Warum 13 % Ihrer Sentinel-Regeln nie feuern
13 % der Sentinel-Regeln feuern laut CardinalOps nie. So prüfen Sie sie deterministisch gegen Microsofts eigenen KQL-Parser — nicht gegen ein LLM.
Blog
KI im Unternehmen, aus der Praxis.
Was kostet KI, wann trägt sie, woran scheitert sie — und wie funktioniert die Technik dahinter? Diese Artikel entstehen aus echter Projektarbeit. Jeder erscheint auf Deutsch und Englisch.
Wie wir KomplAI gebaut haben: verifizierbare Compliance-KI
Wie wir KomplAI entwickelt haben, eine verifizierbare Compliance-KI: jede Rechtsfundstelle eines LLM wird vor dem Bericht gegen EUR-Lex geprüft.
NIS2-Meldepflichten in der Praxis
NIS2 gibt Ihnen 24 Stunden für die Erstmeldung — die eigentliche Hürde ist, den Vorfall so schnell zu erkennen. Was Artikel 23 verlangt und wie Sie es bauen.
Detection Engineering mit LLMs
Mit LLMs ist das Schreiben einer Detection-Query der leichte Teil; die harten 80 % sind Vertrauen. Was trägt, ist eine Generieren-Prüfen-Verfeinern-Schleife.
Langer Kontext vs. RAG: Was brauchen Sie?
Millionen-Token-Kontextfenster haben RAG nicht ersetzt. Entscheidend ist nicht die Datenmenge, sondern ob Ihr Prompt bei jeder Anfrage identisch beginnt.
Tool-Use und Function Calling erklärt
Ein Modell führt Ihren Code nicht aus — es liefert eine Anfrage, über die Ihr Code entscheidet. Wie Tool-Use funktioniert und wie Sie nutzbare Tools bauen.
Multi-Agenten-Systeme: Wann ein Agent nicht reicht
Die meisten KI-Aufgaben brauchen einen guten Agenten, kein Multi-Agenten-System. Wann sich das Aufteilen wirklich lohnt — und wann es nur Fehler vervielfacht.
Hochrisiko-Einstufung: Ist Ihr KI-System hochriskant?
Anhang III bedeutet nicht automatisch Hochrisiko: Der Art.-6(3)-Filter kann die Einstufung abwenden — doch Profiling blockiert ihn, und die Ausnahme kostet.
Das LLM-Audit-Log-Schema für Artikel 12 EU AI Act
Artikel 12 nennt keine Felder. Nur mit Index-Snapshot belegt ein Protokoll, welcher Korpus eine RAG-Antwort erzeugte. Das vollständige Schema, Feld für Feld.
KI-Abnahme im Werkvertrag: Abnahmekriterien, die halten
Geschuldet ist kein Output, sondern ein Schwellwert auf eingefrorenem Abnahmedatensatz nach festem Messprotokoll. So wird die Abnahme im Werkvertrag prüfbar.
Den ROI eines KI-Projekts messen
Die meisten KI-ROI-Zahlen sind Fiktion. Wie Sie den ROI eines KI-Projekts ehrlich messen: Ist-Wert vor dem Bau, das Konto benennen, die Prüfzeit mitrechnen.
Vektordatenbank-Löschung: Ihr delete() löscht nichts
Meist nein: delete() setzt nur eine Markierung, der Vektor bleibt physisch liegen. Was Art. 17 DSGVO wirklich verlangt und wie Sie die Löschung nachweisen.
Warum KI-Projekte scheitern
KI-Projekte scheitern selten an der Technik, sondern an Entscheidungen aus Woche eins: Zuschnitt, Verantwortung, Ausnahmen. Wie Sie das früh erkennen.
KI und der Betriebsrat
Fast jedes KI-Tool, das Ihre Beschäftigten nutzen, löst Mitbestimmung nach § 87 BetrVG aus — Absicht zählt nicht. Was in eine Betriebsvereinbarung gehört.
KI für Predictive Maintenance
KI für Predictive Maintenance beginnt ehrlicherweise als Zustandsüberwachung: Echte Vorhersage braucht gelabelte Ausfälle — und die haben die wenigsten Werke.
Daten für KI vorbereiten
Daten für KI vorbereiten: wo Ihre Unternehmensdaten liegen, wie Sie sie inventarisieren, bereinigen und strukturieren. Warum gut genug oft schon reicht.
LLM-Anwendungen absichern
LLM-Anwendungen absichern: Prompt Injection, Datenlecks, unsichere Ausgaben und zu mächtige Agenten. Der Maßnahmenkatalog für vertrauenswürdige Systeme.
