KI-Agentur & KI-Beratung für KMU

Q: Was ist der Unterschied zwischen Machine Learning und Large Language Models (LLMs)?

Machine Learning bezeichnet Methoden, bei denen Modelle aus Daten für klar definierte Aufgaben lernen, etwa für Prognosen, Klassifikationen oder Optimierungen. Die Modelle sind in der Regel auf einen spezifischen Anwendungsfall trainiert und liefern dort besonders präzise Ergebnisse. Large Language Models (LLMs) sind eine spezialisierte Form von Machine Learning, die auf Sprache ausgerichtet ist. Sie werden mit sehr grossen Textmengen trainiert und können sprachbasierte Aufgaben flexibel lösen, auch solche, für die sie nicht explizit trainiert wurden.

Q: Wann wird Artificial General Intelligence erreicht sein?

Das wissen wir nicht. Es existieren jedoch zwei unterschiedliche philosophische Sichtweisen zu AGI: Artificial General Intelligence ist eine Form von künstlicher Intelligenz mit menschenähnlicher, flexibler Intelligenz, die in der Lage ist, aus neuen Erfahrungen zu lernen, sich anzupassen und Wissen flexibel auf völlig neue und unerwartete Situationen anzuwenden. Big Tech setzt darauf, dass mit zunehmender Komplexität von AI-Systemen neue Fähigkeiten entstehen, die über ihre Einzelteile hinausgehen – etwa echtes Argumentieren oder ein tieferes Weltverständnis. Die massiven Investitionen in Chips und Rechenzentren zielen auf genau diesen möglichen Sprung ab. Denker wie Alfred Korzybski oder Nassim Nicholas Taleb argumentieren hingegen, dass die Landkarte nicht das Territorium ist. Anders gesagt: Ein Modell der Wirklichkeit ist nicht die Wirklichkeit selbst und bleibt damit fragil und anfällig für Denkfehler. Diese Denkschule bezweifelt, dass sich auf diesem Weg eine echte AGI entwickeln kann. Taleb fasst seinen Standpunkt in folgendem Tweet unverblümt zusammen: Alexander Lerchner von Google DeepMind argumentiert, dass echte AGI vermutlich eine physische Einbettung in die Welt erfordert und daher nicht allein durch reine Software erreicht werden kann: Wir sehen uns nicht als AI-Philosophen, sondern als Praktiker der künstlichen Intelligenz. Routineaufgaben wie Klassifizierungen lassen sich heute sehr zuverlässig mit AI automatisieren – und genau dort sollte die AI-Reise in einem Unternehmen beginnen.

Q: Was versteht man unter Context Rot?

Ein LLM verarbeitet Informationen innerhalb eines begrenzten Kontextfensters. Werden Gespräche sehr lang oder kommen viele neue Informationen hinzu, können frühere Annahmen, Definitionen oder Ziele an Gewicht verlieren. Das Modell bezieht sich dann stärker auf jüngere Inhalte, interpretiert Begriffe anders oder zieht inkonsistente Schlüsse – der ursprüngliche Kontext «verrottet» gewissermassen. Um diesem Effekt entgegenzuwirken, existieren Methoden, mit denen wichtige Informationen persistent gespeichert und über längere Zeiträume für LLMs zugänglich gemacht werden können. Solche Ansätze eignen sich beispielsweise für Anwendungsfälle, bei denen über längere Zeit ein fortlaufender Dialog zwischen Mensch und LLM geführt wird, beispielsweise in einem Kundenchat.

KI dort einsetzen, wo sie heute schon wirkt

Eines ist klar: KI ist gekommen, um zu bleiben. Die grossen Hyperscaler planen, bis 2030 rund 5,2 Billionen US-Dollar in KI-Infrastruktur zu investieren. avolut setzt sich intensiv damit auseinander, wie Schweizer KMU diese Entwicklung im Unternehmensalltag gewinnbringend nutzen können.

