ImportAssist/docs/ai-evaluation-v1.md

Manuelle Bewertung der KI-Fehleranalyse – Version 1

Grundlage:

• invoice-interface-v1.md
• ai-analysis-prompt.md
• Jeweils ein gespeicherter ImportAssist-Prüfbericht

Fall A: Completed mit fachlichen Fehlern

Eingabe: Fünf geprüfte Rechnungen, eine gültig, vier fehlerhaft.

Die Antwort muss:

• Completed als abgeschlossene Prüfung einordnen.
• Die vier fehlerhaften Rechnungen mit ihren Befunden erklären.
• Die gemeldeten Fehler passenden Regelkennungen zuordnen.
• Fehlende Informationen für die Korrektur benennen.
• Die gültige Rechnung ohne zusätzliche Fehlerbewertung lassen.

Die Antwort darf nicht:

• Kundennummern, Rechnungsnummern oder Beträge erfinden.
• Einen konkreten ursprünglichen Betrag behaupten.
• Ohne Beleg zwischen Nullbetrag und negativem Betrag unterscheiden.
• Eine gültige Währung oder existierende Kunden bestätigen.

Fall B: Rejected wegen CSV-Struktur

Eingabe: Status Rejected, leere rows, alle Zähler null. fileErrors meldet für Zeile 3: „Erwartet werden vier Spalten ohne Anführungszeichen.“

Die Antwort muss:

• Die Abweisung der gesamten Datei erklären.
• Auf CSV-Zeile 3 verweisen.
• CSV-001 und REP-001 passend heranziehen.
• Klarstellen, dass keine fachliche Rechnungsprüfung stattfand.
• Die Prüfung der Originalzeile und erneute Verarbeitung empfehlen.

Die Antwort darf nicht:

• Die Datei aufgrund der Nullzähler als fehlerfrei bezeichnen.
• Einzelne Rechnungen fachlich bewerten.
• Behaupten, welche konkrete Spalte fehlt.
• Behaupten, ob zu wenige Spalten, zu viele Spalten oder Anführungszeichen die Ursache waren.

Bewertung

Für jede Antwort prüfen:

1. Stimmen alle Aussagen mit den bereitgestellten Quellen überein?
2. Passen die Regelverweise?
3. Sind die nächsten Prüfschritte konkret und zulässig?
4. Werden Informationslücken ausdrücklich benannt?

Erster manueller Durchlauf: Beide Fälle anhand der Antworten im Lernchat geprüft. Kein automatisierter Modelltest und kein Nachweis wiederholbarer Qualität.

Testlauf vom 09.09.2026 – Completed mit fachlichen Fehlern

Konfiguration

• Modell: gpt-4.1-mini
• Modellversion: 2025-04-14
• Bereitstellung: importassist-analysis (Global Standard)
• Durchführung: manuell im Foundry-Playground
• Quellen: invoice-interface-v1.md und invoices-report.json
• Anweisungen: ai-analysis-prompt.md vor der heutigen Ergänzung
• Websuche: deaktiviert

Eingabe

Prüfbericht mit Status Completed: 5 Rechnungen, davon 1 gültig und 4 fehlerhaft. Keine Dateistrukturfehler.

Erwartung

• Mengen, Zeilen und Regelkennungen korrekt wiedergeben.
• Completed als abgeschlossene Prüfung erklären.
• Keine Importfreigabe oder Erlaubnis zum Teilimport ableiten.
• Gültigkeit auf die implementierten Prüfregeln begrenzen.
• Keine ursprünglichen Beträge oder Ersatzwerte erfinden.

Beobachtung

• Mengen, betroffene Zeilen und Regelkennungen korrekt erkannt.
• Prüfschritte mit Bezug auf Quelldaten vorgeschlagen.
• Keine konkreten Ersatzwerte erfunden.
• Unbelegte Aussage: „Datei insgesamt importierbar“.
• Zu umfassende Aussage: INV-001 sei „fehlerfrei“.

Bewertung

Teilweise bestanden.

Die Antwort enthält eine unbelegte Importfreigabe und stellt die Aussagekraft der implementierten Prüfregeln zu umfassend dar.

