Die kurze Antwort
Einmal erkennen, vielfach lesen. Ein Dokument zu lesen ist mit Abstand das Teuerste, was ein KI-Feld tut, also liest genau ein Feld die Anhänge und schreibt ein strukturiertes Arbeitsblatt – JSON, in ein Langtextfeld. Jedes andere Feld ist ein günstiger reiner Textleser, der auf einen Pfad in diesem Arbeitsblatt zeigt. Zwanzig extrahierte Werte kosten einen Dokumentlesevorgang plus zwanzig Textlesevorgänge, und jeder Wert stammt aus derselben Lektüre statt aus zwanzig unabhängigen, die sich widersprechen.
Die Einschränkung, die alles andere prägt: Ein Prozess liest einen Snapshot des Datensatzes, der beim Start aufgenommen wird, sodass ein KI-Feld nicht sehen kann, was ein anderes KI-Feld im selben Prozess geschrieben hat. Jede Abhängigkeit zwischen KI-Feldern ist daher eine Prozessgrenze – ein KI-Durchlauf pro Prozess, verkettet bei Abschluss.
Das Geschäftsproblem
Ein Wiederverkäufer kauft bei Lieferanten ein und verkauft an Endkunden weiter. Jeder Deal trägt zwei Dokumente: das Angebot des Lieferanten – was die Ware kostet – und das eigene Angebot des Unternehmens an den Kunden – wofür sie verkauft wird. Die Marge des Deals ist die Differenz, und sie steckt in diesen beiden PDFs.
In der Praxis rechnete sie niemand zum Zeitpunkt des Deals aus. Das Margenfeld im CRM war mit einem Standardprozentsatz vorbelegt, und die echte Zahl tauchte Wochen später bei der Rechnungsstellung auf. Jeder Pipeline-Bericht, jede Prognose und jede Provisionsprojektion dazwischen beruhte auf einer Schätzung, der niemand Grund hatte zu trauen.
Was das Unternehmen wollte, war einfach zu formulieren:
- die tatsächlichen Verkaufskosten und die tatsächliche Marge, aus den Dokumenten berechnet, in dem Moment, in dem die Angebote angehängt werden;
- einen sichtbaren Audit-Trail – aus welchem Dokument jede Zahl stammt und wie die Berechnung zustande kam;
- ein ausdrückliches Signal, wenn die Dokumente keine verlässliche Antwort hergeben, statt einer selbstsicheren falschen Zahl;
- keine neue Dateneingabe für das Vertriebsteam.
Die Komplikationen sind der interessante Teil. Die beiden Dokumente passen selten eins zu eins zusammen. Ein Rahmenangebot eines Lieferanten kann weit mehr Kapazität abdecken, als der Deal tatsächlich verkauft, sodass ein Vergleich der Dokumentsummen eine völlig falsche Marge ergibt – der richtige Vergleich skaliert nach der tatsächlich verkauften Menge. Dokumente enthalten mehr als eine Gesamtsumme, und die richtige ist nicht immer die größte. Firmennamen stehen auf beiden Dokumenten, daher müssen Einkaufs- und Verkaufsseite nach ihrer Rolle statt nach dem Namen unterschieden werden. Und ein Schwesterunternehmen in einem anderen Land lässt einen konzerninternen Einkauf wie einen Einkauf bei Dritten aussehen.
Warum der naheliegende Ansatz scheitert
Der Instinkt ist direkt: Entscheiden Sie, welche zwanzig Werte Sie wollen, legen Sie zwanzig KI-Felder an, richten Sie jedes auf die Dokumente des Datensatzes, schreiben Sie für jedes einen Prompt und klicken Sie auf Update Fields. Das scheitert auf vier verschiedene Weisen, und nur die erste ist offensichtlich.
Es sind zwanzig Dokumentlesevorgänge, nicht einer
Ein PDF zu lesen ist der teure Vorgang – gemessen rund 23 Sekunden für einen Satz aus zwei Dokumenten, gegenüber etwa 11 Sekunden für einen reinen Textlesevorgang. Zwanzig Felder, die jeweils dieselben Dokumente öffnen, vervielfachen den langsamsten Teil der Arbeit um das Zwanzigfache, für Informationen, die schon neunzehnmal extrahiert wurden.
