KI, die liefert.
Drei Referenzprojekte. Echte Probleme. Messbare Ergebnisse. Kachel anklicken für den vollständigen Case.
Customer Cases.
BrandSlide AI
Multi-Agent Presentation Engine mit Brandbook-Extraktion und KI-Bildgenerierung
Ausgangslage
Veltrix GmbH (ca. 200 MA, München) entwickelt Automatisierungslösungen für die Fertigungsindustrie. Das Marketing-Team produziert monatlich 40+ kundenspezifische Decks — Pitch-Decks, Technical Deep-Dives, Quartals-Reviews.
- Bottleneck: Jedes Deck lief über eine Designerin. Ø 6,4 Stunden Produktionszeit, 3–5 Tage Wartezeit für Stakeholder.
- Inkonsistenz: Sales-MA bauten eigene Decks in alten Templates. Ergebnis: 4 Farbpaletten im Umlauf, falsche Logo-Varianten, fremde Typografie.
- Bildqualität: Stock-Fotos passten nicht zur technischen Positionierung. Custom-Grafiken wurden manuell erstellt — der zeitintensivste Schritt.
Systemarchitektur — 7 Agenten in LangGraph
Das Brandbook wird einmalig in eine maschinenlesbare Brand-DNA transformiert. Alle nachfolgenden Generierungen ziehen ihren Style aus Pinecone — deterministisch, versioniert, ohne manuelle Eingriffe.
Upload
ParserSonnet 4.6 Vision
Generator→ Pinecone
PlannerSonnet 4.6
parallelSonnet 4.6 · Nano Banana
Composerpython-pptx
ReviewerLlama 3.3 · ↺ max. 2×
Output
Herausforderungen
Technische Illustrationen wirkten wie Stock-Art. Fix: LoRA-Adapter auf 200 existierenden Veltrix-Grafiken trainiert, als Custom-Style in die Image-Pipeline eingebunden.
Kein natives Text-Wrap um Bilder. Fix: Eigener LayoutEngine-Layer der direkt auf XML-Level in die .pptx-Interna schreibt.
Farbvergleiche schlugen zu oft an (Rendering-Delta zwischen pptx und Screenshot). Fix: Toleranzband ΔE ≤ 3 statt Pixel-Perfect. Fehlerrate 31% → 4%.
Ergebnisse nach 3 Monaten Produktion
Unerwarteter Nebeneffekt: Onboarding neuer Marketing-MA von 2 Wochen auf fast null. Neue Teammitglieder produzieren vom ersten Tag an brand-konforme Decks.
Projekt-Timeline
"Wir haben drei Jahre nach einer Lösung gesucht, die nicht einfach nur Templates befüllt, sondern versteht, was unsere Marke ausmacht. Das System denkt wie unser Designer — nur schneller."— Julia Kress, Head of Marketing, Veltrix GmbH
ContractPilot
Agentic RAG-System für Vertragsanalyse, Risikoerkennung und Fristen-Monitoring
Ausgangslage
Hausberg Logistik AG (ca. 450 MA, Hamburg) verwaltet 120+ aktive Verträge: Subunternehmer-Rahmen, Mietverträge, Versicherungen, Kunden-SLAs. Legal-Team: 3 Personen, davon 1 Volljurist.
- Zeitdruck: 2,8–3,5h Prüfzeit pro Vertrag. 30+ neue Verträge/Quartal. Team dauerhaft im Rückstand.
- €340.000 Schaden: Im Vorjahr zwei Auto-Renewal-Klauseln übersehen — Verlängerung um 24 Monate zu ungünstigen Konditionen.
- Excel-Fristenmanagement: 3–4 Fristen pro Quartal verpasst. Die Tabelle war "meistens aktuell".
- Kein Vertragsgedächtnis: Nachverhandlungen ohne Kenntnis historischer Konditionen mit demselben Partner.
Systemarchitektur — 5-Stufen Pipeline
Ein agentic RAG-System das Verträge aktiv gegen eine konfigurierbare Risikomatrix prüft — nicht nur zusammenfasst. Fristen fließen automatisch in einen Alert-Workflow.
Upload
Ingestionunstructured.io
ExtractorLlama 3.3 on-prem · 23 Felder
AnalyzerSonnet 4.6 · 28 Regeln + RAG
GeneratorAmpel-Bewertung
Trackern8n → Slack
Ready
Risikomatrix — YAML, konfigurierbar ohne Deployment
Auszug aus rules.yaml — vom Legal-Team selbst gepflegt
rules:
- id: auto_renewal_risk
field: renewal_mechanism
condition: "auto_renewal AND notice_period_days < 90"
severity: HIGH
recommendation: "Kündigungsfrist verhandeln oder Opt-in statt Opt-out"
- id: liability_cap_risk
field: liability_cap_eur
condition: "liability_cap < annual_contract_value * 1.5"
severity: MEDIUM
recommendation: "Haftungsobergrenze auf min. 1.5x Jahreswert anheben"
- id: gdpr_missing
field: data_processing_clause
condition: "NOT EXISTS"
severity: HIGH
recommendation: "AVV (Auftragsverarbeitungsvertrag) nachfordern"
Herausforderungen
Viele PDFs ohne OCR-Layer. Fix: Tesseract + Confidence-Threshold 85%. Darunter: "manuelle Digitalisierung" Flag statt stiller Fehler.
