Souveräne künstliche Intelligenz
Sprachmodelle, die in Ihren Räumlichkeiten oder auf Schweizer Infrastruktur laufen, mit belegten Antworten und überprüfbarer Governance. Für Branchen, in denen ein Dokument an eine US-API zu senden keine Option ist.
Warum selbst hosten
Drei Gründe nennen unsere Kundinnen und Kunden immer wieder. Zuerst die Compliance: das Schweizer Datenschutzgesetz regelt die Bekanntgabe von Personendaten ins Ausland, und US-amerikanische KI-Schnittstellen erschweren die Prüfung für Gesundheitswesen, Treuhand, Pharma und öffentliche Hand erheblich.
Dann die Geschäftsgeheimnisse. Ein Vertrag, ein Patent oder ein Kundendossier hat im Prompt eines Drittanbieters nichts zu suchen, unabhängig von den ausgewiesenen Nutzungsbedingungen.
Und schliesslich die Kontrolle. Ein selbst gehostetes Modell ändert sein Verhalten nicht über Nacht, weil ein Anbieter seine API aktualisiert hat. Ihre Evaluationen bleiben gültig, Ihre Kosten planbar.
Was wir bauen
Wir verkaufen nicht «KI», sondern bearbeiten einen benannten Anwendungsfall mit einem messbaren Erfolgskriterium, das vor Projektbeginn festgelegt wird.
Dokumentensuche
Tausende interne Dokumente in natürlicher Sprache abfragen, mit systematischer Angabe von Quelle und Ursprungsseite.
Strukturierte Extraktion
Rechnungen, Verträge oder Berichte in verwertbare Daten überführen, mit gemessener statt vermuteter Fehlerquote.
Fachagenten
Eine Aufgabenkette über Ihre bestehenden Systeme automatisieren, mit menschlicher Freigabe an den heiklen Stellen.
Klassifikation und Triage
Anfragen, Korrespondenz oder Tickets automatisch nach Ihren eigenen Kategorien verteilen.
RAG vor Fine-Tuning
Der Reflex «wir müssen das Modell auf unseren Daten trainieren» ist fast immer verfrüht. Retrieval-Augmented Generation, kurz RAG, bringt das Fachwissen zum Zeitpunkt der Abfrage ein. Es bleibt ohne Nachtraining aktuell und erlaubt vor allem, die Quellen zu zitieren.
In einem regulierten Umfeld ist eine Antwort ohne überprüfbare Referenz unbrauchbar. Fine-Tuning behalten wir daher den Fällen vor, in denen Ausgabeformat oder Tonalität tiefgreifend angepasst werden müssen, und nie dem Einbringen von Wissen.
Evaluieren vor dem Ausrollen
Das ist der Punkt, an dem KI-Projekte am häufigsten scheitern. Ohne fachlichen Testdatensatz lässt sich nicht feststellen, ob das System schlechter wird, sobald Modell, Prompt oder Dokumentenbasis wechseln.
Wir erarbeiten deshalb gemeinsam mit Ihren Teams einen Evaluationsdatensatz, bevor die erste Zeile Integration geschrieben wird: echte Fragen, erwartete Antworten, bezifferte Abnahmekriterien. Erst dieses Dokument erlaubt es, die Produktionsreife anders als aus dem Bauch heraus festzustellen.
Compliance und validierte Umgebungen
Ein internes LLM ist eine Infrastrukturkomponente wie jede andere: isoliertes Netz oder Hosting in Ihren Räumlichkeiten, rollenbasierte Zugriffskontrolle, Protokollierung der Abfragen und Eintrag der Bearbeitung in Ihr DSG-Verzeichnis.
Für validierte Umgebungen, insbesondere in der Pharma, erfolgt die Qualifizierung im Rahmen von GAMP 5 und Annex 11, mit einer reproduzierbaren Testdokumentation. Ebenso bereiten wir die vom EU AI Act erwartete Dokumentation für Systeme mit begrenztem oder hohem Risiko vor.
Die Hardware: weniger als vermutet
Der richtige Ansatz ist nicht, das grösste Modell anzustreben, sondern das kleinste, das Ihre Aufgabe löst. Ein Modell mit 8 bis 30 Milliarden Parametern, allenfalls quantisiert, läuft auf einem einzigen GPU-Server und genügt in der grossen Mehrheit der Unternehmensanwendungen.
Wir dimensionieren anhand Ihres Evaluationsdatensatzes und Ihrer realen Last, nicht anhand einer öffentlichen Rangliste. Wo sich die Hardwareinvestition nicht rechtfertigt, betreiben wir das System auf Schweizer Infrastruktur bei Infomaniak oder Exoscale. Das klärt die Frage des Datenstandorts, ohne Kapital zu binden.
Ein Beispiel
Verwaltungsplattform mit KI-Copilot: Aktienregister, Generalversammlungen und intelligente Suche in kantonalen Steuerquellen, mit der absoluten Anforderung von null Halluzinationen im Schweizer Steuerrecht. RAG-Architektur, LangGraph, souveränes Hosting.
Häufige Fragen
Welche Hardware braucht ein intern gehostetes LLM?
Meist genügt ein einzelner Server mit professioneller GPU für ein Modell mit 8 bis 30 Milliarden Parametern und einige Dutzend Nutzende. Wir dimensionieren anhand Ihrer realen Last und Ihrer Latenzanforderungen, nach Messung auf Ihrem Evaluationsdatensatz.
RAG oder Fine-Tuning?
In mehr als neun von zehn Fällen RAG. Es bringt das Wissen zum Abfragezeitpunkt ein, bleibt ohne Nachtraining aktuell und erlaubt Quellenangaben. Fine-Tuning rechtfertigt sich nur zur Anpassung eines Ausgabeformats oder einer sehr spezifischen Tonalität.
Genügt Hosting in der Schweiz für das DSG?
Es ist ein wichtiger, aber für sich allein nicht ausreichender Baustein. Zusätzlich sind die Bearbeitung im Verzeichnis zu dokumentieren, die Zugriffe, die Aufbewahrungsdauer der Abfragen und die Information der betroffenen Personen festzulegen. Diese Dokumentation liefern wir mit dem System.
Wie verhindern Sie Halluzinationen?
Durch verpflichtende Quellenangaben, durch Beschränkung des Modells auf den bereitgestellten Korpus und durch Messung der Fehlerquote auf einem fachlichen Testdatensatz. Wo eine falsche Antwort teuer ist, muss das System antworten können, dass es die Antwort nicht kennt. Das ist ein Abnahmekriterium, keine Nebensache.
Wie lange bis zum ersten produktiven System?
Rechnen Sie mit sechs bis zwölf Wochen für einen Dokumentenassistenten auf einem abgegrenzten Korpus, inklusive Evaluationsdatensatz. Aufbau und Bereinigung des Korpus dauern oft länger als die technische Integration.
Sprechen wir über Ihr Projekt.
Beschreiben Sie Ihr Vorhaben in wenigen Zeilen. Wir antworten innerhalb von 48 Arbeitsstunden, mit einer ersten fachlichen Einschätzung und nicht mit einem Verkaufsgespräch.