Leistungen
KI-Engineering
KI ist bei uns kein Geschäftsfeld neben den anderen, sondern zwei Dinge: eine Fähigkeit im Produkt und eine Arbeitsweise im Team.
Wann wir richtig sind — und wann nicht
Wo KI trägt — und wo sie nur teuer ist.
Richtig, wenn …
- Sie haben Zeitreihen- oder Sensordaten und wollen daraus Entscheidungen ableiten, nicht nur Diagramme.
- Ein Sprachmodell soll in ein bestehendes Produkt, nicht daneben.
- Sie müssen klären, wo die Daten verarbeitet werden dürfen, bevor die Technik entschieden wird.
- Ihr Team soll agentengestützt arbeiten, ohne die Nachvollziehbarkeit zu verlieren.
Falsch, wenn …
- Es gibt noch keine belastbare Datengrundlage — dann ist Datenengineering der erste Schritt, nicht das Modell.
- Ein Regelwerk löst das Problem nachweislich besser und billiger.
- Sie erwarten ein Modell, das ohne menschliche Freigabe sicherheitsrelevant eingreift.
- Das Ziel ist ein Demonstrator für eine Messe, kein produktiver Einsatz.
1. KI im Produkt
Prognose und Zeitreihenanalytik
Vorhersagemodelle für Strompreis, Erzeugung und Verbrauch als Grundlage automatisierter Lastentscheidungen — trainiert und ausgewertet auf hochauflösenden Zeitreihen mit Python, Pandas, NumPy und scikit-learn gegen TimescaleDB.
Anomalieerkennung und Predictive Maintenance
Auswertung von Maschinen- und Sensordaten zur Früherkennung von Ausfällen, mit Kafka als Grundlage für Echtzeit-Event-Streaming, Erkennungs- und Alarmierungslogik.
Sprachmodelle in der Anwendung
Integration großer Sprachmodelle in Produktoberflächen — als Sprachassistent über eine STT → LLM → TTS-Pipeline zur natürlichsprachlichen Abfrage technischer Systeme oder als kontextbezogene Hilfe- und Auswertungsfunktion auf produktinternen Daten.
Computer Vision
Bild- und Dokumentenerkennung mit OpenCV und OCR, unter anderem zur automatisierten Prüfung von Ausweisdokumenten auf mobilen Endgeräten.
2. Agentengestützte Entwicklung
Wir setzen KI-Agenten produktiv im eigenen Entwicklungsprozess ein — eingebettet in die bestehende GitLab-Toolchain und abgesichert durch dieselben Qualitätsgates wie handgeschriebener Code.
- Orchestrierte Agenten-Teams — spezialisierte Implementierungs- und Review-Agenten arbeiten arbeitsteilig; ein separater Review-Agent prüft jede Änderung, bevor sie in den menschlichen Review geht.
- Ticket-getriebener Workflow — Agenten arbeiten nur auf Issues, die eine Definition of Ready durchlaufen haben. Anforderungen, Akzeptanzkriterien und Scope stehen vor dem ersten Commit.
- Verankerung in CI/CD — jede agentenerzeugte Änderung durchläuft Build, Unit-, Integrations- und E2E-Tests sowie statische Analyse. Nichts umgeht die Pipeline.
- Werkzeugintegration über MCP — Anbindung an Repository, Issue-Tracker, Dokumentation und Testumgebungen, damit Kontext nicht manuell nachgereicht werden muss.
- Automatisierte Routineläufe — Headless-Betrieb für Dependency-Updates, Testabdeckungs-Analysen, Dokumentationsabgleich und Refactoring-Vorschläge.
- Mensch in der Verantwortung — Architektur, Sicherheitsrelevantes und die finale Freigabe bleiben beim Menschen. Agenten beschleunigen die Umsetzung; sie ersetzen weder Review noch Verantwortung.
Diese Erfahrung geben wir als Beratungs- und Schulungsleistung weiter: Einführung in bestehende Teams, Bewertung von Werkzeugen, Absicherung über Qualitätsgates sowie Datenschutz- und Compliance-Fragen beim Einsatz kommerzieller Modelle.
3. Betrieb, Datenhoheit und Modellauswahl
Bei industriellen Kunden steht eine Frage regelmäßig vor der Technik: Wo dürfen die Daten verarbeitet werden?
- Bewertung von Cloud-API, dediziertem Hosting und vollständigem Self-Hosting — inklusive Kosten-, Hardware- und Energiebetrachtung statt Bauchgefühl.
- Datenschutz- und Vertraulichkeitsstufen kommerzieller Anbieter, Trainingsdaten-Ausschluss, Aufbewahrung.
- Architektur für den hybriden Fall: sensible Verarbeitung lokal, unkritische Last extern.
- Betrieb und Monitoring von Inferenz-Workloads im eigenen Observability-Stack.
Technologien
Typisches Projektvolumen
Was ein Projekt bei uns kostet.
Tagessatz 480–960 € je nach Einsatzart
Unter 10 Personentagen lohnt sich unser Einarbeitungsaufwand für Sie nicht. Eine Bewertung von Datenhoheit und Modellauswahl ist auch als kurzer Einstieg möglich.
Häufige Fragen
Setzen Sie KI-Agenten auch in Kundenprojekten ein?
Ja, innerhalb definierter Leitplanken. Agenten arbeiten ausschließlich auf Issues, die eine Definition of Ready durchlaufen haben; jede Änderung durchläuft Build, Unit-, Integrations- und E2E-Tests sowie statische Analyse. Architekturentscheidungen, Sicherheitsrelevantes und die Freigabe bleiben beim Menschen.
Was passiert mit unserem Quellcode?
Das klären wir vor Projektbeginn schriftlich. Wir bewerten Cloud-API, dediziertes Hosting und vollständiges Self-Hosting, prüfen Trainingsdaten-Ausschluss und Aufbewahrungsfristen der Anbieter und entwerfen bei Bedarf den hybriden Fall: sensible Verarbeitung lokal, unkritische Last extern.
Woran erkennen wir, dass der Einsatz etwas gebracht hat?
An denselben Kennzahlen wie sonst: Durchsatz, Testabdeckung, Fehlerdichte nach Release. Der Zweck der freigewordenen Kapazität ist bei uns ausdrücklich Testtiefe, nicht Feature-Menge — und das ist messbar.
Kontakt
Ansprechpartner
Softwarearchitektur & technische Projektleitung