# Case Study: Knowledge Graph spart 70% Expose-Zeit

> Source: https://aprixity.run/de/wissen/research/case-study-maklerbuero-knowledge-graph

### Cookie-Einstellungen

Ich verwende Cookies, um Ihre Erfahrung zu verbessern und meinen Service zu optimieren.

#### Notwendig

Immer aktiv

Diese Cookies sind für die Grundfunktionen der Website erforderlich.

#### Analyse & Performance

Diese Cookies helfen mir zu verstehen, wie Sie meine Website nutzen, um diese zu verbessern.

-   Google Analytics 4 (Besucherstatistiken)
-   Seitenaufrufe und Navigation
-   Interaktionen und Events

Alle akzeptierenAuswahl speichernAlle ablehnen

Weitere Informationen finden Sie in meiner [Datenschutzerklärung](/de/datenschutz)

[Zum Hauptinhalt springen](#main-content)

[![APRIXITY Logo](/logo-64.png)APRIXITY](/de/)

[KI-Beratung](/de/ki-beratung-hannover)[Sanierung](/de/sanierung)[Immobilien](/de/osiris)MethodeWissen[Über mich](/de/#about)

🇩🇪Deutsch

[Check](/de/engpass-check)[Gespräch](https://cal.aprixity.run/melvin-aprixity.run/catch-up)

🇩🇪Deutsch

[Alle anzeigen](/de/wissen)

Research

Für Kunden

Fortgeschritten

# Case Study: Wie ein Maklerbuero mit Knowledge Graph die Prozesszeit um 70% reduziert

Von 6 Stunden auf 108 Minuten pro Expose: Wie Context Injection — nicht ein besseres Tool — den entscheidenden Unterschied macht.

3 Min. Lesezeit1243 AufrufeAktualisiert: 30.7.2026

## TL;DR

Context Injection (Knowledge Graph mit kodifiziertem Expertenwissen) reduzierte die Expose-Erstellung um 70% und steigerte den AI-Hebel um Faktor 11 — nicht durch ein besseres Modell, sondern durch strukturierten Kontext.

## Wichtigste Erkenntnisse

### 70% Zeitreduktion

Expose-Erstellung von 6 Stunden auf 108 Minuten. 63 Stunden pro Monat zurueckgewonnen. ROI: 6-fach in drei Monaten.

### Context, nicht Tools

11-fache Leverage-Steigerung. Nicht durch ein besseres Modell. Durch strukturierten Kontext, der vorher nur implizit existierte.

### Der Engpass war nicht die Technologie

Der Engpass war die Interpretation: Welche Informationen gehoeren in welcher Form in das Expose? Das war Expertenwissen. Jetzt ist es Graph-Wissen.

## Die Ausgangssituation

6 Stunden fuer ein Expose. Das war Normalitaet. Jetzt sind es 108 Minuten.

Das ist keine Marketing-Zahl. Das ist die gemessene Prozesszeit eines Maklerbueros in Norddeutschland, vor und nach der Implementierung einer Intelligence Layer.

Die Frage ist nicht "wie?". Die Frage ist "warum dauerte es vorher 6 Stunden?"

## Die Diagnose: Wo war der Engpass?

Das Maklerbuero arbeitete mit einem Standard-CRM, hatte Zugang zu allen relevanten Daten, und die Mitarbeiter waren erfahren. Trotzdem dauerte jedes Expose 6 Stunden.

Der Grund war nicht Datenmangel. Es war der "Interpretation-Engpass": Die Daten existierten in verschiedenen Systemen (CRM, Kataster, Energieausweis, Fotos, Grundriss). Ein erfahrener Mitarbeiter musste sie zusammenfuehren, interpretieren, und in eine Expose-Struktur bringen.

Die Zeitverteilung:

-   2h Daten zusammensuchen (CRM, Portal, Unterlagen)
-   1.5h Informationen interpretieren und strukturieren
-   1.5h Text schreiben und formatieren
-   1h Review und Korrekturen

Der Engpass war nicht das Schreiben. Der Engpass war das Zusammensuchen und Interpretieren — 3.5 von 6 Stunden.

## Die Loesung: Context Injection statt Tool-Wechsel

Der erste Impuls war: "Wir brauchen ein besseres CRM" oder "Wir brauchen eine AI, die Texte schreibt."

Beides haette das Problem nicht geloest. Ein besseres CRM haette die Daten schneller gezeigt — aber nicht die Zusammenhaenge. Eine Text-AI haette Exposees generiert — aber ohne das Kontextwissen.

Die Loesung war ein Knowledge Graph, der drei Dinge tat:

**1\. Objektwissen strukturiert speichern.**  
Nicht "Feld: Wohnflaeche = 120qm", sondern: Objekt → hat\_Eigenschaft → Wohnflaeche\_120qm → relevant\_fuer → Familien\_mit\_Kindern → weil → Mindestanforderung\_nach\_Erfahrungswert.

**2\. Expose-Expertise kodifizieren.**  
Was macht ein gutes Expose? Durch strukturierte Interviews (Paarvergleich von 10 Exposees) wurden 12 Kerndimensionen extrahiert. 4 davon erklaerten 80% der Qualitaetsunterschiede.

**3\. Kontext an das LLM liefern.**  
Das LLM bekommt nicht "schreib ein Expose". Es bekommt: Hier sind alle relevanten Objektdaten (aus dem Graph), hier sind die 4 Qualitaetsdimensionen (aus dem Graph), hier ist die Zielgruppe (aus dem Graph). Schreib.

