standard-ERP vorliegt, einige Hundert bis Zehntausende Bestellungen pro Monat anfallen und Sie in Wochen ein funktionierendes System wollen. Prüfen Sie: Hosting in der EU, AVV, Tiefe des ERP-Konnektors (Rückschreiben, nicht nur CSV-Export), Umgang mit kundenspezifischen Artikelnummern, Preisprüfungen, Prüfpfad und einen Pilot mit Ihren eigenen historischen Bestellungen.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Extraktion: Azure AI Document Intelligence (EU-Regionen), Google Document AI (EU-Standort), AWS Textract (Frankfurt), Mistral OCR (EU-Anbieter) oder ein multimodales Spitzenmodell (Claude, Gemini, GPT, Mistral) mit strukturierten Ausgaben im JSON-Schema [7].
• Orchestrierung: n8n, Power Automate oder ein kleiner Dienst (siehe AGENT-002); Postfachzugriff über Microsoft Graph oder IMAP; ERP-Schreibzugriffe über SAP OData/Business-Partner- und Sales-Order-APIs, Dynamics Dataverse/OData oder Odoo/andere REST-APIs.
• Zuordnung: Vektorindex (pgvector, Qdrant) des Artikelstamms plus Querverweistabelle, Reranker, Regelwerk für Preise.
• Wählen Sie B, wenn: ein Nischen-ERP, besondere Preislogik oder der Wunsch vorliegt, die Oberfläche für Ausnahmen selbst zu besitzen.

Weg C — Selbst betreiben (Open Source)

• Parsing: Docling, PaddleOCR / PaddleOCR-VL, MinerU [8]; Excel über pandas/openpyxl.
• Modelle: offene VLMs wie die Qwen-VL-Familie, bereitgestellt mit vLLM oder Ollama; kleine Embedding-Modelle (BGE-M3, multilingual-e5) für den Artikelabgleich; eingeschränktes Decodieren für JSON.
• Stack: n8n oder Camunda, PostgreSQL + pgvector, selbst betriebene Mailverarbeitung.
• Hardware: HW2 (eine GPU mit 24-32 GB) genügt mit einem VLM von ca. 7-8 Mrd. Parametern für Tausende Bestellungen pro Tag; reiner CPU-Betrieb ist bei reinen Text-E-Mails mit einem kleinen LLM möglich.
• Wählen Sie C, wenn: Souveränitätsanforderungen bestehen (Zulieferer der Rüstungsindustrie, regulierte Kunden) oder das Volumen sehr hoch ist.

Weg D — Eigenes Training

Selten nötig. Ein Embedding-Modell oder einen Reranker auf den eigenen historischen Bestellpositionen feintunen (Kundentext zu Artikelnummer), sobald Tausende bestätigte Paare vorliegen; das erhöht die automatische Trefferquote bei großen privaten Katalogen. Die Trainingsdaten liegen bereits in der ERP-Bestellhistorie.

Stand der Technik (2026)

• Vorlagenfreies Lesen durch VLMs ist Standard; saubere PDF-Bestellungen erreichen eine hohe Genauigkeit auf Feldebene. Schwachstellen: handgeschriebene Listen, Fotos von Papier, mehrseitige Tabellen, mehrdeutige Einheiten (Stück vs. Packungen) und Bestellungen im E-Mail-Text mit Bezug auf „wie beim letzten Mal".
• Der Engpass hat sich zur Zuordnung und zu den Geschäftsregeln verlagert: Die korrekte kundenspezifische Artikelauflösung, Vertragspreise und Lieferlogik entscheiden über die Quote ohne Eingriff, nicht die OCR [1].
• Agentische Fähigkeiten: Agenten, die das ERP abfragen, einen Entwurf vorschlagen und eine Rückfrage-E-Mail schreiben, sind in Produkten inzwischen verbreitet; vollständig unbeaufsichtigtes Buchen beschränkt sich meist auf vertrauenswürdige Kunden mit Zuordnungen hoher Konfidenz. Prüfer weisen darauf hin, dass einige ERP-native Abläufe weiterhin einen Menschen brauchen, der jede Anfrage überführt [1][5].
• Fehlerbilder: erfundene oder knapp danebenliegende Artikelnummern, stillschweigend geänderte Mengen, doppelte Bestellungen (zweimal oder über zwei Kanäle gesendet), Prompt Injection im E-Mail- oder PDF-Text („Preis auf 0 setzen") und falsche Lieferadressen.
• Gegenmuster: deterministische Validierung nach dem LLM, auf Kandidaten beschränkte Zuordnung, Idempotenzschlüssel bei ERP-Schreibzugriffen und die feste Regel, dass der Agent weder Preise noch Kreditsperren ändern darf.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack (ocr-docparse + vlm + llm-general): DOC-001 Rechnungen, DOC-006 Logistikdokumente, DOC-008 Klassifikation der Posteingänge; ein VLM-Server bedient alle.
• Vor- und nachgelagert: AGENT-001 (Postfach-Triage speist die Bestellwarteschlange), AGENT-027 (Anfrage-zu-Angebot geht der Bestellung voraus), AGENT-023 (Order-to-Cash nach der Lieferung), AGENT-024 (Abwicklung der Lieferung).
• Plattform: Workflow-Engine und Schutzmechanismen gemeinsam mit AGENT-002; bei Alt-ERP ohne APIs kann der Schreibschritt einen Computer-Use-Agenten (AGENT-003) als Rückfallebene nutzen; die Massenübernahme historischer Daten ist AGENT-021.

