AI/ML 
Rozwój oprogramowania 
Die Verarbeitung natürlicher Sprache hat neue Möglichkeiten für den Einsatz künstlicher Intelligenz in Unternehmen eröffnet. Large Language Models (LLMs) ermöglichen heute Chatbots für die Kundenkommunikation, eine deutlich schnellere Analyse umfangreicher Dokumentenbestände und die automatisierte Erstellung von Geschäftstexten.
VM.PL entwickelt individuelle Sprach-KI-Lösungen für Unternehmen: LLM-basierte Assistenten, Retrieval-Augmented-Generation-Systeme (RAG) und NLP-Pipelines – nearshore aus Polen, nach der 4D-Methodik und unter Berücksichtigung der jeweiligen Datenschutzanforderungen.
Sprach-KI für Geschäftsprozesse: Wo liegt der Mehrwert – und warum Custom statt Standard?
Generische Sprachmodelle haben ohne geeignete Anbindung keinen verlässlichen Zugriff auf aktuelle interne Dokumente, Produktkataloge oder unternehmensspezifische Prozesse. Ein Standard-Chatbot, der ausschließlich auf allgemeinem Modellwissen basiert, kann deshalb häufig keine ausreichend fundierten Antworten zu Lieferbedingungen, Vertragsdetails oder spezifischen Produkteigenschaften geben.
Eine individuell konfigurierte Sprach-KI kann diese Informationen über geeignete Schnittstellen und RAG-Verfahren einbeziehen, ohne dass dafür grundsätzlich ein eigenes Sprachmodell von Grund auf trainiert werden muss.
| Kriterium | Generisches Sprachmodell | Custom LLM (VM.PL-Ansatz) |
| Wissen | Allgemeines Modellwissen und gegebenenfalls angebundene externe Quellen | Aktuelle Unternehmensinformationen über RAG oder andere geeignete Datenanbindungen; Fine-Tuning für ausgewählte Aufgaben |
| Antwortqualität | Nicht automatisch auf unternehmensspezifische Inhalte abgestimmt | Anpassung an Fachsprache, Produkte, Prozesse und definierte Qualitätsanforderungen |
| Datenschutz | Abhängig vom Anbieter, Bereitstellungsmodell und den Datenverarbeitungsbedingungen | On-Premise-Betrieb oder kontrollierte Cloud-Architektur möglich; Datenflüsse werden projektspezifisch festgelegt |
| Unternehmens-Ton | Allgemeiner Kommunikationsstil, durch Prompts beeinflussbar | Anpassung durch Systemanweisungen, Beispiele und bei Bedarf Fine-Tuning |
| Vendor-Lock-in | Mögliche Abhängigkeit von einem SaaS- oder Modellanbieter | Individuelle Architektur mit geeigneten Schnittstellen und vertraglich geregelten Nutzungsrechten |
VM.PL wählt zwischen RAG (Retrieval-Augmented Generation) zur Einbindung aktueller und regelmäßig veränderlicher Wissensbestände und Fine-Tuning zur gezielten Anpassung des Modellverhaltens, beispielsweise an bestimmte Aufgaben, Ausgabeformate oder Kommunikationsstile.
Beide Ansätze können sich ergänzen. Fine-Tuning ersetzt jedoch nicht automatisch den Zugriff auf aktuelle Unternehmensdaten. Die 4D-Discovery-Phase klärt, welche Architektur zur Datenlage, den Anforderungen und dem Datenschutzkontext passt.
Welche Sprach-KI-Technologien setzt VM.PL ein – Chatbots, LLM und Generative KI im Unternehmenseinsatz?
VM.PL entwickelt unterschiedliche Arten von Sprach-KI-Anwendungen, die je nach Anwendungsfall kombiniert werden können.
