KI & Daten

Software für Daten, die erst verstanden werden müssen.

Manche Abläufe sind nicht schwierig, weil Software fehlt. Sie sind schwierig, weil die Information nicht strukturiert vorliegt: E‑Mails, die jeder Absender anders schreibt, zehn Jahre PDFs ohne Beschriftung, Lieferantendokumente, die sich ändern, Daten, deren Bedeutung erst aus dem Zusammenhang klar wird. Wir bauen Systeme, die diese Information verstehen. Klassische Software, Statistik, Machine Learning und KI, jedes dort, wo es sinnvoll ist.

Festpreis vor dem Start · Aufwandsschätzung vor jeder Beauftragung
Drei Stufen

Klare Regeln automatisieren wir. Unklare Daten machen wir zuerst verständlich.

Ob ein Ablauf klassische Software braucht, ein lernendes System oder gar keine Software, entscheidet nicht die Technik, sondern der Ablauf. Wir prüfen das vor dem ersten Angebot.

01

Der Ablauf ist klar

WennDie Regeln lassen sich aufschreiben: wenn X, dann Y. Ein Mensch wiederholt sie trotzdem jeden Tag von Hand.

DannKlassische Software. Schnittstelle, Automatisierung, Fachanwendung. Nachvollziehbar, testbar, ohne Modell.

Was wir bauen
02

Der Ablauf ist unordentlich, aber ein Mensch versteht ihn

WennNiemand kann die Regel aufschreiben. Trotzdem weiß der Sachbearbeiter nach einem Blick, zu welcher Bestellung die Mail gehört und was in dem PDF steht.

DannHier setzen wir Data Science, Machine Learning und KI ein. Das System lernt, was der Mensch versteht, und klassische Software übernimmt den Rest.

03

Der Ablauf selbst ist das Problem

WennNicht die Daten sind unordentlich, sondern der Prozess dahinter: doppelte Wege, unklare Zuständigkeiten, drei Systeme für eine Aufgabe.

DannDann sagen wir das. Unsinn zu automatisieren macht ihn nur schneller. Manchmal ist die Antwort ein geänderter Ablauf und keine Software.

Wie wir vorgehen
Was wir damit bauen

Fünf Aufgaben, bei denen bisher ein Mensch lesen musste.

Keine KI-Funktionen, sondern Arbeitsschritte, die bisher nur ein Mensch erledigen konnte, weil er erst verstehen musste, was da steht. Jede Zeile ist ein Projekttyp, den wir so umsetzen.

01

Dokumente verstehen

HeuteJeder Lieferant, Kunde oder Partner schickt dasselbe Dokument anders: PDF, Scan, Excel, andere Reihenfolge, eigene Abkürzungen, fehlende Felder.

Mit JMKEin System, das alle Varianten in eine gemeinsame Struktur bringt und neue Varianten selbst dazulernt. Auftragsbestätigungen, Lieferscheine, Angebote, Rechnungen.

02

Unsortierte Postfächer anbinden

HeuteEin Sammelpostfach mit hunderten Mails, in denen Bestellungen, Rückfragen, Reklamationen und Werbung durcheinanderliegen. Absender und Betreff sagen wenig.

Mit JMKDas System erkennt, was eine Mail ist, zu welchem Auftrag oder Kunden sie gehört, wer zuständig ist und was als Nächstes passieren soll. Das Postfach bleibt, wie es ist.

03

Historische Daten nutzbar machen

HeuteZehn Jahre Dokumente, Exporte und Ordner, ohne Beschriftung, in wechselnden Formaten. Das Wissen ist da, aber nicht abfragbar.

Mit JMKWir gruppieren, klassifizieren und strukturieren das Material, ohne dass vorher jemand alles von Hand beschriftet. Am Ende steht eine Datenbasis, mit der Software arbeiten kann.

04

Änderungen erkennen

HeutePreislisten, Datenblätter, Ausschreibungen, Vorschriften oder Lieferantenseiten ändern sich. Eine Stichwortsuche liefert entweder alles oder nichts.

