KI-Entwicklung
für echte Aufgaben,
nicht für die Demo
Die meisten KI-Entwicklungsprojekte geraten ins Stocken, weil niemand festgelegt hat, wofür die KI eigentlich da ist. Wir gehen von der Aufgabe aus – der Frage, die Ihre Kunden immer wieder stellen, den Inhalten, für die niemand Zeit hat, dem Vorgang, den jemand jeden Morgen von Hand abtippt – und bauen die kleinste Lösung, die sie ordentlich erledigt.
* Assistenten, Agenten und Automatisierung – auf Basis Ihrer eigenen Daten und geprüft, bevor irgendetwas einen Kunden erreicht.
Wo sich KI wirklich auszahlt
Zwei Stellen, an denen sie sich bezahlt macht
KI lohnt sich an zwei Stellen: im Kontakt mit Ihren Kunden, wo sie die Fragen beantwortet, die Ihr Team wieder und wieder beantwortet, und hinter den Kulissen, wo sie die wiederkehrende Arbeit erledigt, die einen Katalog, einen Feed oder eine Auftragswarteschlange am Laufen hält.
Alles andere ist eine Demo. Wir sagen Ihnen lieber, dass sich eine Aufgabe nicht zu automatisieren lohnt, als etwas Beeindruckendes zu bauen, das nach dem ersten Monat niemand mehr nutzt.
Die Arbeit ist gewöhnliche Softwareentwicklung mit einem Modell darin. Sie braucht dasselbe wie jedes andere System – Daten, auf die es zugreifen kann, eine klare Definition von richtig, eine Möglichkeit zu erkennen, wann es falschliegt, und jemanden, der es beheben kann. Deshalb steht diese Leistung neben individueller Softwareentwicklung und API-Entwicklung und Integration statt getrennt davon.
Wenn es darum geht, von der KI-Suche gefunden und zitiert zu werden, statt selbst KI einzusetzen, ist das eine andere Aufgabe – darum kümmern sich unsere SEO- und GEO-Leistungen.
Zwei Seiten derselben Arbeit
01
Im Kontakt mit Kunden
Assistenten, die beim Auswählen, Verstehen oder bei der Fehlersuche helfen – mit Antworten aus Ihrem Katalog, Ihren Richtlinien und Ihrer Dokumentation, in Ihrem Tonfall.
02
Hinter den Kulissen
Produktinhalte im Katalogmaßstab, Klassifizierung und Abgleich über unsaubere Feeds hinweg, Triage und Weiterleitung sowie die Schritte eines Prozesses, die heute jemand von Hand wiederholt.
Was wir entwickeln
Was
wir entwickeln
Sechs Arten von Arbeit – alles Dinge, die wir ausgeliefert haben und weiterhin betreiben. Jede beginnt als kleinste nützliche Version, gemessen daran, wie die Aufgabe vorher aussah.
Siehe auch: Individuelle Softwareentwicklung · API-Entwicklung und Integration · Blog (auf Englisch): AI chatbots for business: what they can and cannot do · Blog (auf Englisch): When does a business need AI development?
Shopping- und Support-Assistenten
Ein Assistent direkt auf der Seite, der bei der Auswahl hilft – er gleicht ab, was jemand beschreibt, mit dem, was Sie tatsächlich vorrätig haben, erklärt den Unterschied zwischen zwei Produkten und übergibt an einen Menschen, wenn es nötig ist. Er arbeitet auf Basis Ihres Katalogs und Ihrer Richtlinien und kann deshalb weder ein Produkt noch einen Liefertermin versprechen, den Sie nicht haben.
Produktinhalte im Katalogmaßstab
Beschreibungen, Vorteile, Meta-Titles, Anwendungs- und Warnhinweise für Tausende Produkte, in einem einheitlichen Hausstil geschrieben und anhand der Herstellerangaben geprüft statt erfunden. So aufbereitet, dass Ihr Team prüft und freigibt, statt neu abzutippen.
Klassifizierung, Abgleich und saubere Daten
Produkte einer Taxonomie zuordnen, Attribute aus Lieferanten-Feeds extrahieren, Dubletten über Kataloge hinweg erkennen und Namen, Marken und URL-Slugs vereinheitlichen. Die unspektakuläre Arbeit, die entscheidet, ob Suche, Filter und Feeds funktionieren.
KI-Agenten, eingebunden in Ihre Systeme
Wo eine Antwort nicht reicht und etwas passieren muss: eine Bestellung weiterbearbeiten, eine Erstattung auslösen, ein Ticket weiterleiten, einen Datensatz aktualisieren. Wir geben dem Modell nur die Werkzeuge, die es für die Aufgabe wirklich braucht, und jede Aktion, die es ausführen kann, lässt sich im Nachhinein prüfen.
Suche, die die Frage versteht
Semantische Suche über Ihre eigenen Inhalte und Ihren Katalog, damit eine Suche in den Worten der Kunden das richtige Produkt oder die richtige Seite findet. Oft wertvoller – und deutlich günstiger im Betrieb – als ein Gespräch.
Guardrails, Evaluation und Kostenkontrolle
Validierte Ausgaben, Ablehnungen, wenn das Modell etwas nicht weiß, Rate Limiting und Missbrauchsschutz, Logs, die Sie einsehen können, und ein Evaluationsdatensatz, der zeigt, ob eine Prompt-Änderung die Ergebnisse verbessert oder verschlechtert hat. Dieser Teil entscheidet, ob eine KI-Funktion den Kontakt mit echtem Traffic übersteht.
