01Strategie
KI-Readiness und Use-Case-Auswahl
Wo KI in Ihrem Stack realistisch hilft, wo sie nur teurer Pomp wäre, was DSGVO und EU AI Act dazu sagen, welche Architektur Sie überhaupt betreiben wollen.
/ KI · Werkzeug, nicht Religion
KI sinnvoll einsetzen statt blind automatisieren
Zwischen Hype, Realität und tatsächlichem Nutzen
/ KI-Dienstleistungen
Wo ich konkret helfe
Ja, ich bin kritisch gegenüber KI-Hype. Und gleichzeitig integriere ich genau die Systeme, die für viele Unternehmen wirklich Sinn ergeben. Pragmatisch, DSGVO-bewusst, betreibbar.
Häufige Konstellation: ein Discovery-Workshop (90 min), danach ein KI-Readiness-Audit (1-2 Tage), darauf folgt entweder eine konkrete Integration oder die ehrliche Aussage, dass es noch nicht der richtige Zeitpunkt ist.
02Architektur
Lokale KI-Infrastruktur
Lokale LLMs (Ollama, llama.cpp, vLLM), Vektordatenbanken, Embedding-Pipelines, On-Prem-Inferenz für Daten, die nicht in die Cloud dürfen, Behörden, Steuerberatung, Medizin.
03Automation
n8n und MCP-Workflows
Self-hosted n8n-Pipelines, Model Context Protocol Server, Tool-Bridges zu bestehenden Systemen (Excel, SQL, ERP). KI als Werkzeug zwischen Ihren Systemen, nicht als Magie.
04Engineering
RAG und Dokumentenanalyse
Retrieval-Augmented Generation für interne Wissensbasen, Vertragsanalyse, Posteingang-Klassifikation. Quellen nachvollziehbar, Antworten zitierbar, Halluzinationen kontrollierbar.
05Agenten
Agent-Frameworks und Function Calling
Agent-Frameworks der LangChain/LangGraph-Klasse und Function Calling, wenn eine Aufgabe wirklich mehrere Schritte selbstständig durchlaufen muss, kontrolliert statt als Selbstzweck.
06Tooling
Claude Code, Cursor, Codex im Team-Workflow
Wie ein kleines Team Claude Code oder Cursor produktiv einsetzt, welche Guardrails sinnvoll sind, wie Code-Review aussieht, wenn die Hälfte des Codes von Agents kommt.
07Governance
DSGVO, EU AI Act, Betrieb
Datenschutzfolgenabschätzung, AVV mit Modell-Anbietern, EU-AI-Act-Klassifizierung Ihres Use-Cases, Logging, Audit-Trails, Verantwortlichkeiten. Damit aus Demo Betrieb wird.
08Daten
KI in Reporting und Datenaufbereitung
KI-gestützte Unterstützung bei SQL, ETL und Power Query, wo Mustererkennung oder Code-Vorschläge echte Zeit sparen, ohne dass am Ende niemand mehr nachvollziehen kann, warum eine Zahl im Report so aussieht.
/ Architektur · Beispiel
Lokales RAG, DSGVO-konform, ohne Cloud-Abfluss.
User-Frage geht in ein lokales Embedding-Modell, trifft eine Vektordatenbank, wird mit dem relevanten Kontext aus internen Dokumenten an ein lokales LLM gegeben. Antwort kommt mit Quellen zurück, alles auditierbar, nichts verlässt das Haus.
/ Architektur · Stack
Lokaler KI-Stack im operativen Betrieb.
Trigger über Webhook, Cron, Mail oder Excel-Button. n8n orchestriert die Pipeline, MCP-Server bilden die Brücke zu Ihren echten Systemen (Excel, SQL Server, ERP, Filesystem). Inferenz lokal, Logging und Wiederholung integriert, kein Cloud-Egress.
/ Haltung · Langtext
Meine Haltung zu KI, ausführlich.
Kein Hype, keine Panik. Wo KI wirklich hilft, wo sie nur teurer Pomp ist, und was nach dem ersten Prototyp wirklich zählt.
KI ist weder die Rettung der Menschheit noch der Untergang aller Berufe. Und nein, ein Claude Code Prompt alleine ersetzt meistens auch keine stabile Software, keinen durchdachten Prozess und schon gar nicht jahrelange Erfahrung mit echten Systemen.
Aber: Wer heute komplett ignoriert, was mit KI möglich ist, hat schon jetzt einen Nachteil.
Ich sehe KI deshalb pragmatisch. Dort, wo sie sinnvoll, wirtschaftlich und technisch vertretbar ist, kann sie extrem hilfreich sein, etwa bei Reporting und Datenaufbereitung, internen Wissenssystemen oder Routineaufgaben. Wo genau, dazu weiter unten mehr.
Aber genau dort beginnt oft erst die eigentliche Arbeit.
„Es funktioniert auf meinem Rechner“ ist noch kein produktiver Unternehmensprozess.
Ein KI-Agent ist schnell gebaut. Und dann?