| Anwendungsbereich | Funktion | VM.PL-Implementierung |
| KI-Chatbots (Kundenservice) | LLM-basierter Chatbot mit RAG-Anbindung an Produktdatenbanken und FAQs zur Unterstützung des Kundenservice rund um die Uhr; komplexe Fälle werden bei Bedarf weitergeleitet | LightRAG · pgvector/PostgreSQL 16 · API-Layer ü ber Node.js/NestJS |
| LLM-Dokumentenmanagement | NLP extrahiert, klassifiziert und durchsucht Unternehmensdokumente und ermöglicht eine schnelle Informationssuche | Python 3.11+ · FastAPI · pgvector · Azure Container Apps |
| Generative KI im Business | Automatische Report-Erstellung, E-Mail-Entwürfe, Zusammenfassungen aus strukturierten Daten | OpenAI SDK (via Azure) · Azure DevOps/Pipelines |
| Interne KI-Assistenten | Unterstützung für Mitarbeitende bei HR-Fragen, im IT-Helpdesk und bei der Suche in internen Wissensdatenbanken | RAG auf internen Dokumenten · Angular-Frontend · On-Premise-Option |
| NLP-Klassifizierung | Automatische Kategorisierung von Kundenanfragen – Ticket-Routing, Eskalation, Priorisierung | Python NLP-Pipeline · Java/Spring Boot Integration in CRM/ERP |
Wie automatisiert VM.PL Geschäftsprozesse mit Sprach-KI – und welche Prozesse profitieren am meisten?
Sprach-KI eignet sich besonders zur Automatisierung wiederkehrender Kommunikations- und Dokumentationsaufgaben, darunter Kundenanfragen, interner Support, Vertragsanalyse, Berichtserstellung und Dokumentenklassifizierung.
Der API-Layer-Ansatz ermöglicht die Einbindung in bestehende Systeme, ohne diese grundsätzlich ersetzen zu müssen.
Drei Automatisierungsbereiche mit höchstem ROI:
- Workflow-Automatisierung: NLP-basierte Klassifizierung erkennt den Inhalt eingehender Anfragen und kann definierte Folgeprozesse auslösen – beispielsweise Ticketrouting im Helpdesk, Eskalation bei Beschwerden oder Weiterleitung an zuständige Mitarbeitende. Die Integration erfolgt über einen API-Layer in Node.js/NestJS oder Java/Spring Boot in bestehende CRM-, ERP- und Helpdesk-Systeme.
- Dokumentenverarbeitung: LLM-gestützte NLP-Pipelines lesen Verträge, Rechnungen und technische Dokumente, extrahieren relevante Felder, klassifizieren Dokumententypen und geben strukturierte Daten zurück. Abhängig von Dokumentenumfang, Qualität und Prüfvorgaben lassen sich Aufgaben, die manuell Stunden dauern, unter geeigneten Voraussetzungen innerhalb von Sekunden oder Minuten bearbeiten.
- Hybridmodell: Sprach-KI bearbeitet Routinekommunikation und Standarddokumente. Mitarbeitende übernehmen komplexe Fälle, rechtliche Bewertungen und erforderliche Freigaben. Ziel ist nicht der vollständige Ersatz menschlicher Expertise, sondern die Entlastung bei Aufgaben mit hohem Volumen und wiederkehrenden Abläufen.
Azure DevOps/Pipelines für automatisierte Tests und Updates. Azure Container Apps für eine skalierbare Sprach-KI-Infrastruktur. Für sensible Unternehmensdaten können je nach Sicherheitsanforderungen auch On-Premise- oder private Cloud-Architekturen vorgesehen werden.
Welche Vorteile bringt Sprach-KI für Unternehmen – Zeit, Qualität, Skalierung?
Vier messbare Effekte, die sich in der Praxis direkt nachweisen lassen:
- Automatisierungsgrad: Bei klar abgegrenzten Standardanfragen kann ein individuell entwickelter Chatbot einen erheblichen Anteil der Kundenkommunikation automatisieren. Ein Automatisierungsgrad von 70–80 % kann als beispielhafte Zielgröße dienen, ist jedoch nicht für jeden Anwendungsfall erreichbar. Der tatsächliche Anteil hängt von Anfragearten, Wissensqualität und Eskalationsregeln ab. Standardanfragen können rund um die Uhr verarbeitet werden, während komplexe Anliegen an Mitarbeitende übergeben werden.
- Zeitersparnis: Dokumentenanalysen, die manuell Stunden beanspruchen, können durch NLP-Pipelines erheblich beschleunigt werden. Berichte aus strukturierten Daten lassen sich automatisiert vorbereiten. Die Ergebnisse werden bei Bedarf fachlich geprüft.
- Qualität und Konsistenz: Ein LLM, das auf unternehmensspezifische Dokumente zugreift und definierte Kommunikationsregeln berücksichtigt, kann eine einheitlichere Beantwortung wiederkehrender Fragen unterstützen. Dies gilt insbesondere bei komplexen Produktinformationen und mehrsprachiger Kommunikation. Antwortgenauigkeit und Quellentreue müssen jedoch systematisch überprüft werden.
