Generative KI, die bei deinen Daten bleibt

Sovereignty First ist die Grundarchitektur, kein Zusatz

Die meisten Anbieter generativer KI schicken deine Daten standardmäßig in die eigene Cloud. Das ist für Unternehmen in Europa und Asien zunehmend keine Option: Die Datenschutz-Grundverordnung stellt ebenso reale Anforderungen an den Ort, an dem Daten gespeichert und verarbeitet werden, wie die FINMA in der Schweiz oder die BaFin in Deutschland.

Ein unternehmerisches Argument kommt dazu. Kundendaten und Preislogik gehören ebenso zum Kernkapital eines Unternehmens wie die eigenen Lieferantenbeziehungen: Ein Modell darauf zu trainieren lohnt sich, den Zugriff darauf an Dritte weiterzugeben nicht.

Wir entwickeln KI-Systeme für deine eigenen Server, für souveräne EU-Cloud-Infrastruktur wie StackIT, die Cloud der Schwarz-Gruppe, für Hetzner oder OVHcloud, oder für eine bereits bestehende AWS- oder Azure-Umgebung. Die Grenzen dafür legst du selbst fest und kannst sie jederzeit prüfen.

Wir entwickeln auf der Modellebene mit offenen, frei verfügbaren LLMs, sodass deine Daten nie die eigene Sicherheitsgrenze verlassen müssen.

Diesen Ansatz nennen wir Sovereignty First: von Anfang an fest in der Architektur verankert. Er funktioniert ebenso gut für eine Public-Cloud-Umgebung ohne Anforderungen an den Datenstandort, weil sich die Architektur ohnehin nach den vorgegebenen Grenzen richtet.

Vier Einsatzfelder für generative KI

Wir entwickeln in diesem Bereich vier Systeme: für Dokumentenintelligenz, für die Umwandlung natürlicher Sprache in Datenabfragen, für interne Wissenserschließung und für die Automatisierung von Lieferanten- und Backoffice-Prozessen.

Bei der Dokumentenintelligenz verwandeln wir unstrukturierte Dokumente wie Verträge, Rechnungen, Lieferanten-E-Mails, gescannte Formulare und technische Spezifikationen in strukturierte Daten. Die Pipeline übernimmt Klassifizierung und Extraktion automatisch; unsichere Fälle landen zur Validierung in der manuellen Prüfung. Die Ergebnisse fließen direkt in das führende System weiter, ob ERP, CMS oder etwas anderes.

Bei der Umwandlung natürlicher Sprache in Datenabfragen können deine Fachabteilungen eigene Datenbanken in normaler Sprache befragen, unabhängig von SQL-Kenntnissen oder einem Datenanalysten als Vermittler. Wir lieferten für procelo tosca innerhalb von acht Wochen einen funktionierenden Prototyp mit einer SQL-Abfragegenauigkeit von über 80 Prozent über komplexe ERP-Schemata hinweg; das System unterschied dabei auch semantisch ähnliche Fälle wie Bestellung gegenüber Kauf oder Retoure gegenüber Gutschrift korrekt, woran einfache LLM-Ansätze meist scheitern.

Bei der internen Wissenserschließung richten wir LLMs auf Basis deiner internen Dokumentation ein – Richtlinien, Produktkataloge, Support-Historien und technische Handbücher eingeschlossen. Wir entwerfen dafür die komplette Retrieval-Architektur, also Chunking-Strategie, Embedding-Modell, Vektorspeicher und Kontextzusammenstellung, sodass sich jede Antwort auf ein Quelldokument zurückführen lässt und das Modell nicht über den Inhalt der Wissensbasis hinaus halluziniert. Wir haben für einen europäischen Logistikbetreiber ein Retrieval-System für über 12.000 interne Dokumente entwickelt, mit dem der Kunde die Eskalationszeit im Support gesenkt hat; es läuft vollständig On-Premise, alle Aufrufe bleiben intern.

