Avolang berät Unternehmen zum verantwortungsvollen Einsatz von Künstlicher Intelligenz. Der belastbarste Nachweis dafür ist nicht allein eine Liste von Zertifikaten, sondern produktiv erprobte Technik. Mehrere selbst entwickelte Systeme laufen im echten Betrieb, mit definierten Regeln, Kontrollen, Fehlerbehandlung und nachvollziehbaren Grenzen. Dieser Beitrag zeigt sie im Detail.
Eine eigene Datenplattform mit Agenten
Der Datenmotor hinter dem Avolang DataBrain sammelt strukturierte Informationen aus mehr als 15 deutschen und europäischen Datenportalen. Das System klassifiziert neue Datensätze, verbindet sie mit historischen Informationen und bereitet sie für Markt-, Preis- und Wettbewerbsanalysen auf. KI unterstützt dabei die Einordnung und Qualitätsprüfung, ersetzt aber nicht die menschliche Bewertung der Ergebnisse.
Das System pflegt sich zu großen Teilen selbst. Ein vierstufiger Agenten-Ablauf übernimmt neue Funktionen von der Analyse bis zum Live-Deployment:
Analyse
Prüft den Ist-Zustand gegen die Projektziele und schlägt priorisierte nächste Schritte vor, ohne selbst Code zu schreiben.
Umsetzung
Implementiert genau den priorisierten Punkt vollständig.
Review
Prüft Typsicherheit, Projektregeln, Logik und Sicherheit, bevor irgendetwas live geht.
Qualitätsprüfung
Testet die betroffenen Funktionen und markiert das Ergebnis als bestanden, teilweise bestanden oder durchgefallen.
Ergänzt wird das durch einen täglichen Agenten, der jeden Tag genau eine Aufgabe aus dem Rückstand vollständig abarbeitet und automatisch auf den Produktivserver bringt, einen wöchentlichen Agenten, der jeden Montag die vergangene Woche auswertet und neu priorisiert, und einen Gesundheitscheck, der fünfmal täglich prüft, ob Datenquellen und Server erreichbar sind, und sich nur bei einem echten Problem meldet.
Bei einer automatisierten Änderung erkannte der Review-Agent eigenständig eine unsichere Datenbankabfrage, eine ungeprüfte Zeichenketten-Verkettung in einer rohen SQL-Anweisung, stoppte die Freigabe mit dem Status „durchgefallen“ und ließ die Stelle erst nach einer Korrektur passieren. Kein Mensch musste den Fehler zuerst finden.
„Vertrauenswürdige Daten oder gar keine Aussage.“ Genau nach diesem Grundsatz sind die Agenten bewusst auf Ehrlichkeit statt auf Vollständigkeit programmiert. Ist die Datenlage für eine Einschätzung zu dünn, sagt das System das offen, statt eine Zahl zu erfinden, die es nicht belegen kann.
Eine kontrollierte B2B-Lead-Pipeline mit Azure und RAG
In einem zuvor manuellen Vertriebsprozess blieben neue E-Mail-Anfragen teilweise mehrere Tage unbeantwortet. Die entwickelte Pipeline erfasst eingehende Leads in Microsoft Azure, klassifiziert das Anliegen und gleicht es über ein Retrieval Augmented Generation System mit freigegebenen Quelldokumenten, Angebotsinhalten und Markenmaterial ab.
Das Sprachmodell darf dabei keine beliebige Verkaufsnachricht versenden. Für jede zulässige Anfrageklasse existieren zuvor von Menschen formulierte und freigegebene E-Mail-Vorlagen. Passt eine Anfrage sicher zu einer Klasse, wählt das System die passende Vorlage, ergänzt nur erlaubte Inhalte und versendet sie innerhalb eines konfigurierbaren Zeitfensters. Die Reaktion kann unmittelbar erfolgen oder bewusst verzögert werden.
Einordnen
Die Anfrage wird nach festgelegten Kategorien und Sicherheitsschwellen klassifiziert.
Wissen abrufen
Das RAG-System sucht passende Informationen in freigegebenen Unternehmensquellen und Angebotsunterlagen.
Kontrolliert antworten
Versendet werden ausschließlich menschlich freigegebene Vorlagen, die zum Firmenimage und zur Anfrageklasse passen.
CRM aktualisieren
Lead, Anfrage, Versandstatus, Antwort und nächste Aktion werden automatisch dokumentiert.
Nachfassen oder übergeben
Follow-ups reagieren auf den tatsächlichen Status. Unsichere Anfragen werden markiert und nicht automatisch beantwortet.
