Case Study · Voice-to-Report
Wie wir bei Alpenwerk Haustechnik Rückfragen der Disposition von 50 % auf unter 5 % gesenkt haben.
Alpenwerk Haustechnik ist ein Pseudonym. Der echte Kundenname ist zum Schutz vor direkten Wettbewerbern geändert. Branche, Größenordnung, Prozesse und Kennzahlen entsprechen der Realität.
50% → <5%
Rückfragequote der Disposition
Tage → <15 Min.
Vom Auftragsende bis approve-fertig
~1.200
Strukturierte Reports im 6-Wochen-Pilot
Über Alpenwerk Haustechnik
Der Engpass sitzt nicht in der Werkstatt, sondern in der Disposition.
Alpenwerk Haustechnik ist ein österreichischer Handwerksbetrieb mit mehreren hundert Mitarbeitern. Der Betrieb deckt die klassischen Gewerke ab – Heizung, Sanitär, Elektro, Brandschutz – und betreut Großkunden im Industrie- und Immobilienbereich, von einzelnen Wohnungen über Gewerbeobjekte bis zu Großimmobilien mit eigenen Wartungsverträgen.
Der Engpass, den wir gemeinsam gelöst haben, sitzt an der Schnittstelle zwischen Techniker im Außendienst und Disposition in der Zentrale, dort, wo aus Tagesarbeit verrechenbarer Auftrag wird.
Das Problem
Rund jeder zweite Report brauchte eine Rückfrage.
Die Disposition bekommt vom Techniker einen Report, der aus einer einzigen Zeile besteht und keinen einzigen fachlich verwertbaren Punkt enthält. Sie hat selbst kein Gewerke-Fachwissen – sie ist Disponent, nicht Heizungsbauer. Also reimt sie sich zusammen, was passiert sein könnte. Oder sie ruft den Techniker an. Bei rund jedem zweiten Report.
„Schwere Meldung: 4. Meldung: Allgemein/Überprüfung Undichtheit KG. Feststellung: Keller Bereich Rohrelaitung undicht. Maßnahmen: Isolierung demontiert Rohre überprüfen Rohre undicht neben schellen. Weitere Maßnahmen: Rohre muss ausgetauscht."
Kein Status. Keine Zeit. Kein Material. Tippfehler, Fragmente. Reports, die theoretisch nach dem Auftrag fertig sind, wurden faktisch erst ein bis drei Tage später für den Rechnungslauf freigegeben – wenn alle Rückfragen geklärt waren. Das verlängert den Cash-Cycle, verärgert Endkunden und bindet Disposition wie Techniker in Telefonketten, die niemand führen will.
Vorher / Nachher · Reales Beispiel
Wie aus einer Sprachnachricht ein verwertbarer Report wird.
Reale Beispiele aus dem MVP-Pilot · 6 Wochen · ~1.200 Reports. Anonymisiert.
Vorher · Techniker
Schwere Meldung: 4
Meldung: Allgemein/Überprüfung Undichtheit KG
Feststellung: Keller Bereich Rohreleitung undicht
Maßnahmen: Isolierung demontiert Rohre überprüfen Rohre undicht neben schellen
Weitere Maßnahmen: Rohre muss ausgetauscht
- · Kein Status
- · Keine Zeit angegeben
- · Kein Material erfasst
- · Tippfehler, Fragmente
- · Dispo muss anrufen
Nachher · KI-Output
Top B · Rohrbruch in der Küche
30. April 2026
Feststellung
Rohrbruch in der Küche durch Materialermüdung. Plastik gebrochen, Wasser auf dem Fußboden.
Maßnahme
Wasser gestoppt. Kein weiteres Wasser läuft mehr.
Status
Erledigt
Weitere Maßnahme
Keine. Bewohner beauftragt eigene Firma.
Zeitaufwand
45 Minuten
automatisch erfasst
Material
Keines verbaut
automatisch erfasst
✓ Alle Pflichtfelder befüllt · approve-fertig in unter 15 Min.
KI transkribiert · strukturiert · fragt nach
Die Lösung
30 bis 90 Sekunden Sprachnachricht. Strukturierter Report in Minuten.
Der Techniker spricht nach dem Einsatz eine Sprachnachricht direkt am iPad. Die KI macht aus dem Audio einen strukturierten Report mit allen Pflichtfeldern – Feststellung, durchgeführte Maßnahme, Status, weitere Maßnahmen, Zeitaufwand, Material.
Bei rund 55 % der Sprachnachrichten stellt die KI eine gezielte Rückfrage, bevor der Report an die Disposition geht. Das klingt nach Defekt – ist aber der Mechanismus, der dafür sorgt, dass über 95 % der Reports beim Dispatcher ohne Rückfrage durchgehen.
Must-Have
Feststellung, durchgeführte Maßnahme und Status. Ohne diese Felder ist kein Report verwertbar. Die KI fragt immer nach.
Should-Have
Zeitaufwand, Material und Fotos. Werden in fast jedem Einsatz gebraucht und gehen erfahrungsgemäß bei der Verrechnung unter, wenn nicht aktiv abgefragt.
