Wie künstliche Intelligenz die Zollabwicklung vereinfacht

Die korrekte zolltarifliche Einreihung von Produkten ist komplex – und fehleranfällig. Veraltete Definitionen, unübersichtliche Rechtsquellen und fehlende Produktinformationen führen in vielen Unternehmen zu hohem manuellen Aufwand und Unsicherheit. Doch es gibt Lösungen: Neue Technologien auf Basis von künstlicher Intelligenz – insbesondere Deep Learning – versprechen genau hier Entlastung.

In diesem Beitrag beleuchten wir, wie KI die Zolltarifierung transformiert, welche bisherigen Ansätze an ihre Grenzen stoßen – und warum der Mensch dabei trotzdem nicht ersetzt wird.

Der Zolltarif: Herausforderungen für internationale Onlinehändler

Wir haben die praktischen Hürden zusammengefasst, die sich häufig bei der Zolltarifierung ergeben:

• Veraltete Formulierungen in den Definitionen des Zolltarifs können zu Problemen führen. Vor allem dann, wenn im Unternehmen wenig Wissen vorhanden ist, was die Definition in der Praxis bedeutet.

  
  

• Unzählige Querverweise innerhalb des Zolltarifs: Jede Definition enthält Ausnahmen und Ausnahmen von den Ausnahmen. Hinweise wie Ausweisungsanmerkungen oder Positionswortlaut machen es dem Laien besonders schwer, die richtige Zolltarifnummer zu ermitteln.

  
  

• Unterschiedliche Interpretationen sollten nicht vorkommen. Aber die Praxis zeigt, dass in einigen Fällen Einreihungen in verschiedenen Ländern oder Regionen unterschiedlich ausfallen.

  
  

• Die Rechtsentwicklung der Nomenklatur hält häufig nicht Schritt mit der schnellen Produktentwicklung und Einführung neuer Produkte.

  
  

• Die Gesamtheit der Rechtsquellen ist unübersichtlich und teilweise in verschiedenen Sprachen nicht einsehbar.

  
  

• Die große Menge an Datensätzen, die unter Zeitdruck korrekt eingereiht werden müssen, überfordert viele Unternehmen.

  
  

• Fehlende Produktinformationen und/oder schlechte Warenbeschreibungen machen die Warenidentifikation sehr aufwendig, manchmal sogar unmöglich.

  
  

Wie kann künstliche Intelligenz helfen? Künstliche Intelligenz, maschinelles Lernen, Deep Learning? Was ist was?

Diese Begriffe hört und liest man in verschiedenen Zusammenhängen. Doch wie unterscheiden sich die Ansätze? Und wo gibt es Überschneidungen?

Künstliche Intelligenz (KI): Ist ein übergeordneter Begriff, der sich auf die Fähigkeit von Maschinen bezieht, bei einer Vielzahl von Aufgaben menschenähnliche Intelligenz zu zeigen. Dabei kann es sich bereits um einen PC handeln.

Maschinelles Lernen (ML): Ist eine spezielle Methode der KI, die es Maschinen ermöglicht, ohne explizite Programmierung automatisch aus Erfahrungen und Daten zu lernen. Es gibt verschiedene Arten von ML: So unterscheidet man z.B. zwischen überwachtem und unüberwachtem Lernen.

Deep Learning (DL): Ist ein Teilgebiet des ML. Es basiert auf der Verwendung von neuronalen Netzen, um komplexe Muster in Daten zu erkennen. Im Gegensatz zum ML wird der KI nicht vorgegeben, auf welche Datenpunkte sie sich konzentrieren soll, d.h. welche Merkmale von Interesse sind. Aus sehr großen Datensätzen soll die Maschine lernen, auf welche Merkmale sie sich am besten konzentrieren kann.

Verglichen mit herkömmlichen ML-Methoden kann DL bei der Verarbeitung großer und komplexer Datensätze bessere Ergebnisse erzielen. Mit jeder Stufe nimmt der explizite Input durch den Programmierer ab und die Bedeutung der Daten, mit denen die Maschine lernt, zu. Der Lernprozess wird unabhängig von der Person, die die KI trainiert und programmiert.

Bisherige Lösungsansätze zur zollrechtlichen Einreihung von Produkten

Die bestehenden Lösungsansätze basieren auf gut gepflegten Stammdaten. Alle Eigenschaften eines Produktes werden individuell aufbereitet und gespeichert. Auf Basis dieser Daten wird dann häufig einer von zwei Ansätzen verfolgt:

1. Fuzzy Match Lösung

Das „Matching" ist ein Verfahren, bei dem die Eigenschaften eines Produkts mit den Eigenschaften aller vorhandenen und tarifierten Produkte verglichen werden. Produkte, die eine hohe Ähnlichkeit aufweisen, werden dem Tarifierungsexperten präsentiert oder automatisch tarifiert. Diese Methode ist vor allem dann sinnvoll, wenn ein Unternehmen über einen gut gepflegten Warenstamm verfügt. Unternehmen, die sich auf bestimmte Warengruppen spezialisiert haben und viele ähnliche Produkte anbieten, können so die Tarifierung beschleunigen.  

