KI-gestützte Datensatzerstellung in FileMaker: Als AddOn installierbar

KI-gestützte Datensatzerstellung in FileMaker: Wenn Sprache zu Daten wird !!! (Das System wird als AddOn in ein bestehendes FileMaker-System integriert)

Bildschirmfoto 2025-10-30 um 17.26.42.

Das Problem Jeder FileMaker-Entwickler kennt es: Daten erfassen ist mühsam. Besonders wenn Mitarbeiter unterwegs sind, offline arbeiten oder einfach keine Lust haben, Dutzende von Feldern auszufüllen. Was wäre, wenn man einfach sagen könnte:

“Erstelle einen Auftrag für Pumpe austauschen bei Anlage 2666, Status in Planung, Kategorie Reparatur, im Mai, mit Notiz und Aufgabe für 3 Mitarbeiter” Und das System erstellt automatisch: ✅ Den Master-Datensatz (Auftrag) ✅ Verknüpfte Notizen ✅ Tasks mit Fristen ✅ Automatische Verknüpfungen zu bestehenden Objekten ✅ Alle Felder korrekt befüllt Genau das haben wir gebaut.

Die Lösung: Ein intelligentes KI-Bridge-System Wir haben eine PHP-basierte Middleware entwickelt, die als Brücke zwischen FileMaker und Claude AI (Anthropic) funktioniert. Das Besondere: Das System ist vollständig konfigurierbar über FileMaker, ohne eine Zeile Code zu ändern. Die 3 Kern-Innovationen:

  1. Dynamisches Config-System Statt statischer Workflows werden alle Konfigurationen als JSON in FileMaker gepflegt: Welche Layouts verwendet werden Welche Felder verfügbar sind Welche Item-Typen (Notizen, Tasks, etc.) erstellt werden sollen Spezielle Anweisungen für die KI Diese Configs werden automatisch auf dem Server gespeichert und können von jedem Mitarbeiter wiederverwendet werden.
  2. Intelligente Config-Auswahl Das Geniale: Mitarbeiter müssen keine Config-ID mehr angeben. Das System analysiert ihren Text-Prompt automatisch:
Bildschirmfoto 2025-10-30 um 17.26.57.

Prompt: “Erstelle einen neuen Auftrag…” → System findet automatisch Config “Auftrag anlegen” → Lädt passende Feldnamen & Layouts → Führt aus

Bildschirmfoto 2025-10-30 um 17.28.53.

Über ein Keyword-Scoring-System werden Prompts mit gespeicherten Configs abgeglichen. Je mehr Keywords übereinstimmen, desto höher der Score. 3. Such- & Verknüpfungs-Engine Nicht nur Erstellen, auch Suchen! Das System kann: In bestehenden FileMaker-Datensätzen suchen (z.B. Anlage 2666) Relevante IDs extrahieren Automatisch mit neuen Datensätzen verknüpfen

Bildschirmfoto 2025-10-30 um 17.29.19.

Technische Highlights Intelligentes Field-Mapping Claude AI kennt FileMaker nicht. Aber unser System: Ruft dynamisch verfügbare Felder aus dem FileMaker-Layout ab Sendet sie als Prompt an Claude Claude befüllt nur existierende Felder Case-insensitive Matching (project_name → Project_Name) Automatische Datumskonvertierung (verschiedene Formate → FileMaker-Format) Filterung von AutoEnter/Calculation-Feldern

Multi-Item-Support Ein Prompt kann mehrere Aktionen auslösen:

{ “master”: “Auftrag erstellen”, “items”: [ “Notiz anlegen”, “Task anlegen”, “Objekt zuordnen” ] } Jedes Item kann erstellen oder suchen – automatisch erkannt anhand von Keywords wie “zuordnen”, “verknüpfen”, “finde”.

