Wie ein KI-Agent die Artikelanlage um den Faktor 15 beschleunigt
Es gibt Aufgaben in Unternehmen, die niemand liebt und die trotzdem jeden Tag anfallen. Die Neuanlage von Artikelstammdaten gehört dazu. Sie taucht in keinem Reporting als Kostenstelle auf, aber sie bremst — leise, aber zuverlässig — den gesamten Angebotsprozess. Bei einem Distributor mit tausenden Neuanlagen pro Jahr summieren sich ein paar Minuten pro Artikel schnell zu ganzen Personentagen.
Wie sich dieser versteckte Engpass mit einem KI-Agenten auflösen lässt, zeigt ein Projekt, das wir bei der Components at Service GmbH umgesetzt haben — einem familiengeführten Distributor für elektronische Bauteile aus Oberhaching. Der KI-Agent trägt dort den Namen „Hans" und hat die Artikelanlage um den Faktor 15 beschleunigt.
Der versteckte Engpass vor jedem Angebot
Bei Components at Service kommen Kundenanfragen selten als Einzelteil. Sie kommen als Stückliste (BOM) oder Sammelanfrage — oft als Excel mit Dutzenden Positionen. Für jede neue Position bedeutete das bisher: einzeln öffnen, einzeln über mehrere Distributor-Portale und Hersteller-Datenblätter recherchieren, einzeln im ERP anlegen. Rund 15 Minuten pro Artikel, zwölf Pflichtfelder, und das bei etwa 30 Neuanlagen am Tag — hochgerechnet rund 5.000 im Jahr.
Das eigentlich Teure ist dabei nicht der einzelne Artikel. Es ist die Wiederholung. Eine Sammelanfrage mit 30 Positionen band einen halben Arbeitstag, nur für Stammdaten — Zeit, die im Vertrieb und in der Angebotserstellung fehlte. So wurde die Stammdatenanlage zur Engstelle vor jedem Angebot.
„Die Artikelneuanlage war bei uns der Flaschenhals im Angebotsprozess — 30 neue Teile am Tag, jedes eine Viertelstunde Recherche. Heute läuft das in unter einer Minute, und die Datenqualität ist besser als vorher." — Dominik Zillner, Geschäftsführer, Components at Service GmbH
Was der KI-Agent „Hans" macht
Hans ist als Chat-Assistent direkt in den Arbeitsalltag des Teams integriert. Der Mitarbeiter beschreibt einen Artikel — oder lädt gleich eine ganze Liste hoch, per Komma getrennt, zeilenweise oder als CSV- bzw. Excel-Datei. Dann übernimmt der Agent.
Für jede Position läuft dieselbe geprüfte Pipeline. Zuerst füllt die KI die Felder vor, die sich aus der Bezeichnung ableiten lassen — bei Standardteilen sind das 80 bis 90 Prozent. Anschließend recherchiert der Agent parallel über mehrere unabhängige Distributor-Quellen gleichzeitig, in wenigen Sekunden. Die Ergebnisse werden zusammengeführt und jedes Feld bewertet: gesichert, aus Webquelle recherchiert oder noch fehlend. Zum Schluss greift eine harte Validierung, die Größenordnungs- und Einheitenfehler abfängt, bevor sie überhaupt ins ERP gelangen.
Das Ergebnis steht in unter 60 Sekunden statt in einer Viertelstunde. Aber Geschwindigkeit allein ist nicht der Punkt. Entscheidend ist, dass das Ergebnis stimmt — und nachvollziehbar ist.
Warum ein guter Agent nachfragt, statt zu raten
Der Unterschied zwischen einem kontrollierten KI-Agenten und einem Chatbot, der einfach „irgendetwas" anlegt, zeigt sich in den Zweifelsfällen.
Gibt ein Mitarbeiter etwa nur „BAV99" ein, legt Hans nicht blind an. Er erkennt, dass es diese Diode in mehreren Bestell- und Gehäusevarianten gibt, gruppiert die Optionen nach Hersteller und stellt eine präzise Rückfrage. Erst nach der Auswahl geht es weiter. Im Stapelbetrieb landet eine solche Position folgerichtig im Stapel „Rückfrage" — nicht, weil etwas schiefging, sondern weil eine bewusste Entscheidung nötig ist.
Auch das fertige Ergebnis ist transparent. Jedes Feld trägt ein Herkunfts-Badge: die jeweilige Distributor-Quelle für web-recherchierte Werte, „generiert" für abgeleitete Felder wie Warengruppe oder Matchcode, „Eingabe" für Nutzerangaben. Eine Ampel-Logik zeigt pro Feld die Konfidenz. So bleibt jeder einzelne Wert rückverfolgbar — pro Artikel und pro Feld. Genau diese Nachvollziehbarkeit fängt Halluzinationen ab, bevor sie zu falschen Stammdaten werden.
