*Source: https://vellmerk.ai/faq*

# Häufig gestellte Fragen

Antworten auf die Fragen, die unsere Kunden am häufigsten stellen, von Einstiegsfragen bis zu technischen Details.

Sie haben eine Frage, die hier nicht beantwortet wird? [Schreiben Sie uns](/contact), wir antworten in der Regel innerhalb von zwei Werktagen. 

## Einstieg & Erstkontakt

Braucht mein Unternehmen überhaupt KI? 

Ehrliche Antwort: Oft nicht, zumindest nicht so, wie Sie vielleicht denken. Viele Prozesse profitieren von einfacher Automatisierung, lange bevor KI ins Spiel kommt. Unsere Aufgabe ist, ehrlich zu bewerten, wo KI echten Mehrwert schafft und wo ein simpler Workflow die bessere Lösung ist. Im Zweifel: Nicht jeder Prozess braucht KI.

Ich weiß nicht genau, was ich will. Kann ich trotzdem anfragen? 

Ja, unbedingt. Die meisten unserer Erstgespräche beginnen mit der Aussage, dass man noch nicht genau wisse, was möglich ist. Genau deshalb machen wir erst eine Bestandsaufnahme und zeigen, welche Ansatzpunkte es in Ihrem Unternehmen gibt, bevor über Technologie geredet wird.

Was kostet ein Erstgespräch? 

Das Erstgespräch ist kostenlos und unverbindlich. Wir nehmen uns in der Regel 30 bis 60 Minuten Zeit, um Ihre Situation zu verstehen und erste Einschätzungen zu geben. Erst wenn daraus ein konkretes Projekt wird, sprechen wir über Aufwand und Preise.

Arbeiten Sie nur mit großen Unternehmen? 

Nein, ganz im Gegenteil. Unsere Zielgruppen sind KMU und öffentliche Verwaltung im DACH-Raum sowie Dänemark. Wir glauben, dass gerade mittelständische Unternehmen und Behörden enormes Potenzial für KI und Automatisierung haben, und bewusst schlanke, pragmatische Lösungen brauchen, keine Enterprise-Projekte.

## Technik & Methoden

Welche Tools und Technologien setzen Sie ein? 

Wir sind bewusst tool-agnostisch. Je nach Projekt nutzen wir n8n für Workflow-Automatisierung, Python für Custom-Lösungen, lokale LLMs (Llama, Mistral, Qwen via Ollama) für datenschutzkritische Umgebungen, und Claude oder GPT dort, wo Cloud-APIs sinnvoll sind. Der Tool-Mix ergibt sich aus den Anforderungen, nicht umgekehrt.

Was ist der Unterschied zwischen OCR, ICR und HTR? 

OCR (Optical Character Recognition) erkennt gedruckten Standardtext und ist eine Commodity-Technologie. ICR (Intelligent Character Recognition) nutzt KI-Methoden und Ensemble-Ansätze und ist deutlich robuster bei schwierigem Material. HTR (Handwritten Text Recognition) ist spezialisiert auf Handschrift und benötigt eigene Modelle mit echtem Sprachverständnis. In der Praxis werden die drei meist kombiniert.

Was bedeuten CER und WER? 

CER (Character Error Rate) misst den Anteil falsch erkannter Zeichen, WER (Word Error Rate) den Anteil falsch erkannter Wörter. Das sind die beiden Standard-Metriken für Texterkennung. Moderne KI-Pipelines erreichen bei gedrucktem Text CER-Werte unter 2%, bei Handschrift unter 5%. Werte, die vor wenigen Jahren noch als unerreichbar galten.

Was ist ein KI-Agent und was ist er nicht? 

Ein KI-Agent ist ein System, das eigenständig recherchieren, Entscheidungen treffen und Aufgaben in Ihrer IT-Landschaft ausführen kann, nicht nur ein Chatbot, der Fragen beantwortet. Der Unterschied: Ein Agent hat ein Ziel und einen Handlungsraum, ein Chatbot hat nur Antworten. Agenten brauchen klare Rahmenbedingungen, Governance und Qualitätssicherung.

Was ist RAG und warum ist es wichtig? 

RAG (Retrieval-Augmented Generation) verbindet ein Sprachmodell mit einer durchsuchbaren Wissensbasis. Statt nur auf Trainingsdaten zurückzugreifen, zieht das Modell zur Laufzeit relevante Dokumente aus Ihrer Datenquelle und nutzt sie für seine Antwort. Das reduziert Halluzinationen und sorgt dafür, dass Antworten auf Ihren echten, aktuellen Daten basieren.

## Datenschutz & Lokale KI

Dürfen meine Daten überhaupt in die Cloud? 