Sicher zugeordnete E-Mails werden nach der Verarbeitung in „Bearbeitet“ verschoben. Erreicht das System die definierte Sicherheit nicht oder fehlt eine zulässige Antwort, bleibt die Nachricht markiert in „Noch nicht erledigt“. Dadurch sinkt die technische Reaktionszeit von einer manuellen Warteschlange auf ein festgelegtes Intervall, ohne dass unsichere KI-Texte das Unternehmen verlassen.
Transparenz: Die Pipeline wurde von Zino Lang entwickelt und in eigenen sowie realen, eng verbundenen Unternehmensabläufen eingesetzt. Sie wird hier als erprobte Eigenentwicklung beschrieben, nicht als bezahlte Kundenreferenz und nicht mit hochgerechneten Umsatzwerten.
Die eigene Website als laufendes Testfeld
Auch avolang.de selbst entsteht im direkten Zusammenspiel mit KI, allerdings nicht durch generierte Textbausteine, sondern durch echte technische Arbeit: Suchmaschinenoptimierung über die gesamte Seite, strukturierte Daten für Google und für KI-Suchmaschinen wie ChatGPT und Perplexity, und die Fehlersuche bei hartnäckigen technischen Problemen.
Eine Sicherheitsrichtlinie im Hintergrund blockierte über mehrere Tage einzelne Funktionen der Seite, ohne dass ein Statuscode oder eine sichtbare Fehlermeldung darauf hinwies. Erst der direkte Abgleich der tatsächlich ausgelieferten Bytes mit den lokal berechneten Prüfsummen deckte die eigentliche Ursache auf: unterschiedliche Zeilenenden zwischen der Windows-Entwicklungsumgebung und dem Linux-Server, unsichtbar in jedem normalen Test.
Marketing und Content, automatisiert vorbereitet
Jeden Mittag recherchiert ein Agent aktuelle Entwicklungen zu KI und Datenschutz der letzten 24 Stunden, wählt das relevanteste noch nicht behandelte Thema aus und erstellt daraus ein sechsteiliges Bildkarussell für LinkedIn und TikTok, inklusive Bildtexten im eigenen Markenton. Jede genannte Frist, jeder Paragraf und jede Zahl muss dabei an einer tatsächlich aufgerufenen Quelle belegt sein und darf nicht aus dem Gedächtnis zitiert werden. Veröffentlicht wird am Ende von Hand, die inhaltliche Vorarbeit übernimmt der Agent vollständig.
Für Kurzvideos im Hochformat läuft eine vollständige Produktionskette auf eigener Hardware: Ein Text-zu-Sprache-System mit geklonter Stimme vertont das Skript, ein Ausrichtungssystem berechnet daraus exakt sitzende Untertitel, und ein Rendering-Werkzeug setzt daraus das fertige Video zusammen, inklusive Bewegungselementen und Soundeffekten.
Buchhaltung und Datenschutz, beide selbst gebaut
Eine Rechnungsapp verfolgt laufende Rechnungen und Abonnements vollständig und verschickt fällige Rechnungen automatisch, inklusive einer eigenen Abo-Verwaltung für wiederkehrende Leistungen.
Ein zweites Werkzeug läuft vollständig lokal auf Ollama und anonymisiert automatisch, was in die Zwischenablage kopiert wird, sowie auf Wunsch ganze Dokumente von Hand. Personenbezogene Daten werden ersetzt, bevor der Text an ein großes Sprachmodell wie Claude, GPT oder Gemini geht, und bei der Antwort wieder eingesetzt. So lassen sich die leistungsfähigsten verfügbaren Modelle nutzen, ohne dass sensible Daten das eigene System verlassen, genau das Prinzip, das wir auch unseren Kunden empfehlen.
Warum das für Sie als Kunde zählt
Für eine Beratung, die anderen Unternehmen zum verantwortungsvollen und sicheren Einsatz von KI rät, ist genau das der eigentliche Nachweis. Nicht die Anzahl der Zertifikate allein, sondern der tägliche Betrieb echter KI-Systeme. Die Zertifizierungen von Anthropic, OpenAI und AWS sind der Unterbau. Was wir daraus gebaut haben, ist der eigentliche Beleg.
Wie arbeitet die eigene Datenplattform?
Sie sammelt strukturierte Informationen aus mehr als 15 öffentlichen Datenportalen, klassifiziert neue Datensätze und verbindet sie mit historischen Informationen. Ein mehrstufiger Agenten-Ablauf unterstützt Analyse, Umsetzung, Review und Qualitätsprüfung.
Wie schützt Avolang Kundendaten beim Einsatz großer Sprachmodelle?
Über den lokalen Anonymisierer: Er ersetzt personenbezogene Daten automatisch in der Zwischenablage und auf Wunsch in ganzen Dokumenten, bevor Text an ein Frontier-Modell wie Claude, GPT oder Gemini geht, und macht die Anonymisierung bei der Antwort wieder rückgängig.
