Use-Case Cookbook¶

Konkrete End-to-End-Anleitungen für die häufigsten Use-Cases.

🟢 EASY · NDA-Klassifizierung¶

Problem: Sales bekommt täglich 5-10 NDAs, manuelle Sichtung dauert pro Stück 15-30 Min., Risiko-Klauseln werden übersehen.

Lösung: OWUI Custom-Modell + n8n Webhook

Schritt 1: NDA-Policy als KB¶

Workspace → Knowledge → Create new
Name: NDA-Policy
Description: Standard-Klauseln + Roter-Flag-Beispiele

Lade hoch: - nda-template-standard.pdf (eure Standard-NDA) - red-flag-clauses.md (Klauseln die GREEN/YELLOW/RED machen) - historical-cases.md (50 anonymisierte Vergangenheits-Cases)

Schritt 2: Custom-Modell¶

Workspace → Models → Create new:
  Base Model: claude-sonnet-4.6
  Name: NDA-Klassifizierer
  Description: Klassifiziert NDA-Klauseln nach GREEN/YELLOW/RED
  System Prompt: |
    Du bist Legal-Counsel-Assistent. Klassifiziere jede NDA-Klausel:
    - GREEN: Standard, keine Änderung nötig
    - YELLOW: Counsel-Review empfohlen
    - RED: Full Legal Review zwingend

    Output als JSON: {clause_id, classification, reason, suggested_redline}
  Knowledge: NDA-Policy
  Capabilities: file_upload, citations

Schritt 3: n8n-Workflow¶

[Webhook Trigger] (Sharepoint-Upload-Event)
   ↓
[HTTP Request] PDF → Text via http://litellm:4000/v1/chat/completions
   model: gpt-5  (Vision für PDF)
   prompt: "Extrahiere alle Klauseln als nummerierte Liste"
   ↓
[Loop pro Klausel]
   ↓
[HTTP Request] Klassifizierung via OWUI Custom-Modell
   ↓
[Filter] classification = "RED"
   ↓
[Slack] @sales-legal-team: "RED-Klausel in NDA $filename"
   ↓
[Asana] Create Task mit assignee=Counsel

Schritt 4: Test + Production¶

5 echte NDAs einfügen, Antworten prüfen
Iteration: System-Prompt verfeinern bis 4/5 stimmen
Activate → läuft 24/7

ROI: 8h/Woche Sales-Zeit gespart, Risk-Detection 100% statt vorher 60%.

🟡 MEDIUM · Mahnwesen-Automatisierung¶

Problem: Buchhaltung mahnt manuell, oft erst nach 60+ Tagen, Cashflow leidet.

Lösung: Trino + n8n + Documenso + KI-Tonalitäts-Auswahl

Architektur¶

Datev/SAP → Airbyte → MinIO bronze/ → Trino-Catalog
                                          ↓
                                  [n8n Cron Mo 8 Uhr]
                                          ↓
                            [Trino Query: offene >30 Tage]
                                          ↓
                         [Per Rechnung: KI-Tonalitäts-Wahl]
                                          ↓
                                  [Documenso PDF gen]
                                          ↓
                              [E-Mail / Postversand]
                                          ↓
                              [WORM-Archiv 10 Jahre]

KI-Tonalitäts-Custom-Modell¶

Name: Mahn-Coach
System Prompt: |
  Wähle Mahnstufe (1/2/3) und Tonalität basierend auf:
  - Verzugstage
  - Kunde-History (Stammkunde / Neukunde / Stammverzögerer)
  - Beziehung (laufender Vertrag / Einmal-Geschäft)

  Stufe 1 (1-30 Tage): freundliche Erinnerung, Du-Form bei Kleinunternehmen
  Stufe 2 (30-60 Tage): formell, Sie-Form, Frist 14 Tage
  Stufe 3 (60+ Tage): final + Verzugszinsen + Inkasso-Drohung

  Output: {stufe, tonalitaet, brief_text, frist_in_tagen}
Knowledge: Kundenhistorie + AGB + Buchungs-Vorgeschichte

Real-World-Result¶

Mittelständler 100 Rechnungen/Monat
Vorher: ~30% offen >60 Tage
Nachher: <10% offen >60 Tage
Cashflow +12% in 3 Monaten

🔴 ADVANCED · Eingangs-Rechnungs-Verarbeitung¶

Problem: Buchhalter verbringt 60% der Zeit mit Rechnungs-Tippfehlern.

Lösung: Mail-Trigger + Vision-LLM + Trino-Validierung + Bedingte Auto-Buchung

n8n Workflow¶

[IMAP Trigger] [email protected]
  ↓
[Filter] hasAttachment AND mimeType=application/pdf
  ↓
[Vision-LLM] gpt-5 mit Prompt:
  "Extrahiere als JSON: {lieferant, datum, rechnungsnr, positionen, brutto, ust, iban}"
  ↓
[Trino Query] SELECT * FROM erp.kreditoren WHERE name LIKE :lieferant
  ↓
[Trino Query] SELECT 1 FROM erp.rechnungen WHERE rechnungsnr=:rechnungsnr (Doppel-Check)
  ↓
[Math] verify positionen.sum + ust = brutto
  ↓
[Switch]
   ├─ Auto-Path: brutto < 500 AND alle Checks OK
   │     ↓ Trino INSERT INTO erp.buchungen
   │     ↓ Slack #buchhaltung "Auto-gebucht: $lieferant $brutto€"
   │     ↓ MinIO upload (10y WORM)
   └─ Review-Path: alles andere
         ↓ Dify-App "Rechnungs-Review" mit pre-filled Form
         ↓ Buchhalter checkt + bestätigt
         ↓ Trino INSERT

Sicherheit & Compliance¶

Per-Lieferant Rate-Limit (max 5 Rechnungen/Tag automatisch)
Vier-Augen-Prinzip ab 5.000€
Alle Originale 10 Jahre WORM (HGB §239)
Audit-Trail in Langfuse (welche Rechnung wurde von welchem Modell wie klassifiziert)

Result: 80% durchläuft autonom, Buchhalter-Workload halbiert.

Best Practices¶

Knowledge-Base-Hygiene¶

ID-Schema verwenden (CID-001, KID-002, PID-M2-S-003)
Frontmatter mit Version/Stand/Owner
Monatliches Review aller KBs (welche Files veraltet?)

Modell-Auswahl¶

Aufgabe	Modell
Vertraulich + schnell	llama-3.3-70b-local
Komplexes Reasoning	claude-opus-4.6
Strukturiertes JSON	gpt-5-mini
Bilder	claude-sonnet-4.6 ODER gemini-2.5-pro
Audio	faster-whisper
Embeddings	bge-m3 (lokal, multilingual)

Kosten-Optimierung¶

Standard-Anfragen → openrouter/auto (Auto-Routing)
Recurring Cron-Jobs → lokales Modell (kostenlos)
Customer-Facing → Sonnet 4.6 (Best Quality/€)
Batch-Verarbeitung → Haiku 4.5 (10× schneller)

Monitoring¶

Langfuse-Dashboard wöchentlich prüfen
Top-10 teuerste Anfragen → System-Prompt optimieren
Slow-Responses → Modell-Switch oder Caching