Wie lässt sich das Wissen aus zehn Jahren E-Mail-Verkehr, Kundenakten und Vertragsunterlagen im Arbeitsalltag nutzen? Für Hardwarewartung.com haben wir einen digitalen Zwilling entwickelt, der diese Informationen miteinander verknüpft. Das Team kann damit Kundenhistorien abfragen, Preisvorschläge erhalten und nachvollziehen, auf welchen Quellen eine Antwort beruht. Die KI läuft auf eigener Hardware.
Das Projekt zeigt, wie wir bei Oikosa.AI KI-Anwendungen entwickeln: ausgehend von realen Geschäftsprozessen, mit einer belastbaren Datenbasis und überprüfbaren Ergebnissen. Yusuf Sar, Geschäftsführer von Oikosa, ist zugleich Geschäftsführer von Hardwarewartung.com. Damit fließt das Wissen über die betrieblichen Abläufe direkt in die Entwicklung ein.
Das Wichtigste in Kürze
- Für den Digitalen Zwilling wurden verstreute E-Mails, Akten und Verträge verknüpft: Rund 80 Prozent alter Belege und Scans waren damit wieder durchsuchbar.
- Weil Praxiswissen aus dem Betrieb direkt in die Entwicklung einfließt, passt sich die KI genau an reale Abläufe an.
- Die KI läuft auf eigener Hardware im Haus – dadurch bleiben Daten sicher und es entstehen keine laufenden Gebühren externer Anbieter.
- Jede Auskunft ist mit klickbaren Quellen hinterlegt und wird vorab an echten Testfällen geprüft.
- Das System startet im Schattenmodus als Ratgeber ohne eigene Aktionen, sodass Unternehmen den Nutzen ohne Gefahr testen können.
Was der digitale Zwilling abbildet
In diesem Projekt bezeichnet „digitaler Zwilling“ ein KI-gestütztes Abbild des Unternehmenswissens und seiner Abläufe. Das System kennt Zusammenhänge zwischen Kunden, Geräten, Angeboten und Verträgen. Es nutzt diese Informationen, um Fragen zu beantworten und Entscheidungen vorzubereiten.
Die Ausgangslage dürfte vielen Unternehmen bekannt vorkommen: Ein Teil des Wissens steckt in den Köpfen erfahrener Mitarbeiter. Ein weiterer Teil verteilt sich auf E-Mails, PDF-Anhänge und das CRM. Wer wissen möchte, was einem Kunden angeboten wurde oder welche Störungen es bei seinen Geräten gab, muss mehrere Quellen durchsuchen.
Bei Hardwarewartung.com umfasst die Datenbasis mehr als 140.000 E-Mails aus zehn Jahren, Zehntausende PDF-Anhänge, das vTiger-CRM und über 13.000 Geräte-Seriennummern mit Vertragshistorie. Unser Ziel ist, dieses Wissen im Zusammenhang zugänglich zu machen.
Die Datenaufbereitung als Grundlage
Der größte Aufwand im Projekt lag in der Aufbereitung bestehender Daten: Ein alter Export hatte bei rund 23.000 E-Mails die Absender beschädigt. Viele Angebote lagen als gescannte PDFs ohne auslesbaren Text vor. Vertragslaufzeiten wurden im Bereich für Abrechnungszeiträume verzeichnet statt im erwarteten CRM-Feld.
Wir mussten Daten reparieren, Dokumente auslesen und die tatsächliche Bedeutung der Felder klären. Für Scans kommt Texterkennung zum Einsatz. Fehlerhafte Dateien werden separat behandelt, damit sie die Verarbeitung nicht unterbrechen. Nach dem in der Präsentation beschriebenen Stand konnten rund 80 Prozent der alten Belege nutzbar gemacht werden.
Hier zeigt sich eine wesentliche Kompetenz von Oikosa AI: Wir verbinden KI-Entwicklung mit Datenintegration und Prozessverständnis. Ein Sprachmodell kann nur sinnvoll arbeiten, wenn die benötigten Informationen verfügbar und richtig zugeordnet sind. In der Fachsprache wird das auch als Context Engineering bezeichnet.