- DSGVO-konforme Skalierung: Bei einer vollständig lokalen Bereitstellung kann die Verarbeitung sensibler Kundendaten innerhalb der kontrollierten Unternehmensinfrastruktur erfolgen. Azure Container Apps sind dagegen ein Cloud-Dienst und nicht mit einer On-Premise-Installation gleichzusetzen. Für Cloud-Architekturen werden Datenresidenz, Zugriffskontrollen, Aufbewahrungsbedingungen und gegebenenfalls erforderliche Auftragsverarbeitungsverträge geprüft.
Wie sieht das 4D-Vorgehen bei VM.PL für Sprach-KI aus?
Die Discovery-Phase analysiert die vorhandenen Sprach- und Dokumentendaten sowie die Datenschutzanforderungen. Dabei werden Datenqualität, Berechtigungsstrukturen, mögliche Integrationsschnittstellen und die Eignung der Daten für den vorgesehenen Anwendungsfall bewertet.
Ein unternehmensspezifischer Assistent benötigt eine verlässliche Wissensgrundlage und geeignete Prüfverfahren, um im Arbeitsalltag zuverlässige Antworten zu liefern.
| Phase | Aktivitäten | Deliverable | Dauer |
| Discovery | Sprach- und Dokumentendaten-Audit · Use-Case-Validierung · DSGVO-Bewertung · erste Architekturauswahl (RAG vs. Fine-Tuning) | Concept Document (Go/No-Go) | 1-2 Wochen |
| Definition | LLM-Architektur · RAG-Design oder Fine-Tuning-Plan · Integrations-Design (CRM/ERP) | Architecture Blueprint | 1 Woche |
| Delivery | LLM-Konfiguration + RAG-Pipeline · Integration · Tests via Azure Pipelines · Abnahme | Produktives Sprach-KI-System | 5-10 Wochen |
| Direction | Modellmonitoring · Updates bei neuen Dokumenten · Überwachung der Antwortqualität und möglicher Qualitätsveränderungen | Entwicklungs-Roadmap | laufend |
Wie integriert VM.PL Sprach-KI in bestehende IT-Systeme – CRM, ERP und Helpdesk?
Sprach-KI entfaltet ihren Nutzen besonders dann, wenn sie in bestehende Geschäftsprozesse eingebunden ist und auf die benötigten Informationen zugreifen kann.
VM.PL integriert Sprach-KI über einen API-Layer, der die KI-Komponenten von den vorhandenen Geschäftssystemen entkoppelt. Dadurch lassen sich neue Funktionen ergänzen, ohne die Kernsysteme vollständig ersetzen zu müssen.
| System | Integrationsmethode | Typischer Anwendungsfall |
| SAP (ERP) | RFC/BAPI oder OData REST API · Java/Spring Boot als Middleware | Extraktion und Verarbeitung relevanter Informationen aus SAP-Belegen · automatische Befüllung geeigneter Felder nach Validierung |
| Salesforce (CRM) | Salesforce REST API · Apex-Integration oder Middleware | KI-Assistent für Vertrieb · automatische Lead-Qualifizierung aus E-Mails |
| Microsoft Dynamics | Dataverse API · Power Platform Connector oder Node.js/NestJS | Kundenanfragen automatisch klassifizieren und in Dynamics-Tickets übertragen |
| Zendesk / Freshdesk | Webhook + REST API · Node.js Event-Handler | LLM-Chatbot als First-Level-Support · automatisches Ticket-Routing und Eskalation |
| Eigene Legacy-Systeme | REST-API-Adapter, geeignete Datenbankschnittstellen oder andere systemabhängige Integrationsmechanismen · Java/Spring Boot | NLP-Pipeline auf Legacy-Dokumenten ohne Systemwechsel |
Integrationsarchitektur: VM.PL entwickelt einen eigenständigen Sprach-KI-Service (Python 3.11+ · FastAPI), der über eine klar definierte REST-API mit dem Kernsystem kommuniziert.
Durch diese Entkopplung lassen sich Modellupdates oder Modellwechsel kontrolliert durchführen. Ob ein Rollback ohne Änderungen am Kernsystem möglich ist, hängt von der konkreten Architektur, den Schnittstellen und den vorgenommenen Datenänderungen ab.
Welche Sprachmodelle eignen sich für deutschsprachige Unternehmens-KI – und wie wählt VM.PL aus?
Die Wahl eines LLM hängt von Sprachqualität, Datenschutzanforderungen, Kontextfenster, Kosten, Antwortgeschwindigkeit, Bereitstellungsoptionen und Integrationsaufwand ab.
