Von der Assistenz zur Autonomie
Agenten antworten nicht nur, sie führen definierte Aufgaben eigenständig aus und entlasten Teams von repetitiven Prozessen.
Lösungen · KI-Agenten
KI-Agenten für den Mittelstand — vom Wissens-Assistenten zum handelnden Agenten.
Sie automatisieren wiederkehrende Abläufe mit KI-Agenten. Wir bauen sie prüfbar und kontrolliert — mit klaren Grenzen und nachvollziehbaren Entscheidungen.
InnoShore konzipiert, entwickelt und betreibt individuelle KI-Agenten für Unternehmen im DACH-Raum — KI, die nicht nur antwortet, sondern definierte Aufgaben in Ihren Geschäftsprozessen übernimmt. Von der Use-Case-Identifikation über Entwicklung und Datenanbindung (RAG) bis zum laufenden Betrieb (AgentOps), mit Human-in-the-Loop für kritische Entscheidungen und DSGVO-konformer Datengrundlage. Ihre Unternehmensdaten bleiben in Ihrem Hoheitsbereich, gesteuert von Senior-Architekten in Deutschland.
Vom Chatbot über den Wissens-Assistenten zum handelnden Agenten.
KI-Systeme unterscheiden sich darin, was sie tun. Drei Punkte auf der Fähigkeitsachse — von niedriger zu hoher Autonomie. Die Wahl hängt vom Anwendungsfall ab, nicht vom Hype.
Chatbot (klassisch, generisch)
Frage rein, Antwort raus — auf Basis allgemeinen Modellwissens. Beispiel: ChatGPT-Oberfläche. Schnell aufgesetzt, aber: kennt Ihre Daten nicht, halluziniert bei Firmen-Spezifika, keine Berechtigungs-Kontrolle. Für Mittelstands-Anwendungsfälle mit eigenen Daten zu schwach.
Wir bauen das in der Regel nicht — der Markt ist gesättigt, und für Ihre Daten ist das das falsche Werkzeug.
Wissens-Assistent (RAG-basiert)
Frage rein, Antwort raus — auf Basis Ihrer internen Daten. Mit Quellenangaben, Berechtigungs-Logik, Halluzinations-Schutz. Beispiel: interner Wissens-Bot über QM-Handbuch, technische Dokumentation, Vertragsbestand, Ticket-Historie.
Die richtige Lösung für die meisten Mittelstands-Fragen rund um internes Wissen.
KI-Agent
Geht über Antworten hinaus — kombiniert Reasoning, Planung, Gedächtnis und Aufgabenausführung. Bedient Werkzeuge (Datenbanken, APIs, Workflow-Engines), plant mehrstufige Aufgaben, eskaliert bei Unsicherheit. Beispiel: Document-AI-Pipeline (OCR → Extraktion → strukturierte Felder → Übergabe an ERP oder DMS) oder Workflow-Vorbereitung mit Human-in-the-Loop bei kritischen Entscheidungen.
Die richtige Lösung, wenn das System nicht nur antworten, sondern handeln soll.
Eine höhere Position auf der Fähigkeitsachse ist nicht automatisch besser. Für ein Q&A-Problem ist ein Wissens-Assistent oft die schnellere, ehrlichere und günstigere Lösung als ein Agent. Welche Klasse passt, hängt vom Anwendungsfall ab, nicht vom Hype.
Wie wir liefern
Maßgeschneidert statt Standard
Jeder Agent wird auf Ihren Prozess, Ihre Daten und Ihre Geschäftslogik zugeschnitten, nicht als generisches Produkt.
Sichere Datengrundlage mit menschlicher Kontrolle
DSGVO-konform, klare Zugriffskontrollen; Human-in-the-Loop-Mechanismen sichern kritische Entscheidungen ab.
Technologieunabhängig, kein Anbieter-Lock-in
Open-Source- und Enterprise-Modelle; Unabhängigkeit von einzelnen KI-Anbietern.