Mit JMKEin Dienst, der Quellen laufend liest, mit dem vorherigen Stand vergleicht und nur meldet, was für Ihren Betrieb relevant ist. Mit Begründung und Beleg.

05

Muster lernen statt Ausnahmen pflegen

HeuteJeder neue Lieferant, jedes neue Layout und jede neue Schreibweise braucht heute eine weitere Regel, die jemand nachträgt.

Mit JMKEin System, das aus den vorhandenen Fällen lernt und neue Varianten selbst einordnet. Beim Türenhersteller kommen neue Lieferanten dazu, ohne dass JMK eingreifen muss.

Betriebe haben mehr strukturiertes Wissen, als ihnen bewusst ist. Es steckt in Artikelcodes, Dokumentlayouts, Benennungen, alten Bestellungen und jahrelang wiederholten Entscheidungen. Mit statistischen Methoden, Machine Learning und Datenanalyse holen wir diese Strukturen heraus und machen daraus explizite, nutzbare Daten.

Wissen aus historischen Daten

Was Ihr Betrieb weiß, steht oft in keiner Datenbank.

Extraktion

Sie wissen, was Sie suchen.

„Finde Bestellnummer, Kunde, Preis und Liefertermin.“ Das Ziel ist bekannt, das System muss es in jedem Dokument wiederfinden.

Entdeckung

Sie kennen die Struktur selbst noch nicht.

„Finde heraus, welche Merkmale diese Artikelcodes beschreiben und wie sich das je Lieferant unterscheidet.“ Das System fragt die Daten, welche Regeln sie erzeugt haben.

Beispiel: Artikelcodes beim Türenhersteller

VS Material
B Klimaklasse
30 Brandschutz
··· weitere Merkmale
Schema. Die erkannten Merkmale sind echt, der Code ist ein Beispiel.

In rund zehn Jahren Bestellungen und Bestätigungen steckten Artikelcodes der Lieferanten, deren Aufbau nirgends dokumentiert war. Ein erfahrener Sachbearbeiter liest daraus Material, Klimaklasse und Brandschutz. Das System hat diesen Aufbau aus den Zusammenhängen in den Daten rekonstruiert: welche Stellen des Codes zusammengehören und wofür sie stehen.

Und zwar je Lieferant anders. Einer unterscheidet Röhrenspan und Vollspan, ein anderer führt Röhrenspan gar nicht. Ein dritter codiert dieselbe Eigenschaft an anderer Stelle. Aus diesen Vokabularen entsteht eine gemeinsame interne Darstellung, mit der der Abgleich überhaupt erst möglich wird.

Wie das beim Türenhersteller gebaut ist
Von der Historie zur Automatisierung
  1. Archiv zehn Jahre, unbeschriftet
  2. Statistik
  3. Struktur entdeckt
  4. Modell
  5. Wissen explizit gemacht
  6. Regeln
  7. Abgleich läuft automatisch
Warum das kein API-Aufruf ist

Das Ergebnis soll einfach wirken. Das Problem war es nicht.

Der Sachbearbeiter sieht am Ende eine Mail: Bestätigung geprüft, eine Abweichung. Dahinter liegt eine Kette aus Schritten, und für jeden Schritt eine andere Methode. Nicht jedes Problem braucht ein Sprachmodell. Das Kriterium ist nicht, was gerade Mode ist, sondern was zuverlässig und wirtschaftlich läuft.

01

Deterministische Regeln

Wo das Layout stabil ist und die Regel bekannt. Schnell, prüfbar, ohne Überraschungen. Immer der erste Kandidat.

02

Statistik und Clustering

Um Struktur zu finden, wo keine beschriftet ist: Welche Dokumente gehören zusammen, welche Codestellen hängen zusammen.

03

Klassisches Machine Learning

Für Klassifikation und Zuordnung mit vielen Beispielen: Welche Art von Mail ist das, welcher Lieferant, welche Variante.

