KI für Unternehmen

Zuerst setzen wir uns mit Ihnen zusammen und verstehen Ihr Tagesgeschäft: Welche wiederkehrenden Aufgaben kosten die meisten Stunden, und wo gehen Informationen zwischen Abteilungen verloren? Darauf aufbauend schlagen wir ein oder zwei konkrete, messbare Anwendungsfälle vor – statt eines riesigen Projekts auf einmal. Ziel ist, mit etwas zu beginnen, das innerhalb weniger Wochen sichtbare Ergebnisse bringt, nicht mit der auffälligsten Technologie.

Wir arbeiten mit KMU aus Industrie, Großhandel und Dienstleistung an Projekten wie automatisierter Angebotserstellung, Klassifizierung von Kunden-E-Mails, automatischer Rechnungserfassung oder internen Assistenten für die Suche in Dokumentationen. Wir zeigen Ihnen gern konkrete Fälle aus der Branche, die Ihrer am nächsten kommt, und stellen auf Wunsch den Kontakt zu einem Kunden her, der Ihnen aus erster Hand berichtet.

ChatGPT Enterprise und Copilot sind hervorragende Allzweck-Assistenten, lassen sich aber nicht nativ an Ihr ERP, CRM oder Ihre internen Datenbanken anbinden und führen keine Geschäftsprozesse durchgängig aus. Wir entwickeln Agenten und Automatisierungen, die in Ihren Systemen lesen und schreiben, Ihre Regeln anwenden und alles nachvollziehbar protokollieren. Anders gesagt: ChatGPT antwortet, eine maßgeschneiderte Lösung handelt – direkt in Ihren Abläufen.

Für einzelne Aufgaben wie Texte verfassen, zusammenfassen oder Dokumente analysieren reichen Standard-Copilots meist aus. Sobald ein Anwendungsfall mehrere Systeme orchestrieren, eigene Logik abbilden, einen wiederkehrenden Prozess automatisieren oder Funktionen für Endkunden bereitstellen soll, stoßen generische Produkte an ihre Grenzen. Dann lohnt sich eine Individualentwicklung, die genau zu Ihren Abläufen passt.

An Tag 1 arbeitet Ihr Team wie gewohnt weiter: Die KI wird parallel bereitgestellt und nur für klar abgegrenzte Pilotfälle aktiviert. In den ersten Wochen entsteht für die Schlüsselpersonen ein zusätzlicher Aufwand für Validierung und Feedback, um Antworten zu korrigieren und das Modell zu verfeinern. Ab dem zweiten oder dritten Monat sinkt dieser Aufwand, und das Team gewinnt bei den automatisierten Aufgaben spürbar Zeit zurück. Wir planen die Einführung in Phasen, damit sie nie mit Ihren Spitzenzeiten kollidiert.

Wir statten das System mit Leitplanken aus: automatische Prüfungen, Konfidenzschwellen und Human-in-the-Loop bei sensiblen Fällen, sodass unsichere Antworten an einen Menschen eskaliert werden, bevor sie versendet werden. Jeder Fehler wird mit Kontext in einem Incident-Dashboard protokolliert. So können wir ihn reproduzieren, Prompt oder Quelldaten korrigieren und das Modell bei Bedarf neu trainieren. Außerdem legen wir gemeinsam mit Ihnen fest, welche Anwendungsfälle autonom laufen dürfen und welche immer eine menschliche Prüfung erfordern.

Ein klar abgegrenzter Pilot ist in der Regel nach 4–8 Wochen einsatzbereit, mit sichtbaren, wenn auch begrenzten Ergebnissen. Der vollständige Einsatz in Ihren Kernprozessen stabilisiert sich zwischen dem 3. und 6. Monat, sobald das Modell mit echten Daten abgestimmt und das Team geschult ist. Ab dem ersten Jahr geht es in die kontinuierliche Verbesserung und die Ausweitung auf neue Anwendungsfälle. Hinter dem Versprechen, alles in wenigen Wochen komplett auszurollen, verbergen sich meist spätere technische Schulden.

Nein. Alles, was wir entwickeln, wird dokumentiert, und Software, Daten und Workflows gehören Ihnen. Wo immer möglich setzen wir auf offene Standardtechnologien und entwerfen eine Abstraktionsschicht, mit der sich Modell oder Anbieter wechseln lassen, ohne das System neu aufzubauen. Sie sollen bei Interconecta bleiben, weil die Ergebnisse stimmen – nicht wegen technischer Abhängigkeit.

Wir arbeiten mit einem Multi-Modell-Ansatz: GPT-4o und o1 von OpenAI, Claude Sonnet und Opus von Anthropic, Gemini von Google sowie Open-Source-Modelle wie Llama 3 oder Mistral, wenn der Fall es erfordert. Die Wahl hängt vom Anwendungsfall ab: komplexes Reasoning, Latenz, Kontextfenster, multimodale Fähigkeiten oder die Notwendigkeit eines On-Premise-Betriebs. Die Abstraktionsschicht ist so gestaltet, dass sich das Modell austauschen lässt, ohne die Geschäftslogik neu zu schreiben.

Wir entwickeln Integrationen über REST-/GraphQL-APIs, Webhooks, Message Queues oder native Konnektoren zu SAP, Dynamics, Salesforce, Odoo, Dolibarr sowie SQL-/NoSQL-Datenbanken. Für RAG auf Unternehmensdaten nutzen wir Vektordatenbanken wie Qdrant, Weaviate oder pgvector innerhalb Ihrer eigenen Infrastruktur. Dazu kommen SSO über Ihren Identity Provider (IdP), Verschlüsselung bei Übertragung und Speicherung, Secrets-Management sowie lückenloses Tracing mit OpenTelemetry oder Langfuse für Audits und Debugging.

Wir arbeiten ausschließlich mit Enterprise-Endpunkten (OpenAI API, Anthropic API, Azure OpenAI, AWS Bedrock), bei denen vertraglich ausgeschlossen ist, dass Ihre Daten zum Training von Modellen verwendet werden, und verarbeiten Daten wann immer möglich in europäischen Regionen. Für sensible oder regulierte Daten betreiben wir Open-Source-Modelle On-Premise mit vLLM, Ollama oder TGI. Wir schließen einen Auftragsverarbeitungsvertrag (AVV) gemäß Art. 28 DSGVO ab und setzen bei internationalen Datenübermittlungen Standardvertragsklauseln und ein Transfer Impact Assessment nach Schrems II ein.

Wir stufen jedes System nach der Verordnung (EU) 2024/1689 (EU AI Act, KI-Verordnung) ein: Handelt es sich um ein Hochrisikosystem (Anhang III), erfüllen wir die verschärften Pflichten zu Risikomanagement, Data Governance, technischer Dokumentation und menschlicher Aufsicht; nach Art. 5 verbotene Praktiken schließen wir von vornherein aus. Bei Entscheidungen, die Personen betreffen, gewährleisten wir menschliches Eingreifen sowie das Recht auf Erklärung und auf Anfechtung der Entscheidung gemäß Art. 22 DSGVO. Wo erforderlich, führen wir vor dem Einsatz die nach Art. 35 vorgeschriebene Datenschutz-Folgenabschätzung (DSFA) durch.