Künstliche
Intelligenz
Zuverlässige KI-Lösungen dank messbarer Qualität – echter Mehrwert statt ewiger Prototypen
Künstliche Intelligenz in der Softwareentwicklung: Was zählt wirklich?
Künstliche Intelligenz ist längst kein Zukunftsthema mehr. Die entscheidende Frage ist nicht, ob KI eingesetzt wird, sondern ob eine KI-Lösung verlässlich genug für den produktiven Betrieb ist. Pilotprojekte wirken häufig überzeugend, bleiben aber unsicher oder unzuverlässig.
Wir entwickeln seit über 25 Jahren individuelle Software und verbinden die Sicherheits- und Qualitätsansprüche klassischer Softwareentwicklung mit messbarer Qualität von KI-Komponenten. Unser KI-Bereich begleitet Unternehmen von der ersten Use-Case-Bewertung bis zur Implentierung produktiver KI-Lösungen – vom klassischen Machine Learning über Large Language Models bis zu agentischer KI.
Unsere Leistungen im Überblick
Unsere Referenzen im Bereich Telematik- und Automotivesoftware
Individuelle Telematiksysteme, Fuhrpark Software, Flottenmanagement und Automotivesoftware.
Telematik- und Logistik-Anwendungen - Fleetboard
Unser Projekt Fleetboard bei Daimler Trucks als wegweisende Telematikanwendung …
Fuhrpark Software
Mercedes-Benz Uptime: vollumängliches Flottenmanagement-Portal …
Telematik im Lkw
MAN DigitalServices: Cloudbasiertes Telematiksystem für LKWs mit über 100.000 angebundenen Fahrzeugen …
Software für Free-Floating Carsharing
Entwicklung einer skalierbaren Carsharing Software für die Volkswagen-Tochter UMI — von der nativen App bis zur cloud-nativen Flottensteuerung im Livebetrieb …
Agile Entwicklung von Flottenmanagement Software - Webfleet Solutions
Wie unser Domänenwissen aus der Entwicklung von Flottenmanagement Software die agile Transformation bei Webfleet Solutions möglich gemacht hat …
Welche Arten von Künstlicher Intelligenz gibt es?
Künstliche Intelligenz ist ein Sammelbegriff für sehr unterschiedliche Technologien. Für die Praxis ist die Unterscheidung entscheidend, denn jede Technologie hat eigene Stärken, Kosten und Qualitätsanforderungen. Unser Grundsatz lautet: Wo eine klassische Softwarelösung ausreicht, ist sie die bessere Wahl dann Machine Learning dann LLM.
Klassisches Machine Learning
Ein Modell lernt aus historischen Daten, Muster zu erkennen und Fälle einzuordnen. Der Ablauf folgt einem festen Muster: Datensammlung und Data Engineering, Modellauswahl und Trainingskonfiguration, Training mit Frameworks wie TensorFlow oder scikit-learn, anschließend Evaluation und Deployment.
Verfahren wie XGBoost liefern in Klassifikationsaufgaben oft bessere Ergebnisse als große Sprachmodelle – bei einem Bruchteil der Kosten und mit Entscheidungszeiten im Millisekundenbereich.
Large Language Models (LLMs)
Ein Large Language Model zerlegt Text zunächst in Tokens und überführt diese in Vektoren. Auf dieser Basis sagt das Modell das jeweils nächste Token vorher – daraus entsteht die Fähigkeit, Sprache zu verstehen und zu erzeugen.
Beim Einsatz stellt sich früh die Architekturfrage: Cloud-APIs proprietärer Anbieter wie OpenAI, Google oder Anthropic, abgerechnet pro Token – oder self-hosted Open-Weight-Modelle wie Qwen, GLM, DeepSeek oder Mistral, betrieben über Frameworks wie vLLM oder Ollama. Letzteres erfordert GPU-Hardware, hält aber sensible Daten im Haus.