Das hängt von der Datenart ab. Personenbezogene Daten, Gesundheitsdaten, Bürgerdaten und geschäftskritische Informationen sollten nicht unkontrolliert in Cloud-Dienste fließen. Wir bauen deshalb bevorzugt On-Premise-Lösungen, bei denen Ihre Daten Ihre Infrastruktur nie verlassen. Bei weniger sensiblen Daten ist Cloud oft unproblematisch: das entscheiden wir projektbezogen.

Was bedeutet On-Premise in Ihrem Kontext? 

On-Premise heißt: Die KI-Modelle und die gesamte Verarbeitungspipeline laufen vollständig auf Ihrer eigenen Infrastruktur oder in einem von Ihnen kontrollierten Rechenzentrum. Kein API-Call zu OpenAI, keine Datenübertragung an US-Anbieter, kein Schrems-II-Risiko. Ihre Daten bleiben, wo sie hingehören.

Ist KI DSGVO-konform? 

KI an sich ist weder konform noch nicht-konform, es kommt darauf an, wie sie eingesetzt wird. Unsere Lösungen sind DSGVO-konform by design: lokale Verarbeitung, klare Rechtsgrundlagen, transparente Datenflüsse, Auftragsverarbeitungsverträge wo nötig. Bei Bedarf helfen wir Ihnen auch mit der Dokumentation für Ihre Datenschutzbeauftragten.

Kann ich lokale LLMs auf meiner eigenen Hardware betreiben? 

Ja, und das ist oft sinnvoller als man denkt. Moderne Open-Source-Modelle wie Llama 3, Mistral oder Qwen laufen auf überschaubarer Hardware und liefern für viele Anwendungsfälle exzellente Ergebnisse. Wir beraten Sie bei der Hardware-Auswahl, dem Setup (z.B. mit Ollama oder vLLM) und dem Betrieb im Produktionsumfeld.

## Dokumentenverarbeitung

Können Sie wirklich Handschrift zuverlässig erkennen? 

Ja, aber es hängt immer von Ihren konkreten Dokumenten ab. Moderne HTR-Pipelines erreichen bei durchschnittlicher Handschrift CER-Werte unter 5%, oft deutlich besser. Entscheidend ist, dass wir die Pipeline auf Ihre tatsächlichen Dokumente trainieren, nicht auf Testdaten aus dem Labor. Unsere ehrliche Antwort finden wir in einem Proof of Concept mit Ihren echten Scans.

Wie geht das mit gesetzlichen Anforderungen wie OZG, Schriftformerfordernis oder BFSG? 

OZG, § 126 BGB (Schriftform), das BFSG und Entsprechungen in Österreich (AVG § 13) und der Schweiz (VwVG Art. 21) verpflichten Verwaltungen, den Papierweg offenzuhalten. Das heißt nicht, dass die Dokumente manuell abgetippt werden müssen, sondern dass sie digitalisiert und verarbeitbar gemacht werden müssen. Genau dafür bauen wir die Pipelines.

Welche Branchen profitieren am meisten von OCR, ICR und HTR? 

Öffentliche Verwaltung (Anträge, Bauanträge, Widersprüche), Versicherungen (Schadensmeldungen, Altverträge), Gesundheitswesen (handschriftliche Notizen, Befunde), Archive und Kultureinrichtungen (historische Dokumente) sowie Industrie und Logistik (Lieferscheine, Prüfprotokolle). Überall dort, wo Papier noch Realität ist.

## Projekt & Zusammenarbeit

Wie lange dauert ein typisches KI-Projekt? 

Das lässt sich nicht pauschal beantworten, aber wir arbeiten bewusst in kurzen Zyklen. Eine erste Analyse und Strategie dauert oft 2-4 Wochen. Ein Proof of Concept für einen konkreten Anwendungsfall meist 4-8 Wochen. Die Produktionsreife einer Lösung dann weitere 4-12 Wochen, abhängig von der Komplexität. Wir liefern früh und oft, damit Sie schnell sehen, ob die Richtung stimmt.

Was ist ein Proof of Concept und warum ist er wichtig? 

Ein Proof of Concept ist ein überschaubarer Prototyp: die sprichwörtliche 80%-Lösung. Er beantwortet zwei Fragen: Funktioniert der Ansatz grundsätzlich? Und erreicht er die Qualität, die Sie brauchen? Erst wenn beide Fragen klar beantwortet sind, investieren wir in die volle Produktionsreife. So vermeiden Sie teure Fehlentscheidungen.

Arbeiten Sie allein oder mit einem Team? 

