1 / 16

freshX

KI-Lösungen für den technischen Support

Die lernende
Wissensplattform
für Ihren Support

Aus E-Mail-Archiven, Handbüchern und Live-Betriebsdaten wird ein KI-Assistent, der Ihr Produkt wirklich kennt — datenschutzkonform, nachvollziehbar und mehrsprachig.

FreshX GmbH · freshx.de Referenzprojekt: Förster-Technik · CalfCloud

Ausgangslage

Ihr wertvollstes Support-Wissen ist heute unauffindbar

Drei Silos, die nicht miteinander sprechen — und jeden Tag wachsen.

📥 Postfächer

Jahre gelöster Kundenfälle liegen in Outlook-Archiven. Die Lösung von damals findet niemand wieder — jeder Fall wird neu gelöst. Und: Rohe Kundenmails dürfen aus Datenschutzgründen nicht einfach in eine Cloud-KI.

📚 Dokumentation

Tausende Handbücher, Schaltpläne, Ersatzteillisten und Service-Infos — als PDF, Word-Datei oder Scan, in über 20 Sprachen. Die Antwort steht auf Seite 143 — aber welche Datei war es, und welche Version?

🧠 Köpfe

Das Erfahrungswissen der dienstältesten Techniker: Symptome, Sonderfälle, „das ist fast immer der Sensor". Es geht mit jeder Verrentung unwiederbringlich verloren.

Die Folge: lange Einarbeitung, wiederkehrende Anfragen, inkonsistente Antworten — und ein Wissensschatz, der brachliegt, weil ihn keine Suche erschließt.

Die Lösung im Überblick

Eine Plattform: von der Rohquelle bis zur geprüften Antwort

QUELLEN · KONTINUIERLICH GESPEIST E-Mails & Tickets Dokumente Studien & Papers Live-Betriebsdaten Pipelines · on-premises Wissens-Bundle KI-Agent Support-Chat Wissensartikel Benachrichti- gungen Postfach · Ticket-System Ablage · DMS (ELO, SharePoint) wissenschaftl. PDFs OpenSearch · DB · MCP · Anonymisierung (lokales LLM) · Threading & Dubletten-Filter · OCR, Layout & Kapitelbaum · Problem/Lösung-Extraktion · Themen-Cluster + Entscheidungsbäume · Embeddings (lokal, dim 2560) Vektoren + Volltext versioniert · kompakt Speichertechnik frei wählbar Recherche-Loop mit Werkzeugen, geprüfte Quellen mit Quellenbelegen 28 Sprachen, teilbar Push & E-Mail indexiert durchsucht Fachtools · live abgefragt, nicht kopiert
Initial aus dem Bestand aufgebaut (Postfach-Backup, Dateiablage), danach kontinuierlich aus E-Mails, Tickets, Ablage und DMS gespeist. Live-Daten bindet der Agent direkt über Fachtools an — im Referenzprojekt OpenSearch, ebenso andere Datenbanken oder MCP-Integrationen.

USP · Datenschutz by Design

E-Mail-Aufbereitung mit lokaler Anonymisierung

Personenbezogene Daten werden von einem lokalen KI-Modell entfernt, bevor irgendein Text Ihr Haus verlässt.

IHR RECHENZENTRUM · ON-PREMISES Import Threading & Dedup Anonymisierung · lokal KI-Analyse (Cloud) Originaldaten bleiben hier Postfach · Ticket-System Zitat-Analyse, Dubletten raus · Lokales LLM (z. B. Qwen3 32B, Ollama) · Zweitpass: Namens-Suche im Ergebnis · Regex-Sicherheitsnetz (~20 Muster) · Konsistente HMAC-Pseudonyme · Seite-an-Seite-Review-Werkzeug · Deterministisch → auditierbar Problem/Lösung-Extraktion, Themen-Cluster — sieht nur „person_a1b2c3", nie Namen verschlüsselt & zugriffsbeschränkt nur pseudonymi- sierte Texte
Die Grenze ist hart: Die Cloud-Analyse erhält ausschließlich pseudonymisierte Threads.
NamenE-Mail-AdressenTelefon AdressenKunden- & SeriennummernFirmen ZugangsdatenIBANUSt-IDIP-Adressen Fachbegriffe & Fehlercodes bleiben erhalten

Wissensextraktion

Aus 10.000 Mails werden strukturierte Problemlösungen

1 · ExtraktionJe Thread: Problem, Lösung, Konfidenz, Produktbereich — schemageprüft
2 · Themen-ClusterÄhnliche Fälle finden sich automatisch (Embedding-Clustering)
3 · AufbereitungJe Thema: Unterprobleme, Lösungswege, erwartete Suchanfragen
4 · EntscheidungsbäumeSymptomfragen führen den Mitarbeiter zum passenden Unterproblem
  • Keine erfundenen Lösungen: Harte Validierungsregeln — ein ungelöster Fall bekommt keine Lösung angedichtet; gescheiterte Reparaturversuche zählen nicht als Lösung.
  • Konfidenz sichtbar: Jede Lösung trägt eine Verlässlichkeitsstufe (hoch/mittel/niedrig) und die Zahl der belegten Fälle.
  • Rückverfolgbar: Jedes Unterproblem verlinkt die anonymisierten Original-Threads — ein Klick zeigt den echten Fall.
  • Wiederholbar: Läufe sind versioniert und vergleichbar; ein neuer Mail-Import aktualisiert das Wissen, statt es zu überschreiben.

