KI-Services KI-Entwicklung
KI-Entwicklung für Unternehmen: Vom fertigen Tool bis zur maßgeschneiderten Lösung
Nicht jedes KI-Projekt braucht eine Eigenentwicklung. Wir zeigen Ihnen den pragmatischen Weg in fünf Stufen – von bestehenden AI Services über No-Code-Automatisierung und API-Integrationen bis zu eigenen Anwendungen und selbst trainierten Modellen.
01Warum
Warum ein Stufenmodell für KI-Entwicklung?
Künstliche Intelligenz ist längst kein Zukunftsthema mehr – sie ist Werkzeug und Wettbewerbsvorteil zugleich. Doch der Weg zur passenden KI-Lösung muss nicht immer über aufwendige Eigenentwicklung führen. Unser 5-Stufen-Modell sorgt dafür, dass Sie genau den richtigen Hebel ansetzen: so schlank wie möglich, so individuell wie nötig.
Wir priorisieren bewusst Geschwindigkeit und Wirtschaftlichkeit. Erst wenn eine Stufe nicht ausreicht, gehen wir eine Stufe weiter. Das spart Budget, reduziert Risiken und bringt schneller Ergebnisse. Die Stufen sind kombinierbar: Häufig ist die eigene Anwendung (Level 4) die Oberfläche für ein eigenes Prognosemodell (Level 5), das im Hintergrund rechnet.
02Fünf Level
Level
01AI Services – Bestehende KI-Tools evaluieren und einsetzen
Bevor wir entwickeln, prüfen wir: Gibt es bereits marktreife Tools, die Ihren Anwendungsfall lösen? Von ChatGPT über spezialisierte SaaS-Lösungen bis hin zu branchenspezifischen KI-Plattformen – der Markt wächst rasant.
Unser Vorgehen auf Level 1
Wir analysieren Ihren konkreten Use Case und gleichen ihn systematisch mit verfügbaren Tools ab. Dabei bewerten wir nicht nur Funktionalität, sondern auch Datenschutz, Skalierbarkeit, Kosten und Integrationsfähigkeit in Ihre bestehende IT-Landschaft. Oft reicht ein gut konfiguriertes bestehendes Tool – ergänzt durch gezielte Prompt-Strategien oder API-Anbindungen – um signifikanten Mehrwert zu schaffen. Das gilt auch für Wissensmanagement: Für Assistenten, die Fragen aus Ihren eigenen Dokumenten beantworten, setzen wir auf offene RAG-Plattformen wie RAGFlow – selbst gehostet, die Daten bleiben im Haus. Die Plattform ist dabei das Werkzeug; die eigentliche Arbeit ist die Anbindung Ihrer Quellen, und die gehört auf Level 3.
Das Ergebnis: Sie sparen Entwicklungszeit und -kosten und haben innerhalb weniger Tage eine funktionsfähige Lösung im Einsatz. Wenn bestehende Tools Ihren Anforderungen nicht gerecht werden, gehen wir nahtlos auf die nächste Stufe über.
AI Services · Tool-Matching
TOOL-KATEGORIE AVV/EU-HOSTING KOSTEN FIT ────────────────────────────────────────────────── SaaS-Assistent A [x] €€ ██████░░ Recherche-Tool B [?] € ████░░░░ Workspace-KI C [x] € ███░░░░░ Eigener Assistent [x] €€ ███████░ ────────────────────────────────────────────────── > match: 2 von 4 · empfehlung: eigener Assistent
Level
02Low & No Code – Automatisierung ohne klassische Entwicklung
Wenn kein fertiges Tool passt, bauen wir Workflows mit leistungsstarken Automatisierungsplattformen. n8n, Make.com, Power Automate, Power Apps und Azure Logic Apps ermöglichen komplexe Prozesse – ohne klassische Softwareentwicklung.
