KI-Agenten für Ihre Fachprozesse
Erst den Fehler korrigieren, dann die Ursache beheben — eingebaute Qualität statt nachträglicher Kontrolle.
Die meisten setzen KI ein, um mehr zu produzieren. Wir setzen KI ein, um Qualität einzubauen — Jidoka, übertragen auf intelligente Agenten. Auf der operativen Ebene unterstützt ein Claude-basierter Agent Bilanzanalysten beim Erkennen und Korrigieren fehlerhafter Jahresabschlüsse: Abnormalität erkennen, stoppen, Einzelfall korrigieren — mit Feedback-Loop und Soll/Ist-Vergleich. Auf der strategischen Ebene identifiziert derselbe Agent wiederkehrende Fehlermuster über Hunderte von Abschlüssen und bildet sie auf Code-Hotspots in der Verarbeitungspipeline ab. Nicht das Symptom behandeln, sondern die Quelle finden und den Prozess dauerhaft fixen.
Der Fachexperte behält die Entscheidungshoheit — nicht als Disclaimer, sondern als Architekturprinzip. Ein MCP-Server gibt dem Agenten strukturierten Zugriff auf Kontorahmen, Buchungen, PDFs und OCR-Daten — aber nur innerhalb der Grenzen des jeweiligen Auftrags und Mandanten. Jede Aktion wird als unveränderlicher Audit-Eintrag protokolliert, jede Änderung als Patch-Kette persistiert.
Operativ: Einzelfall erkennen und korrigieren
- Claude-basierter Agent erkennt fehlerhafte Buchungen, fehlende Positionen und Strukturprobleme
- Automatische Feedback-Loops: Agent bewertet Auswirkung seiner Korrekturen und iteriert
- Soll/Ist-Vergleich mit Vorjahresabschlüssen und Taxonomie-Erwartungswerten
- Der Analyst entscheidet — der Agent assistiert, ersetzt nicht
Strategisch: Muster finden und Ursachen beheben
- Wiederkehrende Fehlermuster über Hunderte von Abschlüssen identifizieren
- Fehlermuster auf Code-Hotspots in der Verarbeitungspipeline abbilden
- Fix im Code → dieser Fehlertyp tritt nie wieder auf
- AIMD-Rate-Limiting und Batch Processing für optimale LLM-Auslastung
Sicherheit & Produktionsbetrieb
- MCP-Server (Model Context Protocol) mit mandant-basierter Zugriffskontrolle
- Immutable Audit-Trail: jede KI-Aktion mit Begründung und Co-Author protokolliert
- DSGVO-konforme Konfiguration: kein Logging von Input/Output-Daten
- Multi-IdP-Authentifizierung: OIDC mit konfigurierbarer Issuer-Allowlist und RSA256-Signaturprüfung
Relevante Projekte
Entwurf einer KI-Architektur für die interaktive Analyse und Korrektur von fehlerhaften Jahresabschlüssen. Ein KI-Agent unterstützt Bilanzanalysten über einen MCP-Server beim Erkennen und Beheben von Verarbeitungsfehlern.
01/2026 — laufend
- Scala 3, ZIO (HTTP, JSON, Schema), SBT, Java 21 |
- MCP (Model Context Protocol), JSON-RPC 2.0 |
- Vue 3.5, TypeScript, Pinia 3, Vite |
- xterm.js, WebSocket |
- Claude (Anthropic), Prompt Engineering |
- OpenAI ChatGPT API, JTokkit |
- Kubernetes, Docker, Helm |
- MongoDB, AWS S3 |
- Jenkins CI/CD |
- Zitadel, Keycloak, OIDC, OAuth 2.0, JWT |
- Vitest, ZIO Test, MUnit, Contract Tests, Mutation Testing
Integration von AWS Bedrock (Claude Sonnet) für die automatisierte Übersetzung und Analyse von Finanzdokumenten. Entwicklung eines Rate Limiters mit AIMD-Algorithmus zur optimalen Ausnutzung der AWS-Quotas. Implementierung von Batch Processing mit automatischem Splitting bei Token-Limit-Überschreitung. DSGVO-konforme Konfiguration ohne Logging von Input/Output-Daten.
10/2025 — 12/2025
- Java 8 |
- AWS SDK v2 |
- AWS Bedrock Runtime |
- Claude Sonnet 4.5 |
- Vavr (Either, Future, Option) |
- JUnit 5 |
- Mockito |
- Terraform (IaC)
Entwicklung eines Multi-OCR-Systems zur parallelen Verarbeitung von Dokumenten mit verschiedenen OCR-Engines (Tesseract, AWS Textract, GCP Cloud Vision). Container-basierte Ausführung über Podman mit automatischem Ressourcen-Management. Konfigurierbare Engine-Auswahl pro Kunde. Robuste Stream-Behandlung zur Vermeidung von Wildfly-Hängern.
08/2025 — 09/2025
- Java 8 |
- Scala |
- ZIO 2 |
- Podman |
- Docker |
- Tesseract OCR |
- AWS Textract |
- GCP Cloud Vision API |
- AWS Secrets Manager |
- Apache Commons Exec |
- Vavr |
- Wildfly Application Server
Entwicklung eines Moduls zur automatischen Erkennung und Klassifizierung von Umgliederungen in Jahresabschlüssen. Integration von ChatGPT zur semantischen Analyse von Buchungstexten und Vorschlag passender Taxonomie-Konten. Regelbasiertes System mit lernfähiger Komponente aus historischen Aufträgen.
07/2025 — 09/2025
- Vue 3, TypeScript, Pinia, PrimeVue |
- Scala 3, ZIO (HTTP, JSON) |
- OpenAI ChatGPT API (GPT-4), JTokkit, Prompt Engineering |
- MongoDB, Apache POI, XLSX
Neuentwicklung der OCR-Verarbeitungspipeline in funktionalem Scala 3 als Nachfolger des Java-basierten Systems. Integration von Tesseract OCR mit ALTO XML Output. Implementierung von Services für OcrXml-Verarbeitung, Zell-Merging und Debug-Visualisierung. Verwendung von ZIO-Effektsystem für robuste Fehlerbehandlung.
07/2025 — 08/2025
- Scala 3 |
- SBT |
- Tesseract OCR |
- ALTO XML |
- ZIO (Effektsystem) |
- ScalaTest |
- JaCoCo (Code Coverage)
Schrittweise Migration des bestehenden Node.js/TypeScript Backends auf Scala 3 mit ZIO-Effektsystem. Implementierung einer typsicheren REST-API mit ZIO HTTP, MongoDB-Integration und S3-Speicheranbindung. Fokus auf funktionale Programmierung und Typsicherheit.
01/2024 — 07/2024
- Scala 3, Java 21, SBT |
- ZIO (HTTP, JSON, Schema, Config, Logging, Streams, NIO, Process, CLI, Metrics) |
- Cats, Monocle |
- MongoDB Scala Driver, Reactive Streams, ZIO Schema BSON |
- AWS S3 SDK, Hetzner S3 |
- Apache POI, Apache Commons Compress |
- JWT, Auth0, JWKS RSA, Bouncy Castle |
- JTokkit |
- Logback, SLF4J |
- JSON, YAML, Avro, Protobuf, MessagePack, Thrift |
- ZIO Test, MUnit, Testcontainers, Gatling |
- Docker, SBT Native Packager
Lust auf ein Gespräch?
Schreiben Sie uns an info@acceleratit.gmbh — wir melden uns innerhalb eines Werktags.