KI-Automatisierung bedeutet, einen konkreten Geschäftsprozess ohne manuelle Zwischenschritte laufen zu lassen und ein Sprachmodell nur dort einzusetzen, wo feste Regeln nicht ausreichen. Hirnworx baut das als Festpreisprojekt: einzelner Workflow 3.000–8.000 €, Assistent auf eigenen Daten 8.000–25.000 €, Prozess-Suite 15.000–40.000 €. LLM-API-Kosten werden separat nach Verbrauch abgerechnet, nicht pauschaliert.
KI-Automatisierung — Workflows, Dokumenten-KI & Assistenten
Prozesse, die ohne Zwischenschritte laufen — und dort nachfragen, wo ein Mensch entscheiden muss.
Stand: September 2026 · Verantwortlich: David De Matteo, Hirnworx Langenzenn
KI-Automatisierung ist bei uns kein Sammelbegriff für alles mit Sprachmodell. Wir bauen einen benannten Prozess so um, dass er ohne Copy-and-paste zwischen zwei Systemen läuft, und setzen ein Modell genau dort ein, wo Regeln versagen: Freitext, Dokumente, Bilder, uneinheitliche Lieferantendaten. Überall sonst gewinnt klassische Automatisierung, weil sie günstiger und deterministisch ist.
Preisrahmen Stand September 2026, netto: ein einzelner Workflow in n8n mit Monitoring liegt bei 3.000–8.000 €, ein Assistent auf eigenen Daten bei 8.000–25.000 €, eine Prozess-Suite mit Schulung bei 15.000–40.000 €. LLM-API-Kosten rechnen wir nach Verbrauch ab, weil das Volumen erst im Betrieb feststeht. Ablauf: Audit, Pilot nach ein bis zwei Wochen an echten Daten, dann Produktion mit Monitoring und DSGVO-Prüfung.
Gebaute Systeme statt Demos: der Umakov-Scraper für die FeNau GmbH reichert Lieferantenartikel mit Google Gemini für Shop, eBay und Amazon an, LeadCollect erzeugt aus identifizierten B2B-Besuchern KI-personalisierte Print-Briefe. Ein Ansprechpartner über die gesamte Laufzeit: David De Matteo, Langenzenn bei Nürnberg, seit 2011, über 350 Projekte. Ist noch unklar, welcher Prozess zuerst dran ist, beginnen Sie unter /ki-beratung.
Was ist KI-Automatisierung?
KI-Automatisierung ist die Verkettung eines Geschäftsprozesses zu einem Ablauf ohne manuelle Zwischenschritte, kombiniert mit einem Sprachmodell an den Stellen, an denen feste Regeln nicht ausreichen — bei Freitext, Dokumenten oder Bildern. Der Unterschied zur klassischen Automatisierung liegt nicht im Ablauf, sondern in der Entscheidung: Eine Regel liefert immer dasselbe Ergebnis, ein Modell liefert eine Einschätzung, die geprüft und protokolliert werden muss.
Technisch besteht jede solche Automatisierung aus drei Teilen. Der Auslöser startet den Ablauf: eine Mail, ein Formulareingang, ein Zeitplan, ein Webhook aus dem Shop. Die Ablaufsteuerung holt Daten, ruft Systeme auf und behandelt Fehler — bei uns meist n8n, bei großen Datenmengen Python. Der Entscheidungsschritt bewertet: eine Regel, ein Klassifikator oder ein Sprachmodell mit festgelegtem Ausgabeformat.
Der Teil, den viele für das eigentliche Projekt halten, ist der kleinste. Ein Modell anzubinden dauert Stunden. Der Aufwand steckt in den Schnittstellen zu CRM, ERP, Shop und Postfach, in der Datenqualität der Quellsysteme, in der Fehlerbehandlung und in der Frage, wer die Ausgabe freigibt. Ein Prozess, der zu 95 % läuft, ist kein fertiger Prozess, sondern eine neue Aufgabe für den Betrieb.
Abgrenzung nach innen: Unter /ki-beratung klären wir Use-Case-Priorisierung, Wirtschaftlichkeit und Roadmap — also welcher Prozess überhaupt automatisiert werden sollte. KI-Automatisierung ist die Umsetzung. Entsteht ein eigenes Produkt mit Nutzern, Rollen und Mandanten, läuft das unter /softwareentwicklung, weil dort Datenmodell und Betrieb im Vordergrund stehen.
Woran KI-Projekte im Mittelstand scheitern
Die Anfragen bei uns kommen selten von Unternehmen ohne KI-Erfahrung. Meist gab es bereits einen Versuch, und der ist auf eine von sechs Arten steckengeblieben.