Chatbots und Assistenzsysteme
Der Klassiker unter den LLM-Anwendungen – und technisch anspruchsvoller als er wirkt. LLMs sind stateless: Die Nachrichtenhistorie muss in der Anwendung gespeichert und bei jeder Anfrage mitgegeben werden.
Da der Kontext begrenzt ist, braucht es Strategien zum Kürzen langer Konversationen. Guardrails verhindern ungewollte Ein- und Ausgaben, Rate Limits und Kostentracking schützen bei Cloud-APIs vor unerwarteten Rechnungen.
04
Retrieval-Augmented Generation (RAG)
RAG verbindet ein Sprachmodell mit Ihrem eigenen Wissen. Im Ingestion-Prozess wird die Wissensbasis in Chunks zerlegt, in Vektoren umgewandelt und in einer Vektordatenbank wie Chroma, Milvus oder PG-Vector gespeichert. Bei einer Anfrage werden die passendsten Chunks gesucht und dem Modell mitgegeben.
Ein brauchbares Retrieval ist schnell gebaut – ein sehr gutes verlangt Techniken wie ReRanking, hybride Suche aus semantischer und Keyword-Suche oder Graph- und Agentic-RAG.
05
KI-Workflows
Bei komplexeren Aufgaben wird das Problem in klar definierte Einzelschritte zerlegt, jeder mit festgelegtem Input und Output. Einzelne Schritte können deterministisch oder KI-basiert sein und lassen sich dadurch separat optimieren und evaluieren.
LLM-Schritte arbeiten meist mit strukturiertem JSON-Output als Basis für den nächsten Schritt – entsprechend braucht es Fehlerbehandlung, etwa Retries bei ungültigem JSON. Umgesetzt wird das mit Frameworks wie LangGraph oder Tools wie n8n und Camunda AI.
06
KI-Agenten
Agenten sind autonome, iterativ arbeitende KI-Programme, die selbstständig Werkzeuge einsetzen – von Datenbankabfragen über Websuche bis zu API-Calls. Weil ein Agent mit jeder Iteration mehr Kontext ansammelt, ist Kontext-Engineering zentral für gute Ergebnisse.
Zusätzlich braucht es Absicherung gegen Prompt-Injection und ungewollte Tool-Aufrufe sowie robustes Error-Handling. KI-Agenten sind die Basis für den disruptiven Einfluss von KI in der Softwareentwicklung.
Was KI-Software von klassischer Software unterscheidet
Der wesentliche Unterschied ist der Nicht-Determinismus: KI-Komponenten arbeiten probabilistisch. 100 % Korrektheit kann mit einem KI-Modell nie garantiert werden – anders als bei klassischer Software, die bei gleicher Eingabe stets dasselbe Ergebnis liefert. Das ist kein Mangel, sondern eine Eigenschaft, mit der die Architektur umgehen muss.
Gleichzeitig gilt: Auch manuelle Prozesse sind nicht fehlerfrei. In einem unserer Projekte im öffentlichen Sektor lag die Fehlerquote der bisherigen manuellen Bearbeitung bei 3 % – trotz Vier-Augen-Prinzip. Die richtige Frage ist deshalb nicht, ob eine KI-Lösung fehlerfrei ist, sondern ob sie messbar besser ist als der bestehende Prozess.
KI Messbarkeit: Wie wir die Qualität von KI-Lösungen messbar machen
01
Evaluation gegen Ground Truth
Die manuellen Entscheidungen aus der Vergangenheit werden zur Bewertungsgrundlage. In einem Klassifikationsprojekt im öffentlichen Sektor haben wir auf dieser Basis die Korrektheit iterativ von rund 93 % auf 99,5 % gehoben – die Modellkonfiguration erfolgte durchgehend datenbasiert, nicht nach Gefühl.
