Canonical: https://uhl.cloud/ai-automation/
Language: de-CH
Format: public page content, generated from HTML

# KI im Engineering. Menschen in der Verantwortung.

Jahrelange praktische KI-Nutzung für Entwicklung, Wissensabläufe und klar begrenzte Automatisierung.

Geprüft vom UHL-Team · 28. Oktober 2026

## Mit einer nützlichen Aufgabe beginnen

Wir setzen KI dort ein, wo ein Ablauf einen klaren Zweck und überprüfbare Ergebnisse hat. Dazu gehören Entwicklungsunterstützung, technische Dokumentation und die Verbindung von Informationen aus Engineering-Systemen. Das Modell bleibt eine Komponente mit definierten Eingaben, Werkzeugen und Verantwortlichkeiten.

## Daten- und Werkzeugzugriff begrenzen

Datensensibilität und mögliche Folgen bestimmen die Kontrollen. Wir prüfen, welche Informationen nötig sind, welche Systeme erreichbar sein dürfen und wo eine Freigabe erforderlich ist. Zugangsdaten verbleiben in den zuständigen Systemen; Zugriffe werden auf die Aufgabe begrenzt.

## Relevante Ergebnisse validieren

Generierter Code, Zusammenfassungen und Befunde benötigen Nachweise. Vor der Übernahme oder einer Änderung am laufenden System folgen Review und passende Kontrollen. Für Sicherheitsarbeiten bleiben Autorisierung und vereinbarter Prüfumfang verbindlich.

## Wiederholbare Schritte automatisieren

Gute Automatisierung macht Abläufe konsistenter und beobachtbar. Verständlicher Status, Fehlerbehandlung und Möglichkeiten zum Stoppen oder Wiederherstellen sind ebenso wichtig wie der Erfolgsfall. Wir bevorzugen fokussierte, überprüfbare Abläufe.

## Automatisierung, die sich rechnet

AI-Automation bei UHL heisst konkrete Pipelines, keine Chatbot-Demos: **Dokumenten-Intake und Klassifikation, Support-Triage, Berichtsentwürfe, Knowledge-Retrieval über Ihre eigenen Daten und Workflow-Klebstoff zwischen Systemen, die nie miteinander sprachen**. Jede Automation existiert, weil ein manueller Prozess gemessen wurde - zu langsam, zu fehleranfällig oder schlicht unbeliebt.

Wir bauen auf offenen Komponenten - Typebot für geführten Intake, cognee für Knowledge Graphen über Firmendaten, self-hosted LLM-Endpunkte, wo Daten unsere Plattform nicht verlassen dürfen, und geprüfte externe APIs, wo Use Case und Daten es erlauben. Die Wahl wird pro Automation dokumentiert, nicht dem Gefühl überlassen.

## Menschliche Kontrolle von Anfang an

Jede ausgelieferte Automation hat einen definierten Fehlermodus: was passiert, wenn das Modell irrt, die Konfidenz tief ist, der Input ausserhalb des Scopes liegt. Eskalation an einen Menschen ist der Default-Pfad für alles, was Geld, Kunden oder Produktionszustand berührt.

Prompts, Modelle und Retrieval-Sets sind versioniert wie Code. Ändern wir einen Prompt, laufen zuerst die Eval-Fälle - AI-Output-Qualität ist eine testbare Eigenschaft, keine Geschmacksfrage.

## Wo KI in unserer Plattform zum Einsatz kommt

Für den eigenen Betrieb nutzen wir AI-unterstützte Arbeit auf unserer Kubernetes-Plattform: Agent-Tooling mit eingeschränkten Berechtigungen, Retrieval über interne Dokumentation und Entwurfsunterstützung für Berichte - mit **Kundendaten ausserhalb externer Provider**, solange das Engagement es nicht ausdrücklich freigibt. Wir betreiben, was wir empfehlen.

## Werkzeuge, auf denen wir bauen

Offene Komponenten in unseren Automations-Builds: [Typebot](https://typebot.io/) für Intake-Flows, [cognee](https://www.cognee.ai/) für Knowledge Graphen, self-hosted LLM-Endpunkte, wo Datenresidenz es verlangt.

![AI-Automation-Pipeline: Input, Verarbeitung, Kontrolle](https://uhl.cloud/assets/diagrams/ai-automation-flow-de.svg)

Wie unsere Automationen gebaut sind: Inputs, Verarbeitung und die menschliche Kontrollebene.

## Häufige Fragen

### Wo lohnt sich AI-Automation für ein KMU?

Überall dort, wo ein Mensch wiederholt Informationen liest, klassifiziert oder zwischen Systemen kopiert: Intake-Formulare, Inbox-Triage, Dokumentenverarbeitung, Berichtserstellung. Wir starten mit einem messbaren Prozess und erweitern erst, wenn sich der erste in Zahlen bewährt hat.

### Gehen unsere Daten an externe AI-Provider?

Nur dort, wo Use Case und Ihre Freigabe es erlauben. Bei sensiblen Daten betreiben wir self-hosted oder EU-gehostete Modelle und halten das Retrieval innerhalb Ihres Perimeters. Das Routing pro Automation ist dokumentiert - es gibt keinen stillen Datenfluss.

### Was passiert, wenn die AI falsch liegt?

Jede Automation hat einen definierten Fehlerpfad: Outputs mit tiefer Konfidenz eskalieren an einen Menschen, Aktionen mit Geld- oder Produktionsbezug brauchen eine Freigabe, und Eval-Fälle fangen Prompt-Regressionen ab, bevor sie live gehen.

### Funktioniert AI-Automation mit unseren bestehenden Systemen?

Ja - der typische Build ist Klebstoff: Lesen aus ERP, Shop oder Ticketsystem und Zurückschreiben über deren APIs. Wir integrieren statt zu ersetzen; Automation gelingt an den Rändern funktionierender Systeme, nicht durch deren Entwurzelung.

## Weiter entdecken

- [Softwareentwicklung](https://uhl.cloud/development/)

- [Sicherheit & verantwortungsvolle KI](https://uhl.cloud/security/)

- [Wazuh Security Operations](https://uhl.cloud/wazuh/)

## Sprechen wir über Ihr Projekt.

[UHL kontaktieren](https://uhl.cloud/contact/)