Kurze Antwort
KI in ein SaaS-Produkt zu bringen ist in der Demo leicht und im Betrieb schwer. Wir entwickeln Copilots, semantische Suche und Automatisierungen, die Mandanten sauber trennen, vor dem Release mit Evals gemessen werden und so gestaltet sind, dass Nutzer ihnen vertrauen.
Inhalt
Erwartungsdruck auf Produktteams
Kunden erwarten inzwischen KI in der Software, für die sie bezahlen. Der Vertrieb will einen Copilot auf der Roadmap, Wettbewerber kündigen Assistenten an, Investoren fragen nach der KI-Strategie. Für Produktteams beginnen damit die eigentlichen Fragen: Welche Funktion spart Nutzern wirklich Zeit? Wie bleibt die Antwort für Mandant A frei von Daten aus Mandant B? Was passiert mit der Marge, wenn die Nutzung steigt? Und woran merken wir, dass ein Modell-Update die Qualität verschlechtert hat?
Wir unterstützen SaaS-Anbieter dabei, diese Fragen zu beantworten und KI-Funktionen auszuliefern, die im Alltag bestehen.
Vier Muster, eine Auswahl
Nicht jedes Produkt braucht ein Chatfenster. Wir prüfen typischerweise vier Muster:
- Copilot im Produkt für mehrstufige Aufgaben, bei denen Nutzer Anleitung oder Entwürfe brauchen.
- Semantische Suche über große Mengen eigener Inhalte, etwa Dokumente, Tickets oder Projekte.
- Automatisierungsagent für wiederkehrende Abläufe mit klaren Regeln und etwas Ermessen.
- Eingebettete Hilfe für kurze Aufgaben wie Zusammenfassen, Klassifizieren oder Felder vorbefüllen.
Welches Muster passt, ergibt sich aus Nutzerforschung und Produktdaten, nicht aus der Pressemitteilung eines Wettbewerbers. Oft ist die unscheinbarste Variante die wertvollste: Ein Feld, das sich aus einem hochgeladenen Dokument selbst ausfüllt, spart im Alltag mehr Zeit als ein Chat, den niemand öffnet. Deshalb starten wir mit einem kurzen Discovery-Sprint, in dem wir echte Nutzungsdaten, Supportanfragen und Gespräche mit Bestandskunden auswerten und daraus zwei oder drei Kandidaten mit klarer Hypothese ableiten.
Aufgabenteilung
Unsere AI Code Engineers verantworten die technische Umsetzung: Architektur, Prompt- und Retrieval-Design, Werkzeugdefinitionen für Agenten, Evaluierung, Schutzmechanismen, Observability und die Integration in Ihre Codebasis. Ihr Produktteam verantwortet Problemdefinition, UX-Entscheidungen, Preis- und Paketgestaltung und die Freigabe. Aktionen mit Folgen, etwa E-Mails versenden, Datensätze ändern oder Zahlungen auslösen, bestätigt immer der Nutzer.
Technische Grundsätze
Evals vor dem Launch. Aus realistischen Aufgaben Ihrer Domäne bauen wir einen Testsatz mit Kriterien für gute Antworten. Jede Änderung an Prompts, Retrieval oder Modell läuft dagegen. So wird Qualität gemessen statt geschätzt, und ein späterer Modellwechsel wird planbar.
Mandantentrennung. Retrieval und Werkzeugaufrufe werden zur Laufzeit nach Mandant und Nutzerrechten gefiltert. Wir testen gezielt, ob sich fremde Daten abrufen lassen, und protokollieren Modellaufrufe mit Mandantenkontext.
Kosten und Antwortzeit. Modelle wählen wir pro Aufgabe, cachen, wo es unbedenklich ist, setzen Limits pro Mandant und messen die Kosten pro Funktion.
Kontrollierter Rollout. Neue Funktionen laufen hinter Feature Flags, zuerst bei ausgewählten Kunden, mit Monitoring von Antwortqualität, Feedback und Fehlern.
DSGVO und Anforderungen von Enterprise-Kunden
Wer an deutsche Unternehmen oder Behörden verkauft, bekommt Fragen zu Auftragsverarbeitung, Unterauftragsverarbeitern und Speicherort. Wir minimieren personenbezogene Daten in Prompts, setzen auf EU-Hosting oder offene Modelle im eigenen Rechenzentrum, wenn Kunden das fordern, und liefern die technische Dokumentation, die Sicherheits- und Datenschutzteams anfragen. Auch Transparenzpflichten des EU AI Act, etwa der Hinweis auf KI-generierte Inhalte, berücksichtigen wir im Design.
Gestaltung entscheidet über Nutzung
Eine KI-Funktion, die niemand versteht, wird nicht genutzt. Nutzer müssen sehen, woher eine Antwort stammt, was der Assistent kann und wie sie korrigieren. Ein Audit von UXreviewer.io liefert vor dem Launch konkrete Verbesserungsvorschläge für die Abläufe rund um die KI, von Einstiegshinweisen über Bestätigungsdialoge bis zu Fehlermeldungen.
Viele SaaS-Produkte haben zudem mobile Apps, in denen KI-Funktionen auf kleinen Bildschirmen und bei schwachem Netz funktionieren müssen. apprat.io entwickelt und pflegt iOS- und Android-Apps mit KI-gestützter Entwicklung plus menschlichen Entwicklerstunden, damit die App mit dem Web-Produkt Schritt hält.
Ergebnis
KI-Funktionen, die ein konkretes Nutzerproblem lösen, messbare Qualität ohne unbemerkte Verschlechterung, planbare Kosten pro Mandant und eine Gestaltung, der Kunden vertrauen. Ihr Team erhält Code mit Evals und Monitoring, den es selbst weiterentwickeln kann.
Mehr zu unserem AI Code Engineering und zu den Anforderungen aus Sicht der KI-Governance und Compliance. Passend dazu: RAG und Unternehmenssuche und AI Code Engineers für Startups.
FAQ
Was ist ein Eval?
Ein Satz realistischer Testaufgaben mit Kriterien für gute Antworten. Er läuft bei jeder Änderung an Prompts, Retrieval oder Modell, damit Sie Qualitätsveränderungen sehen, bevor Ihre Kunden sie bemerken.
Wie verhindern Sie, dass Daten zwischen Mandanten durchsickern?
Durch Filterung nach Mandant und Nutzerrechten zur Laufzeit und durch gezielte Tests, die versuchen, fremde Daten abzurufen.
Welches Sprachmodell sollten wir verwenden?
Das hängt von Qualität, Kosten, Antwortzeit und dem geforderten Speicherort ab. Wir bauen so, dass Modelle austauschbar bleiben, und die Evals zeigen, ob ein Wechsel unbedenklich ist.
Kann unser Team die Funktionen später selbst pflegen?
Ja. Alles liegt mit Dokumentation, Evals und Monitoring in Ihren Repositories, und wir übergeben in einer gemeinsamen Sitzung.