KI, die weiß, wann sie aufhört und nachfragt

ML-Algorithmen

Die Teile des Geschäfts, die zwar rauschen, aber sich lernen lassen. Wir trainieren, prüfen und betreiben Modelle, die ihren Aufwand verdienen — und richten die Überwachung ein, die ehrlich Bescheid gibt, wenn das nicht mehr so ist.

• Lead-Bewertung (Lead Scoring) — eingehende und ausgehende Anfragen werden nach Abschlusswahrscheinlichkeit sortiert. Der Vertrieb arbeitet die richtige Liste ab, nicht die jüngste.
• Preisprognose und -berechnung — Preismodelle für Immobilien und E-Commerce, samt Gebühren-, Margen- und Rabattlogik, die der Finanzbereich nachvollziehen kann.
• Prüfungen und Voreinstellungen für Produktions-Workflows — algorithmische Prüfung komplexer Workflows: welche Kombinationen aus Voreinstellungen, Parametern und Eingaben gültig sind, bevor ein Job überhaupt anläuft.

KI-Workflows mit Mensch in der Schleife (HITL)

Die Teile, die zu unordentlich sind, als dass ein einzelnes Modell sie sauber von Anfang bis Ende beantworten könnte. Wir bauen agentische Workflows, die so weit kommen, wie sie sich sicher sein können — und dann an eine prüfende Person übergeben, bevor etwas kippt.

• Unterstützung in Pipelines und Workflows — KI-gestützte Prüfung in produktiven Pipelines: der schlechte Batch wird erkannt, bevor er rausgeht; die Korrektur schlägt die KI vor, ein Mensch nickt sie ab.
• Recherche-Agenten für Immobilien — Agenten ziehen Immobiliendaten, bewerten den Lead und erzeugen Berichte im Bulk; alles, was unklar bleibt, wandert in die Queue für die Recherche.
• Customer-Success-Workflows (HITL) — Triage, Entwürfe und Routing für CS-Teams: die KI tippt, der Mensch entscheidet vor dem Versand.
• Bulk-Dokumentenverarbeitung (HITL) — Rechnungen, Verträge, Immobilien-Unterlagen — oberhalb der Konfidenzschwelle automatisch verarbeitet, darunter eskaliert. Keine stille Freigabe mit niedriger Konfidenz.
• Terminvereinbarung und -bestätigung — automatisierte Erstansprache, Verschiebung und Bestätigung, die ohne menschliches Zutun durchläuft, solange sie es kann.

Wie das HITL-Muster funktioniert

flowchart LR
    A[Eingabe: Dokumente, Leads, Preise] --> B[Modell / Agent]
    B --> C{Konfidenz ≥ Schwelle?}
    C -->|ja| D[Automatisch verarbeitet]
    C -->|nein| E[Mensch prüft]
    E --> D
    D --> F[Folgesystem]

Jeder Workflow hat eine ausdrückliche Konfidenzschwelle. Darüber läuft das System eigenständig. Darunter geht die Arbeit an einen Menschen. Diese Schwelle wird je Workflow justiert und liegt auf einem Dashboard, nicht versteckt im Code — damit das Team sie nachziehen kann, wenn das Vertrauen wächst.

Wo ML und KI in die übrige Architektur passen

Modelle und Agenten funktionieren nur, wenn die Daten darunter es tun. Wir bauen sie auf demselben Warehouse, denselben Pipelines und Anwendungen auf, die wir ohnehin liefern — das Modell bekommt saubere Inputs, der Agent eine vernünftige API, und das Ergebnis landet wieder dort, wo die Entscheidung tatsächlich fällt (HubSpot, die operative Anwendung, das BI-Tool — eben dort, wo gearbeitet wird).