Drei Jahre BERTA Lab: Was 60+ KI-Projekte uns wirklich gelehrt haben

BERTA Lab | Juli 2028

Im Juli 2028 feiern wir drei Jahre BERTA Lab — Bechtle AI Competence Center Bremen. Zeit für eine ehrliche Bilanz. Nicht die Hochglanz-Version, sondern das, was wir wirklich gelernt haben.

Drei Jahre in Zahlen

• 60+ Projekte entwickelt oder evaluiert
• 10 KI-Systeme laufen produktiv bei Kunden oder intern
• 3 technische Generationen: Von ersten RAG-Experimenten über spezialisierte Agenten bis zu autonomen Multi-Agenten-Teams
• 1 dauerhafter Befund: Enterprise-KI ist kein Produkt, das man kauft. Es ist eine Kompetenz, die man aufbaut.

Was wir in Jahr 1 gedacht haben — und warum das falsch war

Irrtum 1: "Wir brauchen das beste Modell"

2025 haben wir viel Zeit damit verbracht, Frontier-Modelle zu vergleichen. GPT-4 vs. Claude vs. Llama. Wir haben Benchmarks aufgestellt, Prompts optimiert, Evaluation-Suites gebaut.

Was wir gelernt haben: Die Modellwahl macht für 80% der Enterprise-Use-Cases weniger Unterschied als erwartet. Datenschutz, Latenz und Integration entscheiden. Ein solides lokales Modell, das intern läuft, schlägt ein superior externes Modell, das Kundendaten sieht, fast immer.

Irrtum 2: "RAG löst Halluzinationen"

Wir haben Retrieval-Augmented Generation als Silberkugel betrachtet. Dokument hochladen, Frage stellen, korrekte Antwort bekommen.

Wirklichkeit: RAG reduziert Halluzinationen erheblich — aber eliminiert sie nicht. Schlechte Chunks produzieren schlechte Antworten. Overlap-Strategien, Reranking und Embedding-Qualität machen mehr Unterschied als das Basismodell. Wir haben 18 Monate gebraucht, um das systematisch zu verstehen.

Irrtum 3: "Autonome Agenten sind bald fertig"

2025/2026 haben wir erwartet, dass KI-Agenten in 12 Monaten weitgehend autonom arbeiten können. Wir hatten recht — und unrecht.

Agenten können heute autonom Aufgaben erledigen, die wir 2025 nicht für möglich gehalten hätten. Aber sie brauchen immer noch menschliche Aufsicht für ambigue Situationen, Edge Cases und Entscheidungen mit nicht-trivialen Business-Konsequenzen.

Was wirklich funktioniert: Die 10 produktiven Systeme

Systeme in Produktion (2028)

1. Voicebot Bea — Vergabe-Assistentin (seit 2026)
Täglich genutzt für Ausschreibungsrecherche und -analyse. Nach zwei Jahren noch im Produktiveinsatz — mit mehreren Iterationen.

2. Hermes — Compliance-Dokument-Retrieval (seit 2026)
2.700 Dokumente automatisch beschafft und indiziert. Spart wöchentlich signifikante Recherchezeit.

3. Jura AI — Vertragsanalyse (seit 2026)
Lokale Risikoklausel-Erkennung ohne Cloud. Compliance-konform, datensouverän.

4. AutoForge — Autonomer Coding-Agent (seit 2026)
Täglich genutzt für Bulk-Operationen und interne Code-Analysen.

5. Data Assessment — PII-Erkennung (seit 2026)
DSGVO-Audit-Automatisierung für Kunden, die ihre Datenlandschaft kennen müssen.

6. Paperclip — Autonomes Agenten-Team (seit 2026)
Unser internes Projektmanagement-Backbone. 60% kürzere Backlog-Durchlaufzeiten.

7. CoVision — Visual AI für Schnelltests (seit 2027)
Von 90% auf 97% Accuracy durch multimodale Erweiterung.

8. LevelLens — Wasserstand-Erkennung (seit 2027)
Video-basierte Pegelüberwachung mit natürlichsprachigen Beschreibungen.

9. BRITE — RAG Config Advisor (seit 2026)
Interaktiver Advisor für Enterprise RAG-Konfiguration.

10. Ausschreibungsanalyse — Multi-Agenten-Pipeline (seit 2026)
Go/No-Go-Entscheidung in Minuten statt Stunden.

Was gescheitert ist (und warum das wichtig ist)

Drei Projekte haben wir eingestellt. Wir reden selten darüber — aber es ist die ehrlichste Lektion.