On-Premise vs. Cloud-KI
On-Premise vs. Cloud-KI: Was selbst gehostete LLMs wirklich bedeuten, die DSGVO- und Souveränitätstreiber, die ehrlichen Kompromisse und wann was passt.
Das richtige LLM auswählen
Das richtige LLM auswählen: Open Source oder proprietär, Kosten, Latenz, Datenschutz und Lock-in. Warum das beste Benchmark-Modell die falsche Frage ist.
KI selbst bauen oder kaufen?
KI selbst bauen oder kaufen? Wann ein fertiges Tool reicht, wann sich der Eigenbau lohnt, welche versteckten Kosten anfallen und wie Sie sauber entscheiden.
KI im Kundenservice, die nicht peinlich wird
KI im Kundenservice trägt, wenn das Modell entwirft und ein Mensch sendet. Antworten in echten Dokumenten verankern, nach Regeln eskalieren, ehrlich messen.
Praktische KI-Anwendungsfälle für den Mittelstand
Konkrete KI-Anwendungsfälle für den Mittelstand in vier Kategorien: Dokumente lesen, Fragen beantworten, Schritte automatisieren, Prognosen. Wo Sie anfangen.
Ein KI-Pilotprojekt richtig aufsetzen
Ein KI-Pilotprojekt, das wirklich weiterführt: wie Sie es zuschneiden, was Sie messen, wie Sie es begrenzen und den Piloten vermeiden, der nie endet.
KI und DSGVO in der Praxis
KI auf personenbezogenen Daten einsetzen, ohne die DSGVO zu verletzen: welche Pflichten gelten, wo Projekte scheitern und wie Architektur Konformität schafft.
On-Premise-LLMs: Ein praktischer Hardware-Leitfaden
Die Hardware hinter On-Premise-LLMs: Modellgröße wählen, warum GPU-Speicher die echte Grenze ist, Quantisierung und wann On-Premise die Cloud schlägt.
KI für die Dokumentenverarbeitung
KI für die Dokumentenverarbeitung zahlt sich aus, wenn das System weiß, welchen Feldern es trauen darf: OCR-Qualität, Gegenprüfungen, ERP-Anbindung.
Was kostet ein KI-Projekt wirklich?
Was ein KI-Projekt wirklich kostet: die echten Kostentreiber, was bei welchem Budget machbar ist, die versteckten Betriebskosten und wie Sie absichern.
KI im Betrieb überwachen: Drift und Wartung
Uptime und Latenz bleiben grün, während ein LLM-System still schlechter wird. Was Sie stattdessen überwachen, wie Drift auftritt und was Wartung kostet.
Der EU AI Act, verständlich erklärt
Der EU AI Act für den Mittelstand: die Risikoklassen, was tatsächlich für Sie gilt, der Zeitplan, das Verhältnis zur DSGVO und die Schritte zur Compliance.
LLM-Systeme evaluieren
LLM-Systeme evaluieren heißt: ein Golden Set aus echten Fällen, Metriken pro Aufgabe und Regressionstests — statt Bauchgefühl. Wo LLM-as-Judge endet.
LLM-Halluzinationen: Warum sie entstehen und was hilft
LLM-Halluzinationen entstehen, weil ein Sprachmodell plausiblen Text vorhersagt und nichts nachschlägt. Was das im Betrieb bedeutet und was dagegen hilft.
Chunking-Strategien für RAG
Strukturbasiertes Chunking schlägt feste Chunk-Größen und semantisches Splitting. Wie Sie Tabellen und Überschriften intakt halten und Strategien testen.
Vektordatenbanken erklärt
Für die meisten KI-Projekte genügt Postgres mit pgvector als Vektordatenbank. Was eine Vektordatenbank wirklich leistet und wann Sie eine dedizierte brauchen.
Embeddings erklärt
Ein Embedding macht aus Text Koordinaten: Was zum selben Thema gehört, landet nah beieinander. Wofür das trägt, und die Fallen, an denen es lautlos kippt.
KI im Unternehmen einsetzen
KI im Unternehmen einsetzen: mit dem Prozess starten, den Anwendungsfall eng schneiden, Risiken steuern und stufenweise in die Produktion ausrollen.
LLM-Fine-Tuning erklärt
Wann LLM-Fine-Tuning echten Hebel schafft und wann Prompting oder RAG reicht: Datenqualität, LoRA und QLoRA, Evaluation und der Weg in die Produktion.
RAG-Pipelines erklärt
RAG-Pipelines suchen, ranken, verankern und antworten. So funktionieren produktive RAG-Systeme, wo sie scheitern und wie man sie zuverlässig baut.
Was ist ein KI-Agent?
KI-Agenten nehmen wahr, entscheiden und handeln — autonom und wiederholt. Wie sie funktionieren, was sie von Chatbots trennt und wann sich einer lohnt.