Die Zahlen widersprechen einander
Schlimmer als langsam. Jedes Feld leitet die zugrunde liegenden Zahlen unabhängig neu her, und bei einem nicht trivialen Dokumentensatz kommen nicht alle zum selben Ergebnis. Am Ende haben Sie Verkaufskosten aus einem Feld und eine Marge aus einem anderen, die nicht zueinander passen, und keine Möglichkeit festzustellen, welches falsch ist.
Es gibt keine garantierte Reihenfolge
Felder, die über den Button Update Fields gestartet werden, laufen in keiner definierten Reihenfolge. Jedes Feld, das auf der Ausgabe eines anderen aufbauen soll, ist ein Wettlauf, und es wird im ersten Test zu funktionieren scheinen und danach für immer sporadisch scheitern.
Ein Feld sieht nicht, was ein Nachbarfeld gerade geschrieben hat
Plattformverhalten. Ein Automatisierungsprozess liest einen Snapshot des Datensatzes, der beim Start aufgenommen wird. Ein KI-Feld kann nicht sehen, was ein früheres KI-Feld im selben Prozess geschrieben hat – es liest stillschweigend den vorherigen Wert. Über Prozesse hinweg funktioniert es korrekt.
Das ist die größte architektonische Einschränkung im ganzen Design, und sie scheitert lautlos: Der Wert, den es liest, ist ein echter Wert, nur der alte.
Datenmodell – einmal erkennen, vielfach lesen
Ein Feld übernimmt das Lesen. Alles andere liest die Ausgabe dieses Felds.
- Ein Arbeitsblattfeld – Langtext – hat die Dokumente als Datenquelle aktiviert. Sein Prompt weist es an, ein einziges JSON-Objekt zurückzugeben und sonst nichts. Das ist das einzige Feld, das jemals ein PDF öffnet.
- Leserfelder – eines pro Wert, den Sie in einem echten typisierten Feld haben wollen – haben die Dokumente deaktiviert. Jedes liest das Arbeitsblatt und extrahiert einen Pfad daraus.
- Formelfelder übernehmen die Arithmetik zwischen erkannten Werten. Sie sind immer aktuell und können nicht aus dem Takt geraten, was einem dritten KI-Feld, das Summen bildet, passieren würde.
Die Schichtungsregel. Ein Feld liest entweder die Dokumente oder ein Arbeitsblattfeld – nie beides. Ein Leser, bei dem der Dokumentzugriff aktiviert bleibt, leitet Werte aus der Quelle neu her und widerspricht dem Arbeitsblatt, das er eigentlich auswerten sollte. Schalten Sie die Dokumente bei jedem Leser ausdrücklich ab.
Warum JSON statt beschrifteter Zeilen
Es gibt keinen JSON-Feldtyp, aber ein Langtextfeld, dessen Prompt sagt „geben Sie nur
dieses JSON-Objekt zurück, keine Prosa davor oder danach“, gibt zuverlässig gültiges JSON
aus. Es lässt sich verschachteln, es trägt Arrays, und ein Leser kann auf einen Pfad wie
totals.cost_of_sale statt auf ein Zeilenpräfix gerichtet werden. Flache Ausgaben
im Format KEY: value funktionieren ebenfalls und sind in Ordnung, wo sie sich
bereits bewährt haben, aber JSON ist der bessere Standard für neue Arbeit.
Abhängigkeitsschichten
Jedes Feld gehört zu einer Schicht, die sich danach richtet, was es braucht, nicht nach Vorliebe. Im Referenzaufbau:
| Schicht | Felder | Liest |
|---|---|---|
| L0 | Dokumentklassifizierung | die PDFs |
| L1 | Status des Dokumentensatzes | L0 |
| L2 | 10 Identifikationsleser + die Berechnung + eine unabhängige Gegenprüfung | L0 / die Dokumente |
| L3 | Das beschreibende Arbeitsblatt | L2 |
| L4 | 3 Geldbetrag-Leser + 4 beschreibende Leser | L2, L3 |
Das Statusfeld auf L1 steht bewusst allein in seiner Schicht. Es ist das Tor, das entscheidet, ob der Dokumentensatz überhaupt verwendbar ist – und diese Trennung ist es, die verhindert, dass zwölf KI-Aufrufe für einen Satz ausgegeben werden, der nie eine Antwort liefern würde.
