CUSTOMER CASES

KI, die liefert.

Drei Referenzprojekte. Echte Probleme. Messbare Ergebnisse. Kachel anklicken für den vollständigen Case.

// 01 — Übersicht

Customer Cases.

// Case 01 · Veltrix GmbH · München

BrandSlide AI

Multi-Agent Presentation Engine mit Brandbook-Extraktion und KI-Bildgenerierung

BrancheIndustrieautomatisierung

Laufzeit8 Wochen

Team2 Engineers + 1 Designer

StartMärz 2026

LangGraphClaude Sonnet 4.6Llama 3.3 70B (lokal)AWS BedrockNano Bananapython-pptxPineconeFastAPIRedis

82%Zeitersparnis

65 minAvg. pro Deck

3.2×Output-Steigerung

100%Brand-Compliance

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.

Produktionszeit pro Deck

Vorher

6.4 h

Nachher

65 min

Output/Mo

× 3.2

Compliance

100%

■ Vorher■ Nachher

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.

⬆Brandbook
Upload

01Brand
ParserSonnet 4.6 Vision

02Style Guide
Generator→ Pinecone

03Content
PlannerSonnet 4.6

04 ‖ 05Copy + Image
parallelSonnet 4.6 · Nano Banana

06Layout
Composerpython-pptx

07QA
ReviewerLlama 3.3 · ↺ max. 2×

↓.pptx
Output

01BrandParserClaude Sonnet 4.6 (Vision) extrahiert aus dem PDF-Brandbook: HEX/RGB-Farbpaletten, Schriftfamilien mit Gewichtungen, Logo-Varianten mit Placement-Rules, Spacing-System, Tone-of-Voice-Keywords. Accuracy auf Testset von 12 Brandbooks: 94,2% Farbwerte, 97% Logo-Placement.

02StyleGuide GeneratorTransformiert die Extraktion in brand_dna.json — 47 Felder, von Farb-Kontrastwerten bis zu erlaubten Bildstilen pro Slide-Typ. Einmalig in Pinecone persistiert. Alle nachfolgenden Requests retrieven hier ihre Brand-Rules.

04 ‖ 05CopyWriter ‖ ImageGen — ParallelSimultane Execution im LangGraph-State: CopyWriter generiert Headlines/Body/Speaker-Notes (max. 35 Wörter auf Impact-Slides). ImageGen ruft Nano Banana mit brand_dna-konformen Prompts auf — 1024×768px, konsistenter Stil. LoRA-Adapter auf 200 Veltrix-Grafiken trainiert.

07QualityReviewerPrüft das fertige Deck gegen brand_dna.json: Farbwerte (Toleranzband ΔE ≤ 3), Logo-Placement (±2px), Textlängen, Bildstil. Die deterministischen Compliance-Checks laufen auf einem lokal gehosteten Llama 3.3 70B — kein API-Roundtrip, kostenneutral pro Deck. Bei Violations: Conditional Edge zurück zu Agent 04, 05 oder 06. Max. 2 Retry-Loops — danach manuelle Flag. Fehlerrate nach Tuning: 4,1%. Deployment & Modell-Routing über AWS Bedrock.

Herausforderungen

Nano Banana zu generisch

Technische Illustrationen wirkten wie Stock-Art. Fix: LoRA-Adapter auf 200 existierenden Veltrix-Grafiken trainiert, als Custom-Style in die Image-Pipeline eingebunden.

python-pptx Layout-Limits

Kein natives Text-Wrap um Bilder. Fix: Eigener LayoutEngine-Layer der direkt auf XML-Level in die .pptx-Interna schreibt.

QA False Positives

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

82%Zeitersparnis6,4h → 65 min pro Deck

100%Brand-ComplianceKein off-brand Asset seit Go-Live

3.2×Output-Steigerung40 → 128 Decks/Monat

8 minReview-ZeitDesignerin als Quality-Gate

Unerwarteter Nebeneffekt: Onboarding neuer Marketing-MA von 2 Wochen auf fast null. Neue Teammitglieder produzieren vom ersten Tag an brand-konforme Decks.

