Wen kann ich engagieren, wenn ich ein sicheres, datenschutzkonformes KI-System brauche, das nicht auf US-Cloud-Diensten läuft?

Das ist einer der häufigsten Gründe, warum dieses Angebot angefragt wird. Es gibt zwei Wege: ein Modell, das vollständig auf Ihrer eigenen Infrastruktur läuft, oder ein gehostetes Modell auf Schweizer beziehungsweise europäischer Infrastruktur. Welcher Weg passt, hängt davon ab, wie sensibel die Daten sind, welche Qualität Sie brauchen und was der Betrieb kosten darf. Lokale Modelle sind bei allgemeinen Aufgaben schwächer als die grossen gehosteten; bei einer eng umrissenen Aufgabe auf Ihren eigenen Dokumenten ist der Unterschied oft klein. Das klären wir vor dem Bauen, nicht danach.

Wer kann uns ein internes Q&A-Werkzeug bauen, das Wissen aus Handbüchern und Tickets bündelt und per Chat zugänglich macht?

Das ist der am häufigsten gebaute Anwendungsfall in diesem Angebot. Ihre Dokumente werden erschlossen und durchsuchbar gemacht, das Sprachmodell antwortet auf dieser Grundlage und liefert die Quelle mit, damit eine Antwort überprüfbar bleibt. Wichtiger als das Modell ist dabei die Aufbereitung: Was in den Dokumenten nicht steht, kann kein Modell beantworten, und was widersprüchlich abgelegt ist, wird auch widersprüchlich beantwortet. Der erste Schritt ist deshalb immer eine Sichtung der Datenlage.

Wer hat Erfahrung damit, ein Sprachmodell in eine bestehende Webanwendung einzubauen, ohne dass alles neu gebaut werden muss?

Das ist der Normalfall und nicht die Ausnahme. Die bestehende Anwendung bleibt, und die KI-Funktion kommt als abgegrenzter Dienst dazu, der über eine Schnittstelle angesprochen wird. Dass ich sowohl die Web-Applikation als auch die KI-Seite selbst baue, spart hier den Übersetzungsaufwand zwischen zwei Dienstleistern — es muss niemand erklären, wie das Frontend funktioniert, in das die Funktion eingebaut wird.

Wie stellen Sie sicher, dass die Qualität stimmt und nicht mit der Zeit schlechter wird?

Durch Protokollierung und Rückmeldeschleifen, von Anfang an eingebaut: Welche Frage wurde gestellt, welche Quellen wurden herangezogen, war die Antwort brauchbar. Ohne diese Grundlage ist jede Aussage über Qualität ein Gefühl. Dazu kommt ein Satz Testfälle mit erwarteten Antworten, gegen den nach jeder Änderung und nach jedem Modellwechsel geprüft wird.

Was kostet der Betrieb einer solchen Lösung im Monat?

Das hängt am Modell und am Volumen und wird in der Machbarkeitsprüfung beziffert, bevor gebaut wird. Ein gehostetes Modell rechnet nach Verbrauch; ein lokal betriebenes Modell verursacht stattdessen Hardware- und Betriebskosten. Bei kleinen internen Anwendungen liegen die laufenden Kosten häufig deutlich unter dem, was die automatisierte Handarbeit vorher gekostet hat — aber das ist eine Rechnung, die man aufstellt und nicht behauptet.

KI-Automation für KMU in Basel

Chatbots, Dokumentenanalyse und automatisierte Abläufe, die im Alltag laufen — auf Wunsch mit lokal betriebenen Modellen, damit sensible Daten im Haus bleiben.

Anwendungsfall prüfen E-Mail schreiben

KI-Automation

Immer wieder dieselbe Handarbeit? Angaben aus PDFs zusammensuchen, Tabellen aufbereiten, Anfragen beantworten, Berichte zusammenstellen? Vieles davon lässt sich zuverlässig automatisieren. Ich baue KI-Lösungen für KMU, Institute und Startups in Basel und der Nordwestschweiz, die im Alltag tatsächlich laufen — und nicht nur im Demo-Video gut aussehen. Wo Daten das Haus nicht verlassen dürfen, läuft das Modell lokal oder auf Schweizer Infrastruktur. Das ist keine Zusatzoption, sondern für einen Teil der Anfragen die eigentliche Bedingung, und sie entscheidet die Architektur von Anfang an mit.

Stundensatz ab CHF 135.–/h · Pauschalpreis für klar definierte Projekte auf Anfrage

CH1 · PROFIL

Für wen ist das

KMU, in denen eine wiederkehrende Aufgabe jede Woche mehrere Stunden Handarbeit kostet
Organisationen mit viel Wissen in PDFs, Handbüchern und Tickets, das niemand mehr findet
Institute und Forschungsgruppen mit einem Korpus, der durchsuchbar werden soll
Unternehmen in regulierten Bereichen, für die eine US-Cloud keine Option ist
Teams, die ein Sprachmodell in eine bestehende Anwendung einbauen wollen, ohne sie neu zu bauen

CH2 · UMFANG

Leistungsumfang

Chatbots und Assistenten für Website, Intranet oder Messenger
Dokumenten- und Korpusanalyse: durchsuchbare Wissensdatenbanken aus PDFs, Studien und Archiven
Interne Q&A-Werkzeuge, die Handbücher, Tickets und Protokolle zusammenführen
Automatisierte Auswertungen, Berichte und Datenaufbereitung aus bestehenden Quellen
Werkzeuge, damit ein Sprachmodell sauber und kontrolliert auf Ihre Systeme zugreift
Logging und Rückmeldeschleifen, damit die Qualität messbar wird statt gefühlt
Workflow-Automation und Schnittstellen zwischen Programmen, die bisher nicht miteinander reden
Datenschutz mitgedacht: auf Wunsch mit lokal laufenden Modellen

Technologie: Anthropic Claude, OpenAI, lokal betriebene Sprachmodelle, Retrieval und Volltextsuche, Node.js, TypeScript, Python, SQLite, Cloudflare Workers, E-Mail- und Messenger-Automation.

