KI-Beratung
die rechnet, statt Hype verkauft.

Die häufigste Fehleinschätzung im Mittelstand: KI als universelles Werkzeug zu betrachten, das überall Effizienz hebt.

Hochwertige Use-Cases liegen meistens an drei Stellen:

• Wiederkehrende Wissensarbeit mit unstrukturiertem Input — Angebotsausarbeitung, Vertragsanalyse, Lieferanten-Korrespondenz, Support-Triage
• Datenextraktion aus Dokumenten, E-Mails, PDFs — Rechnungs-Erfassung, Lieferschein-Verarbeitung, Stammdaten-Pflege
• Recherche- und Synthese-Aufgaben mit nachweisbarer Quellenlage — RAG über interne Dokumente, Wettbewerbsbeobachtung, Markt-Briefings

Was selten wirtschaftlich ist:

• KI als Ersatz für gut definierte ETL-Pipelines
• KI für Aufgaben mit hohem Halluzinations-Risiko und harter Compliance
• KI als reine Chatbot-Spielerei ohne Anbindung an echte Daten

Unser Discovery-Format: zwei Workshop-Halbtage mit den operativen Köpfen — nicht mit dem Lenkungskreis. Wir gehen die wirklichen Tagesabläufe durch (welche Mails kommen rein, welche Excel-Tabellen werden täglich geöffnet, welche Reports werden manuell zusammengetragen) und bewerten jeden Kandidaten auf vier Dimensionen: Häufigkeit, Komplexität, Fehlertoleranz und Datenverfügbarkeit.

Output ist eine priorisierte Roadmap — typischerweise 3–5 Quick-Wins für die nächsten 8 Wochen plus 2–3 strategische Cases für 6–12 Monate, jeweils mit grobem Aufwand und Wirtschaftlichkeits-Hypothese.

Nicht jede Aufgabe ist ein Prompt-Problem. Wir trennen vier Architektur-Klassen sauber.

Vier Architektur-Klassen:

• Reine LLM-Aufgaben (Umformulieren, Übersetzen, Zusammenfassen) — schnell und günstig, kaum Engineering
• RAG (Retrieval-Augmented Generation) — wenn das Modell auf interne Dokumente, Produktdaten oder Knowledge-Base zugreifen soll, ohne Halluzination. Stack: Vektordatenbank (pgvector, Qdrant), Embedding-Modell (OpenAI, BGE, Cohere), Hybrid-Retrieval (BM25 + semantisch), Re-Ranking, klare Quellen-Attribution
• Agent-Setups mit Tool-Use — wenn das Modell mehrstufige Aktionen ausführen soll (Daten abfragen, Mails schreiben, ERP-Buchungen anstoßen). Hier kommt es auf Tool-Definition, Eval-Schleifen und Guardrails an
• Klassisches ML (Forecasting, Klassifikation, Anomaly-Detection) — wenn die Aufgabe strukturierte Inputs und reproduzierbare Outputs hat, ist ein gradient-boosted Tree oft besser, schneller und günstiger als ein LLM

Wir wählen die Architektur nicht nach Tool-Trend, sondern nach Aufgabe. Häufiger Fehler im Markt: Agentic-Frameworks (LangChain, LangGraph, CrewAI) für Aufgaben einsetzen, die mit zwei API-Calls und einer If-Bedingung lösbar wären — das Ergebnis sind brüchige Systeme mit hohen Token-Kosten. Wir bauen so wenig Komplexität wie nötig.

Frontier-Modelle (US-Cloud) — OpenAI GPT-5, Anthropic Claude Opus 4.7, Google Gemini 2.5 — empfehlen wir, wenn die Aufgabe maximale Reasoning-Tiefe braucht, der Datenflug rechtlich tragbar ist (DPA, EU-Region falls verfügbar, Consent-Klarheit), und das Token-Budget passt.

EU-/Open-Source-Modelle — Mistral Large/Codestral (französisches Hosting), Llama 3.3 / Llama 4 auf eigener Infrastruktur, Qwen2.5 für mehrsprachige Workloads — empfehlen wir, wenn Datenresidenz hart gefordert ist, das Token-Volumen wirtschaftlich gegen Self-Hosting spricht (typischerweise ab ein paar Mio Tokens/Monat), oder wenn Modell-Stabilität über Jahre wichtiger ist als Frontier-Reasoning.