02
LLM-as-a-judge
Wo es keine eindeutig richtige Antwort gibt, etwa bei Zusammenfassungen, werden Musterantworten von Fachpersonal mit den generierten Ergebnissen verglichen – bewertet durch ein weiteres Sprachmodell. So lassen sich Modelle und Prompts faktenbasiert auswählen statt nach subjektivem Eindruck.
03
Jeder Teilschritt separat evaluiert
In einem KI-Dokumentenmanagement im Gesundheitswesen haben wir Texterkennung, Zusammenfassung und Informationsextraktion einzeln bewertet und optimiert. Für die OCR-Stufe wurden Ground Truths repräsentativer PDFs automatisiert mit den Erkennungsergebnissen verglichen und die Modelle auf den konkreten Use Case optimiert.
04
Retrieval getrennt von der Antwort bewerten
Bei RAG-Lösungen prüfen wir die Suche unabhängig von der generierten Antwort: Hit Rate und Recall zeigen, ob die richtigen Quellen gefunden wurden, Precision den Anteil relevanter Treffer, der Mean Reciprocal Rank die Position der richtigen Quellen im Ergebnis.
05
Beobachtung im Produktivbetrieb
Nach dem Go-live wird systematisch weiter gemessen. Bei einer agentischen Zuordnungslösung im öffentlichen Sektor wird jede KI-Entscheidung menschlich gereviewt und die Korrekturrate erfasst und bereitgestellt – so bleibt die Qualität dauerhaft sichtbar und die menschliche Kontrolle erhalten.
06
Observability und LLMOps
Die Nachvollziehbarkeit jeder Ein- und Ausgabe entlang der Verarbeitungskette ist Voraussetzung für Optimierung. MLOps und LLMOps erfordern neben klassischem DevOps deshalb auch Observability der KI-Komponenten und laufende Datensammlung.
„Künstliche Intelligenz bringt dann echte Mehrwerte für Ihr Unternehmen, wenn Sicherheits- und Qualitätsansprüche herkömmlicher Software mit messbaren Qualitätsverbesserungen durch KI-Elemente kombiniert werden.“
Dr. Danny Hucke
KI Lead und wissenschaftlicher Referent bei IT Sonix
KI in unserer Arbeit
Wie wir Künstliche Intelligenz einsetzen
Während andere den Fokus auf die Verkürzung der Implementierungszeit legen, ist die KI-gestützte Bereitstellung bei uns fest in den täglichen Arbeitsablauf integriert. Für unsere Kunden bedeutet das messbare geschäftliche Vorteile statt nur schnellerer Programmierung: kürzere Release-Zyklen, geringere Nacharbeitskosten und weniger technische Schulden.
KI-Agenten sind für uns Standardwerkzeug, nicht Experiment – eingebettet in Coding-Guidelines, die festlegen, wo KI unterstützt und wo menschliche Prüfung verpflichtend bleibt.
Was das für Ihr Projekt bedeutet
Faster Time-to-Market durch KI-gestützte Entwicklung von der Anforderung bis zum Release, Niedrigere Projektrisiken durch frühe, lauffähige Prototypen statt langer Konzeptphasen, Schnellere Validierung des Produktdesigns mit belastbarem Nutzerfeedback, Operative Effizienz durch automatisierte Reviews, Tests und Dokumentation, Kürzere Release-Zyklen und geringere Nacharbeitskosten, Reduzierung von Technical Debt durch konsistente, automatisierte Qualitätsprüfung
Rapid Prototyping mit KI
Der teuerste Teil eines Softwareprojekts ist die Entscheidung, die sich später als falsch erweist. Rapid Prototyping mit KI verkürzt genau die Phase, in der solche Entscheidungen fallen: Statt Anforderungen über Wochen zu spezifizieren, entsteht innerhalb von Tagen ein lauffähiger Prototyp, an dem sich Annahmen überprüfen lassen.