Konfiguration auf Feldebene
Was ein KI-Feld schreiben kann und was nicht
Der Server zählt seine unterstützten Typen selbst auf:
| Unterstützt | Nicht unterstützt |
|---|---|
currency, email, float, input (einzeiliger Text), integer, phone, text_area, url |
date, dropdown, checkbox, lookup |
Zwei Folgen, um die Sie von Anfang an herum entwerfen sollten. Ein erkanntes Datum muss als Text erfasst werden – es gibt keine Möglichkeit, ein echtes Datumsfeld von einem KI-Feld befüllen zu lassen. Und ein Wert im Stil einer Aufzählung muss ein Textfeld sein, dessen Prompt die Ausgabe auf eine feste Codeliste beschränkt, wobei Berichte nach dem entstehenden String statt nach Dropdown-Optionen gruppieren. Dieselbe Einschränkung trifft auch die Importseite: Ein Dropdown-Wert ohne passende Option landet leer und meldet Erfolg.
Das JSON-Schema in einen Prompt schreiben
Der Prompt-Editor verarbeitet Prompts als HTML und verschluckt stillschweigend alles in
spitzen Klammern. Drücken Sie das Schema mit den Literalen "", 0,
[] und null aus – nie mit <placeholders>.
Im Referenzaufbau zerstörte eine einzige Bearbeitung in der Oberfläche 23 von 26 Platzhaltern im Ausgabevertrag eines Prompts und hinterließ nackte Bezeichnungen und verstümmelte Fragmente. Jede Prosa-Regel überlebte, sodass der Schaden ohne Diff unsichtbar blieb. Halten Sie Prompts außerhalb der Plattform unter Versionskontrolle und vergleichen Sie nach jeder Bearbeitung über die Oberfläche.
Formelfelder für die Arithmetik
- Einfache Formeln unterstützen überhaupt keine Funktionsaufrufe – Arithmetik über Feldreferenzen und Literale, mehr nicht. Funktionsnamen werden schon beim Parsen abgelehnt.
- Erweiterte Formeln unterstützen Funktionen, aber das Feld muss als berechnetes Formelfeld angelegt werden. Eine erweiterte Formel nachträglich auf ein bestehendes Zahlenfeld zu setzen, wird akzeptiert, veröffentlicht, unverändert zurückgelesen – und rechnet nie, weil das Feld seine Natur als gespeicherte Spalte behält. Legen Sie es neu an; wandeln Sie es nicht um.
- Teilen Sie nie durch einen erkannten Wert. Ein leeres Zahlenfeld wird ohne Schutz als null gelesen, sodass eine Prozentformel bei jedem Datensatz, der noch nicht verarbeitet wurde, eine Division durch null auslöst.
Die Formularzugehörigkeit ist funktional
Ein KI-Feld kann nur ein Feld lesen, das auf dem Bearbeitungsformular der Entität liegt. Ein Feld, das existiert, veröffentlicht ist, eine aktivierte Oberflächenvorschau hat und sich über die API tadellos lesen lässt, ist für einen KI-Leser unsichtbar, wenn es nicht auf dem Formular platziert ist. Der Leser schreibt überhaupt nichts – nicht einmal den Ersatzwert, den sein eigener Prompt vorgibt.
Der Beleg: Bei zwei Arbeitsblattfeldern, die auf dem Formular lagen, funktionierten alle fünfzehn Leser; bei einem neu angelegten Arbeitsblatt, das nicht auf dem Formular lag, schrieben alle drei Leser bei jedem Lauf null. Konfigurationsvergleiche Feld für Feld zeigten die funktionierenden und die scheiternden Leser als in jedem Attribut identisch. Die gesamte Lösung bestand darin, das Feld zum Formular hinzuzufügen.
Dasselbe gilt für berechnete Felder, die außerhalb des Formulars gar nicht rechnen. Und ein neu hinzugefügtes Formelfeld bleibt auf jedem bereits bestehenden Datensatz leer, bis dieser Datensatz erneut geschrieben wird – setzen Sie ein Feld auf seinen eigenen Wert, um die Neuberechnung zu erzwingen.
