IKVision transformiert Wissen, Regeln und Entscheidungslogik in ausführbare Geschäftsprozesse. Durch die Kombination von RAG, Law as Code, LLM-Agenten und kontrollierten Workflows entstehen transparente, nachvollziehbare und auditierbare KI-Systeme.
Viele kleine und mittelständische Unternehmen arbeiten nicht mit großen, integrierten IT-Systemen, sondern mit Excel-Listen, E-Mails, PDFs, Ordnerstrukturen und persönlichen Notizen.
Wertvolles Wissen ist vorhanden – aber verteilt, schwer auffindbar und im Alltag oft nur mit hohem Zeitaufwand nutzbar.
Informationen liegen in unterschiedlichen Formaten vor, sind nicht einheitlich gepflegt und häufig nur den Personen zugänglich, die sie ursprünglich erstellt haben.
Informationen sind vorhanden, aber nicht strukturiert, nicht verknüpft und nicht kontextbezogen abrufbar. Zusammenhänge zwischen Dokumenten, Entscheidungen und Prozessen bleiben implizit und müssen jedes Mal neu hergestellt werden.
Das führt dazu, dass Mitarbeitende Zeit damit verbringen, Informationen zu suchen, zu prüfen und zu interpretieren, anstatt sie direkt produktiv zu nutzen.
Wissen wird nicht systematisch wiederverwendet, Entscheidungen werden mehrfach neu hergeleitet und Fehler entstehen dort, wo Informationen unvollständig oder nicht aktuell sind.
Genau hier entsteht Produktivitätsverlust – nicht weil Informationen fehlen, sondern weil sie nicht in einer Form vorliegen, die im Arbeitskontext unmittelbar nutzbar ist.
IKVision macht vorhandenes Wissen gezielt nutzbar. Statt neue Systeme einzuführen, bündeln wir bestehende Informationen und bringen sie in einen gemeinsamen, strukturierten Kontext.
Inhalte werden so aufbereitet, dass sie im Arbeitsalltag direkt genutzt werden können. Entscheidend ist die kontextbezogene Bereitstellung: Informationen stehen genau dann zur Verfügung, wenn sie im Prozess benötigt werden.
Möglich wird dies durch Retrieval-Augmented Generation (RAG) und LLM-basierte Business-Agenten.
Sie verbinden unstrukturierte Daten mit strukturiertem Wissen und bereiten Entscheidungen nachvollziehbar vor.
Dabei bleiben die zugrunde liegenden Informationen jederzeit nachvollziehbar und fachlich überprüfbar.
Informationen werden geprüft, zusammengeführt und direkt weiterverwendbar gemacht – etwa für Entscheidungen, Dokumentation oder nächste Prozessschritte. So entsteht ein digitaler Assistent, der Rückfragen reduziert, Fehler vermeidet und bestehende Abläufe gezielt unterstützt.
Der Einstieg erfolgt schrittweise und kontrolliert – mit klaren Use Cases, messbarem Nutzen und skalierbarer Weiterentwicklung.
KI-Projekte wirken oft individuell – jeder Anwendungsfall scheint anders.
In der Praxis folgen sie jedoch einer gemeinsamen, wiederkehrenden Struktur.
Der Unterschied liegt nicht im Use Case selbst, sondern in der Kombination weniger, klar definierter funktionaler Elemente.
In der Ingenieurwelt werden komplexe Prozesse seit Jahrzehnten in standardisierte Einzelschritte zerlegt – sogenannte Unit Operations. Jede dieser Operationen erfüllt eine klar definierte Funktion und kann unabhängig verstanden, kombiniert und optimiert werden. Genau dieser Perspektivwechsel fehlt heute vielen KI-Projekten – und genau hier setzen wir an.
KI Unit Operations verwandeln Einzelanforderungen in Systeme: Was einmal so strukturiert ist, kann wiederverwendet, erweitert und kontrolliert betrieben werden.
Dieses Prinzip übertragen wir auf KI-Systeme. Wir bezeichnen diese funktionalen Elemente als: KI Unit Operations
Die KI Unit Operations bilden die funktionalen Bausteine dieser Architektur.
Jeder Anwendungsfall folgt derselben Systemlogik – von der Eingabe über Wissen, Regeln und Bewertung bis zur kontrollierten Handlung.
Input
Verarbeitung von Eingaben
Technologien
Knowledge
Abruf von Wissen
Technologien
Logic
Anwendung von Regeln
Technologien
Reasoning
Entscheidungslogik und Bewertung
Technologien
Action
Auslösung von Aktionen
Technologien
Control
Kontrolle der Ergebnisse
Technologien
KI Unit Operations standardisieren komplexe Anforderungen – und machen sie skalierbar und kontrollierbar.
Die Referenzarchitektur beschreibt die funktionalen Bausteine eines KI-Systems. In der Praxis können diese Bausteine mit unterschiedlichen Technologien umgesetzt werden. Das folgende Beispiel zeigt einen Retrieval-Augmented-Generation-(RAG)-Workflow auf Basis von n8n, PostgreSQL, pgvector und einem Large Language Model.
Beispiel eines Retrieval-Augmented-Generation-(RAG)-Workflows mit n8n, PostgreSQL/pgvector und Large Language Models.