Projekt-Timeline

W1–2Discovery & Brandbook-Analyse, LangGraph-Graph-Definition, State-Schema

W3–4BrandParser + StyleGuide-Generator, Pinecone-Integration, erste End-to-End-Pipeline

W5–6Nano Banana Integration, LoRA-Training, LayoutComposer mit Custom XML-Engine

W7QualityReviewer, Retry-Logic, Edge Cases (Tabellen, Animationen)

W8UAT mit Marketing-Team, ΔE-Toleranz-Tuning, Übergabe & Dokumentation

"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

// Case 02 · Hausberg Logistik AG · Hamburg

ContractPilot

Agentic RAG-System für Vertragsanalyse, Risikoerkennung und Fristen-Monitoring

BrancheSpedition & Kontraktlogistik

Laufzeit6 Wochen

Team2 Engineers + Legal-SME

StartMärz 2026

LangGraphClaude Sonnet 4.6Llama 3.3 70B (on-prem)AWS Bedrock GuardrailsPineconeunstructured.ion8nFastAPIPostgreSQLSlack API

91%Schnellere Prüfung

18 minPro Vertrag

14Risiken erkannt Q1

0Verpasste Fristen

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.

Prüfzeit & erkannte Risiken Q1

Manual

192 min

18 min

Risikoprofil erkannte Klauseln

HIGH

MED

LOW

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.

⬆PDF/DOCX
Upload

01Document
Ingestionunstructured.io

02Clause
ExtractorLlama 3.3 on-prem · 23 Felder

03Risk
AnalyzerSonnet 4.6 · 28 Regeln + RAG

04Summary
GeneratorAmpel-Bewertung

05Deadline
Trackern8n → Slack

✓Review
Ready

01Document Ingestionunstructured.io mit Layout-Erhaltung: Tabellen als Tabellen, Fußnoten korrekt zugeordnet, Anhänge separat. Tesseract OCR für eingescannte Altverträge (Confidence-Threshold 85%). Darunter: "manuelle Digitalisierung" Flag.

02Clause ExtractorEin on-prem gehostetes Llama 3.3 70B extrahiert 23 definierte Felder: Parteien, Laufzeit, Kündigungsfrist, Auto-Renewal, Haftungsobergrenze, Gerichtsstand, Preisanpassung, DSGVO-Klauseln, Force-Majeure, SLA-Penalties. Bewusst lokal: Vertragsvolltexte verlassen nie die Mandanten-Infrastruktur. Zweistufige Extraktion für verschachtelte §-Verweise. Fehlerrate nach Fix: 4,1%.

03Risk AnalyzerClaude Sonnet 4.6 vergleicht Klauseln gegen YAML-Risikomatrix (28 konfigurierbare Regeln — kein Code-Deployment für Änderungen). RAG-Abfrage gegen Legal-Playbook (47 Seiten, Pinecone). Der Modell-Call läuft über AWS Bedrock mit Guardrails: PII-Redaction, gesperrte Themen und Halluzinations-Filter sind zentral durchgesetzt — auditierbar pro Request. Confidence-Score: bei <0.7 → "manuell prüfen" statt automatische Bewertung. Explanation-Layer: jede Risikobewertung enthält Regel-ID + Originaltext + Playbook-Passage.

05Deadline TrackerFristen in PostgreSQL persistiert. n8n-Alerts: 90/60/30/7 Tage vor kritischer Frist via Slack. Eskalationslogik: nicht quittierter 30-Tage-Alert → E-Mail an Abteilungsleiter. Pinecone-Index nach 4 Monaten: 340+ Verträge.

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

Eingescannte Altverträge

Viele PDFs ohne OCR-Layer. Fix: Tesseract + Confidence-Threshold 85%. Darunter: "manuelle Digitalisierung" Flag statt stiller Fehler.

Verschachtelte §-Verweise

23% Fehlerrate bei "§4 Abs. 3 gilt entsprechend für Anlage 2". Fix: Zweistufige Extraktion — §-Referenz-Auflösung zuerst. Danach: 4,1%.

Erklärbarkeit gefordert

Juristen wollten wissen WARUM riskant. Fix: Explanation-Layer — Regel-ID + Originaltext + relevante Playbook-Passage pro Bewertung.

Ergebnisse nach 4 Monaten Produktion

91%Schnellere Prüfung3,2h → 18 min

14Risiken erkanntQ1, alle zuvor übersehen

€340kPräventiver ImpactAuto-Renewal wäre ausgelöst

340+Verträge indexiertWachsende Wissensbasis

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

W1Workshop mit Legal-Team, 28 Risiko-Regeln definiert, Vertragstypologie-Mapping

W2–3Document Ingestion + OCR, Clause Extraction, Testset aus 20 realen Verträgen

W3–4Risk Analyzer, Legal-Playbook in Pinecone indexiert, Explanation-Layer

W5Summary Generator, Deadline Tracker, n8n Alert-Workflows, Slack-Integration

W6UAT mit 50 Verträgen, Risikomatrix-Feintuning, Übergabe, Team-Schulung

"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

// Case 03 · NovaTech Solutions · Berlin

LeadForge

Automatisierte Sales-Proposal-Pipeline mit Lead-Enrichment und Human-in-the-Loop

BrancheEnterprise SaaS

Laufzeit5 Wochen

Team1 Engineer + 1 Automation Specialist

StartMärz 2026

n8nClaude Sonnet 4.6Claude Haiku 4.5AWS BedrockPineconeHubSpot APIPuppeteerSlack APIApifyWeasyPrint

14 minStatt 52 Stunden

+34%Close Rate

3.1×Mehr Proposals/Mo

88%First-Approval

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.