Der Prozess existiert nur im Kopf einer Person
Es gibt keine Beschreibung des Ist-Zustands, sondern eine Kollegin, die weiß, welche Ausnahme wie behandelt wird. Automatisieren lässt sich das nicht, weil die Regeln nirgends stehen. Der erste Schritt ist dann kein Workflow, sondern ein Audit von ein bis zwei Wochen vor der ersten Zeile Code.
Der Pilot lief im Notebook und nie in Produktion
Ein Skript auf einem Rechner, der API-Key in einer Textdatei, kein Logging, keine Wiederholung nach Fehlern. Das überzeugt in der Demo und fällt beim ersten Timeout aus. Produktion heißt Retry-Logik, Idempotenz, Alarmierung und ein Protokoll, welche Eingabe zu welcher Ausgabe geführt hat.
Der Assistent erfindet Antworten
Ein Chatbot ohne Anbindung an die eigenen Dokumente antwortet plausibel und falsch. Ohne Retrieval auf gepflegten Quellen, ohne Fundstelle je Antwort und ohne definierte Verweigerung bei fehlendem Treffer ist ein Assistent im Kundenkontakt ein Haftungsrisiko statt eines Werkzeugs.
Ein Sprachmodell löst ein Regelproblem
Ein Modell sortiert Bestellungen nach Kundennummer, obwohl eine ERP-Abfrage dasselbe deterministisch und ohne laufende Kosten erledigt. Das ist der teuerste vermeidbare Fehler: Verbrauchskosten und ein nicht deterministisches Ergebnis für eine Aufgabe, die eine Regel besser kann.
Die laufenden Kosten kennt niemand
LLM-Aufrufe werden nach Token abgerechnet. Ohne Begrenzung der Kontextlänge, ohne Zwischenspeicher für wiederkehrende Anfragen und ohne Budgetalarm skaliert die Rechnung mit dem Volumen statt mit dem Nutzen. Wir kalkulieren deshalb vorab Kosten pro Vorgang und messen sie im Betrieb nach.
Datenschutz wurde nach dem Go-Live geklärt
Kundendaten stehen in Prompts, mit dem Modellanbieter besteht kein Auftragsverarbeitungsvertrag nach Art. 28 DSGVO, und niemand kann sagen, wo verarbeitet wird. Nachträglich zu reparieren heißt meist, den Datenfluss neu zu bauen — deshalb gehört die Prüfung in die Produktionsphase.
LeadCollect — B2B-Lead- & Recovery-Plattform
SaaS-Plattform, die anonyme B2B-Website-Besucher identifiziert und Warenkorbabbrecher zurückgewinnt — mit KI-personalisierten Briefen, Gutscheinen & QR-Codes.
Was wir liefern
Workflow-Automatisierung
Dokumentierte n8n-Flows zwischen CRM, ERP, Shop und Postfach, mit Wiederholung bei Fehlern, Idempotenz und Alarmierung. Ein abgegrenzter Prozess liegt bei 3.000 € bis 8.000 €.
Dokumenten- und Belegextraktion
Rechnungen, Lieferscheine und Bestellungen aus PDF oder Scan in strukturierte Felder überführen, gegen Stammdaten abgleichen und exportieren — mit Prüfschritt statt blindem Vertrauen in jedes Extrakt.
Assistenten auf eigenen Daten
Retrieval auf Ihrem Dokumentenbestand mit Fundstelle je Antwort, definierter Verweigerung bei fehlendem Treffer und Rechten je Quelle. Bewertung gegen einen festen Fragenkatalog vor dem Go-Live.
Produktdaten-Anreicherung
Lieferantenkataloge in verkaufsfähige Texte für Shop und Marktplätze überführen, im Stapel und mit konfigurierbarem Feld-Mapping. Referenz: Umakov-Scraper für die FeNau GmbH mit Playwright und Google Gemini.
Lead- und Vertriebsautomatisierung
Anfragen entdoppeln, zuordnen, anreichern und nachfassen, auf Wunsch bis zur personalisierten Ansprache. Referenz: LeadCollect mit Leadradar, Lead-Scoring und KI-personalisierten Print-Briefen.
Betrieb, Monitoring und Schulung
Fehlerübersicht, Kennzahlen je Prozess und Kosten pro Vorgang, dazu Einweisung Ihres Teams — die KI-Verordnung verlangt seit dem 2. Februar 2025 ausreichende KI-Kompetenz beim Personal.
Was belegt ist
Nur Angaben mit benannter Quelle. Marktforschungszahlen ohne nachprüfbare Herkunft stehen hier bewusst nicht.
Seit diesem Tag gelten die verbotenen Praktiken und die Pflicht zur KI-Kompetenz
Betreiber müssen sicherstellen, dass ihr Personal über ausreichende KI-Kompetenz verfügt. Wer einen Workflow mit Sprachmodell betreibt, braucht also eingewiesene Nutzer — deshalb ist Schulung bei uns Teil der Skalierungsphase.