Für deutschsprachige Unternehmensanwendungen sind zusätzliche Faktoren relevant: die zuverlässige Verarbeitung zusammengesetzter Fachbegriffe, branchenspezifischer Terminologie, komplexer Satzstrukturen und mehrsprachiger Dokumente.
Da sich verfügbare Modellversionen und Leistungsunterschiede schnell verändern, sollte die Auswahl nicht allein auf einer statischen Rangliste beruhen. VM.PL kann geeignete Modelle anhand repräsentativer deutscher Testdaten und konkreter Unternehmensanforderungen vergleichen.
| Modell-Familie | Deutsch-Stärke | Empfohlener Einsatz bei VM.PL |
| GPT-Modelle über Microsoft Foundry / Azure OpenAI | Je nach Version starke deutschsprachige und mehrsprachige Fähigkeiten; Qualität muss für den konkreten Anwendungsfall getestet werden | Komplexe Dokumentenanalyse · juristische Texte mit fachlicher Prüfung · mehrsprachiger Kundenservice · Cloud-Bereitstellung mit geeigneten Datenschutz- und Sicherheitskonfigurationen |
| LLaMA 3 (70B / 8B) | Mehrsprachige Modellfamilie mit unterschiedlichen Größen und Leistungsprofilen; geeignete Varianten können selbst betrieben werden | On-Premise-Betrieb · individuelle Modellanpassung · RAG-Anwendungen auf unternehmenseigenen Dokumenten |
| Mistral (7B / Mixtral) | Unterschiedliche offene und proprietäre Varianten; je nach Modell geeignete mehrsprachige Fähigkeiten und effiziente Inferenz | Anwendungen mit spezifischen Latenz- oder Infrastrukturvorgaben · Dokumentenverarbeitung · lokal betriebene Systeme bei geeigneter Modelllizenz |
| Phi-3 / Phi-3.5 (Microsoft) | Kompaktere Modellvarianten mit potenziell geringerem Ressourcenbedarf; Qualität und Sprachabdeckung sind modellabhängig | Klassifizierung · strukturierte Extraktion · ressourcenbeschränkte Umgebungen · ausgewählte RAG-Anwendungen |
Entscheidungsregel: VM.PL wählt das Modell nach dem Sprachdaten-Audit in der Discovery-Phase. Datenschutzanforderungen, Datenresidenz, Domänenkomplexität, Antwortqualität und wirtschaftliche Kriterien bestimmen die Auswahl.
Bei komplexen deutschen Fachtexten werden geeignete Modelle durch Tests auf realistischen Unternehmensdokumenten verglichen. Ein bestimmtes Modell wird nicht pauschal als beste Lösung für alle Anwendungen empfohlen.
Wie stellt VM.PL sicher, dass Sprach-KI keine falschen Antworten liefert?
Halluzinationen – also sachlich falsche, aber überzeugend formulierte Antworten – gehören zu den zentralen Qualitätsrisiken beim Einsatz von LLMs im Unternehmen.
VM.PL begegnet diesen Risiken durch eine Kombination aus geeigneter Architektur, Datenanbindung, Validierung und kontinuierlichem Monitoring. Eine vollständige Vermeidung von Halluzinationen lässt sich bei generativen Modellen jedoch nicht garantieren.
Vier Mechanismen gegen Halluzinationen:
- RAG als zentrale Wissensgrundlage: Retrieval-Augmented Generation verbindet die Antwortgenerierung mit relevanten Dokumentenpassagen aus der Unternehmenswissensbasis. Das Modell nutzt die abgerufenen Informationen als Kontext, kann aber weiterhin auf eigenes Modellwissen zurückgreifen oder Fehler erzeugen.
- Quellenangaben ermöglichen es Nutzern, die Herkunft wesentlicher Aussagen nachzuvollziehen. Ein RAG-System sollte zusätzlich prüfen, ob die generierte Antwort tatsächlich durch die angegebenen Quellen gestützt wird.
- Confidence-Scoring und Fallback: VM.PL implementiert Schwellenwerte zur Bewertung der Qualität der gefundenen Dokumentenpassagen. Findet das System keine ausreichend relevante Quelle, kann es eine definierte Rückmeldung ausgeben, beispielsweise „Dazu liegen mir keine ausreichenden Informationen vor“, statt eine unbelegte Antwort zu generieren. Bei kritischen Anwendungen können strengere Prüf- und Eskalationsregeln vorgesehen werden.