Eine zentrale Datenbank und gezielte KI-Werkzeuge
Das technische Fundament bildet PostgreSQL. In dieser zentralen Datenbank liegen die aufbereiteten Informationen und ihre Verknüpfungen. Ein lokal betriebenes Qwen-Sprachmodell mit rund 35 Milliarden Parametern greift über Werkzeuge darauf zu und formuliert die Antworten.
Je nach Frage nutzt das System unterschiedliche Zugriffe:
- Datenbankabfragen für Zählungen, Filter und Berechnungen, etwa bei auslaufenden Verträgen.
- Wörtliche Suche für konkrete Begriffe und Kennungen, ergänzt durch Prüfungen auf die gesuchte Nummer.
- Bedeutungssuche für unterschiedlich formulierte Inhalte, beispielsweise „Server instabil“ und „Maschine fällt ständig aus“.
- Ein Wissensnetz für Beziehungen zwischen Kunden, Tochterfirmen, Geräten, Verträgen und E-Mails.
Eine fehlertolerante Namenssuche hilft zusätzlich, den richtigen Kunden trotz Tippfehlern zu finden. Die Bedeutungssuche verwendet bge-m3 und pgvector. Ein Reranker bewertet gefundene Textstellen anschließend genauer auf ihre Relevanz für die Frage.
Diese Architektur hält den Betrieb überschaubar. Die Suchfunktionen und das Wissensnetz nutzen dieselbe Datenbank. Für die benötigten Verknüpfungen reichen SQL-Tabellen und Abfragen aus. Separate Such-, Vektor- und Graphdatenbanken waren für dieses Projekt nicht erforderlich.
Firmenwissen über mehrere Schritte erschließen
Eine Frage wie „Wie lief die Zusammenarbeit mit diesem Kunden, und was spricht für eine Vertragsverlängerung?“ lässt sich selten mit einem einzelnen Dokument beantworten.
Der Digitale Zwilling identifiziert zunächst den Kunden. Anschließend ermittelt er zugehörige Tochterfirmen und Geräte. Er schlägt Verträge und Störungen nach und ergänzt relevante E-Mail-Verläufe. Daraus entsteht eine Antwort, deren Aussagen mit klickbaren Quellen belegt werden sollen. Wenn die Informationsbasis nicht reicht, soll das System offenlegen, was es geprüft hat und welche Informationen fehlen.
Diese Beziehungen entstehen aus konkreten Daten: E-Mail-Adressen, Angebots- und Auftragsnummern, Rechnungsnummern und Seriennummern. Fachlich geprüfte Zuordnungen werden auch auf neue Daten angewendet. Das macht aus einzelnen Fundstellen eine nachvollziehbare Kundenhistorie.
Fachwissen entscheidet über die Qualität
Ein Beispiel aus der Entwicklung zeigt, warum die Zusammenarbeit mit dem Fachverantwortlichen so wichtig ist. Die ursprüngliche Annahme lautete: Ein Kunde ist kein Lieferant. Bei Hardwarewartung.com verkaufen Kunden jedoch gelegentlich gebrauchte Hardware an das Unternehmen. Beim Ankauf erhalten sie im CRM zusätzlich eine Lieferantenrolle. Diese Doppelrolle führte zu Tausenden falsch eingeordneten Kundenmails. Erst der Hinweis aus der Geschäftsführung erklärte den Zusammenhang. Wir passten die Rollenlogik an und ergänzten eine fachlich gepflegte Liste der Doppelrollen.
Yusuf Sars Verbindung zu beiden Unternehmen ist dafür besonders wertvoll: Geschäftliches Wissen lässt sich unmittelbar mit technischen Annahmen abgleichen. Solche Rückmeldungen gehören bei uns zur Entwicklung und helfen, Fehler früh zu erkennen.