Seit diesem Tag greift der Großteil der Pflichten für Hochrisiko-KI-Systeme
Ob ein Vorhaben als Hochrisiko-System gilt, entscheidet der Anwendungsbereich. Die meisten Mittelstandsprozesse fallen nicht darunter, aber die Einordnung gehört vor den Bau, weil sie über Dokumentationspflichten entscheidet.
Recht, keiner ausschließlich automatisierten Entscheidung unterworfen zu werden
Betrifft Entscheidungen mit rechtlicher oder ähnlich erheblicher Wirkung für die betroffene Person. Für den Bau heißt das eine Freigabestufe statt durchlaufender Automatik: Die Maschine bereitet vor, der Mensch entscheidet, das Protokoll hält beides fest.
Für wen wir Prozesse automatisieren
Wir sind eine Ein-Personen-Agentur mit Partnernetzwerk und arbeiten zu Festpreisen. Das passt zu bestimmten Ausgangslagen sehr gut und zu anderen erkennbar nicht.
Handel mit großen Artikelbeständen
Lieferantenkataloge liefern knappe technische Bezeichnungen, daraus müssen Texte für Shop, Marktplätze und Preisportale werden. Ab einer gewissen Artikelzahl ist das manuell unwirtschaftlich — genau der Fall, den der Umakov-Scraper für die FeNau GmbH löst.
ab etwa 1.000 Artikeln
B2B-Dienstleister mit Angebotsprozess
Anfragen kommen per Formular oder Mail, werden manuell bewertet, weitergeleitet, in ein Angebot übersetzt und nachgefasst. Die Quick Wins liegen in Zuordnung, Duplikatprüfung, Vorbefüllung und Erinnerung — mit einem Menschen an der Freigabe.
10–250 Mitarbeitende
Unternehmen mit Dokumentenlast
Rechnungen, Lieferscheine und Prüfprotokolle kommen als PDF oder Scan und werden abgetippt. Extraktion mit OCR und Modell, Abgleich gegen Stammdaten und Export in die Buchhaltung ersetzt das Abtippen, nicht die Prüfung.
ab etwa 200 Belegen pro Monat
Wann Sie besser jemand anderen fragen
- —Der Prozess ist nirgends dokumentiert und soll trotzdem sofort automatisiert werden. Ohne aufgenommenen Ist-Zustand machen wir keinen Festpreis — wir würden Annahmen automatisieren statt Abläufe.
- —Sie möchten einen vollautonomen Agenten ohne menschliche Kontrolle. Das bauen wir nicht: Bei Entscheidungen mit erheblicher Wirkung auf Personen greift Art. 22 DSGVO, und auch fachlich ist die Freigabestufe der Grund, warum solche Systeme im Betrieb bestehen.
- —Die Datengrundlage müsste erst bereinigt werden — doppelte Stammsätze, widersprüchliche Preise, drei Wahrheiten für dieselbe Kundennummer. Das ist ein Datenprojekt, kein KI-Projekt, und es gehört vorher erledigt.
- —Sie erwarten einen fertigen Chatbot für 500 €. Dafür gibt es Baukasten-Anbieter mit Abomodell, und die sind zu diesem Preis die richtige Antwort. Unser Einstieg liegt bei 3.000 € für einen einzelnen Workflow.
- —Für die Aufgabe genügt ein kleines Skript oder eine Tabellenformel. Dann sagen wir das im Erstgespräch, statt ein Projekt daraus zu machen.
Was KI-Automatisierung kostet
Wir arbeiten mit Festpreisen nach einem Prozess-Audit, nicht mit offenen Stundenzetteln. Die Spannen sind Erfahrungswerte; verbindlich wird der Preis, wenn Anzahl der Schnittstellen, Datenvolumen und Freigabelogik geklärt sind. Nicht enthalten sind die laufenden LLM-API-Kosten — die rechnen wir nach Verbrauch ab.
Stand: September 2026 · Festpreis nach Scope
Einzelner Workflow
Ein klar abgegrenzter Prozess in n8n, produktiv mit Monitoring. Das Prozess-Audit ist in dieser Stufe meist im Scope enthalten.
- ·Prozessaufnahme und Abgrenzung des Auslösers
- ·Umsetzung in n8n, dokumentiert statt als Blackbox
- ·Anbindung von ein bis zwei Systemen über deren API
- ·Error-Handling mit Wiederholung und Alarmierung
- ·Übergabe mit Betriebsdokumentation und Einweisung
Beispiel: Anfragen aus dem Webformular werden entdoppelt, dem zuständigen Vertriebsgebiet zugeordnet, im CRM angelegt und nach 48 Stunden ohne Reaktion erinnert. Das Modell übernimmt nur die Einordnung des Freitextfelds.