Unser Vorgehen auf Level 2
Auf dieser Stufe verbinden wir bestehende Systeme, APIs und KI-Modelle zu intelligenten Automatisierungen. Der Vorteil: kurze Entwicklungszyklen, geringer initialer Entwicklungsaufwand und hohe Flexibilität. Wir arbeiten plattformübergreifend und wählen je nach IT-Umfeld, Lizenzlage und Governance-Anforderungen die passende Technologie. Azure Logic Apps setzen wir vor allem dann ein, wenn die Automatisierung in eine bestehende Azure-Landschaft mit eigener Governance, Deployment-Pipeline und Netzwerkanbindung eingebettet werden muss.
Grenze dieser Stufe: Sobald Flows viele Sonderfälle, eigene Datenhaltung oder harte Testbarkeit brauchen, wird Low-Code teurer als Code. Power Apps deckt interne Anwendungen mit überschaubarem Funktionsumfang gut ab. Sobald eigene Oberflächen, externe Nutzer, hohe Nutzerzahlen oder Anforderungen jenseits des Plattformrahmens dazukommen, ist Level 4 der richtige Weg.
Low & No Code · Workflow
┌──────────┐ ┌──────────┐ ┌──────────┐
│ TRIGGER │───▶│ KI-MODELL│───▶│ CRM │
│ E-Mail │ │ klassif. │ │ Ticket │
└──────────┘ └────┬─────┘ └──────────┘
│
┌────▼─────┐
│ SLACK │
└──────────┘
n8n · Make · Power Automate · Power Apps · Logic AppsLevel
03APIs & Protokolle – Intelligente Integrationen bauen
Wenn Automatisierungsplattformen an ihre Grenzen stoßen, verbinden wir KI-Modelle über APIs und standardisierte Protokolle direkt mit Ihren Systemen. Das ermöglicht maßgeschneiderte Workflows mit voller Kontrolle über Datenflüsse und Modellauswahl.
Unser Vorgehen auf Level 3
Auf dieser Stufe entwickeln wir individuelle Integrationen: Wir binden große Sprachmodelle (LLMs) über APIs an, nutzen Protokolle wie MCP (Model Context Protocol) für kontextbezogene KI-Anwendungen und schaffen Brücken zwischen Ihren Fachsystemen und KI-Diensten. Der Code bleibt schlank, die Wirkung ist groß – weil wir auf bewährte Modelle und eine schlanke Architektur setzen, statt alles von Grund auf neu zu bauen. Ein Wissensassistent ist auf dieser Stufe vor allem Integrationsarbeit: Wir verbinden die RAG-Plattform mit Ihren Quellen – Dateiablagen, Wikis, Dokumentenmanagement, Fachsysteme –, sorgen für Synchronisation und Berechtigungen und binden den Assistenten per API dort ein, wo Ihre Leute arbeiten. Dazu gehört auch, was danach kommt: Fehlerbehandlung, Rate-Limits, Kostenkontrolle pro Anfrage, Logging und die Möglichkeit, das Modell später ohne Umbau zu wechseln.
Der Vorteil gegenüber No-Code: volle Flexibilität bei der Modellauswahl, granulare Kontrolle über Prompts und Datenverarbeitung, und die Möglichkeit, mehrere KI-Dienste intelligent zu orchestrieren.
APIs & Protokolle · Request
POST /v1/messages tool_use
{
"model": "claude-sonnet-5",
"max_tokens": 1024,
"system": "Du bist der Fachsystem-Assistent …",
"messages": [
{ "role": "user",
"content": "Bestellstatus für Kunde 4711?" }
],
"tools": [{
"name": "erp_lookup",
"input_schema": {
"type": "object",
"properties": { "kunde": { "type": "string" } },
"required": ["kunde"]
}
}]
}
← 200 · 412 ms · erp_lookup("4711") → "versendet"Level
04Eigene Anwendungen – Individuelle Software mit KI im Kern
Wenn Ihre Anforderung an den Rahmen von Plattformen und Integrationen stößt, entwickeln wir eine eigene Anwendung: Webapplikation, Backend, Datenmodell und Betrieb – mit KI als Bestandteil der Fachlogik, nicht als aufgesetztes Feature.
