KI-Integration
KI Integration
Die meisten KI-Projekte setzen am Modell an, statt am Problem. Wir finden heraus, wo KI Ihrem Unternehmen wirklich weiterhilft und wo ein einfaches Skript die bessere Wahl wäre. Dann bauen wir genau das Richtige.
KI im Produkt, nicht obendraufgesetzt.
KI-Integration lohnt den Aufwand erst, wenn sie verändert, wie Menschen mit dem Produkt arbeiten. Drei Dinge messen wir in jedem Projekt.
Antwortzeit unter 8 Sekunden
Retrieval und Reasoning, verankert in Ihren Daten. Kunden finden die Antwort schneller, als sie einen Menschen fragen könnten; jedes Mal, auf jedem Kanal.
Halluzinationsrate unter 2 %
Jede Ausgabe wird vor dem Live-Gang gegen ein festes Evaluation-Harness bewertet. Halluzinationen werden erkannt, eingestuft und wie Bugs behandelt.
Marketing-Automatisierung, nicht nur Chat
KI-Agenten entwerfen Outreach, fassen Calls zusammen und qualifizieren Leads. Der Chat ist nur eine Oberfläche; die Ersparnis zeigt sich in den Automatisierungen im Back-Office.
Ihre Daten fließen durch mehrere Intelligenzschichten
Wir schrauben KI nicht einfach an Ihre Systeme. Wir verdrahten sie mit Ihrer Datenpipeline, damit sie aus allem lernt, was Ihr Unternehmen ohnehin schon weiß.
So sieht es in Wirklichkeit aus
Ein Blick auf die Oberfläche, mit der Kunden und Mitarbeitende täglich arbeiten; keine geschönten Screenshots, keine erfundenen Daten.
KI im Produktivbetrieb, keine Demos.
Jedes Projekt hier hat ein echtes Evaluation-Harness, eine echte Kostenobergrenze und echte Nutzer, die Tag für Tag Abfragen darauf laufen lassen.
Wann KI sinnvoll ist und wann nicht
Nicht jedes Problem braucht ein neuronales Netz. So prüfen wir an einem echten Kundenprojekt, ob KI das richtige Werkzeug ist.
Eigenes Modell trainieren oder ein vortrainiertes nutzen?
Why
Der Kunde hatte 800 gelabelte Beispiele. Zu wenig, um von Grund auf zu trainieren, aber genug, um ein Basismodell nachzuschärfen. So erreichten wir 89 % Genauigkeit in 3 Wochen, statt 6 Monate Daten zu sammeln.
Alternatives Considered
Von Grund auf zu trainieren brächte mehr Kontrolle, verlangt aber die zehnfache Datenmenge. In diesem Fall erreichte das Nachschärfen das Genauigkeitsziel zu einem Bruchteil der Kosten.
Inferenz in der Cloud oder On-Premise?
Why
Der Kunde verarbeitet 500 Dokumente pro Tag. Bei diesem Volumen kostet die Cloud rund 200 EUR im Monat. Eigene On-Premise-Hardware käme auf 40.000 EUR vorab, plus Wartung. Die Rechnung war eindeutig.
Alternatives Considered
On-Premise lohnt sich ab 50.000 Dokumenten am Tag oder bei strengen Vorgaben zur Datenhaltung. Beides traf hier nicht zu.
In Echtzeit oder im Batch verarbeiten?
Why
Der Kunde braucht keine sofortige Klassifizierung. Die E-Mails werden um 8 und um 14 Uhr sortiert. Batch ist 70 % günstiger als Inferenz in Echtzeit und lässt uns Zeit, die Ergebnisse vor der Weiterleitung zu prüfen.
Alternatives Considered
Echtzeit ist Pflicht, sobald Kunden im Chat oder im Live-Support direkt weitergeleitet werden. Bei interner Dokumentenverarbeitung ist Batch fast immer die bessere Wahl.
Sollen wir auch die Grenzfälle automatisieren?