Automatisierung & Logik
Der Referenzaufbau betreibt zwölf Prozesse. Das ist keine Überentwicklung; es ist die direkte Folge der Snapshot-Einschränkung aus §2. Es bedeutet allerdings, dass die Disziplin bei Benennung und Zuständigkeit aus Blueprint 011 über wartbare Automatisierungen vom ersten Prozess an gilt.
Ein KI-Knoten pro Abhängigkeitsschicht
Der Abschluss eines Knotens ist das einzige Signal, das sagt: „Diese Schicht ist fertig“. Wird eine Schicht auf zwei verkettete Knoten aufgeteilt, entstehen zwei unabhängige Abschlusssignale, und welches zuerst fertig wird, löst die nachgelagerten Schritte zu früh aus. Deshalb kommt jedes Feld einer Schicht in einen einzigen Knoten – im Referenzaufbau trägt ein Knoten zwölf Felder und ein anderer sieben. Das ist eine Korrektheitsregel, keine Ordnungsliebe.
Bei Abschluss verketten, nicht über Kindknoten
Seit KI-Felder asynchron laufen, trägt der KI-Aktionsknoten selbst eine Trigger-Process-Eigenschaft, die bei Abschluss des Schreibvorgangs auslöst. Das ist inzwischen der einzige sichere Weg zu allem, was liest, was der Knoten geschrieben hat.
Ein gewöhnlicher Kindknoten wartet nicht mehr auf die KI. Ein Kind-Trigger löst aus, während die Felder noch geschrieben werden, und der nachgelagerte Prozess liest den vorherigen Wert – lautlos. Das Ausführungsprotokoll macht den Unterschied sichtbar: Der Knoten wird zuerst als scheduled gemeldet, dann als erfolgreich mit einer Feldanzahl, und erst dann erscheint die Trigger-Zeile.
Quelle für das Verketten von Prozessen. Coevera-Hilfecenter, Automatizer — triggering a process from another process: Benutzer können „schlankere Prozesse erstellen und sie dann zu einem einheitlichen Workflow verketten“. Diese Seite behandelt nur das Verketten von Prozessen, nicht KI-Knoten oder deren Abschluss.
Ein Prozess ist ein einziger linearer Pfad
Bedingungen können verzweigen, aber sobald Sie sich in einer Aktionskette befinden, können Sie sie nicht erneut eingrenzen – und ein Aktionsknoten darf genau ein Kind haben, sodass es auch von einer Aktion aus keine Auffächerung gibt.
Die Falle: Der zweite Zweig einer Bedingung wird gespeichert, validiert, byte-identisch zurückgelesen und meldet sich als gesund – und wird nie ausgeführt. Nicht übersprungen: nie ausgewertet, ohne eine einzige Zeile im Ausführungsprotokoll. Alles Bedingte nach der ersten Aktion muss ein weiterer Prozess werden, der über einen Trigger-Knoten erreicht wird.
Wo ein Abschluss mehrere nachgelagerte Prozesse erreichen muss, löst er einen Router aus – einen Prozess, dessen einzige Knoten eine Kette von Trigger-Knoten sind. Weil jeder Unterprozess sich selbst absichert und ein nicht erfülltes Tor diesen Prozess stoppt, funktioniert die Reihenschaltung sich selbst absichernder Prozesse, und die Reihenfolge ist bedeutsam, wenn ein späterer liest, was ein früherer geschrieben hat.
Noch eine strukturelle Regel: Der erste Knoten jedes Prozesses muss ein Filterknoten sein. Eine Aktion an der Wurzel wird erfolgreich gespeichert, meldet sich als gesund und zeigt eine leere Arbeitsfläche ohne Fehler.
Prompt-Techniken, die messbar etwas bewirkt haben
- Prüfen Sie die Arithmetik in Ihren durchgerechneten Beispielen. Ein Margenprozentsatz war wochenlang falsch, weil das Beispiel im Prompt ein subtil falsches Ergebnis angab. Das Modell kopierte treu ein schlechtes Beispiel, statt nachlässig zu runden.