Von der Einzelanlage zur ganzen Stückliste
Der größte Hebel liegt nicht im einzelnen Artikel, sondern in der Masse. Deshalb verarbeitet Hans ganze Listen in einem Durchgang.
Der Mitarbeiter lädt die Kundenanfrage als Excel hoch. Der Agent erkennt die Spalten — Artikelnummer, Hersteller — bestätigt sie in einer Vorschau und zeigt sofort, welche Teile noch nicht im Bestand sind. Dann wählt der Mitarbeiter, ob die Liste sofort verarbeitet wird oder geplant, etwa über Nacht, sodass die Ergebnisse morgens fertig vorliegen. Während der Verarbeitung läuft ein Live-Fortschritt mit, am Ende steht eine sortierte Ergebnisliste, getrennt nach fertig, Rückfrage und Fehler. Statt jede Position einzeln zu prüfen, kümmert sich der Mensch nur noch um die wenigen echten Entscheidungsfälle.
Dieselbe Mechanik beantwortet auch reine Informationsabfragen. Eine komplette BOM oder mehrere Artikel lassen sich über Hans abrufen und die Ergebnisse als strukturierte Metadaten bereitstellen — Hersteller, technische Spezifikationen, Verpackungs- und Compliance-Daten wie Zolltarifnummer und ECCN. Das ist nützlich für Angebote, Machbarkeitsprüfungen oder die Anreicherung bestehender Stammdaten, ohne dass jede Position einzeln ins ERP übernommen werden muss.
Der Mensch bleibt in der Kontrolle
Ein Automatisierungsprojekt steht und fällt mit dem Vertrauen der Menschen, die damit arbeiten. Deshalb legt Hans nichts ungeprüft an. Jeder Datensatz wird vor der Übergabe ans ERP vom Mitarbeiter freigegeben, und der Hinweis „Hans kann Fehler machen. Bitte überprüfen Sie die Ergebnisse." ist fester Bestandteil der Oberfläche.
Das ist kein Widerspruch zur Automatisierung, sondern ihre Voraussetzung. Die Maschine erledigt das Eindeutige — die Recherche, das Vorbefüllen, die Validierung. Der Mensch entscheidet das Mehrdeutige. Genau diese Arbeitsteilung macht aus einer beeindruckenden Demo ein Werkzeug, dem ein Team im Alltag vertraut.
Das Ergebnis: schneller, besser, mit mehr Kapazität
Gemessen in Phase 1 fällt die Artikelanlage von rund 15 Minuten auf unter 60 Sekunden — der Faktor 15. Mindestens ebenso wichtig: Durch die Multi-Source-Validierung ist die Datenqualität höher als bei der manuellen Recherche, weil zwei unabhängige Quellen gegeneinander geprüft werden.
Ersetzt wurde dabei niemand. Die gewonnene Zeit fließt dorthin, wo sie Wert schafft — ins Angebots- und Vertriebsgeschäft. Aus einem Engpass wird Kapazität.
Technisch steht dahinter ein bewusst schlanker, anbieterunabhängiger Aufbau: Python, Pydantic AI und das Model Context Protocol (MCP), LLM-agnostisch, mit Hosting in Deutschland und der Option auf On-Premise-Betrieb. Kein Vendor-Lock-in, volle Kontrolle über die eigenen Daten.
Für wen sich das lohnt
Das Muster ist übertragbar. Es rechnet sich überall dort, wo viele Datensätze regelmäßig neu angelegt werden, wo pro Datensatz spürbarer manueller Aufwand entsteht und wo sich die Informationen aus mehreren öffentlich verfügbaren Quellen recherchieren lassen. Als Faustregel: ab etwa 1.000 Neuanlagen im Jahr, mindestens zwei Minuten Aufwand pro Position und zwei unabhängigen Datenquellen.
Und es funktioniert nicht nur bei elektronischen Bauteilen. Was hier gelingt, gelingt ebenso bei technischen Handelswaren, Ersatzteilen, Chemikalien oder Baustoffen — überall, wo Stammdaten aus recherchierbaren Quellen entstehen und Qualität zählt.
Lassen Sie uns in 30 Minuten herausfinden, ob und wo KI Ihnen am meisten bringt — kostenlos und unverbindlich.
Im Erstgespräch erhalten Sie eine erste Einordnung, relevante Use Cases und eine klare Empfehlung für die nächsten Schritte.
Carl Bednorz
Agentic Engineer & KI-Business-Consultant
MSc Computer Science · Dipl.-Betriebswirt (FH) Geschäftsführer · Surfgreen.dev GmbH
Jetzt Angebotsunterlagen, White Paper und CEO KI-Briefing anfordern
Kostenlos und unverbindlich — alle Infos zu unseren KI-CKSTART Paketen.
Vielen Dank für Ihre Einsendung!
Ihr KI-CKSTART Guide wird heruntergeladen.
Wir melden uns innerhalb von 24 Stunden bei Ihnen.