Generative KI und LLM-Entwicklung auf Ihren eigenen Daten

Wer KI programmieren lassen will, braucht mehr als einen Modellaufruf. Wir bauen die Pipelines, die Sprachmodelle im Unternehmen nützlich machen: Ihre Dokumente einlesen, die passenden Passagen finden, strukturierte Ergebnisse liefern und mit Zahlen belegen, dass die Qualität für den täglichen Einsatz reicht.

Kurz gesagt

elitics übernimmt die KI-Entwicklung für Unternehmen, mit einem Senior-Team in Prishtina, Kosovo. Wir bauen LLM-Systeme auf Ihren eigenen Daten: RAG-Suche mit Quellenangaben, Extraktion aus Dokumenten, Zusammenfassungen und Textgenerierung, jeweils gemessen an einem vereinbarten Testset. Außerdem helfen wir bei der Modellwahl und bei der Frage, ob sich Fine-Tuning lohnt. Abgerechnet werden 45–65 € pro Engineer-Stunde, oder Sie beginnen mit einem Pilot zum Festpreis.

pro Engineer-Stunde für LLM- und RAG-Projekte
45–65 €
jede Antwort verweist auf die Passage, aus der sie stammt
Quellen
vor der Entwicklung vereinbart und bei jeder Änderung neu ausgeführt
Testset
zuerst unterzeichnet; Code, Prompts und Indizes gehören Ihnen
NDA + IP

Generative KI-Systeme, die wir entwickeln

RAG-Suche über Unternehmenswissen
Richtlinien, Verträge, technische Handbücher und abgeschlossene Tickets werden in normaler Sprache durchsuchbar, mit hybrider Stichwort- und Vektorsuche, Quellenangaben und Zugriffsregeln, sodass jeder nur Dokumente findet, die er auch öffnen darf.
Extraktion aus Dokumenten
Rechnungen, Verträge, Lieferscheine und Versicherungsformulare werden zu strukturierten Feldern, die gegen ein Schema geprüft werden. Unsichere Werte gehen an eine prüfende Person statt direkt in Ihre Systeme.
Zusammenfassungen in großer Menge
Lange Berichte, Gesprächsprotokolle und Fallakten werden zu Kurzfassungen nach festem Schema verdichtet, sodass Leser dieselben Abschnitte immer an derselben Stelle finden.
Textgenerierung nach Ihren Regeln
Produktbeschreibungen, Angebotsentwürfe und lokalisierte Varianten entstehen aus Ihren Daten und Ihrem Styleguide, mit einer redaktionellen Prüfung, bevor etwas veröffentlicht wird.
Klassifizierung und Verschlagwortung
Eingehende E-Mails, Dokumente und Rückmeldungen werden nach Thema, Dringlichkeit oder Stimmung sortiert, in Mengen, bei denen manuelles Sortieren nicht mehr mithält.

Was ein Projekt mit generativer KI umfasst

Der Aufruf des Modells ist nur ein kleiner Teil des Systems. Die Qualität der Ergebnisse hängt vor allem von der Datenpipeline davor und der Messung rundherum ab.

Einlesen und Indexieren
PDFs, Scans, Tabellen und HTML werden geparst, entlang der Dokumentstruktur in Abschnitte zerlegt, mit Metadaten wie Verantwortlichen, Datum und Zugriffsgruppe versehen und regelmäßig neu in Pinecone oder Weaviate indexiert.
Evaluation mit Ihren Fachleuten
Ein Testset aus echten Fragen und Dokumenten, ausgewertet nach Trefferquote der Suche, Quellentreue der Antworten und Genauigkeit je extrahiertem Feld, mit einem Bericht zu jedem Release.
Modellwahl und Entscheidung über Fine-Tuning
Zwei oder drei Modelle werden auf Ihren Aufgaben nach Qualität, Latenz und Preis verglichen. Fine-Tuning schlagen wir nur vor, wenn die Evaluation eine Lücke zeigt, die Prompts und Retrieval nicht schließen.
Kosten und Antwortzeiten im Griff
Caching wiederholter Anfragen, kleinere Modelle für einfache Schritte, Batch-Verarbeitung für Aufgaben ohne Zeitdruck und ein Token-Budget pro Anfrage, damit die Monatsrechnung planbar bleibt.

So beginnt ein Projekt

  1. 01

    Ein Gespräch von 30 Minuten

    Sie beschreiben Produkt, Termin und Ihr bestehendes Team. Sie sprechen mit einem Engineering Lead, nicht mit dem Vertrieb.

  2. 02

    Angebot innerhalb von 24 Stunden

    Umfang, Team, Zeitplan und Preis schriftlich, als Festpreis oder als monatliches Team.

  3. 03

    Start in etwa 48 Stunden

    Sobald Sie die Engineers freigegeben haben, werden NDA und IP-Übertragung unterzeichnet und das Team in Ihren Repositories und Tools eingerichtet.

  4. 04

    Zwei Wochen Testphase

    Sind Sie nicht zufrieden, zahlen Sie diese zwei Wochen nicht. Wer nicht passt, wird ohne Mehrkosten ersetzt.

Fragen an einen Anbieter für generative KI-Entwicklung

Eine Demo mit zehn handverlesenen Dokumenten beweist wenig. Diese Fragen zeigen, ob ein Anbieter das System über Ihr gesamtes Archiv hinweg belastbar machen kann.

  1. 01

    Wie testen Sie die Antwortqualität auf unseren Dokumenten?

