KI-Textanalyse: Aus E-Mails werden strukturierte Daten

Wir haben eine Textanalyse-App entwickelt, die aus unstrukturierten Texten konkrete Informationen extrahiert. Keine Theorie, sondern direkt nutzbar.

Live-Demo

Was kann die App?

Die Textanalyse erkennt aus beliebigen Texten:

• Sentiment: Ist der Text positiv, negativ oder neutral?
• Aufgaben: Welche To-Dos stecken im Text? Mit Prioritäten.
• Termine: Alle Datumsangaben werden erkannt und normalisiert
• Personen: Wer wird erwähnt und in welcher Rolle?
• Technologien: Welche Tools und Systeme kommen vor?

Ein konkretes Beispiel

Sie kopieren eine lange E-Mail-Kette in die App. Nach wenigen Sekunden bekommen Sie:

Sentiment: Leicht frustriert (Score: -0.3)

Gefundene Aufgaben:
1. [HOCH] Bug in Login-Funktion beheben
2. [MITTEL] Meeting-Protokoll nachreichen  
3. [NIEDRIG] Server-Logs prüfen

Termine:
- 2024-10-18: Deadline Bugfix
- 2024-10-20: Review-Meeting

Beteiligte:
- Max Müller (Projektleiter)
- Sarah Schmidt (Entwicklerin)

Das Ergebnis lässt sich als JSON exportieren und direkt in andere Systeme einspeisen.

Wo hilft das konkret?

Nach zwei Monaten Praxiseinsatz haben wir gesehen, dass die App vor allem in drei Bereichen Zeit spart:

Meeting-Protokolle: Statt manuell alle Aufgaben rauszuschreiben, macht das die App. Die Kollegen aus dem Projektmanagement sparen pro Meeting etwa 15 Minuten.

Support-Tickets: Die Sentiment-Analyse zeigt sofort, welche Kunden wirklich verärgert sind. Das Support-Team kann kritische Fälle priorisieren.

Dokumenten-Review: Bei der Durchsicht von Anforderungsdokumenten findet die App alle versteckten Deadlines und technischen Abhängigkeiten.

Technische Details

Die App basiert auf einem Large Language Model, das wir für Unternehmenstexte optimiert haben. Die Verarbeitung läuft über eine REST-API:

const result = await fetch('/api/analyze', {
  method: 'POST',
  body: JSON.stringify({ text: documentText })
});

Das Frontend ist mit Streamlit gebaut - nichts Fancy, aber es funktioniert. Die durchschnittliche Antwortzeit liegt bei 2-3 Sekunden für normale Texte.

Integration in bestehende Systeme

Die meisten unserer Kunden nutzen die API-Schnittstelle. Ein Beispiel: Automatisches Tagging von Jira-Tickets basierend auf der Textanalyse. Der Webhook empfängt neue Tickets, schickt den Text an unsere API und updated die Labels.

Für Batch-Verarbeitung gibt es einen CSV-Import. Praktisch für die monatliche Auswertung von Kundenfeedback.