Beispiel eines extrahierten Falls

Problem: Automat meldet Fehler 33, Anmischtemperatur schwankt.
Lösung: Temperaturfühler am Boiler prüfen; bei Abweichung > 3 °C tauschen (Teil 155xxxx).
Konfidenz: hoch · 14 belegte Fälle
Quellen: anonymisierte Threads, per Klick einsehbar

Dokumenten- & Papers-Pipeline

Jedes Dokument wird zur zitierfähigen Wissensquelle

Initial als Bestandsimport aus Dateiablage oder DMS (z. B. ELO, SharePoint) — danach fließen neue und geänderte Dokumente kontinuierlich nach. Jeder Schritt ist idempotent: Nur Geändertes wird neu verarbeitet.

KonvertierungML-Layoutanalyse mit OCR & Tabellenerkennung — versteht auch Scans, Schaltpläne und komplexe Tabellen
KapitelbaumÜberschriften & Kapitelnummern werden zur navigierbaren Struktur mit Seitenankern
Kontext-ZusammenfassungenJeder Abschnitt wird mit Eltern-Kontext zusammengefasst („Contextual Retrieval")
EmbeddingsLokales Embedding-Modell, idempotent — nur Geändertes wird neu berechnet

Seitengenaue Zitate

Seitenmarker aus dem Originaldokument bleiben erhalten: Jede Antwort des Assistenten zeigt auf die exakte Fundstelle im Quelldokument — inklusive Bildern und Tabellen.

15 Dokumenttypen

Handbücher, Kurzanleitungen, Änderungsmitteilungen, Ersatzteillisten, Schaltpläne, Service-Regeln … — und wissenschaftliche Studien mit Autoren, Journal und DOI.

Mehrsprachig

24 Dokumentsprachen werden erkannt; Querverweise („siehe Kapitel 4.2") werden in 22 Sprachen aufgelöst — inklusive CJK.

PDFWordPowerPoint ExcelHTMLMarkdown Bilder & Scans

Wissensspeicher & Suche

Hybride Suche — auf dem Speicher, der zu Ihnen passt

Bedeutung und exakte Begriffe: Zwei Suchwege, fusioniert zu einem Ranking. Das Suchverfahren ist unabhängig von der Speichertechnik.

Anfrage Vektor-Suche · Bedeutung Volltext-Suche · exakte Begriffe RRF-Fusion Top-Treffer „Fehler 33 nach Update" 1. Binär-Vorfilter: 320 Byte je Vektor — 64× kompakter, Millisekunden über ~500k Abschnitte 2. Exakter Feinabgleich (f16-Cosine) nur auf den Kandidaten 3. Mindest-Ähnlichkeit filtert Rauschen BM25-Ranking (FTS5) — findet Fehlercodes, Teilenummern, Eigennamen exakte Treffer passieren immer beide Ranglisten fair vereint mit Fundstelle, Konfidenz, Filter Wissensspeicher — hier: SQLite-Bundle + In-Memory-Vektoren alternativ: PostgreSQL + pgvector · Vektor-DB · OpenSearch
Filter (Dokumenttyp, Metadaten, „nur gelöste Fälle") wirken in beiden Suchwegen — kleine Teilkorpora gehen nicht unter.

Der Speicher ist eine Architektur-Entscheidung, kein Dogma: Für das Referenzprojekt war ein eigenständiges SQLite-Bundle mit In-Memory-Vektoren die beste Wahl — ein Verzeichnis, versioniert, ohne Betriebsaufwand. Dasselbe Verfahren läuft ebenso auf PostgreSQL + pgvector, einer dedizierten Vektor-Datenbank oder OpenSearch — wir wählen, was in Ihre Landschaft passt.

Der KI-Assistent

Ein Agent, der recherchiert wie Ihr bester Mitarbeiter

Der Assistent beantwortet nicht aus dem Bauch — er benutzt Werkzeuge, liest nach und belegt jede Aussage.