Qualität prüfen und die Vergangenheit simulieren
Eine überzeugend formulierte Antwort reicht im Unternehmensalltag nicht aus. Deshalb prüfen wir Änderungen an Modellen, Regeln und Abläufen anhand eines festen Katalogs aus 45 echten, manuell geprüften Fällen. Eine Änderung wird erst übernommen, wenn sie diese Prüfung besteht. So lassen sich Verschlechterungen erkennen, bevor sie größere Datenbestände betreffen.
Zusätzlich spielt der Zwilling historische Vorgänge nach. Er erhält eine damalige Kundenanfrage und den zu diesem Zeitpunkt verfügbaren Wissensstand. Seine Entscheidung wird mit dem tatsächlichen Vorgehen des Teams verglichen.
Über mehrere Läufe stieg die in der Präsentation ausgewiesene Übereinstimmung von rund 50 auf über 60 Prozent. Diese Kennzahl beschreibt die Übereinstimmung innerhalb der Simulation. Verbesserungen sollen aus übertragbaren Regeln entstehen. Das Auswendiglernen einzelner Antworten würde die Aussagekraft der Prüfung aufheben.
Lokale KI mit kontrollierbarem Betrieb
Die KI-Verarbeitung läuft auf eigener Hardware. So müssen die eingebundenen Kundeninformationen, Einkaufspreise und Vertragsinhalte für die Modellverarbeitung nicht an einen externen KI-Dienst übermittelt werden. Wiederholte Verarbeitungsläufe und Experimente verursachen keine verbrauchsabhängigen Gebühren eines externen Modellanbieters. Hardware, Energie und Betrieb bleiben Kostenfaktoren.
Wir kombinieren frei verfügbare Modellgewichte mit Open-Source-Software. Das lokale Modell benötigt klare Aufgaben, passende Werkzeuge und feste Prüfregeln. Ein bewährtes Vorgehen ist, Fakten zunächst gezielt zu beschaffen, die KI damit arbeiten zu lassen und das Ergebnis anschließend durch Regeln abzusichern.
Zum Betrieb gehören auch wiederholbare Verarbeitungsläufe, Backups und getestete Rückwege vor Massenänderungen. Löschungen müssen sämtliche betroffenen Datenkopien und Suchindizes berücksichtigen. Diese Anforderungen fließen von Beginn an in die Architektur ein.
Was bereits funktioniert und was als Nächstes folgt
Nach dem dokumentierten Projektstand nutzt das Team den Digitalen Zwilling für Fragen zu Kunden, Geräten, Verträgen und deren Historie. Preisvorschläge werden an echten Abschlüssen aus der Vergangenheit geprüft. Mehr als 139.000 E-Mails sind eingeordnet. Aus über 29.000 Vorgängen entstand eine Prozesslandkarte.
Die Simulation läuft im Schattenmodus mit: Der Zwilling schlägt Entscheidungen vor, führt jedoch keine eigenständigen Aktionen aus. Als nächste Stufe ist die Planung vollständiger Vorgänge vorgesehen, etwa von der Anfrage über den Einkauf bis zum Angebot. Auch diese Schritte sollen zunächst simuliert werden. Spätere Freigaben erfolgen einzeln je Aufgabe.
Was dieses Projekt über Oikosa.AI zeigt
Der Digitale Zwilling bei Hardwarewartung.com macht unsere Arbeit an einem konkreten Beispiel sichtbar. Wir erschließen gewachsene Datenbestände, integrieren KI in vorhandene Systeme und entwickeln Werkzeuge für betriebliche Fragen. Dabei prüfen wir die Ergebnisse gemeinsam mit den Menschen, die die Abläufe kennen.
Für Unternehmen entsteht daraus ein nachvollziehbarer Weg zur KI-Nutzung: mit einem klaren Anwendungsfall beginnen, die nötigen Daten erschließen, Ergebnisse messen und den Funktionsumfang schrittweise erweitern.
Möchten Sie das Wissen Ihres Unternehmens besser zugänglich machen oder einen Geschäftsprozess mit KI unterstützen? Sprechen Sie mit Oikosa.AI über Ihren Anwendungsfall. Gemeinsam klären wir, welche Daten und Funktionen für einen sinnvollen Einstieg benötigt werden.