23% Fehlerrate bei "§4 Abs. 3 gilt entsprechend für Anlage 2". Fix: Zweistufige Extraktion — §-Referenz-Auflösung zuerst. Danach: 4,1%.
Juristen wollten wissen WARUM riskant. Fix: Explanation-Layer — Regel-ID + Originaltext + relevante Playbook-Passage pro Bewertung.
Ergebnisse nach 4 Monaten Produktion
Der Volljurist verbringt Zeit jetzt mit Nachverhandlungen statt initialen Reviews. Neue Verhandlungen starten mit: "Zeig mir alle Verträge mit Partner X und ihre historischen Konditionen."
Projekt-Timeline
"Wir hatten vorher ein Tool evaluiert, das Verträge 'zusammenfasst'. Das war nett, aber nutzlos. ContractPilot sagt uns, was wir TUN müssen — und wann. Das ist der Unterschied."— Dr. Martin Falk, Head of Legal, Hausberg Logistik AG
LeadForge
Automatisierte Sales-Proposal-Pipeline mit Lead-Enrichment und Human-in-the-Loop
Ausgangslage
NovaTech Solutions (ca. 80 MA, Berlin) — Enterprise-Workflow-Software für Fertigungs- und Logistik-Unternehmen. 6 AEs, 3 SDRs, ca. 40 qualifizierte Opportunities/Monat.
- Ø 2,4h pro Proposal: Manuelle Recherche, Case-Study-Suche in 120-seitigem PDF, Schreiben in Google Slides.
- 52h Turnaround: Vom qualifizierten Lead bis Proposal-Versand. Wettbewerber mit schnellerem System gewann regelmäßig.
- Qualitätsgefälle: Senior AEs lieferten 2× bessere Proposals. 30% enthielten irrelevante Case Studies.
- Kein Tracking: Ob ein Proposal geöffnet, gelesen oder weitergeleitet wurde, war unbekannt.
Systemarchitektur — n8n Pipeline, 3 parallele Enrichment-Branches
CRM-Stage-Wechsel triggert automatisch. Drei parallele Enrichment-Nodes laufen gleichzeitig. Proposal ist in <15 Minuten draft-ready — Human-in-the-Loop via Slack vor dem Versand.
Trigger
× 3 parallelHaiku 4.5 · Web · LinkedIn · CRM
MatcherPinecone ≥0.78
GeneratorSonnet 4.6 + Tonprofil
RenderWeasyPrint
Review✅ ✏️ 🔄
+ Tracking
Personalisierung — konkret
Echtes Beispiel aus der Produktion
Discovery-Notes: "CFO ist Sponsor. Hauptproblem: Transparenz in der Auftragsabwicklung. Aktuell SAP + Excel-Wildwuchs. 230 MA in der Logistik."
Generierter Proposal-Einstieg: "Für Ihre 230 Mitarbeiter in der Auftragsabwicklung bedeutet die aktuelle SAP/Excel-Fragmentierung geschätzte 12.000 Stunden/Jahr an manuellen Datentransfers. Unsere Integration bei Kramer Logistik — vergleichbare Teamgröße, ähnlicher SAP-Stack — hat diese Brücken-Arbeit um 74% reduziert."
Der ROI-Calculator im HTML-Proposal wird mit tatsächlichen Teamgrößen und Prozessschritten des Prospects vorausgefüllt. Das Proposal liest sich wie vom AE geschrieben — nicht wie von einer KI.
Herausforderungen
15% der Prospects nicht scrapebar. Fix: Apify Residential Proxies + Google Knowledge Graph API als Fallback für Basisdaten.
Case Studies zu generisch. Root Cause: Branchen-Keywords-Embeddings statt Use-Case-Embeddings. Nach Re-Indexierung: 12% Ablehnung.
LinkedIn-Scraping auf publicly available data limitiert. Consent-Check als CRM-Flag ("Marketing OK") in Trigger eingebaut.
Ergebnisse nach 3 Monaten Produktion
Unerwartetes Learning: Junior AEs profitieren überproportional. Proposals auf Senior-Niveau. Ramp-Up-Zeit von 4–6 Wochen auf <2 Wochen gesunken.
Projekt-Timeline
"Ich hab am Anfang gedacht, das wird ein glorifizierter Mail-Merge. Aber als ich gesehen habe, wie das System die Discovery-Notes von meinem Call nimmt und daraus ein Proposal baut, das klingt wie von mir — das war der Moment, wo ich's verstanden habe."— Niklas Brauer, Senior Account Executive, NovaTech Solutions