Stack-Komponenten je nach Use-Case:

• Embeddings und Re-Ranking: OpenAI text-embedding-3, BGE-M3, Cohere Rerank — je nach Sprache und Domäne
• Vektor-Storage: pgvector in Postgres (für die meisten Use-Cases ausreichend, kein extra System), Qdrant (wenn echte Hybrid-Search und große Korpora nötig), oder Elasticsearch (wenn Sie es eh schon betreiben)
• Agent-Orchestrierung: nativer Tool-Use der Modelle (OpenAI Function Calling, Anthropic Tool Use) als Default, LangGraph nur wenn die Komplexität es wirklich rechtfertigt

Hosting unserer Inference-Container und Vektor-DBs läuft auf Hetzner Frankfurt oder Fly.io Frankfurt — Datenverarbeitung im EU-Raum.

Wir setzen die technischen Voraussetzungen für DSGVO-konformen und EU-AI-Act-kompatiblen KI-Betrieb sauber um — die rechtsverbindliche Bewertung gehört aber explizit zu Ihrem Anwalt oder DSB.

Was wir technisch umsetzen:

• EU-Hosting der Anwendungen und Vektor-DBs (Hetzner, Fly.io, Frankfurt)
• Logging-Disziplin — welche Inputs/Outputs werden für Eval gespeichert, welche nicht
• Datenklassifikation vor dem Modell-Call — PII-Maskierung, Secrets-Filter
• Auftragsverarbeitungsverträge mit allen Modell-Anbietern
• Klare Trennung zwischen Trainings- und Inferenz-Daten — kein Training auf Kundendaten ohne explizites Opt-in

Zum EU AI Act: Seit Februar 2025 sind die Verbote für „inakzeptable" Systeme in Kraft, ab August 2025 die Pflichten für General-Purpose-AI-Modelle, ab August 2026 die Hauptpflichten für Hochrisiko-Systeme.

Im Mittelstand ist die häufigste praktische Frage: Welche unserer KI-Anwendungen fallen in Hochrisiko-Kategorien?

• Hochrisiko (typisch): HR-Screening, Bonitäts-Scoring, biometrische Identifikation, Bildung
• Minimal risk (typisch): interne Produktivitäts-Tools, Marketing-Texte, Übersetzung

Wir liefern eine pragmatische Klassifikation Ihrer Use-Cases plus die technischen Bausteine für die Pflichten (Risiko-Management, Logging, Transparenz-Hinweise, menschliche Aufsicht). Den finalen Compliance-Stempel setzt Ihr DSB oder Anwalt — wir liefern die technische Vorlage.

Eine KI-Anwendung erzeugt erst dann Hebel, wenn sie an die echten Datenflüsse angeschlossen ist.

Bestandssysteme, mit denen wir LLM-gestützte Workflows integrieren:

• ERP / Buchhaltung: SAP Business One, Microsoft Dynamics, BMD, DATEV
• CRM: Salesforce, HubSpot, Pipedrive
• E-Commerce: Shopify, WooCommerce
• Productivity / Collaboration: M365 (Outlook, Teams, SharePoint), Google Workspace, Atlassian (Jira, Confluence)

Verbunden über REST, GraphQL, Webhooks oder native Konnektoren.

Typisches Architekturmuster: ein schmaler Integrations-Service (Node.js auf Fly.io, Python auf Hetzner) als Vermittler zwischen Bestandssystem und Modell-API, mit Idempotenz, Retry-Logik und sauberem Error-Tracking via Sentry.

Bei sensitiven Workflows: Approval-Schritt mit Mensch-im-Loop, bevor das Modell schreibend in ein System greift — wir verkaufen Ihnen kein „Agent macht alles autonom"-Märchen.

Wir haben über die Jahre selbst zahlreiche Shops und digitale Produkte aufgebaut und betrieben — Dropshipping-Modelle, eigenes Lager mit Produktentwicklung, eigene Marken mit Sortimentsaufbau und Marketing.

Seit 2023 setzen wir KI in unseren eigenen Operations produktiv ein:

• Produkttext-Generierung mit Markenstimmen-Konsistenz
• Lieferanten-Mail-Triage
• Kundensupport-Vorab-Klassifikation
• Wettbewerbs-Briefings via RAG über öffentliche Quellen
• Intern dokumentierte SOP-Suche

Diese Erfahrung — was tatsächlich in einem operativ laufenden Mittelstands-Setup hält und was am Friction der Realität scheitert — fließt in jede Beratung ein.

Unser Team verbindet drei Disziplinen:

• Software- und KI-Engineering
• E-Commerce-Strategie und Plattform-Know-how
• Brand- und Marketing-Praxis

Sie reden direkt mit den Seniors, die danach das System bauen, die Eval-Pipeline aufsetzen und die Kosten-Reports schreiben — nicht mit drei Layern Account-Management, das KI-Beratung „verkauft" und dann an Junior-Implementer weitergibt.

Und wir sagen aktiv Nein, wenn ein Use-Case nicht reif ist (zu wenig Trainingsdaten, zu hohes Halluzinations-Risiko, kein klares Erfolgsmaß) — auch wenn das ein Mandat kostet.