KI-Assistent / RAG
Assistent auf Ihren eigenen Dokumenten mit Retrieval, Quellenangabe und DSGVO-Prüfung des Datenflusses.
- ·Sichtung und Aufbereitung des Dokumentenbestands
- ·Indexierung und Vektorsuche, Zugriffsrechte je Quelle
- ·Antwortformat mit Fundstelle und definierter Verweigerung
- ·Bewertung gegen einen festen Fragenkatalog vor dem Go-Live
- ·Datenschutzprüfung inklusive Auftragsverarbeitung mit dem Modellanbieter
Beispiel: Interner Assistent auf Angebotsvorlagen, Datenblättern und Montageanleitungen: antwortet mit Fundstelle, verweigert bei fehlendem Treffer, protokolliert jede Anfrage.
Prozess-Suite
Mehrere verbundene Workflows über Abteilungsgrenzen hinweg, mit Schulung und gemeinsamer Betriebssicht.
- ·Use-Case-Workshop und Priorisierung über mehrere Abteilungen
- ·Drei bis sechs Workflows mit gemeinsamer Fehler- und Protokollsicht
- ·Wiederverwendbare Bausteine für Authentifizierung und Feldmapping
- ·Rollen- und Freigabekonzept, Kostenmessung je Vorgang
- ·Teamschulung und Übergabe des Betriebs an interne Verantwortliche
Beispiel: Artikeldaten aus zwei Lieferantenquellen anreichern, in Shop und Marktplätze ausspielen und Preisabweichungen melden — das Muster hinter dem Umakov-Scraper für die FeNau GmbH.
Unverbindliche Richtwerte netto, projektabhängig. Verbindlich wird der Preis nach dem Scope-Workshop und dann als Festpreis in Etappen.
Was den Preis nach oben treibt
Die Spanne oben entsteht nicht zufällig. Diese sechs Faktoren erklären, warum ein Projekt am unteren oder am oberen Ende liegt.
Anzahl der Schnittstellen
Jedes System braucht Authentifizierung, Feldmapping, Behandlung von Zeitüberschreitungen und einen Testlauf mit echten Datensätzen. Eine dokumentierte REST-API mit Sandbox liegt am unteren Ende, ein Altsystem, dessen Verhalten erst nachgemessen wird, am oberen.
Datenvolumen und Stapelgröße
Zehn Vorgänge am Tag laufen sequenziell durch. Zehntausend Artikel in einem Lauf brauchen Parallelisierung, Wiederaufnahme nach Abbruch und eine Laufzeitschätzung vor dem Start — genau das zeigt der Umakov-Scraper im Range- und Katalogmodus.
Laufende LLM-API-Kosten
Abgerechnet wird nach Token, also nach Länge von Eingabe und Ausgabe. Der Hebel liegt in Kontextgröße, Zwischenspeicherung und Modellwahl je Aufgabe. Wir schätzen die Kosten pro Vorgang vor dem Bau und messen sie im Betrieb nach.
On-Premise statt Cloud
Ein Open-Source-Modell im eigenen Rechenzentrum vermeidet die Übermittlung an einen Anbieter, verlagert aber Hardware, Betrieb und Modellpflege zu Ihnen. Oft ist eine EU-gehostete Instanz mit Auftragsverarbeitungsvertrag der günstigere Weg zum gleichen Schutzniveau.
Compliance- und Nachweisanforderungen
Protokollierung von Eingabe, Modellversion und Ausgabe, Löschfristen, Rollenkonzept und eine Systembeschreibung für interne Prüfungen. Je nach Einordnung nach der KI-Verordnung kommt formale Dokumentation dazu; die Einordnung nehmen wir im Audit vor.
Vorgeschalteter Use-Case-Workshop
Ist der Prozess klar, genügt das Audit im Projekt. Sind mehrere Abteilungen und Prioritäten offen, wird daraus ein eigener Workshop mit Festpreis nach Kickoff — beschrieben unter /ki-beratung, damit Strategie nicht im Bauprojekt versteckt wird.