Nice-to-Have
Nebenbefunde, Anlagenzustand, Kundenkontakt. Werden nur abgefragt, wenn der Kontext dafür spricht. Kein Techniker wird mit zwanzig Fragen bombardiert.
Die Disposition wechselt damit aus der Rolle der Datenrekonstrukteurin in die Rolle, die sie eigentlich haben soll: Quality Reviewer. Sie sieht einen vollständigen Report, prüft ihn, gibt ihn frei.
Workflow · Vorher / Nachher
Aus Telefonketten wird ein durchgängiger Prozess.
Vorher
- 01Auftragsende beim Kunden
- 02Techniker tippt Report am iPad oder gibt nichts ab
- 03Pflichtfelder oft unvollständig oder reine Stichworte
- 04Dispo prüft am nächsten Tag und sieht: ~50 % unbrauchbar
- 05Dispo ruft Techniker an, rekonstruiert Inhalte
- 06Report nach 1–3 Tagen approve-fertig
≈ 1–3 Tage · ~50 % Rückfragen
Nachher
- 01Auftragsende beim Kunden
- 02Techniker spricht 30–90 Sek. Sprachnachricht ins iPad
- 03KI transkribiert und prüft Must-Have-Felder
- 04Bei 55 % der Texte: gezielte Rückfrage an Techniker
- 05Strukturierter Report landet direkt in der Disposition
- 06> 95 % approve-fertig in unter 15 Minuten
✓ < 15 Min · < 5 % Rückfragen
Auch für Techniker mit eingeschränkten Deutschkenntnissen, die im handschriftlichen Tippen vorher die Hauptlücke produziert haben: Es ist kein Tippen mehr. Es ist Reden.
Das Ergebnis
6 Wochen Pilot · ~40 Reports pro Tag · ~1.200 strukturierte Reports.
Rückfragequote der Disposition: von rund 50 % auf unter 5 %.
Mehr als neun von zehn Rückfragen, die vorher nötig waren, sind weg.
Vom Auftragsende bis approve-fertig: von 1–3 Tagen auf unter 15 Minuten.
Ein bis drei Tage im Backlog – auf eine Viertelstunde reduziert, in der die KI mit dem Techniker den Report sauber zu Ende bringt.
Material und Zeitangaben werden systematisch erfasst.
Beide Felder, die in der alten Welt regelmäßig untergingen und in der Verrechnung als nicht verrechenbarer Aufwand verschwanden, fragt die KI heute aktiv ab.
„Vorher musste die Disposition rund jeden zweiten Report nachschärfen. Heute kommen über 95 % ohne Rückfrage durch – und Material und Zeit gehen nicht mehr verloren. Das hat unsere Rechnungsstellung von Tagen auf Minuten reduziert."
Was wir daraus methodisch mitnehmen
Ein Muster, das auf jede operative Schnittstelle übertragbar ist.
Prinzip 1
AI ist die Hälfte, Prozessdesign ist die andere.
Eine Sprach-zu-Text-KI gibt es überall. Genauso eine Strukturierungs-KI. Was diesen Prozess funktionieren lässt, ist die Rückfrage-Hierarchie – die Entscheidung, wann die KI nachfragt, was sie zwingend braucht, was sie ignoriert. Diese Hierarchie haben wir nicht aus einem Modell abgeleitet, sondern in der Disposition erarbeitet, mit Menschen, die die Reports täglich lesen.
Prinzip 2
AI dort, wo Operatoren Frust haben.
Die Disposition, die jeden zweiten Report rekonstruieren muss, ist die unsexyeste Aufgabe der Gebäudetechnik. Genau deshalb ist sie der höchste ROI-Hebel. Die Sichtbarkeits-Use-Cases sehen in Demos beeindruckender aus. Aber die KI, die Geschäftszahlen bewegt, ist die, die montagmorgens den Stress aus der Disposition nimmt und Rechnungen Tage früher in den Lauf bringt.
Wir denken nicht in Tools. Wir denken in dem, was am Ende an einem Donnerstagabend in einer realen Heizungsanlage funktioniert.
Wer wir sind
Aufgebaut von Operatoren, nicht von Beratern.
elvys ist aufgebaut von Operatoren, nicht von Beratern. Wir betreiben eigene Firmen – SaaS, E-Commerce, Beteiligungen – und bauen die AI-Prozesse, die wir auch dort einsetzen, für unsere Kunden.
Daraus folgt eine Disziplin: Wir messen jeden Prozess, den wir bauen, an einer einzigen Frage. Hat er einen messbaren Hebel innerhalb eines Quartals erzeugt? Wenn nicht, sagen wir das offen – bevor du das nächste Quartal investierst.
45 Minuten · Kostenlos
Wir bauen einen Ihrer Prozesse nach und zeigen Ihnen, wo AI ihn 3–10× schneller macht.
Sie nennen uns einen Prozess, der bei Ihnen Zeit, Geld oder Kunden kostet. Wir zerlegen ihn live, identifizieren die Hebel und zeigen Ihnen, wie der gleiche Prozess mit AI aussehen würde – inklusive konkreter Schätzung, was sich in 90 Tagen messen ließe.
Zum Strategiegespräch