Nachweis-Check
digitflow GmbH (https://digitflow.eu/de/) ist ein spezialisiertes Beratungs- und Entwicklungsunternehmen für Daten- und KI-Lösungen, die wir in bestehende Prozesse und Systeme integrieren. Wir verbinden Erfahrung im öffentlichen Sektor mit moderner KI-/GenAI-Technologie.
Unser Geschäftsführer, Armin Pfauser, verfügt über mehr als 20 Jahre Erfahrung in der IT-Service-Management-Beratung und ist ITIL-4-zertifiziert. Er hat umfangreich mit öffentlichen und öffentlichkeitsnahen Organisationen bei der Einführung von Ticket- und Workflow-Systemen zusammengearbeitet und kennt Prozesse, Datenschutzanforderungen und organisatorische Realitäten solcher Institutionen aus erster Hand.
Unser CTO, Mohamed Dhif, ist Senior-ML-Ingenieur und Experte für die Integration von KI-Systemen in produktive Umgebungen. Er hat mehrere Jahre bei der französischen Großbank Société Générale entsprechende Systeme mitentwickelt und produktiv betrieben.
Aktuell entwickeln wir für das Bistum Augsburg (ca. 8.500 Mitarbeitende) eine On-Premise Daten-/KI-Lösung zur Automatisierung des IT-Service-Managements – eine Erweiterungsschicht auf dem bestehenden Ticketsystem, die Daten bereinigt, strukturiert und wiederkehrende Klassifizierungs- und Routing-Aufgaben automatisiert. Diese läuft auf eigenen GPUs im eigenen Rechenzentrum ohne Daten nach außen freizugeben.
Zwei Beispiele für Lösungen, an denen wir aktuell arbeiten und die für diese Challenge unmittelbar relevant sind:
Cross-Check-Tool zum Querabgleich von Anforderungsdokumenten (https://cross-check.digitflow.eu/de): Dieses Tool bildet genau das Grundprinzip ab, das auch für die Nachweisprüfung benötigt wird – nicht Wortabgleich, sondern inhaltliches Verständnis der Beziehung zwischen Vorgabe- und Prüfdokumenten, mit klarer Kennzeichnung, wo eine automatisierte Aussage sicher ist und wo eine menschliche Prüfung nötig bleibt.
Compliance-Checker für DSGVO und AI Act (https://compliance.digitflow.eu/de): relevant, da ein KI-gestütztes Prüfwerkzeug im öffentlichen Beschaffungskontext selbst DSGVO- und ggf. AI-Act-Anforderungen genügen muss – wir bringen dieses Thema nicht nur als Entwickler, sondern auch als Compliance-Kompetenz mit.
Wir schlagen einen zweistufigen Ansatz vor. Kernmodul: ein Abgleichsmodul, das Ausschreibungsvorgaben (Quelldaten) gegen eingereichte Nachweise (Prüfdaten) über eine Kombination aus LLM-gestützter Extraktion und einem Knowledge Graph abgleicht – nicht als reinen Text-Ähnlichkeitsvergleich, sondern mit Verständnis der Anforderungs-Nachweis-Beziehungen.
Dieses Prinzip haben wir bereits als eigenständiges Produkt umgesetzt (Cross-Check-Tool, https://cross-check.digitflow.eu/de) und übertragen es auf die Struktur „Vorgabe vs. Nachweis".
Zusätzlich neu zu entwickeln:
(1) Bild-/Siegel-Erkennung für Zertifikatslogos,
(2) Anbindung an ausgewählte externe Verifizierungsplattformen zur Gültigkeitsprüfung.
Zuverlässigkeit: Jedes Ergebnis erhält einen Konfidenzwert. Unterhalb eines definierten Schwellwert
s erfolgt automatisch Eskalation an die Sachbearbeitung statt einer automatisierten Entscheidung – keine stille Fehlklassifikation.
Datenschutz/Sicherheit: Verarbeitung ausschließlich innerhalb der EU, rollenbasiertes Berechtigungskonzept, Verschlüsselung bei Transport und Speicherung. Login über die Host-Plattform wird wie vorausgesetzt integriert.
Nutzerfreundlichkeit: Klar getrennte Darstellung von
(a) automatisch bestätigten Nachweisen,
(b) Fällen mit Eskalationsbedarf inkl. Begründung,
(c) Vorschlagstexten für Nachforderungen.
Barrierearme Umsetzung (WCAG-orientiert) wird von Anfang an mitgedacht, nicht nachträglich aufgesetzt.
KI-Technologie: LLM zur Extraktion/Klassifikation strukturierter und unstrukturierter Inhalte, Vision-Modell für Logo-/Siegel-Erkennung, Graphdatenbank zur Modellierung von Anforderungs-Nachweis-Beziehungen. Zuverlässigkeit ist hoch bei standardisierten, häufigen Nachweisformen; sinkt bei seltenen/uneindeutigen Siegeln oder schlecht lesbaren Scans – hier greift die Eskalationslogik.
Technische Umsetzung: Empfehlung Multi-Tenant-SaaS (mehrere Kommunen als Nutzer), API-first für Anbindung neuer Verifizierungsplattformen ohne Änderung am Kernsystem.
Betrieb: Laufende Wartung primär für Aktualisierung der Standard-/Siegel-Datenbank und Anpassung an neue Ausschreibungsformate – geringer als die initiale Entwicklung.
Ressourcenverbrauch: Einsatz kleinerer, aufgabenspezifischer Modelle statt durchgängig eines großen Modells; Inferenz nur bei tatsächlicher Prüfung, kein Dauerbetrieb.
Als Vergleichsgröße dient uns ein aktuell laufendes, strukturell ähnliches Projekt zur Konsistenzprüfung von Anforderungsdokumenten: dort realisieren wir ein vergleichbares Kern-Abgleichsmodul (Text-Matching + Knowledge Graph + Eskalationslogik) als MVP in 9 Wochen mit einem Kernteam von ca. 2,5–3 Vollzeitäquivalenten.
Grobe Einschätzung für dieses Projekt (unverbindlich, vorbehaltlich genauerer Scope-Klärung):
Kern-Abgleichsmodul (Text-Nachweise, Knowledge Graph, Eskalations-UI): 350–450 Personenstunden
Bild-/Siegel-Erkennung (Trainings-/Referenzdatensatz, Klassifikation): 150–250 Personenstunden
Anbindung externer Verifizierungsplattformen: 100–200 Personenstunden je Schnittstelle, stark abhängig von deren API-Verfügbarkeit
Multi-Tenant-Fähigkeit, barrierearmes Frontend: 150–250 Personenstunden
Gesamt für ein MVP mit einer Produktgruppe (z. B. Textilsiegel) als Pilot: ca. 700–1.000 Personenstunden über 3–4 Monate.
Laufender Betrieb/Wartung: erfahrungsgemäß deutlich geringer als die Entwicklung, primär Pflege der Standard-Datenbank und Anpassung an neue Ausschreibungsformate.
Diese Zahlen sind eine erste Einordnung auf Basis eines strukturell ähnlichen, laufenden Projekts – keine verbindliche Kalkulation.
