AI & Automatisierung
AI, wo sie sich lohnt. Automatisierung, wo einfache Regeln genügen.
Der grösste Nutzen von AI im Unternehmen entsteht durch die richtige Anbindung: an Ihre Dokumente, Ihr CRM, Ihr Postfach und an einen Menschen, der freigibt, was wichtig ist. Das Modell ist nur ein Teil des Systems; Daten, Integrationen, Berechtigungen und Evaluation entscheiden mit darüber, ob es nützlich ist.
Wir konzipieren und bauen regelbasierte Automatisierungen, AI-gestützte Workflows, interne Wissensassistenten, Chat für Ihre Kundschaft, Agenten mit Zugriff auf Tools und eigene AI-Anwendungen. Diese Ansätze unterscheiden sich stark in Kosten, Zuverlässigkeit und Risiko, und ein Teil unserer Arbeit ist, die einfachste Lösung zu empfehlen, die das Problem tatsächlich löst.
Wir beginnen bei der Aufgabe, den Menschen, die sie erledigen, und dem Ergebnis, das besser werden soll. Die Technologie ergibt sich daraus.
Wo man beginnt
Die meisten Projekte beginnen mit der AI-Strategie & Potenzialanalyse oder mit einer einzelnen, gezielten Automatisierung. Beides sind kleine, klar umrissene Aufträge, die zeigen, wo sich AI lohnt, bevor etwas Grösseres gebaut wird.
Vier Bereiche, zwölf Leistungen.
AI-Beratung & Strategie
AI-Agenten & Automatisierung
AI-Entwicklung & Integration
AI-Einführung & Betreuung
AI-Strategie & Potenzialanalyse
Finden Sie heraus, wo AI sich lohnt, wo einfache Automatisierung genügt und wo weder AI noch Automatisierung sinnvoll ist.
Nicht jeder Prozess braucht künstliche Intelligenz. Oft liegt das beste Ergebnis in einer Mischung aus einfacher Automatisierung, besser verbundener Software und wenigen, sorgfältig gewählten AI-Funktionen.
Wir sehen uns an, wie Ihr Team arbeitet, welche Tools es nutzt und wo Handarbeit oder verstreute Informationen bremsen. Dann benennen wir realistische Möglichkeiten und helfen zu entscheiden, welche sich zuerst lohnen.
Was wir liefern
- Interviews und Aufnahme der Abläufe
- Übersicht über Tools, Datenquellen und Zugriffe
- Bewertung jeder Möglichkeit nach Nutzen, Machbarkeit und Risiko
- Eine Empfehlung je Aufgabe: Automatisierung, AI-gestützt oder manuell
- Überlegungen zu Datenschutz und Sicherheit
- Definition eines Pilotprojekts mit Erfolgskriterien
- Schätzung von Umsetzungs- und Betriebskosten
- Priorisierter Umsetzungsplan
Für wen
Unternehmen, die AI zum ersten Mal angehen, oder Organisationen, die über vereinzelte AI-Experimente hinauskommen wollen.
Gut zu wissen
Eine Analyse kann zum Schluss kommen, dass gewöhnliche Softwareverbesserungen oder regelbasierte Automatisierung mehr bringen als ein AI-System. Das ist ein nützliches Ergebnis, kein Misserfolg.
Automatisierung, Assistenten, Agenten: Wo liegt der Unterschied?
Diese Ansätze unterscheiden sich darin, wie vorhersehbar sie sind, was ihr Betrieb kostet und wie viel Testaufwand sie brauchen. Den einfachsten zu wählen, der die Aufgabe erfüllt, ist ein grosser Teil eines zuverlässigen Systems. In jedem Fall bleiben Entscheidungen mit finanziellen, rechtlichen oder reputationsbezogenen Folgen bei einem Menschen.
Regelbasierte Automatisierung
Eine feste Abfolge von Schritten, ausgelöst durch ein Ereignis, ohne Sprachmodell.
Vorhersehbar, günstig im Betrieb und leicht zu testen. Die richtige Wahl, wann immer sich die Schritte als Regeln beschreiben lassen.
BeispielEin Formular legt einen Datensatz im CRM an, weist eine Aufgabe zu und verschickt eine Benachrichtigung.
AI-gestützter Workflow
Eine Automatisierung mit einem oder zwei AI-Schritten: eine E-Mail lesen, eine Anfrage einordnen, Felder auslesen.