Vellmerk.ai ist bewusst schlank aufgestellt. Für größere Projekte arbeiten wir mit einem Netzwerk erfahrener Freelancer und Spezialisten zusammen, je nach Anforderung stellen wir das passende Team zusammen. Sie bekommen genau die Expertise, die Ihr Projekt braucht, ohne Overhead.

In welchen Regionen arbeiten Sie? 

Wir arbeiten branchenübergreifend im DACH-Raum (Deutschland, Österreich, Schweiz) sowie in Dänemark. Die Beratung erfolgt flexibel: remote, hybrid oder vor Ort, je nach Projekt und Wunsch.

Wie ist Ihr Abrechnungsmodell? 

Das hängt vom Projekt ab. Für Beratung und Workshops arbeiten wir meist auf Tages- oder Stundensatz-Basis. Für Implementierungsprojekte bevorzugen wir Festpreise mit klar definierten Leistungspaketen, damit Sie Budgetsicherheit haben. Bei langfristigen Partnerschaften sind auch Retainer-Modelle möglich.

## Fragen aus unseren Artikeln

Vertiefende Fragen zu einzelnen Themen, jeweils mit dem passenden Artikel verlinkt. 

### KI für Zertifizierung und Audits: Wie sich ein Managementsystem mit einem Multi-Agenten-System betreiben lässt

Darf ein KI-Agent nach ISO 9001 interne Audits durchführen? 

Die Norm verlangt in Kapitel 9.2.2 c) die Objektivität und Unparteilichkeit des Auditprozesses. Sie schreibt nicht vor, wer das Audit durchführt, und verlangt insbesondere keinen externen Auditor. Entscheidend ist, dass das Verfahren unparteiisch ist. Dafür braucht ein KI-gestütztes Audit verbindliche Festlegungen: vorab fixierte Auditkriterien, ausschließlich dokumentierte Nachweise, strikt lesender Zugriff des Agenten und ein Auditbericht, der nachträglich nicht verändert wird. Sind diese Sicherungen dokumentiert und nachweisbar, ist das Verfahren normkonform.

Was findet ein KI-Auditagent, das ein Mensch übersieht? 

Vor allem stille Inkonsistenzen über Dokumentgrenzen hinweg. Typische Muster sind ein freigegebener Prozess, der ein Formular verlangt, das gar nicht existiert; eine Aufzeichnung, die eine Festlegung des ihr übergeordneten Vorgabedokuments aushebelt; eine Behauptung im Handbuch, für die kein Nachweis abgelegt ist; oder ein Fälligkeitsdatum, das es im Kalender nicht gibt. Keiner dieser Befunde erfordert besondere Intelligenz. Sie erfordern Unermüdlichkeit und die Bereitschaft, eine gute Absicht nicht als Nachweis zu akzeptieren.

Kann KI ein Qualitätsmanagementsystem eigenständig pflegen? 

Nein, und das sollte sie auch nicht. Sinnvoll ist eine klare Arbeitsteilung: Die Agenten prüfen, finden Widersprüche, schlagen Änderungen vor und aktualisieren Dokumente nach einem Beschluss. Die Freigabe bleibt beim Menschen. In unserem System setzt den Status „Freigegeben“ ausschließlich die Geschäftsführung. Das ist keine technische Beschränkung, sondern eine bewusste Grenze, denn die Verantwortung für ein Managementsystem lässt sich nicht delegieren.

Für welche Normen und Zertifizierungen eignet sich dieser Ansatz? 

Für alle, die auf derselben Struktur beruhen: Vorgabedokumente, Aufzeichnungen, festgelegte Intervalle, Nachweispflichten und ein externer Prüfmaßstab. Das gilt für ISO 9001 ebenso wie für ISO 27001, ISO 14001, ISO 27701, TISAX oder die AZAV, und zunehmend für die Dokumentationspflichten des EU AI Act. Je stärker eine Zertifizierung auf gepflegtem, strukturiertem Wissen aufbaut, desto größer der Hebel eines KI-gestützten Verfahrens.

[Passender Artikel: KI für Zertifizierung und Audits: Wie sich ein Managementsystem mit einem Multi-Agenten-System betreiben lässt → ](/blog/iso-9001-ki-agenten) 

### Die drei Inseln der Wahrheit: warum jede KI-Einführung mit Prozessklärung beginnt

Was sind die drei Inseln der Wahrheit? 

Die dokumentierte Wahrheit (wie der Prozess niedergeschrieben ist), die gefühlte Wahrheit der Führung (wie Vorgesetzte glauben, dass er läuft) und die gelebte Wahrheit im Prozess (wie er tatsächlich täglich ausgeführt wird). In der Praxis weichen diese drei fast immer voneinander ab, und fast niemand sieht alle drei gleichzeitig.