KI: weniger Science-Fiction, mehr Produktivität

Vieles beim Thema KI ist noch immer Zukunftsmusik. KI ermöglicht aber bereits heute, Daten auf eine Art zu verarbeiten und zu interpretieren, die vor wenigen Jahren noch als unmöglich galt.

In Schweizer KMU existieren zahlreiche Geschäftsprozesse, in denen Daten noch manuell bearbeitet und analysiert werden. Gerade in der Schweiz, einem Land mit hohen Lohnkosten, lohnt es sich daher besonders, solche Arbeitsprozesse mithilfe von KI zu automatisieren.

Gut durchdachte KI-Lösungen liefern eine konstant hohe Qualität und sind rund um die Uhr im Einsatz. Die dadurch frei werdende Arbeitszeit der Mitarbeitenden kann für persönliche Kundenbetreuung oder Tätigkeiten mit höherer Wertschöpfung genutzt werden.

Chicorée KI-Produktbilder auf Mobile Website

Use Case

KI statt Fotoshooting bei Chicorée: So entstehen 5’000 Produktbilder pro Monat

Wie das Unternehmen seine Produktfotografie automatisiert und Kunden online eine ansprechendere Produktpräsentation bietet.

Artikel lesen

Know-how im Unternehmen sichern: Gen AI hilft Gen Z

Gemäss dem National Bureau of Economic Research (NBER) entfaltet generative KI dort ihre grösste Wirkung, wo Erfahrung fehlt. Neue, unerfahrene Mitarbeitende werden mit Unterstützung von Gen AI deutlich schneller produktiv, da sie vom impliziten Wissen erfahrener Kolleginnen und Kollegen profitieren. Mit KI kann Wissen, das früher über Jahre hinweg aufgebaut werden musste, gezielt und skalierbar auf neue Mitarbeitende übertragen werden.

avolut kann Ihnen schon heute helfen, Gen AI bei Ihnen im Unternehmen als Instrument der Wissenssicherung und -weitergabe einzuführen. Insbesondere vor dem Hintergrund, dass in den kommenden Jahren geburtenstarke Jahrgänge mit viel Wissen in den Ruhestand treten, kann dies eine sehr sinnvolle Investition sein.

KI-Lösungen beginnen mit konkreten Problemen

Wir verfügen über ausgewiesene Erfahrung im Einsatz von KI in Handel, Gesundheitswesen und Transport. Allen erfolgreichen Lösungen ist gemeinsam: Eine solide Datenbasis ist Voraussetzung. Ein wesentlicher Teil in KI-Projekten besteht darin, diese Datenbasis zusammenzustellen und aufzubereiten. Zudem zeigt die Praxis, dass zu Projektbeginn nicht immer klar ist, wie gut sich ein konkretes Problem mithilfe von KI lösen lässt.

Für KMU stellt sich daher die Frage, wie KI sinnvoll angegangen werden soll. Wir plädieren für Pragmatismus statt grosser Strategien. Um Mike Tyson zu paraphrasieren: Jeder hat einen Plan, bis die Realität zuschlägt. Eine eloquente KI-Strategie löst noch keine konkreten Probleme – besonders in einem Bereich, in dem sich Best Practices erst noch etablieren müssen.

Repetitive Tätigkeiten, schwer übertragbares Wissen, Entscheidungen, die heute von Hand getroffen werden – solche Ansatzpunkte finden sich in nahezu jedem Unternehmen. Genau dort lohnt es sich zu starten. Der grösste Mehrwert entsteht durch frühe, konkrete Anwendungsfälle: So wird rasch sichtbar, wo KI wirkt und wo Anpassungen nötig sind.

In Schweizer KMU existieren zahlreiche Geschäftsprozesse, in denen Daten noch manuell bearbeitet und analysiert werden. Gerade in der Schweiz, einem Land mit hohen Lohnkosten, lohnt es sich daher besonders, solche Arbeitsprozesse mithilfe von KI zu automatisieren.

