Wir hatten vorher drei Vollzeitkräfte, die Lieferscheine manuell abgeglichen haben. Das Modell von Ai Optimum Vision erledigt das jetzt in Sekunden. Die Fehlerquote ist von 4,2 % auf unter 0,3 % gesunken.
Was unsere Kunden sagen
Die folgenden Zitate stammen aus Projektabschluss-Gesprächen und schriftlichen Feedbacks. Wir haben die Erlaubnis, sie hier zu veröffentlichen.
Der zweitägige Workshop hat uns die Augen geöffnet. Wir dachten, wir bräuchten ein riesiges Budget für KI. In Wahrheit konnten wir mit einem Pilotprojekt für unter CHF 15 000 starten und innerhalb von drei Monaten den ROI nachweisen.
Die Zusammenarbeit war unkompliziert. Was mir besonders gefallen hat: Das Team hat nicht einfach ein Modell abgeliefert, sondern unsere internen Entwickler geschult, damit wir es selbst weiterentwickeln können. Die Dokumentation war gründlich.
Unser Kundenservice bearbeitet täglich 800 E-Mails. Das Klassifizierungsmodell von Ai Optimum Vision sortiert 93 % davon korrekt in die richtigen Kategorien, bevor ein Mensch sie sieht. Die durchschnittliche Antwortzeit ist von 14 auf 6 Stunden gesunken.
Fallstudie: Qualitätskontrolle in der Fertigung
Ausgangslage
Ein Zulieferer für die Uhrenindustrie in La Chaux-de-Fonds prüfte Mikrokomponenten bisher visuell unter dem Mikroskop. Zwei Mitarbeitende kontrollierten pro Schicht rund 1 200 Teile. Die Fehlerquote lag bei 2,8 %, was bei einem Stückpreis von CHF 12 erhebliche Kosten verursachte.
Unsere Lösung
Wir haben ein Bilderkennungsmodell auf Basis eines Convolutional Neural Network trainiert. Dafür haben wir 18 000 Aufnahmen von fehlerfreien und fehlerhaften Teilen verwendet. Die Kamera wurde direkt in die Fertigungslinie integriert, sodass jedes Teil in Echtzeit geprüft wird.
Die Trainingsphase dauerte sechs Wochen. In den ersten zwei Wochen haben wir gemeinsam mit dem Kunden die Bilder gelabelt. Ab Woche drei lief das Modell parallel zum manuellen Prozess, damit wir die Ergebnisse vergleichen konnten.
Ergebnis nach sechs Monaten
Die automatische Kontrolle erkennt 98,4 % der Defekte korrekt. Die Fehlschlupfrate liegt bei 0,6 %, verglichen mit 2,8 % bei manueller Prüfung. Die zwei Mitarbeitenden arbeiten jetzt in der Endmontage, wo sie dringender gebraucht werden. Der Kunde schätzt die jährliche Einsparung auf CHF 180 000.
Unsere bisherigen Ergebnisse in Zahlen
Die folgenden Werte beziehen sich auf abgeschlossene Projekte zwischen 2019 und 2025. Sie sind keine Garantie für zukünftige Ergebnisse, aber sie zeigen, was in konkreten Szenarien möglich war.
abgeschlossene Projekte
Kunden mit Folgeprojekt
durchschnittliche Bewertung (von 5)
Branchen bedient
Zu den Branchen, in denen wir Erfahrung gesammelt haben, gehören Logistik, Fertigung, Medizintechnik, Finanzdienstleistungen, Einzelhandel, Pharma, Energie, Bildung, Versicherungen, Immobilien, Gastronomie und öffentliche Verwaltung. Die meisten Projekte dauern zwischen vier und zwölf Wochen. Komplexere Vorhaben wie die Entwicklung eines eigenen Sprachmodells für einen Versicherungskunden haben auch schon sechs Monate in Anspruch genommen.
Was uns von grösseren Beratungshäusern unterscheidet: Wir schreiben den Code selbst. Es gibt keine Unterauftragnehmer und keine Offshore-Teams. Jedes Modell wird von denselben Leuten entwickelt, getestet und gewartet. Das reduziert Kommunikationsverluste und beschleunigt Iterationen.