GST LogoGS Technik GmbH
GST

KI-Integration in Prozesse

KI wird produktiv, wenn sie an echte Daten, Rollen und Prozesse angeschlossen ist. Wir integrieren Multi-Provider-LLMs, MCP-Tools, RAG-Wissenssuche und Workflow-Automatisierung — provider-unabhängig und nachweisbar.

Provider, Gateway & Stack

Provider-unabhängig
Multi-Provider-LLM-Routing über zentrales Gateway
RAG-Architektur mit Quellenbezug und Citations
Workflow-Automatisierung mit LLM-Schritten

Konkrete Use-Cases

Interner Assistent mit RAG

Hybrid Search über Confluence, Paperless-ngx, Sharepoint oder eigene Wissensbasis — Antworten mit Quellenangabe und Rollenfilterung.

Dokumentenklassifikation

Eingehende Rechnungen, Verträge und Tickets werden automatisch getaggt, zugeordnet und an die richtige Rolle gemeldet — Beispiel: Paperless-AI-Tagger im produktiven Betrieb.

Eigener MCP-Server

Datenbank-Tools, Branchenlogik, Webhooks als MCP-Tools — nutzbar mit Claude Code, Codex, Cursor und eigenem Agenten.

Workflow-Automatisierung mit LLM-Schritt

n8n-Flows mit LLM-Stufe für Mailrouting, Reklamations-Klassifikation, Vorgangs-Eskalation und Reporting.

Provider-Gateway

Bifrost/OpenRouter als Vermittler — ein Endpunkt für viele Modelle, Logging, Budget und Failover. Lock-in-frei.

Trading & Marktintelligenz (intern)

Eigener Daytrader-Stack mit Claude/GPT-Preprocessing zeigt: produktiver Multi-Provider-Betrieb funktioniert auch unter Latenz-Druck.

README

  • Multi-Provider-LLMs: Anthropic Claude, OpenAI, Mistral AI, Google AI Studio, OpenRouter, lokale Modelle
  • Google Vertex AI als DSGVO-konformer Layer mit EU-Region und Enterprise-Datenkontrolle
  • MCP-Server für eigene Daten und Werkzeuge
  • RAG mit Hybrid Search & Quellenangaben
  • Workflow-Automatisierung über n8n, Webhooks, GPT Actions
  • AI-Agents mit klaren Rollen und Audit-Spur

Wann lohnt sich das?

  • Mitarbeitende nutzen ChatGPT, aber ohne Anbindung an interne Daten
  • Wissens- und Dokumentensuche kostet täglich Zeit
  • Wiederkehrende Routinen sollen mit LLM-Schritt automatisiert werden
  • Eigene Daten/Werkzeuge sollen für Claude/Codex/Copilot via MCP nutzbar werden

Einstiegspakete

KI-Use-Case-Check

Festpreis-Bewertung: Was ist heute machbar, wo lauert Risiko, was zuerst pilotieren.

RAG-/MCP-Pilot

Lauffähiger Pilot über 4–8 Wochen — Quellen, Rollen, Citations, Pilotnutzer.

Produktive Integration

Rollout, Governance, Schulung, Betrieb — mit klarem Wartungsvertrag.

Für wen

  • Mittelstand mit ERP, Office 365, Ticket- und Dokumenten-Stack
  • Unternehmen, die ChatGPT bereits nutzen, aber Datenkontrolle und Quellen brauchen
  • Behörden und KMU mit eigenen Wissens- und Verfahrensdaten

Typische Projekte

  • Interner Assistent mit RAG über Confluence/Paperless/Sharepoint
  • Dokumentenklassifikation und automatisches Tagging in Paperless-ngx
  • Eigener MCP-Server für Datenbank- oder Branchenlogik
  • n8n-Workflows mit LLM-Schritten für Mailrouting, Reporting, Eskalation
  • Provider-Gateway via Bifrost/OpenRouter für Kosten- und Modell-Steuerung

Lieferumfang

  • KI-Use-Case-Check mit Risiko/Nutzen-Bewertung
  • Provider-Auswahl und Architektur-Skizze
  • Funktionierender RAG/MCP/Agent-Pilot
  • Betriebsdoku, Richtlinie und Schulung

Was wir brauchen

  • Beschreibung des Use-Cases in eigenen Worten
  • Zugang zu relevanten Daten- und Tool-Quellen
  • Datenschutz-/Compliance-Ansprechpartner

Risiken & Rechtliches

  • Halluzinationen ohne Quellen-Bezug — wir lösen das mit RAG + Citations
  • Datenschutz bei Cloud-LLMs — DSGVO-Layer über Google Vertex AI (EU-Region) oder lokale Modelle
  • EU-KI-VO Art. 4 Schulungspflicht — wir liefern AI-Literacy mit

Wartung & Betrieb

  • Provider-Gateway mit Logging und Kostenbudget pro Tool
  • Update-Strategie für Modelle und Prompts
  • Monitoring von Antwortqualität, Latenz und Fehlerrate

Ablauf

  1. Schritt 1
    Use-Case-Check

    Anwendungsfälle, Datenquellen, Risiken, Erfolgsmaß.

  2. Schritt 2
    Architektur

    Provider-Auswahl, Gateway, RAG/MCP, Datenfluss, Compliance.

  3. Schritt 3
    Pilot

    Pilotnutzer, Iteration, Bewertung gegen Erfolgsmaß.

  4. Schritt 4
    Rollout

    Schulung, Richtlinie, Monitoring, Betrieb.

Referenzprojekte

rising-gods/gameserver-core · im Betrieb
High-Performance DB-Cluster für Gameserver

Multi-Site-Plattformbetrieb über zwei Rechenzentren (OVH Frankfurt + Hetzner Falkenstein) mit High-Performance-DB-Cluster, optimierten Server-Komponenten, Container-Stack und kontinuierlicher Betriebsbetreuung.

sichtfelder/touch-stelen · im Betrieb
Sichtfelder — Touch-Stelen-Steuerung

Steuerungs-Stack mit zentralem Inhalts-Push, Monitoring und Hardware-Pflege.

FAQ

Welche Anbieter nutzen Sie?

Wir sind provider-unabhängig: Anthropic Claude, OpenAI, Mistral AI, Google AI Studio, OpenRouter und lokale Modelle. Für DSGVO-sensitive Workloads setzen wir auf Google Vertex AI mit EU-Region und Enterprise-Datenkontrolle. Auswahl je Use-Case nach Kosten, Datenschutz, Latenz und Qualität.

Was ist MCP und warum ist das wichtig?

Model Context Protocol — ein offener Standard, mit dem LLMs sicher auf Tools, Daten und Aktionen zugreifen. Wir bauen eigene MCP-Server für Branchenlogik (z. B. Deribit, GST-spezifische Tools) und integrieren MCP-Clients wie Claude Code, Codex und Cursor.

Bleiben unsere Daten beim Anbieter?

Konfigurationssache. Für vertrauliche Daten setzen wir auf Google Vertex AI mit EU-Region und Customer-Managed Encryption Keys, datenschutzkonforme APIs mit Zero Data Retention oder lokale Modelle. Architektur und Verträge wählen wir gemeinsam.

Erfüllt das Art. 4 EU-KI-VO?

Ja. Wir liefern AI-Literacy-Schulungen, KI-Inventur und Governance-Dokumente. Bei Bedarf übernehmen wir die Rolle des externen AI-Officers.

Externe Spezialseiten