- Eine Selbstprüfung muss eine unabhängig hergeleitete Zahl erzwingen. „Rechnen Sie den Prozentsatz zurück und vergleichen Sie“ funktionierte. „Summieren Sie die Liste und vergleichen Sie mit der Gesamtsumme“ wurde erfüllt, indem das Ziel zweimal hingeschrieben wurde, und verdeckte zwei echte Fehler.
- Ersetzen Sie Urteilsvermögen durch mechanische Auslöser. Eine in Prosa beschriebene Vertrauensbewertung wurde uneinheitlich vergeben; ihre Ableitung aus einer ausdrücklichen Tabelle über die Hinweisliste machte sie verlässlich.
- Betten Sie den beobachteten Fehler als Gegenbeispiel ein. Jede Korrektur, die gehalten hat, zitiert die tatsächliche falsche Ausgabe, die sie verhindern soll.
- Lassen Sie das Modell seine Begründung dort ausgeben, wo Sie sie prüfen müssen. Ein Block mit einer Zwischenaufschlüsselung machte aus einer Zahl, die zwischen Läufen nicht reproduzierbar schwankte, eine, die sich innerhalb eines einzigen Laufs diagnostizieren ließ.
- Toleranzen bei schlecht konditionierten Prüfungen müssen proportional sein. Eine feste absolute Toleranz bei einer Prüfung, die die Differenz zweier fast gleicher Prozentsätze multipliziert, erzeugte falsche Abweichungsurteile bei nachweislich exakten Deals.
Grenzen & Kompromisse
Die Fehlerbilder melden alle Erfolg
Das ist das Leitmotiv. Fast jede Art, auf die dieses Design schiefgeht, sieht von außen gesund aus.
| Symptom | Tatsächliche Ursache | Woran man es erkennt |
|---|---|---|
| Knoten protokolliert Erfolg, updated 0 fields | Erschöpfte KI-Credits | Trifft das Ende einer Kette, weil frühere Knoten die letzten Credits verbraucht haben. Liest sich genau wie „der letzte Schritt ist kaputt“. |
| Knoten protokolliert Erfolg, updated 0 fields | Ein Feld, das der Prompt nennt, liegt nicht auf dem Formular | Andere KI-Knoten im selben Lauf haben erfolgreich geschrieben. |
| Leser liefert einen plausiblen, aber veralteten Wert | Snapshot im selben Prozess oder ein Kindknoten, der nicht auf einen asynchronen Schreibvorgang gewartet hat | Der Wert ist ein echter früherer Wert, kein Fehler. |
| Zweig läuft nie, kein Fehler | Der zweite Zweig einer Bedingung – gespeichert, validiert, nie ausgewertet | Überhaupt keine Auswertungszeile dafür im Ausführungsprotokoll. |
| Formelfeld dauerhaft leer | Nicht auf dem Formular, oder eine erweiterte Formel nachträglich gesetzt statt neu angelegt | Ein Konfigurationsvergleich mit einem funktionierenden Formelfeld zeigt beide als identisch. |
| Feld direkt nach einem Lauf als fehlend gemeldet | Gelesen, bevor sich der letzte Schreibvorgang gesetzt hatte | Derselbe Lesevorgang liefert Augenblicke später den Wert. |
Das Hindernis, das das ganze Projekt geprägt hat
AI Smart Fields liefen ursprünglich synchron und hielten die Datenbank fest, während sie liefen. Ein vollständiger Erkennungsdurchlauf sperrte den Space für zwei bis fünf Minuten. In einem gemeinsam genutzten Space mit einem Dutzend Benutzern ist das nicht einsetzbar, und der Aufbau wurde genau aus diesem Grund vom Produktivbetrieb zurückgehalten – er war korrekt und gleichzeitig unbrauchbar.
Das wurde durch die asynchrone Version behoben, und die Kette wurde am Tag der Auslieferung auf Abschluss-Trigger umgebaut. Es lohnt sich, das festzuhalten, statt es stillschweigend zu löschen: Es erklärt, warum die Architektur so geformt ist, wie sie ist, und die Wiederholung beider Testfälle nach dem Umbau ergab Zahlen, die mit den synchronen Originalen identisch waren – daran erkennt man, dass sich die Leitungen geändert haben und sonst nichts.
Weitere Einschränkungen in diesem Aufbau
- Stapelvorgänge sind auf 100 Datensätze begrenzt.