Das gibt der Mitarbeiter an: Erstelle einen neuen Auftrag und die Notiz -Teste mal die 1372- Der Auftragsname lautet Pumpe ist bald defekt und muss getauscht werden. Der Status lautet -In Planung-, die Kategorie heisst -Reparatur- Als Planungsmonat hinterlege den Mai. Die Anlage ist die 2666. Erstelle auch gleich eine Aufgabe dazu. Hinterlege das Product bzw. Objekt dazu. Für den Auftrag werden 3 Mitarbeiter benötigt.

Prominente Prompt-Hierarchie FileMaker-User können spezielle Anweisungen mitgeben: 🎯 SPEZIELLE ANWEISUNGEN FÜR DEN MASTER:────────────────────────────────────────Planungsmonat immer als 12/2025 formatieren.Anlagennummer in Feld id_anlage eintragen.────────────────────────────────────────BEACHTE DIESE ANWEISUNGEN STRIKT! Diese werden Claude mit visueller Betonung präsentiert, sodass sie nicht übersehen werden.

Use Cases aus der Praxis Szenario 1: Außendienst (Offline-First) Problem: Techniker ist vor Ort, kein Internet, notiert sich 10 Aufträge handschriftlich. Mit unserem System: Notizen in FMGo-App erfassen (offline) Bei Internet: Alle Prompts auf einmal absenden System erstellt automatisch alle Aufträge mit Notizen, Tasks, Verknüpfungen Techniker muss keine Felder ausfüllen Szenario 2: Multi-CRM Umgebung Problem: Firma hat mehrere CRM-Systeme (Vertrieb, Service, Projekte). Mit unserem System: Configs: crm_vertrieb_firma, service_auftrag, projekt_anlegen Automatische Config-Erkennung je nach Prompt Ein System, mehrere Workflows Szenario 3: Sprachbarriere Problem: Internationale Teams, verschiedene Sprachen. Mit unserem System: Prompts in jeder Sprache möglich (Claude versteht 95+ Sprachen) FileMaker-Feldnamen bleiben gleich Nur die Config-Bezeichnung anpassen

Performance & Kosten Geschwindigkeit Config-Laden: < 50ms (lokales JSON) Claude API: ~2-4 Sekunden (abhängig von Komplexität) FileMaker API: ~500ms pro Record Gesamt: 3-5 Sekunden für komplette Workflow-Ausführung API-Kosten (Claude Haiku) Input: ~$0.00025 pro 1K Tokens Output: ~$0.00125 pro 1K Tokens Durchschnitt: ~$0.01-0.03 pro Prompt → Selbst bei 1000 Prompts/Tag: ~$10-30/Monat

Sicherheit & Datenschutz ✅ Kein Datenleck: Nur Feldnamen (nicht Werte) werden im Prompt sichtbar ✅ Verschlüsselte Verbindung: HTTPS zu Claude API ✅ On-Premise möglich: Bei Bedarf mit lokaler AI (z.B. Ollama) ✅ Config-Zugriffskontrolle: FileMaker-Berechtigungen greifen

Technik: Frontend: FileMaker Pro/Go Middleware: PHP 8.x (FileMaker Data API + Anthropic API) AI: Claude 3 Haiku (Anthropic) Storage: JSON-Configs (dateisystembasiert)


Neues Feature: Gap-Report für ZUGFeRD-Mapping (Prüfung auf fehlende Felder)

Neues Feature: Gap-Report für ZUGFeRD-Mapping

Unser KI-gestütztes ZUGFeRD-Mapping hat ein neues Feature bekommen, das die Arbeit noch einfacher macht!

Das Problem

Die KI mappt automatisch ~90% der ZUGFeRD-Felder. Aber was ist mit den fehlenden 10%?
Bisher musste man selbst herausfinden, welche Felder in FileMaker noch fehlen und wie man sie anlegt.

Die Lösung: Gap-Report

Bildschirmfoto 2025-10-10 um 18.37.20.