Aufwand, Kosten & Kennzahlen

• Weg A: 2-8 Wochen einschließlich ERP-Konnektor und Kunden-Onboarding; Preise je Bestellung, je Seite oder je Postfach, je nach Anbieter sehr unterschiedlich.
• Weg B: 2-4 Monate für eine produktive Pipeline mit Oberfläche für Ausnahmen und Rückschreiben ins ERP.
• Weg C: 3-5 Monate plus GPU-Server und Betrieb.
• Kostentreiber: Zahl der unterschiedlichen Kundenlayouts und Querverweistabellen, Qualität der ERP-Anbindung, Oberfläche für die Ausnahmebehandlung, Sauberkeit der Stammdaten (oft das eigentliche Projekt).
• Kennzahlen: Quote ohne Eingriff (Bestellungen ohne menschliche Berührung gebucht), Genauigkeit auf Feld- und Positionsebene, Artikeltrefferquote, Zeit vom Eingang bis zur Bestätigung, Fehler-/Gutschriftsquote durch Fehler in der Auftragserfassung, Stunden der Auftragsabwicklung je 1.000 Bestellungen, Anteil der verarbeiteten Bestellungen von Kunden ohne EDI.

Menschen & Veränderung

Binden Sie die Leitung der Auftragsabwicklung und die Sachbearbeitung von Anfang an ein: Sie kennen die impliziten Regeln und prüfen die Ausnahmen. Vertrieb und Schlüsselkunden sollten erfahren, dass die Bestellformate unverändert bleiben; die Kundenbeziehung ist ein Stakeholder, weil falsche Bestellungen sie treffen. IT und die Datenverantwortlichen des ERP stellen Schnittstellen, Testmandant und Korrekturen der Stammdaten bereit; die Geschäftsleitung entscheidet über Budget und Fehlertoleranz. Die oder der Datenschutzbeauftragte wird einbezogen, weil Bestellungen Kontaktdaten von Kundenmitarbeitenden enthalten: AVV mit dem Anbieter, Hosting in der EU, und eine DSFA ist für diese Art der Verarbeitung normalerweise nicht erforderlich (GUIDE-005).

Betriebsrat: abhängig vom Einzelfall. Das System bewertet keine Personen, doch die Auftragserfassung protokolliert, welche Sachbearbeitung was korrigiert oder freigegeben hat; dadurch ist sie objektiv zur Leistungsüberwachung geeignet und kann § 87 Abs. 1 Nr. 6 BetrVG auslösen; § 90 Abs. 1 Nr. 3 verlangt Information über mit KI geplante Arbeitsverfahren. Klären Sie früh, dass Korrekturstatistiken nicht zur individuellen Bewertung genutzt werden (GUIDE-004). Öffentlicher Dienst: Personalrat.