- Human-in-the-Loop für kritische Anwendungen: Bei rechtlich oder finanziell relevanten Antworten können menschliche Freigabeprozesse erforderlich oder fachlich sinnvoll sein. Das System erstellt einen Entwurf, den zuständige Mitarbeitende prüfen und freigeben. Welche Inhalte zwingend einer Freigabe bedürfen, wird anhand des Risikos und der geltenden Anforderungen festgelegt.
- Qualitätsmonitoring in der Direction-Phase: VM.PL überwacht relevante Qualitätskennzahlen wie Answer Relevance, Faithfulness (Quellentreue) und Retrieval Precision. Auffällige Veränderungen können automatische Warnmeldungen auslösen und Anlass für Anpassungen des Modells, der Wissensbasis oder des Retrieval-Verfahrens geben. Modellupdates erfolgen über kontrollierte und dokumentierte Prozesse.
Evaluationsframework: Vor dem Go-Live erstellt VM.PL einen repräsentativen Testdatensatz aus unternehmensspezifischen Fragen und überprüfbaren Referenzantworten. Pass Rate, Antwortgenauigkeit, Quellentreue, geeignete Fehlerraten und Toleranzen für Qualitätsveränderungen können als messbare Akzeptanzkriterien vereinbart werden.
Die produktive Freigabe erfolgt nach Erfüllung der zuvor festgelegten Qualitätsanforderungen.
Wie stellt VM.PL DSGVO-Konformität und Datenschutz bei Sprach-KI sicher?
Sprach-KI kann Kundenkommunikation, Vertragsdokumente und Personaldaten verarbeiten. Je nach Inhalt können dabei personenbezogene, vertrauliche oder besonders schutzbedürftige Informationen betroffen sein.
Datenschutz ist deshalb ein Bestandteil der Architekturplanung. Die konkrete DSGVO-Konformität ergibt sich aus der Rechtsgrundlage, dem Verarbeitungszweck und den eingesetzten technischen und organisatorischen Schutzmaßnahmen – nicht allein aus der Wahl eines Cloud- oder On-Premise-Modells.
| Anforderung | Rechtliche Grundlage | VM.PL-Umsetzung |
| Kein Datentransfer ohne Rechtsgrundlage | DSGVO Art. 6 sowie Art. 44 ff. bei Übermittlungen in Drittländer | Lokale oder kontrollierte Cloud-Bereitstellung · Prüfung der Datenresidenz, Schnittstellen und zulässigen Datenübertragungen |
| Pseudonymisierung bei LLM-Verarbeitung | DSGVO Art. 4 Nr. 5, Erwägungsgrund 26 | Pseudonymisierung personenbezogener Merkmale, soweit für den Verarbeitungszweck geeignet und erforderlich · kontrollierte Reidentifizierung bei berechtigtem Bedarf |
| Auftragsverarbeitung (AVV) | DSGVO Art. 28 | Abschluss von Auftragsverarbeitungsverträgen, soweit VM.PL oder weitere Dienstleister als Auftragsverarbeiter tätig werden |
| Automatisierte Einzelentscheidungen | DSGVO Art. 22 | Prüfung, ob ausschließlich automatisierte Entscheidungen mit rechtlicher oder ähnlich erheblicher Wirkung vorliegen · geeignete menschliche Kontroll- und Interventionsmöglichkeiten, soweit erforderlich |
| EU AI Act (GPAI) | Transparenzpflichten für LLM-Einsatz · Nutzerkennzeichnung bei KI-generierten Inhalten · Risikobewertung in Definition-Phase | Prüfung von Transparenzpflichten bei KI-Interaktionen und KI-generierten Inhalten · Abgrenzung zwischen Pflichten für GPAI-Modellanbieter und für Betreiber konkreter KI-Anwendungen |
Die Transparenzpflichten nach Artikel 50 gelten grundsätzlich seit dem 2. August 2026. Für bestimmte bereits zuvor bereitgestellte Systeme bestehen Übergangsregelungen. Die Anforderungen an Anbieter von General-Purpose-AI-Modellen sind von den Pflichten eines Unternehmens zu unterscheiden, das eine auf solchen Modellen basierende Anwendung einsetzt.
On-Premise vs. Azure: Für besonders sensible Daten, beispielsweise Personalakten, Rechtsdokumente oder Gesundheitsinformationen, kann eine vollständig lokal betriebene Sprach-KI-Architektur vorgesehen werden. Ob dabei jeglicher externe Netzwerkzugriff ausgeschlossen ist, hängt von der konkret implementierten Konfiguration ab.
