Zum Inhalt springen

Aus unseren Projekten

Unsere Projekte laufen vertraulich. Deshalb nennen wir die Branche, nicht den Kunden, und zeigen zu jedem Projekt, wie es vorher war, was wir gebaut haben und was es bringt.

KI-Dokumentenaufbereitung

Branche:
Gesundheitswesen
Projektart:
Workflow-Automatisierung
Vorher
Dokumente mit wechselndem Aufbau mussten von Hand ausgewertet werden. Vorlagen dafür zu pflegen, wurde selbst zum Projekt.
Lösung
Eine KI liest jede Seite wie ein Mensch und überträgt die Werte in eine einheitliche Tabelle. Unsichere Stellen kommen auf eine Prüfliste, ein Mensch gibt frei.
Ergebnis
Neue Dokumentvarianten laufen ohne Vorlagenpflege durch. Handarbeit bleibt nur bei den Ausnahmen.
  • Vision-Sprachmodell
  • Einheitliches Zielschema
  • Prüfliste
Vorgehen und Technik im Detail
Dokument jede Gliederung, jedes Layout
Modell liest die Seite wie ein Mensch, Layout inbegriffen
Zuordnung auf das Zielschema eigener, prüfbarer Schritt
Strukturierte Daten
Prüfliste unsichere Zuordnungen, Lücken lokalisiert
Freigabe durch den Menschen

Ein Vision-Modell liest die Seiten so, wie ein Mensch sie liest, Layout inbegriffen.

Die Zuordnung der gelesenen Inhalte auf ein einheitliches Zielschema ist ein eigener, prüfbarer Schritt. Sie ist damit nachvollziehbar und korrigierbar, statt in der Modellantwort zu verschwinden.

Unsichere Zuordnungen landen nicht still im Ergebnis, sondern in einer Prüfliste. Die Freigabe bleibt beim Menschen, Lücken werden lokalisiert statt geschätzt.

Python, Vision-Sprachmodell, regelbasierte Nachprüfung der Zuordnung, strukturierte Ausgabe in ein einheitliches Schema.

Automatisches Mahnwesen

Branche:
Lifestyle und Medien
Projektart:
Workflow-Automatisierung
Vorher
Schlug eine Abbuchung fehl, musste jemand von Hand nachfassen. Offene Forderungen blieben liegen, niemand hatte den Überblick.
Lösung
Ein Mahnablauf, der jeden Fall selbst verfolgt: Erinnerungen in Stufen, ein Link zum Ändern der Zahlungsdaten und am Ende die Kündigung. Vor jeder Mail prüft er, ob schon gezahlt ist.
Ergebnis
Das Nachfassen von Hand entfällt. Wer zahlt, bekommt keine Mahnung mehr, und jeder Schritt ist protokolliert.
  • Ereignisgesteuert
  • Mahnstufen
  • Protokoll je Fall
Vorgehen und Technik im Detail

Das Zahlungssystem meldet jedes Ereignis selbst: fehlgeschlagene Zahlung, Zahlungseingang, Anfechtung, Kündigung. Daraus entsteht je Rechnung ein Fall mit festem Stand. Geht zwischendurch eine Zahlung ein, stoppt die Strecke sofort.

Täglich ermittelt ein Lauf die fälligen Fälle und verschickt die nächste Stufe. Vor jeder Mail wird der Rechnungsstatus frisch abgefragt, damit niemand gemahnt wird, der schon gezahlt hat. Bleibt die Rechnung bis zum Ende offen, wird das Abo automatisch gekündigt. Schlägt diese Kündigung fehl, erfährt das Team davon, statt dass der Fall still als erledigt gilt.

Jede Erinnerung enthält einen persönlichen Link, über den der Kunde seine Zahlungsdaten selbst ändert. Der Link gilt nur, solange der Fall offen ist, und wird mit Zahlung oder Abschluss wertlos.

n8n als Orchestrierung, Webhooks und API des Zahlungssystems, Fallstand in Datentabellen, Mailversand über eine verifizierte Absenderdomain, Protokoll in einer Tabelle, zufällige Token für die Links zum Kundenportal.

