Maßgeschneiderte KI-Workflows
Wir bauen KI-Systeme um Ihre Prozesse herum, nicht andersherum. Vom Use Case bis zur produktiven Pipeline.
KI Engineering
KI produktiv.
Maßgeschneiderte KI-Systeme für Unternehmen: LLM-Integration, RAG und autonome Agenten, lokal und on-premise betrieben. Ihre Daten bleiben, wo sie sind. Ihre Agenten arbeiten bei Ihnen.
Im Einsatz bei
Leistungen & Ablauf.
KI-Systeme, die in Ihre bestehenden Prozesse passen und produktionsreif laufen — in vier Schritten vom Use Case bis zum produktiven Betrieb.
Produktionsreife Architektur
KI-Pipelines mit Modell-Serving, Monitoring und definierten SLAs. Gebaut für den Dauereinsatz, nicht nur für die Demo.
Ihr Lernen bleibt im Haus
On-premise und DSGVO-konform. Und mehr als das: Was Ihre Leute und Prozesse lernen, fließt in Ihre eigenen Systeme zurück. Nicht in das Modell eines Drittanbieters.
Agentic Tooling für Dev-Teams
Wir bringen KI-Coding-Agenten in Ihren Entwicklungsalltag: Skills, Extensions und AGENTS.md-Workflows, abgestimmt auf Ihre Codebasis und Prozesse. Grundlage ist skale-skills, unser offenes Pi-Paket.
- 1
Analyse
Use Cases, Datenlage und Prozesse verstehen. Wir prüfen, ob KI das Problem wirklich löst.
- 2
Prototyp
Ein MVP mit Ihren echten Daten. Schnell validierbar, bevor teure Infrastruktur entsteht.
- 3
Integration
Anbindung an bestehende Systeme. Produktionssicher, dokumentiert, mit Monitoring.
- 4
Betrieb & Lern-Loop
Wartung und Updates inklusive kontinuierlichem Besserwerden: Was im Einsatz auffällt, fließt als Verbesserung zurück. Das System wird mit der Zeit wertvoller, nicht älter.
Alles im Detail auf der SeiteKI Engineering: Leistungen, Technologie und Projektablauf.
Aus der Praxis.
Konkrete Probleme, konkrete Modelle. Zwei Beispiele aus laufenden Implementierungen.
Rechnungserkennung
Rechnungen automatisch strukturieren
Mehrseitige Rechnungen werden gescannt, verstanden und in ein standardisiertes Format überführt. Vollständig lokal, ohne dass Daten das Unternehmen verlassen.
- Qwen 3.6 35B (lokal)
- Vision-Layout-Erkennung
- Strukturierte JSON-Ausgabe
- On-premise Infrastruktur
Schwierige Dokumente
Auch dort, wo OCR versagt
Formulare, handschriftliche Notizen, eingescannte Akten. Die KI erkennt den Inhalt auch bei schlechter Qualität und liefert strukturierte Daten aus Chaos.
- Multimodale Dokumentenanalyse
- Handschriftenerkennung (HTR)
- Semantische Extraktion
- Workflow-Integration
Agentic Coding.
Agentic Engineering ist unser Kern: Wir entwickeln Skills und Extensions für Coding-Agenten und bringen sie in Ihren Entwicklungsalltag. Was dabei entsteht, fließt in ein offenes Paket zurück.
Skill- & Extension-Entwicklung
Eigene Skills und pi-Extensions für Ihren Agenten-Stack, abgestimmt auf Codebasis und Prozesse. Beispiel: unser offenes Paket
- Skill-EntwicklungSKILL.md nach agentskills.io-Format
- Extension-Entwicklungpi-Extensions mit TypeBox-Schema
pi install git:github.com/devskale/skale-skills- fetch-urlpiLesbaren Text von jeder Webseite holen: Artikel, Docs, Reddit, GitHub, StackOverflow.
- web-searchpiWebsuche über SearXNG und Duck API. Bilder, News, Videos. Funktioniert ohne Konfiguration.
- surfpiDein echtes, eingeloggtes Chrome auf macOS steuern: scrapen, klicken, ausfüllen, Screenshots. Ohne Daemon, ohne Debug-Port.
