01 — Ansatz
Betrieb schlägt Demo
Wir bauen mit LLMs seit den ersten GPT-3-APIs, und davor haben wir zwanzig Jahre lang Software-Projekte in Betrieb gebracht. Diese zweite Hälfte ist bei KI-Implementierungen die wichtigere. Denn das Muster wiederholt sich gerade überall: Der Prototyp begeistert, dann kommt der echte Datenbestand, der erste Sonderfall, die erste Kostenabrechnung, und das Projekt stirbt leise.
Unsere Implementierungen starten deshalb am anderen Ende. Erst definieren wir, woran Erfolg gemessen wird und was im Fehlerfall passiert. Dann bauen wir das kleinste System, das diesen Maßstab erfüllt. Wo ein fertiges Werkzeug reicht, empfehlen wir das fertige Werkzeug, etwa Langdock für die breite Team-Nutzung. Gebaut wird nur, was gebaut werden muss. Die Übersicht aller Wege steht auf unserer Seite Automationen & KI.
02 — Aktuell
Was sich bei KI-Systemen gerade ändert
Das Model Context Protocol ist 2026 vom Experiment zum Standard geworden. Seit Anthropic MCP Ende 2025 an eine Stiftung unter der Linux Foundation übergeben hat, mit OpenAI, Google und Microsoft als Gründungsmitgliedern, ist die Frage nicht mehr ob, sondern wie man seine Systeme anbindet. Umfragen vom Sommer 2026 zufolge haben rund drei Viertel der Enterprise-KI-Teams bereits MCP-gestützte Agents in Produktion.
Die zweite Zahl gehört daneben: Gartner warnt, dass bis 2027 über 40 Prozent der Agentic-AI-Projekte abgebrochen werden, wegen unklaren Nutzens, steigender Kosten und fehlender Kontrolle. Beide Zahlen zusammen erzählen die eigentliche Geschichte. Die Technik ist reif, die Projekte scheitern am Handwerk drumherum: Evaluierung, Governance, Monitoring.
Unsere Haltung dazu: Wir bauen keinen Agent, für den es kein Erfolgsmaß und keinen Verantwortlichen gibt. Das klingt streng, ist aber der Grund, warum unsere Systeme nach einem Jahr noch laufen.
03 — Disziplin
Agents und Agentic Workflows
Ein Agent unterscheidet sich von einem Chatbot dadurch, dass er mehrstufige Aufgaben selbstständig abarbeitet: Er liest die eingehende Anfrage, sucht die passenden Daten zusammen, entwirft die Antwort, legt den Vorgang im richtigen System ab und meldet sich, wenn er nicht weiterkommt. Typische Fälle bei unseren Kunden sind Angebotsvorbereitung, Rechnungsprüfung, Bewerber-Vorauswahl und Support-Triage.
Entscheidend ist der Zuschnitt: Welche Schritte darf der Agent allein gehen, wo muss ein Mensch freigeben, was passiert bei Unsicherheit. Diesen Zuschnitt erarbeiten wir vor der ersten Zeile Code. Wenn ihr einen Prozess im Kopf habt und wissen wollt, ob er sich als Agent lohnt, meldet euch für einen unverbindlichen Use-Case-Check. Wir sagen auch ehrlich, wenn ein simpler Workflow ohne KI die bessere Antwort ist, so wie wir es bei der KI im Mittelstand regelmäßig tun.
04 — Disziplin
RAG: Antworten aus euren Dokumenten
Retrieval Augmented Generation heißt: Das Modell antwortet nicht aus seinem Trainingswissen, sondern aus euren Dokumenten, mit Quellenangabe. Das klingt einfach und scheitert in der Praxis fast immer an denselben Stellen: schlechtes Chunking, veraltete Dokumentversionen, keine Berechtigungsprüfung beim Abruf. Wir bauen RAG-Pipelines mit sauberer Aufbereitung der Quellen, Zugriffskontrolle auf Dokumentebene und einem Testset aus echten Fragen, gegen das jede Änderung laufen muss, bevor sie live geht.
05 — Disziplin
MCP-Anbindungen an eure Bestandssysteme
Der Wert eines Agents steht und fällt mit seinem Zugriff auf eure Systeme. Über MCP-Server binden wir CRM, ERP, Ticketsystem, Datenbanken und interne APIs so an, dass jedes KI-Werkzeug sie standardisiert nutzen kann, mit sauber definierten Rechten pro Anbindung. Der Vorteil gegenüber Einzelintegrationen: Ihr baut die Anbindung einmal und nutzt sie aus jedem Client, ob eigener Agent, Claude oder ChatGPT.
06 — Disziplin
Direkte API-Integrationen und Kosten-Monitoring
Wenn KI fest in eure Software oder eure Prozesse eingebaut werden soll, integrieren wir die APIs von OpenAI und Claude direkt: Modellwahl nach Aufgabe statt nach Gewohnheit, Prompt-Versionierung, Caching wo möglich und Fallbacks, wenn ein Anbieter klemmt. Dazu gehört von Tag eins ein Kosten-Monitoring pro Use-Case. Token-Kosten wirken einzeln harmlos und werden bei Volumen schnell zur Position im Monatsabschluss. Wir wollen, dass ihr diese Zahl kennt, bevor sie euch kennt. Wächst die Integration zu einem eigenen Produkt oder internen System heran, greift unsere individuelle Programmierung nahtlos weiter.
07 — Betrieb
Evaluierung, Monitoring, Fehlerbehandlung
Ob ein KI-System gut ist, entscheidet sich nicht im Abnahmetermin, sondern in Woche sechs. Deshalb bekommt jede Implementierung von uns drei Dinge mit: ein Evaluierungs-Set aus echten Fällen, das die Qualität messbar macht und bei jedem Modell- oder Prompt-Wechsel erneut läuft. Ein Monitoring, das Antwortqualität, Latenz, Fehlerraten und Kosten sichtbar macht. Und eine definierte Fehlerbehandlung: Was passiert, wenn das Modell Unsinn liefert, die API ausfällt oder ein Fall aus dem Raster fällt. Meist heißt die Antwort: sauber an einen Menschen übergeben statt still scheitern.
Eine KI-Implementierung ist fertig, wenn sie ihre eigenen schlechten Tage bemerkt.
Welcher Prozess soll bei euch zuerst laufen?
Schreib uns kurz, welchen Prozess ihr im Kopf habt und welche Systeme beteiligt sind. Wir sagen ehrlich, ob sich eine Implementierung lohnt, was sie kostet und womit ihr anfangen solltet. Erstgespräch unverbindlich, 30 Minuten.