Unser Vorgehen auf Level 4
Auf dieser Stufe bauen wir Software: eine Weboberfläche für Ihre Nutzer, ein Backend mit Ihrer Fachlogik, ein eigenes Datenmodell und eine Anbindung an die Systeme, in denen Ihre Daten liegen. Die KI-Funktionen – Textverarbeitung, Klassifikation, Recherche, Agenten – laufen dabei über bewährte Modelle per API. Nicht das Modell ist hier die Eigenentwicklung, sondern die Anwendung darum herum.
Typische Gründe für diese Stufe: Die Anwendung wird von externen Nutzern oder Kunden verwendet. Es gibt Anforderungen an Rechte, Mandantentrennung oder Revisionssicherheit, die eine Low-Code-Plattform nicht abbildet. Der Prozess ist Ihr Alleinstellungsmerkmal und soll nicht in einem Standardwerkzeug abgebildet werden. Oder die Lizenz- und Nutzerkosten einer Plattform übersteigen ab einer bestimmten Größe die Entwicklungskosten.
Zum Lieferumfang gehört mehr als der Code: Deployment, Monitoring, Authentifizierung, Datenschutzkonzept und eine Dokumentation, mit der Ihr Team die Anwendung selbst weiterentwickeln kann. Der Quellcode gehört Ihnen.
Eigene Anwendungen · Architektur
eigene webapp · architektur
──────────────────────────────────────────────
Frontend React · SSR · Auth (SSO)
│
API-Layer REST · Rechte- & Mandantenlogik
│
┌───┴────────────┬──────────────────┐
│ │ │
Datenbank LLM-API Fachsystem
Postgres Level 3 ERP · DSGVO
──────────────────────────────────────────────
> deploy: CI/CD · monitoring · code = ihr eigentumLevel
05Eigene Modelle & Prediction – Machine Learning auf Ihren Daten
Wenn kein Fremdmodell Ihre Frage beantworten kann, weil die Antwort in Ihren Daten steckt: Wir trainieren eigene Prognose- und Klassifikationsmodelle – von der Datengrundlage über die Evaluation bis zum laufenden Betrieb.
Unser Vorgehen auf Level 5
Auf dieser Stufe entsteht das Modell selbst. Typische Anwendungen: Absatz- und Bedarfsprognosen, Ausfall- und Wartungsvorhersagen, Preis- und Kapazitätsmodelle, Qualitätsprüfung über Bilddaten, Scoring und Klassifikation auf Ihren Bestandsdaten. Je nach Fall reicht ein Gradient-Boosting-Modell auf strukturierten Daten, in anderen Fällen braucht es ein neuronales Netz oder das Fine-Tuning eines vortrainierten Modells.
Wir starten nicht mit dem Modell, sondern mit der Datenlage: Welche Daten liegen in welcher Qualität über welchen Zeitraum vor, wie sind sie erhoben, was ist gelabelt? Diese Prüfung entscheidet über das Projekt – häufiger als die Wahl des Algorithmus. Danach setzen wir eine Baseline: Jedes Modell muss messbar besser sein als die einfachste Alternative, sonst wird es nicht gebaut.
Ein eigenes Modell ist kein Projekt mit Enddatum, sondern ein Betriebsgegenstand. Datenverteilungen verschieben sich, Modellgüte lässt nach. Deshalb gehören Monitoring, definierte Schwellwerte und ein Retraining-Prozess von Anfang an dazu – sonst arbeitet die Prognose nach einem Jahr gegen Sie. Bei Modellen, die Personen betreffen, kommen Anforderungen aus dem EU AI Act hinzu: Dokumentation, Datenqualitätsnachweise und menschliche Aufsicht.
Wann diese Stufe sich lohnt: bei hohem Inferenzvolumen, bei Latenzanforderungen im Millisekundenbereich, bei Offline- oder Edge-Betrieb, bei Erklärbarkeitspflichten – und immer dann, wenn Ihre eigenen Daten das entscheidende Wissen enthalten. Das Modell und die Trainingspipeline gehören dann Ihnen.
