Wir kleben kein „KI" auf eure Software. Wir prüfen domain-driven, wo ein Modell euren Leuten etwas abnimmt, und sagen es, wenn ein sauberer Prozess die bessere Lösung ist.
KI folgt bei uns derselben Logik wie jedes andere Werkzeug: Erst das Problem und die Daten verstehen, dann das Modell.
Oft ist der bessere Fix kein Modell, sondern ein klarer Prozess oder saubere Daten. Wenn KI nichts bringt, sagen wir das, bevor Budget fließt.
Wir starten beim realen Arbeitsschritt. Ein KI-Feature muss eine Aufgabe messbar leichter machen, sonst lassen wir es.
Eure Daten bleiben eure. Wir wählen Modelle nach Eignung, große Anbieter oder selbst gehostete Open-Source-Modelle, und halten euch portabel.
Generative KI und Sprachmodelle sind nur ein Teil des Feldes. Oft löst ein klassisches, schlankes Verfahren eure Aufgabe zuverlässiger, günstiger und nachvollziehbarer. Wir wählen aus dem ganzen Spektrum.
Texte, Zusammenfassungen, Assistenten, RAG. Stark, wo Sprache und Inhalte im Spiel sind.
Vorhersagen, Scoring, Bedarfs- und Spendenprognosen aus euren historischen Daten.
Sortieren, verschlagworten, Anomalien und Dubletten finden, auch ohne großes Modell.
Planung, Zuordnung, Regelwerke und Computer Vision, wo Determinismus zählt.
Drei Beispiele, wie das in der Praxis aussieht: eingebettet in eure Anwendungen, mit Mensch im Prozess.
Im Verwendungszweck auf dem Kontoauszug steht oft nur Wortsalat. Ein Modell liest diesen Freitext und ordnet jede Zahlung der richtigen Kampagne, dem Projekt und, wenn möglich, der Spender:in zu. Aus stundenlangem manuellen Zuordnen werden Minuten.
Textklassifikation · Mensch prüft Zweifelsfälle
Verträge, Förderbescheide, Rechnungen als PDF: ein Modell zieht die relevanten Felder heraus (Parteien, Laufzeiten, Beträge, Fristen) und legt sie strukturiert in eurem System ab. Schluss mit Abtippen; ihr prüft nur noch das Ergebnis.
Extraktion (OCR + LLM) · strukturierte Übergabe
Eingehende E-Mails und Formulare werden nach Thema und Dringlichkeit sortiert und an die richtige Stelle geleitet, inklusive eines Antwortentwurfs aus euren eigenen Inhalten. Euer Team entscheidet und sendet, statt bei Null anzufangen.
Klassifikation + RAG · Mensch sendet final
Wir verdienen nicht daran, euch KI zu verkaufen. Deshalb sagen wir auch, wann ihr sie (noch) nicht braucht:
Wenn die Daten unsauber sind, lohnt sich zuerst Ordnung, nicht ein Modell.
Wenn ein klarer, regelbasierter Prozess günstiger, schneller und nachvollziehbarer ist.
Wenn Ergebnisse 100 % korrekt sein müssen und kein Mensch gegenprüft.
Wir wählen das Modell nach eurem Anwendungsfall und eurer Datensensibilität. Beide Wege sind für uns zu Hause.
Für Aufgaben, bei denen es auf maximale Modellqualität und schnelle Umsetzung ankommt, über Schnittstellen sauber in eure Anwendung integriert.
Sensible Daten? Wir klären Datenschutz & Hosting vorab.
Wenn eure Daten das Haus nicht verlassen dürfen oder ihr unabhängig bleiben wollt: offene Modelle, lokal oder in eurer Cloud betrieben, ausgerollt auf eurer eigenen Infrastruktur, z. B. mit Coolify.
Eure Daten, eure Hardware, euer Modell. Portabel.
Wie wir Agenten einführen, nach welchem Vorgehen wir bauen und wie wir KI-Anwendungen absichern, lest ihr ausführlich im Journal.
Die Grenze entscheidet, wer den nächsten Schritt wählt: euer Code oder das Modell. Eine Checkliste, die Workflow und Agent klar trennt.
Lesen →KI-AgentenDie Adoptionszahlen sind deutlich, und der Abstand entsteht nicht im Modell. Vier Prinzipien, mit denen Agenten im Alltag tragen.
Lesen →VorgehenVendor-neutral statt Hersteller-Framework: jede Phase mit klarem Ziel und einem Grund, warum sie an dieser Stelle steht.
Lesen →SicherheitSprachmodelle öffnen Angriffsflächen, die klassische Tests nicht abdecken. Die vier wichtigsten und wie wir gezielt prüfen.
Lesen →KI lohnt sich, wenn ein Modell eurem Team eine wiederkehrende, sprach- oder datenlastige Aufgabe abnimmt. Typische Fälle sind Texte zusammenfassen, Dokumente auslesen und verschlagworten, Anfragen vorsortieren oder Daten klassifizieren. Voraussetzung ist eine brauchbare Datengrundlage und ein Arbeitsschritt, der sich messbar leichter machen lässt. Wenn ein klarer, regelbasierter Prozess günstiger und zuverlässiger ist, sagen wir das ehrlich.
Ja. Wir verarbeiten eure Daten je nach Anforderung in eurer eigenen Umgebung oder in europäischer Cloud und setzen wo möglich auf selbst gehostete Open-Source-Modelle. Eure Inhalte werden nicht zum Training fremder Modelle verwendet. Über Berechtigungen und Protokollierung sorgen wir dafür, dass nur die richtigen Daten an die richtigen Stellen fließen.
RAG steht für Retrieval-Augmented Generation. Dabei sucht das System vor der Antwort gezielt in euren eigenen Dokumenten und gibt dem Sprachmodell nur die passenden Stellen als Kontext mit. Das Modell antwortet dann auf Basis eures Wissens statt aus dem allgemeinen Training. Der Vorteil sind aktuellere, belegbare Antworten, oft mit Quellenangabe, ohne das Modell neu trainieren zu müssen.
Indem man das Modell austauschbar hält. Wir trennen die Anwendung sauber vom konkreten Modell und sprechen Anbieter über offene, standardisierte Schnittstellen an. Wo es passt, nutzen wir selbst gehostete Open-Source-Modelle, die ihr unabhängig von einem Anbieter betreiben könnt. So lässt sich später ein besseres oder günstigeres Modell einsetzen, ohne die halbe Anwendung neu zu bauen.
Mit den richtigen Vorkehrungen ja, sicher ist immer die konkrete Anwendung, nicht das Modell allein. Wir prüfen gezielt auf die neuen Angriffsflächen von Sprachmodellen, etwa Prompt Injection oder ungewollten Datenabfluss. Die Gegenmaßnahmen bauen wir gleich mit ein: minimale Rechte für angebundene Werkzeuge, Validierung der Ausgaben und ein Mensch als Freigabe vor kritischen Aktionen. So geht die Anwendung erst in Produktion, wenn sie belastbar ist.
Erzählt uns von der Aufgabe. Wir sagen euch, ob und wie KI hier hilft.
info@peercode.de · Berlin