Manuell, klassische Automatisierung oder KI
Die ehrliche Antwort lautet nicht in jedem Fall KI. Bei sauber strukturierten Daten und festen Regeln ist klassische Automatisierung überlegen: günstiger, deterministisch, leichter zu prüfen. Ein Modell lohnt sich dort, wo die Eingabe unstrukturiert ist.
| Kriterium | Manuell | Klassische Automatisierung (Regeln, RPA, Integrationen) | KI-Automatisierung (Hirnworx) |
|---|---|---|---|
| Strukturierte Daten, feste Regeln | langsam und fehleranfällig | überlegen, klare Empfehlung | unnötige Kosten ohne Mehrwert |
| Unstrukturierte Dokumente und Freitext | funktioniert, bindet Personalzeit | scheitert an Formatvielfalt | Kernfall, mit Prüfschritt dahinter |
| Verhalten bei Ausnahmen | Mensch entscheidet im Moment | Abbruch oder falscher Zweig | Einordnung plus Eskalation an den Menschen |
| Nachvollziehbarkeit der Entscheidung | Rückfrage bei der Person möglich | vollständig, die Regel ist lesbar | nur mit Protokoll von Eingabe, Modell und Ausgabe |
| Laufende Kosten | Personalzeit je Vorgang | Hosting, kaum volumenabhängig | Hosting plus LLM-API nach Verbrauch |
| Einrichtungsaufwand | keiner | 3.000–8.000 € je Workflow | 3.000–8.000 €, als Assistent 8.000–25.000 € |
| Fehlerrisiko | Flüchtigkeit, schwankende Qualität | deterministisch, Fehler reproduzierbar | nicht deterministisch, Freigabestufe nötig |
| Wartbarkeit bei Prozessänderung | sofort anpassbar | Regel ändern und testen | Prompt und Kontext ändern, Testfälle erneut prüfen |
Kurz: Kommen die Daten strukturiert aus einem System und gelten feste Regeln, nehmen Sie klassische Automatisierung ohne Sprachmodell. Kommt die Eingabe als PDF, Mail, Foto oder uneinheitlicher Lieferantentext, rechnet sich ein Modell. Fast jedes Projekt enthält beides — die Frage ist, wo die Grenze liegt.
Wann KI hilft — und wann klassische Automatisierung besser ist
Die nützlichste Frage vor jedem Projekt lautet nicht, welches Modell eingesetzt wird, sondern ob überhaupt eines nötig ist. Sobald die Eingabe eindeutig ist — eine Kundennummer, ein Statuscode, ein Betrag aus einem Datenbankfeld —, ist die Regel überlegen: kostenlos im Betrieb, bei gleicher Eingabe immer gleiches Ergebnis, prüfbar ohne KI-Kenntnisse.
Umgekehrt verlieren Regeln, wenn die Eingabe uneinheitlich ist. Lieferantenkataloge enthalten dieselbe Eigenschaft in zwanzig Schreibweisen, eingehende Rechnungen haben kein gemeinsames Layout, Freitextanfragen lassen sich über Schlüsselwörter nicht zuverlässig einordnen. Hier ist ein Modell der einzige wirtschaftliche Weg — vorausgesetzt, hinter der Einschätzung steht ein Prüfschritt.
In der Praxis ist die Grenze nie sauber, deshalb bauen wir gemischt: Ablauf, Datenbeschaffung und alle eindeutigen Verzweigungen laufen als Regeln in n8n, das Modell übernimmt genau einen Schritt und liefert ein festgelegtes Ausgabeformat, das anschließend validiert wird. Fällt die Validierung durch, greift ein Fallback oder ein Mensch.
- Eindeutige Eingabe aus einem System: Regel statt Modell, ohne laufende Kosten
- Uneinheitliche Texte, Dokumente oder Bilder: Modell mit festgelegtem Ausgabeformat
- Modellausgabe immer gegen ein Schema validieren, nie ungeprüft weiterreichen
- Für jede Modellentscheidung einen Fallback definieren: Wiederholung, Regel oder Mensch
- Prozess ändert sich wöchentlich: erst stabilisieren, dann automatisieren
- Unklare Priorität über mehrere Abteilungen: zuerst /ki-beratung, dann Bau
Was ein Workflow braucht, um in Produktion zu bestehen
Der Unterschied zwischen Prototyp und produktivem Workflow liegt vollständig im Fehlerfall. Im Prototyp ist der Erfolgsweg implementiert; in Produktion ist er der kleinere Teil. Eine Schnittstelle antwortet nicht, ein Token läuft ab, ein Modell liefert kein gültiges JSON, ein Datensatz enthält ein Feld, das es laut Dokumentation nicht gibt. Jeder Fall braucht eine definierte Reaktion.
Vier Dinge bauen wir deshalb in jeden Workflow ein: Wiederholung mit wachsendem Abstand bei vorübergehenden Fehlern, Idempotenz über einen Schlüssel aus dem Quellsystem, ein Protokoll aus Eingabe, Modellversion und Ausgabe sowie Alarmierung, wenn ein Vorgang endgültig scheitert. Ohne diese vier verliert ein Ablauf Vorgänge, ohne dass es jemandem auffällt.
