KI-Automatisierung
für Unternehmen.
Workflows, die verstehen.

Ein KI-Schritt im Workflow ist ein eng definierter Baustein: Klassifiziere diese Mail, extrahiere diese Felder aus dieser Rechnung, fasse diesen Text zusammen. Eingabe rein, Ausgabe raus, der Workflow geht definiert weiter. Ein AI-Agent dagegen entscheidet selbst, welche Tools er nutzt und in welcher Reihenfolge — er hat einen Auftrag, keinen festen Ablaufplan. In der Praxis ist die KI-Automatisierung das robustere, vorhersagbarere Werkzeug, weil ihr genau wisst, was wo passiert. Agents sind interessant, wenn die Aufgabenstellung wirklich variabel ist. Für 80 % der Mittelstands-Use-Cases reicht ein Workflow mit eingebauten KI-Steps völlig — und ist leichter zu warten.

Pro Use-Case unterschiedlich. Für robuste Klassifikation und Extraktion in Workflows arbeiten wir meistens mit Claude (Sonnet oder Haiku) oder GPT-4-Class-Modellen über die API. Wenn Daten nicht das Haus verlassen sollen, hosten wir lokale Modelle (Llama, Mistral, Qwen) per Ollama oder vLLM. Für simple Klassifikationen reicht oft ein kleines, günstiges Modell. Für strukturierte Extraktion aus komplexen Dokumenten lohnt sich ein stärkeres Modell — die paar Cent mehr pro Aufruf sparen Stunden an Nacharbeit. Modellwahl ist Teil unseres Audits, nicht eine Hype-Entscheidung.

Die laufenden Kosten pro Aufruf hängen vom Modell und der Textmenge ab — bei API-Modellen sind das oft Bruchteile von Cent bis wenige Cent pro Verarbeitung. Bei einem Workflow mit 1.000 Dokumenten im Monat bleibt das überschaubar. Lokal gehostete Modelle haben keine Per-Aufruf-Kosten, dafür Server-Aufwand. Der entscheidende Faktor ist meistens nicht die KI-Rechnung, sondern der Aufwand für Entwicklung, Prompt-Engineering, Tests und Anbindung. Genau das ist unser Job — keine pauschalen Preise von der Stange, sondern eine konkrete Schätzung nach kurzem Vorgespräch.

Ja, wenn richtig aufgesetzt. Wir kombinieren drei Bausteine: 1) self-hosted n8n oder Make.com Enterprise auf EU-Servern als Orchestrator — eure Workflow-Logik bleibt im Haus, 2) für die KI-Schritte EU-gehostete Endpunkte (Claude bei Anthropic mit EU-Hosting, Azure OpenAI in EU-Regionen) oder lokale Modelle, 3) Daten-Maskierung an sensiblen Stellen, bevor sie das eigene Netz verlassen. Welche Variante passt, hängt von eurer Datenklassifikation ab. Pauschal lässt sich nicht sagen "KI = DSGVO-Problem" — die meisten Mittelstands-Setups lassen sich sauber lösen.

Zuverlässiger als die meisten Mittelständler denken — aber kein 100-%-Werkzeug. Für strukturierte Aufgaben (Klassifizieren in 5–10 Kategorien, Extraktion definierter Felder, Sentiment) erreichen wir nach sauberem Prompt-Engineering und Tests gegen reale Daten oft Genauigkeiten von 95–99 %. Für die letzten paar Prozent bauen wir Eingriffspunkte ein: niedrige Modell-Confidence triggert eine menschliche Prüfung, kritische Felder werden validiert, alle Aktionen sind geloggt. So liefert das Setup planbare Qualität und gleichzeitig einen sauberen Fallback.

Ja. Für Workflows mit hohem Volumen oder sensiblen Daten setzen wir lokale Sprachmodelle ein — typischerweise Llama, Mistral oder Qwen, betrieben mit Ollama oder vLLM auf eurem Server (oder einem Hetzner-Server in Deutschland). n8n läuft sowieso self-hosted bei uns. Damit verlässt kein einziger Token eure Infrastruktur. Der Trade-off: lokale Modelle sind nicht ganz auf dem Niveau der besten Cloud-APIs und brauchen GPU-Ressourcen. Für viele Use-Cases (Klassifikation, einfache Extraktion, kurze Zusammenfassungen) reicht das mehr als aus.

Wir starten mit einem kurzen Vorgespräch — 30 Minuten, in denen wir verstehen, welche Workflows bei euch heute manuelle Arbeit verbrennen, wo Texte oder Dokumente verarbeitet werden und wo KI realistisch helfen könnte. Daraus entsteht ein konkretes, unverbindliches Angebot. Typischer Ablauf: Audit und Pipeline-Design (2–3 Wochen), erster KI-gestützter Workflow live (4–6 Wochen), danach schrittweise Erweiterung. Wir arbeiten ohne 12-Monats-Mindestlaufzeiten. Wenn ein KI-Step nicht den erwarteten Nutzen liefert, schalten wir ihn ehrlich ab — kein Festhalten an Lieblings-Tools.