Ab sofort erstellt die KI einen detaillierten Gap-Report für alle fehlenden Felder:

Was der Gap-Report liefert:

Welches Feld fehlt (z.B. invoiceCurrencyCode)
ZUGFeRD-Code (z.B. BT-5)
Beschreibung (was bedeutet das Feld?)
Pflicht oder Optional? (Priorität HOCH/NIEDRIG)
Konkrete Empfehlung für FileMaker
Beispielwerte zur Orientierung

Beispiel:

❌ invoiceCurrencyCode (BT-5) - PFLICHT
   Beschreibung: Währungscode der Rechnung
   Empfehlung: Textfeld mit Werteliste (EUR, USD, CHF, GBP)
   Beispiel: EUR

❌ unitCode (BT-130) - PFLICHT
   Beschreibung: Einheitencode (UN/ECE)
   Empfehlung: Textfeld mit Werteliste (C62, HUR, MTR, KGM, LTR)
   Beispiel: C62 (Stück), HUR (Stunden)

ℹ️ deliveryTerms (BT-20) - Optional
   Beschreibung: Lieferbedingungen (IncoTerms)
   Empfehlung: Textfeld mit Werteliste (EXW, FOB, CIF, DAP, DDP)
   Beispiel: DAP

Vorteile

Vorher: “15 Felder fehlen” - und jetzt?
Nachher: Konkrete Schritt-für-Schritt-Anleitung, was genau anzulegen ist.

Perfekt für FileMaker-Entwickler ohne ZUGFeRD-Kenntnisse!

Fazit

Das KI-Mapping wird immer intelligenter. Nicht nur automatisch mappen, sondern auch aktiv beim Nacharbeiten helfen.

ZUGFeRD-Compliance wird zum Kinderspiel.


Update: Oktober 2025
Feature: Gap-Report mit konkreten FileMaker-Empfehlungen
Status: Live

#FileMaker #ZUGFeRD #KI #Automatisierung #ERechnung


KI-gestütztes Feld-Mapping in ZUGFeRD Swite , ab morgen Abend verfügbar

Mit ZUGFeRD Swite steht ab sofort ein vollständig automatisiertes, KI-gestütztes Feld-Mapping für FileMaker zur Verfügung. Das System analysiert eigenständig sämtliche FMPXML-Exports aus FileMaker und erstellt innerhalb weniger Sekunden eine komplette Zuordnung zwischen den Quellfeldern und den ZUGFeRD-Zielfeldern. Damit entfällt der aufwendige manuelle Mapping-Prozess, der bislang bei jeder neuen Installation nötig war, Die KI übernimmt die gesamte Arbeit und liefert ein fertiges JSON-Mapping, das sofort in FileMaker übernommen wird. Das ganze erweitert unsere AddOns im Bereich ZUGFeRD. Alle Funktionen bleiben bestehen, das Mapping, mit einem derzeitigen Arbeitsaufwand von ca. 1 Stunde wird auf wenige Minuten reduziert.

Das Problem: Komplexes Field-Mapping überfordert Anwender

Wer schon einmal versucht hat, ZUGFeRD-konforme elektronische Rechnungen aus einem bestehenden ERP- oder Warenwirtschaftssystem zu erzeugen, kennt die Herausforderung: 75+ ZUGFeRD-Felder müssen den vorhandenen Datenfeldern zugeordnet werden. Ein mühsamer, fehleranfälliger Prozess, der für unerfahrene Anwender kaum zu bewältigen ist.

Die klassische Vorgehensweise:

  • Manuelles Durchgehen jedes einzelnen ZUGFeRD-Feldes
  • Suchen des passenden Quellfeldes in verschiedenen Tabellen
  • Copy & Paste von Feldnamen
  • Stundenlange Trial-and-Error-Sessions
  • Häufige Fehler durch Tippfehler oder falsche Zuordnungen

Das Ergebnis: Frustration, Zeitverlust und hohe Fehlerquote.

