Skip to content
SUCHE
DESKTOP
SETTINGS
,SETTINGS
SHIFT+SSOUND
SHIFT+LSCANLINES
SHIFT+ADISPLAY
SHIFT+OTHEME
SHIFT+MDESKTOP
⌘+KSUCHE
SHIFT+IDRAUSSEN IM INTERNET
The codeculture company Chemnitz, Saxony, GER
Machine-readable Terminal mode
Copyright (C) 2010-2026 codeculture GmbH
Last update 2026-11-17
Uptime 16Y 170D 13:47:29 CET
RAM 20Y in memory
Page —
Stack TanStack Hono Postgres

AI-Automatisierung — Intelligenz ins Fundament, damit Dokumente, Mails und Entscheidungen vorbereitet ankommen, statt ein Chatfenster neben denselben Workflow zu stellen.

Die Eingangspost kommt als Mail, PDF und Scan. Ein Mensch öffnet, liest, erkennt, worum es geht, trägt die Werte ins System ein und entscheidet, wer es weiterbearbeitet. Jeden Morgen derselbe Stapel. Seit Kurzem steht daneben ein Chatfenster, das Fragen zu dem Stapel beantwortet — der Stapel bleibt.

Ein Chatfenster neben demselben Workflow ist ein Anstrich. Transformation beginnt im Datenmodell.

Die meisten AI-Projekte beginnen an der Oberfläche, weil sie dort sichtbar ist, vorführbar und politisch leicht: Eine Chatbox braucht keine Diskussion darüber, welches System die Wahrheit führt. Die schwierigen Fragen werden dabei vertagt — Daten liegen in Silos, Rechte existieren nur implizit, niemand will für eine automatische Wirkung verantwortlich sein. AI erzeugt diese Probleme nicht; sie beleuchtet sie nur sehr effizient. Ein MIT-Report von 2025 — ein Preprint, methodisch umstritten — zählte 95 % der GenAI-Piloten in Unternehmen ohne messbaren Return und nannte den Grund: Die meisten Systeme behalten kein Feedback, passen sich keinem Kontext an und werden nicht besser. „Das macht uns die AI." Macht sie — sobald jemand ihr gesagt hat, zu welcher Bestellung die Rechnung gehört, welche Abweichung toleriert wird und wer bei einem Konflikt entscheidet. Diese drei Dinge weiß kein Modell. Die stehen in eurem Datenmodell. Oder eben nicht.

Mit uns gehört die Intelligenz ins Fundament: ins Datenmodell, in die Datenflüsse, in die Entscheidungslogik. Ein Dokument kommt an, wird klassifiziert, seine Werte werden extrahiert und gegen Regeln geprüft, ein Vorschlag landet bei der Person, die freigibt — und ihre Korrektur fließt zurück. Der Workflow ist danach ein anderer: Menschen bearbeiten weniger Standardfälle und mehr Ausnahmen. Das ist der Unterschied zwischen einer Überarbeitung und einer Transformation, und wir nennen beides beim Namen.

Vier Jobs, in denen ein Modell im Fundament trägt — und bei jedem gibt ein Mensch frei.

Klassifikation

Was ist das? Rechnung, Lieferschein, Reklamation, Spam — mit Herkunft und Unsicherheit je Fall.

Extraktion

Was steht drin? Positionen, Beträge, Referenzen aus PDF, Scan und Mail: OCR plus strukturierte Extraktion gegen ein Schema.

Suche mit Quelle

Welche Quelle gilt? Antworten, die Dokument, Abschnitt und Gültigkeit zeigen: RAG (also: Retrieval Augmented Generation), mit einer Grenze, die wir aussprechen. Rechte werden vor der Suche angewendet, nicht im Prompt — und „nicht genug Belege" ist eine Funktion, keine Schwäche.

Entscheidungsvorbereitung

Was schlagen wir vor? Ein Fall kommt vorsortiert, mit Kandidaten und Begründung bei der Person an, die entscheidet. Die Wirkung löst der Mensch aus — oder eine Regel, die er selbst geschrieben hat.

