Täglich treffen im Wareneingang unterschiedliche Lieferungen ein und jede bringt ihre eigenen Begleitpapiere mit. Die manuelle Dokumentation dieser Lieferscheine kostet Zeit und bindet Ressourcen. Um diesen Prozess effizienter zu gestalten, hat sich ein Medizingerätehersteller Unterstützung beim Mittelstand-Digital Zentrum Augsburg gesucht. Entstanden ist ein KI-Anwendungsprojekt, das die Dokumentenflut im Wareneingang nun digital und automatisiert bewältigt.

Medizintechnik aus Mammendorf

Die MIPM Mammendorfer Institut für Physik und Medizin GmbH ist ein 1982 gegründetes Familienunternehmen mit Sitz im oberbayerischen Mammendorf. Das rund 70-köpfige Team hat sich auf die Entwicklung und Herstellung von MRT-kompatiblen medizinischen Geräten wie Patientenmonitoren und Infusionssystemen spezialisiert. Diese Lösungen überwachen Vitalparameter, oder verabreichen Medikamente unter den extremen Bedingungen eines Kernspintomographen und sind weltweit im Einsatz. Entwickelt und produziert wird dabei ausschließlich in Deutschland. Neben der Produktqualität rückt bei MIPM zunehmend auch die Digitalisierung der internen Prozesse in den Fokus.

Der Weg zum passenden Anwendungsfall

Zu Beginn des Projekts mit dem Mittelstand-Digital Zentrum Augsburg gab es noch keine fertige Lösungsvision. Vielmehr durchleuchtete das Unternehmen gemeinsam mit dem KI-Experten Dr. Martin Gottwald und Projektmanagerin Jana Kümmel von fortiss systematisch die bestehenden Abläufe, um konkrete Optimierungspotenziale aufzudecken.

Der Wareneingang erwies sich dabei als idealer Ansatzpunkt. Dort ist eine Begleitdokumentation in Form von Lieferscheinen bei jedem Materialeingang unabdingbar. Die Schwierigkeit im Arbeitsalltag liegt in der Vielfalt, denn jeder Lieferant nutzt ein eigenes Format und das Layout der Papiere variiert stark. Bislang bedeutete dies für das Team einen enormen manuellen Aufwand. Die relevanten Daten aus jedem einzelnen Lieferschein mussten mühsam per Hand ausgelesen, abgetippt und im unternehmensinternen Dokumentenmanagementsystem (DMS) indexiert sowie archiviert werden.

Automatisierte Dokumentenverarbeitung in der Praxis

Das gemeinsame Ziel war es, die Informationen aus den diversen Lieferscheinen künftig automatisiert auszulesen, dem richtigen Vorgang zuzuordnen und im DMS zu indexieren. Möglich macht dies eine sogenannte OCR-Pipeline.

Anstatt jeden Lieferschein einzeln bearbeiten zu müssen, scannen die Mitarbeitenden im Wareneingang nun alle eingehenden Dokumente gesammelt in einem einzigen Schritt ein. Die eigentliche Fleißarbeit übernimmt das intelligente KI-System im Hintergrund. Es erkennt selbstständig die Dokumentenart, zieht relevante Informationen wie Bestellnummern, Vorgangsnummern oder Lieferanten heraus und legt diese direkt strukturiert im System ab.

Nahtloses Andocken an bestehende IT-Systeme

Damit die Lösung im operativen Alltag reibungslos funktioniert, stand nach der Entwicklung des Ansatzes die technische Integration im Fokus. Das Projektteam, auf Seiten von MIPM von Phillip Gröbl begleitet, legte großen Wert darauf, dass das KI-System direkt an die bestehenden Prozesse und das Dokumentenmanagementsystem andockt. Es sollte keine isolierte Insellösung entstehen. Vielmehr fungiert die KI nun als unsichtbarer, aber effizienter Helfer im Hintergrund.

Zeitersparnis und voller Fokus auf die Kernkompetenzen

Der Mehrwert für das Medizintechnikunternehmen zeigt sich deutlich im Arbeitsalltag. Durch den Wegfall der manuellen Indexierung und Archivierung reduziert sich die Arbeitsbelastung im Wareneingang enorm. Die Mitarbeitenden gewinnen wertvolle Zeit zurück. Statt repetitiver Dateneingabe bleibt wieder mehr Raum für das Wesentliche, nämlich die Konzentration auf die eigenen Kernkompetenzen und die Sicherstellung der Produktqualität.

Das Projekt macht deutlich, wie der Weg vom Papier zum intelligenten Datenstrom gelingen kann und ist ein gelungenes Beispiel für den praxisnahen KI-Einsatz im bayerischen Mittelstand.

Video zum Projekt

Eine schnelle und fundierte Preisermittlung für individuell gefertigte Produkte kann eine große Herausforderung sein. Genau damit beschäftigt sich ein Hersteller für Kennzeichnungslösungen tagtäglich und hat sich daher an das Mittelstand-Digital Zentrum Augsburg gewendet, um zu untersuchen, wie Maschinelles Lernen diesen Prozess unterstützen kann.

Individuelle Produkte statt Standardware

Wie hoch sollte ein Angebotspreis sein, wenn nahezu jedes Produkt maßgeschneidert gefertigt wird? Eine entscheidende Frage für die RATHGEBER GmbH & Co. KG aus Oberhaching. Das familiengeführte Unternehmen entwickelt und produziert mit rund 340 Mitarbeitenden individuelle Kennzeichnungs- und Identifikationslösungen für Firmen unterschiedlicher Branchen. Dazu gehören unter anderem Etiketten, Schilder, Schriftzüge, Embleme und weitere Produktkennzeichnungen, die beispielsweise auf Maschinen, Anlagen oder Produkten zu finden sind. Viele Lösungen werden kundenspezifisch konzipiert und in kleinen Stückzahlen gefertigt.

