Aus Sensordaten, Bildmaterial, Meldungen und Dokumenten wird belastbare Erkenntnis: Wir bauen KI-Systeme, die auswerten, einordnen und begründen, während die Entscheidung beim Menschen bleibt.
Der Engpass ist selten fehlende Information, sondern die Zeit, sie auszuwerten. Sensordaten, Bildmaterial, Meldungen, Berichte und Bestandsdaten liegen in getrennten Systemen und Formaten, und ihr Umfang wächst schneller als die Zahl derer, die sie sichten können. Wer daraus eine Lage beurteilen, einen Bedarf planen oder einen Befund prüfen muss, verbringt die meiste Zeit mit Zusammensuchen statt mit Beurteilen.
Sensorik, Kameras, Meldewege und Datenquellen kommen aus Ihrem Haus oder von Ihren Zulieferern. Wir bauen, was daraus Erkenntnis macht: Daten zusammenführen, Bilder auswerten, Auffälligkeiten sichtbar machen, Bestände durchsuchbar halten, Optionen durchrechnen. Nachvollziehbar, mit Beleg für jede Aussage, ohne die Bewertung vorwegzunehmen, und auf Wunsch vollständig in Ihrer eigenen Infrastruktur, auch ohne Netz.
Wer eine Lage beurteilen oder einen Einsatz planen muss, braucht die relevanten Informationen an einer Stelle, zeitlich und räumlich zueinander passend. Wir führen Sensordaten, Meldungen sowie Fach- und Bestandssysteme in eine gemeinsame Datenbasis zusammen: mit Abgleich unterschiedlicher Formate, Auflösung von Doppelmeldungen und einem durchgehenden Herkunftsnachweis. Zu jedem Datenpunkt bleibt nachvollziehbar, woher er kommt und wie alt er ist.
Drohnen, Satelliten und Kameras liefern mehr Bildmaterial, als Menschen sichten können. Wir bauen Systeme, die Objekte erkennen, Veränderungen zwischen Aufnahmen feststellen und nur die Stellen vorlegen, die ein Mensch prüfen muss, jeweils mit Bildausschnitt als Beleg und Angabe, wie sicher die Erkennung ist. Wo Bandbreite knapp ist, läuft die Erkennung direkt auf Drohne oder Kamera; für seltene Zielobjekte ergänzen wir reale Aufnahmen um synthetische.
Wir ermöglichen Ihnen natürlichsprachigen Zugriff auf Ihre Vorschriften, Berichte, Dokumentationen und Meldungsarchive. Antworten belegen wir direkt aus Ihren Beständen statt aus dem Modellgedächtnis und setzen dabei auf offene Frameworks (z. B. Haystack oder LangChain) für maximale Modell-Unabhängigkeit. Unsere KI-Agenten übernehmen mehrschrittige Aufgaben wie Recherchen oder Berichtsentwürfe, stets mit menschlicher Freigabe. Integrierte Rechte- und Vertraulichkeitskonzepte garantieren, dass geschützte Inhalte in Antworten nur für Befugte sichtbar sind.
Mit unserer Hilfe identifizieren Sie Abweichungen in Ihren Sensor-, Netz- und Meldungsströmen frühzeitig, bevor sie zum Problem werden – selbst bei minimaler Datenbasis für Fehlerfälle. Statt bloßer Fehlalarme bekommen Sie handlungsrelevante Hinweise: inklusive transparenter Begründung, Vergleichskontext und verlässlicher Einschätzung der Unsicherheit.
Sie können Ihren Verbrauch, Nachschubbedarf und Ihre Verfügbarkeiten auf Basis historischer Daten und bekannter Einflussgrößen prognostizieren – stets mit Angabe von Unsicherheitsbereichen statt einer Scheingenauigkeit. Prognosen sind dann nützlich, wenn klar ist, wie sehr man ihnen trauen kann.
Mit unseren Lösungen planen, ordnen und priorisieren Sie Ihr Personal, Material, Ihre Instandsetzungskapazitäten und Zeitfenster präzise unter Berücksichtigung sämtlicher harter Nebenbedingungen. Dafür setzen wir auf mathematische Optimierung mit garantierten Eigenschaften statt auf reine Lernverfahren, wo Verlässlichkeit entscheidet. So machen wir auch transparent berechenbar, welche Auswirkungen und Kosten eine Änderung an einer Stelle auf das gesamtheitliche System hat.
Im ersten Termin untersuchen wir Ihren Anwendungsfall: Was heute schon möglich ist, was eine belastbare Datenbasis voraussetzt und was sich zuerst lohnt.
Wir verfügen über jahrelange Erfahrung mit Data- und KI-Systemen im Produktivbetrieb:
Für Betreiber kritischer Infrastruktur, in regulierten Umfeldern und dort, wo Fehlentscheidungen teuer sind.
Jede Ausgabe unserer Systeme lässt sich zurückverfolgen: auf welche Daten sie sich stützt, wie alt diese sind und wie sicher die Einschätzung ist. Bei dokumentenbasierter Assistenz belegen wir Antworten mit der konkreten Quelle, statt sie frei formulieren zu lassen. Ein System, dessen Aussagen man nicht prüfen kann, wird in der Praxis entweder blind geglaubt oder ignoriert. Beides ist ein Risiko.
Wir bauen Entscheidungsunterstützung, keine automatisierten Entscheidungen. Das System verdichtet, ordnet ein und schlägt Optionen mit Begründung vor; Bewertung und Entscheidung bleiben bei den zuständigen Menschen. Dazu gehört auch, dass Grenzen sichtbar sind: unzureichende Datenlage, veraltete Eingangsdaten oder eine Situation außerhalb des Trainingsbereichs werden ausgewiesen, nicht überspielt.
Die Modelle laufen bei Ihnen: auf eigener Hardware, auf Wunsch in getrennten Netzen, ohne dass Daten Ihre Umgebung verlassen. Wie wir das über offene Modelle und reproduzierbares Training absichern, beschreiben wir unter Digitale Souveränität. Damit ein Modell dort dauerhaft verlässlich arbeitet, überwachen wir seine Güte im Betrieb und legen Fallback-Pfade für Ausfall oder Qualitätsabfall fest. Wo eine Programmierschnittstelle wirtschaftlicher ist, sagen wir das ebenso.
Wir beginnen mit der Frage, ob die Datenlage das Vorhaben trägt, und sagen es, wenn nicht. Häufig ist der erste sinnvolle Schritt nicht ein Modell, sondern eine belastbare Datenbasis. Diese Reihenfolge verlangt am Anfang Geduld und spart später viel Geld.
Für Open Grid Europe, Betreiberin eines überregionalen Gasfernleitungsnetzes, haben wir eine Lösung zur Inhaltsanalyse von Rechtstexten mit generativer KI umgesetzt, auf internen, nicht öffentlichen Beständen. In einem zweiten Vorhaben haben wir den natürlichsprachigen Zugriff auf Unternehmensdaten realisiert.
Für die ARCUS Kliniken haben wir die Bettenplanung automatisiert: Belegung unter harten Nebenbedingungen, mit nachvollziehbaren Ergebnissen und einem Verfahren, dessen Eigenschaften garantiert sind statt statistisch geschätzt.
Für REWE digital haben wir die Prognose des Warenbedarfs umgesetzt: Vorhersage auf Basis historischer Daten und bekannter Einflussgrößen, in einer Kette, in der eine Fehlprognose unmittelbar sichtbar wird.
Mit SMIGHT, einem Tochterunternehmen der EnBW, haben wir den SMIGHT IQ Copilot entwickelt. Auf Basis von Messdaten lassen sich steuerbare Verbraucher und Erzeuger regeln, um bei drohender Überlastung einen Ausfall des Stromnetzes zu verhindern. Die vorgenommenen Eingriffe werden dokumentiert und erfüllen damit die gesetzliche Nachweispflicht.
Die Zuständigkeit. Ein unterstützendes System verdichtet Informationen, macht Auffälligkeiten sichtbar und legt Optionen mit Begründung vor. Die Bewertung und die Entscheidung liegen bei den zuständigen Menschen, und dafür müssen Herkunft, Aktualität und Unsicherheit der zugrundeliegenden Daten sichtbar sein.
Indem das Modell nicht als Wissensquelle eingesetzt wird. Bei Retrieval-Architekturen werden Antworten aus den vorhandenen Dokumentenbeständen abgerufen und mit der konkreten Fundstelle belegt; das Modell formuliert, es erinnert sich nicht. Fehlt eine Grundlage, ist die korrekte Antwort „dazu liegt nichts vor“. Ob ein System sich so verhält, lässt sich prüfen: mit einem Testsatz aus Fragen mit bekannter Antwort und Fragen mit bekannter Lücke, der bei jeder Änderung erneut durchläuft. Vollständig ausschließen lässt sich eine Falschausgabe nicht. Deshalb gehören Nachvollziehbarkeit jeder Aussage und die Zuständigkeit des Menschen zum Systementwurf, nicht zum Kleingedruckten.
Das ist der Normalfall und keine Ausnahme: Gerade die Ereignisse, um die es geht, sind selten. Für sie eignen sich Verfahren, die das erwartbare Verhalten modellieren und Abweichungen davon melden, statt den Ausnahmefall aus Beispielen zu lernen, für die es keine ausreichende Zahl gibt. Ergänzend helfen Simulation, Übertragung aus verwandten Domänen, in denen mehr Daten vorliegen, und Verfahren, die mit wenigen Beispielen auskommen. Eine ehrliche Datenbewertung gehört an den Anfang: Trägt die Datenlage einen Anwendungsfall nicht, ist das vor dem Bauen festzustellen. Die Alternative ist ein System, dessen Ausgaben niemand verantworten kann.
Ja. Modelle mit offenen Gewichten (Open Weights) lassen sich auf eigener Hardware betreiben, die Inferenz läuft dann lokal ohne Verbindung nach außen, und auch der Betrieb in getrennten Netzen ist umsetzbar. Zu klären ist jeweils der Rechenbedarf: Große Sprachmodelle stellen Anforderungen an Hardware, die an abgesetzten Standorten oder auf mobilen Systemen nicht immer erfüllbar sind. Häufig ist ein kleineres, auf die Domäne angepasstes Modell die tragfähigere Wahl, weil es mit weniger Rechenleistung auskommt und sich leichter aktualisieren lässt.
Die Verordnung nimmt KI-Systeme aus, wenn und soweit sie ausschließlich für militärische Zwecke, Verteidigungszwecke oder Zwecke der nationalen Sicherheit in Verkehr gebracht oder verwendet werden, unabhängig davon, ob eine staatliche oder private Einrichtung sie betreibt. Ihre Methodik bleibt trotzdem nützlich: Risikobewertung, Dokumentation der Datenherkunft, Nachvollziehbarkeit der Ausgaben und Anforderungen an menschliche Aufsicht sind fachlich sinnvoll, unabhängig von der Rechtspflicht. Wer ein System zugleich für einen militärischen und einen zivilen oder polizeilichen Zweck in Verkehr bringt, fällt in den Anwendungsbereich. Strafverfolgung und öffentliche Sicherheit sind von der Ausnahme nicht erfasst.
Die Bedrohungslage wartet nicht auf lange Entwicklungszyklen. Wir bringen Ihre Software in Release-Geschwindigkeit – souverän, sicher, einsatzbereit.