Warum ist das für KI-Projekte relevant? 

Weil KI einen unsauberen Prozess nicht heilt, sondern skaliert. Erst wenn alle drei Inseln zu einer gemeinsam gesicherten Sicht zusammengeführt sind, lässt sich sinnvoll entscheiden, wo KI echten Nutzen bringt und wo sie den Schaden nur vergrößern würde.

Bringt die Prozessklärung auch ohne KI etwas? 

Ja, und zwar sofort. Das Zusammenführen der drei Sichten, die Klärung von Nutzen und Pflichttoren und der Blick auf die grüne Wiese erzeugen für sich genommen bereits messbaren Mehrwert, ganz unabhängig von Technologie.

Ist so ein Auseinanderdriften ein Zeichen von schlechter Organisation? 

Nein. Die Forschung (etwa Hollnagels Work-as-Imagined vs. Work-as-Done) zeigt, dass die Kluft in komplexen Systemen der Normalfall ist. Entscheidend ist nicht, dass sie existiert, sondern dass jemand die Brücken baut.

[Passender Artikel: Die drei Inseln der Wahrheit: warum jede KI-Einführung mit Prozessklärung beginnt → ](/blog/drei-inseln-der-wahrheit) 

### Lokale KI: Warum Unabhängigkeit zur Strategie wird, nicht nur zum Datenschutz

Was bedeutet KI-Souveränität konkret? 

KI-Souveränität bedeutet, dass Sie die Kontrolle über Modelle, Daten und Betrieb behalten, statt von einem einzelnen externen Anbieter abhängig zu sein. Die Modelle laufen auf Infrastruktur, die Sie kontrollieren, die Daten verlassen Ihr Haus nicht, und niemand kann Ihnen den Zugang per Vertrags- oder Politikentscheidung abdrehen. Souveränität ist dabei kein Alles-oder-nichts, sondern eine bewusste Entscheidung pro Anwendungsfall, wo Unabhängigkeit den Aufwand wert ist.

Sind lokale Open-Source-Modelle gut genug für den Praxiseinsatz? 

Für viele Anwendungsfälle ja. Moderne offene Modelle wie Llama, Mistral oder Qwen erreichen heute eine Qualität, die vor wenigen Jahren nur Cloud-Anbietern vorbehalten war. Für Klassifikation, Zusammenfassung, interne Wissensabfrage oder Dokumentenverarbeitung sind sie oft mehr als ausreichend. Entscheidend ist nicht das größte Modell, sondern das passende Modell für die konkrete Aufgabe, sauber eingebunden und nachvollziehbar evaluiert.

Ist lokale KI nicht teurer als die Cloud? 

Das hängt vom Nutzungsprofil ab. Cloud-APIs sind günstig im Einstieg und bei geringem Volumen, werden aber bei dauerhaft hohem Durchsatz schnell teuer. Eine lokale Lösung verursacht Anschaffungs- und Betriebskosten, ist dafür aber kalkulierbar und unabhängig von Preisänderungen externer Anbieter. Bei sensiblen Daten kommt hinzu, dass die Cloud oft schlicht keine zulässige Option ist. Wir rechnen das pro Fall durch, statt pauschal zu antworten.

Für wen lohnt sich On-Premise-KI besonders? 

Vor allem für Organisationen mit sensiblen Daten oder hoher Abhängigkeit von durchgehender Verfügbarkeit: öffentliche Verwaltung, Gesundheitswesen, Versicherungen und Unternehmen mit schützenswertem Know-how. Auch wer regulatorisch nachweisen muss, wo Daten verarbeitet werden, profitiert. Für unkritische Aufgaben mit schwankendem Bedarf bleibt die Cloud oft die pragmatischere Wahl.

[Passender Artikel: Lokale KI: Warum Unabhängigkeit zur Strategie wird, nicht nur zum Datenschutz → ](/blog/lokale-ki-souveraenitaet) 

### Wenn KI einfach abgestellt wird: Europa braucht Souveränität, hat sie aber nicht

Kann ein KI-Anbieter den Zugang wirklich einfach abschalten? 

Ja, und das ist kein theoretisches Szenario. Zugang zu Cloud-KI hängt an Verträgen, Exportregeln und politischen Entscheidungen, auf die Sie keinen Einfluss haben. Eine geänderte Sanktionslage, eine Anbieterentscheidung oder eine neue regulatorische Vorgabe kann einen Dienst von heute auf morgen kappen. Wer einen Geschäftsprozess fest auf einen externen Dienst baut, übernimmt dieses Risiko mit.

Welches Risiko entsteht durch Abhängigkeit von US-Cloud-KI? 

