Worldwide Express senkt offene Frachtabrechnungsfehler mit Amazon-Bedrock-Agenten um 75 Prozent

Worldwide Express, Teil von ShipStation Global, hat nach eigenen Angaben mit einem Multi-Agenten-KI-System auf Basis von Amazon Bedrock die aktiven Ausnahmen in der Frachtabrechnung binnen sechs Monaten nach dem Start um 75 Prozent reduziert. Laut AWS verkürzte das Unternehmen außerdem die Zeit bis zum Zahlungseingang um vier Wochen und erhielt einmalig 10 Mio. Dollar zusätzlichen freien Cashflow.
- Worldwide Express zufolge sanken die aktiven Abrechnungsausnahmen um 75 Prozent, von 15 Mio. Dollar im Juni 2025 auf 4 Mio. Dollar sechs Monate später.
- Das System nutzt drei spezialisierte Agenten auf Amazon Bedrock und Amazon EC2, integriert in das TMS SpeedShip.
- Die Agenten schließen wöchentlich 10.000 Ausnahmen (rund 50 Prozent) bei einer Fehlerquote von unter 1 Prozent und über 40 LTL-Spediteuren.
- Anfangs prüfte ein Mensch jede Empfehlung; bei einer Genauigkeit über 99 Prozent wurde die Sammelfreigabe zum Standard.
- Das Unternehmen nennt eine um vier Wochen verkürzte Zeit bis zum Zahlungseingang, über 1 Mio. Dollar jährliche Einsparungen und 10 Mio. Dollar freigesetzten Cashflow.
Ein Abrechnungsstau, der Liquidität blockierte
Worldwide Express meldet einen systemweiten Umsatz von rund 5 Milliarden Dollar, mehr als 75 Stückgutspediteure (Less-than-Truckload, LTL) und über 130.000 Kunden. Laut AWS hatte diese Größe ihren Preis: Jeden Monat steckten 15 Millionen Dollar an freiem Cashflow in noch ungelösten Abrechnungsausnahmen fest.
Der Quelle zufolge scheitern etwa 14 Prozent der LTL-Rechnungen am üblichen Drei-Wege-Abgleich zwischen Bestellung, Wareneingang und Spediteursrechnung. Bei Worldwide Express fielen die Fehler in drei Kategorien:
- Abweichungen auf Positionsebene: Mengen oder Servicecodes, die nicht zum Sendungsdatensatz passten.
- Preisabweichungen: Der Spediteur berechnete einen anderen als den vertraglich vereinbarten Tarif.
- Unerwartete Nebenleistungsgebühren (Accessorial Charges): Gebühren wie Hebebühne, Zuschläge für Privatadressen oder Nachwiegekorrekturen, die nicht im ursprünglichen Angebot standen.
Jede Ausnahme löste einen fünfstufigen manuellen Prozess aus: Typ bestimmen, die Ursache in den Lieferantendaten recherchieren, den Spediteur oder das Lager per E-Mail kontaktieren, auf Antwort warten und die Lösung im Transportmanagementsystem (TMS) umsetzen. Da jeder Spediteur eigene Tarifstrukturen und Reklamationsabläufe hat, band die Arbeit den Großteil der Kapazität des FinOps-Teams. AWS weist darauf hin, dass regelbasierte Automatisierung vorhersehbare Abläufe abdeckt, die Klärung von Ausnahmen aber Urteilsvermögen im Kontext erfordert. Deshalb setzte das Unternehmen auf agentische KI.
Drei Agenten, eine Wissensbasis pro Spediteur
Worldwide Express entwickelte die Lösung gemeinsam mit AWS und LTM; sie ist in das hauseigene TMS SpeedShip integriert. Im Juni 2025 holte das Unternehmen das Team AWS Business Transformation & Value Advisory hinzu, um 19 Automatisierungschancen im gesamten Order-to-Cash-Zyklus zu identifizieren, und kam in weniger als 6 Monaten von der Analyse in den Produktivbetrieb.
Amazon Bedrock liefert die KI-Schlussfolgerung, Amazon EC2 übernimmt die Orchestrierung. Laut AWS bleibt die Orchestrierungslogik durch den Aufbau des Frameworks direkt auf EC2 in der Hand des Teams, zudem werden Open-Source-Agentenbibliotheken unterstützt. Wird eine Ausnahme erkannt, leitet das System sie an einen von drei spezialisierten Agenten weiter:
- Invoice Matching Agent: findet den passenden Sendungsdatensatz und markiert Unstimmigkeiten.
- Pricing Variance Agent: vergleicht die Berechnung des Spediteurs mit dem Vertragstarif und entscheidet, ob die Abweichung berechtigt ist.
- Accessorial Validation Agent: prüft, ob unerwartete Gebühren durch die tatsächlichen Zustellereignisse gedeckt sind.
Jeder Agent verfügt über einen Anweisungs-Prompt, eine Reihe von Aktionen zur Anbindung an SpeedShip sowie Zugriff auf spediteurspezifische Wissensbasen mit Tarifregeln, Zuschlagsdefinitionen, Reklamationsschritten und Abweichungsschwellen. Die Agenten nutzen dieselben APIs wie menschliche Analysten und sehen damit dieselben Vertragstarife, Sendungsdetails und Zustellnachweise. Laut Quelle bearbeiten die drei Agenten alle Spediteure ohne spediteurspezifischen Code. Nach der Klärung verfasst das System eine Notiz in verständlicher Sprache, die erläutert, was festgestellt und welche Maßnahme ergriffen wurde.
Menschliche Kontrolle und Observability
Beim ersten Rollout genehmigte ein menschlicher Prüfer jede Empfehlung in der bestehenden SpeedShip-Oberfläche. AWS beschreibt diesen Schritt als notwendig für die Akzeptanz im FinOps-Team. Sobald die Genauigkeit über 99 Prozent lag, wurde die Sammelfreigabe zum Standard.
Das Team baute Dashboards, die die Automatisierungsquote pro Spediteur, die Fehlerquote je Ausnahmetyp, die Bearbeitungszeit und die Häufigkeit manueller Korrekturen erfassen. Lehnt ein Prüfer eine Empfehlung ab, protokolliert das System das Feedback. Auf Basis dieser Ablehnungshistorie verfeinert das Team Prompts und Wissensbasen, um die Automatisierungsabdeckung auszubauen.
Ergebnisse und Ausblick
Sechs Monate nach dem Start läuft die Lösung bei über 40 LTL-Spediteuren. Laut AWS schließen die Agenten wöchentlich 10.000 Ausnahmen, rund 50 Prozent, bei einer Fehlerquote von unter 1 Prozent. Der Bestand aktiver Ausnahmen sank von 15 Mio. Dollar im Juni 2025 auf 4 Mio. Dollar sechs Monate später. Das Unternehmen nennt zudem jährliche Kosteneinsparungen von über 1 Mio. Dollar, eine Cashflow-Freisetzung von 10 Mio. Dollar und einen 60-fachen ROI im ersten Jahr.
Nathanael Pearson, VP of FinOps bei Worldwide Express, sagte in dem Beitrag: „Heute stellen wir jede Woche rund 10 Millionen Dollar mehr an Kundenrechnungen in einer Geschwindigkeit aus, die zuvor schlicht nicht möglich war.“
Worldwide Express überträgt den Ansatz nun auf weitere Bereiche des Order-to-Cash-Zyklus. Anderen Logistikunternehmen mit hohem Spediteursaufkommen rät AWS, mit dem repetitivsten Ausnahmetyp zu beginnen, die Genauigkeit nachzuweisen und dann auf das übrige Portfolio zu skalieren.