Instagram-Marketing-Automation

Branche:
Lifestyle und Medien
Projektart:
Workflow-Automatisierung
Vorher
Viele Direktnachrichten, jede davon als kostenpflichtiger Kontakt gezählt. Automatische Antworten störten Gespräche, die das Team selbst führte.
Lösung
Automatische Strecken für Gewinnspiele, Newsletter-Anmeldung und Interessenten, dazu ein KI-Assistent mit Empfehlungen aus den eigenen Inhalten.
Ergebnis
Weniger Kosten, weil nur noch echte Gespräche zählen. Wiederkehrende Fragen laufen automatisch, das Team schreibt nur noch, wo es persönlich wird.
  • Instagram
  • Kommentar-Auslöser
  • KI-Assistent
Vorgehen und Technik im Detail

Die Konten wurden von Grund auf bereinigt und neu eingerichtet. Kontakte entstehen jetzt nur noch aus Gesprächen, die tatsächlich eröffnet werden. Passive Kontakte, die nur Kosten verursachen, fallen damit praktisch weg.

Darauf laufen die Strecken: ein Gewinnspiel, das über einen Kommentar startet und zur Newsletter-Anmeldung führt, eine zweistufige Strecke, die Interessenten zum Angebot führt, ein Menü beim Eingang einer Nachricht und ein KI-Assistent, der Empfehlungen aus den eigenen redaktionellen Inhalten gibt.

Merkmale am Kontakt verhindern doppelte Begrüßungen, erkennen wiederkehrende Nutzer und halten die Automatik aus Gesprächen heraus, die das Team gerade persönlich führt.

Plattform für Instagram-Automatisierung, Kommentar- und Nachrichtenauslöser, Merkmale und Datenfelder am Kontakt, KI-Assistent auf einer eigenen Wissensbasis.

Supply-Chain-Optimierung

Branche:
Logistik
Projektart:
Datenplattform und Reporting
Vorher
Nach dem Wechsel des ERP-Systems gab es keine brauchbaren Auswertungen zu Einkauf, Verkauf und Bestellungen. Berichte entstanden von Hand.
Lösung
Ein Dashboard direkt aus den ERP-Daten: Kennzahlen, Lieferanten, Durchlaufzeiten und eine Seite, die zeigt, wo die Daten Lücken haben.
Ergebnis
Alle im Haus lesen dieselben Zahlen, ohne BI-Kenntnisse. Jeder neue Datenstand läuft mit einem Befehl durch.
  • ERP-Rohdaten
  • Datenqualität
  • Wiederholbarer Lauf
Vorgehen und Technik im Detail
Nachgebaut mit erfundenen Zahlen. Der Aufbau entspricht dem gelieferten Dashboard.

Zuerst ein Prototyp auf einem echten Rohdatenexport, noch vor dem Angebot. Erst als klar war, welche Fragen die Daten tragen, stand fest, was das Dashboard leisten soll. Offene Fachfragen und Annahmen gingen als Liste mit ins Angebot, statt später als Überraschung aufzutauchen.

Vor jeder Kennzahl steht die Frage, ob die Buchungspraxis sie trägt. Wo Rechnungen ohne Bezug zur Bestellung gebucht werden, lässt sich die Zeit bis zur Rechnung nur für einen Teil messen. Erst haben wir geprüft, ob geschickteres Verknüpfen die Lücke schließt. Wo nicht, weist das Dashboard den messbaren Teil aus und den Rest offen als Sammelposition, statt hochzurechnen. Dazu kam die kleine Prozessänderung, mit der die Kennzahl künftig vollständig wird.

Gebaut als eine einzige Datei, die ohne Server und ohne Internet im Browser läuft: Übersicht mit Kennzahlen und automatisch erkannten Auffälligkeiten, Verkauf und Einkauf mit Filtern nach Stammdaten, der Bestellprozess mit Durchlaufzeiten und eine Seite zur Datenqualität mit konkreten Maßnahmen. Eine Plattform mit Nutzerrollen und automatischem Datenweg haben wir bewusst nicht zuerst gebaut. Sie lohnt sich erst, wenn die Fragen stabil sind.

Python, pandas und openpyxl, Prüfung des Exportschemas vor jedem Lauf, deterministische Kennzahlen, Faktenwürfel für die Filter, eingebettetes Chart.js, Excel-Export ohne Fremdbibliothek, automatisierte Browsertests mit Playwright.