Dazu kommt die Betriebssicht. Ein Workflow, den niemand beobachtet, gilt als funktionierend, bis jemand zufällig bemerkt, dass seit drei Wochen nichts mehr ankommt. Wir richten eine Fehlerübersicht und drei Kennzahlen je Prozess ein: verarbeitete Vorgänge, Fehlerquote, Kosten pro Vorgang. Damit wird die Diskussion über Wirtschaftlichkeit faktenbasiert statt gefühlt.
- Wiederholung mit wachsendem Abstand bei vorübergehenden Fehlern
- Idempotenz über einen Schlüssel aus dem Quellsystem, keine Doppelanlage
- Protokoll von Eingabe, Modellversion und Ausgabe je Vorgang
- Alarmierung bei endgültigem Fehlschlag statt stillem Verschlucken
- Drei Kennzahlen je Prozess: Vorgänge, Fehlerquote, Kosten pro Vorgang
- Dokumentierte n8n-Flows statt Blackbox — auch ein anderes Team kann sie übernehmen
Assistenten auf eigenen Daten: was RAG leistet und was nicht
Ein Assistent, der Fragen zu Ihren Dokumenten beantwortet, funktioniert nicht, weil ein Modell Ihre Unterlagen gelernt hätte. Er funktioniert über Retrieval: Zur Frage werden passende Textstellen aus einem Index gesucht und dem Modell mitgegeben, das daraus die Antwort formuliert. Die Qualität hängt am Dokumentenbestand und an der Suche, nicht am Modellnamen.
Daraus folgen drei harte Anforderungen. Jede Antwort nennt ihre Fundstelle, damit geprüft statt geglaubt wird. Findet die Suche nichts Passendes, verweigert der Assistent — eine Fehlanzeige ist einer plausiblen Erfindung vorzuziehen. Und der Zugriff folgt den Rechten am Quelldokument. Vor dem Go-Live prüfen wir gegen einen festen Fragenkatalog der Fachabteilung, der nach jeder Änderung an Prompt, Modell oder Bestand erneut läuft.
Was ein solcher Assistent nicht leistet: Er ersetzt keine Fachkraft, trifft keine verbindliche Zusage gegenüber Kunden und gleicht keine schlechte Dokumentation aus. Liegen Angebotsvorlagen in fünf Versionen ohne erkennbare Gültigkeit vor, gibt er genau diese Unklarheit weiter — nur schneller. Das erklärt auch die Spanne von 8.000 € bis 25.000 €: Der Aufwand steckt im Bestand, nicht im Chatfenster.
Drei gebaute Systeme, kein Demo-Material
Umakov-Scraper für die FeNau GmbH in Langenzenn: Ausgangsproblem waren tausende Lieferantenartikel mit knappen technischen Bezeichnungen, deren manuelle Aufbereitung für drei Kanäle unwirtschaftlich war. Das Python- und Streamlit-Werkzeug zieht Artikeldaten aus der Umakov-XML-API, erfasst jede Produktseite automatisch per Playwright als Screenshot und übergibt dieses Bild als visuellen Kontext an Google Gemini, das deutsche Titel, Meta-Daten und Beschreibungen für Shop, eBay und Amazon erzeugt. Abrufbar sind einzelne Artikel, eine Range oder der ganze Katalog; das CSV-Feld-Mapping ist konfigurierbar. Details unter /referenzen/umakov-scraper.
LeadCollect ist eine Multi-Tenant-Plattform, die anonyme B2B-Website-Besucher identifiziert und Warenkorbabbrecher zurückgewinnt. Der Leadradar erkennt Firmen standortbasiert auf der Karte und bewertet sie per Lead-Scoring; daraus entstehen KI-personalisierte Print-Briefe mit Gutschein- und QR-Code. Die Shopware-6-Integration erkennt abgebrochene Bestellungen, die Verarbeitung ist DSGVO-konform ausgelegt. Der Kunde definiert nur die Regeln — Zielbranche, Lead-Score, Warenkorbwert. Details unter /referenzen/leadcollect.
Der Bavarian-Signs-Konfigurator deckt Leuchtkästen, Leuchtbuchstaben und dekupierte Schriften ab: 360°-Vorschau aus Front-, 45°-, Seiten- und Rückansicht mit Licht an und aus, Sofort-Gesamtpreis, automatischer Angebots- und Plandarstellungs-Export als PDF, Lead-Routing in die Beratung. Vorher wurde manuell kalkuliert und Kunden warteten Tage auf ein Angebot. Das Beispiel zeigt zugleich eine Grenze: Der Preis kommt aus einem Regelwerk, nicht aus einem Modell — bei Kalkulationen ist Determinismus Pflicht.