Bei der Automatisierung von Lieferanten- und Backoffice-Prozessen geht es um Rechnungsverarbeitung, E-Mail-Klassifizierung, den Abgleich von Bestellungen und die Kommunikation mit Lieferanten. Dieselbe Pipeline, die manuell 100 Rechnungen am Tag bewältigt, verarbeitet mit einem Agenten 10.000, bei höherer Konsistenz und einem vollständigen Audit-Trail. Ein Händler für Designermöbel aus Deutschland hat mit diesem Ansatz in einem achtwöchigen Projekt die manuelle Lieferantenkommunikation um 70 Prozent reduziert.

Sieben Referenzen aus dem produktiven Einsatz

Sie stammen aus Handel, Versicherung, Logistik, E-Commerce, Content und Optoelektronik – von einer SQL-Abfragegenauigkeit über 80 Prozent bei procelo tosca bis zu einer Kostensenkung um 40 Prozent bei Shopware:

• procelo tosca: über 80 Prozent SQL-Abfragegenauigkeit über komplexe ERP-Schemata hinweg, Prototyp nach acht Wochen, läuft vollständig in der Infrastruktur des Kunden.
• Händler für Designermöbel (Deutschland): 70 Prozent weniger manuelle Lieferantenkommunikation, Pipeline nach acht Wochen produktiv im Einsatz.
• Versicherungsanbieter (DACH-Raum): monatlich tausende Schadendokumente automatisch klassifiziert und extrahiert, vollständig innerhalb der bestehenden Azure-Umgebung, mit Audit-Trail für die Aufsicht.
• Europäischer Logistikbetreiber: Retrieval-System für über 12.000 interne Dokumente, vollständig On-Premise, kürzere Eskalationszeit im Support.
• Shopware: KI-Copilot mit mehr als zehn KI-gestützten Funktionen wie Flow Builder und automatisch generierten Produktbeschreibungen, Herstellungskosten um 40 Prozent gesenkt.
• Content-Operations-Plattform (Berlin): KI-Assistent unterstützt Autorinnen und Autoren direkt in der Schreiboberfläche mit Hinweisen zu SEO und Lesbarkeit, Partnerschaft seit sieben Jahren produktiv.
• Optik- und Optoelektronikkonzern (Deutschland): KI-gestützte Erkennung von Tierarten und eine zum Patent angemeldete KI-Kolorierung von Nachtaufnahmen, Bildverarbeitungsvolumen verfünffacht.

Governance und Monitoring gehören von Anfang an dazu

Latenzverfolgung, Metriken zur Ausgabequalität, die Bewertung der Abrufgenauigkeit und Regressionstests laufen in jedem Projekt mit, damit Änderungen am Modell oder an den Daten auffallen, bevor Nutzer sie bemerken.

Wir dokumentieren in regulierten Umgebungen die vollständige Kette von der Nutzeranfrage über die Modellausgabe bis zum Quelldokument. Das ist fester Bestandteil jeder Umsetzung.

Erst die Daten, dann das Modell

Bevor die Modellentwicklung beginnt, steht deshalb ein eigener Analyseschritt: Wir prüfen Verfügbarkeit und Qualität der Daten sowie den Ort, an dem sie liegen. Diese Entscheidung bestimmt am Ende, ob ein System produktiv läuft oder nur in der Demo funktioniert.

Wie zuverlässig ein Agent arbeitet, hängt unmittelbar von seiner Datengrundlage ab: Auf sauberen, gut zugänglichen Daten verhält er sich vorhersagbar, während ungelöste Identitätskonflikte und uneinheitliche Schemata in fragmentierten Systemen zu Halluzinationen führen und Projekte am Ende zur Abschaltung bringen – beide Fälle kennen wir aus eigener Erfahrung.

In der Datenbereitschaftsanalyse erfassen wir deine Datenquellen, bewerten ihre Qualität und Vollständigkeit, identifizieren Lücken, die die Modellgenauigkeit beeinträchtigen würden, und prüfen die Integrationspunkte zwischen den bestehenden Systemen und der geplanten KI-Schicht.

Ein Bericht steht am Ende: Er zeigt, was sofort umsetzbar ist und was zunächst Data Engineering braucht. Außerdem nennt er realistische Genauigkeits- und Leistungserwartungen. Sind die Daten noch nicht bereit, helfen wir dabei: Schemanormalisierung, Deduplizierung, Identitätsauflösung und der Aufbau von Pipelines laufen dabei als eigene Phase mit klaren Lieferobjekten.