    Eine überzeugende Antwort beschreibt ein Testset aus echten Fragen, getrennte Werte für die Suche und die generierte Antwort sowie Zahlen, die Sie vor dem Go-live sehen und nicht erst danach.

  2. 02

    Sollen wir ein Modell feinabstimmen oder auf Retrieval setzen?

    Gut ist ein „kommt auf die Aufgabe an“: Retrieval für Fakten, die sich ändern oder eine Quelle brauchen, Fine-Tuning für Format und Konsistenz bei einer eng umrissenen Aufgabe, dazu die Kosten, ein angepasstes Modell aktuell zu halten.

  3. 03

    Wie berücksichtigt das System unsere Dokumentberechtigungen?

    Zugriffsfilter sollten aus dem Quellsystem stammen, schon bei der Suche greifen statt erst nach der Generierung und mit Konten unterschiedlicher Rollen getestet werden.

  4. 04

    Was kostet jede Anfrage, und wie ändert sich das bei wachsendem Volumen?

    Erwarten Sie eine Schätzung pro Anfrage auf Basis gemessener Token-Mengen und eine Liste von Stellschrauben wie Caching, Routing und kürzerem Kontext.

  5. 05

    Was passiert, wenn ein Quelldokument geändert oder gelöscht wird?

    Die Pipeline sollte Änderungen inkrementell neu indexieren, gelöschte Inhalte aus dem Index entfernen und Versionen aufbewahren, damit sich eine frühere Antwort auf den Text zurückführen lässt, den sie verwendet hat.

Ihr Einstieg

RAG- oder Extraktions-Pilot zum Festpreis
Eine Dokumentensammlung, ein mit Ihren Fachleuten vereinbartes Testset und eine Go/No-Go-Entscheidung, die sich auf Messwerte stützt statt auf Eindrücke.
KI-Duo aus KI- und Full-Stack-Engineer
Zwei Engineers liefern gemeinsam die Einlese-Pipeline, die API und die Oberfläche, in der Ihre Mitarbeitenden die Ergebnisse tatsächlich nutzen.
Dediziertes Squad mit Data Engineering
Ab 15.000 € pro Monat, für mehrere Anwendungsfälle generativer KI, die eine Einlese-Schicht, einen Suchindex und eine gemeinsame Evaluationsumgebung teilen.

So arbeiten Sie mit uns

Staff Augmentation

Senior Engineers, die an Ihren Stand-ups teilnehmen und mit Ihren Tools arbeiten.

Passt, wenn

Sie haben eine Roadmap und benötigen zusätzliche Kapazität oder spezifisches Know-how.

Dediziertes Team

Ein cross-funktionales Team (Produkt, Engineering, QA, DevOps), das Verantwortung für ein Produkt oder Feature übernimmt.

Passt, wenn

Sie möchten ein Produkt entwickeln oder neu aufbauen lassen, ohne Ihr eigenes Team zu vergrößern.

Build-Operate-Transfer

Ihr eigenes Entwicklungszentrum im Kosovo, von uns aufgebaut und betrieben.

Passt, wenn

Sie planen eine langfristige Engineering-Präsenz in Europa.

Zur vollständigen Leistung: KI-Entwicklung & Machine Learning für Unternehmen

Häufige Fragen

Was kostet generative KI-Entwicklung?

Die Entwicklung wird mit 45–65 € pro Engineer-Stunde abgerechnet. Pilotprojekte haben einen Festpreis, den wir nach Sichtung einer Stichprobe Ihrer Dokumente nennen, und ein MVP beginnt bei 15.000 €. Zusätzlich schätzen wir die Modellkosten pro Anfrage, denn sie bestimmen das laufende Budget, sobald das System live ist.

Werden unsere Dokumente zum Training fremder Modelle genutzt?

Nein. Wir wählen die Optionen des Anbieters so, dass Ihre Prompts und Dokumente nicht ins Modelltraining einfließen, betreiben Index und Vektordatenbank in Ihrem AWS- oder GCP-Konto und lassen Produktivdaten durchgehend in Ihrer Umgebung.

Welche LLMs und Werkzeuge setzen Sie ein?

Meist Gemini und die OpenAI API, LangChain für Pipelines, Pinecone oder Weaviate für die Vektorsuche und Python mit FastAPI für die Services. Wir bauen auf dem Anbieter auf, den Ihr Unternehmen freigegeben hat, und halten den Code modellunabhängig.

Brauchen wir Fine-Tuning für gute Ergebnisse?

Zu Beginn meist nicht. Retrieval und sorgfältig gestaltete Prompts decken die meisten Anforderungen ab. Zeigt die Evaluation bei einer eng umrissenen Aufgabe eine dauerhafte Lücke in Format, Ton oder Geschwindigkeit, rechtfertigt das den Trainings- und Pflegeaufwand für Fine-Tuning.

Können Sie mit gescannten Dokumenten und komplexen Tabellen arbeiten?

Ja. Scans durchlaufen zuerst eine Texterkennung (OCR), danach erhält ein layoutbewusstes Parsing Überschriften, Tabellen und Lesereihenfolge. Tabellenzellen werden als strukturierte Daten extrahiert, und die Genauigkeit wird je Feld gemessen, damit Schwachstellen sichtbar werden.

Lassen Sie uns bauen, was als Nächstes kommt.

Sagen Sie uns, was Sie entwickeln oder skalieren möchten. Sie erhalten innerhalb von 24 Stunden ein Angebot mit Aufwandsschätzung.

Oder schreiben Sie uns direkt

hello@elitics.io+383 49 171 069

Dukagjini Center, Prishtina, Kosovo