Der Workflow folgt derselben Systemlogik wie die AI Unit Operations: Informationen werden aufgenommen, relevante Wissenselemente ermittelt, in einen Kontext eingebettet, durch ein Sprachmodell verarbeitet und schließlich mit nachvollziehbaren Quellenangaben ausgegeben.
Frage → Relevanter Kontext → Verifizierte Information → Antwort
Texte werden durch Embedding-Modelle in Vektoren übersetzt, die ihre Bedeutung mathematisch abbilden.
Relevante Inhalte werden über semantische Ähnlichkeit gefunden – unabhängig von exakter Wortwahl.
Ein LLM erzeugt eine präzise Antwort auf Basis verifizierter interner Informationen.
Ziel → Kontext → Entscheidung → Aktion → Feedback
LLM-basierte Business-Agenten sind zielorientierte KI-Systeme, die ein Large Language Model mit Kontextwissen, Planung und angebundenen Werkzeugen kombinieren.
Sie beantworten nicht nur Fragen, sondern analysieren Informationen, bereiten Entscheidungen vor und leiten konkrete nächste Prozessschritte ab.
Ein LLM-Agent ist ein zielorientiertes System, das ein Large Language Model mit Kontext, Planung, Zustandsverwaltung und Werkzeugen wie Datenbanken, APIs oder E-Mail-Systemen verbindet. Er analysiert Informationen, plant Zwischenschritte, nutzt Tools und überprüft seine Ergebnisse.
Im Gegensatz zu einem Chatbot beantwortet ein LLM-Agent nicht nur Fragen, sondern entscheidet aktiv, was als Nächstes zu tun ist, um ein definiertes Ziel zu erreichen. Dazu analysiert der Agent Informationen, plant Zwischenschritte, nutzt Tools wie Datenbanken, APIs oder E-Mail-Systeme und überprüft seine Ergebnisse. Entscheidungen und Zustände werden gespeichert und für weitere Schritte genutzt.
Ein LLM-Agent ist eine KI-gestützte Komponente, die Wissen nicht nur bereitstellt, sondern aktiv in Entscheidungen und Geschäftsprozesse übersetzt. Er unterstützt Mitarbeitende, bereitet Entscheidungen vor und automatisiert definierte Prozessschritte – kontrolliert, nachvollziehbar und mit optionalem Human-in-the-Loop.
Ein LLM-Agent verfolgt ein definiertes Ziel, nutzt Kontextinformationen, arbeitet mehrstufig, verwendet Werkzeuge wie Datenbanken oder APIs und speichert Zwischenergebnisse für spätere Schritte. Wichtig ist außerdem kontrollierte Autonomie: Der Agent handelt innerhalb klar definierter technischer und fachlicher Grenzen.
Klassische Automatisierung folgt festen Regeln und vordefinierten Abläufen. Ein LLM-Agent kann dagegen Inhalte interpretieren, Kontext berücksichtigen und sein Vorgehen dynamisch an Ziel, Sprache und Situation anpassen. Dadurch eignet er sich besonders für variable Prozesse, unstrukturierte Informationen und individuelle Entscheidungen.
Retrieval-Augmented Generation kombiniert semantische Suche mit Sprachmodellen. Ein RAG-System sucht zunächst relevante Informationen aus internen Dokumenten, Datenbanken oder Wissensquellen und nutzt diese anschließend als Kontext für die Antwortgenerierung.
Vektordatenbanken speichern Bedeutungsrepräsentationen von Texten als mathematische Vektoren. Dadurch können Inhalte anhand ihrer semantischen Ähnlichkeit gefunden werden, auch wenn die Suchanfrage andere Wörter verwendet als das ursprüngliche Dokument.
RAG reduziert Halluzinationen, indem Antworten nicht nur aus dem Trainingswissen eines Sprachmodells erzeugt werden, sondern auf konkret abgerufenen und geprüften internen Quellen basieren. Dadurch werden Antworten nachvollziehbarer und fachlich überprüfbar.
Lokale KI-Systeme ermöglichen es Unternehmen, sensible Daten innerhalb der eigenen Infrastruktur zu verarbeiten. Das verbessert Datenschutz, Kontrolle, Nachvollziehbarkeit und die Integration in bestehende IT- und Compliance-Strukturen.
LLM-Agenten können Informationen analysieren, relevante Quellen abrufen, Entscheidungen vorbereiten, nächste Prozessschritte ableiten und Aktionen wie Benachrichtigungen, Dokumentenerstellung oder Workflow-Schritte auslösen — kontrolliert und mit optionalem Human-in-the-Loop.
Analyse von Prozessen, Daten und Rahmenbedingungen. Entwicklung realistischer KI-Roadmaps mit Fokus auf Nutzen, Datenschutz und Umsetzbarkeit.
Semantische Erschließung von Dokumenten, Datenbanken und Fachwissen. Antworten auf Basis kontrollierter Unternehmensdaten.
Transformation von Gesetzen, Richtlinien und Regelwerken in nachvollziehbare, maschinenlesbare Entscheidungslogik.
Agenten zur Analyse von Informationen, Vorbereitung von Entscheidungen und kontrollierten Ausführung von Prozessschritten.
Wir sprechen gern mit Ihnen über Ihre Prozesse, Ihre Daten und Ihre Ziele.
Kontakt IKVision