AI software, die Ergebnisse liefert

Wir beginnen nicht mit Theorie. Hier sind zwei reale Projekte, die zeigen, was unsere KI-Lösungen bei Schweizer Unternehmen verändert haben.

Lesen Sie die Fallstudien, verstehen Sie unsere Methodik, und entscheiden Sie dann, ob wir zu Ihrem Vorhaben passen.

«Die erste Frage ist nie, was die Technologie kann. Die erste Frage ist, was Ihr Geschäft braucht.»

Modernes Bürogebäude in Genf bei Abenddämmerung

Fallstudie: Lageroptimierung bei einem Logistikdienstleister

Ausgangslage

Ein mittelgrosser Logistikdienstleister mit drei Standorten in der Westschweiz kämpfte mit Überbeständen bei gleichzeitigen Fehlmengen. Die Prognosen basierten auf Excel-Tabellen und Erfahrungswerten der Disponenten. Fehlerquoten bei der Bedarfsplanung lagen bei 23 Prozent.

Die Geschäftsleitung wollte keine weitere BI-Software. Sie wollte ein System, das selbständig lernt und konkrete Bestellvorschläge generiert.

Was wir gebaut haben

Ein ML-Modell auf Basis historischer Abverkaufsdaten, Wetterdaten und Saisonkurven. Dazu eine Schnittstelle zum bestehenden ERP-System (SAP Business One), die dreimal täglich aktualisierte Empfehlungen direkt ins Disponenten-Cockpit spielt.

Die Trainingsphase dauerte sechs Wochen. In den ersten zwei Wochen haben wir ausschliesslich Datenqualität geprüft: fehlende Artikelnummern, doppelte Buchungen, inkonsistente Masseinheiten. Ohne saubere Daten ist jedes Modell wertlos.

Ergebnis nach neun Monaten

Die Prognosefehlerquote sank auf 9 Prozent. Der Lagerumschlag stieg um 31 Prozent. Zwei der drei Disponenten nutzen das System täglich und überschreiben die Empfehlungen nur noch in 12 Prozent der Fälle. Die eingesparten Lagerkosten finanzierten das Projekt innerhalb von sieben Monaten.

Was dieser Fall zeigt

Datenqualität vor Modellkomplexität

Zwei Wochen reine Datenbereinigung klingen unspektakulär. Aber ohne diesen Schritt hätte das Modell die gleichen Fehler reproduziert, die vorher schon in den Tabellen steckten.

Integration entscheidet über Adoption

Ein Modell, das Ergebnisse per E-Mail liefert, wird nach drei Wochen ignoriert. Erst die direkte Einbettung ins ERP-Cockpit hat dafür gesorgt, dass die Disponenten das System tatsächlich nutzen.

Amortisation messen, nicht Genauigkeit allein

Dem Kunden war die Fehlerquote wichtig. Der Geschäftsleitung aber die Lagerkosten. Wir messen beides und berichten monatlich.

Finanzanalyst prüft Daten auf einem grossen Bildschirm

Fallstudie: Dokumentenanalyse für eine Genfer Vermögensverwaltung

Eine Vermögensverwaltung mit 280 Kundendossiers erhielt wöchentlich zwischen 60 und 90 Dokumente: Vertragsänderungen, Compliance-Berichte, Kundenkorrespondenz. Zwei Mitarbeitende verbrachten jeweils 15 Stunden pro Woche damit, diese Dokumente zu sichten, zu klassifizieren und relevante Informationen manuell in das CRM zu übertragen.

Wir haben ein NLP-basiertes Klassifikationssystem entwickelt, das eingehende PDFs automatisch liest, in eine von 14 Kategorien einordnet und die wichtigsten Datenpunkte extrahiert: Kundennummer, Vertragslaufzeit, Änderungstyp, Risikostufe. Dokumente mit niedriger Konfidenz werden einem Menschen zur Prüfung vorgelegt.

Nach der Einführung verarbeitet das System 85 Prozent der Dokumente vollautomatisch. Die verbleibenden 15 Prozent erfordern menschliche Prüfung, aber die Vorarbeit des Systems reduziert auch hier den Aufwand erheblich. Jede Mitarbeiterin spart rund elf Stunden pro Woche.

85 %automatisch verarbeitet 11 hZeitersparnis pro Person/Woche

Stimmen aus den Projekten

«Wir hatten vorher zwei Anbieter getestet, die uns Dashboards gebaut haben. Schön anzusehen, aber nutzlos im Alltag. Das Team von AI Focused Solutions hat uns zuerst gefragt, wie unsere Disponenten tatsächlich arbeiten. Das war der Unterschied.»