Turnaround & Sales-Performance

Vorher

52 h

LeadForge

14 min

Sales KPIs nach 3 Monaten

Close Rate

+34%

Proposals/Mo

× 3.1

1st Approval

88%

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.

⚡HubSpot
Trigger

02a‒cEnrichment
× 3 parallelHaiku 4.5 · Web · LinkedIn · CRM

03Case Study
MatcherPinecone ≥0.78

04Proposal
GeneratorSonnet 4.6 + Tonprofil

05PDF
RenderWeasyPrint

06Slack
Review✅ ✏️ 🔄

📨Delivery
+ Tracking

02a–cParalleles EnrichmentWeb (Apify: Tech-Stack via BuiltWith, Pain Points aus Karriereseiten, Pressemeldungen — Fallback: Google Knowledge Graph bei SPAs/Cloudflare) · LinkedIn (Rolle, Seniorität, aktuelle Posts des Entscheiders — nur öffentliche Daten, Consent-Check via CRM-Flag) · CRM Context (alle Deal-Notes, Discovery-Call-Summary, Budget-Range, Buying Committee). Das Zusammenfassen und Klassifizieren der Rohdaten übernimmt Claude Haiku 4.5 — schnell und günstig für diese Hochfrequenz-Schritte.

03Case Study MatcherSimilarity Search in Pinecone (24 Case Studies + 8 Referenz-Implementierungen). Use-Case-fokussierte Embeddings — nach Re-Indexierung sank Ablehnungsrate von 40% auf 12%. Nur Matches ≥0.78 werden inkludiert. Top 3 mit Relevance Score als Kontext für den Generator.

04Proposal GeneratorClaude Sonnet 4.6 generiert mit gespeichertem Tonprofil des AEs (aus 5 historischen Proposals extrahiert): personalisierte Einleitung die Discovery-Notes direkt adressiert, Solution Mapping, Case Studies mit ROI, Timeline, Investment-Summary. HTML-Version mit vorausgefülltem ROI-Calculator basierend auf Prospect-Daten. Ausgeliefert über AWS Bedrock — ein API-Wechsel zwischen Sonnet (Generierung) und Haiku (Enrichment) ohne Infrastruktur-Umbau.

06Slack Review + DeliveryAE erhält: PDF-Preview, Enrichment-Summary, Confidence-Score. Drei Buttons: Approve & Send, Edit in Docs, Regenerate with Notes. Bei Approval: HubSpot Sequences + Tracking-Pixel. Bei "Geöffnet + kein Reply 48h" → automatischer Follow-up-Draft im AE-Postfach.

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

SPAs & Cloudflare

15% der Prospects nicht scrapebar. Fix: Apify Residential Proxies + Google Knowledge Graph API als Fallback für Basisdaten.

40% Ablehnungsrate

Case Studies zu generisch. Root Cause: Branchen-Keywords-Embeddings statt Use-Case-Embeddings. Nach Re-Indexierung: 12% Ablehnung.

DPO-Review

LinkedIn-Scraping auf publicly available data limitiert. Consent-Check als CRM-Flag ("Marketing OK") in Trigger eingebaut.

Ergebnisse nach 3 Monaten Produktion

14 minTurnaroundDraft ready, vorher 52h

+34%Proposal-to-CloseSchneller + personalisierter

3.1×Mehr Proposals/MoGleicher Headcount

88%First-ApprovalAE drückt direkt "Send"

Unerwartetes Learning: Junior AEs profitieren überproportional. Proposals auf Senior-Niveau. Ramp-Up-Zeit von 4–6 Wochen auf <2 Wochen gesunken.

Projekt-Timeline

W1HubSpot API-Mapping, n8n-Workflow-Architektur, Enrichment-Source-Evaluation, DPO-Anforderungen

W2Enrichment-Pipeline (Web + LinkedIn + CRM), Apify-Integration, Fallback-Logik

W3Pinecone-Indexierung, Proposal-Generator mit Tonprofilen, Prompt-Engineering über 50+ Testfälle

W4PDF/HTML-Rendering, Slack Review-Flow, Tracking, Case-Study Re-Indexierung, DPO-Sign-off

W5Pilotphase mit 2 AEs, Feedback-Integration, Rollout auf volles Team

"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