Häufige Fragen

Schweizer KMU und Mittelstand mit (a) einem konkreten, hochvolumigen Prozess oder (b) einem Wissensbestand, der wiederkehrend dieselben Fragen erzeugt. Typische Indikatoren: substanzielles Anfrage- oder Dokumentenvolumen, etablierte Datenbestände, Bedarf nach Audit-Trail. Schlechte Fits: einmalige Aufgaben, sehr kleines Volumen oder Probleme, die mit klassischer Automatisierung sauber gelöst werden — dort sage ich offen, dass KI Overkill ist.

Drei Practices: Agentensysteme für Enterprise-Datenmigrationen und -Workflows (SAP, JiVS, Audit-Trail). KI-Engineering für KMU-Anwendungen (RAG, Dokument-Extraktion, Support-Agenten, mehrsprachige Triage). KI-Beratung für Architektur-Reviews und strategische Begleitung — wenn Sie selber bauen oder einen Anbieter bewerten. Details auf den jeweiligen Practice-Seiten.

Guter Kandidat: ein wiederkehrendes Problem, genug Volumen, dass Automatisierung sich rechnet, ein Datenbestand mit dem das System arbeiten kann, und eine Stelle die den Output reviewt. Schlechter Kandidat: einmalige Aufgaben, kleinste Volumina (z.B. unter 20 Anfragen pro Tag bei Triage), oder Probleme die klassisches Rule-Routing schon erfüllt. Bei zu kleinem Scope ist klassische Automatisierung oder gut gepflegtes Excel oft günstiger und transparenter — das sage ich Ihnen auch so, bevor Sie Zeit investieren. Siehe auch die Use-Case-Bibliothek für konkrete Anwendungen.

Default: Claude (Anthropic) für Reasoning-intensive Aufgaben und mehrsprachige Schweizer Kontexte (DE/FR/IT). Azure OpenAI Switzerland wenn Datenresidenz in der Schweiz Vertragsbedingung ist. Open-Source-Modelle (Llama, Qwen, Mistral auf vLLM oder Ollama) wenn vollständige On-Premise-Anforderung besteht — mit Performance-Tradeoff, den ich offen kommuniziere. Modell-Wahl ist Teil der Architektur, nicht eine Marketing-Entscheidung.

Standard-Setup: Azure OpenAI Switzerland-Region (North/West). Daten verlassen die Schweiz nicht; Microsoft macht kein Training auf Ihren Daten (Default off, vertraglich zugesichert). FADP-konforme Aufbewahrungs- und Logging-Konzepte werden pro Use Case definiert. Für noch strengere Compliance: On-Premise-Variante mit Open-Source-Modellen. EU AI Act: ich plane Architekturen mit Audit-Trail und Risk-Klassifikation von Anfang an — Compliance ist nicht nachgelagert.

Drei Säulen. (a) Eval-Goldset vor Production: 50 bis 200 Fragen mit erwarteten Antworten, automatisiertes Scoring auf Faithfulness, Context Precision und Answer Relevance. (b) Continuous Monitoring in Production: Confidence-Scoring, Drift-Erkennung, Eskalations-Quote. (c) Quartalsweise Reviews mit Native-Speakern oder Fachbereich. Ohne Eval ist KI ein Bauchgefühl-Projekt; mit Eval ist es ein Engineering-Projekt mit überprüfbarem Output.

Prompt Engineering für einfache strukturierte Aufgaben (Klassifikation, Extraktion mit klarem Schema). RAG für jeden Fall, in dem das Modell Zugriff auf einen Wissensbestand braucht (HR-Dokumente, Produktkatalog, Verträge, FAQ). Fine-Tuning nur wenn (a) sich Trainingsdaten häufen, (b) Output-Format extrem spezifisch ist, oder (c) Latenz und Kosten ein echtes Argument werden. Standard-Fehler in der Branche: alle wollen Fine-Tuning, brauchen aber eigentlich besseres RAG. RAG zuerst, Fine-Tuning später wenn überhaupt.

Vier Phasen. (1) Discovery: Use Case schärfen, Pass-/Fail-Definition, oft 1 bis 2 Tage. (2) PoC: 4 bis 8 Wochen, begrenzter Scope mit Eval-Goldset und klarem Abnahme-Kriterium. (3) Production: Hardening, Monitoring, Übergabe. (4) Betrieb: Eval-Reviews, Pflege oder Übergabe an internes Team. Ich sage früh, ob ein PoC scheitert — keine Sunk-Cost-Fortsetzung.

Discovery: 1 bis 2 Tage. PoC: 4 bis 8 Wochen. Production-Hardening: 2 bis 6 Wochen. Insgesamt ist ein erstes Production-System in 8 bis 16 Wochen realistisch — abhängig von Datenqualität, Compliance-Anforderungen und Integrations-Aufwand. Reine Architektur-Beratung oder Discovery-Engagements gehen oft schneller.

Konkrete Zahlen besprechen wir individuell anhand des Use Cases — Setup-PoC und Lauf-Kosten haben sehr unterschiedliche Treiber (Dokumenten-Volumen, Modell-Wahl, Eval-Tiefe, Compliance-Stufe). Ein erstes Discovery-Gespräch ist kostenlos. ROI lässt sich nicht ohne PoC sauber berechnen — was ich vorab liefern kann, ist eine ehrliche Bandbreite und eine klare Pass-/Fail-Definition.

Beides. Viele Projekte laufen remote. Für Discovery-Workshops, sensitive Themen oder Datenresidenz-Setups vor Ort komme ich gerne hin. Ich bin in St. Gallen ansässig, schweizweit tätig.

Deutsch und Englisch fliessend (beides Muttersprache-Niveau). Französisch gut. Für mehrsprachige Schweizer Setups bin ich der richtige Partner — gerade weil ich aus Erfahrung weiss, wo LLMs bei IT/FR/Schweizer Eigenheiten gut sind und wo nicht.

Am einfachsten über das Kontaktformular oder direkt per E-Mail an kontakt@slonge.ch. Ich antworte in der Regel innerhalb von 1 bis 2 Werktagen.