Eigene Modelle · Evaluation
modell-evaluation · absatzprognose ────────────────────────────────────────────── # variante MAE MAPE ▁▂▃▄▅▆▇█ 01 baseline (naiv) 842 14.2 % ██ 02 LightGBM 418 6.9 % █████ 03 + feature-set v2 361 5.8 % ███████ 04 + retraining wöch. 347 5.5 % ████████ ────────────────────────────────────────────── > zeitreihe · eigene daten · gegen baseline gemessen
03Daten
Die Basis jeder Stufe: Ihre Daten
Ob Wissensassistent, eigene Anwendung oder Prognosemodell – die Qualität des Ergebnisses hängt an der Datenbasis, nicht am Modell. Deshalb gehört die Arbeit an Struktur, Aufbereitung und Verantwortlichkeiten ab Level 3 zu jedem Projekt. Sie entscheidet häufiger über den Erfolg als die Wahl der Technologie.
01Modellierung & Struktur
Ein Datenmodell, das trägt
Welche Objekte gibt es, wie hängen sie zusammen, welche Schlüssel verbinden sie? Wir modellieren Ihre Fachdaten so, dass Anwendung (Level 4) und Modelle (Level 5) auf derselben Struktur arbeiten – statt auf Tabellen, die sich über Jahre nebeneinander angesammelt haben.
02Aufbereitung & Pipelines
Aus Rohdaten wird eine Quelle
Quellen anbinden, Formate vereinheitlichen, Dubletten und Lücken bereinigen, Historie zusammenführen – als wiederholbare Pipeline, nicht als einmaliger Export. Dieselbe Aufbereitung speist den Wissensassistenten mit Dokumenten und das Prognosemodell mit Trainingsdaten.
03Inventur, Qualität & Governance
Wissen, was da ist – und wer es verantwortet
Eine Dateninventur zeigt, was wo liegt, in welcher Qualität und mit welchen Rechten. Daraus entstehen Qualitätsregeln, Zugriffskonzepte und klare Verantwortlichkeiten – die Grundlage für DSGVO und für die Datenqualitätsnachweise, die der EU AI Act verlangt.
04Einstieg
Ihr Einstieg in die KI-Entwicklung
Egal ob Sie gerade erst anfangen oder bereits konkrete Anwendungsfälle im Kopf haben – unser 5-Stufen-Modell stellt sicher, dass jede Lösung wirtschaftlich sinnvoll und technisch nachhaltig ist. Wir starten immer beim einfachsten Weg und steigern die Komplexität nur, wenn es der Use Case verlangt.
Finden Sie Ihr Level.
[01] AI Services ██░░░░░░░░░░ Tage [02] Low & No Code ████░░░░░░░░ 2–6 Wochen [03] APIs & Protokolle ██████░░░░░░ 4–10 Wochen [04] Eigene Anwendungen █████████░░░ 6–16 Wochen [05] Eigene Modelle ████████████ 6 Wochen – 6 Monate
05FAQ
Häufige Fragen
Was kostet KI-Entwicklung für Unternehmen?
Die Kosten hängen stark vom gewählten Level ab. AI Services (Level 1) erfordern meist nur Lizenzkosten und Konfigurationsaufwand. Bei Low- und No-Code-Automatisierungen (Level 2) ist der Entwicklungsaufwand gering, dafür kommen laufende Plattform- und Lizenzkosten hinzu. API-Integrationen (Level 3) liegen im Aufwand darüber, dafür entfallen Plattformlizenzen und die Lösung ist nicht an einen Anbieter gebunden. Eigene Anwendungen (Level 4) und eigene Modelle (Level 5) erfordern die höchste Investition – bei Level 5 kommen Kosten für Datenaufbereitung, Training und laufendes Monitoring hinzu, die von Anfang an ins Budget gehören. Eine belastbare Zahl gibt es nach dem Erstgespräch, wenn Use Case und Datenlage klar sind.
