Was wir entwickeln

AI, die ausgeliefert wird: Agenten, die in Ihrem Produkt handeln, Retrieval über Ihre Daten, Modelle, die dort laufen, wo Ihre Daten sein dürfen. Gebaut für die Produktion, nicht für die Launch-Ankündigung.

Der Assessment-Wizard auf dieser Website ist einer von uns – er interviewt Sie, scoped das Projekt und bepreist es. Probieren Sie ihn aus, bevor Sie uns schreiben.

• AI-Agenten, eingebaut in Ihr Produkt und Ihre Workflows
• RAG-Systeme über Ihre Dokumente, Tickets, Codebasen und Wikis
• Unternehmensassistenten: interner Chat über Ihr eigenes Wissen, mit Zugriffskontrolle
• LLM-Features in bestehenden Apps: Drafting, Zusammenfassung, Klassifikation, Extraktion
• Automatisierung dort, wo ein Modell seinen Platz verdient – und klassische Software dort, wo nicht

Agentische Workflows

Ein einzelner Prompt ist eine Demo. Echte Automatisierung ist ein Workflow: ein Agent, der das Postfach liest, den Kalender prüft, das Angebot entwirft – und weiß, wann er anhalten und einen Menschen fragen muss.

• Mehrstufige Agenten mit Tool-Zugriff: E-Mail, Kalender, CRMs, interne APIs
• Human-in-the-Loop, wo Fehler teuer sind – Freigaben eingebaut, nicht angeflanscht
• Strukturierte Outputs, auf die sich Ihre Systeme verlassen können – kein Freitext
• Orchestrierung, die schlechte Tage übersteht: Retries, Fallbacks, Audit-Trails

Private Modelle & Fine-Tuning

Manche Daten dürfen das Haus nicht verlassen. Wir deployen Open-Source-Modelle (Llama, Mistral, Qwen) auf Ihrer Infrastruktur – AWS, Hetzner oder On-Prem –, sodass Prompts und Embeddings Ihren Perimeter nie überqueren.

Fine-Tuning lohnt sich, wenn Prompting nicht mehr besser wird – Tonalität, Formatdisziplin, Fachjargon, Latenz. Wir sagen Ihnen vorher, welcher Fall Sie sind, und belegen den Unterschied mit Evaluierungen.

• Privates LLM-Deployment in Ihrer VPC oder On-Prem
• Fine-Tuning und Evaluierung auf Ihren eigenen Daten
• Kleine, aufgabenspezifische Modelle, wenn ein API-Call zu langsam, zu teuer oder zu öffentlich ist
• Zero-Retention-API-Konfigurationen, wenn privates Hosting mehr ist, als Sie brauchen
• AVVs, EU-Datenstandort, kein Training auf Ihren Daten

Die unglamourösen Teile

Ein Chat-Fenster anschließen kann jeder. Die Arbeit steckt in Retrieval-Qualität, Evaluierung, Kostenkontrolle und dem, was passiert, wenn das Modell falsch liegt – genau dort verbringen wir unsere Zeit, und deshalb hält das, was Sie ausliefern.

• Eval-Harnesses, Monitoring, Retries, Graceful Degradation
• Modellagnostisch: OpenAI, Anthropic Claude, Google Gemini oder Open Source über vLLM und Ollama
• LangChain, LlamaIndex, pgvector, Qdrant, Hybrid Search mit Reranking – und schlichtes Python, wo Frameworks im Weg stehen
• Eine klare Ansage, wenn ein Problem ohne AI besser gelöst ist

Wo es ankommt

Dieselben Bausteine, geformt von den Auflagen des jeweiligen Bereichs:

• Gesundheitswesen und Recht: Dokumenten-AI und Assistenten auf vertraulichen Daten, innerhalb Ihres Perimeters
• Finanzen und Versicherung: erklärbare Modelle für Betrug, Schadensfälle und Underwriting – Entscheidungen, die Sie auditieren können
• Fertigung: vorausschauende Wartung und Computer-Vision-Qualitätskontrolle auf SCADA-, MES- und ERP-Daten
• Einzelhandel: Empfehlungen, Nachfrageprognosen und dialogbasierter Support, der durch die Hochsaison hindurch skaliert

So arbeiten wir

Die meisten AI-Projekte starten mit einem zwei- bis vierwöchigen Proof of Concept auf Ihren echten Daten. Wenn der Ansatz den Kontakt mit Ihren Daten nicht übersteht, weiß man das besser in Woche zwei – der Produktions-Build wird aus dem geplant, was der PoC zeigt. Senior-Entwickler, direkter Zugang, GDPR-konform von Haus aus.

Erzählen Sie uns, was Sie planen – innerhalb von 24 Stunden erhalten Sie eine schriftliche Einschätzung mit Ansatz, Modellwahl, Timeline und den Risiken.