Es entsteht ein doppeltes Risiko: rechtlich beim Datentransfer in Drittländer (Stichwort Schrems II) und operativ bei der Verfügbarkeit. Beides liegt außerhalb Ihrer Kontrolle. Für unkritische Aufgaben ist das vertretbar. Für Prozesse, die laufen müssen, oder für sensible Daten ist es ein Klumpenrisiko, das man bewusst bewerten und absichern sollte.

Wie schützt man sich gegen den Wegfall eines KI-Dienstes? 

Durch Unabhängigkeit an den richtigen Stellen: kritische Prozesse auf lokal betreibbare, offene Modelle stützen, Anbieter austauschbar halten statt sich fest zu verdrahten, und für die wichtigsten Anwendungsfälle einen Rückfallplan haben. Es geht nicht darum, Cloud-KI zu verteufeln, sondern darum, an den entscheidenden Punkten nicht erpressbar zu sein.

Heißt Unabhängigkeit, ganz auf Cloud-KI zu verzichten? 

Nein. Es geht um eine bewusste Aufteilung: Cloud-KI dort, wo sie günstig und unproblematisch ist, lokale und souveräne Lösungen dort, wo Daten sensibel sind oder ein Ausfall teuer wird. Die Kunst liegt in der richtigen Grenzziehung, nicht in einer Grundsatzentscheidung für oder gegen die Cloud.

[Passender Artikel: Wenn KI einfach abgestellt wird: Europa braucht Souveränität, hat sie aber nicht → ](/blog/ki-wird-abgestellt) 

### Die Vellmerk-Matrix: Warum der Impact wichtiger ist als der Aufwand

Was ist die Vellmerk-Matrix? 

Die Vellmerk-Matrix ist ein einfaches 2x2-Raster, das KI-Vorhaben nach Wirkung (Impact) und Aufwand einordnet. Daraus ergeben sich vier Felder: Quick Wins (hohe Wirkung, wenig Aufwand), strategische Wetten (hohe Wirkung, hoher Aufwand), Lückenfüller (geringe Wirkung, wenig Aufwand) und die Aufwandsfalle (geringe Wirkung, hoher Aufwand). Sie hilft, aus vielen Ideen die richtige Reihenfolge abzuleiten.

Wie priorisiere ich KI-Projekte richtig? 

Indem Sie zuerst nach Wirkung und Aufwand sortieren, nicht nach technischer Faszination. Starten Sie mit Quick Wins, die schnell sichtbaren Nutzen bringen und Vertrauen schaffen. Planen Sie strategische Wetten bewusst und mit Budget. Lückenfüller macht man nebenbei, und die Aufwandsfalle lässt man konsequent liegen. So entsteht Schwung statt Stillstand durch zu große erste Schritte.

Was ist der Unterschied zwischen Quick Wins und strategischen Wetten? 

Quick Wins liefern mit überschaubarem Aufwand schnell Wirkung, ideal für den Einstieg und zum Aufbau interner Akzeptanz. Strategische Wetten haben großes Potenzial, brauchen aber mehr Zeit, Budget und Risikobereitschaft. Beide haben ihren Platz, sollten aber nicht verwechselt werden: Wer eine strategische Wette als Quick Win plant, scheitert an den Erwartungen.

Warum nicht einfach mit dem technisch spannendsten Projekt starten? 

Weil das technisch spannendste Projekt oft in der Aufwandsfalle sitzt: viel Komplexität, wenig messbarer Geschäftsnutzen. Erste KI-Projekte sollten Wirkung zeigen, die das Umfeld versteht und schätzt. Faszination ist ein schlechter Ratgeber für Priorisierung, Wirkung pro Aufwand ist der bessere.

[Passender Artikel: Die Vellmerk-Matrix: Warum der Impact wichtiger ist als der Aufwand → ](/blog/vellmerk-matrix) 

### Daten sind nicht das neue Öl, sie sind das Fundament

Warum sind Daten wichtiger als das KI-Modell? 

Weil selbst das beste Modell nur so gut ist wie die Daten, auf denen es arbeitet. Modelle sind heute weitgehend austauschbare Bausteine, der eigentliche Wert steckt in Ihren Daten und deren Qualität. Schlechte, unvollständige oder unstrukturierte Daten führen zuverlässig zu schlechten Ergebnissen, egal wie leistungsfähig das Modell ist.

Was bedeutet Datenqualität für KI konkret? 

Datenqualität heißt: die Daten sind vorhanden, zugänglich, konsistent, aktuell und ausreichend strukturiert für den geplanten Anwendungsfall. Dazu gehört auch, dass klar ist, was die Daten bedeuten und woher sie stammen. Für KI zählt nicht die größte Datenmenge, sondern die für die Aufgabe passende und verlässliche Datenbasis.