04

Kleine, spezialisierte Modelle

Von uns trainiert oder angepasst, für genau eine Aufgabe. Klein genug für die eigene Infrastruktur, schnell genug für den Dauerbetrieb.

05

Große Sprachmodelle

Wo Sprache verstanden werden muss und Beispiele fehlen. Ein Baustein von mehreren, mit Prüfung dahinter, nie die ganze Lösung.

06

Der Mensch entscheidet

Das System bereitet vor, der Sachbearbeiter gibt frei. Fehler bleiben Hinweise, die jemand sieht, und werden keine Aufträge, die falsch in die Produktion gehen.

Wir greifen nicht standardmäßig zum größten Modell.

Für manche Aufgaben ist ein Aufruf bei einem großen Anbieter die richtige Lösung. Für andere trainieren wir kleine, spezialisierte Modelle, kombinieren mehrere Verfahren oder ersetzen gelernte Teile ganz durch feste Logik. Das macht Systeme schneller, günstiger und einfacher zu betreiben. Und kleine Modelle können auf Ihrer eigenen Infrastruktur laufen, wenn die Daten das Haus nicht verlassen sollen.

Dass wir solche Modelle bauen können, ist belegt: Mit einem eigenen System zur Spracherkennung, das Texte über 2.000 Sprachen zuordnet, wo übliche Modelle bei rund 200 aufhören, hat Tobias Madlberger mit seinem Team 2025 den zweiten Platz beim Bundeswettbewerb für Künstliche Intelligenz erreicht. Rückblick des Veranstalters

Die ganze Kette im Türenfall
Häufige Fragen

Was uns zu KI zuerst gefragt wird.

Ist das nicht einfach ChatGPT mit einem PDF?

Für eine einzelne Frage an ein einzelnes Dokument reicht das oft. Für einen Ablauf, der täglich ohne Aufsicht läuft, nicht. Dort braucht es Zuordnung, Prüfung gegen feste Regeln, Umgang mit neuen Varianten und ein nachvollziehbares Ergebnis. Ein Sprachmodell ist in unseren Systemen ein Baustein von mehreren, oft nicht der wichtigste.

Brauchen wir dafür saubere, beschriftete Daten?

Nein, das ist der Punkt. Beim Türenhersteller gab es rund zehn Jahre Material ohne eine einzige Beschriftung. Das System hat die Struktur aus den Daten selbst gewonnen. Was Sie brauchen, ist Zugang zum vorhandenen Material und zwei, drei Menschen, die es lesen können.

Müssen unsere Daten dafür zu einem KI-Anbieter?

Nicht zwingend. Welche Schritte ein großes Modell brauchen und welche ein kleines, lokal betreibbares, entscheiden wir je Aufgabe und besprechen es vor dem Start. Wo Daten das Haus nicht verlassen dürfen, planen wir das von Anfang an ein.

Was passiert, wenn das System sich irrt?

Das System entscheidet nicht, es bereitet vor. Beim Türenhersteller geht das Ergebnis als Mail an den Sachbearbeiter, der die Freigabe erteilt. Extrahierte Werte werden vorher gegen feste Regeln geprüft. So bleibt ein Fehler ein Hinweis, den ein Mensch sieht, und wird kein Auftrag, der falsch in die Produktion geht.

Müssen wir dafür unsere Abläufe ändern?

Meistens nicht, und das ist Absicht. Beim Türenhersteller wäre es sauberer gewesen, die Lieferantenkommunikation umzubauen. Stattdessen lernt die Software das bestehende Sammelpostfach. Nur wenn der Ablauf selbst das Problem ist, empfehlen wir, ihn zu ändern, statt ihn zu automatisieren.

Was kostet so ein Projekt?

Wie alles bei uns: Festpreis für den vereinbarten Umfang, davor eine Aufwandsschätzung. Der Türenfall war ein Festpreisprojekt über rund zwei Monate. Richtwerte für die anderen Projektarten stehen auf der Seite zur Arbeitsweise.

Anrufen Projekt besprechen