Why
Das Modell erledigt 87 % der Fälle mit hoher Konfidenz. Die übrigen 13 % sind mehrdeutig. Sie zu automatisieren würde die dreifache Menge an Trainingsdaten verlangen und läge trotzdem manchmal daneben. Es ist günstiger und genauer, einen Menschen die Ausnahmen erledigen zu lassen.
Alternatives Considered
Bei sehr vielen Grenzfällen (Tausende am Tag) kann sich ein eigenes Modell dafür lohnen. Bei diesem Kunden waren es 26 am Tag. Da reicht die menschliche Prüfung.
Eine lauffähige KI-Oberfläche, ein Evaluation-Harness und ein Team, das beides weiterentwickeln kann.
KI-Projekte scheitern, wenn sich das Modell verändert und es niemandem auffällt. Wir liefern ein System, das Sie bewerten können; und ein Team, das weiß, wann es neu zu bewerten ist.
- Retrieval- und Reasoning-Pipeline, verdrahtet mit Ihren Datenquellen
- Evaluation-Harness mit mindestens 50 bewerteten Testfällen je Oberfläche
- Kosten-Dashboard, aufgeschlüsselt nach Modell und Kunde
- Fallback-Routing (kleines Modell → großes Modell) an der Kostenobergrenze
- Prompt-Registry mit Versionierung und Rollback
- Zweiwöchiger Trainings-Sprint für Ihr Team zu Prompt- und Retrieval-Iteration
Dokument hochladen und der KI beim Auslesen zusehen
Laden Sie eine Beispielrechnung oder einen Vertrag hoch. Sehen Sie zu, wie das Modell Felder erkennt, Werte ausliest und einen Konfidenzwert vergibt. Ganz ohne Login.
Was KI tatsächlich bringt
Genauigkeit beim ersten Go-live
Schnellere Datenverarbeitung
Weniger manuelle Klassifizierung
Im Schnitt bis zum ersten Produktivmodell
Drei Zuschnitte für ein KI-Projekt.
KI-Arbeit ist iterativ; wir arbeiten in Zwei-Wochen-Sprints, nicht in 12-Monats-Verträgen. Die Matrix legt die Gesamtobergrenze je Zuschnitt fest.
Eine KI-Oberfläche, vollständig bewertet
Fertig in 4 Wochen
- Eine KI-Oberfläche (Chatbot, Suche, Klassifizierer und mehr)
- Retrieval-Pipeline und Evaluation-Harness mit 50 Fällen
- Kosten-Dashboard mit Alerting
- Eine Fallback-Stufe für Modelle
- Multi-Tenant-Deployment
- Individuelles Fine-Tuning
KI-Integration im Produktivbetrieb
Fertig in 8 Wochen
- Bis zu 3 aufeinander abgestimmte KI-Oberflächen (Chat + Agent + Klassifizierer)
- Evaluation-Harness mit über 150 Fällen und Regressions-CI
- Tool-Calling in Ihr bestehendes CRM, Ihre Datenbank, Ihre APIs
- Mehrstufiges Modell-Fallback mit Kostenobergrenzen je Stufe
- Prompt-Registry mit Versionierung
- Vierteljährlicher Retainer für die Weiterentwicklung der Prompts
KI-Plattform über mehrere Produkte
Projekt im Quartalsmaßstab
- Beliebig viele Oberflächen und Tool-Integrationen
- Individuelles Fine-Tuning und RLHF, wo es etwas bringt
- Multi-Tenant-Deployment mit Bewertung je Kunde
- Fest eingebundener ML-Engineer (Vollzeit)
- Vierteljährliches Drift- und Bias-Audit
- Code-Escrow und Exit-Klausel
Ohne Model-API-Kosten (OpenAI, Anthropic, Google). Wir rechnen über Ihre Konten ab, damit die Kosten transparent bleiben. Cloud und Vector-DB werden zusätzlich durchgereicht.
Auf jeden Zuschnitt obendrauf buchen.
KI-Projekte passen gut zur Automatisierung auf der Wachstumsseite. Diese vier docken sauber an.
