Wir lassen die Ergebnisse sprechen. Hier sind einige Rückmeldungen von Unternehmen, mit denen wir in den letzten zwei Jahren zusammengearbeitet haben.
Wir hatten vorher zwei Vollzeitstellen für die manuelle Klassifizierung von Supportanfragen. Das Modell von Proven AI Profits ordnet jetzt 94 Prozent der Tickets automatisch der richtigen Abteilung zu. Die beiden Mitarbeitenden kümmern sich seither um komplexere Kundenanliegen.
Unser Lagerbestand war chronisch zu hoch. Die Nachfrageprognose, die das Team gebaut hat, hat unsere Überbestände um 31 Prozent reduziert. Das hat im ersten Jahr CHF 820 000 an gebundenem Kapital freigesetzt.
Ich war skeptisch, ob KI bei einem Betrieb unserer Grösse Sinn ergibt. Wir haben 45 Mitarbeitende. Aber der Proof-of-Concept für die automatische Rechnungserfassung hat sich in drei Monaten amortisiert. Jetzt sparen wir pro Woche etwa acht Stunden Buchhaltungsarbeit.
Was mich überzeugt hat: Im Erstgespräch hat das Team von einem unserer drei geplanten Projekte abgeraten, weil die Datenlage zu dünn war. Diese Ehrlichkeit hat Vertrauen geschaffen. Die beiden anderen Projekte laufen seit über einem Jahr stabil in der Produktion.
Ein mittelgrosser Sachversicherer in Basel erhielt täglich rund 4 000 Schadensmeldungen per E-Mail, Post und Online-Formular. Jede Meldung musste manuell gelesen, kategorisiert und an die zuständige Abteilung weitergeleitet werden. Das dauerte im Schnitt sechs Minuten pro Meldung und erforderte ein Team von 14 Sachbearbeitern.
Wir haben ein NLP-Modell trainiert, das den Freitext der Schadensmeldung liest, die Schadensart erkennt, den geschätzten Schadenswert extrahiert und die Meldung automatisch der richtigen Abteilung zuweist. Das Modell wurde auf 120 000 historischen Meldungen trainiert und erreicht eine Klassifizierungsgenauigkeit von 96,2 Prozent.
Meldungen, bei denen das Modell unsicher ist, werden an einen Sachbearbeiter zur manuellen Prüfung weitergeleitet. Das betrifft etwa 8 Prozent der Fälle.
Die durchschnittliche Bearbeitungszeit pro Meldung sank von sechs Minuten auf 22 Sekunden. Neun der 14 Sachbearbeiter wurden in die Schadensregulierung versetzt, wo sie komplexere Fälle bearbeiten. Der Versicherer spart jährlich rund CHF 1,9 Millionen an Personalkosten in der Erstbearbeitung.
Ein Detailhändler mit 28 Filialen in der Deutschschweiz hatte regelmässig Überbestände bei saisonalen Artikeln und gleichzeitig Lücken bei Schnelldrehern. Die bisherige Planung basierte auf Excel-Tabellen und der Erfahrung der Einkaufsleitung.
Wir haben ein Prognosemodell gebaut, das Verkaufsdaten der letzten drei Jahre, Wetterdaten, Feiertage und lokale Veranstaltungen berücksichtigt. Das Modell liefert für jede Filiale und jeden Artikel eine Absatzprognose für die nächsten 14 Tage. Die Einkaufsabteilung erhält jeden Montag einen automatischen Bestellvorschlag.
Die Prognosegenauigkeit liegt bei 89 Prozent auf Artikelebene. Überbestände sanken um 31 Prozent, Fehlbestände um 42 Prozent. Der Detailhändler hat im ersten Jahr CHF 820 000 an gebundenem Kapital freigesetzt und gleichzeitig den Umsatz um 3,7 Prozent gesteigert, weil beliebte Artikel seltener ausverkauft waren.
Vereinbaren Sie ein kostenloses Erstgespräch. Wir prüfen gemeinsam, ob und wie KI Ihrem Unternehmen helfen kann.
Jetzt Kontakt aufnehmen