Autonomer Haushalts-Audit-Agent: Text-to-SQL & GraphRAG
· Eine Minute Lesezeit
📌 Kernpunkte (Key Takeaways)
- Das Ziel: Bau eines autonomen KI-Agenten zur Überprüfung öffentlicher Haushaltsausgaben im Umfang von 500 Mrd. USD, der Vergabeverträge und unstrukturierte Dokumente analysiert, um Preisüberhöhungen und Scheinrechnungs-Kartelle aufzudecken.
- Präventive Architektur: Beseitigung von LLM-Zahlenhalluzinationen durch deterministisches Text-to-SQL, während Netzwerkanalysen an einen heterogenen Wissensgraphen (GraphRAG) delegiert wurden.
- Gelöste reale Fehler: (1) Fragmentierte Firmen- und Adressdaten mittels
EntityResolverbehoben; (2) Zeitlich gestaffelte Schleichvergaben via 30-Tage-Sliding-Window aufgedeckt; (3) Auditor-Misstrauen durch ein XAI-Dossier mit direkter Gesetzes- und Präzedenzfall-Bindung überwunden.- Ergebnis: 11 von 11 Test-Harness-Suiten bestanden, ein Kartell mit identischer Firmenadresse über 38,5 Mio. KRW und 70% Overhead-Verlust erfolgreich entlarvt.
Fazit für moderne Software-Entwickler:
- Zahlen gehören in die Datenbank: LLMs dürfen nicht rechnen, sondern nur striktes SQL generieren.
- Reale Daten sind unsauber: Sauberes Entity-Matching ist die Grundvoraussetzung für verlässliche Graphen.
- Erklärbarkeit schafft Rechtskraft: Nur mit Anbindung an Gesetze und Präzedenzfälle werden KI-Warnungen von Auditoren akzeptiert.