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?
Der Weg zur passenden KI-Lösung muss nicht über eine aufwendige Eigenentwicklung führen. Unser 5-Stufen-Modell setzt den richtigen Hebel an: so schlank wie möglich, so individuell wie nötig.
Erst wenn eine Stufe nicht ausreicht, gehen wir eine weiter – das spart Budget und bringt schneller Ergebnisse. Die Stufen sind kombinierbar: Häufig ist die eigene Anwendung (Level 4) die Oberfläche für ein Prognosemodell (Level 5), das im Hintergrund rechnet.
02Fünf Level
Level
01AI Services – Bestehende KI-Tools evaluieren und einsetzen
Bevor wir entwickeln, prüfen wir, ob ein marktreifes Tool Ihren Anwendungsfall bereits löst – vom allgemeinen Assistenten bis zur spezialisierten SaaS-Lösung.
Unser Vorgehen auf Level 1
Wir gleichen Ihren Use Case mit verfügbaren Tools ab und bewerten Funktion, Datenschutz, Kosten und den Anschluss an Ihre IT. Oft reicht ein gut konfiguriertes Tool mit gezielten Prompts – die Lösung läuft dann innerhalb weniger Tage. Für Wissensassistenten auf Ihren eigenen Dokumenten setzen wir auf offene, selbst gehostete RAG-Plattformen; die Anbindung Ihrer Quellen ist Arbeit auf Level 3.
Reicht kein bestehendes Tool, gehen wir eine Stufe weiter.
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
Passt kein fertiges Tool, bauen wir Workflows auf Automatisierungsplattformen: n8n, Make.com, Power Automate, Power Apps oder Azure Logic Apps – ohne klassische Softwareentwicklung.
Unser Vorgehen auf Level 2
Wir verbinden bestehende Systeme, APIs und KI-Modelle zu Automatisierungen – mit kurzen Entwicklungszyklen und geringem Anfangsaufwand. Die Plattform wählen wir nach IT-Umfeld, Lizenzlage und Governance; Azure Logic Apps dann, wenn die Lösung in eine bestehende Azure-Landschaft mit eigener Deployment-Pipeline gehört.
Die Grenze: Sobald Flows viele Sonderfälle, eigene Datenhaltung oder echte Testbarkeit brauchen, wird Low-Code teurer als Code. Kommen eigene Oberflächen, externe Nutzer oder hohe Nutzerzahlen dazu, 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
Stoßen Plattformen an ihre Grenzen, verbinden wir KI-Modelle über APIs und Protokolle direkt mit Ihren Systemen – mit voller Kontrolle über Datenflüsse und Modellauswahl.
Unser Vorgehen auf Level 3
Wir binden Sprachmodelle per API an, nutzen Protokolle wie MCP (Model Context Protocol) und bauen Brücken zwischen Ihren Fachsystemen und KI-Diensten. Der Code bleibt schlank, weil wir auf bewährte Modelle setzen, statt alles neu zu bauen. Ein Wissensassistent ist hier vor allem Integrationsarbeit: Wir verbinden die RAG-Plattform (etwa RAGFlow) mit Dateiablagen, Wikis, Dokumentenmanagement und Fachsystemen, regeln Synchronisation und Berechtigungen und binden ihn dort ein, wo Ihre Leute arbeiten.
Dazu gehört, was nach dem ersten Aufruf kommt: Fehlerbehandlung, Rate-Limits, Kosten pro Anfrage, Logging – und ein Modellwechsel ohne Umbau.
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
Reichen Plattformen und Integrationen nicht, entwickeln wir eine eigene Anwendung: Oberfläche, Backend, Datenmodell und Betrieb – mit KI als Teil der Fachlogik, nicht als aufgesetztes Feature.
Unser Vorgehen auf Level 4
Wir bauen Software: eine Weboberfläche für Ihre Nutzer, ein Backend mit Ihrer Fachlogik, ein eigenes Datenmodell und die Anbindung an Ihre Systeme. Die KI-Funktionen – Textverarbeitung, Klassifikation, Recherche, Agenten – laufen über bewährte Modelle per API. Eigenentwicklung ist die Anwendung, nicht das Modell.
Typische Gründe: externe Nutzer oder Kunden, Anforderungen an Rechte, Mandantentrennung oder Revisionssicherheit, ein Prozess, der Ihr Alleinstellungsmerkmal ist – oder Plattformlizenzen, die ab einer gewissen Größe teurer sind als Entwicklung. Geliefert wird mehr als Code: Deployment, Monitoring, Authentifizierung, Datenschutzkonzept und Dokumentation. 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
Steckt die Antwort in Ihren Daten und kein Fremdmodell kennt sie, trainieren wir eigene Prognose- und Klassifikationsmodelle – von der Datengrundlage über die Evaluation bis zum laufenden Betrieb.
Unser Vorgehen auf Level 5
Typische Anwendungen: Absatz- und Bedarfsprognosen, Ausfall- und Wartungsvorhersagen, Preis- und Kapazitätsmodelle, Qualitätsprüfung über Bilddaten. Je nach Fall reicht Gradient Boosting auf strukturierten Daten, oder es braucht ein neuronales Netz oder das Fine-Tuning eines vortrainierten Modells. Lohnend wird die Stufe auch bei hohem Inferenzvolumen, Latenz im Millisekundenbereich, Offline-Betrieb oder Erklärbarkeitspflichten.
Wir starten mit der Datenlage, nicht mit dem Modell: Welche Daten liegen in welcher Qualität über welchen Zeitraum vor, was ist gelabelt? Das entscheidet häufiger über das Projekt als der Algorithmus. Und jedes Modell muss messbar besser sein als die einfachste Alternative – sonst wird es nicht gebaut.
Ein eigenes Modell ist ein Betriebsgegenstand, kein Projekt mit Enddatum: Datenverteilungen verschieben sich, Modellgüte lässt nach. Monitoring, Schwellwerte und Retraining gehören deshalb von Anfang an dazu; bei Modellen, die Personen betreffen, auch Datenqualitätsnachweise und menschliche Aufsicht nach dem EU AI Act. Modell und Trainingspipeline gehören 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
Ob Sie gerade anfangen oder schon konkrete Anwendungsfälle haben: Wir starten beim einfachsten Weg und steigern die Komplexität nur, wenn der Use Case es 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.