- impeccable.agentsDesign-Skill: Frontend-UI formen, kritisieren, härten und polieren, mit Anti-Pattern-Detektor. Cross-Harness.
- improve-architecture.agents/skillsArchitektur-Review-Familie: Deepening-Chancen scannen, HTML-Report, Grill-Durchgang. Installiert 7 Skills (inkl. batch-grill-me) nach .agents/skills/. Von @mattpocock.
- implement.agents/skillsArbeit aus Spec oder Tickets umsetzen: TDD an den Nähten, Typecheck unterwegs, /code-review am Ende. Installiert implement + tdd + code-review. Von @mattpocock.
- visualizeJedes Thema als EINE eigenständige HTML-Seite — House-Skin mit 4 Flavors, parallele Quality-Gates, AI-Slop-Lint (fail-closed), stabile Share-URLs (Re-Share editiert in place).
- webpiDas Web-Recherche-Bundle: fetch-url, web-search und surf in einem Install.
Alle Skills ansehen 8 Skills, je ein Einzeiler-Install
Referenz für Skill-Design: die Familie von @mattpocock (improve-architecture, implement), in dieser Liste enthalten.
LoL — das Leaderboard der Leaderboards.
Modelle sind austauschbar. Was zählt, ist zu wissen, welches Board die Wahrheit misst.
Die Top-Modelle jeder Kategorie — Intelligenz, Terminal-Agents, Decision-Modelle, Speech-to-Text — aus den Boards, die wir selbst für Modellwahl und Architekturempfehlungen heranziehen.
| # | Modell | LLM-IntelligenzAA Intelligence Index v4.3.2 |
|---|---|---|
| 1 |  Claude Opus 5.5 (max)Anthropic | 58 |
| 2 | Claude Sonnet 5.5 (max)Anthropic | 56 |
| 3 | Claude Opus 5.5 (high)Anthropic | 55 |
| 4 | Claude Fable 5.1 (max)Anthropic | 54 |
| 5 |  GPT-6 Astra (max)OpenAI | 53 |
| 6 |  Gemini 4 Argon (high)Google | 52 |
| 7 | GPT-6.1 Sol (max)OpenAI | 51 |
| 8 | Claude Opus 5.5 (medium)Anthropic | 50 |
Quelle: Artificial Analysis
Embedding-Modelle
MTEB (Overall)
| 1 | Gemini Embedding 001Google | 68.3 |
| 2 |  Qwen3-Embedding-8BAlibabaopen | 67.9 |
| 3 |  NV-Embed-v2NVIDIAopen | 67.3 |
| 4 | Voyage-Large-2Voyage AI | 67.0 |
| 5 | Cohere Embed v4Cohere | 66.7 |
| 6 | text-embedding-3-largeOpenAI | 66.5 |
| 7 | BGE-Large-v2BAAIopen | 65.9 |
Terminal-Agents
Terminal-Bench 4.0
| 1 | Claude Sonnet 5.5Anthropic | 70.6 |
| 2 | Claude Opus 5.5Anthropic | 66.4 |
| 3 | Claude Mythos 5.1Anthropic | 60.9 |
| 4 | GPT-6 AstraOpenAI | 58.2 |
| 5 | Claude Fable 5.1Anthropic | 57.9 |
| 6 | Gemini 4 ArgonGoogle | 57.4 |
| 7 | GPT-6.1 SolOpenAI | 56.1 |
| 8 | Claude Opus 5Anthropic | 53.9 |
| 9 | Claude Fable 5Anthropic | 44.5 |
| 10 | GPT-6 SolOpenAI | 43.9 |
| 11 | GLM-5.3Z AIopenbestes Open-Weight-Modell | 41.8 |
Decision-Modelle
Requests
| 1 | Jev 1.13typesafeopen+4 % | 981M |
| 2 | Span-01 Literespanopen+9 % | 9.51M |
| 3 | d1liquidopenneu | 3.53M |
| 4 | GPT-6 Luna Decisionsopenaineu | 3.53M |
| 5 |  Clef Flashcloudflareopenneu | 3.46M |
| 6 | Clefcloudflareopenneu | 2.7M |
| 7 | Kev 4Bjaredpalmeropen+305 % | 2.45M |