McKinsey beziffert die Zeitersparnis durch generative KI in Entwicklung und Test auf 30 bis 50 Prozent; Unternehmen, die Anforderungen direkt in Prototypen überführen, berichten von rund 45 Prozent schnelleren Zyklen von der Anforderung zum Prototyp und deutlich weniger Missverständnissen zwischen Fachbereich und Entwicklung. Für Sie zählt dabei weniger die Geschwindigkeit selbst als das, was sie ermöglicht: mehr geprüfte Optionen, bevor Budget in eine Richtung gebunden wird.
Vorgefertigte KI-Set-ups für schnelleren Projektstart
Wir starten nicht bei null. Für wiederkehrende Aufgabenmuster – RAG-Anwendungen, Klassifikation, Dokumentenverarbeitung, Agenten mit Tool-Zugriff – halten wir vorkonfigurierte Set-ups bereit: Projektgerüst, Anbindung an Cloud- und Open-Weight-Modelle, Vektordatenbank, Evaluationsrahmen und Observability sind vorhanden und erprobt.
Das verlagert den Projektstart von der Infrastrukturarbeit direkt auf Ihren fachlichen Anwendungsfall. Die Set-ups sind bewusst technologieoffen gehalten, damit die Wahl zwischen Cloud-API und On-Premises-Betrieb eine fachliche Entscheidung bleibt und keine Folge der Werkzeugauswahl.
KI-Agenten als Standardwerkzeug
In unseren Entwicklungsteams sind KI-Agenten reguläres Handwerkszeug – für Codegenerierung, Refactoring, Testerstellung und Recherche in bestehenden Codebasen.
Der Nutzen liegt nicht im schnelleren Tippen, sondern darin, dass Varianten durchgespielt werden können, für die früher die Zeit fehlte. Entscheidend bleibt der Rahmen: Was ein Agent tun darf, ist in Coding-Guidelines definiert, und jede Änderung durchläuft dieselbe Qualitätssicherung wie manuell geschriebener Code.
Automatisierte KI-Reviews
Jeder Pull Request wird automatisiert geprüft, bevor ein Mensch ihn sieht – auf Sicherheitsmuster, Konsistenz mit den Projektkonventionen, fehlende Tests und typische Fehlerklassen.
Wo ein Review früher Stunden oder Tage in der Warteschlange lag, liegt die Rückmeldung nun innerhalb von Sekunden vor; Branchenanalysen weisen dafür 30 bis 50 Prozent kürzere Durchlaufzeiten bei Pull Requests aus. Der wirtschaftliche Effekt entsteht weniger durch die gesparte Reviewzeit als dadurch, dass Fehler gefunden werden, solange ihre Behebung günstig ist. Menschliche Reviews entfallen dabei nicht – sie beginnen auf einem höheren Niveau.
Datenschutzkonform mit KI arbeiten
Seit dem 2. August 2026 gelten die Transparenzpflichten des EU AI Act unmittelbar – KI-generierte Inhalte und KI-gestützte Dialogsysteme müssen als solche erkennbar sein. Wer heute eine KI-Lösung baut, sollte ihre Einstufung kennen, bevor die Architektur steht.
Wo personenbezogene oder besonders schützenswerte Daten verarbeitet werden, setzen wir Open-Weight-Modelle On-Premises ein – die Daten verlassen das Unternehmen nicht, eine Auftragsverarbeitung mit externen Modellanbietern entfällt. Wo Cloud-APIs sinnvoll sind, klären wir Verarbeitungsort, Aufbewahrungsfristen und Trainingsausschluss vor der ersten Anfrage. Dazu kommen Nachvollziehbarkeit jeder KI-Entscheidung durch Observability und dokumentierte Evaluationsergebnisse – beides Voraussetzung, um Konformität später auch belegen zu können.
Häufig gestellte Fragen
Woran erkenne ich, ob sich Künstliche Intelligenz für meinen Anwendungsfall lohnt?