Leiterin Operations, Logistikdienstleister Lausanne

«Die Dokumentenklassifikation hat nicht nur Zeit gespart. Sie hat Fehler eliminiert, die uns bei der FINMA-Prüfung hätten auffallen können. Das allein war das Projekt wert.»

Compliance Officer, Vermögensverwaltung Genf

Unsere Projektmethodik in vier Phasen

Geschäftsproblem verstehen

Wir beginnen mit Interviews, nicht mit Daten. Was genau kostet Sie Zeit, Geld oder Nerven? Wo liegt der grösste Hebel? Erst wenn wir das Problem in Zahlen fassen können, gehen wir weiter.

Daten prüfen und aufbereiten

Welche Daten existieren? In welcher Qualität? Wie aktuell? Wir dokumentieren jede Lücke und schlagen vor, wie sie geschlossen werden kann. Manchmal bedeutet das, drei Monate Daten erst zu sammeln, bevor ein Modell sinnvoll ist. Das sagen wir offen.

Prototyp und Validierung

Ein funktionierender Prototyp innerhalb von vier bis sechs Wochen. Nicht als Demo, sondern als testbares System mit echten Daten. Der Kunde prüft die Ergebnisse gegen seine Erfahrung. Stimmt die Richtung nicht, passen wir an oder brechen ab.

Integration und Betrieb

Das Modell wird in die bestehende IT-Landschaft eingebettet. Wir liefern Monitoring, automatische Retraining-Pipelines und einen monatlichen Bericht zur Modellperformance. Kein Projekt endet mit dem Go-Live.

Warum manche KI-Projekte scheitern

Etwa 60 Prozent der KI-Initiativen in mittelgrossen Unternehmen erreichen nie die Produktionsumgebung. Das liegt selten an der Technologie. Es liegt fast immer an einem dieser drei Punkte:

Unklare Erfolgskriterien

«Wir wollen KI einsetzen» ist kein Projektziel. Ein Projektziel ist: «Wir wollen die manuelle Dokumentenklassifikation um 70 Prozent reduzieren, gemessen an Arbeitsstunden pro Woche.» Ohne messbare Kriterien kann niemand beurteilen, ob das Projekt erfolgreich war.

Fehlende Dateninfrastruktur

Viele Unternehmen haben Daten, aber verstreut über fünf Systeme, in unterschiedlichen Formaten, mit widersprüchlichen Definitionen. Bevor ein Modell trainiert werden kann, muss eine gemeinsame Datenbasis geschaffen werden. Das ist unglamourös, aber entscheidend.

Kein Change-Management

Ein Vorhersagemodell nützt nichts, wenn die Mitarbeitenden es nicht verwenden. Wir binden die Endnutzer ab der ersten Woche ein: in Interviews, bei der Validierung, beim Testing. So entsteht Vertrauen statt Widerstand.

Whiteboard mit Projektplanung und Haftnotizen

Planung in Woche 1

Leistungskarte

Keine Pakete, keine Preislisten. Jedes Projekt wird individuell geschätzt. Hier sehen Sie, in welchen Bereichen wir arbeiten.

Prädiktive Modelle

Nachfrageprognosen, Churn-Vorhersage, vorausschauende Wartung. Wir bauen Modelle, die auf Ihren Daten trainiert werden und sich laufend verbessern.

Dokumentenverarbeitung

Automatische Klassifikation, Datenextraktion aus PDFs, Vertragsanalyse. Besonders relevant für Finanzdienstleister, Kanzleien und Versicherungen.

Prozessautomatisierung

Wiederkehrende Abläufe identifizieren und mit KI-gestützten Workflows ersetzen. Von der Rechnungsprüfung bis zur Kundenanfragenverteilung.

Datenplattformen

Aufbau einer sauberen Datenbasis als Fundament für jede KI-Initiative. ETL-Pipelines, Data Warehousing, Qualitätsmonitoring.

Computer Vision

Bilderkennung für Qualitätskontrolle, Bestandserfassung oder Sicherheitsüberwachung. Kamera-Integration und Edge-Deployment möglich.

Beratung und Machbarkeit

Noch kein konkretes Projekt? Wir analysieren Ihre Prozesse und Daten und liefern innerhalb von zwei Wochen eine ehrliche Einschätzung, wo KI bei Ihnen Sinn macht.

Projekt besprechen

Direkter Kontakt

AI Focused Solutions
9062 Schulhausstrasse, 1204 Geneva, Geneva, Switzerland

Telefon: +41 22 034 74 51
E-Mail: [email protected]