Wer dabei was entscheidet, ist je Job festgelegt — das Modell urteilt, Code prüft deterministisch, der Mensch trägt die Wirkung:

JobModell liefertCode prüftMensch entscheidet
KlassifikationDokumentart mit Unsicherheit je FallSchwellwert, Quarantäne für unsichere Fällewas mit der Quarantäne passiert
ExtraktionPositionen, Beträge, Referenzen gegen ein SchemaSummen, Pflichtfelder, DublettenFreigabe vor der Buchung; die Korrektur fließt zurück
Suche mit QuelleAntwortkandidaten mit Dokument und AbschnittRechte vor der Suche, Zustand „nicht genug Belege"ob die Antwort trägt
EntscheidungsvorbereitungKandidaten mit BegründungRegeln, Budgetgrenzen, Berechtigungen, Idempotenzlöst die Wirkung aus — oder schreibt die Regel, die es darf

Agenten (also: Modelle, die Werkzeuge aufrufen) bekommen enge Verträge: erlaubte Eingaben, Berechtigungen, Kosten- und Zeitgrenzen, Idempotenz oder einen sicheren Rückweg. Ein Agent, der „alles Nötige" tun darf, ist im Prototyp beeindruckend; im Betrieb ist „alles" keine Rolle. AI-Agenten beschleunigen, entscheiden aber nichts Kritisches. Und Dokumente, Mails und Suchergebnisse behandeln wir als Daten, nie als Anweisung — auch wenn in einem PDF steht, es sei eine.

Wann wir von AI abraten — und das lieber früh sagen.

  • Eine Regel löst das Problem vollständig. Dann bauen wir die Regel; sie kostet keine Tokens und keine Erklärung.
  • Es gibt keine verlässlichen Daten oder Quellen. Ein Modell macht Unklarheit nur flüssiger.
  • Der Fehler darf nie eintreten, und gleichzeitig ist keine menschliche Freigabe möglich.
  • Das Team will ein Modell, aber keinen Prozess verändern.
  • Das Produkt braucht zuerst saubere Systemgrenzen und Stammdaten — dann ist es zunächst ein Thema für Connect.

„Wir brauchen AI" ohne ein Problem dahinter ist bei uns kein Auftrag, sondern ein Erstgespräch mit einer Gegenfrage. Ist unklar, ob Daten und Prozesse reif dafür sind, klärt das vorher das AI-Readiness-Audit — mit einer Liste tragfähiger Anwendungsfälle und Nicht-Fälle.

Vom Nutzerjob zur begrenzten Produktion — der Automationsgrad steigt zuletzt.

Job und Erfolgsmaß

Welche Entscheidung soll anders werden, nicht nur schneller — und woran erkennt ihr, dass es funktioniert hat? „Antworten generieren" ist kein Job. „Eingangsrechnungen der richtigen Bestellung zuordnen" ist einer.

Daten und Rechte

Welche Datenklasse wird verarbeitet, wo finden Inferenz und Speicherung statt, wer darf was sehen. Die letzte Frage beantworten wir knapp: so viel, wie die Aufgabe nötig macht, kein Feld mehr; DE-Hosting ist unser Default.

Eval-Set aus echten Fällen

Dreißig echte Dokumente oder Fragen aus eurem Prozess, mit erwartetem Ergebnis — einschließlich der Fälle ohne Antwort und der, die niemand sehen darf. Kein Modell geht produktiv, weil es im Prototyp besser formuliert.

Dünne produktive Strecke

Eingang, Klassifikation, Extraktion, Regeln, Freigabe, Übergabe ans Zielsystem — durchgängig, mit sichtbarem Zustand je Fall: verarbeitet, wartet auf Freigabe, zurückgewiesen mit Grund.

Begrenzt produktiv

Ein Dokumenttyp, ein Team, Freigabe für jede Wirkung. Korrekturen, Kosten, Latenz und unbeantwortete Fälle werden gesammelt — sie sind das Material für den nächsten Schritt.