Heute kann dir Claude Code, ChatGPT oder Cursor in erstaunlich kurzer Zeit kleine Tools bauen, Daten auswerten, Workflows erzeugen, Skripte schreiben, Automatisierungen erstellen, APIs verbinden und sogar komplette Mini-Systeme generieren.
Und ehrlich: Das ist beeindruckend.
Aber nach dem ersten „Wow“ kommen meistens die Fragen, die deutlich weniger viral auf LinkedIn aussehen:
Und plötzlich merkt man: Der Prompt war der einfache Teil.
KI ist kein Ersatz für Verständnis
Ich halte nichts von Panikmache. Aber auch nichts von „KI wird morgen alle Entwickler ersetzen“. Die Realität liegt irgendwo dazwischen.
KI ist ein Werkzeug. Ein extrem starkes Werkzeug. Aber ein Werkzeug bleibt nur so gut wie die Person, die es sinnvoll einsetzen kann.
Ein KI-Agent, der ungeprüft auf Produktivdaten arbeitet, ist keine Innovation. Das ist oft einfach nur eine neue Fehlerquelle mit besserem Marketing.
- personenbezogene Daten und interne Unternehmensdaten
- Reporting, Berechtigungen und sensible Dokumente
- Kundeninformationen
- öffentliche Einrichtungen
- medizinische oder finanzielle Bereiche
Cloud oder lokal?
Das kommt darauf an. Es gibt keine pauschale „beste“ Lösung.
Cloud (z. B. ChatGPT, Claude, Microsoft Foundry, Gemini)
- Schnell einsatzbereit, starke Modelle, wenig eigene Infrastruktur, einfache Integration.
- Im Blick behalten: Datenschutz, Datenübertragung, laufende Kosten, Vendor Lock-in, Abhängigkeiten und teils unklare Datenflüsse.
Lokal (z. B. Ollama, Open WebUI, lokale LLMs, Qdrant, RAG)
- Mehr Datenkontrolle, lokal betreibbar, teils DSGVO-freundlicher, weniger Abhängigkeit von externen APIs.
- Dafür deutlich komplexer: Wartung, Hardware, Updates, Sicherheit, Monitoring, Benutzerverwaltung und Performance-Themen.
Viele kleine Unternehmen unterschätzen massiv, wie viel Infrastruktur plötzlich hinter „wir hosten das lokal“ steckt.
Öffentlicher Dienst und sensible Bereiche
Gerade dort wird KI oft deutlich komplizierter als in YouTube-Demos. Themen wie diese spielen plötzlich eine große Rolle:
Recht und Governance
Datenschutzfolgeabschätzung, DSGVO, EU AI Act, interne Richtlinien und Dokumentationspflichten.
Infrastruktur und Betrieb
Hostingstandort, Netztrennung, VPN, Logging und Revisionssicherheit.
Organisation
Rollenmodelle, Berechtigungen und Betriebsrat, wenn es um Einführung und Nutzung geht.
Und das ist auch richtig so. Denn nur weil ein Tool beeindruckend aussieht, heißt das nicht automatisch, dass es in jedem Umfeld sinnvoll oder zulässig ist.
Wo KI aus meiner Sicht wirklich sinnvoll ist
Nicht überall. Aber oft dort, wo repetitive Arbeit entsteht. Typische Felder:
Reporting und Datenfluss
Reporting, Datenaufbereitung, ETL-Prozesse und SQL-Unterstützung.
Wissen und Suche
Wissenssysteme, interne Suchsysteme, Support-Wissensdatenbanken und sinnvolle Zusammenfassungen.
Office und Workflows
Office-Automatisierung, strukturierte Workflows und kleine interne Tools.
Assistenten
Intelligente Assistenten, die in bestehende Prozesse eingebettet sind.
Gerade in Kombination mit bestehenden Prozessen kann KI extrem viel Zeit sparen. Aber eben nur, wenn:
- Datenqualität stimmt
- Prozesse verstanden werden
- Sicherheit bedacht wird
- Menschen weiterhin kontrollieren
- Systeme wartbar bleiben
Was ich bewusst nicht verspreche
Keine magischen „vollautomatischen Unternehmen“.
Keine „KI ersetzt alle Mitarbeiter“.
Keine Wunderlösungen nach zwei Prompts.
Keine Agentensysteme, die angeblich alles alleine können.
Denn die Realität sieht meistens anders aus.
Mein Ansatz
Ich sehe KI als Werkzeug. Nicht als Religion. Dort, wo sie wirklich hilft, sinnvoll integriert werden kann und wirtschaftlich einen echten Vorteil bringt, unterstütze ich gerne bei Ideen, Bewertung, Automatisierung, lokalen KI-Umgebungen, Reporting, Workflows, Datenanalyse, internen Tools sowie Office- und Prozessautomatisierung.
Passende Themen
/ Nächster Schritt
KI-Thema konkret besprechen?
Beschreiben Sie kurz Use Case, Datenlage und Rahmen (Cloud, lokal, Behörde). Ich melde mich mit einer ehrlichen Einschätzung.