Leistungsspektrum — über den gesamten Lebenszyklus
Use-Case-Identifikation & Strategieberatung
Analyse der Prozesslandschaft, Bewertung von Machbarkeit, ROI und Risiken, priorisierte Roadmap. Kein Trial-and-Error, sondern fundierter Einstieg mit klarem Business Case.
Konzeption & Entwicklung individueller Agenten
Zielsetzung, Autonomiegrad und Berechtigungslogik definiert; Entwicklung auf Basis moderner Frameworks und LLM-Architekturen, von der Datenanbindung bis zur produktiven Architektur.
Multi-Agent-Systeme
Mehrere spezialisierte Agenten arbeiten koordiniert an mehrstufigen Aufgaben; klare Verantwortlichkeiten, Übergabepunkte und Eskalationspfade.
Training, Datenanbindung & RAG-Integration
Anbindung an Unternehmensdaten über RAG, Vektordatenbanken und sichere APIs; Zugriffskontrollen; Entscheidungen auf Basis aktueller, autorisierter Daten.
AI Security, Governance & Human-in-the-Loop
Guardrails begrenzen den Handlungsspielraum, PII-Filter, Audit-Logs, menschliche Freigaben für kritische Entscheidungen. DSGVO-konform, Anforderungen von Anfang an eingebaut.
AgentOps: Betrieb, Monitoring & Optimierung
Laufendes Monitoring von Performance, Kosten und Entscheidungsqualität; Daten-Indizes, Prompts und Agenten-Logiken werden aktuell gehalten.
Typische Einsatzgebiete
- Prozessautomatisierung (Materialflüsse, Lieferketten, Bestellprozesse)
- Intelligent Document Processing (Rechnungen, Verträge, Schadensmeldungen)
- Predictive Maintenance (Maschinendaten, Wartungsbedarfe, Ersatzteil-Bestellung)
- Kundenservice & Self-Service (Standardfälle lösen, komplexe eskalieren)
- Datenanalyse & Reporting (Muster erkennen, Reports und Handlungsempfehlungen)
- Energiemanagement (Verbrauch überwachen und steuern)
Der Ausschnitt zeigt Mögliches — sprechen Sie uns mit Ihrem konkreten Anwendungsfall an.
Zwei Klassen auf einer Fähigkeitsachse
Klasse A · Wissens-Assistent (RAG-basiert, mit Quellenangaben)
Interner Wissens-Bot über abgegrenzten Korpus. QM-Handbuch, technische Dokumentation, Vertragsbestand, Ticket-Historie, Produkt-Katalog, etc.. Frage rein, Antwort mit Quellenangaben raus. An bestehende Berechtigungsgruppen gekoppelt — der Assistent sieht nur, was der Nutzer sehen darf.
Konkrete Anwendungsfälle:
- Mitarbeiter-Q&A über HR-Richtlinien, Reisekosten-Regeln, IT-Policies — kontextspezifisch, mit Quellenangabe
- Engineering-Wissens-Assistent über technische Dokumentation und Lessons Learned
- Vertriebs-Assistent über Produkt-Katalog, Konditionen, Wettbewerbs-Insights
- Support-Assistent über Ticket-Historie und Knowledge-Base — Eskalation an Mitarbeitende bei komplexen Fällen
- Compliance-Assistent über Richtlinien-Landschaft mit Audit-Trail jeder Antwort
Tech-Stack (kompakt): Hybrid-Retrieval (semantisch und Keyword), Reranking, Quellenangaben-Pflicht, Guardrails gegen Halluzination, SSO gegen bestehenden IdP, vollständiges Audit-Logging. Bei Sovereign-Mandaten alles auf deutscher Cloud (STACKIT, IONOS).
Lieferzeit: Typisch 6 bis 12 Wochen vom Kick-off bis zum produktiven Wissens-Assistenten plus wiederverwendbarem Fundament.