Automatisierte Stammdatenupdates

Branche:
Gesundheitswesen
Projektart:
Datenplattform und Reporting
Vorher
Eine lange Liste von Firmenadressen wurde von Hand gepflegt. Änderungen fielen spät auf, der Aufwand war nicht planbar.
Lösung
Ein Programm liest jeden Monat die Impressen der Firmen-Websites und ein öffentliches Register aus und ergänzt die Liste automatisch.
Ergebnis
Ein monatlicher Lauf, bei dem zu jedem Feld belegt ist, woher es stammt. Gebaut erst, nachdem ein Prototyp gemessen hatte, was möglich ist.
  • Web-Extraktion
  • Named-Entity-Erkennung
  • Registerabgleich
Vorgehen und Technik im Detail
Stufe 1: messen
Stufe 2: umsetzen
Prototyp auf lokalen Rechnern ohne Server, ohne laufende Kosten
Messbericht legt Umfang und Festpreis fest
Gehärtete Extraktoren Browser-Renderer nur als Rückfallweg
Monatlicher Lauf reproduzierbar, Herkunft jedes Feldes belegt

Bewusst zweistufig, statt sofort eine Pipeline zu bauen. In der ersten Stufe lief ein Prototyp vollständig auf lokalen Rechnern, ohne Serverinfrastruktur und damit ohne laufende Kosten, und hat je Zielfeld gemessen, was tatsächlich und in welcher Qualität aus einem Impressum zu holen ist.

Erst dieser Messbericht hat Umfang und Festpreis der Umsetzungsstufe festgelegt. Keine Seite trägt damit ein Blindrisiko, und teure Technik wird nur dort eingeplant, wo die Messung sie rechtfertigt. Seiten, die sich statisch auslesen lassen, brauchen keinen Browser-Renderer, und das sind die meisten.

In der Umsetzung wurden die Extraktoren produktiv gehärtet: Parallelität, Wiederaufsetzbarkeit nach Abbruch, Wiederholungslogik, Renderer nur als Rückfallweg. Namen und Rollen der Vertretungsberechtigten werden über Named-Entity-Erkennung herausgelöst, weil ein Impressum sie als Fließtext schreibt und nicht als Feld. Dazu ein Modul, das ein öffentliches Register anbindet, monatliche Veränderungen gegen den Vormonat bildet und die Einträge den Firmen der Liste zuordnet.

Python, httpx, BeautifulSoup und selectolax, Playwright als Rückfallweg, Named-Entity-Erkennung, Polars, Delta und Parquet, Lakehouse-Anbindung, systemd und cron, Überwachung mit Alarmierung.

Interne Wissensdatenbank

Branche:
Dienstleistung
Projektart:
KI-Assistenten
Vorher
Viel Wissen steckte in den Köpfen einzelner Personen. Wer etwas wissen wollte, musste fragen, und das kostete beide Seiten Zeit.
Lösung
Ein KI-Assistent, der in Korrespondenz und Notizen nachschlägt, bevor er antwortet. Jede Antwort zeigt ihre Quelle.
Ergebnis
Das Wissen ist durchsuchbar, ohne dass es jemand erst aufschreiben musste. Was nicht belegt ist, beantwortet der Assistent nicht.
  • Hybride Suche
  • PostgreSQL
  • Belegstellen
Vorgehen und Technik im Detail
Frage
Suchwege Volltext und Vektorsuche
Rohwerte je Suchweg prüfen nicht der zusammengeführte Rang
Antwort mit Belegstelle
Ehrlich verweigern wird zur Liste dessen, was fehlt
Gezielt nachfragen kurze Sitzung statt Dokumentationsmarathon

Wir setzen dort an, wo die Person ohnehin ausführlich formuliert: in Korrespondenz, Notizen und Dialogen mit Assistenzsystemen. Diese Quellen werden aufbereitet und indexiert. Nachgefragt wird nur dort gezielt, wo die Auswertung eine echte Lücke zeigt, in kurzen Sitzungen statt in Dokumentationsmarathons.

Entscheidend für die Vertrauenswürdigkeit ist die Verweigerung. Ob das System antwortet, wird an den Rohwerten der einzelnen Suchwege entschieden, nicht am zusammengeführten Rang. Sonst sieht der schlechteste Treffer eines leeren Bestands aus wie ein perfekter.