Meeting Appliance: Die technische Lösung hat funktioniert. Sprecherdiarisierung, Transkription, automatische Zusammenfassungen. Aber die Nutzerakzeptanz war niedrig. Mitarbeitende hatten Bedenken, dass Meetings aufgezeichnet werden. Wir haben die technische Dimension gelöst und die menschliche unterschätzt.

Sales Agent Platform: Zu früh. Die Vertriebsprozesse waren nicht dokumentiert genug, um einem Agenten klare Aufgaben zu geben. "Helfe mir beim Vertrieb" ist keine Aufgabe — es ist ein Wunsch.

Disruption Check Tool: Interessantes Proof-of-Concept, zu wenig geschäftskritische Relevanz für kontinuierliche Weiterentwicklung. Pausiert, nicht eingestellt — aber realistisch.

Die drei Kompetenzblöcke, die Enterprise-KI ermöglichen

Nach 60+ Projekten ist unser Modell klar:

Block 1: Data Readiness
KI ist so gut wie die Daten, die sie nutzt. Unstrukturierte, unvollständige oder inkonsistente Daten produzieren schlechte KI-Outputs. Vor jedem KI-Projekt steht eine Data-Readiness-Analyse.

Block 2: Infrastructure Sovereignty
Welche Daten dürfen wohin? Cloud, On-Premise, Hybrid? Diese Entscheidung strukturiert jedes Projekt. Ohne klare Datenklassifikation kann kein Enterprise-KI-System responsibel eingesetzt werden.

Block 3: Process Integration
KI-Tools, die neben bestehenden Prozessen existieren, werden nicht genutzt. KI-Tools, die in bestehende Workflows integriert sind, werden Alltag. Integration ist wichtiger als Features.

Ausblick: Was kommt in Jahr 4?

Die Technologiekurve flacht nicht ab. Für das nächste Jahr sehen wir:

Multimodale Agenten als Standard: Sprache, Bild und Text werden nahtlos integriert. Was heute noch komplexe Pipeline-Architektur erfordert, wird zum Standard-API-Call.

Edge-Deployment: Kleinere Modelle werden leistungsfähiger. Die Frage ist nicht mehr nur Cloud vs. On-Premise-Server, sondern auch On-Device — für Szenarien ohne Netzwerk, mit maximaler Datensouveränität.

Regulierung als Chance: Der EU AI Act ist keine Bedrohung für Innovation — er ist ein Differenzierungsmerkmal. Unternehmen, die KI-Governance ernst nehmen, haben einen Wettbewerbsvorteil bei Kunden, die Compliance-Sicherheit brauchen.

Was wir Anfängern empfehlen

1. Starten Sie mit einem echten Problem, nicht mit KI als Ziel. "Wir wollen KI einsetzen" ist kein Projekt. "Wir wollen X automatisieren, weil es täglich 3 Stunden kostet" ist ein Projekt.

2. Bauen Sie Kompetenz auf, nicht nur Tools. Ein externes KI-System, das niemand in Ihrem Team versteht, ist eine Abhängigkeit. Investieren Sie in internes Wissen.

3. Akzeptieren Sie, dass die ersten drei Projekte Lernprojekte sind. ROI kommt nicht sofort. Kompetenz schon eher.

4. Messen Sie. Was Sie nicht messen, können Sie nicht verbessern. Latenz, Kosten, Qualität, Nutzungsrate — alles gehört ins Dashboard.

Fazit

Drei Jahre. 60+ Projekte. 10 produktive Systeme. Viele Lektionen.

Das BERTA Lab ist kein Showroom für KI-Demos. Es ist ein Labor für das, was wirklich funktioniert — mit allen Fehlern, Iterationen und Neuanfängen, die dazu gehören.

Was uns am stolzesten macht: Kein einziges unserer produktiven Systeme ist eine Black Box. Wir verstehen, was die KI tut, warum und wo sie Grenzen hat. Das ist kein technisches Detail — das ist die Grundlage für verantwortungsvollen KI-Einsatz.

Das BERTA Lab (Bechtle AI Competence Center Bremen) entwickelt und testet seit 2025 KI-Lösungen für Enterprise-Kunden. Dieser Artikel dokumentiert unsere eigenen Erfahrungen — kein Sponsored Content.

KI #EnterpriseKI #BERTALAB #Bilanz #LocalAI #Datenschutz #AIGovernance #Innovation