Müssen erst alle Daten perfekt sein, bevor KI starten kann? 

Nein, und darauf zu warten wäre ein Fehler. Sie brauchen keine perfekte, unternehmensweite Datenbasis, sondern eine ausreichend gute Datengrundlage für den konkreten ersten Anwendungsfall. Datenarbeit und KI-Einführung laufen am besten parallel: Man startet fokussiert, lernt, und verbessert die Datenbasis dort weiter, wo es sich auszahlt.

Was ist der erste Schritt zu einer KI-tauglichen Datenbasis? 

Sich einen ehrlichen Überblick verschaffen: Welche Daten gibt es, wo liegen sie, in welcher Qualität, und wer darf sie nutzen? Erst aus dieser Bestandsaufnahme ergibt sich, welcher Anwendungsfall realistisch zuerst funktioniert. Häufig ist der größte Hebel nicht ein neues Tool, sondern Ordnung und Zugang zu bereits vorhandenen Daten.

[Passender Artikel: Daten sind nicht das neue Öl, sie sind das Fundament → ](/blog/daten-als-fundament) 

### KI: So viel wie nötig, so wenig wie möglich

Wann reicht regelbasierte Automatisierung und wann braucht es KI? 

Solange ein Prozess klaren, stabilen Regeln folgt, ist regelbasierte Automatisierung meist die bessere Wahl: günstig, nachvollziehbar und zuverlässig. KI lohnt sich erst, wenn Eingaben unstrukturiert oder mehrdeutig sind, etwa Freitext, Bilder oder Handschrift, oder wenn der Prozess Einschätzung erfordert. Die ehrliche Frage ist immer: Braucht dieser Schritt wirklich KI, oder reicht eine klare Regel?

Was sind die drei Stufen der Automatisierung? 

Erstens regelbasierte Automatisierung für klar definierte Abläufe. Zweitens KI-unterstützte Prozesse, bei denen ein Modell unstrukturierte Eingaben verarbeitet oder Vorschläge macht, der Rahmen aber fest bleibt. Drittens autonome KI-Agenten, die eigenständig recherchieren, entscheiden und handeln. Jede Stufe bringt mehr Möglichkeiten, aber auch mehr Aufwand für Governance und Qualitätssicherung.

Woran erkenne ich, dass ein Prozess einen KI-Agenten braucht? 

Wenn mehrere Schritte, wechselnde Bedingungen und eigenständige Entscheidungen zusammenkommen und sich der Ablauf nicht sinnvoll in feste Regeln gießen lässt. Solange ein Workflow oder ein Modell mit festem Rahmen ausreicht, ist ein Agent unnötiger Aufwand. Agenten sind das richtige Werkzeug für offene, mehrstufige Aufgaben, nicht für jede Automatisierung.

Was ist der häufigste Fehler beim KI-Einsatz zur Automatisierung? 

KI dort einzusetzen, wo eine einfache Regel genügt hätte. Das macht den Prozess teurer, schwerer nachvollziehbar und fehleranfälliger, ohne echten Mehrwert. Gute Automatisierung nutzt nur so viel KI wie nötig und so viel klare Regel wie möglich.

[Passender Artikel: KI: So viel wie nötig, so wenig wie möglich → ](/blog/automatisierung-ki-richtig-einsetzen) 

### OCR, HTR, ICR, Was Ihr Unternehmen über Texterkennung wissen muss

Welche Texterkennung brauche ich für meine Dokumente? 

Das hängt vom Material ab. Für sauberen Druck genügt klassische OCR. Für schwierige, gemischte oder schlecht gescannte Vorlagen ist ICR mit KI-Methoden robuster. Für Handschrift braucht es HTR mit eigenen Modellen. In der Praxis werden die Verfahren meist kombiniert. Welche Mischung passt, zeigt am verlässlichsten ein kurzer Test mit Ihren echten Dokumenten.

Wie genau ist Handschrifterkennung heute? 

Deutlich besser, als viele erwarten. Moderne HTR-Pipelines erreichen bei durchschnittlicher Handschrift Fehlerraten auf Zeichenebene unter fünf Prozent, oft besser. Entscheidend ist, die Pipeline auf Ihre tatsächlichen Dokumente zu trainieren statt auf Labordaten. Die belastbare Antwort liefert immer ein Proof of Concept mit Ihren echten Scans.

Lohnt sich KI-Texterkennung auch für kleine Dokumentenmengen? 