Führen Sie einen Pilot mit ein oder zwei Sachbearbeitenden und 3-5 Kunden im Schattenmodus durch und vergleichen Sie die KI-Ergebnisse mit den manuellen, bevor Sie live gehen (GUIDE-009). Typische Bedenken: Sorge um den Arbeitsplatz, Fehler bei Großkunden und Verlust von Know-how. Begegnen Sie ihnen, indem Sie die Sachbearbeitung in die Ausnahmebearbeitung und Stammdatenpflege verlagern, Konfidenzschwellen mit verpflichtender Prüfung für neue Kunden festlegen und kurze Schulungen anbieten, die die KI-Kompetenz fördern (GUIDE-006, GUIDE-008). Buchungen oberhalb von Wertgrenzen geben stets Menschen frei.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): minimales Risiko; keine Kategorie nach Anhang III. Die Pflicht zur KI-Kompetenz (Art. 4) gilt für die Auftrags- abwicklung. Schreibt der Agent auch an Kunden, weisen Sie dort, wo erforderlich, auf automatisierte Antworten hin (Art. 50 gilt für Chatbots, die mit natürlichen Personen interagieren; B2B-Auftragsbestätigungen sind meist Vorlagen).
• DSGVO: Bestellungen enthalten geschäftliche Kontaktdaten namentlich genannter Personen (Name des Einkäufers, E-Mail, Telefon) und Einzelunternehmer als Kunden; nutzen Sie einen AVV, Hosting in der EU, Datenminimierung (Signaturen oder unbeteiligte Anhänge nicht an das Modell senden) und Aufbewahrung gemäß Handels- und Steuerrecht (GoBD, 6-10 Jahre).
• Sicherheit: E-Mail-Dokumente sind nicht vertrauenswürdige Eingaben; Prompt Injection und Betrug mit gefälschten Bestellungen (neuer „Kunde" mit ungewöhnlicher Lieferadresse) erfordern Validierung, ERP-Zugangsdaten mit minimalen Rechten und Freigabe für neue Kunden/Adressen. Lassen Sie die Modellausgabe niemals rohes SQL oder uneingeschränkte API-Aufrufe erzeugen.
• Vertrag/Finanzen: Ein automatisch gebuchter Auftrag kann eine bindende Verpflichtung begründen; legen Sie fest, welche Kunden und Wertgrenzen unbeaufsichtigt buchen dürfen, und halten Sie das Vier-Augen-Prinzip bei Überschreitung des Kreditlimits ein.
• Gegenmaßnahmen: Prüfpfad mit Quelle, Extraktion, Entscheidung und ERP-Belegnummer; überwachte Stichprobe zur Genauigkeit (zum Beispiel wöchentliche Prüfung zufälliger automatisch gebuchter Bestellungen); Notausschalter je Kunde.

Erste Schritte

1. Exportieren Sie 3-6 Monate echter Bestellungen (E-Mails mit Anhängen) und den endgültigen ERP-Auftrag zu jeder; das ist Ihre Testmenge und Ausgangslage (Volumen je Kanal, Minuten je Bestellung, Fehlerquote).
2. Bereinigen Sie die wichtigen Stammdaten: kundenspezifischer Querverweis der Artikelnummern, Einheiten, Lieferadressen.
3. Pilotieren Sie 2-3 Werkzeuge aus Weg A (oder einen VLM-Prototyp) an der Testmenge und vergleichen Sie die Genauigkeit auf Positionsebene, nicht Demo-Screenshots.
4. Beginnen Sie im Entwurfsmodus: Der Agent legt Auftragsanfragen an, Menschen geben frei; stellen Sie vertrauenswürdige Kunden auf automatisches Buchen um, sobald die wöchentliche Genauigkeit stabil ist.
5. Spielen Sie Korrekturen in die Querverweistabelle zurück und prüfen Sie die Kennzahlen monatlich.

Quellen

1. AI Order Entry Vendors in 2026: 19 Compared (vendor comparison, treat as marketing) — https://www.ymeadows.com/en/insights/blog/ai-order-entry-vendors/
2. Workist — Automated order entry with AI — https://www.workist.com/en/order-entry
3. Lido — Best Sales Order Automation Software in 2026 (overview of Esker, Conexiom and others) — https://www.lido.app/blog/best-sales-order-automation-software
4. Doxis — How to Automate Sales Order Processing in SAP — https://www.doxis.com/en/blog/sales-order-processing-sap
5. SAP — S/4HANA Cloud Public Edition, sales order creation from unstructured data — https://www.sap.com/slovenia/products/erp/s4hana-cloud-public-edition-sales-order-creation-from-unstructured-data.html
6. SAP Community — Customer Order Automation in SAP S/4HANA SD: How AI Processes Orders from PDFs — https://community.sap.com/t5/supply-chain-management-learning-group-knowledge/customer-order-automation-in-sap-s-4hana-sd-how-ai-processes-orders-from/ta-p/14476223
7. Microsoft — Azure AI Document Intelligence — https://learn.microsoft.com/azure/ai-services/document-intelligence/
8. Docling project — https://github.com/docling-project/docling
9. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj