KI-Entwicklung: individuelle KI-Anwendungen und KI-Software entwickeln lassen
Wenn fertige Tools nicht reichen, entwickeln wir die KI-Anwendung selbst: RAG-Systeme auf deinem Firmenwissen, Agenten, die mehrere Systeme bedienen, B2B-Anwendungen für Angebote und Produktdaten bis hin zur eigenen KI-Plattform. Modellunabhängig, sauber integriert und produktionsreif betrieben.
Wann sich individuelle KI-Entwicklung lohnt
Für viele Aufgaben reichen fertige KI-Tools. Individuelle Entwicklung lohnt sich, sobald mindestens einer von drei Punkten zutrifft: Die Lösung muss mit deinen eigenen Daten und Systemen arbeiten, also mit ERP, PIM, CRM oder Dokumentenablagen. Sie soll einen Prozess nicht nur unterstützen, sondern Schritte selbst ausführen. Oder die Anforderungen an Datenschutz, Qualität und Nachvollziehbarkeit sind so hoch, dass du Architektur, Modell und Betrieb selbst in der Hand haben willst.
Dann entwickeln wir die Anwendung als eigenes System: mit einer Architektur, die Modelle austauschbar hält, mit sauberen Schnittstellen zu deinen Systemen und mit einer Qualitätsmessung, die zeigt, ob die KI im Alltag verlässlich arbeitet. Unser Hintergrund in Business-Software und Symfony hilft dabei, denn eine KI-Anwendung ist zuerst gute Software und erst dann KI.
Was wir entwickeln
Von der einzelnen KI-Funktion in bestehender Software bis zur eigenen Plattform.
KI-Anwendungen im B2B
Angebots- und Ausschreibungsassistenten, Produktdaten und Kataloge, Kundenportale mit KI, angebunden an ERP und Shop.
RAG-Wissenssysteme
KI, die auf deinem Firmenwissen antwortet: Vektorsuche, Rechtekonzept und Quellenangaben.
Agenten & Multi-Agenten-Workflows
Agenten, die planen, Werkzeuge nutzen und zusammenarbeiten, mit Leitplanken und Freigaben.
LLM-Integration & Modellwahl
KI-Funktionen in bestehende Software, Shops, Portale und interne Tools einbauen, mit dem passenden Modell.
Modelltraining & Fine-Tuning
Modelle auf deine Daten anpassen, eigene Embeddings und Evaluation, wenn Prompting und RAG nicht reichen.
KI-Infrastruktur & Betrieb
Open-Source-Modelle on-premise oder in der EU-Cloud, GPU-Hosting, Monitoring und Kostenkontrolle.
Technologie: bewährte Bausteine statt Eigenbau um jeden Preis
Wir wählen Werkzeuge nach dem Anwendungsfall. Typische Bausteine in unseren Projekten sind Sprachmodelle von OpenAI, Anthropic, Google oder Mistral sowie Open-Source-Modelle wie Gemma, Qwen oder gpt-oss (Lizenz je Modell geprüft), Frameworks für Agenten und Retrieval wie LangChain, LangGraph oder LlamaIndex, das Model Context Protocol (MCP) für den kontrollierten Zugriff auf Werkzeuge und Vektorsuche in PostgreSQL oder spezialisierten Vektordatenbanken.
Entwickelt wird in TypeScript, Python oder PHP, je nachdem, was zu deiner Systemlandschaft passt. Wiederkehrende Abläufe und Systemanbindungen setzen wir gern mit n8n um, weil sich solche Workflows auch später noch gut nachvollziehen und anpassen lassen. Betrieben wird in EU-Rechenzentren, auf unserer gemanagten Infrastruktur oder bei dir.
KI-Softwareentwicklung: Stack und Architektur
Eine produktive KI-Anwendung besteht aus mehr als einem Modellaufruf. Unsere Architektur folgt fast immer denselben Schichten:
- Oberfläche oder Integration: eigene Web-Anwendung, Einbindung in Teams, Shop, CRM oder ein Kundenportal.
- Orchestrierung: Ablauflogik, Agenten und Workflows, etwa mit LangGraph, n8n oder dem Model Context Protocol.
- Modell-Gateway: ein zentraler Zugang zu den Sprachmodellen (LLM) mit Modellwahl pro Aufgabe, Budgets und Ausweichmodell, falls ein Anbieter ausfällt.
- Wissen und Daten: Vektorsuche und Datenbanken für RAG, Anbindung an ERP, PIM oder DMS.
- Leitplanken: Rechte, Eingabe- und Ausgabeprüfungen, Freigaben, siehe Guardrails.
- Evaluation und Monitoring: Testfälle, Protokolle, Kosten und Qualität im Betrieb, siehe MLOps.
Diese Trennung sorgt dafür, dass ein Modellwechsel, ein neues Frontend oder eine weitere Datenquelle keinen Neubau bedeuten.
Unsere eigenen KI-Anwendungen
Wir entwickeln nicht nur für Kunden, sondern betreiben eigene KI-Anwendungen im Alltag. SensOS ist unsere Plattform für Marketing-Analysen, Content-Planung und Automatisierung. Sie führt Daten aus Suchmaschinen, Werbekonten und CRM zusammen und stellt sie KI-Assistenten über eine eigene Schnittstelle zur Verfügung.
Für unser Content-Management haben wir einen MCP-Server gebaut: KI-Assistenten legen darüber Seiten an, pflegen Inhalte, setzen interne Links und prüfen SEO-Kennzahlen, mit abgestuften Rechten, Schreibschutz für sensible Bereiche und Protokollierung. Und ein GEO-Monitoring stellt wöchentlich typische Kundenfragen an KI-Suchsysteme und misst, welche Marken und Quellen in den Antworten auftauchen.
Diese Projekte zeigen, worauf es bei KI-Software ankommt: klare Schnittstellen, Rechte, Nachvollziehbarkeit und ein Betrieb, der auch nach dem Launch funktioniert.
Qualität messen statt hoffen
Eine KI-Anwendung ist nur so gut wie ihre schlechtesten Antworten. Deshalb legen wir zu Beginn jedes Projekts einen Satz echter Testfälle mit erwarteten Ergebnissen an. Gegen diesen Satz messen wir jede Änderung am Prompt, am Modell oder an den Daten, bevor sie live geht.
Im Betrieb ergänzen wir Leitplanken gegen falsche oder unerwünschte Ausgaben, protokollieren Entscheidungen und Kosten und überwachen, ob die Qualität mit der Zeit nachlässt. So wird aus einem gelungenen Prototyp eine Anwendung, der dein Team vertraut.
Was kostet die Entwicklung einer KI-Anwendung?
Die Kosten einer KI-Anwendung entstehen in vier Phasen, die wir einzeln anbieten, damit du nach jeder Phase entscheiden kannst:
- Discovery: Anwendungsfall, Daten und Systeme klären, Erfolgskriterien und Testfälle festlegen. Meist wenige Tage bis zwei Wochen.
- Prototyp: eine lauffähige Version mit echten Daten, gemessen an den Testfällen. Typisch sind einige Wochen.
- Produktentwicklung: Ausbau zur stabilen Anwendung mit Rechten, Anbindungen, Oberfläche und Tests. Je nach Umfang mehrere Wochen bis Monate, schrittweise ausgeliefert.
- Betrieb: Hosting, Modellkosten, Monitoring und Weiterentwicklung als laufende monatliche Kosten.
Die größten Kostentreiber sind die Datenlage, die Zahl der Systemanbindungen, die Anforderungen an Rechte und Nachvollziehbarkeit und das Betriebsmodell. Nach dem Prototyp bekommst du eine belastbare Schätzung für den Ausbau.
Vom Prototyp zur produktiven KI-Anwendung
Schritt 1
Discovery
Ziel, Datenlage, Systeme und Risiken klären; Testfälle und Erfolgskriterien festlegen.
Schritt 2
Prototyp
Ein schlanker Prototyp mit echten Daten zeigt, ob der Ansatz trägt, und welches Modell am besten passt.
Schritt 3
Produktentwicklung
Architektur, Schnittstellen, Rechtekonzept, Leitplanken und Evaluation; schrittweise Auslieferung.
Schritt 4
Betrieb
Hosting, Monitoring, Kostenkontrolle, Modell-Updates und Weiterentwicklung, auf Wunsch über e-levator:ai.
Häufige Fragen zur KI-Entwicklung
Was kostet die Entwicklung einer KI-Anwendung?
Das hängt von Umfang, Datenlage und Integrationen ab. Wir starten meist mit einer kurzen Discovery-Phase und einem Prototyp, danach bekommst du eine belastbare Schätzung für die Produktentwicklung.
Müssen wir ein eigenes Modell trainieren?
Meist nicht. Die meisten Anwendungsfälle lassen sich mit guten Prompts und RAG auf deinen Daten lösen. Training oder Fine-Tuning lohnt sich, wenn ein Modell einen sehr speziellen Stil, ein Fachvokabular oder eine Aufgabe in großer Menge günstig erledigen soll.
Welche Modelle und Frameworks setzt ihr ein?
Wir arbeiten modellunabhängig mit OpenAI, Claude, Gemini, Mistral und Open-Source-Modellen sowie mit Frameworks wie LangChain, LangGraph, LlamaIndex und dem Model Context Protocol. Die Auswahl richtet sich nach Aufgabe, Datenschutz und Kosten.
Läuft die Anwendung in der Cloud oder bei uns?
Beides ist möglich: in EU-Rechenzentren, auf unserer gemanagten Infrastruktur in Deutschland oder on-premise bei dir, dann mit selbst gehosteten Open-Source-Modellen.
Wie verhindert ihr Halluzinationen?
Mit Quellenbindung, Leitplanken, Freigaben vor kritischen Aktionen und einer Evaluation gegen echte Testfälle vor jedem Release. Ganz ausschließen lässt sich ein Fehler nie, aber er wird seltener, besser erkennbar und meist abgefangen.
Wie lange dauert ein Prototyp?
Ein Prototyp mit echten Daten dauert typischerweise wenige Wochen. Danach ist klar, ob sich die Produktentwicklung lohnt und was sie umfasst.
Du hast eine KI-Idee, die über einen Chatbot hinausgeht?
Erzähl uns davon. Wir prüfen die Machbarkeit, schlagen eine Architektur vor und zeigen, wie ein erster Prototyp aussieht.