Oft ja, aber nicht immer. Bei kleinen, einmaligen Mengen kann manuelle Erfassung günstiger sein. Sobald Dokumente regelmäßig und in Menge anfallen, oder wenn aus ihnen strukturierte, weiterverarbeitbare Daten entstehen sollen, zahlt sich eine automatisierte Pipeline schnell aus. Den Kipppunkt rechnet man am besten konkret durch.

Muss ich meine Dokumente in die Cloud geben, um sie zu erkennen? 

Nein. Gerade bei sensiblen Unterlagen wie Anträgen, Akten oder Gesundheitsdaten lässt sich die gesamte Erkennungs-Pipeline lokal betreiben, ohne dass ein Dokument Ihr Haus verlässt. Cloud-Dienste sind eine Option für unkritisches Material, aber keine Voraussetzung für gute Ergebnisse.

[Passender Artikel: OCR, HTR, ICR, Was Ihr Unternehmen über Texterkennung wissen muss → ](/blog/ocr-htr-icr-leitfaden) 

### Warum auch OpenAI Berater einstellt, und was das für Ihre KI-Strategie bedeutet

Warum braucht es noch Berater, wenn KI so leistungsfähig ist? 

Weil das Modell die Technik liefert, nicht die Übersetzung in Ihren Kontext. Die eigentliche Arbeit liegt darin, den richtigen Anwendungsfall zu finden, Prozesse, Daten und Menschen zusammenzubringen und die Lösung verlässlich in den Betrieb zu führen. Genau das leistet kein Modell von selbst, und genau deshalb steigt der Beratungsbedarf mit der Leistungsfähigkeit der KI, statt zu sinken.

Was bedeutet es, dass sogar OpenAI Berater einstellt? 

Es zeigt, dass selbst der Hersteller der Modelle weiß: Die Technologie allein erzeugt keinen Geschäftsnutzen. Es braucht Menschen, die zwischen Anwendungsfall und Werkzeug übersetzen, Anforderungen schärfen und Umsetzung begleiten. Wenn der Anbieter der besten Modelle dafür Beratung aufbaut, ist das ein deutliches Signal an alle anderen.

Ersetzt KI die Strategieberatung? 

Sie verändert sie, ersetzt sie aber nicht. KI entwertet das reine Zusammentragen und Aufbereiten von Wissen, also klassische Folienarbeit. Aufgewertet wird dagegen, was KI nicht kann: Verantwortung übernehmen, Kontext verstehen, zwischen Beteiligten vermitteln und Umsetzung verbindlich liefern. Beratung verschiebt sich von der Analyse zur Umsetzung.

Was leistet ein KI-Berater, das ein Modell nicht kann? 

Den passenden Anwendungsfall identifizieren, ehrlich sagen, wann KI nicht die richtige Lösung ist, Datenschutz und Governance mitdenken, und die Lösung von der Idee bis in den stabilen Betrieb bringen. Ein Modell antwortet auf Fragen, ein Berater übernimmt Verantwortung für das Ergebnis.

[Passender Artikel: Warum auch OpenAI Berater einstellt, und was das für Ihre KI-Strategie bedeutet → ](/blog/warum-openai-berater-einstellt) 

### Kein Kollaps, ein Umbruch: Wie KI das Beratungsgeschäft neu sortiert

Steht die Beratungsbranche vor dem Kollaps? 

Nein, eher vor einem Umbruch. Das Bild vom Consulting Collapse ist zugespitzt. Was wirklich passiert: Der Markt verschiebt sich weg von dicken Foliensätzen und Jahres-Roadmaps hin zu schneller, greifbarer Umsetzung in Wochen. Beratung, die nur Wissen aufbereitet, gerät unter Druck. Beratung, die liefert, gewinnt.

Wie verändert KI die Beratung konkret? 

KI übernimmt Recherche, Aufbereitung und Standardanalysen, die früher einen Großteil der Beraterzeit gefüllt haben. Dadurch sinkt der Wert reiner Wissensarbeit und steigt der Wert von Umsetzung, Urteilsvermögen und Verantwortung. Projekte werden kleiner geschnitten, schneller und stärker am messbaren Ergebnis orientiert.

Was bedeutet der Umbruch für KMU und Verwaltung? 

Gute Nachrichten: Hochwertige Beratung wird zugänglicher. Schlanke, umsetzungsstarke Anbieter können heute Ergebnisse liefern, die früher großen Häusern mit großen Budgets vorbehalten waren. Für KMU und öffentliche Verwaltung heißt das: pragmatische, bezahlbare KI-Projekte mit sichtbarem Nutzen statt teurer Strategiepapiere.

Worauf sollte man bei der Beraterwahl im KI-Zeitalter achten? 