Gemessen wird mit drei Zahlen statt einer: beantwortete Fragen, ehrlich verweigerte Fragen, und falsch beantwortete Fragen, die nahe null bleiben müssen. Die verweigerten sind zugleich die Liste dessen, was noch zu erfassen ist. Die Testfragen stammen von den Fragenden, nicht vom Wissensträger, und das Testset kommt nie in den Bestand. Sonst misst man Auswendiglernen.

Python, PostgreSQL mit Vektorerweiterung und deutschsprachiger Volltextsuche, hybride Suche mit Nachbewertung, FastAPI, Dokumentkonvertierung für gängige Office- und PDF-Formate, Modellzugriff über ein Gateway.

Datenabgleich und Optimierung

Branche:
Gesundheitswesen
Projektart:
Individualsoftware
Vorher
Ein Unternehmen wollte seinen Kunden zeigen, wo deren Daten vom eigenen Referenzbestand abweichen. Die Daten durften das Haus nicht verlassen.
Lösung
Eine containerisierte Anwendung mit gesicherter Live-API, angebunden an die internen Datenbestände. Sie läuft komplett beim Auftraggeber und vergleicht jeden Datensatz Feld für Feld.
Ergebnis
Der Auftraggeber bietet den Abgleich seinen Kunden selbst an, praktisch ohne zusätzliche Betriebskosten.
  • Containerisiert
  • Live-API mit Authentifizierung
  • Betrieb beim Kunden
Vorgehen und Technik im Detail
Läuft vollständig beim Auftraggeber, ohne eigene Datenbank
Daten entgegennehmen
Normalisieren
Referenz zuordnen jede Zuordnung auf eine benannte Regel zurückführbar
Feldweise vergleichen
Abweichungen je Feld als Tabelle für beliebige Darstellungen
Fachliche Regeln entwirft der Auftraggeber

Die Analyse des fachlichen Regelwerks ergab, dass die Zuordnung vollständig deterministisch beschrieben ist. Damit war ein probabilistisches Verfahren für Record Linkage überflüssig. Diese Erkenntnis hat den Aufwand deutlich gesenkt und zugleich die Nachvollziehbarkeit erhöht: Jede Zuordnung lässt sich auf eine benannte Regel zurückführen.

Gebaut wurde eine containerisierte Anwendung, die vollständig in der Umgebung des Auftraggebers läuft und an seine internen Datenbestände angebunden ist. Über eine Live-API mit Authentifizierung nimmt sie die Daten entgegen, legt sie in der bestehenden Rechenumgebung ab, normalisiert, ordnet je Satz den passenden Referenzdatensatz zu und vergleicht feldweise. Zurück kommen Zuordnung, Bewertung und die konkreten Abweichungen je Feld, als Tabelle, auf der beliebige Darstellungen aufsetzen können.

Ebenso wichtig war, was wir nicht übernommen haben: Der Entwurf der fachlichen Regeln blieb beim Auftraggeber, der das Geschäft kennt. Der kommerziell riskante Punkt wurde vorab benannt und nicht im Angebot versteckt.

Python, containerisiert mit Dockerfiles, Live-API mit Authentifizierung, Anbindung an die internen Datenbestände, Record Linkage im Prozess auf DuckDB, Polars, Lakehouse-Anbindung für Lesen und Schreiben, optionale Adressnormalisierung.

Prüfplatz für Datenabweichungen

Branche:
Gesundheitswesen
Projektart:
Individualsoftware
Vorher
Laufende Abgleiche liefern Abweichungen, entscheiden kann nur ein Mensch. Ohne Quellen und Belege im Blick dauerte das, und Entschiedenes kam im nächsten Monat wieder.
Lösung
Eine Software, die viele Datenquellen bündelt und jede Abweichung als Fall zeigt, mit Beleg und begründetem Vorschlag. Korrigiert wird direkt an der Quelle, mit Rollen, wer was darf.
Ergebnis
Fachleute entscheiden nur noch, was wirklich eine Entscheidung braucht. Einmal entschieden, kommt ein Fall nicht wieder.
  • Viele Quellen gebündelt
  • Korrektur an der Quelle
  • Rollen und Rechte
Vorgehen und Technik im Detail
Laufender Abgleich
Fall stabiler Schlüssel aus Achse, Objekt, Feld und Werten
Arbeitsplatz Quellen nebeneinander, Beleg vom Stichtag, Vorschlag
Entscheidung
Protokoll
Gegenprüfung im Folgelauf: Was entschieden ist, taucht nicht wieder auf