Allerdings stößt diese Methode auch an Grenzen. Arbeitet ein Unternehmen z.B. mit fremden Produktinformationen, etwa beim Import von Produkten, ist das Matching-Verfahren nur schwer anwendbar. Auch bei der Tarifierung neuer oder unterschiedlicher Produkte ist ein Matching-System selten hilfreich. Hier besteht die Gefahr, dass fehlerhafte Tarifierungen von Bestandsdaten auf neue Produkte übertragen werden.

2. Entscheidungsbaum Logik

Regelbasierte Systeme sollen die komplexe Logik eines Tarifsystems in automatisierte Entscheidungen übersetzen. Die Entscheidungen können von Menschen oder auf Basis vorhandener Produktdaten getroffen werden, um eine passende Tarifnummer zu ermitteln. Allerdings ist die Extraktion dieser Entscheidungen sehr aufwendig und erfordert eine sorgfältige Analyse der Produktgruppen.

Regelbasierte Systeme sind anfällig für Probleme. Die Systeme basieren auf vielen Annahmen – und können schnell unter der Komplexität des Problems scheitern. Beispielsweise kann eine Einschränkung auf wenige Teilkapitel nötig sein, um die Logik des Tarifsystems zu vereinfachen. Dies kann jedoch zu Problemen führen, etwa wenn relevante Tarifnummern nicht in Betracht gezogen werden. Darüber hinaus ist der Pflege-, Anpassungs- und Arbeitsaufwand besonders hoch und stellt bei komplexen Tarifsystemen eine große Herausforderung dar.

3. Neueste Technologie: Deep Learning – Vorteile bei der Tarifierung

Im Vergleich zu Fuzzy Matching und Entscheidungsbaum-Lösungen bietet die DL-Technologie eine vollständige und uneingeschränkte Möglichkeit zur automatischen Tarifierung von Produkten. Durch die Verwendung proprietärer KI-Modelle und hochqualitativer Datenquellen kann die KI so trainiert werden, dass sie eigenständig eine Funktion aus der Warenbeschreibung sowie weiteren Eingangsparametern zur Tarifnummer erlernt. Dabei wird die KI durch ein riesiges neuronales Netzwerk modelliert, das während des Trainingsprozesses das Wissen aus historischen Entscheidungen aus proprietären Datenquellen in das neuronale Netz destilliert.

Im Gegensatz zum Auswendiglernen von Daten lernt die KI, die dahinterliegenden Konzepte und Regeln zu generalisieren und die Zusammenhänge zu verstehen. Dadurch erreicht die KI eine höhere Genauigkeit bei der Produkttarifierung. Allerdings erfordert die Implementierung einer DL-Technologie eine umfangreiche Vorbereitung und Schulung des Systems.

Rolle der KI, Rolle des Menschen

Die Zusammenarbeit von KI-Software und menschlicher Intelligenz führt in der Regel zu höherer Produktivität und geringeren Fehlerquoten. Die KI kann Fehler erkennen, die dem Menschen entgehen. Umgekehrt verfügt der Mensch über Wissen, das der KI fehlt. Dieses „Vier-Augen-Prinzip" – oder „Human in the Loop" – ist vor allem wichtig bei uneindeutigen oder schwierigen Tarifierungsfällen, etwa wenn Informationen fehlen oder die Entscheidungen komplex sind.

Darüber hinaus kann eine Teilautomatisierung angestrebt werden – vor allem bei einfachen oder repetitiven Fällen. In diesen Fällen kann der Anwender die Ergebnisse einsehen, Prozesse überwachen und Tarifierungsaufgaben bearbeiten. Gleichzeitig erhält der Anwender alle wesentlichen Funktionen und Tools, die er von einem Tarifierungsexperten erwartet, wie z.B. der aktuelle Tarifbaum, Anmerkungen, Erläuterungen, Gerichtsentscheidungen und verbindliche Zolltarifauskünfte. Trotz KI-System behält der Anwender die volle Kontrolle über den Tarifierungsprozess.

traide Unterstützung

Die manuelle Tarifierung kostet Zeit, bindet Fachpersonal und ist anfällig für Fehler mit weitreichenden Folgen – von falscher Abgabenerhebung bis zu Problemen bei der Exportkontrolle.

traide AI geht einen neuen Weg: Unsere Deep-Learning-basierte Lösung kombiniert moderne KI mit praxisnaher Tarifierungserfahrung.

Sie erkennt relevante Produktmerkmale selbst aus unvollständigen oder unstrukturierten Datenquellen (z. B. Webshop-Texte oder Datenblätter) und ordnet diese automatisch der passenden Zolltarifnummer zu. Gleichzeitig prüft das System bestehende Stammdaten und gibt bei fehlerhaften Einreihungen automatisches Feedback.

Durch das „Human-in-the-Loop“-Prinzip bleibt der Mensch stets eingebunden – besonders bei komplexen Fällen. Das Ergebnis: mehr Sicherheit, weniger Fehler, maximale Skalierbarkeit.