Darauf, dass jemand nicht nur berät, sondern auch baut. Fragen Sie nach konkreten umgesetzten Projekten, nach Umgang mit Datenschutz und nach der ehrlichen Einschätzung, wann KI nicht die richtige Lösung ist. Foliensicherheit allein ist im KI-Zeitalter zu wenig.

[Passender Artikel: Kein Kollaps, ein Umbruch: Wie KI das Beratungsgeschäft neu sortiert → ](/blog/consulting-umbruch-ki) 

### ki-pause-narrativ

Steht die KI-Entwicklung vor einer Pause? 

Vieles spricht dagegen, dass es eine echte technologische Pause gibt. Das Pause-Narrativ ist vor allem ein Finanz- und Erwartungsmanagement-Thema, kein technisches. Für Entscheider ist die relevante Frage ohnehin nicht, ob die Branche pausiert, sondern ob die heute verfügbaren Werkzeuge für ihren Anwendungsfall reif genug sind. Das sind sie in vielen Fällen längst.

Was sagen OpenAIs geleakte Zahlen wirklich aus? 

Die geleakten Zahlen für 2025 zeigen ein profitables Produktgeschäft und zugleich ein milliardenteures Wettrennen: rund 13 Milliarden Dollar Umsatz stehen Gesamtkosten von etwa 34 Milliarden gegenüber, davon allein gut 19 Milliarden für Forschung und Entwicklung. Anders gesagt: Das Produkt trägt sich, der Vorsprung im Rennen kostet das Geld.

Ist das Produktgeschäft von KI profitabel? 

Den Zahlen nach ja. Der laufende Betrieb der Produkte deckt seine Kosten. Die roten Zahlen entstehen durch Investitionen in das nächste Modell und die Infrastruktur, also durch das Rennen um die Spitze, nicht durch das Produkt selbst. Diese Unterscheidung ist wichtig, wenn man Schlagzeilen über Verluste einordnet.

Was sollten Entscheider aus dem Pause-Narrativ mitnehmen? 

Nicht auf eine vermeintliche Pause warten. Die heute verfügbaren Modelle reichen für die allermeisten geschäftlichen Anwendungsfälle aus. Wer jetzt fokussiert in Umsetzung investiert, statt auf die nächste Stufe zu warten, baut Vorsprung auf. Geschäftlicher Nutzen entsteht aus Anwendung, nicht aus dem neuesten Benchmark.

[Passender Artikel: ki-pause-narrativ → ](/blog/ki-pause-narrativ) 

### Aus KI Learn & Consult wird Vellmerk.ai: aus Dänemark für Europa

Warum wurde aus KI Learn & Consult Vellmerk.ai? 

Der neue Name bündelt das Profil klarer: KI-Beratung mit Umsetzungstiefe, getragen von einer Person mit klarem Werdegang. Vellmerk.ai steht für den nächsten Schritt nach dem Wechsel in die volle Selbstständigkeit, mit geschärftem Fokus auf souveräne, praxisnahe KI-Beratung.

Was ändert sich durch den Umzug nach Dänemark für Kunden? 

Für die Zusammenarbeit ändert sich wenig, für den Datenschutz nichts zum Nachteil. Vellmerk.ai ist eine dänische ApS, arbeitet aber weiterhin für den deutschsprachigen Raum und setzt auf EU-Datenhaltung und DSGVO-Konformität. Beratung erfolgt flexibel: remote, hybrid oder vor Ort.

Bleibt der DACH-Raum weiter im Fokus? 

Ja. Deutschland, Österreich und die Schweiz bleiben Kernmärkte, ergänzt um Dänemark und internationale Projekte. Inhalte erscheinen dreisprachig in Deutsch, Englisch und Dänisch. Die Nähe zu KMU und öffentlicher Verwaltung im deutschsprachigen Raum bleibt zentral.

Was bedeutet souveräne KI-Beratung bei Vellmerk.ai? 

Souverän heißt: Lösungen, die Sie kontrollieren können. Wo es auf Datenschutz und Unabhängigkeit ankommt, setzen wir auf lokale und On-Premise-KI, EU-Datenhaltung und Anbieterunabhängigkeit. Statt Sie in eine Abhängigkeit zu führen, bauen wir Lösungen, die Ihnen gehören.

[Passender Artikel: Aus KI Learn & Consult wird Vellmerk.ai: aus Dänemark für Europa → ](/blog/vellmerk-ai-naechster-schritt) 

## Ihre Frage ist nicht dabei?

Schreiben Sie uns, wir antworten in der Regel innerhalb von zwei Werktagen und freuen uns, wenn Ihre Frage zukünftige Besucher weiterbringt. 

[Frage stellen](/contact)