Ein Zulieferer der Automobilindustrie muss umfangreiche kundenspezifische Anforderungen (CSR) prüfen. Diese Dokumente sind heterogen, komplex und rechtlich sensibel; die manuelle Analyse ist zeit- und personalintensiv. Gleichzeitig gewinnen Low-Code- und node-basierte Automationsplattformen in industriellen Umgebungen an Bedeutung, während das Potenzial von KI dort bislang kaum genutzt wird. Ziel des Projekts war es, anhand eines realen Use Cases zu zeigen, wie KI, insbesondere LLM, sinnvoll in eine solche Plattform integriert und zur automatisierten Dokumentenanalyse eingesetzt werden kann.

Die Autoren entwickelten iterativ einen KI-Prototyp zur automatisierten Risikoextraktion aus CSR-Dokumenten. Zur Überprüfung der Machbarkeit wurden mit der manuellen Analyse vertraute Fachpersonen zu den Ergebnissen einer frühen Prototypversion befragt und die Rückmeldungen ausgewertet. Aufbauend auf Zero- und One-Shot Prompting wurde schrittweise ein Retrieval-Augmented-Generation-Ansatz (RAG) implementiert, der historische, validierte Risikoextraktionen als Wissensbasis nutzt. Die Lösung wurde in eine bestehende Workflow-Umgebung integriert, technisch getestet und dokumentiert.

Das Projekt resultierte in einem funktionsfähigen, praxistauglichen KI-Prototypen, der Risiken aus CSR-Dokumenten automatisiert, strukturiert und nachvollziehbar extrahiert. Die Analysezeit pro Dokument kann von mehreren Stunden auf einige Minuten reduziert werden, bei produktiv nutzbarer Qualität und Konsistenz. Durch den RAG-Ansatz wird vorhandenes institutionelles Wissen systematisch genutzt, wodurch unternehmensspezifische Terminologie, Risikokategorien und Tonalität eingehalten werden. Die Lösung minimiert das Risiko von KI-Halluzinationen und erhöht die inhaltliche Verlässlichkeit der Ergebnisse deutlich. Eine strukturierte JSON-Ausgabe ermöglicht die Weiterverarbeitung in bestehenden Systemen, während ein interaktives Dashboard die schnelle Priorisierung und Bewertung identifizierter Risiken unterstützt. Für die Auftraggeberschaft entsteht damit eine belastbare Entscheidungsgrundlage: Vertragsprüfungen werden beschleunigt, Risiken früher erkannt und Entscheidungsprozesse transparenter. Gleichzeitig zeigt der Prototyp den Mehrwert von KI im Tagesgeschäft und schafft eine fundierte Basis für eine kontrollierte Produktivsetzung sowie die Skalierung auf weitere Anwendungsfälle.