Automationsgrad erhöhen

Erst was sich bewiesen hat, läuft ohne Freigabe. Modell- oder Providerwechsel laufen gegen das Eval-Set, bevor sie live gehen; „neuer" ist kein Release-Grund.

Welche Fälle ohne Freigabe laufen dürfen, legen wir mit euch nach den ersten Wochen Betrieb fest — nicht im Angebot.

Wir haben das zuerst bei uns selbst gebaut — bei Rechnungen, Bankumsätzen und Mapping-Vorschlägen.

Unser eigener Beleg-Workflow läuft so: Eine Rechnung kommt an, OCR und strukturierte Extraktion lesen sie gegen ein Schema, Regeln prüfen Summen und Pflichtfelder, und der Bank-Abgleich — intern heißt das Werkzeug abacus — schlägt zu jedem Umsatz Rechnungs-Kandidaten vor. Zugeordnet wird von Hand, mit Freigabe. In dpipe, unserer Integrationsbasis, macht AI Mapping-Vorschläge, Feld-Matching und erklärt Anomalien; jede Mapping-Änderung wird deterministisch validiert und von einem Menschen freigegeben. Im LAB probieren wir mit Jev, einer kleinen, schnellen Modellklasse, wo Entscheiden statt Schreiben reicht:

Wo Jev bei uns läuft

  • E-MailAuswertung und Kategorisierung eingehender Mails
  • DokumenteKategorisierung, bevor ein Vorgang daraus entsteht
  • Browserlokales Agent-Browsing mit jev-ultrafast, Open Source von Browser Use
  • SucheReranking der Treffer in openchat, unserem internen Chat-Werkzeug
  • SEOjev-seo im seomatter-System

Und für Sanacorp haben wir den Dokumentenprozess gebaut: Lieferbelege und Rechnungen für Apotheken, ausschließlich digital, einschließlich E-Rechnung.

Es beginnt mit dem Stapel — nicht mit einer Modellliste.

Bringt keine Modellliste mit; wir verkaufen keine Modell-Menüs, sondern die Box, die läuft. Bringt den Stapel, der jeden Morgen wieder da ist: dreißig echte Dokumente, Mails oder Fragen, so wie sie ankommen — einschließlich der schlechten Scans und der Mail, bei der auch eure Kollegin erst nachfragen muss. An ihnen sehen wir, welche Klassifikation trägt, welche Werte das Schema braucht, wo die Freigabe sitzt und ob überhaupt ein Modell nötig ist. Die drei kaputten Scans sind dabei die wichtigsten. Die zehn perfekten PDFs kann jeder.

Daraus entsteht ein Eval-Set, aus dem Eval-Set die erste Strecke, aus der Strecke der Betrieb. Wenn bei euch heute jemand liest, bevor irgendein System weiß, was es ist:

Für wen das passt — und wann eine Regel reicht.

Passt, wenn es einen wiederkehrenden Vorgang mit Dokumenten, Mails oder Fragen gibt, bei dem heute Menschen sortieren, abtippen oder suchen; wenn die Daten vorhanden und die Rechte klärbar sind; wenn eine Rolle freigeben darf — und wenn ihr bereit seid, den Workflow zu ändern statt ihn bloß zu beschleunigen.

Passt nicht, wenn AI gezeigt werden soll, ohne dass ein Nutzerjob benannt ist. Nicht für einen Chatbot über alle Dokumente ohne Rechte und Quellen. Nicht, wenn eine deterministische Regel das Problem vollständig löst — die bauen wir gern, aber sie braucht kein Modell. Und nicht, wenn das Ergebnis nie falsch sein darf und zugleich niemand freigeben kann; dieses Problem löst kein Modell, sondern ein Prozess.

Die Fragen, die nach dem Wort AI immer kommen.

Welche Modelle setzt ihr ein?