CH1 · AUFTRÄGE

Typische Aufträge

Machbarkeit und Modellauswahl klären

Bevor gebaut wird: Geht das mit einem Sprachmodell überhaupt zuverlässig, welches Modell passt, was kostet der Betrieb, und wo sind die Grenzen. Schriftlich, mit einer Empfehlung.

Durchsuchbare Wissensdatenbank

Aus einem Bestand an PDFs, Handbüchern oder Studien wird ein Werkzeug, das Fragen beantwortet und die Quelle mitliefert. Auf Wunsch vollständig im eigenen Haus betrieben.

KI-Funktion in eine bestehende Anwendung

Ihre Anwendung bleibt, wie sie ist, und bekommt eine Funktion dazu — Zusammenfassung, Klassifizierung, Vorschlag, Suche. Kein Neubau.

Wiederkehrenden Ablauf automatisieren

Eingang, Prüfung, Aufbereitung, Weitergabe: ein Ablauf, der heute manuell läuft, wird zu einer Kette, die überwacht und protokolliert ist.

CH2 · ABLAUF

So läuft es ab

01
Anwendungsfall in dreissig Minuten prüfen
Sie beschreiben den Ablauf, der Zeit kostet. Ich sage, ob ein Sprachmodell dafür das richtige Werkzeug ist — häufig ist die ehrliche Antwort, dass eine einfachere Automation genügt und billiger ist.
02
Machbarkeit und Datenlage
Welche Daten liegen in welcher Form vor, was darf das Haus verlassen, welches Modell passt, was kostet der Betrieb pro Monat. Schriftlich festgehalten.
03
Kleiner produktiver Ausschnitt zuerst
Ein abgegrenzter Teil des Ablaufs geht zuerst in Betrieb, mit echten Daten und echten Nutzern. Erst wenn dieser Teil trägt, wird ausgebaut.
04
Messen, nachschärfen, übergeben
Protokollierung und Rückmeldeschleifen von Anfang an, damit sich Qualität belegen und verbessern lässt. Danach Dokumentation und Übergabe.

CH1 · GRENZEN

Wann ich nicht der richtige Partner bin

Ein eigenes Sprachmodell trainieren. Ich arbeite mit bestehenden Modellen und passe sie an; ein Modell von Grund auf zu trainieren ist ein Forschungsvorhaben mit anderem Budget
Automatisierung, bei der ein Fehler unmittelbar Menschen gefährdet oder rechtlich bindet, ohne dass ein Mensch dazwischensteht
Grosse Datenplattformen und Data-Warehouse-Projekte — dafür brauchen Sie ein Datenteam, nicht einen Entwickler
Versprechen auf eine Trefferquote, bevor die Datenlage bekannt ist. Was erreichbar ist, zeigt der erste Ausschnitt, nicht die Offerte

Übergabe und Weiterarbeit

Der Betrieb bleibt nachvollziehbar: Sie erhalten die Modell- und Kostenwahl schriftlich, die Protokollierung ist Teil der Lösung, und das Repository liegt bei Ihnen. Wo lokal betriebene Modelle im Spiel sind, gehört die Betriebsanleitung dazu — welche Hardware, welche Grenzen, was bei einem Modellwechsel zu tun ist.

CH2 · BELEGE

Belege

Eigene MCP-Server, über die ein Sprachmodell auf Fachdaten zugreift statt zu raten — unter anderem für X und YouTube, dazu Volltextsuche über eine eigene Dokumentbibliothek
Chatbots und Assistenten, vom Telegram-Bot, der Messhardware steuert, bis zur Frontend-Umsetzung eines Kunden-Chatbots im Agenturauftrag
Retrieval statt Halluzination: Wissensbasen, die aus Ihren eigenen Inhalten gebaut werden, damit die Antwort belegbar bleibt
Vier quelloffene TypeScript-Bibliotheken unter MIT-Lizenz, öffentlich einsehbar
Machine Learning in Python mit PyTorch, HuggingFace und safetensors
Der Projekt-Prüfer auf dieser Website ist selbst ein solches Werkzeug: ein Sprachmodell mit einer aus dem Inhalt erzeugten Wissensbasis

CH1 · FRAGEN

Häufige Fragen

CH2 · WEITER

Projekt besprechen

Schreiben Sie mir kurz, worum es geht. Ich melde mich zeitnah für ein unverbindliches Erstgespräch.

E-Mail: manuel@hallerpolo.com
Standort: Basel
UID: CHE-216.461.477
Erstgespräch: rund 30 Minuten, unverbindlich

So geht es weiter

01Sie schreiben mir, worum es geht.
02Unverbindliches Gespräch von rund dreissig Minuten.
03Schriftliche Einschätzung: Umfang, Vorgehen, Zeitrahmen, Kosten.

Projekt prüfen

KI-Automation für KMU in Basel

Machbarkeit und Modellauswahl klären

Durchsuchbare Wissensdatenbank

KI-Funktion in eine bestehende Anwendung

Wiederkehrenden Ablauf automatisieren

Anwendungsfall in dreissig Minuten prüfen

Machbarkeit und Datenlage

Kleiner produktiver Ausschnitt zuerst

Messen, nachschärfen, übergeben

Übergabe und Weiterarbeit