Die KI, die Ihre Engineering-Daten versteht — und nie das Haus verlässt.

Cloud-LLMs verarbeiten Ihre Anfragen auf Servern, die letztlich US-Gesetzgebung unterliegen — selbst wenn der Anbieter EU-Rechenzentren betreibt, gilt der CLOUD Act für die Mutterfirma. Für Engineering-Daten (Steuergeräte-Code, Konstruktionspläne, Kunden-Spezifikationen) ist das kein Restrisiko, sondern ein Ausschlusskriterium.

Lokale LLMs laufen auf Ihrer Hardware oder in einem Rechenzentrum, das vollständig Ihrer Hoheit untersteht. Kein Token verlässt den Perimeter, kein Telemetrie-Leak, keine Hyperscaler-Abhängigkeit. Zusätzlich: keine Latenz durch Remote-Calls, kein API-Rate-Limit, planbare Kosten.

RAG (Retrieval-Augmented Generation) gibt einem Sprachmodell vor jeder Antwort Zugriff auf Ihre eigenen Dokumente. Ein Retriever holt die relevantesten Ausschnitte, das Modell antwortet ausschließlich auf deren Basis — mit Zitaten und damit prüfbar.

Der Vorteil gegenüber Fine-Tuning: neue Dokumente sind sofort verfügbar (kein Retraining), Halluzinationen sinken drastisch, und Sie behalten die Kontrolle darüber, was das Modell überhaupt sehen darf. Wer welche Antwort bekommt, lässt sich auf Quellenebene steuern — wichtig für vertrauliche Bereiche und Berechtigungsstufen.

Klassisches RAG nutzt einen einzigen Retriever — meist nur Vektor-Suche. Das funktioniert für einfache Faktenfragen, scheitert aber bei komplexen Engineering-Anfragen wie „Welche Steuergeräte beeinflussen die Bremstemperatur in Revision 4.2 und welche DTCs sind neu?

• Hybrid heißt: mehrere Retrieval-Strategien laufen parallel — BM25 für Fachbegriffe, Vektoren für Semantik, GraphRAG für Beziehungen. Reciprocal Rank Fusion vereint die Ergebnisse.
• Agentic heißt: ein Agent zerlegt komplexe Fragen, plant mehrere Retrieval-Schritte, prüft Zwischenergebnisse und iteriert. Statt einer einzelnen Antwort entsteht ein nachvollziehbarer Reasoning-Pfad — auditierbar und mit vollständiger Quellenkette.

Drei Punkte, die wir liefern und Sie sonst kaum bekommen:

• Engineering-native Parser: A2L, ODX, MDF, DBC, PDF-Spezifikationen — schema-bewusst, nicht im generischen Text-Splitter zerhackt. Eine DiagnosticTroubleCode-Definition bleibt als Einheit erhalten, kein Chunk-Break mitten im Freeze-Frame.
• On-Premise oder deutsche Cloud: Hetzner, IONOS, Open Telekom Cloud — oder direkt bei Ihnen im Rechenzentrum. Keine US-Hyperscaler, keine Daten-Exfiltration, kein Erklärungsbedarf gegenüber dem Datenschutzbeauftragten.
• Eigene Pipeline statt Black-Box-SaaS: R.AgenticRAG basiert auf .NET 9, Lucene.NET und Kùzu. Sie bekommen die Architektur erklärt, nicht nur API-Endpoints. Wartbar, erweiterbar, kein Vendor-Lock-in.

Dazu unser Vorgehen: Erstgespräch → Demo → Pilot → Rollout. Sie entscheiden nach jeder Phase neu, ob wir weitermachen.

Wir sind ein deutsches Software-Unternehmen aus Leonberg und entwickeln KI für Engineering und Aftersales, die Ihre Daten nicht aus dem Haus lässt. Kern ist R.AgenticRAG — eine Hybrid-Agentic-RAG-Pipeline, die technische Unterlagen (Steuergeräte-Beschreibungen, Messdaten, Pläne, Spezifikationen) direkt liest und belegbare Antworten mit Quellenangabe liefert.

Wir liefern auf drei Ebenen: als Code-Modul (R.AgenticRAG Core) für Ihr eigenes Team, als Integration (R.AgenticRAG:API) in bestehende Anwendungen, oder als fertige Apps für Engineering und Aftersales. Alles läuft on-premise oder in einer deutschen Cloud — zertifiziert nach ISO 27001 und ISO 9001.

Das hängt vom Umfang ab — von einer schlanken API-Anbindung an ein bestehendes Tool bis zur maßgeschneiderten Anwendung. Als grobe Orientierung:

• Integrationen starten typischerweise bei ca. 8.000 € und bewegen sich je nach Umfang im Bereich 8.000–120.000 €.
• Individuelle Entwicklung rechnen wir zum Tagessatz ab 920 € ab.

Erstgespräch und eine grobe Datensichtung sind kostenlos — dabei klären wir Datenquellen, Schnittstellen und Zielbild, und Sie bekommen ein belastbares Angebot. Optional setzen wir für wenig Geld einen Proof of Concept auf, mit dem Sie den Nutzen an Ihren eigenen Daten sehen, bevor Sie sich festlegen.

Cloud-LLMs (z. B. GPT, Claude, Gemini) sind geschlossene Modelle, die Sie nur als Dienst über eine API nutzen. Das Modell läuft auf den Servern des Anbieters — Ihre Anfragen verlassen also Ihr Haus, es gelten fremde Nutzungsbedingungen, API-Kosten und Rate-Limits, und der Anbieter kann das Modell jederzeit ändern oder abschalten.

Open-Weight-LLMs (z. B. Llama, Qwen3, Mistral, DeepSeek, Gemma) stellen ihre Modell-Gewichte öffentlich bereit. Sie betreiben das Modell auf Ihrer eigenen Hardware:

• Kein Datenabfluss — kein Token verlässt Ihren Perimeter.
• Planbare Kosten statt nutzungsabhängiger API-Gebühren, keine Rate-Limits.
• Freie Modellwahl und kein Vendor-Lock-in — das Modell bleibt Ihnen erhalten.

Hinweis: Open-Weight heißt „Gewichte frei verfügbar” — nicht zwingend vollständig Open Source (Trainingsdaten und -code sind nicht immer offen). Genau auf solche lokal betriebenen Open-Weight-Modelle setzt R.AgenticRAG setzt.

Ja. Neben unserem Produkt begleiten wir Unternehmen auch beratend auf dem Weg zu KI — von der ersten Standortbestimmung über die Auswahl sinnvoller Anwendungsfälle bis zur konkreten Umsetzung. Sie bekommen also nicht nur Software, sondern einen Partner, der Technik und Nutzen zusammenbringt.

Wir arbeiten dabei individuell statt von der Stange — zugeschnitten auf Ihre Branche, Datenlage und Ziele. Schildern Sie uns einfach Ihre Anfrage; das Erstgespräch ist kostenlos.