Wie wir über KI denken.

Die meisten „KI-Integrationen", die wir in freier Wildbahn sehen, sind ein großes Sprach- modell, das als Dekoration auf eine Produkt-Roadmap geschraubt wurde. Eine Presse- mitteilung, ein Chatbot, ein Logo auf der Startseite. Das ist keine Integration. Das ist Beschilderung.

Echte Integration beginnt mit einer langweiligen Frage. Welche Entscheidung, die heute ein Mensch in Ihrem Unternehmen trifft, könnte besser, schneller oder in einem Umfang getroffen werden, den Ihr Team nicht leisten kann? Dann verfolgen wir die Eingabedaten, die Ausgabedaten und was passiert, wenn das Modell falsch liegt — denn das wird es.

Mit der langweiligen Frage beginnen.

Wir beginnen nicht mit dem Modell. Wir beginnen mit dem Workflow. Wir setzen uns zu den Leuten, die die Arbeit machen, beobachten sie, und schreiben die Entscheidungen auf, die sie ohne Nachdenken treffen. Die meisten sind keine KI-Probleme. Einige schon.

Die, die KI-Probleme sind, haben in der Regel drei Dinge gemeinsam: Sie sind repetitiv, sie stützen sich auf unstrukturierte Informationen, und sie sind schwer vollständig zu automatisieren, aber teuer, wenn man sie per Hand macht. Das ist der Sweet Spot.

Planen Sie für den Tag, an dem das Modell lügt.

Jede Semantic Kernel, die wir ausliefern, kommt mit einem Plan für den Tag, an dem sie selbstbewusst falsch liegt. Das heißt Leitplanken, Fallback-Pfade, einen Audit-Trail, den ein Mensch lesen kann, und einen Eskalationsweg zurück zu einer Person. Es bedeutet auch, die Zuversicht des Modells ehrlich zu kalibrieren — ein System, das „ich weiß es nicht" sagt, ist mehr wert als eines, das bluffert.

Ein Modell, das in einfacher Sprache antwortet, sollte auch Unsicherheit in einfacher Sprache eingestehen. Wir entwerfen für beides.

Ergebnisse, in Geld gemessen.

Kein KI-Projekt ist fertig, bevor wir nicht auf die Zeile in der GuV zeigen können, in der die Integration auftaucht. Das kann eine verkürzte Bearbeitungszeit sein, höhere Erstlösung, weniger manuelle Prüfungen, oder ein Produkt, das wir ohne es überhaupt nicht hätten ausliefern können. Was es nicht ist: „Nutzer fühlen sich engagierter".

Wir übernehmen keine KI-Arbeit, die nicht gemessen werden kann. Wenn wir uns vor dem Start nicht auf die Metrik einigen können, ist die Integration nicht real — sie ist Theater.

Was das in der Praxis bedeutet.

Wir bauen mit Semantic Kernel, weil es uns erlaubt, Produktionscode, nachvollziehbare Prompts und Domänenwerkzeuge an einem Ort zu haben. Wir nutzen Retrieval-Augmented Generation statt feinjustierter Modelle, wo immer möglich, weil sich die Daten des Kunden ändern und das Modell nicht jedes Mal neu trainiert werden sollte. Und wir dokumentieren die Fehlerzustände vor der Demo.

If this matches how you want to ship AI, erzählen Sie uns, was Sie bauen.