Wie wir KI in unseren eigenen Workflow integriert haben — und was Schweizer KMU davon lernen können.

Vor drei Jahren haben wir uns ein einfaches Ziel gesetzt: KI nicht als Marketing-Etikett auf der Website kleben, sondern wirklich in den Alltag einbauen. Heute ist sie überall — und nicht überall hat sie sich bewährt.

Was wir hier teilen, ist keine Erfolgsstory mit Hochglanz-Diagramm. Es ist eine Bestandsaufnahme: Welche Werkzeuge wir täglich brauchen, welche wir nach drei Wochen wieder rausgeworfen haben, und welche Muster sich bei unseren KMU-Kunden wiederholen — egal ob Treuhandbüro, Handwerksbetrieb oder Industrie-KMU.

Ein klassisches Web- und Software-Studio. ChatGPT auf einem Tab offen, Copilot in der IDE, das Übliche. Schnell, hier und da hilfreich, aber ohne System. Was fehlte, war die Antwort auf eine simple Frage: Wo lohnt sich der Einsatz so sehr, dass wir ihn fest in unsere Prozesse einbauen?

Wir haben uns drei Monate Zeit genommen, jede Aufgabe einzeln durchzudeklinieren — von Briefing bis Rechnung — und ehrlich gemessen, wo KI mehr als zwei Minuten pro Vorgang spart, ohne Qualität zu kosten. Das Ergebnis war überraschend.

Am Anfang stand das, was alle hatten: ChatGPT auf einem Tab, Copilot in der IDE, hier und da ein Skript zum Strukturieren von Daten. Hilfreich, aber ohne System — und ohne Hebel auf das, was wir als Studio liefern können.

Drei Jahre später sieht das anders aus. Wir haben Schritt für Schritt von punktuellen KI-Werkzeugen zu einem agentic engineering-Setup umgebaut: KI-Agenten, die ganze Arbeitsschritte planen, ausführen, prüfen und dokumentieren — eingebettet in unsere Codebase, mit klaren Guardrails und vollem Kontext über das Projekt. Was sich für uns konkret verändert hat:

• Mehr Software-Output in kürzerer Zeit. Was vor drei Jahren ein Sprint war, ist heute oft ein Nachmittag — bei vergleichbarer Sorgfalt.
• Bessere Qualität — nicht trotz, sondern wegen der Geschwindigkeit. Code-Reviews, Linting, Sicherheits-Checks und Test-Generierung passieren automatisiert mit. Nicht als optionaler Schritt, sondern in der Mitte des Workflows.
• Breiterer Stack. Wir arbeiten heute zuverlässig in deutlich mehr Sprachen und Frameworks als früher. Was eine einzelne Person nicht in der Tiefe beherrschen kann, lässt sich mit den richtigen Agenten verlässlich abdecken.
• Tiefere Security. Was klassisch ein Spezialgebiet war, dem ein Studio unserer Grösse nur oberflächlich begegnen konnte, ist heute Teil jedes Pull Requests.

Das ist die Grössenordnung, von der inzwischen viele als „10x-Engineer" sprechen — nicht in dem Sinne, dass eine Person zehnmal schneller tippt, sondern dass eine gut gebaute agentic-Umgebung ein Vielfaches an Output mit klarem Qualitätszuwachs liefert. Genau das beobachten wir an uns selbst, jeden Tag.

Bei aller Vielfalt an Tools — drei Anwendungsfälle haben sich bei uns und bei nahezu allen KMU-Projekten als zuverlässig erwiesen:

1. Strukturieren von Eingangs-Information. E-Mails, PDFs, Sprachnotizen, Formularantworten — alles, was unstrukturiert ankommt und irgendjemand danach in eine Form bringen muss.
2. Entwürfe schreiben, die ein Mensch dann redigiert. Offerten, Antwort-Mails, Protokolle, Beschreibungen. Nie ohne Review veröffentlichen.
3. Suche über eigene Dokumente. Wer einmal RAG über 5’000 Mandanten-PDFs aufgesetzt hat, will nicht mehr zurück.

Die Liste der Versuche, die wir wieder zurückgebaut haben, ist mindestens so lehrreich wie die der Erfolge:

• Automatische Code-Generierung ohne Agent-Workflow. Funktioniert für Boilerplate. Für alles, was Geschäftslogik berührt, war der Review-Aufwand früher höher als das Selbstschreiben. Erst mit dem agentic-Setup (Planung, Ausführung, Tests, Review im selben Loop) hat sich das gedreht.
• Sieben verschiedene Tools parallel. Ein klares Kern-Setup ist mehr wert als die jeweils neueste, leicht bessere Alternative.

Ob ein KI-Einsatz funktioniert, hängt selten am Modell. Es hängt fast immer am Kontext: Welche Daten kann das Modell sehen, in welcher Form, mit welchen Beispielen?

Ein typisches Treuhand-Szenario: Dieselbe Frage („Welche Pauschalen gelten für diesen Mandanten?") bringt von einem Standard-Chat eine generische Antwort. Mit Zugriff auf die korrekten Mandanten-Stammdaten und die Vorjahres-Abschlüsse — sauber strukturiert in einem Vektor-Index — wird daraus eine konkrete, prüfbare Empfehlung mit Quellenangabe.

Aus über einem Dutzend KMU-Projekten haben sich für uns drei Faustregeln herausgeschält:

1. Erst messen, dann automatisieren.

Wer nicht weiss, wo im eigenen Prozess wirklich Zeit verloren geht, automatisiert die falschen Stellen. Eine Woche ehrliche Selbstbeobachtung schlägt jede Berater-Folie.

2. Klein anfangen, mit echten Daten.

Ein einziger, gut umgesetzter Use-Case (z. B. „eingehende Kundenanfragen automatisch klassifizieren und vorbereiten") liefert mehr Wert als eine grosse KI-Strategie auf Powerpoint.

3. Den Menschen nicht aus der Schleife nehmen.

Mindestens für die ersten sechs Monate. KI vorbereitet, Mensch entscheidet. Wer das umkehrt, riskiert mehr, als er gewinnt.

In den meisten Erstgesprächen empfehlen wir nicht, mit dem grössten Schmerzpunkt zu starten — sondern mit dem kleinsten, am häufigsten auftretenden. Eingangs-Mails klassifizieren. Offert-Entwürfe vorbereiten. Suchanfragen über die eigene Wissensbasis. Dinge, die man in vier bis sechs Wochen produktiv hat.

Wenn das funktioniert — und das tut es meistens — entsteht etwas Wichtigeres als ein einzelnes Tool: Vertrauen ins Vorgehen. Und Vertrauen ist die Währung, in der KI-Projekte überhaupt erst gross werden.

Wenn dich interessiert, wie das in deinem Betrieb aussehen könnte: Schreib uns kurz. Erstgespräch ist unverbindlich, kostenlos und meistens schon der Moment, in dem klar wird, ob es passt.