## Die Ergebnisse

Metrik

Vorher

Nachher

Delta

Expose-Erstellung

6h

1.8h (108 Min)

**\-70%**

Daten zusammensuchen

2h

0.1h

\-95%

Interpretieren/Strukturieren

1.5h

0.2h

\-87%

Text schreiben

1.5h

0.8h

\-47%

Review

1h

0.7h

\-30%

Monatlich gespart (10 Exposees)

63h

Monetaer (bei 50 EUR/h)

3.150 EUR/Monat

ROI

6-fach in 3 Monaten

Die groesste Einsparung (95%) war beim Zusammensuchen — genau der Schritt, der vorher den Engpass bildete. Der Knowledge Graph eliminiert ihn fast vollstaendig.

Der Review-Schritt sank nur um 30%. Das ist beabsichtigt. Review ist ein Typ-2-Prozess: Agent schlaegt vor, Mensch entscheidet. Das ist kein Overhead — das ist ein Quality Gate.

## Die Leverage-Analyse

**Vorher:** L = F(hoch) x r\_context(0.1) x r\_process(0.3) x r\_action(0.5) = niedrig

**Nachher:** L = F(hoch) x r\_context(0.8) x r\_process(0.7) x r\_action(0.7) = hoch

Die 11-fache Leverage-Steigerung kam primaer durch r\_context — den Sprung von 0.1 auf 0.8. Nicht durch ein besseres Modell. Durch Context Injection.

## Was haben wir gelernt?

**1\. Der Engpass ist selten dort wo man ihn vermutet.**  
Das Team dachte, der Engpass sei das Schreiben. Die Analyse zeigte: Es war das Zusammensuchen und Interpretieren. Ohne Diagnose haetten wir das falsche Problem geloest.

**2\. Implizites Wissen ist der groesste Hebel.**  
Die 12 Qualitaetsdimensionen des Senior-Maklers waren Gold. Aber sie existierten nur in seinem Kopf. Die Externalisierung dieses Wissens hat den groessten einzelnen Effekt auf die Qualitaet.

**3\. Automatisierung ist der letzte Schritt.**  
Die Reihenfolge war: Verstehen → Strukturieren → Vereinfachen → Automatisieren. Haetten wir direkt automatisiert, haetten wir einen schnelleren kaputten Prozess gebaut.

## Takeaways

-   **Context schlaegt Modell.** 11-fache Leverage-Steigerung durch r\_context-Optimierung, nicht durch ein besseres LLM.
-   **Diagnose vor Intervention.** 70% Zeitersparnis, weil wir den echten Engpass identifiziert haben, nicht den offensichtlichen.
-   **Expertenwissen ist kodifizierbar.** 12 Dimensionen, 4 davon erklaeren 80% der Qualitaet. Das ist kein Verlust an Menschlichkeit — das ist die Skalierung von Expertise.

## Häufig gestellte Fragen

### Sind diese Zahlen repraesentativ?

Die 70%-Reduktion ist spezifisch fuer Expose-Erstellung mit diesem Profil (5 Mitarbeiter, 40 Objekte/Jahr, Standard-CRM). Bei anderen Prozessen und Profilen variiert das Ergebnis. Der Mechanismus — Interpretation-Engpass durch Context Injection loesen — ist repraesentativ fuer wissensintensive Prozesse.

### Wie wurde das Expertenwissen extrahiert?

Paarvergleiche: Zwei Exposees nebeneinander, der Senior-Makler erklaert was das bessere besser macht. Ueber 10 solche Vergleiche kristallisierten sich 12 Dimensionen heraus. Das ist keine Befragung — es ist Verhalten beobachten und Kriterien destillieren.

### Was kostet der Aufbau einer solchen Intelligence Layer?

Der ROI von 6-fach in drei Monaten erklaert sich dadurch, dass der Grossteil des Aufwands in der Wissens-Elicitation liegt — nicht in der Technologie. Die Technologiekosten (Neo4j, LLM-API) sind vergleichsweise gering.

Nächster Schritt

## Wissen wird erst im Prozess wertvoll.

Prüfen Sie, wo Ihr größter Engpass liegt, oder vertiefen Sie die Methode in der Academy.

[Engpass-Check](/de/engpass-check)[Zur Wissensübersicht](/de/wissen)

APRIXITY

KI-First Business Transformation für Premium Service Businesses

apricity: the warmth of the sun on a cold winter day

### Framework

-   [KI-Beratung Hannover](/de/ki-beratung-hannover)
-   APRIXITY Stack
-   Über APRIXITY
-   AI-First Definition

### Ressourcen

-   Wissenshub
-   [Aprixity Briefing](/de/briefing)
-   [Entwicklerressourcen](/de/developers)

### Rechtliches

-   [Datenschutz](/de/datenschutz)
-   [Impressum](/de/impressum)
-   [AGB](/de/agb)
-   Cookie-Einstellungen

### Kontakt

-   [Email](mailto:kontakt@aprixity.run)
-   [APRIXITY on LinkedIn](https://www.linkedin.com/company/aprixity)
-   [Melvin Voigtländer](https://www.linkedin.com/in/melvin-voigtländer-9767ba192/)
-   [Gespräch](https://cal.aprixity.run/melvin-aprixity.run/catch-up)

© 2026 APRIXITY. Alle Rechte vorbehalten.

</>

Engineered in Hannover, Germany•Hosted on Hetzner