In unserem Bisherigen AddOn, deshalb das händische Mappen ohne in den FileMaker-Scripten Änderungen vornehmen zu müssen.

Die Lösung: KI macht das Mapping automatisch

Nun aber übernimmt diesen Schritt die KI – Künstlicher Intelligenz (Claude API von Anthropic).

So funktioniert es

Das System besteht aus drei einfachen Schritten:

1. Datenexport aus FileMaker

Der Anwender exportiert 7 XML-Dateien aus seinem System:

  • preferences.xml – Enthält alle ZUGFeRD-Zielfelder (die Referenz)
  • invoice.xml – Rechnungskopfdaten (Rechnungsnummer, Datum, Summen, etc.)
  • buyer.xml – Kundendaten (Name, Adresse, USt-ID, etc.)
  • seller.xml – Verkäuferdaten (Firma, Adresse, Kontakt, etc.)
  • finance.xml – Zahlungsinformationen (IBAN, BIC, Zahlungsbedingungen)
  • payments.xml – Zahlungsdetails und Fälligkeiten
  • items.xml – Rechnungspositionen (Artikel, Mengen, Preise, Steuern)

Diese Dateien werden automatisch nacheinander auf den Server hochgeladen – kein manuelles Handling nötig.

2. KI-gestütztes Mapping

Nach dem Upload wird das KI-Mapping-Script gestartet:

URL: https://ihr-server.de/ki_mapping/start_mapping.php

Was passiert im Hintergrund?

  1. Datenanalyse: Das System liest alle 7 XML-Dateien ein
  2. Feldextraktion: ZUGFeRD-Zielfelder und Quellfelder werden extrahiert
  3. Intelligente Analyse: Die KI analysiert:
    • Feldnamen (semantische Ähnlichkeit)
    • Beispieldaten aus den ersten 3 Datensätzen
    • Datentypen und -strukturen
  4. Automatisches Mapping: Die KI ordnet jedem ZUGFeRD-Feld das passende Quellfeld zu

Dauer: 5-15 Sekunden (abhängig von der Datenmenge)

3. JSON-Response mit fertigem Mapping

Das System gibt eine strukturierte JSON-Antwort zurück:

{
    "success": true,
    "message": "39 von 43 Feldern erfolgreich gemappt",
    "mapping": {
        "buyerName": "buyer.BuyerName",
        "buyerCity": "buyer.BuyerCity",
        "buyerStreet": "buyer.BuyerStreet",
        "invoiceNumber": "invoice.InvoiceNumber",
        "invoiceDate": "invoice.InvoiceIssueDate",
        "totalGrossAmount": "invoice.InvoiceLegalMonetaryTotalTaxInclusiveAmount",
        "payeeIBAN": "finance.payeeIBAN",
        "quantity": "items.LineInvoicedQuantity",
        "priceNet": "items.LineNetPriceAmount",
        ...
    },
    "statistics": {
        "total_zugferd_fields": 43,
        "mapped_fields": 39,
        "unmapped_fields": 4,
        "unmapped_list": ["deliveryTerms", "lieferschein_nr", ...]
    }
}

Diese JSON kann direkt in FileMaker (oder jedem anderen System) weiterverarbeitet werden.

Technische Details

Architektur

Das System besteht aus drei PHP-Scripten:

1. receive_xml.php – XML-Upload-Handler

  • Empfängt die 7 XML-Dateien nacheinander
  • Automatische Reihenfolgen-Erkennung (kein manuelles Benennen nötig)
  • Parst FileMaker FMPXMLRESULT Format
  • Extrahiert Feldnamen und Beispieldaten
  • Speichert XML + JSON-Metadaten

2. process_mapping.php – KI-Mapping-Engine

  • Liest alle 7 XML-Dateien
  • Extrahiert ZUGFeRD-Zielfelder aus preferences.xml
  • Sammelt Quellfelder + Beispieldaten aus den anderen 6 Dateien
  • Erstellt intelligenten Prompt für Claude API
  • Parst KI-Response und validiert Mapping
  • Speichert Ergebnis als JSON mit Timestamp

3. start_mapping.php – FileMaker-Interface

  • Einfacher Endpoint für FileMaker “Aus URL Einfügen”
  • Startet Mapping-Engine
  • Gibt JSON-Response direkt zurück
  • Timeout: 60 Sekunden (ausreichend für alle Fälle)

Keine Dependencies nötig!