Diese hohe Individualisierung zählt zu den Stärken des Unternehmens, aber die Vielfalt bringt auch Herausforderungen mit sich. Da sich die Anforderungen von Auftrag zu Auftrag unterscheiden, ist die Preisermittlung häufig komplex. Faktoren wie Stückzahlen, Materialien, Druckverfahren, Farben oder Veredelungen beeinflussen die Kalkulation und müssen berücksichtigt werden. Bis ein Angebot erstellt werden kann, vergeht häufig wertvolle Zeit. In einem wettbewerbsintensiven Umfeld kann die Geschwindigkeit der Angebotserstellung jedoch ein wichtiger Faktor sein.

Historische Daten als Grundlage für Maschinelles Lernen

Geschäftsführer Andreas Schrägle hat gemeinsam mit IT-Leiter Alexander Thoma nach Unterstützungsmöglichkeiten gesucht, um hier Maschinelles Lernen (ML) in den Prozess zu integrieren. So kam es zum KI-Anwendungsprojekt mit dem Mittelstand-Digital Zentrum Augsburg. Das Ziel bestand darin, gemeinsam mit dem Zentrumsexperten Dr. Martin Gottwald von fortiss eine Lösung zu entwickeln, die für neue Produktanfragen automatisiert eine erste Preisschätzung liefern kann.

Bereits vor dem Projekt wurde bei Rathgeber ein selbst entwickeltes Werkzeug zur Preisbestimmung eingesetzt. Damit können verschiedene Einflussgrößen miteinbezogen werden, sodass hilfreiche Anhaltspunkte vorhanden waren. Die zentrale Frage lautete demnach: Lässt sich das über Jahrzehnte aufgebaute Erfahrungswissen mithilfe von Maschinellem Lernen aus historischen Daten ableiten und für neue Anfragen nutzbar machen?

Für die Entwicklung stand eine umfangreiche Datengrundlage aus den Jahren 2021 bis 2025 zur Verfügung unter anderem mit Informationen zu Artikeln, Stückzahlen und Rohstoffpreisen. Auf dieser Basis wurde zunächst eine ML-Pipeline aufgebaut. Schnell hat sich gezeigt, dass ein großer Teil der Projektarbeit nicht in der eigentlichen Modellentwicklung, sondern in der Aufbereitung der Daten liegt: Fehlerhafte Einträge wurden korrigiert, Ausreißer identifiziert und verschiedene Datenquellen zusammengeführt. So waren mehrere Iterationsschleifen notwendig, um die Daten schrittweise in eine Form zu bringen, die für zuverlässige Prognosen genutzt werden konnte.

Welche Modelle eignen sich für Preisprognosen?

Im nächsten Schritt wurden verschiedene Modellansätze untersucht. Der Fokus lag auf neuronalen Netzen sowie sogenannten Random-Forest-Modellen. Neuronale Netze sind in der Lage, komplexe Zusammenhänge in großen Datenmengen zu erkennen. Allerdings ist oft schwer nachvollziehbar, wie eine konkrete Vorhersage zustande kommt. Deshalb werden sie auch als „Black-Box“ bezeichnet.

Random-Forests basieren dagegen auf einer Vielzahl von Entscheidungsbäumen, die gemeinsam eine Prognose erzeugen. Sie gelten als robust und eignen sich besonders für Anwendungsfälle mit vielen unterschiedlichen Einflussgrößen.

Für beide Modellarten wurden mithilfe automatisierter Trainingsläufe unterschiedliche Varianten und Parametereinstellungen getestet und miteinander verglichen. Ziel war es, eine Lösung zu finden, die belastbare Ergebnisse liefert und gleichzeitig mit vertretbarem Rechenaufwand betrieben werden kann. Für diesen Anwendungsfall erwies sich ein Random-Forest als am besten geeignet.

Vom ML-Prototyp zum nutzbaren Werkzeug

Die entwickelte ML-Lösung wurde anschließend in einen vollwertigen Software-Prototyp verpackt, welcher per Schnittstelle durch andere Programme aufgerufen werden kann. Dadurch konnte gezeigt werden, wie sich die lernende Komponente in einen späteren Arbeitsablauf integrieren lässt. Neue Produktanfragen können künftig automatisiert analysiert und mit historischen Daten verglichen werden, um schnell eine erste Preisindikation zu erzeugen.

Die Lösung befindet sich derzeit noch in der Weiterentwicklung. Ein wichtiger nächster Schritt wird darin bestehen, die Anwendung vollständig an die vorhandenen Unternehmenssysteme anzubinden und in den operativen Wertschöpfungsprozess zu implementieren.

„Gemeinsam mit dem Mittelstand-Digital Zentrum Augsburg ist es uns gelungen, aus einem vielversprechenden Anwendungsfall einen konkreten KI‑Prototyp zu entwickeln und gleichzeitig wichtige Kompetenzen im Umgang mit Daten und Künstlicher Intelligenz aufzubauen. Damit haben wir eine wertvolle Grundlage geschaffen, um die Potenziale von KI künftig gezielt für unsere Geschäftsprozesse zu nutzen.“

Andreas Schrägle
Geschäftsführer von Rathgeber

Für Rathgeber steht dabei nicht nur die schnellere Angebotserstellung im Vordergrund. Ebenso wichtig ist der Aufbau von Wissen und Erfahrung im Umgang mit KI-Technologien. Die im Projekt gewonnenen Erkenntnisse schaffen für das mittelständische Unternehmen eine Grundlage, um ähnliche Ansätze künftig auch auf weitere Fragestellungen und Bereiche zu übertragen.

Video zum Projekt