Bewährte Einsatzfelder für LLMs

Vor der Einführung von Large Language Models waren viele sprachbasierte Anwendungsfälle nur mit hohem Aufwand oder stark eingeschränkt umsetzbar. Kategorisierung erforderte umfangreiche Trainingsdaten, die Textgenerierung war meist starr, und semantische Zusammenhänge liessen sich nur begrenzt abbilden. Mit LLMs hat sich diese Ausgangslage grundlegend verändert – sie ermöglichen es, Sprache, Bedeutung und Kontext gemeinsam zu verarbeiten, und eröffnen damit neue Einsatzmöglichkeiten.

Kategorisierung & Datenanreicherung mit KI

LLMs verfügen über ein grundlegendes Weltwissen, auf dem sich aufbauen lässt. Dadurch können Inhalte ohne umfangreiches Training analysiert, angereichert und nach vordefinierten Kriterien klassifiziert werden.

Google-Business-Eintrag Fashion Retailer Chicorée Mobile Ansicht

Use Case

Wie Rezensionen mit einem LLM klassifiziert werden können

Ein LLM ordnet die täglich eingehenden Google-Rezensionen von 180 Chicorée-Filialen nach Sentiment und Themen ein.

Artikel lesen

Kundenberatung via KI-Chat

Dank LLMs können auch komplexe, vielschichtige Sachverhalte in natürlicher Sprache wiedergegeben werden. Mit Function Calling können LLMs spezifische unternehmensinterne Kundendaten abrufen und in ihre Antworten integrieren. So lassen sich beispielsweise Chat-Interfaces erstellen, über die Kunden Termine vereinbaren oder auf Informationen aus ihrer letzten Besprechung zugreifen können.

Use Case

Wie ein LLM-Chat die Kommunikation mit der Arztpraxis vereinfacht

In der Swisdoco App greifen Patienten in natürlicher Sprache auf ihre Gesundheitsdaten zu: Termine buchen, Dokumente einsehen, Medikamente anfordern. Das LLM ruft die Daten direkt aus dem Patienteninformationssystem der Praxis ab – datenschutzkonform über Alpine AI und Mistral.

Artikel lesen

KI-gestützte Suche

Eine Vektor-Suche kann semantische Zusammenhänge zwischen Begriffen abbilden und damit die Suchintention eines Nutzers approximieren. Dafür werden sogenannte Embedding-Modelle eingesetzt, die technologisch mit LLMs verwandt sind. Sucht eine Benutzerin beispielsweise nach «etwas Elegantes für einen exklusiven Anlass» in einem Onlineshop für Damenbekleidung, können passende Abendkleider oder elegante Schuhe gefunden werden, selbst wenn in den Stammdaten keine expliziten Angaben zur Eleganz vorhanden sind. Die Zuordnung erfolgt über Vektoren (Embeddings), die aus Text- und Bildinformationen der bestehenden Produktdaten erzeugt werden.

Use Case

Wie KI-unterstützte Suchfunktionen die E-Commerce-Plattform in Zukunft verändern werden

Beim Online-Shopping möchten User:innen schnell das finden, was sie brauchen – selbst wenn sie es selbst noch gar nicht so genau benennen können.

Artikel lesen

Prozessoptimierung und Entscheidungsfindung mit KI

LLMs können in Geschäftsprozessen Entscheidungen treffen, die bisher menschliches Urteilsvermögen erforderten. Im Gegensatz zu klassischen regelbasierten Systemen verstehen sie Kontext und können mit unstrukturierten Eingaben umgehen. Ein Beispiel: Bei der Bearbeitung eingehender Supportanfragen kann ein LLM das Anliegen erfassen, die Dringlichkeit einschätzen, relevante Kundendaten abrufen und eine passende Antwort vorschlagen oder die Anfrage an die richtige Abteilung weiterleiten.

McKinsey & Company (2025): The cost of compute: A $7 trillion race to scale data centers
https://www.mckinsey.com/industries/technology-media-and-telecommunications/our-insights/the-cost-of-compute-a-7-trillion-dollar-race-to-scale-data-centers

Brynjolfsson, E., Li, D. & Raymond, L. (2023): Generative AI at Work
https://www.nber.org/system/files/working_papers/w31161/w31161.pdf