Klasse B · KI-Agent (Reasoning, Tool-Use, Workflow-Ausführung)
KI-Systeme, die Reasoning über Eingaben leisten, mehrstufige Aufgaben planen, Werkzeuge bedienen (Datenbanken, APIs, Workflow-Engines) und bei kritischen Entscheidungen an Menschen eskalieren. Human-in-the-Loop ist ein Feature, keine Schwäche — bei Schreibzugriffen auf Produktivsysteme bleibt der Mensch im Entscheidungspfad.
Was wir bauen:
- Document-AI-Pipeline — OCR plus Feld-Extraktion plus Übergabe an ERP oder DMS (Rechnungseingang, Auftragsbestätigungen, Datenblätter, Verträge)
- Workflow-Vorbereitung mit Human-in-the-Loop — Fall-Routing bei Reklamationen, Entscheidungs-Vorbereitung bei Vertragsänderungen. Der Agent bereitet vor, der Mensch entscheidet
- Datenextraktion und Strukturierung — aus unstrukturierten Texten (E-Mails, Berichte, Notizen) strukturierte Daten für Reporting und Compliance
- Recherche- und Analyse-Agent — durchsucht definierte Quellen, fasst zusammen, eskaliert bei Unsicherheit
- Code- und Konfigurations-Assistenz — Boilerplate-Generierung, Test-Stub-Erzeugung, Konfigurations-Validierung
Tech-Stack (kompakt): Reasoning-Schicht mit LLM, Tool-Use-Framework, Workflow-Glue über n8n, Vector-Store für Gedächtnis, Eval-Harness als Verlässlichkeits-Nachweis, Human-in-the-Loop-Punkte definiert pro Workflow, vollständiges Audit-Logging.
Lieferzeit: Typisch 6 bis 12 Wochen vom Kick-off bis zu einem produktiven Agenten plus wiederverwendbarem Fundament.
Was wir bewusst NICHT bauen
- Autonome Agenten mit Schreibzugriff auf Produktivsysteme ohne Human-in-the-Loop
- Multi-Agent-Systeme „über alle Abteilungen hinweg“ in einem Sprint — sequenziell ist seriös, parallel ist Demo
- Eigenes Modelltraining oder Fine-Tuning — RAG plus ordentliches Prompting deckt nach unserer Projekterfahrung 90 % der Fälle
- High-Stakes-Entscheidungen (Bestellungen, Vertragsabschlüsse, Kunden-Eskalationen) ohne Validierungs-Setup
Gemeinsames Fundament für beide Klassen
Wissens-Assistent und KI-Agent bauen auf der gleichen souveränen Architektur. Das Fundament ist identisch — Inferenz, Daten-Anbindung, Orchestrierung. Der Unterschied liegt in der Autonomie-Schicht oben drauf.
Inferenz-Schicht
Souveräne Inferenz-Endpoints auf europäischen Cloud-Partnern – Rechenzentren in Deutschland und Österreich. Wir setzen auf leistungsstarke Open-Weight-Modelle, kuratiert nach Anwendungsfall und vollständig unter eigener Kontrolle betrieben. Daten verlassen den europäischen Rechtsraum nicht und fließen niemals in das Training Dritter.
Daten-Anbindung
pgvector auf Managed Postgres für Vector-Store. Hybrid-Retrieval mit Reranking. SSO gegen bestehenden IdP (Entra ID, Keycloak). Zugriff über bestehende Berechtigungsgruppen.
Orchestrierung
Managed Kubernetes oder Container/VMs. n8n als Workflow-Glue (offizielle IONOS-Nodes für LLM-Chat, Embeddings, RAG). Bei Agenten zusätzlich Tool-Use-Framework und Human-in-the-Loop-Eskalations-Punkte.
Mehr zur Architektur-Substanz und zum 6-bis-12-Wochen-Lieferversprechen finden Sie in unserem Bereich zu Enterprise AI, mehr zur Sovereign-Konfiguration im Cloud-Governance-Bereich.