Das System nutzt PHP-Bordmittel:

  • SimpleXML für XML-Parsing
  • cURL für API-Kommunikation
  • Keine externen Libraries erforderlich

Der bestehende vendor/-Ordner auf dem Server bleibt unangetastet.

KI-Integration: Claude API

Wir nutzen Claude 3 Haiku von Anthropic:

  • Schnell (5-15 Sekunden Response)
  • Günstig (ca. 0,01-0,05 EUR pro Mapping)
  • Hohe Qualität bei semantischer Analyse
  • Versteht natürliche Sprache UND Datenstrukturen

Die KI erhält:

  • Liste aller ZUGFeRD-Zielfelder
  • Alle Quellfelder mit Beispieldaten
  • Mapping-Regeln (Präzision, Format, etc.)

Und gibt zurück:

  • Vollständiges Mapping als JSON
  • Confidence-Level implizit durch Match-Quality
  • null für nicht zuordenbare Felder

Vorteile des Systems

✅ Für Anwender

  • Keine technischen Kenntnisse erforderlich
  • 90%+ automatische Trefferquote
  • Sekunden statt Stunden
  • Fehlerrate nahezu Null
  • Wiederverwendbare Mappings

✅ Für Entwickler/Administratoren

  • Einfache Installation (3 PHP-Dateien)
  • Keine komplexen Dependencies
  • Vollständig protokolliert (Logs in csv_uploads/)
  • Versionierte Mappings (Timestamp-basiert)
  • Anpassbare Mapping-Regeln (Prompt kann erweitert werden)

✅ Für Unternehmen

  • Drastische Zeitersparnis bei der Implementierung
  • Reduzierte Fehlerkosten
  • Schnellere Onboarding-Prozesse
  • Skalierbar (beliebig viele Mandanten/Systeme)
  • Kosteneffizient (< 5 Cent pro Mapping)

Integration in FileMaker

Script-Aufbau

# Schritt 1-7: XML-Uploads
Aus URL einfügen [
  URL: "https://server.de/ki_mapping/receive_xml.php"
  Daten: $xml_preferences
  Methode: POST
]

# ... weitere 6 Uploads ...

# Schritt 8: KI-Mapping starten
Aus URL einfügen [
  URL: "https://server.de/ki_mapping/start_mapping.php"
  In Variable: $$MappingResponse
  Timeout: 30 Sekunden
]

# Schritt 9: JSON parsen und verwenden
Feld setzen [ feldmapping::json ; $$MappingResponse ]

JSON-Weiterverarbeitung

Das Mapping kann direkt genutzt werden:

  • Import in FileMaker-Tabellen
  • Verwendung für ZUGFeRD-Export
  • Speicherung als wiederverwendbares Template
  • Export für andere Systeme

Fazit

Was früher Stunden manueller Arbeit erforderte, erledigt die KI nun in Sekunden – mit höherer Qualität und weniger Fehlern.

Das System zeigt eindrucksvoll, wie KI komplexe, repetitive Aufgaben übernehmen kann, ohne dass Anwender technisches Spezialwissen benötigen.

ZUGFeRD-Integration war noch nie so einfach.