Entscheidend sind zwei Fragen: Gibt es einen wiederkehrenden Prozess mit nennenswertem manuellem Aufwand – und liegen Daten aus der bisherigen Bearbeitung vor? Wo Eingaben und Ergebnisse dokumentiert sind, lässt sich der Nutzen einer KI-Lösung vorab abschätzen und später messen. Fehlen solche Daten, ist ihre Erhebung meist der erste sinnvolle Schritt. In unserer Use-Case-Evaluation prüfen wir das gemeinsam und schätzen Aufwände für Zeit, Hardware und Personal ab.
Was kostet eine KI-Lösung?
Die Spannweite ist erheblich und hängt vom Ansatz ab. In unseren Projekten lagen die Implementierungsaufwände zwischen etwa 18.000 EUR für eine Rechnungsworkflow-Automatisierung und rund 125.000 EUR für eine komplexe Reklamationsbearbeitung – bei laufenden Kosten zwischen 0 und rund 2.000 EUR im Monat. Maßgeblich für die Wirtschaftlichkeit ist der Vergleich mit dem bisherigen Prozess: In den genannten Fällen standen jährliche Bestandskosten von 200.000 bis 600.000 EUR gegenüber. Zu beachten ist außerdem, dass LLM-Calls im Betrieb teuer werden können und On-Premises-Lösungen Hardware-Investitionen erfordern.
Kann eine KI-Lösung fehlerfrei arbeiten?
Nein – und das ist die wichtigste Erwartung, die es früh zu klären gilt. KI-Komponenten arbeiten probabilistisch, 100 % Korrektheit lässt sich nicht garantieren. Der sinnvolle Vergleichsmaßstab ist der bestehende Prozess: In einem unserer Projekte lag die Fehlerquote der manuellen Bearbeitung bei 3 % trotz Vier-Augen-Prinzip, die KI-Lösung erreichte 97,5 % Genauigkeit bei erhaltenem menschlichem Review. Entscheidend ist, dass die Qualität messbar ist und im Betrieb beobachtet wird.
Bleiben unsere Daten bei einer KI-Lösung im Unternehmen?
Das ist eine Architekturentscheidung, die zu Beginn getroffen wird. Cloud-APIs proprietärer Anbieter sind schnell verfügbar und werden pro Token abgerechnet. Wo Daten das Haus nicht verlassen dürfen, setzen wir Open-Weight-Modelle On-Premises ein – das erfordert GPU-Hardware, hält aber die volle Kontrolle im Unternehmen. Für einen Kunden im Gesundheitswesen haben wir ein Dokumentenmanagement vollständig lokal betrieben, unter bewusst knappen Hardware-Ressourcen.
Wie schnell kommen wir zu einer ersten lauffähigen Lösung?
Durch vorgefertigte KI-Set-ups entsteht ein erster Prototyp typischerweise innerhalb weniger Tage bis Wochen, weil Projektgerüst, Modellanbindung und Evaluationsrahmen bereits vorhanden sind. Der Prototyp dient dabei ausdrücklich der Überprüfung von Annahmen – nicht als Vorstufe des Produktivsystems. Ob und wie es weitergeht, entscheiden die gemessenen Ergebnisse.
Müssen wir eigenes KI-Wissen aufbauen?
Nicht zwingend – aber es hilft erheblich. Unsere Workshopreihe ist genau darauf ausgelegt: Im Grundlagen-Workshop entsteht ein gemeinsames Verständnis von KI, ML und LLMs, in der Use-Case-Evaluation lernen Ihre Teams, Anwendungsfälle und Metriken selbst zu bewerten. Ziel ist, dass Sie KI-Lösungen eigenständig betreiben und weiterentwickeln können.
Wir beraten Sie gerne
Dr. Danny Hucke
Wir verstehen, dass jedes Projekt einzigartig ist. Dr. Danny Hucke freut sich auf ein Gespräch mit Ihnen, um individuelle Lösungen zu finden.
