KI‑Workflow-Automatisierung: von 32 auf 4,5 Stunden pro Woche

Der Kunde verkauft Unterhaltungselektronik über vier Kanäle: Shopify Plus (55 % des Umsatzes), Amazon (25 %), Walmart Marketplace (12 %) und B2B-Großhandel (8 %). Ein Operations-Team aus 8 Personen kümmert sich für alle Kanäle um Fulfillment, Retouren, Bestand, Lieferantenkommunikation und Reporting. Nichts war ernsthaft kaputt. Aber alles brauchte 10 Minuten mehr Handarbeit als nötig, und das bei 300 Bestellungen am Tag.

Die Analyse bezifferte es: Die Retourenbearbeitung kostete 9 Stunden pro Woche bei 12–18 Minuten pro Retoure, der tägliche Bestandsabgleich über 4 Systeme 7 Stunden pro Woche, das Nachfassen bei Lieferanten weitere 5, das manuelle Reporting 6 (und die Berichte waren bei der Übergabe schon 2 Stunden alt), die Bearbeitung von Bestellausnahmen noch einmal 5. Zusammen waren das mehr als 32 Stunden automatisierbare Arbeit pro Woche und rund 78.000 $ direkte Personalkosten pro Jahr.

Eine einwöchige KI-Analyse (AI Readiness Assessment) für 6.000 $ nahm jeden Workflow über die 4 Kanäle auf, befragte 5 Teammitglieder und ordnete die Automatisierungen nach ROI: zuerst Retouren (höchstes Volumen, am stärksten standardisiert), dann Reporting, Bestandsabgleich, Nachfassen bei Lieferanten und das Routing von Bestellausnahmen.

Das System läuft auf selbst gehostetem n8n als Orchestrierung, mit eigenem Python-Code für komplexe Logik und GPT-4o-mini für Klassifizierung und Kommunikation. Die Retouren-Automatisierung (live in Woche 3) prüft die Berechtigung, legt Datensätze in NetSuite an, erzeugt Etiketten über ShipStation, verschickt Bestätigungen über Klaviyo und wickelt Erstattungen bei Zustellung automatisch ab. GPT-4o-mini klassifiziert dabei die frei formulierten Retourengründe und markiert mögliche Produktfehler je SKU. Das Reporting (Woche 4) liefert vier automatische Berichte mit KI-generierter Auswertung in Textform, bevor jemand im Büro ist.

Der nächtliche Bestandsabgleich (Woche 5) korrigiert bekannte Ursachen für Abweichungen automatisch und meldet nur echte Ausnahmen. Die Lieferanten-Automatisierung (Woche 6) verschickt Bestellungen (POs), lässt die KI die sehr uneinheitlichen Antwort-E-Mails der Lieferanten in strukturierte Versandtermine und Sendungsnummern übersetzen und fasst bei Verzögerungen automatisch nach. Der Exception-Router (Woche 7) klassifiziert Bestellausnahmen und bereitet Lösungen vor, die sich mit einem Klick freigeben lassen. Die Freigabe durch einen Menschen bleibt bewusst erhalten, weil für vollständig autonomes Handeln zu viel auf dem Spiel steht.

In den ersten 60 Tagen des Vollbetriebs: Die wöchentlichen Stunden für die automatisierten Prozesse sanken von 32 auf 4,5 (−86 %), der Aufwand pro Retoure von 12–18 Minuten auf null bei den 85 % der Retouren, die autonom durchlaufen. Die Tagesberichte kommen um 7:00 Uhr statt um 10:30 Uhr, die Bestandsgenauigkeit stieg von 94,2 % auf 99,1 %, das Nachfassen bei Lieferantenbestellungen ging von 5 Stunden pro Woche auf 45 Minuten zurück, und die Bearbeitungszeit pro Ausnahme fiel von 25 auf 6 Minuten.

Der finanzielle Effekt liegt bei rund 87.000 $ pro Jahr: 40.040 $ eingesparte direkte Personalkosten (27,5 zurückgewonnene Stunden pro Woche), geschätzte 35.000 $ durch die höhere Bestandsgenauigkeit und geschätzte 12.000 $ durch die schnellere Bearbeitung von Ausnahmen. Bei 74.000 $ Investition im ersten Jahr (6.000 $ Analyse, 38.000 $ Entwicklung, 2.500 $ pro Monat Betrieb) amortisiert sich das System nach 10,2 Monaten, und der ROI steigt im zweiten Jahr.

Die verbleibenden 4,5 Stunden pro Woche sind Arbeit, die Urteilsvermögen verlangt: Ausnahmen prüfen, bei Engpässen über die Zuteilung entscheiden, mit Lieferanten verhandeln. Die Rolle des Teams hat sich von der Datenverarbeitung zur operativen Entscheidung verschoben.