Für Unternehmen mit Azure-Infrastruktur können geeignete Microsoft-Cloud-Dienste mit Private Endpoints, Zugriffskontrollen und regionalen Bereitstellungsoptionen eine Alternative sein. Die tatsächlichen Datenflüsse, Aufbewahrungsbedingungen und etwaige Drittlandübermittlungen müssen für die verwendeten Dienste und Modellvarianten geprüft werden.
Warum VM.PL für Sprach-KI-Lösungen?
VM.PL entwickelt individuelle Sprach-KI-Anwendungen, die auf die Dokumentenbestände, Kommunikationsprozesse und technischen Anforderungen eines Unternehmens abgestimmt sind. Im Mittelpunkt stehen die Integration in bestehende Systeme, der kontrollierte Umgang mit sensiblen Daten und eine langfristig wartbare Architektur.
Fünf Differenzierungsmerkmale
- Individuelle Sprach-KI auf Unternehmensdaten: VM.PL verbindet geeignete Sprachmodelle mit dem spezifischen Dokumentenbestand, Produktkatalog und den Geschäftsprozessen des Kunden. RAG, Systemanweisungen und gegebenenfalls Fine-Tuning ermöglichen die Anpassung an fachliche Anforderungen, ohne ein Sprachmodell grundsätzlich von Grund auf neu trainieren zu müssen.
- RAG und Fine-Tuning nach Bedarf: VM.PL entwickelt individuelle LLM-Anwendungen und wählt die Architektur nach den Anforderungen des Anwendungsfalls. RAG eignet sich besonders zur Anbindung aktueller Wissensbestände. Fine-Tuning kann bei klar definierten Aufgaben, Ausgabeformaten oder Kommunikationsstilen sinnvoll sein.
- On-Premise-Option: Für besonders vertrauliche Unternehmensinformationen kann eine lokale Bereitstellung vorgesehen werden, bei der Dokumente und Modellverarbeitung innerhalb der kontrollierten Kundeninfrastruktur bleiben. Alternativ können geeignete private Cloud- oder hybride Architekturen eingesetzt werden.
- Kein Vendor-Lock-in: VM.PL setzt auf transparente Architekturentscheidungen und individuell entwickelte Anwendungen. Nutzungsrechte an Quellcode, Modellkonfiguration und RAG-Pipeline sowie mögliche Lizenzkosten werden projektspezifisch vereinbart.
- Nearshore-Effizienz: Wrocław, Polen – gut erreichbar aus dem DACH-Raum, deutschsprachige Zusammenarbeit und Unternehmensstandort innerhalb der EU. Persönliche Vor-Ort-Termine können nach Vereinbarung stattfinden.
Einstieg: Ein kostenloses Discovery-Gespräch endet mit einem Sprachdaten-Audit und einem Concept Document – Machbarkeit, DSGVO-Anforderungen und Architektur-Empfehlung vor dem Commitment.
Projektbeispiel: KI-gestützte Dokumentenanalyse und Automatisierung von Geschäftsprozessen
VM.PL entwickelte für ein US-amerikanisches Unternehmen aus der Geotechnik eine KI-gestützte Lösung zur automatisierten Analyse komplexer technischer Dokumentationen, die für die Erstellung von Projektangeboten benötigt werden.
Mithilfe von Large Language Models (LLMs) und Vision-Language Models (VLMs) verarbeitet das System mehrseitige PDF-Dokumente mit Texten, Tabellen, Diagrammen und technischen Zeichnungen. Es erkennt automatisch geologische Bodenschichten in Bohrprofilen, extrahiert relevante Informationen und überführt diese in strukturierte Daten. Anschließend werden die Ergebnisse in Excel-Dateien im vom Kunden benötigten Format exportiert.
Durch die Implementierung konnte die Bearbeitungszeit für die Dokumentenanalyse von etwa drei Wochen auf nur drei Stunden reduziert werden. Gleichzeitig wurde ein erheblicher Teil der wiederkehrenden manuellen Arbeit automatisiert, sodass sich Fachkräfte auf komplexere Analysen konzentrieren und mehr Angebote vorbereiten können.
Das Projekt zeigt, wie Sprach-KI dokumentenintensive Geschäftsprozesse automatisieren, den Zugang zu relevanten Informationen verbessern und die betriebliche Effizienz deutlich steigern kann.
Referenz: KI-gestützte Analyse geotechnischer Dokumentation und automatisierte Angebotsvorbereitung