Question 1

Wie funktioniert die wöchentliche Kündigung wirklich?

Accepted Answer

Beende jede Woche mit einer einzigen Nachricht. Keine Frist, kein Exit-Gespräch, kein Kleingedrucktes. Wir rechnen wöchentlich ab, du bist also maximal die laufende Woche gebunden.

Question 2

Was, wenn die Arbeit mich nicht überzeugt?

Accepted Answer

Es steht in deinem Vertrag: Sag es uns, und wir erstatten diese Woche. Keine Rückfragen, keine Rechnungen zum Streiten, keine Eskalationscalls. Einzige Regel: Erstattungen gelten für die letzte Woche.

Question 3

Warum trackt ihr keine Stunden?

Accepted Answer

Weil Stunden die falsche Metrik sind. Wenn wir auf abrechenbare Stunden optimieren, optimieren wir nicht auf dein Ergebnis. Der Deal ist einfacher: Jede Woche müssen wir die nächste verdienen. Wenn wir das nicht tun, zahlst du nicht. Wir können null Stunden oder sechzig investieren. Was zählt, ist, ob du umgehauen bist.

Question 4

Was bedeutet „Erwartungen losgelöst von der Realität“?

Accepted Answer

Wir arbeiten mit Operators, nicht mit Lottogewinnern. Wenn eine Anforderung Physik, Gesetz oder Drittanbieter-Systeme brechen würde, sagen wir das, und wenn wir uns nicht ausrichten können, gehen wir. Die Garantie ist gegenseitig: Du kannst uns jede Woche feuern; wir können uns auch selbst feuern.

Question 5

Trainiert ihr eigene Modelle oder integriert ihr nur bestehende APIs?

Accepted Answer

Beides – je nachdem, was sinnvoll ist. In 90 % der Business-Use-Cases schlagen gut geprompte Frontier-Modelle (OpenAI, Anthropic, Open-Weights wie Llama) ein eigenes Fine-Tuning – zu einem Bruchteil der Kosten. Fine-Tuning nutzen wir nur, wenn die Aufgabe eng definiert ist, die Daten proprietär sind und die Kostenrechnung aufgeht. Wir sagen dir ehrlich, welcher Fall bei dir vorliegt.

Question 6

Wie geht ihr mit Halluzinationen und Zuverlässigkeit in der Produktion um?

Accepted Answer

Drei Schichten: strukturierte Outputs mit JSON-Schema-Validierung, Retrieval-Augmented Generation, die das Modell auf deine Quellen erdet, und Evaluation-Harnesses, die echte Antworten bei jedem Deploy gegen das erwartete Verhalten bewerten. Wir liefern keine KI-Features aus, ohne messen zu können, wann sie falschliegen.

Question 7

Wo liegen unsere proprietären Daten, und trainiert ihr darauf?

Accepted Answer

Deine Daten liegen dort, wo du es willst, und die Produkte, die wir für dich bauen, laufen unter deiner eigenen Lizenz beim KI-Anbieter – die Datenschutzbedingungen sind also genau die, die du unterschrieben hast. Mit einem Enterprise-Vertrag bei OpenAI, Anthropic, Azure & Co. sind deine Daten vertraglich vom Training ausgeschlossen. Auf einem Standard-Tarif solltest du die Anbieter-AGB prüfen, bevor du Produktionsdaten dort durchschickst. Für sensible Fälle deployen wir Open-Weights-Modelle in deiner eigenen Cloud (AWS Bedrock, GCP Vertex, Self-Hosting), sodass sich die Frage gar nicht erst stellt. Wir nutzen deine Daten nie, um irgendetwas für jemand anderen zu trainieren.

Question 8

Typische Dauer von der Idee bis zum produktiven KI-Feature?

Accepted Answer

Prototyp: eine Woche. Production-ready mit Evals, Guardrails und Observability: 4–8 Wochen. Das Langsame ist nicht die KI, sondern alles drumherum: Auth, Billing, Rate-Limiting, Content-Moderation, Audit-Logs. Wir haben oft genug ausgeliefert, um zu wissen, wo die Zeit wirklich draufgeht.

Question 9

Welche KI-Frameworks und Libraries setzt ihr in Produktion ein?

Accepted Answer

Kommt drauf an, was wir bauen. Für RAG und Agenten: LangChain, LangGraph, LlamaIndex und das Vercel AI SDK im Frontend. Für Self-Hosting: vLLM, Ollama, llama.cpp, Hugging Face Transformers. Für Evaluation: Braintrust, Phoenix, OpenAI Evals. Für Observability: LangSmith, Helicone, Langfuse. Wir wählen langweilige, bewährte Tools statt Hype, der KI-Stack ändert sich alle sechs Wochen, also nehmen wir das, was wir sauber wieder rausreißen können.

Question 10

Was kostet ein KI-Feature wirklich?

Accepted Answer

Prompt-Engineering-Integration in bestehende App: 5.000–15.000 €. RAG-System über eigene Dokumente mit Evals und echter UI: 15.000–40.000 €. Multi-Step-Agent mit Tools, Memory und Guardrails: 40.000–100.000 €+. Laufende API-Kosten kommen extra und hängen von Modell und Volumen ab. Wir budgetieren die API-Kosten direkt ins Angebot, damit du im zweiten Monat keine sechsstellige Überraschung von OpenAI bekommst.

Question 11

Wann sollten wir KEINE KI einbauen?

Accepted Answer

Wenn der gleiche Job mit einem SQL-Query, einer Rules Engine oder einem Formular erledigt ist. Wenn du Latenz unter 200 ms brauchst. Wenn 100 % deterministische Outputs Pflicht sind (Verträge, Buchhaltung, Medizin). Wenn es keine Feedback-Schleife gibt, die Fehler des Modells abfängt. Wir sagen dir „lass es“, wenn der Use-Case es nicht hergibt, auch wenn das das Projekt kleiner macht.

Question 12

Baut ihr KI-Agenten, die wirklich etwas tun, oder nur Chatbots?

Accepted Answer

Echte Agenten. Wir bauen AI Agents, die Tools aufrufen (Function Calling, MCP), mehrstufige Pläne ausführen (LangGraph-State-Machines), in deine Datenbanken und APIs lesen und schreiben und unbeaufsichtigt nach Zeitplan laufen. Live-Beispiele: Rechnungstriage-Bots, interne Research-Agenten, Content-Ops-Pipelines, automatische QA-Harnesses. Chatbots sind der langweilige Fall. Agenten, die Arbeit nach vorne bringen, sind dort, wo der Hebel sitzt.

KI-Integration

Was wir tun

Welche Prinzipien leiten unsere KI-Arbeit?

Wie wir Software entwickeln

Discovery-Phase

Erste Iteration

Folge-Iterationen

Wartung

Weiterentwicklung / Übergabe

Beweise statt Versprechen

Was Kunden sagen

FAQs

Lern uns kennen