DSGVO, KI-Verordnung und der Betrieb danach
Sobald personenbezogene Daten an einen Modellanbieter gehen, ist dieser Auftragsverarbeiter. Nach Art. 28 DSGVO braucht es dafür einen Auftragsverarbeitungsvertrag, und zwar vor der ersten produktiven Verarbeitung. Wir prüfen im Projekt, welche Felder überhaupt in den Prompt müssen — häufig lässt sich der personenbezogene Anteil vorher entfernen oder pseudonymisieren.
Die zweite Linie ist Art. 22 DSGVO: Betroffene haben das Recht, keiner ausschließlich automatisierten Entscheidung mit rechtlicher oder ähnlich erheblicher Wirkung unterworfen zu werden. Für den Bau ist das keine Hürde, sondern eine Architekturvorgabe — der Ablauf bereitet vor, ein Mensch gibt frei, das Protokoll hält beides fest.
Dazu kommt die KI-Verordnung, Verordnung (EU) 2024/1689, in Kraft seit dem 1. August 2024: verbotene Praktiken und KI-Kompetenzpflicht seit dem 2. Februar 2025, Pflichten für Modelle mit allgemeinem Verwendungszweck seit dem 2. August 2025, der Großteil der Hochrisiko-Pflichten seit dem 2. August 2026. Die meisten Mittelstandsprozesse sind keine Hochrisiko-Systeme, aber die Einordnung gehört ins Audit, weil sie über den Dokumentationsaufwand und damit über den Preis entscheidet. Beim Hosting haben Sie die Wahl zwischen EU-gehosteten Instanzen und On-Premise mit Open-Source-Modell.
Projekte, die Sie ansehen können
LeadCollect — B2B-Lead- & Recovery-Plattform
SaaS-Plattform, die anonyme B2B-Website-Besucher identifiziert und Warenkorbabbrecher zurückgewinnt …
Bavarian Signs 3D-Leuchtreklame-Konfigurator
3D-Konfigurator für Leuchtkästen, Leuchtbuchstaben & dekupierte Schriften mit 360°-Vorschau, Live-Pr…
Umakov Artikel-Scraper & KI-Anreicherung
Streamlit-Tool, das Artikeldaten aus der Umakov-XML-API zieht, Produktseiten per Playwright als Scre…
Ablauf eines KI-Automatisierung-Projekts
Vier Etappen mit Dauerangabe und einem Ergebnis pro Etappe. Vom Audit bis zum produktiven Workflow vergehen typischerweise vier bis acht Wochen, der Pilot läuft schon nach ein bis zwei Wochen an echten Daten. Abgerechnet wird als Festpreis in Etappen, nicht über einen offenen Stundenzettel.
- 011–2 Wochen
Prozess-Audit
Ist-Zustand aufnehmen, Auslöser und Ausnahmen benennen, Systeme und Datenqualität prüfen, Einordnung nach KI-Verordnung und DSGVO vornehmen. Ergebnis ist auch die Entscheidung, welche Schritte ohne Modell besser laufen.
Ergebnis: Dokumentierter Ist-Prozess, Scope-Abgrenzung und Festpreis
- 021–2 Wochen
Pilot-Workflow
Der wichtigste Ablauf wird gebaut und an echten Daten getestet, zunächst ohne Schreibzugriff auf produktive Systeme. Ziel ist eine belastbare Aussage zu Trefferquote und Kosten pro Vorgang, keine schöne Demo.
Ergebnis: Lauffähiger Workflow mit Messwerten aus echten Daten
- 032–4 Wochen
Produktion
Error-Handling, Wiederholungslogik, Idempotenz, Protokollierung und Alarmierung. Dazu die Datenschutzprüfung des Datenflusses inklusive Auftragsverarbeitung und das Freigabekonzept für Ausgaben.
Ergebnis: Produktiver Prozess mit Monitoring und Betriebsdokumentation
- 04laufend
Skalierung und Schulung
Weitere Prozesse auf denselben Bausteinen anbinden, Kennzahlen auswerten und das Team einweisen, damit der Betrieb nicht an der Agentur hängt. Prozessänderungen werden als eigener kleiner Umfang kalkuliert.
Ergebnis: Erweiterte Prozesslandschaft, geschultes Team, Zugriff auf alle Flows
Förderung für Digitalisierungsvorhaben in Bayern
Für bayerische Unternehmen mit weniger als 50 Beschäftigten kann der Digitalbonus einen Teil der Kosten abdecken. Entscheidend ist die Reihenfolge.
Digitalbonus Bayern (Standard)
bis 7.500 €Bayern · unter 50 Beschäftigte
Zuschuss von bis zu 50 % der förderfähigen Ausgaben für Digitalisierungsvorhaben — etwa Einführung oder Verbesserung digitaler Produkte, Dienstleistungen und Prozesse. Antragsberechtigt sind bayerische Unternehmen mit weniger als 50 Beschäftigten und höchstens 10 Mio. € Umsatz oder Bilanzsumme. Laufzeit des Programms bis 31.12.2027.