Drei Klärungsfragen — und Ihre Klasse steht
Welche Klasse zu Ihrem Anwendungsfall passt, klären wir im Erstgespräch. Drei Fragen sortieren das schnell:
Frage 1 — Welches Problem soll gelöst werden?
Mitarbeiter müssen schneller Antworten auf Wissensfragen finden → Wissens-Assistent. Dokumente müssen automatisch verarbeitet und in Bestandssysteme übergeben werden → Agent. Mehrstufige Workflows sollen vorbereitet werden → Agent mit Human-in-the-Loop.
Frage 2 — Wo liegt das größte Risiko?
Halluzination bei falschen Auskünften → Wissens-Assistent mit Quellenangaben und Eval-Harness. Falsche Aktion in Produktivsystem → Agent mit Human-in-the-Loop bei jeder Schreib-Operation.
Frage 3 — Welche Lieferzeit ist realistisch?
Beide Klassen liefern erfahrungsgemäß in 6 bis 12 Wochen ein produktives System. Wissens-Assistent ist tendenziell schneller einsetzbar (weil weniger Workflow-Integration). Agent ist tendenziell wertvoller bei Prozess-Automation. In der Praxis empfehlen wir oft: mit Wissens-Assistent starten, später zum Agent erweitern. Das Fundament (Inferenz-Gateway, Vector-Store, Audit-Logging, SSO) ist identisch — der Wechsel ist eine Erweiterung, kein Neuanfang.
Verbands-Engagement für den Mittelstand
InnoShore ist Mitglied in zwei Verbänden, die unsere strategische Ausrichtung tragen.
Bundesverband IT-Mittelstand (BITMi): Wir vertreten im BITMi die Interessen mittelständischer IT-Dienstleister und bringen unsere Praxis-Substanz in den Verbandsdiskurs ein — vor allem dort, wo das Thema bei Mittelständlern gerade am dünnsten ist: souveräne KI- und Cloud-Architektur.
KI Bundesverband: Wir gestalten die Diskussion zu Sovereign AI, EU AI Act und EU-Cloud-Souveränität aktiv mit, statt sie nur zu konsumieren.
Wissens-Assistenten und KI-Agenten brauchen Fundament und Konfiguration.
Dieser Bereich positioniert die Fähigkeitsachse — was das System tut. Die zwei anderen Achsen klären, wie es im Unternehmen läuft und wo es liegt.
Enterprise AI (Organisations-Achse)
Wissens-Assistenten und Agenten brauchen ein produktionsreifes Fundament — Integration, Governance, Eval-Harness, Skalierung. Wer das volle Architektur-Bild sehen möchte: Sovereign GPT für den Mittelstand.
Enterprise AICloud-Governance & Compliance (Jurisdiktions-Achse)
Welche Kontrolle braucht Ihre KI? Sovereign by design oder Hyperscaler? Welche Datenflüsse sind zulässig? Mehr zur Compliance-Baukasten-Logik und zur Stufen-Wahl im Cloud-Governance-Bereich.
Cloud-Governance & ComplianceUnsere drei Kundensegmente — je nachdem, wie Sie IT beziehen.
Industrie & Mittelstand
Sie verantworten IT in einem Mittelstands-Unternehmen — Industrie, Energiewirtschaft, Bahn, Public Sector, Pharma oder Defence. Wir liefern Senior-Profile und schlüsselfertige Lösungen mit deutschem Vertragsrahmen und Branchen-Verständnis.
Industrie & MittelstandPersonaldienstleister
Sie haben Sourcing-Mandate Ihrer Endkunden und brauchen einen verlässlichen Sub-Channel-Partner mit dokumentierter Substanz in mehreren Tech-Bereichen und Nischen-Zugang (BRIM, IS-U, Energy Trading).