Wie eine Kanzlei 91 % ihres Rechnungsabgleichs automatisierte
3.000 Rechnungen Monat für Monat von Hand abgeglichen
Vier Mitarbeitende verbrachten ihre Wochen damit, eingehende Rechnungen offenen Bestellungen zuzuordnen. Jeder Abgleich hieß: Lieferantenname, Betrag, Positionen und Bestellnummer über zwei Systeme hinweg prüfen. Fehler kosteten die Kanzlei im Schnitt 8.000 EUR pro Monat an Streitfällen.
OCR-Extraktion mit KI-gestütztem Abgleich
Wir trainierten ein Modell, das Felder aus Rechnungen ausliest (jedes Format, jede Sprache) und sie offenen Bestellungen zuordnet. Konfidenzwerte schicken sichere Treffer in die automatische Freigabe und unsichere in eine Prüfwarteschlange für Menschen, mit allem Kontext dabei.
Vier Mitarbeitende bearbeiten jetzt nur noch Ausnahmen
91 % der Rechnungen werden automatisch abgeglichen. Die Kosten durch Streitfälle sanken auf nahezu null. Statt Daten von Hand zu vergleichen, kümmert sich das Team heute um Lieferantenverhandlungen und Finanzplanung.
Rechnungen automatisch abgeglichen (vorher 0 %)
Kostenrechner für die KI-Integration
Build-Kosten plus monatliche Betriebskosten: das vollständige Bild.
Vollständigen Rechner mit Methodik öffnenIhre Eingaben
05 fieldsBeeinflusst den Mischsatz; Senior-Entwickler kosten 35 % mehr.
Ehrliche Antworten
Was Kunden fragen, bevor sie in KI investieren
Diese Fragen hören wir in fast jedem Gespräch. Ist Ihre nicht dabei, vereinbaren Sie einen Termin.
Möglich. Für Klassifizierungsaufgaben brauchen wir mindestens einige hundert gelabelte Beispiele. Für Vorhersagen sind 6 bis 12 Monate an Verlaufsdaten ein guter Anfang. Reicht das nicht, lässt sich oft ein vortrainiertes Modell mit Ihrem kleineren Datensatz nachschärfen. Das klären wir in den ersten zwei Wochen, bevor Sie sich festlegen.
Jedes Modell hat eine Konfidenzschwelle. Liegt ein Fall darunter, landet er bei einem Menschen. Bei kritischen Geschäftsentscheidungen bleibt immer ein Mensch im Entscheidungsweg. Die KI übernimmt die Masse, Ihr Team trifft das Urteil.
Wir testen vor dem Live-Gang auf Bias und überwachen danach auf Drift. Bei generativer KI binden wir die Ausgaben an Ihre Fachdaten und gleichen sie mit bekannten Antworten ab. Wir sagen offen, was KI nicht gut kann. Manche Aufgaben sollte man nicht automatisieren.
Ja. Wir stellen die KI als REST-API bereit, die neben Ihren bestehenden Systemen läuft. Ihr ERP, CRM oder Ihre Eigenentwicklung ruft die API auf und bekommt ein Ergebnis zurück. Ein Plattformwechsel ist nicht nötig.
Proof of Concept in 4 Wochen auf echten Daten. Sie sehen die Genauigkeitswerte und entscheiden, ob es in den Produktivbetrieb geht. Der dauert je nach Integrationsaufwand weitere 4 bis 8 Wochen.
Nach unserer Erfahrung nein. Die KI übernimmt die repetitive Massenarbeit. Wer das bisher gemacht hat, wechselt zu Aufgaben, die menschliches Urteilsvermögen verlangen. Das Buchhaltungsteam, das den Rechnungsabgleich automatisiert hat, kümmert sich heute um Lieferantenverhandlungen und Ausnahmefälle.
Bereit, etwas Außergewöhnliches zu bauen?
Machen wir aus Ihrer Vision ein fertiges Produkt. Unser Team baut mit Ihnen Software, die spürbar etwas bewegt.