Programm beim Fördergeber →Digitalbonus Bayern Plus
bis 30.000 €Bayern · besonderer Innovationsgehalt
Für Vorhaben mit nachgewiesenem Innovationsgehalt, ebenfalls bis zu 50 % Fördersatz. Der Neuheitsgrad muss im Antrag detailliert beschrieben werden; in Grenzfällen entscheidet ein Expertengremium der Bezirksregierung. Plus ist während der Programmlaufzeit nur einmal möglich und nicht mit dem Standard für dieselbe Maßnahme kombinierbar.
Programm beim Fördergeber →Stand: September 2026. Über Bewilligung, Höhe und Bedingungen entscheidet allein die Förderstelle — wir liefern die technische Leistungsbeschreibung und das Angebot für den Antrag, keine Förderberatung.
KI-Automatisierung — Begriffe kurz erklärt
Die Begriffe, die in Angeboten und Gesprächen ständig vorkommen und selten erklärt werden.
- n8n
- Werkzeug zur Ablaufsteuerung, das Auslöser, Systemaufrufe, Verzweigungen und Fehlerbehandlung als sichtbaren Flow abbildet. Es lässt sich selbst hosten, was den Betrieb in der EU oder im eigenen Rechenzentrum ermöglicht.
- RAG (Retrieval Augmented Generation)
- Verfahren, bei dem zur Frage passende Textstellen aus einem Index gesucht und dem Sprachmodell mitgegeben werden. Das Modell lernt die Dokumente nicht, es formuliert aus den Fundstellen — deshalb hängt die Qualität am Dokumentenbestand.
- Halluzination
- Sprachlich überzeugende, inhaltlich falsche Ausgabe eines Sprachmodells. Gegenmittel sind Retrieval auf geprüften Quellen, Fundstelle je Antwort, Validierung der Ausgabe gegen ein Schema und eine definierte Verweigerung bei fehlendem Treffer.
- Human in the Loop
- Architekturmuster, bei dem der automatisierte Ablauf eine Entscheidung vorbereitet und ein Mensch sie freigibt. Bei Entscheidungen mit erheblicher Wirkung auf Personen ist das nach Art. 22 DSGVO auch rechtlich der Regelfall.
- Auftragsverarbeitungsvertrag (AVV)
- Nach Art. 28 DSGVO erforderliche Vereinbarung mit jedem Dienstleister, der personenbezogene Daten im Auftrag verarbeitet. Sie betrifft auch Anbieter von Sprachmodellen, sobald personenbezogene Daten in Prompts oder Dokumenten übermittelt werden.
- KI-Verordnung (AI Act)
- Verordnung (EU) 2024/1689, in Kraft seit dem 1. August 2024. Sie stuft KI-Systeme nach Risiko ein; verbotene Praktiken und die Pflicht zur KI-Kompetenz gelten seit dem 2. Februar 2025, der Großteil der Hochrisiko-Pflichten seit dem 2. August 2026.
KI-Automatisierung nach Branche
Service×Branche — eine getrennte Achse von Service×Stadt, ohne kombinierte URLs.
Alle Branchen →Erst Use-Cases klären — dann bauen
Strategie, ROI und DSGVO-Roadmap unter KI Beratung. Die Umsetzung bleibt hier: n8n, LLM, OCR — Pilot in 1–2 Wochen.
KI Beratung im Detail →
KI-Automatisierung nach Stadt
Stadt-Landingpages mit lokalem Marktkontext, branchenspezifischen Leistungen und echten Referenzen. Sitz ist und bleibt Langenzenn — Entfernung und Servicegebiet stehen auf jeder Seite.
Alle Standorte →KI-Automatisierung — häufige Fragen
Kosten, Förderung & Vertrag
Ein einzelner Workflow in n8n mit Monitoring und meist enthaltenem Audit liegt bei 3.000 € bis 8.000 €. Ein Assistent auf eigenen Daten mit DSGVO-Prüfung liegt bei 8.000 € bis 25.000 €, eine Prozess-Suite mit Schulung bei 15.000 € bis 40.000 €. Alle Angaben netto, Stand: September 2026. Richtwerte und Faktoren stehen unter /kosten/ki-automatisierung.
Technik & Datenschutz
Ablauf & Abgrenzung
Bereit für Ihr Projekt?
Beschreiben Sie Ziel und Rahmen — Sie bekommen eine Einschätzung zu Umfang, Dauer und Budget, bevor irgendetwas beauftragt wird.
Projekt anfragen →