Technische Anforderungen

  • PHP 7.4+ (SimpleXML, cURL)
  • Anthropic API Account (ab 5 EUR/Monat ausreichend)
  • FileMaker Pro/Server

FileMaker-Datensätze direkt über eine PHP-API mit KI-Unterstützung erstellen - Direkt in FileMaker speichern: Eigene PHP-API statt n8n & Co

Viele Entwickler suchen nach Wegen, wie sich Notizen, Aufgaben oder Projekte aus natürlicher Sprache direkt in FileMaker übernehmen lassen – ohne Umweg über Integrationsplattformen wie n8n oder Make. Mit einem schlanken PHP-Skript und der FileMaker Data API ist genau das möglich.

Bildschirmfoto 2025-09-13 um 19.36.55.

Idee und Zielsetzung

Der Ansatz ist denkbar einfach: 1. Ein Benutzer spricht oder schreibt einen kurzen Text. 2. Dieser Text wird per JSON-POST an ein PHP-Skript geschickt. 3. Das Skript analysiert den Text mithilfe einer KI (Claude AI oder ChatGPT). 4. Je nach Analyse wird in FileMaker ein neuer Datensatz erstellt oder ein bestehender ergänzt.

So lassen sich Workflows wie “Meeting morgen mit Kunde Müller anlegen” oder “Status-Update für Projekt A-123” in Sekunden automatisieren.

Das PHP-Skript

Das Herzstück ist eine kleine API, die im Webserver läuft, nennen wir sie analyze_text.php.

  1. Empfang der Daten

Das Skript nimmt POST-Anfragen mit JSON entgegen:

{
  "text": "Rückruf morgen für A-123"
}
  1. KI-Analyse

Die KI wird mit einer klaren Vorgabe aufgerufen: sie soll den Text in ein JSON mit festen Feldern zerlegen – darunter action, project_id, date, text und user.

Beispielausgabe:

{
  "action": "create_note",
  "project_id": "A-123",
  "date": "2025-09-14",
  "text": "Rückruf morgen"
}
  1. Verbindung zu FileMaker

Über die FileMaker Data API erfolgt ein Login mit Benutzername und Passwort. Anschließend lassen sich: • bestehende Projekte finden (_find-Abfrage nach Projekt-ID) • Portalzeilen anlegen (z. B. Notizen im Projekt) • neue Projekte erzeugen (wenn keine Referenz existiert)

Dafür verwendet das Skript die REST-Endpunkte wie: • POST /fmi/data/vLatest/databases//sessions → Login • POST /layouts//_find → Projektsuche • PATCH /layouts//records/ → Portalzeile erstellen • POST /layouts//records → neuen Datensatz anlegen

  1. Ergebnis

Das Skript gibt eine JSON-Antwort zurück, z. B.:

{
  "ok": true,
  "original_text": "Rückruf morgen für A-123",
  "extracted": {
    "action": "create_note",
    "project_id": "A-123",
    "date": "2025-09-14",
    "text": "Rückruf morgen"
  },
  "filemaker": {
    "note_created": true,
    "project_record_id": "12345"
  },
  "timestamp": "2025-09-13 16:30:00"
}

Vorteile des Ansatzes • Keine Drittanbieter wie n8n oder Zapier notwendig • Direkter Zugriff auf FileMaker per Data API • Flexibel erweiterbar um eigene Aktionen (Tasks, Kontakte, Termine) • Einfache Integration in FileMaker-Layouts über einen WebViewer oder einen Button mit Insert from URL

Beispielanwendung in FileMaker • Button „Sprachnotiz analysieren“: Aufnahme → Text → POST an analyze_text.php • Automatisches Anlegen von Terminen oder Notizen im Projekt • Projektanlage per Sprache: „Neues Projekt mit Kunde Meier starten“ → neuer Datensatz mit Name und Kunde wird angelegt

Fazit

Mit nur einem PHP-Skript und der FileMaker Data API lässt sich ein eigener Mini-Connector bauen, der Sprache oder Texte in strukturierte FileMaker-Daten verwandelt. Das spart nicht nur Kosten für Integrationsdienste, sondern erlaubt auch maximale Kontrolle und Anpassung.