In vielen Firmen gibt es Arbeit, die jede Woche gleich abläuft: Texte übersetzen, Berichte zusammenstellen, Daten nachschlagen. Dort setzen wir KI ein, wenn sich messen lässt, wie viel Zeit sie spart. Jedes Ergebnis sieht sich vorher ein Mensch an.
Lege das Event vom 14. November mit diesen drei Fotos an.
Erledigt. Die Vorschau der geänderten Seite ist bereit, Pflichtfelder und Bildgrößen passen.
Wofür wir KI heute einsetzen
Viel Handarbeit steckt in Inhalten. Für die Websiteplattform einer europäischen Hostinggruppe übersetzt die KI alle Inhalte des CMS in die eingestellten Sprachen und hält sich dabei an ein Glossar und an Regeln für den Ton. Neue Seiten legt sie nach einer kurzen Anweisung an. Online geht davon nichts, bevor die Redaktion Sprache und Seite freigegeben hat. Bei kleineren Websites geht das auch direkt aus dem Chat: Ihr Team schreibt Claude, was sich ändern soll, und Claude legt den Entwurf im CMS an.
Ein zweites Feld sind Fragen, die immer wieder kommen. Für eine Hochschule in Österreich beantwortet ein Assistent Fragen zu den Studiengängen. Er sucht dafür in den Informationen der Hochschule und schlägt passende Studiengänge vor. Das Sprachmodell dahinter lässt sich austauschen.
Und dann sind da Daten, die jemand lesen und zusammenfassen muss. Für drei Radiosender wertet Claude die Besucherdaten aus: Ein Bericht geht jeden Tag per Mail hinaus, sieben weitere jede Woche an Geschäftsführung, Marketing, Sales und Programm. Im Support eines Onlineportals schlagen wir mit Claude direkt in den Daten des Portals nach.
Wir nutzen KI auch selbst. Claude durchsucht unsere Wissensdatenbank Lobster7 nach Runbooks und Fehlerbildern, bucht in Mantis unsere Zeiten und legt Rechnungen an.
Gemeinsam ist all dem, dass die Aufgabe oft vorkommt und man schnell sieht, ob das Ergebnis stimmt. Muss jemand jedes Ergebnis lange prüfen, spart KI kaum Zeit. Oft reicht dann ein Skript oder eine Schnittstelle ganz ohne KI, und genau das bauen wir.
Welche Modelle wir einsetzen
Für Texte und Code nehmen wir meist Claude von Anthropic, für Bilder Grok von xAI. Über OpenRouter kommen wir mit einem Zugang an viele weitere Modelle und wählen für jede Aufgabe das, was bei Qualität und Kosten passt.
Sollen Daten bei keinem Anbieter landen, läuft das Modell lokal bei uns, auf einem Mac oder einem Raspberry Pi. Welches Modell es wird, entscheiden wir vor dem Start gemeinsam mit Ihnen.
Wie die KI an Ihre Software kommt
Ein eigenes Produkt neben Ihrer Software bauen wir nicht. Die KI arbeitet über die Schnittstellen, die Ihre Software schon hat, oder über eine, die wir dafür bauen. Oft ist das ein MCP Server. MCP steht für Model Context Protocol und ist der Standard, über den ein KI Assistent wie Claude mit anderer Software spricht.
Was der Assistent darf, legen wir im MCP Server fest. Im CMS legt er zum Beispiel Entwürfe an, veröffentlichen kann er sie nicht. Im Support schlägt er Daten nach, löschen kann er nichts. Wer den Server nutzt, meldet sich an, und auf Wunsch landet jeder Aufruf in einem Audit Log.
Fahren Sie mit der Maus über einen Schritt oder tippen Sie ihn an. Hervorgehoben bleibt, was davor passiert und wie es danach weitergeht.
So gehen wir vor
- Aufgabe messen
Wir sehen uns an, wie lange die Aufgabe heute dauert, wie oft sie anfällt und wer sie macht.
- Ausschnitt bauen
Die Automatisierung bauen wir zuerst für einen Ausschnitt der Aufgabe, mit Ihren Daten und dem Modell, das Sie freigegeben haben.
- Anbinden
Das Modell greift über die Schnittstellen Ihrer Software zu, mit eigenem Zugang und nur den nötigen Rechten. Was es anlegt, bleibt ein Entwurf, bis jemand von Ihnen es freigibt.
- Nachmessen
Wir messen noch einmal. Spart die Automatisierung keine Zeit, bauen wir sie wieder zurück.
Alten Code mit KI verstehen
Bei alter Software fehlt oft die Dokumentation. Dann lassen wir zuerst ein Sprachmodell den Code lesen:
- Wir bekommen lesenden Zugriff auf Repository, Konfiguration und Build Skripte und ändern dabei nichts.
- Das Modell beschreibt in einem Entwurf Module, Einstiegspunkte, Cron Jobs, Schnittstellen und veraltete Abhängigkeiten.
- Ein Techniker prüft jede Aussage gegen den Code. Was sich nicht belegen lässt, streichen wir.
- Das geprüfte Ergebnis kommt in Inventar, Runbooks und Wissensdatenbank.
Das Modell zeigt uns, wo ein Mensch genauer hinsehen muss. Einen Techniker ersetzt es nicht. Das passt gut zu einem Legacy Check oder zur Übernahme von Software.
Wie schnell Modelle heute Fehler in großem Code finden, hat PHP2Shell gezeigt. Forscher haben zwei kritische Lücken in PHP mit Hilfe von KI gefunden, und dieselben Modelle nutzen auch Angreifer. Deshalb sollten Sie wissen, was in Ihrem alten Code steckt.
Datenschutz und Prüfung durch Menschen
Fahren Sie mit der Maus über einen Schritt oder tippen Sie ihn an. Hervorgehoben bleibt, was davor passiert und wie es danach weitergeht.
- Code und Daten gehen nur an Anbieter, denen Sie zugestimmt haben, oder an ein Modell, das lokal läuft.
- Personenbezogene Daten entfernen oder ersetzen wir vorher, soweit die Aufgabe das zulässt.
- Jede Integration bekommt einen eigenen API Key mit genau den Rechten, die sie braucht. In einem CMS vergeben wir diese Rechte pro Collection.
- Über einen MCP Server kommt nur herein, wer sich mit einem verifizierten Firmenkonto anmeldet.
- Was ein Modell erzeugt, bleibt ein Entwurf, bis ein Mensch es freigibt. Entscheidungen mit Folgen für Menschen trifft immer ein Mensch.
Das machen wir nicht
Wir nennen keine Einsparung, die wir nicht gemessen haben.