Verarbeitet uneinheitlich strukturierte Informationen, an denen Regeln scheitern. Das Ergebnis wird gegen eine feste Struktur geprüft, unsichere Fälle gehen an einen Menschen.
BeispielEingehende Rechnungen werden gelesen, mit der Bestellung abgeglichen und bei Abweichungen zur Prüfung vorgelegt.
Chat-Assistent
Eine Chat-Oberfläche, die Fragen beantwortet und Angaben aufnimmt, beschränkt auf freigegebene Inhalte.
Die Qualität hängt von den Inhalten ab, aus denen er schöpft, und von klaren Regeln für die Übergabe an einen Menschen.
BeispielEin Website-Assistent erklärt die Leistungen und bereitet eine Anfrage für das Team vor.
Wissenssystem (RAG)
Ein Assistent, der Abschnitte aus Ihren Dokumenten sucht und daraus antwortet, mit Quellenangaben.
Die Quellen jeder Antwort lassen sich prüfen; ob sie richtig ist, muss getestet werden. Braucht gepflegte Dokumente, eine Suche, die Berechtigungen respektiert, und regelmässige Qualitätskontrollen.
BeispielEin Mitarbeiter fragt, wie ein Ablauf funktioniert, und erhält die Schritte mit Links zu den Quelldokumenten.
Agent mit Tool-Zugriff
Ein Modell, das zwischen freigegebenen Tools wählt und in mehreren Schritten auf ein Ziel hinarbeitet.
Flexibel bei wechselnden Aufgaben, aber weniger vorhersehbar, teurer und schwieriger zu testen. Braucht enge Berechtigungen, Limits und Freigabepunkte.
BeispielEin Agent prüft eine Bestellung, liest die Rückgaberichtlinie und schlägt eine Lösung vor, die eine Mitarbeiterin freigibt.
Eigene AI-Anwendung
Ein neues Produkt oder internes Tool rund um eine AI-Fähigkeit, mit eigener Oberfläche, eigenen Konten und Daten.
Der grösste Aufwand und die grösste Kontrolle. Sinnvoll, wenn kein bestehendes Tool passt und die Fähigkeit im Zentrum der Arbeit steht.
BeispielEine geschützte Anwendung, in der Mitarbeitende Verträge hochladen, Klauseln vergleichen und strukturierte Entwürfe erstellen.
So arbeiten wir
Von einem klar definierten Problem zu einem funktionierenden System.
Verstehen
Wir beginnen beim Geschäftsprozess, den beteiligten Menschen und dem Ergebnis, das besser werden soll, und prüfen bestehende Tools, Daten und Rahmenbedingungen.
Definieren
Wir legen Umfang, Abhängigkeiten und Erfolgsmessung fest. Wo möglich, ist der erste Schritt ein einzelner, gezielter Anwendungsfall, der getestet werden kann, bevor etwas ausgeweitet wird.
Prototyp
Wir testen die riskantesten technischen Annahmen an repräsentativen Beispielen. So zeigen sich Grenzen früh, und der Ansatz lässt sich vor der eigentlichen Umsetzung anpassen.
Bauen & integrieren
Wir entwickeln die Lösung, binden die freigegebenen Systeme an und richten Schnittstellen, Berechtigungen und Betriebsregeln ein.
Validieren
Wir testen repräsentative Szenarien, auch fehlerhafte Eingaben, fehlende Daten und Aktionen, die eine menschliche Freigabe brauchen.
Einführen & verbessern
Wir bereiten das System auf den Alltag vor, dokumentieren es und vereinbaren Monitoring, Betreuung und nächste Schritte.
Verantwortung im Design
Intelligente Systeme brauchen klare Grenzen.
AI-Systeme können mit Geschäftsinformationen, Kundendaten und betrieblichen Abläufen arbeiten. Ihr Design sollte dieser Verantwortung gerecht werden.
Quellenbasiert
Wo Fakten zählen, antworten Systeme aus relevanten, freigegebenen Quellen statt aus dem Allgemeinwissen des Modells.
Kontrolliert
Systeme handeln nur innerhalb ausdrücklich festgelegter Berechtigungen. Sensible Aktionen brauchen die Freigabe eines Menschen, bevor sie ausgeführt werden.
