Grundlage

Daten- und KI-Plattformen

Wir prüfen zuerst Ihre Daten, verankern jede Antwort darin und behalten sowohl die Daten als auch die Modellkosten unter Ihrer Kontrolle.

Der Datenbefund

Jede Phase 01 endet mit einem Befund zu den Daten, von denen der Anwendungsfall abhängt: Sie tragen den Fall, sie tragen ihn nicht, oder sie tragen ihn, sobald ein benanntes Problem behoben ist. Der Befund kommt, bevor jemand etwas baut. In Woche drei zu erfahren, dass ein Schlüsselfeld nur zu einem Drittel ausgefüllt ist, kostet weit weniger, als es im vierten Monat des Baus zu erfahren. Branchendaten zeigen dasselbe Risiko: Im Februar 2025 prognostizierte Gartner, dass Organisationen bis 2026 60 % der KI-Projekte aufgeben werden, die nicht durch KI-taugliche Daten gestützt sind, auf Grundlage einer globalen Umfrage unter 248 Verantwortlichen für Datenmanagement.

Das Data Readiness Review

Wenn die Daten das Hauptrisiko sind, gehört zu Phase 01 das Data Readiness Review, eine Diagnose mit festem Umfang von 1 bis 3 Wochen innerhalb von Phase 01, keine eigene Phase. Es bewertet jede Quelle, von der der Anwendungsfall abhängt:

Dimension	Die Frage, die sie beantwortet
Vollständigkeit	Sind die nötigen Felder ausgefüllt, über den Zeitraum und den Umfang, die zählen?
Genauigkeit	Stimmen die Daten mit dem Geschehenen überein, geprüft an einer Stichprobe?
Zugänglichkeit	Kann das System sie erreichen, rechtlich und technisch, mit einem Zugriff, den Ihre IT gewährt?
Herkunft	Woher stammt jeder Wert, und was hat ihn unterwegs verändert?

Sie erhalten pro Quelle eine Bewertungskarte und einen Massnahmenplan für alles unter der Schwelle, mit der Lösung und einem groben Aufwand. Wir arbeiten mit der verantwortlichen Person jedes Quellsystems, denn aufgesetzte Berichtsebenen verdecken die Lücken oft.

Wissenssuche und Fundierung

Eine Antwort aus Ihren Dokumenten muss ihre Quelle zeigen.

Suchen, wenn der Schritt es braucht, und den übrigen Kontext klein halten.
Belegen oder verzichten: Jede Antwort verweist auf die Passage, auf der sie beruht, und wenn nichts eine Antwort stützt, sagt das System es und gibt die Frage an einen Menschen weiter.
Zitieren oder verwerfen: Bei der Extraktion braucht eine Aussage ein wörtliches Zitat aus der Quelle, sonst wird sie verworfen.

Tenderix, unser Beschaffungswerkzeug, wendet «Zitieren oder verwerfen» auf Ausschreibungsunterlagen in Deutsch, Französisch und Italienisch an und meldet eine fehlende Bewertung als fehlend. Der Coach von FoodHalo schlägt Nährwerte über Werkzeuge in der Produktdatenbank nach und darf keine Zahl nennen, die er nicht abgerufen hat.

Anonymisieren vor der Inferenz

Viele Prozesse enthalten Personendaten, die das Modell nicht sehen muss. Unser interner Baustein ersetzt jeden Namen, jede Adresse und jede Kennung durch einen stabilen Alias, bevor Inhalte ein Modell erreichen. Dieselbe Person behält innerhalb eines Laufs denselben Alias, sodass das Modell weiterhin nachvollziehen kann, wer was getan hat. Eine getrennte Prüfung kontrolliert alles, was nach aussen gehen soll, und bricht den Lauf ab, wenn sie einen Wert findet, der einen Alias hätte bekommen müssen. Die Aliase werden erst am Ende rückgängig gemacht, lokal, auf Ihrer Seite.

Kostenbewusstes Routing und Budgets pro Mandant

Jede Aufgabe geht an das günstigste Modell, das ihre Evaluation besteht, und die Budgets stehen fest, bevor die erste Anfrage läuft.

Muster	Wo wir es gebaut haben	Was es tut
Gestufte Modelle	Eine mehrstufige Pipeline für Dokumentenverarbeitung (Prototyp)	Ein stärkeres Modell für Klauselextraktion, Risikohinweise und Änderungsvorschläge; ein günstigeres für Zusammenfassungen und Klassifizierung
Budgets pro Mandant	Dieselbe Pipeline	Ratenlimits und Budgetgrenzen pro Mandant, durchgesetzt, bevor eine Anfrage das stärkere Modell erreicht
Routing über Anbieter hinweg	Ein Multichannel-KI-Concierge (im produktiven Einsatz)	Kostenbewusstes Routing über Modellanbieter hinweg, mit Ausweichen, wenn einer langsam oder nicht erreichbar ist
Kosten im Dashboard	Derselbe Concierge	Das Personal sieht die geschätzten Kosten pro Kanal und die Fragen, die Kunden am häufigsten stellen
Ausgaben pro Mandant	Atrium (Prototyp)	Token-Ausgaben pro Mandant als zentrale Kennzahl

Wir berichten die Kosten pro erledigter Aufgabe: die Zahl, die zeigt, ob sich das System weiterhin rechnet.