Wie lange dauert es, eine KI-Lösung zu implementieren?
Level-1-Lösungen sind oft innerhalb weniger Tage einsatzbereit. No-Code-Automatisierungen (Level 2) benötigen in der Regel 2 bis 6 Wochen, API-Integrationen (Level 3) 4 bis 10 Wochen. Eigene Anwendungen (Level 4) planen wir mit 6 bis 16 Wochen bis zur produktiven Nutzung. Bei eigenen Modellen (Level 5) entscheidet die Datenlage: Liegen saubere historische Daten vor, ist ein erstes produktives Prognosemodell in 6 bis 8 Wochen möglich; müssen Daten erst erhoben, bereinigt oder gelabelt werden, sind es 4 bis 6 Monate. Wir arbeiten in allen Fällen mit einem MVP-Ansatz, der früh messbare Ergebnisse liefert.
Können wir KI mit unseren eigenen Dokumenten und unserem Unternehmenswissen nutzen?
Ja – das ist einer der häufigsten Anwendungsfälle. Verträge, Handbücher, Wiki-Seiten, Projektakten: Ein Wissensassistent beantwortet Fragen aus Ihren Dokumenten und nennt die Quelle. Wir setzen dafür auf offene RAG-Plattformen wie RAGFlow, selbst gehostet, sodass die Daten im Haus bleiben. Die eigentliche Arbeit liegt in der Anbindung: Wir verbinden die Plattform mit Ihren Quellen – Dateiablagen, Wikis, Dokumentenmanagement, Fachsysteme –, kümmern uns um Synchronisation und Zugriffsrechte und binden den Assistenten in Ihre Systeme ein (Level 3). Vorab klären wir die Dokumentenlage: Struktur, Aktualität und wer was sehen darf.
Welche Daten brauchen wir für ein eigenes KI-Modell?
Das hängt vom Anwendungsfall ab, aber drei Punkte gelten fast immer: Es braucht Historie (bei Prognosen mindestens zwei bis drei Jahre, um Saisonalität abzubilden), es braucht ein klares Zielsignal – also die Größe, die vorhergesagt werden soll, verlässlich gemessen – und es braucht dokumentierte Datenherkunft. Fehlende Daten sind kein Ausschlusskriterium: Häufig starten wir mit einer Datenprüfung, deren Ergebnis auch lauten kann, dass Level 2 oder 3 die wirtschaftlichere Lösung ist.
Unsere Daten liegen verteilt und in unterschiedlicher Qualität – geht KI trotzdem?
Ja, das ist der Normalfall. Kaum ein Unternehmen startet mit einer sauberen Datenbasis. Wir beginnen deshalb mit einer Dateninventur: Was liegt wo, in welcher Qualität, wer ist verantwortlich? Daraus ergeben sich Datenmodell und Aufbereitung – häufig der größte Teil eines KI-Projekts. Das Ergebnis trägt weiter als der einzelne Use Case: Die aufbereitete Datenbasis steht danach auch für weitere Anwendungen bereit.
Wer betreibt die Lösung nach dem Projekt?
Das entscheiden Sie. Wir liefern Quellcode, Dokumentation und Deployment so, dass Ihr Team übernehmen kann. Alternativ übernehmen wir Betrieb und Weiterentwicklung – bei eigenen Modellen (Level 5) empfehlen wir das für die erste Zeit, weil Modellgüte überwacht und das Modell regelmäßig neu trainiert werden muss.
Welche Branchen profitieren am meisten von KI-Entwicklung?
Grundsätzlich jede Branche mit datengetriebenen Prozessen. Besonders stark sehen wir Ergebnisse im E-Commerce, in der Finanzbranche, im produzierenden Gewerbe, in der Logistik und im Customer Service. Entscheidend ist nicht die Branche, sondern ob ein klarer, messbarer Use Case vorliegt.