Geprüft
Systeme werden an realistischen Beispielen getestet, auch an Fällen, in denen die richtige Antwort lautet, dass Informationen fehlen oder ein Mensch übernehmen soll.
Wartbar
Jede Einführung hat Dokumentation, Monitoring, eine verantwortliche Person und einen praktikablen Weg zur Verbesserung.
Datenverarbeitung, Hosting-Region, Modellanbieter und Aufbewahrungseinstellungen werden beim Scoping festgelegt. Müssen Daten innerhalb der eigenen Unternehmensinfrastruktur bleiben, prüfen wir selbst betriebene Modelle oder eine ausdrücklich freigegebene private Umgebung. Regionale Cloud-Dienste können Anforderungen an den Speicher- und Verarbeitungsort erfüllen, sind aber nicht mit einer Verarbeitung ausschliesslich innerhalb der eigenen Infrastruktur gleichzusetzen. Jede Variante hat eigene Abwägungen bei Qualität, Kosten und Wartung.
Fragen
Nein. Die meisten Projekte beginnen mit einem betrieblichen Problem, nicht mit einer technischen Spezifikation. Wir können den aktuellen Ablauf ansehen und gemeinsam klären, ob Automatisierung, ein Assistent, eine eigene Anwendung oder eine einfachere Softwareänderung der richtige Weg ist.
Oft ja. Das hängt von verfügbaren APIs, Integrationen, Berechtigungen und technischen Grenzen ab. Wir prüfen das, bevor wir den Ansatz bestätigen.
Nicht unbedingt. Wo es praktikabel ist, arbeiten wir mit der Software, die Sie bereits nutzen, und verbinden sie. Ein Ersatz lohnt sich nur, wenn die bestehende Plattform Grenzen setzt, die sich nicht vernünftig umgehen lassen.
Nur dort, wo Sie es so festlegen. Routinemässige Schritte mit geringem Risiko können automatisch laufen. Sensible Aktionen können eine Bestätigung durch einen Menschen verlangen, und die Berechtigungen folgen dem Geschäftsprozess.
Das hängt vom Anbieter und den Bedingungen des genutzten Dienstes ab. Die Business-APIs der grossen Anbieter trainieren in der Regel standardmässig nicht mit Kundendaten, die Bedingungen unterscheiden und ändern sich aber. Deshalb prüfen wir sie für Ihren Fall, bevor produktive Daten angebunden werden. Private Chat-Abos sind keine geeignete Grundlage für vertrauliche Abläufe.
Das hängt von der Aufgabe ab. Modelle von Anbietern wie Anthropic oder OpenAI, genutzt über ihre Business-APIs, werden pro Projekt nach Qualität bei Ihren Beispielen, Kosten, Datenschutzbedingungen und Hosting-Region gewählt. Die Anwendung ist so gebaut, dass sich das Modell später wechseln lässt.
Wir vereinbaren die Kriterien vor der Umsetzung. Je nach Projekt sind das gesparte Zeit, wegfallende manuelle Schritte, Abschlussquoten, Antwortqualität, Fehlerquoten, Verarbeitungskosten oder wie viele Mitarbeitende das System tatsächlich nutzen.
Ja. Ein gezielter Pilot ist oft der praktischste Weg, einen Ansatz zu testen und seinen Nutzen zu prüfen, bevor man sich auf eine grössere Umsetzung festlegt.
Die Komplexität des Ablaufs, Integrationen, Datenqualität, Sicherheitsanforderungen, Berechtigungen, Tests und Wartung. Abos von Drittanbietern, Cloud-Infrastruktur und Modellnutzung verursachen laufende Kosten, die wir vorab schätzen.
Ja, als eigene Vereinbarung, passend zum Projekt. Dazu können Monitoring, technische Korrekturen, die Pflege von Integrationen, aktualisierte Evaluationen und die Weiterentwicklung gehören.
Aktuelle Modelle beherrschen viele Sprachen gut, die Qualität variiert aber je nach Sprache und Aufgabe. Wir testen jede Sprache vor dem Launch mit repräsentativen Beispielen.
In der Regel eine Beschreibung des Ablaufs oder Problems, wo sinnvoll Zugang zu den relevanten Systemen, repräsentative Beispieldaten und eine Person, die wichtige Entscheidungen prüfen und freigeben kann. Die Details klären wir in der ersten Phase.
AI, wo sie sich lohnt. Automatisierung, wo einfache Regeln genügen.