Jede Abweichung wird zu einem Fall mit stabilem Schlüssel aus Vergleichsachse, Objekt, Feld und den verglichenen Werten. Ändert sich ein Wert, entsteht ein neuer Fall. Wird die Quelle korrigiert, erlischt der alte von selbst, ohne dass jemand aufräumen muss.

Die Software bündelt viele verschiedene Datenquellen und stellt sie je Fall nebeneinander. Zu jedem Fall gehört der Beleg: die Seite, aus der der Wert gelesen wurde, gerendert aus dem Stichtags-Zwischenspeicher statt live abgerufen, damit Beleg und Datenstand zusammenpassen. Dazu Registereintrag und weitere Quellen als eigene Karten sowie ein regelbasierter Vorschlag, der begründet, welche Quelle vermutlich recht hat.

Korrigiert wird direkt an der Quelle, nicht in einer Kopie. Rollen legen fest, wer welche Fälle sieht, entscheidet und korrigiert. Alle Entscheidungen laufen in ein Protokoll, das im Folgelauf als Gegenprüfung wirkt: Was entschieden ist, taucht nicht wieder auf.

Python, JSONL- und Delta-Tabellen, Playwright-Rendering aus dem Zwischenspeicher, ein statisches HTML-Frontend ohne Ausrollaufwand, Export nach Excel und optional direkt in die Analyseplattform.

API-Kosten gegenüber „alles über Opus“
Rechenbeispiel mit angenommenem Anfragemix
Kostenindexalles über Opus = 100
Mit Routing
Alles über Opus
100

Modell-Routing für Claude

Branche:
Softwareunternehmen
Projektart:
Individualsoftware
Vorher
Alle Anfragen an dasselbe Modell: Entweder zahlt Routinearbeit Spitzenpreise, oder schwierige Aufgaben scheitern.
Lösung
Ein Klassifikator vor der Claude-API schätzt jede Anfrage ein und schickt sie an das günstigste Modell, das sie zuverlässig löst.
Ergebnis
Gebaut, um die API-Kosten unserer eigenen Software zu senken. Routinearbeit läuft günstig, schwierige Aufgaben bekommen weiter das stärkste Modell.
  • Claude-API
  • Klassifikator
  • Kostensteuerung
Vorgehen und Technik im Detail

Ein schlanker Klassifikator sitzt vor der Claude-API. Er liest jede Anfrage, schätzt ein, wie schwierig und komplex sie ist, und wählt die Stufe: Haiku für Routineaufgaben, Sonnet für den Alltag, Opus für anspruchsvolle Denkaufgaben, Fable nur, wenn nichts anderes reicht.

Ziel ist nicht der niedrigste Preis, sondern der niedrigste Preis, bei dem die Qualität noch stimmt. Dafür wird ein Ausschnitt der echten Anfragen durch alle Modelle geschickt und jede Antwort gegen eine Qualitätsgrenze bewertet.

Routing ist nicht immer die richtige Antwort. Manchmal erreicht ein einziges starkes Modell mit angepasstem Aufwand dasselbe. Und der Zwischenspeicher für wiederkehrende Eingaben gilt je Modell, wer verteilt, verliert einen Teil dieser Ersparnis. Ob sich Routing lohnt, ist deshalb eine Messfrage.

Klassifikator vor der Claude-API, vier Modellstufen von Haiku bis Fable, Bewertung der Antworten gegen eine Qualitätsgrenze, Preisfaktoren nach den offiziellen Listenpreisen.

Die Bilder sind nachgebaut, Inhalte und Zahlen darin erfunden.

Klingt das nach Ihrer Lage?

30 Minuten, kostenlos und ohne Vorbereitung Ihrerseits. Danach sagen wir Ihnen, ob wir die Richtigen sind, und wenn nicht, wen Sie stattdessen suchen sollten.

Projekt besprechen