| 8 |  Decider V1 27Bperplexityneu | 1.95M |
Bildgenerierung
AA-Image-T2I v2.0 (Arena-Elo)
| 1 | GPT Image 2.5 SunburstOpenAI | 1198 |
| 2 | GPT Image 2.5 FlareOpenAI | 1191 |
| 3 | GPT Image 2OpenAI | 1172 |
| 4 | Nano Banana 2.1Google | 1160 |
| 5 | Grok Imagine Image 2.0xAI | 1156 |
| 6 |  MAI-Image-2.6Microsoft | 1151 |
Text-to-Speech
Speech Arena (Arena-Elo)
| 1 |  Eleven v4 TurboElevenLabs | 1332 |
| 2 | Eleven v4ElevenLabs | 1324 |
| 3 | Qwen-Audio-3.1-TTS-PlusAlibabaopen | 1295 |
| 4 | Sonic 3.6Cartesia | 1279 |
| 5 | Gemini 3.8 Flash TTSGoogle | 1276 |
| 6 | Qwen-Audio-3.0-TTS-PlusAlibabaopen | 1263 |
Speech-to-Text
AA-WER v2
| 1 | StepAudio 3 ASRStepFunopen | 1.7 % |
| 2 | Fun-Realtime-ASR-previewAlibabaopen | 1.7 % |
| 3 | MAI-Transcribe-2Microsoft | 2.0 % |
| 4 | Scribe v2ElevenLabs | 2.2 % |
| 5 | Grok Voice Transcribe 2.0xAI | 2.3 % |
| 6 | Universal-3 ProAssemblyAI | 3.1 % |
| 7 | GPT TranscribeOpenAI | 3.3 % |
Stand: 2026-10-08 · Täglich aktualisiert · Alle Boards im Detail →
Häufige Fragen.
Wie läuft das erste Gespräch ab?
Unverbindlich, etwa 30 Minuten. Wir klären, ob Ihr Use Case KI-tauglich ist und was es für eine Umsetzung braucht. Danach erhalten Sie eine ehrliche Einschätzung.
Bleiben meine Daten bei mir?
Ja. Wir realisieren on-premise oder lokal. Daten verlassen Ihr Unternehmen nur dann, wenn Sie es ausdrücklich wollen.
Brauche ich eine Cloud-Infrastruktur?
Nein. Wir betreiben KI auch auf eigener Hardware vor Ort. Cloud ist eine Option, kein Muss.
Welche Modelle setzen Sie ein?
Vorwiegend Open-Source-Modelle wie Qwen, Llama und spezialisierte Vision-Modelle. Die Auswahl hängt vom Use Case und Ihren Anforderungen ab.
Was kostet ein KI-Projekt?
Das hängt vom Umfang ab. Nach dem Erstgespräch erhalten Sie eine klare Einschätzung von Aufwand und Kosten, bevor Sie sich entscheiden.
On-premise oder Cloud: was passt zu uns?
Bei sensiblen Daten, regulatorischen Anforderungen oder hohen Abfragemengen lohnt sich on-premise: Die KI läuft auf eigener Hardware, Daten verlassen das Unternehmen nicht. Für maximale Intelligenz oder seltene Abfragen ist die Cloud die einfachere Wahl. Wir beraten ehrlich, was für Ihren Fall besser ist.
Lohnt sich KI für mein Unternehmen überhaupt?
Nicht für jedes Problem. Im Erstgespräch prüfen wir, ob Ihr Use Case tatsächlich von KI profitiert, oder ob eine einfachere Lösung schlauer ist. Wenn KI nicht das richtige Werkzeug ist, sagen wir das offen.
Können Sie Open-Source-Modelle wie Llama oder Qwen selbst hosten?
Ja. Wir hosten Open-Weight-Modelle wie Llama, Qwen, DeepSeek und GLM auf eigener Hardware, ohne Cloud-Abhängigkeit und ohne pro Token zu zahlen. Die Hardwarekosten stehen fest, die Abrechnung wird berechenbar.
Lass uns reden.
Unverbindliches Erstgespräch, 30 Minuten. Wir prüfen, ob KI Ihr Problem wirklich löst.
oder direkt an dev@skale.dev