00, Haus
Full-Stack-Softwarehaus mit Spezialisierung auf KI-Agenten
Wir bauen komplette Systeme: Backend, Frontend, Infrastruktur, Betrieb. Und Agenten bis hin zu autonomen, nach Vorgehensmodellen, die sich im laufenden Betrieb bewährt haben. Ein Ansprechpartner für das gesamte System, nicht nur für das Modell.
00.1
Vier Dinge, keine fünf
Die Leistungsbeschreibung in ihrer kürzesten belastbaren Form.
- Full Stack
- Architektur, Backend, Frontend, Datenhaltung, Infrastruktur und Betrieb aus einer Hand.
- Agenten im Betrieb
- Evaluierung, Guardrails, Observability und Kostenkontrolle von Anfang an, nicht als Nacharbeit nach dem Prototyp.
- Souveräner Betrieb
- LLMs lokal, im eigenen Rechenzentrum, in Deutschland gehostet oder als Cloud-API. Ihre Daten bleiben dort, wo Sie sie haben wollen.
- Von klein bis groß
- Vom Einzelmodell in einem bestehenden Prozess bis zum autonomen Agentensystem im Produkt.
00.2
Der Unterschied zwischen Demo und Produktivbetrieb
Ein Agent, der im Pitch funktioniert, und einer, der nach sechs Monaten Betrieb noch funktioniert, sind nicht dasselbe System. Der Unterschied entsteht nicht am Ende eines Projekts, sondern in dessen erster Woche.
Demo-Logik
- Erfolg wird gezeigt, nicht gemessen
- Der Prompt wird angepasst, bis das Beispiel klappt
- Werkzeuge ohne definiertes Fehlerverhalten
- Kosten pro Anfrage unbekannt
- Entscheidungen sind nachträglich nicht rekonstruierbar
- Kein Betriebskonzept für den Tag nach dem Start
Betriebs-Logik
- Testdatensatz und automatisierte Bewertung ab Tag eins
- Kontext wird bewusst gesteuert statt nachträglich geflickt
- Werkzeuge mit definiertem Fehler- und Abbruchverhalten
- Kosten pro Anfrage als Kennzahl im Monitoring
- Vollständiges Tracing von Entscheidungen und Werkzeugaufrufen
- Versionierung und Regressionstest bei jedem Modellwechsel
Alle sechs Punkte der linken Spalte lassen sich vor der ersten Zeile Code adressieren. Nachträglich kostet jeder einzelne ein Vielfaches.
00.3
Vier Stufen, vier Einstiege
Die Stufung beschreibt eine Steigerung des Autonomiegrads, keinen Pflichtpfad. Jede Stufe ist für sich sinnvoll und als Einstiegspunkt lesbar.
| Stufe | Was es ist | Typischer Einstieg | Voraussetzung |
|---|---|---|---|
| 01 Einzelmodell | Klar abgegrenztes Modell für genau eine Aufgabe im bestehenden Prozess | Klassifikation, Extraktion, Textaufbereitung | Beispieldaten aus dem echten Prozess |
| 02 Agent im Web | Werkzeugzugriff in einer Weboberfläche für definierte Nutzergruppen | Interner Assistent, Recherche in Bestandsdaten | Systemzugänge, Rollenmodell |
| 03 Agent im Prozess | Führt Arbeitsschritte eigenständig aus, mit Freigabepunkten | Vorgänge anlegen, Antworten zur Freigabe vorbereiten | Beschriebener Prozess, geklärte Freigaben |
| 04 Vollautonom im Produkt | Skalierbares Agentensystem als Produktbestandteil, mehrmandantenfähig | Agentenfunktionen in einer SaaS-Anwendung, hoher Durchsatz | Lastprofil, Mandantenmodell, Betriebskonzept |
00.4
Ihre Daten bleiben, wo Sie sie haben wollen
Wir betreiben eigene GPU-Infrastruktur und kennen den Betrieb dieser Modelle aus eigener Erfahrung. Keine Variante ist pauschal besser. Welche richtig ist, folgt aus Ihren Randbedingungen.
| Modell | Datenhoheit | Betriebsaufwand | Typischer Einsatzfall |
|---|---|---|---|
| Lokal beim Kunden | vollständig | beim Kunden | Daten dürfen das Haus nicht verlassen |
| On-Premise im Rechenzentrum | vollständig | geteilt | Integration in bestehenden Betrieb |
| Gehostet in Deutschland | vertraglich klar | bei uns | DSGVO-Klarheit ohne eigene Hardware |
| Cloud oder API | beim Anbieter | minimal | Geschwindigkeit und Modellqualität zuerst |
| Hybrid | nach Datenklasse | geteilt | Sensibles lokal, unkritische Last extern |
00.5
Wie wir Agenten bauen
Zehn Schritte, in dieser Reihenfolge. Wer bei Schritt drei beginnt, holt Schritt zwei später zu einem Vielfachen der Kosten nach.
- 01 Anwendungsfall
- Prozess und messbare Zielgröße zuerst, das Modell später.
- 02 Evaluierung
- Erfolgsmaß und Testdaten stehen vor der Implementierung fest.
- 03 Kontext
- Bewusste Steuerung dessen, was der Agent zu welchem Zeitpunkt sieht.
- 04 Werkzeuge
- Klar abgegrenzt, robust, dokumentiert, mit definiertem Fehlerverhalten.
- 05 Handlungsrahmen
- Berechtigungen, Validierung, Abbruchbedingungen.
- 06 Freigaben
- Menschliche Zustimmung dort, wo Fehler teuer sind.
- 07 Observability
- Tracing von Entscheidungen, Werkzeugaufrufen und Kosten.
- 08 Kosten und Latenz
- Modellwahl pro Teilaufgabe, Caching, kleinere Modelle wo möglich.
- 09 Betrieb
- Versionierung, Regressionstests bei Modellwechseln.
- 10 Zuschnitt
- Kleine produktiv nutzbare Stufe zuerst, dann erweitern.
00.6
Ein Agent im Ablauf, statt einer Behauptung
Ein Laufzeitpanel zeigt einen Agenten bei der Arbeit: Werkzeugaufrufe mit Laufzeiten, ein blockierter Zugriff, ein Antwortentwurf, der Zeichen für Zeichen entsteht, dazu Aufrufe, Kosten und Laufzeit als mitlaufende Anzeigen. Vor dem ersten Schreibvorgang hält der Lauf an und wartet auf eine Freigabe. Sie können selbst entscheiden, müssen aber nicht.
00.7
Agenten, die im Betrieb besser werden
Jede Freigabe, jede Ablehnung und jede Korrektur wird zu einem Testfall. Ein Kandidat läuft gegen die laufende Version auf demselben Datensatz, und ausgerollt wird nur, was besser ist, ohne an anderer Stelle schlechter zu werden. Die Vorversion bleibt als Rückfallebene stehen. Ohne diesen Kreis verändert sich ein System zwar, aber niemand kann sagen, in welche Richtung.
00.8
Wir betreiben, was wir verkaufen
Der TimeTracking AI Agent bindet sich an bestehende Zeiterfassungssoftware an, auch an Legacy-Systeme ohne brauchbare Schnittstelle. Mitarbeitende buchen per Chat statt über eine Maske. Ein eigenes Produkt im Dauerbetrieb ist der einzige Nachweis für Betriebsfähigkeit, den man nicht als Präsentation liefern kann.
00.9
Reden wir über den Fall, nicht über das Modell
Dreißig Minuten, in denen wir Ihr Vorhaben einordnen. Auch mit der Antwort, dass es dafür keinen Agenten braucht, falls sie stimmt.