- Erweiterte Formeln lassen sich nicht über die API validieren – erfundene Funktionsnamen werden anstandslos akzeptiert, und berechnete Werte werden bei einem normalen Lesen des Datensatzes nicht zurückgegeben. Vertrauen Sie nur dem Formeleditor in der Oberfläche.
- Die Ausführung ist Administratoren vorbehalten. Ein persönliches Zugriffstoken kann alles konfigurieren und nichts ausführen; die manuelle Ausführung eines Prozesses erfordert einen echten Benutzer.
- Prozesse auf Space-Ebene sind über die API schreibgeschützt. Aktualisierungen werden mit einem Berechtigungsfehler abgelehnt, daher braucht die Arbeit an Prozessen ein Zeitfenster, in dem sie auf persönlicher Ebene liegen.
- Das Umbenennen eines Felds benennt es auf dem Formular nicht um – das Formular speichert seine eigene Kopie jeder Bezeichnung.
- Grenzen für Dateityp, Größe und Menge von Dokumenten sind nicht veröffentlicht. Prüfen Sie sie empirisch an Ihrem eigenen Dokumentensatz.
- Asynchron ist Ende zu Ende geringfügig langsamer – rund 3½ Minuten gegenüber 2–3 bei synchroner Ausführung für dieselbe Kette, weil jede Übergabe auf ein Abschlussereignis wartet. Den Space blockiert es nicht mehr, und genau darum ging es.
Der Zielkonflikt zwischen Kosten und Detail
Von den 22 KI-Feldern im Referenzaufbau tragen nur sechs die Last – der Status, zwei Geldsummen, der Margenprozentsatz, die Vertrauensbewertung und die Hinweisliste. Die anderen 16 sind beschreibende Leser, die den Datensatz für Menschen befüllen. Wer sie streicht, halbiert ungefähr die Laufzeit, auf Kosten der erkannten Details auf dem Datensatz. Gut zu wissen, bevor man annimmt, dass die ganze Kette nötig ist.
Verifizierung
Das Ausführungsprotokoll ist die einzige ehrliche Darstellung dessen, was ausgeführt wurde. Zurückgelesene Konfigurationen, Erfolgsstatus und Gesundheitsanzeigen lügen alle auf die in §6 beschriebenen Weisen. Lesen Sie nach jedem Lauf das Aktivitätsprotokoll des Prozesses.
Was tatsächlich geprüft wurde:
- Feldanzahl pro Knoten, bei jedem Lauf. Ein Knoten, der zwölf Felder schreiben soll, muss zwölf protokollieren. Das ist die wichtigste Prüfung, denn ein Feld, das lautlos nicht geschrieben wird, behält seinen vorherigen, korrekten Wert – ein Lauf auf einem nicht geleerten Datensatz kann also perfekt aussehen und trotzdem veraltet sein.
- Leeren und von vorn laufen lassen. Jedes KI-Feld vor einem vollständigen Durchlauf auf null gesetzt, sodass kein Wert aus einem früheren Lauf übernommen werden kann.
- Zwei gegensätzliche Dokumentensätze von Anfang bis Ende – ein einfaches Paar, das eins zu eins zusammenpasst, und ein Rahmenpaar, bei dem das Lieferantenangebot weit mehr abdeckt, als der Deal verkauft. Das zweite ist das, was das Design beweist, weil ein Vergleich der Dokumentsummen dort eine deutlich falsche Antwort liefert.
- Jeder Leser mit seinem eigenen Quellarbeitsblatt verglichen, nicht nur auf Plausibilität geprüft.
- Ein unabhängiges Gegenprüfungsfeld, das die Dokumente direkt liest und dieselbe Zahl auf einem anderen Weg herleitet, mit der Abweichung auf dem Datensatz. Zwei unabhängig hergeleitete Zahlen, die übereinstimmen, sind ein Beleg; eine Zahl, die vernünftig aussieht, ist keiner.
- Trigger-Reihenfolge aus dem Protokoll bestätigt – dass der Router seine Ziele in der Reihenfolge ausgelöst hat, von der ein nachgelagertes Tor abhängt.