Eine eigene Entwicklung braucht längst nicht jeder Anwendungsfall. Viele manuelle Abläufe wie Genehmigungsworkflows, Dokumentenverteilung, Dateneingabe aus strukturierten Formularen oder Statusbenachrichtigungen lösen wir wirksamer mit Workflow-Automatisierung oder Integrationswerkzeugen als mit einem LLM. Zeigt die Analyse, dass deterministische Automatisierung der passende Weg ist, empfehlen wir genau diesen Weg.

Eigenentwicklung oder Standardprodukt: die vier Phasen

Nicht jeder KI-Anwendungsfall braucht ein eigens entwickeltes System. Mit Standardprodukten wie Microsoft Copilot, Google Gemini for Workspace oder branchenspezifischen SaaS-KI-Tools löst du viele gängige Probleme schon ausreichend gut.

Eine eigene Entwicklung rechtfertigt sich erst, wenn mindestens einer von drei Gründen zutrifft. Erstens: Daten dürfen aus regulatorischen oder wettbewerblichen Gründen die eigene Infrastruktur nicht verlassen, was bei kommerziellen KI-Produkten auf fremden Servern nicht gegeben ist. Zweitens: Der Anwendungsfall braucht eine tiefe Integration in eigene Daten wie ERP-Schemata, interne Wissensdatenbanken oder Lieferantennetzwerke, die ein allgemeines Werkzeug in der geforderten Genauigkeit nicht leistet. Drittens: Kontrolle über Modell, Prompts, Retrieval-Logik und Monitoring ist nötig, weil kommerzielle Produkte grundsätzlich intransparent sind, was in regulierten Umgebungen ein Compliance-Risiko darstellt.

Trifft keiner dieser Gründe zu, ist ein kommerzielles Produkt meist die richtige Wahl, und das sagen wir dir dann auch so. In der Analysephase beantworten wir genau diese Frage, bevor eine Entwicklungszusage steht.

Die Zusammenarbeit gliedert sich in vier Phasen:

• Datenbereitschaftsanalyse (2–3 Wochen): Wir bewerten deine Datenlandschaft, prüfen Qualität und Zugänglichkeit, identifizieren die wertvollsten Anwendungsfälle und enden mit einer klaren Empfehlung für Eigenentwicklung oder Standardprodukt; abgerechnet als Festpreisprojekt.
• Proof of Concept (6–10 Wochen): Wir liefern einen funktionierenden Prototyp in deiner eigenen Infrastruktur, für einen einzelnen, vorab festgelegten Anwendungsfall mit vereinbarten Genauigkeitsschwellen; ebenfalls ein Festpreisprojekt.
• Produktivsetzung (3–6 Monate): Wir bringen das System vollständig in deine Produktionsumgebung, mit Governance, Monitoring, Integration und einer festgelegten Übergabephase an das Team, das anschließend die Verantwortung übernimmt; die Kalkulation richtet sich nach Systemkomplexität und Integrationsaufwand, abhängig auch vom Datenvolumen.
• Laufende Überwachung und Optimierung (optional): Wir verfolgen Modellleistung und Abrufgenauigkeit; dazu erkennen wir Regressionen frühzeitig. Ändern sich Daten oder Nutzung, passen wir das System an, mit einem festen Entwickler für Kontinuität; Abrechnung als monatlicher Retainer.

KI-Projekte stehen selten für sich allein. Die Datenbereitschaftsanalyse kann zeigen, dass zugrunde liegende Systeme erst modernisiert werden müssen. Genauso kann ein Fractional CTO KI als strategische Priorität festlegen, oder ein Programm zum Abbau technischer Schulden deckt Prozesse auf, die wir mit Automatisierung an der Quelle lösen. Unsere KI-Praxis ist Teil einer größeren Lieferorganisation, die neben Architektur und Entwicklung auch Führung abdeckt: Braucht ein KI-Projekt Arbeit außerhalb der reinen KI-Ebene, übernehmen wir sie direkt und koordinieren sie selbst.