KI im Einsatz

Unser Telefonagent soll ans Telefon gehen, wenn wir es nicht können: Er begrüßt, versteht das Anliegen, qualifiziert und bucht auf Wunsch direkt einen Termin — inklusive Einladung an den Anrufer. Er spricht mit einer geklonten Stimme (Voice Clone), und genau deshalb ist der erste Satz keine Floskel: „Ich klinge wie Kai, bin aber eine künstliche Intelligenz." Die Offenlegung nach Artikel 50 EU AI Act steht bei uns nicht im Kleingedruckten, sondern in der Begrüßung. Stand heute ist er ein Prototyp: Die Pipeline läuft, die Rufnummer schalten wir erst frei, wenn Governance und Datenschutz vollständig geklärt sind — genau die Reihenfolge, die wir unseren Kunden empfehlen.

Gebaut als eigene Echtzeit-Pipeline mit unter 800 Millisekunden Antwortzeit, zweisprachig Deutsch und Englisch, ausgelegt auf durchgängige Datenverarbeitung in der EU. Sein Wissen teilt er sich mit unserem Website-Chatbot: eine Quelle, zwei Kanäle. Und wenn am anderen Ende kein Mensch sitzt, sondern selbst ein KI-Agent, wechselt er per Gibberlink auf ein tonbasiertes Protokoll — zwei Maschinen, die aufhören, sich Höflichkeiten vorzulesen, und einfach Daten tauschen.

Er darf mehr als der Chatbot: Kontakt aufnehmen und Termine buchen. Was er nicht darf: Preise zusagen oder Recht auslegen.

Die meisten Website-Bots wollen zuerst Ihre E-Mail-Adresse. Unserer nicht. Er beantwortet Ihre Fragen zu KI-Governance, EU AI Act und ISO 42001 — und wenn es konkret wird, verweist er auf einen Termin, statt Kontaktdaten einzusammeln. Datensparsamkeit ist hier kein Nachgedanke, sondern eine Konstruktionsentscheidung.

Der Chatbot ist als KI gekennzeichnet, im internen KI-Register geführt und hat einen definierten Änderungsweg — wir behandeln unseren eigenen Bot genau so, wie wir es unseren Kunden empfehlen. Seine Wissensbasis ist dieselbe, aus der auch der Telefonagent spricht: Ändern wir eine Aussage an einer Stelle, ändert sie sich in beiden Kanälen. Guardrails halten ihn beim Thema — keine Preiszusagen, keine Rechtsberatung im Einzelfall, keine erfundenen Fristen.

Ein Chatbot, der sagt, was er ist, und nicht wissen will, was er nicht braucht.

Öffentliche Vergabeportale täglich von Hand zu sichten kostet Vertriebszeit und lässt trotzdem Lücken. Für einen Kunden aus dem Brandschutz haben wir einen Agenten gebaut, der neu veröffentlichte Verfahren auf den großen Plattformen beobachtet, sie gegen Leistungsprofil, Region, Auftragsvolumen und Auftraggeberprofil abgleicht — und nur die Treffer meldet, die vertrieblich wirklich relevant sind. Feuermelder-Prinzip: nicht permanent hinschauen, sondern alarmiert werden, wenn es brennt.

Jeder Treffer kommt mit direkten Links in die Vergabe-, Beschaffungs- und Organisationsdaten, sodass die Prüfung dort beginnt, wo sonst die Recherche anfängt. Aus mehreren Stunden Sichtung werden wenige Minuten, relevante Verfahren gehen strukturiert in die Bewertung — und die Pitch-Entscheidung fällt auf sauberer Datengrundlage.

Nicht für jede Ausschreibung sollte man auch pitchen. TenderFit liest Vergabeunterlagen strukturiert aus — Lose, Budgets, Eignungskriterien, Risiken — und bewertet den strategischen Fit über ein gewichtetes Modell aus Leistungsfit, Referenzen, Kapazität, Wirtschaftlichkeit und Risiko.

Am Ende steht eine begründete Go-, Maybe- oder No-Go-Empfehlung, inklusive Einschätzung, ob sich der Pitch-Aufwand rechnet. Bei Multi-Los-Verfahren simuliert das Modell zusätzlich Bietergemeinschaften mit Lead- und Partnerlogik über unterschiedliche Gewerke hinweg. Entwickelt für eine Agentur — übertragbar auf jede Branche, in der öffentliche Vergaben hohen Aufwand im Vorfeld verursachen.

Nicht jede Aufgabe braucht ein Sprachmodell. Für die Vorhersage von NO₂-Konzentrationen haben wir ein klassisches Machine-Learning-Modell auf historischen Umwelt- und Messdaten trainiert: Datenaufbereitung und Feature Engineering, Gradient Boosting, Validierung und Performance-Optimierung, persistiertes Modell für den produktiven Einsatz.

Das Ergebnis ist eine belastbare Prognose der Luftschadstoffbelastung als Grundlage für datenbasierte Entscheidungen im Umwelt- und Mobilitätskontext. Wir wählen die Methode nach der Fragestellung — nicht nach dem, was gerade Schlagzeilen macht.