Die, die den Job erfüllen — nach Aufgabe, Qualität, Kosten, Latenz, Hosting und Wechselbarkeit. Wir dokumentieren, warum eine Komponente ihren Job macht und welche Grenze bleibt; ein Modell-Menü verkaufen wir nicht. Modelle sind austauschbare Komponenten hinter einem Vertrag, und jeder Wechsel läuft gegen euer Eval-Set.

Bleiben unsere Daten bei uns?

Jedes System sieht, was sein Job verlangt, und keinen Datensatz darüber hinaus; DE-Hosting ist unser Default. Welche Datenklasse verarbeitet wird, wo Inferenz und Speicherung stattfinden und welcher Anbieter was zu welchem Zweck erhält, steht im Betriebskonzept — bevor die erste Rechnung durchläuft. Die Architektur dahinter zeigen wir euch, Feld für Feld.

Was heißt ‚ein Mensch gibt frei' konkret?

Welche Entscheidung geprüft wird, welche Information die Person dafür sieht, ob die AI nur vorbereitet oder schon gewirkt hat, wann ein Fall automatisch eskaliert und was nach einer Korrektur passiert. Der Mensch soll nicht jedes Ergebnis komplett neu erarbeiten — sonst wurde keine Arbeit verbessert, nur eine Kontrollschicht gebaut.

Können wir mit einem Chatbot anfangen?

Ja, wenn er korrekt benannt ist: eine Suche mit Quelle und Rechten ist ein guter erster Slice. Wir raten nicht vom kleinen Schritt ab, sondern davon, seine Wirkung größer zu erzählen als seine Architektur. Was wir nicht bauen, ist der Chat über alle Dokumente ohne Rechte und ohne Quellen.

Wie verhindert ihr erfundene Antworten?

Antworten nur aus bereitgestellten Belegen, Quelle je Aussage, ein sichtbarer Zustand „nicht genug Belege" statt einer flüssigen Erfindung, Rechte vor der Suche statt im Prompt — und ein Eval-Set aus euren echten Fragen, gegen das jede Änderung an Suche, Modell oder Prompt läuft. Verhindern heißt hier: sichtbar machen und stoppen, bevor es wirkt.

Was ist mit Anweisungen, die in Dokumenten stehen?

Dokumentinhalt ist für uns Datenmaterial, keine Instruktion — auch wenn im PDF steht, das System solle vorherige Regeln ignorieren. Werkzeuge haben eine Allowlist erlaubter Aktionen, irreversible Wirkung braucht eine Freigabe, und das Eval-Set enthält absichtlich solche Dokumente.

Nutzt ihr AI auch beim Bauen selbst?

Ja. Agenten planen, implementieren, testen und dokumentieren mit — orchestriert über eigene interne Werkzeuge wie agentkit und cortex. Verantwortung für Architektur, Security, Qualität und Produktion tragen Menschen, und wo Urteilsvermögen gebraucht wird, sitzt einer. So bauen wir auch eure Strecke.

Reicht nicht Copilot oder ChatGPT Enterprise?

Für die Person am Schreibtisch oft ja: schneller formulieren, zusammenfassen, nachfragen. Für den Stapel nicht. Ein Chatfenster weiß nicht, zu welcher Bestellung die Rechnung gehört, welche Abweichung toleriert wird und wer bei einem Konflikt entscheidet — diese drei Dinge stehen in eurem Datenmodell, und erst dort verändert ein Modell den Workflow, statt ihn zu kommentieren. Beides zusammen geht; das Chatfenster allein ist der Anstrich.

Was kostet das — und wovon hängt es ab?

Beim Bauen: Dokumenttypen mal Layouts mal Freigabestufen — wie viele Arten von Dokumenten oder Mails ankommen, wie unterschiedlich sie aussehen und an wie vielen Stellen jemand freigibt. Im Betrieb: Dokumentmenge, Modellklasse und die Quote der Fälle, die noch eine Freigabe brauchen; sinkt sie, sinken die Kosten je Fall. Für die erste Strecke bekommt ihr die Zahl vor dem Start, auf Basis eurer dreißig echten Dokumente — schickt sie uns.