Produktiv
im Einsatz
Vier KI-Projekte, die wir gebaut haben und weiterhin betreuen. Kunden nennen wir auf dieser Seite nicht, aber wir erläutern Ihnen gern jedes davon.
Unser eigenes
CogniBot auf dieser Website folgt demselben Muster: Er antwortet aus den eigenen Inhalten dieser Website und sagt Ihnen, wenn die Antwort dort nicht steht, statt die Lücke zu füllen.
Ein Onlinehändler, dessen Assistent die Beratung im Laden ersetzt
Früher bekamen Kunden ihre Beratung über die Ladentheke. Wir haben den Assistenten gebaut, der das online übernimmt – er fragt, was sie bisher verwenden, erklärt die Vor- und Nachteile zweier Optionen und verweist auf das passende Produkt, gestützt auf die Beratungsregeln, die der Kunde bereits veröffentlicht hat, statt auf die eigene Meinung des Modells.
Ein Gesundheits-Marktplatz mit Tausenden Produkten, die beschrieben werden müssen
Ein Katalog für Nahrungsergänzungsmittel, in dem jedes Produkt eine Marke, eine saubere URL, einen Meta-Title und eine Meta-Description, Vorteile, Anwendungs- und Warnhinweise braucht – alles einheitlich, alles anhand der Herstellerangaben überprüfbar. Wir haben die Pipeline gebaut, die Entwürfe auf Basis der eigenen Quellen der Marke erstellt und einem Menschen zur Freigabe vorlegt, dazu den Assistenten im Shop, an den sich Kunden wenden.
Eine Großhandelsplattform, auf der der Prozess von selbst läuft
Lieferanten und Wiederverkäufer handeln über Live-Kataloge; Bestellungen, Fristen, Stornierungen, Erstattungen und die Freigabe von Zahlungen übernimmt das System statt eines Postfachs. Produktdaten kommen unsauber von vielen Lieferanten und müssen in eine einzige Taxonomie überführt werden, bevor jemand darin suchen kann.
Diese Website
Ein Assistent auf Basis unserer eigenen Inhalte, mit validierten Ausgaben, Rate Limiting, Prompt-Caching und einem Ablehnungspfad – klein genug, um ihn an einem Nachmittag durchzulesen, und genau darum geht es. Fragen Sie ihn etwas, das wir nicht veröffentlicht haben, und sehen Sie, wie er genau das sagt.
Von der Idee
zum Live-Betrieb
KI-Projekte laufen auf vorhersehbare Weise schief: eine vielversprechende Demo, dann monatelang niemand, der sagen kann, ob es gut genug ist. Wir legen den Maßstab vor der Entwicklung fest, damit diese Frage immer eine Antwort hat.
01
Aufgabe und Maßstab festlegen
Eine Aufgabe – und woran wir erkennen, dass sie gut genug erledigt wird, um live zu gehen.
02
Ihre Daten bereitstellen
Katalog, Dokumente und Richtlinien in einer Form, die das Modell tatsächlich nutzen kann.
03
Die kleinste nützliche Version bauen
Enger Umfang, geprüfte Ausgaben, ein Ablehnungspfad und Kosten, die Sie vorab kennen.
04
Mit echtem Traffic messen
Beobachten, was Menschen wirklich fragen, korrigieren, was falsch läuft, und den Umfang erst erweitern, wenn sich die Lösung bewährt hat.
Klare
Antworten
Was man uns fragt, bevor es losgeht – auch, was wir nicht versprechen können.
Fast nie. Der größte Nutzen entsteht, wenn man ein gutes allgemeines Modell gut einsetzt: Ihre eigenen Inhalte als Grundlage, eine eng umrissene Aufgabe und eine Prüfung dessen, was zurückkommt. Ein Modell zu trainieren oder per Fine-Tuning anzupassen, ist eine Entscheidung, die wir Ihnen begründen würden, bevor dafür Geld ausgegeben wird.
Der Assistent antwortet nur auf Basis der Informationen, die wir ihm bereitstellen, und wir validieren die Form jeder Antwort, bevor sie einen Kunden erreicht. Steht die Antwort nicht in dem, was er bekommen hat, sagt er das, statt zu raten. Auf unserer eigenen Website sehen Sie das in Aktion – CogniBot antwortet aus den Inhalten dieser Website und aus nichts anderem.
Ihnen. Modell-Konten und API-Schlüssel gehören Ihnen, Prompts und Evaluationen liegen in Ihrem Repository, und die Daten bleiben in Systemen, die Sie kontrollieren. Nichts daran ist darauf ausgelegt, einen Wechsel zu erschweren.
Die Nutzung wird pro Frage abgerechnet, die laufenden Kosten hängen also vom Traffic ab und davon, wie viel Kontext jede Antwort braucht. Darauf legen wir es von Anfang an aus – Wiederholtes cachen, den Kontext knapp halten, Missbrauch per Rate Limiting begrenzen – und nennen Ihnen den erwarteten Monatsbetrag, bevor Sie sich für den Launch entscheiden.
Nächster Schritt
Die Aufgabe zählt,
nicht die Technologie
Beschreiben Sie die Frage, die Ihr Team ständig beantwortet, oder die Arbeit, die jemand jeden Morgen wiederholt. Wir sagen Ihnen, ob KI das richtige Werkzeug dafür ist, wie die kleinste sinnvolle Version aussieht und was Entwicklung und Betrieb kosten würden.