Anpassung

Anweisungen um zwei Klarstellungen ergänzt:

• Completed bedeutet keine Importfreigabe.
• isValid gilt ausschließlich für die implementierten Prüfregeln.

Wiederholung

Noch offen. Dieselbe Eingabe in einem neuen Chat mit den ergänzten Anweisungen testen und das Ergebnis hier dokumentieren.

Wiederholung 2 mit präzisierten Anweisungen

• Mengen, Fehler und Regelkennungen korrekt wiedergegeben.
• Keine unbelegte Importfreigabe.
• Aussagekraft der Prüfung eingeschränkt; Währung als ungeprüft benannt.
• Gewünschte Formulierung für isValid=true nicht wörtlich übernommen.
• Ungenaue Bezeichnung „keine Rechnung“ statt „Rechnungsnummer fehlt“.
• Gutschrift als mögliche Ursache angesprochen, ohne sie ausdrücklich als unbelegte Hypothese zu kennzeichnen.

Bewertung: teilweise bestanden; wesentliche frühere Fehler behoben. Verbleibende sprachliche und fachliche Unschärfen dokumentiert. Ein einzelner Lauf belegt noch keine zuverlässige Wiederholbarkeit.

Testlauf vom 09.09.2026 – Rejected wegen Strukturfehler

Eingabe

Prüfbericht mit Status Rejected, leeren rows und einem Dateistrukturfehler in Zeile 3.

Beobachtung

• Status Rejected und fehlende fachliche Prüfung korrekt erklärt.
• Zeile 3 korrekt als zweite Datenzeile eingeordnet.
• Strukturfehler korrekt CSV-001 zugeordnet.
• Keine bestimmte fehlende Spalte erfunden.
• Mögliche Fehlerursachen ausdrücklich offengelassen.
• Keine Behauptung, die Datei enthalte null Rechnungen.
• Entfernen von Anführungszeichen zu konkret empfohlen, obwohl deren Vorhandensein unbekannt ist.
• Bezeichnung der gesamten Datei als „unbrauchbar“ zu pauschal.
• Quellenzuordnung der Zeilenzählung zu REP-001 noch zu prüfen.

Bewertung

Teilweise bestanden. Kernaussage korrekt; Korrekturvorschlag und Wortwahl benötigen Präzisierung. Eine Quellenzuordnung bleibt offen.

C#-Testläufe vom 10.09.2026

Konfiguration

• Tool: ImportAssist.Analyze
• SDK: .NET 10.0.112
• Azure.AI.OpenAI: 2.1.0
• Modell: gpt-4.1-mini, Version 2025-04-14
• Bereitstellung: importassist-analysis
• Eingaben: aktueller Analyseprompt, Schnittstellenspezifikation und jeweiliger JSON-Prüfbericht
• Maximale Ausgabetokens: 2000
• Jeder Aufruf ohne vorherigen Chatverlauf und ohne Tools

Completed-Bericht

• Fehlerzeilen und Regelkennungen korrekt zugeordnet.
• Keine unbelegte Importfreigabe.
• Währung korrekt als ungeprüft behandelt.
• Ungenaue Formulierung: Nur eine Rechnung sei „validiert worden“. Tatsächlich wurden fünf geprüft; eine bestand die Prüfregeln.
• Gutschrift als möglicher Prüfansatz erwähnt, nicht als Tatsache.
• Tokenverbrauch: 1434 Eingabe, 605 Ausgabe.

Bewertung: teilweise bestanden; sprachliche Unschärfe verbleibt.

Rejected-Bericht

• Strukturfehler in Zeile 3 korrekt CSV-001 zugeordnet.
• Ausgebliebene fachliche Prüfung korrekt erklärt.
• Keine konkrete fehlende Spalte erfunden.
• Originalinhalt der betroffenen Zeile als fehlende Information benannt.
• Prüfung der Quelldaten statt unbegründeter Korrektur empfohlen.
• Tokenverbrauch: 1202 Eingabe, 426 Ausgabe.

Bewertung: für diesen Testlauf bestanden.

Grenzen

Je ein manueller C#-Testlauf pro Fall. Keine Aussage über zuverlässige Wiederholbarkeit oder andere Eingaben. Die Antworten werden bislang als Freitext ausgegeben und manuell geprüft.