Anbindung an Ihre Systeme

Lesend beginnen. Schreibzugriff kommt Aktion für Aktion, jede mit eigenem Freigabeweg.
Jedem Konnektor den kleinsten Umfang geben, der die Aufgabe erfüllt.
Den Entscheidungsweg dort deterministisch halten, wo es zählt: Bei kredis liest der Entscheidungsendpunkt, den andere Systeme aufrufen, einen vorberechneten Zustand, ohne Sprachmodell im Weg.
Die Fallhistorie nur anfügend führen, damit sich jeder frühere Zustand rekonstruieren lässt.
Mandanten trennen, mit Zugriffsschutz auf Zeilenebene, der in der Datenbank durchgesetzt wird.

kredis stellt Gegenparteiakten aus GLEIF, Companies House und eingebetteten Sanktionslisten von OFAC, EU, UK und UN zusammen.

In den sechs Phasen

Phase	Daten- und Plattformarbeit
01 · Fall begründen	Datenbefund; Data Readiness Review bei Bedarf; Hosting-Option gewählt
02 · Nutzen belegen	Prototyp auf Ihren oder realistischen Daten; Wissenssuche und Fundierung getestet
03 · System entwickeln	Konnektoren, Anonymisierung, Routing und Budgets für den Umfang des Piloten
05 · Skalieren, was wirkt	Anbindungen, Kapazität und Budgets auf den gesamten Umfang ausgeweitet
06 · Betreiben und weiterentwickeln	Kosten pro Aufgabe und Datendrift im Dashboard; Quartalsreview

Im Lab gebaut

Build	Bezeichnung	Was es zeigt
Anonymisieren vor der Inferenz	Interner Build	Aliase vor jedem Modellaufruf, eine unabhängige Prüfung, die den Lauf abbricht, lokale Rückführung
Eine mehrstufige Pipeline für Dokumentenverarbeitung	Funktionsfähiger Prototyp	Gestufte Modelle mit Ratenlimits und Budgetgrenzen pro Mandant
Ein Multichannel-KI-Concierge	Im produktiven Einsatz	Kostenbewusstes Routing über Anbieter hinweg auf fünf Kanälen
Ein belegbasierter Wissens-Copilot für den Aussendienst	Funktionsfähiger Prototyp	Wissenssuche, die belegt oder verzichtet, und Aktualisierungen der Wissensbasis, die ein Mensch freigibt
Tenderix	Live	Extraktion nach «Zitieren oder verwerfen» aus Ausschreibungsunterlagen in drei Sprachen

Genutzt von

Fragen

Brauchen wir eine Datenplattform, bevor wir starten können?

Nein. Phase 01 sagt Ihnen, ob die vorhandenen Daten den Anwendungsfall tragen können. Oft läuft es auf den Systemen, die Sie schon haben, über einen engen, rein lesenden Zugriff.

Was ist der Unterschied zwischen dem Datenbefund und dem Data Readiness Review?

Der Befund gehört zu jeder Phase 01: eine erste Einschätzung, ob die Daten existieren, wem sie gehören und ob etwas den Zugriff blockiert. Das Data Readiness Review ist eine tiefere Diagnose, die Sie beauftragen, wenn die Daten das Hauptrisiko sind. Es bewertet jede Quelle und liefert einen Massnahmenplan.

Bringt das Data Readiness Review die Daten in Ordnung?

Nein. Es zeigt, was bereit ist, was nicht und was die Behebung kostet. Die Behebung ist ein eigener Auftrag, ausgeführt von Ihrem Team, von uns oder von Dritten.

Wie halten Sie die Modellkosten planbar?

Jede Aufgabe geht an das günstigste Modell, das ihre Evaluation besteht, und Budgets und Ratenlimits werden pro Mandant durchgesetzt, bevor eine Anfrage ein Modell erreicht. Die Kosten pro erledigter Aufgabe stehen vom ersten Tag an im Dashboard.

Kann das System aus unseren Dokumenten antworten, ohne etwas zu erfinden?

Die Wissenssuche ist so gebaut, dass eine Antwort die Passage nennt, aus der sie stammt, und das System verzichtet auf eine Antwort, wenn es keinen Beleg findet. Die Extraktion kann noch strenger sein: Eine Aussage ohne wörtliches Zitat aus der Quelle wird verworfen.

Mit dem Befund beginnen

Ein AI Opportunity Assessment gibt Ihnen in 1 bis 2 Wochen eine erste Einschätzung zu den Daten. Wenn die Daten die offene Frage sind, bewertet das Data Readiness Review in 1 bis 3 Wochen jede Quelle.

AI Opportunity Assessment ansehen