- Nach dem asynchronen Umbau erneut ausgeführt und mit den synchronen Referenzdaten verglichen. Identische Zahlen bewiesen, dass sich die Leitungen geändert hatten und die Logik nicht.
Was auf eine Regression hindeuten würde: ein Knoten, der weniger Felder protokolliert, als seine Schicht enthält; ein Leser, der einen Wert liefert, der dem Arbeitsblatt widerspricht, das er liest; eine wachsende Abweichung bei der Gegenprüfung; eine Erkennung, die selbstsichere Ausgaben zu einem Dokumentensatz liefert, der als unbrauchbar hätte abgelehnt werden müssen.
Häufige Fragen
Kann eine KI ein an einen CRM-Datensatz angehängtes PDF lesen und daraus Felder befüllen?
Ja. In Coevera CRM können AI Smart Fields die angehängten Dokumente eines Datensatzes als Datenquelle nutzen und einen extrahierten Wert in ein Feld schreiben. Der naive Ansatz – ein KI-Feld pro Wert, jedes liest die Dokumente – ist teuer und inkonsistent, weil das Lesen eines Dokuments mit Abstand der teuerste Vorgang ist und jedes Feld die zugrunde liegenden Zahlen unabhängig neu herleitet. Das verlässliche Muster lautet einmal erkennen, vielfach lesen: Ein Feld liest die Dokumente und schreibt ein strukturiertes Arbeitsblatt als JSON in ein Langtextfeld, und jedes andere Feld ist ein günstiger reiner Textleser, der auf einen Pfad in diesem Arbeitsblatt zeigt. Eine Extraktion von zwanzig Werten wird so von zwanzig Dokumentlesevorgängen zu einem Dokumentlesevorgang plus zwanzig Textlesevorgängen.
In welche Feldtypen kann ein AI Smart Field schreiben?
Der Server zählt seine unterstützten Typen auf als currency, email, float, input (einzeiliger Text), integer, phone, text_area und url. Dropdown-, Datums-, Checkbox- und Lookup-Felder kann ein AI Smart Field nicht beschreiben. Ein erkanntes Datum muss als Text erfasst werden, und ein Wert im Stil einer Aufzählung muss ein Textfeld sein, dessen Prompt die Ausgabe auf eine feste Codeliste beschränkt, wobei Berichte nach dem String gruppieren.
Warum meldet mein KI-Feld Erfolg, schreibt aber nichts?
Es gibt zwei häufige Ursachen, und beide melden Erfolg. Erstens die Formularzugehörigkeit: Ein AI Smart Field kann nur ein Feld lesen, das auf dem Bearbeitungsformular der Entität platziert ist. Ein Feld, das existiert, veröffentlicht ist und sich über die API problemlos lesen lässt, ist für einen KI-Leser unsichtbar, wenn es nicht auf dem Formular liegt – der Leser schreibt überhaupt nichts, nicht einmal den Ersatzwert, den sein eigener Prompt vorgibt. Zweitens erschöpfte KI-Credits, bei denen der Knoten als erfolgreich mit null aktualisierten Feldern protokolliert wird. Unterscheiden Sie beides daran, ob andere KI-Knoten im selben Lauf erfolgreich geschrieben haben: Wenn ja, prüfen Sie die Formularzugehörigkeit; wenn sich die Fehler am Ende einer Kette häufen, prüfen Sie die Credits.
Kann ein KI-Feld lesen, was ein anderes KI-Feld gerade geschrieben hat?
Nicht innerhalb desselben Automatisierungsprozesses. Ein Prozess liest einen Snapshot des Datensatzes, der beim Start aufgenommen wird, sodass ein KI-Feld nicht sehen kann, was ein früheres KI-Feld im selben Prozess geschrieben hat – es liest stillschweigend den vorherigen Wert. Jede Abhängigkeit zwischen KI-Feldern muss daher eine Prozessgrenze sein: ein KI-Durchlauf pro Prozess, wobei der nächste Prozess bei Abschluss ausgelöst wird. Seit KI-Felder asynchron laufen, hat der KI-Aktionsknoten selbst eine Trigger-Process-Eigenschaft, die auslöst, wenn der Schreibvorgang abgeschlossen ist; ein gewöhnlicher Kindknoten wartet nicht auf die KI und liest veraltete Daten.