Am Anfang steht eine ehrliche Prüfung: wo Künstliche Intelligenz trägt und wo klassische Software genügt. Ein sauber geschriebener Import kostet weniger und bricht seltener als ein Modell, das dieselbe Aufgabe raten soll. Wenn das die richtige Antwort ist, sagen wir es, auch wenn damit der Auftrag kleiner wird.
Trägt sie, geht es um Infrastruktur. Wir richten Enterprise-Server für LLMs ein und optimieren sie, on-premises oder in der Private Cloud, wenn sensible Daten das Unternehmen nicht verlassen dürfen. Die Hardware richtet sich nach der Datenhoheit, vom eigenen GPU-Server bis zur gemanagten Cloud-Instanz.
Das Modell selbst bauen wir auf das tatsächliche Problem zu, statt ein generisches darum herumzuwickeln: Sprachmodelle, Vision-Systeme, Retrieval, eigene Pipelines, APIs und Webhooks. Danach wird es im Betrieb weiterentwickelt, nicht in einer Demo.
Wir pflegen ein Modell, solange es seinen Platz verdient.
Was uns nicht interessiert: Theater. Demos um ihrer selbst willen, Pilotprojekte, die nie den Weg in den Alltag finden, Zahlen aus Präsentationen, die im Betrieb niemand nachrechnen kann. Uns interessiert der Teil, der sich seinen Platz auch nach dem Demo-Termin verdient.