PersonaldienstleisterIT-Consulting
Sie haben das Mandat akquiriert und brauchen Senior-Profile mit Implementierungs-Tiefe als Teil-Liefer-Partnerschaft — über einen oder mehrere Tech-Bereiche hinweg, aus Deutschland, EU-Nearshore oder Offshore.
IT-ConsultingHäufige Fragen zu KI-Agenten
FAQ 1 Was ist der Unterschied zwischen Wissens-Assistent und KI-Agent?
Wissens-Assistent antwortet auf Fragen über Ihre Daten — Frage rein, Antwort raus, mit Quellenangaben. KI-Agent handelt — plant mehrstufige Aufgaben, bedient Werkzeuge, führt Workflows aus, mit Human-in-the-Loop bei kritischen Entscheidungen. Beides ist KI, in unterschiedlichem Autonomie-Grad.
FAQ 2 Brauchen wir wirklich Agenten oder reicht ein Wissens-Assistent?
Hängt vom Anwendungsfall ab. Für Q&A-Probleme (Mitarbeiter sucht Antwort auf Wissensfrage) ist ein Wissens-Assistent oft die schnellere, günstigere und ehrlichere Lösung. Für Prozess-Automation mit Werkzeug-Bedienung braucht es einen Agenten. Klären wir im Erstgespräch.
FAQ 3 Wie autonom sind Ihre Agenten wirklich?
Autonom innerhalb klar definierter Aufgaben — sie bereiten vor, klassifizieren, extrahieren, recherchieren. Bei kritischen Entscheidungen mit Schreibzugriff auf Produktivsysteme bleibt Human-in-the-Loop Pflicht. Alles andere wäre unverantwortlich.
FAQ 4 Was kann ich in 6 bis 12 Wochen erwarten?
Bei Wissens-Assistent: ein produktiver RAG-Assistent über abgegrenzten Korpus plus Fundament. Bei Agent: eine produktive Agenten-Strecke (z. B. Document-AI) plus Fundament. Zweiter und dritter Anwendungsfall auf demselben Fundament werden danach deutlich schneller.
FAQ 5 Welche Daten verlassen unser Unternehmen?
Bei Sovereign-Mandaten keine. Inferenz, Vector-Store und Audit-Logs liegen auf deutscher Cloud. Konfigurierbar pro Mandat. Mehr zur Kontroll-Architektur auf der Cloud-Governance-Lösung.
FAQ 6 Können wir mit Wissens-Assistent starten und später zum Agent wechseln?
Genau das ist unsere Empfehlung. Das Fundament (Inferenz-Gateway, Vector-Store, Audit-Logging, SSO) ist identisch. Der Wechsel von Wissens-Assistent zu Agent ist eine Erweiterung, kein Neuanfang.
FAQ 7 Was unterscheidet Sie von ChatGPT Enterprise oder M365 Copilot?
Wir bauen auf Ihre Daten — nicht auf allgemeines Modellwissen. Mit Quellenangaben, Berechtigungs-Kontrolle, Audit-Logs und optional souverän auf deutscher Cloud statt US-Cloud. Plus: Ihre Architektur, kein Anbieter-Lock-in.
FAQ 8 Wie sind die Tagessätze positioniert?
Mittelständische Tagessätze. Konkrete Sätze werden im Erstgespräch transparent kommuniziert — abhängig von Anwendungsfall-Tiefe, Senior-Setup und Liefer-Modell.
Kontakt
Sondieren Sie Ihren KI-Anwendungsfall — oder fragen Sie ein Mapping an.
Wenn Sie strategisch über Wissens-Assistenten und KI-Agenten in Ihrer Organisation reden wollen — Fähigkeitsachse, Fundament, Compliance-Setup —, ist das Erstgespräch der richtige Einstieg. Wenn Sie ein konkretes Mandat haben und ein Use-Case-Mapping anfragen möchten: unser Formular bringt uns schnell zusammen.