  • Werkzeugkasten: Doku-Suche, Kapitel lesen, Inhaltsverzeichnisse, historische Mail-Fälle, Studien, Wissensartikel — plus Ihre Fachtools.
  • Geprüfte Quellen: Zitiert werden kann nur, was der Agent wirklich gelesen hat — jede Quellenangabe wird serverseitig validiert und zeigt auf die PDF-Seite.
  • Gezielte Rückfragen mit klickbaren Antwortoptionen, wenn Informationen fehlen.
  • Volle Transparenz: Jede Sitzung hat einen Ablaufgraphen — welche Tools, welche Kosten, welche Zwischenschritte.
  • Unterbrechen & fortsetzen auf jedem Gerät; Antworten streamen live.
Automat zeigt nach dem Software-Update Fehler 33 — was tun?
🔍 Doku-Suche · 📥 3 ähnliche Kundenfälle · 📖 Kapitel 6.4 gelesen Fehler 33 ist eine Abweichung der Anmischtemperatur. Nach Updates meist: Fühler neu kalibrieren D-4711 · S. 143. In 14 dokumentierten Fällen war der Boiler-Fühler defekt M-0012.
Soll ich die Kalibrier-Schritte anzeigen?
Rückfrage: Welches Modell?   CF 3.0 VARIO smart anderes

Wissensartikel

Aus jeder Recherche wird bleibendes Wissen

Ein Klick macht aus einer Chat-Recherche einen Artikel-Entwurf — die Wissensdatenbank schreibt sich beim Arbeiten von selbst.

Recherche-ChatMitarbeiter löst einen Fall mit dem Assistenten
Artikel-Entwurf1 Klick — Titel, Typ, Tags, Text, Quellen, Bilder; nutzt den Recherche-Kontext
RedaktionPassage markieren & per Anweisung umschreiben lassen; Komplett-Überarbeitung per Prompt
Zurück in die SucheFreigegebene Artikel findet der Assistent sofort — und verlinkt sie

Jeder Statuswechsel wird protokolliert (wer, wann). Entwürfe und gesperrte Artikel sind öffentlich nie sichtbar. Compliance-Regel eingebaut: Artikel zitieren ausschließlich offizielle Dokumentation — Erkenntnisse aus vertraulichen Kundenmails fließen ein, werden aber nie als Quelle veröffentlicht.

Übersetzung & Weitergabe

Ein Artikel, 28 Sprachen, ein Link

🌐 Übersetzen per Klick

Zielsprachen auswählen, Modell & Qualitätsstufe wählen, fertig — mit Live-Fortschritt. Ihr Firmenglossar (einfache Excel-Datei) erzwingt Ihre Terminologie in jeder Sprache. Quellenverweise und Bilder bleiben intakt.

⏱ Veraltet-Erkennung

Wird das Original geändert, markiert das System alle betroffenen Übersetzungen als „veraltet" — sichtbar für die Redaktion, ausgeblendet für die Öffentlichkeit. Neuübersetzung setzt den Marker zurück.

🔗 Öffentliche Artikelseiten

Jeder freigegebene Artikel ist über einen Token-Link teilbar — an Kunden, Händler, Servicepartner. Sprachumschalter inklusive; der Status steuert die Sichtbarkeit automatisch.

✅ Prüf-Workflow je Sprache

Auch Übersetzungen haben einen Status (ungeprüft / geprüft / gesperrt) und lassen sich direkt bearbeiten — inklusive KI-Überarbeitung in der Zielsprache.

Integration von Anwendungsdaten · Beispiel CalfCloud

Der Assistent kennt nicht nur die Doku — er sieht Ihre Anwendung

Über eine Standard-Schnittstelle erhält der Agent Fachtools für Ihre Systeme. Im Referenzprojekt: 14 Tools auf Live-Betriebsdaten aus OpenSearch.

  • Live statt Kopie: Kälberdaten, Tränkepläne, Alarme, Gerätezustände werden im Moment der Frage abgefragt — nichts wird dupliziert.
  • Handeln, nicht nur lesen: Notizen anlegen, Tiere markieren, sogar das Halsband-Licht zur Tiersuche einschalten.
  • Rechte bleiben Rechte: Jedes Tool ist auf die Betriebe des angemeldeten Nutzers beschränkt — der Agent sieht nie mehr als der Mensch.
  • Übertragbar: Dieselbe Schnittstelle bindet andere Datenbanksysteme, ERP, Ticketsystem oder IoT-Plattform an — direkt oder als MCP-Integration. Doku-Wissen und Betriebsdaten in einer Antwort.
Welche Kälber in Betrieb Nord hatten heute Tränkeabbrüche?
⚙ Live-Abfrage: Alarme · Tränkedaten · Tierliste 3 Kälber mit Abbrüchen: DE 09 123 (2×, zuletzt 14:20), DE 09 187 und DE 09 201. Bei DE 09 123 fiel zeitgleich die Anmischtemperatur — das passt zu Fehlerbild M-0012. Empfehlung: Fühler prüfen D-4711 · S. 143.
Leg eine Notiz am Tier an und schalte das Halsbandlicht ein.
⚙ Notiz gespeichert · Halsbandlicht DE 09 123 aktivErledigt — das Tier ist im Stall jetzt am blinkenden Halsband zu finden.

Automatisierung & Autonomie

Ein Agent, der selbstständig überwacht — und weiß, wann er sich meldet

Wiederkehrende Aufgaben werden in Prosa formuliert und zeitgesteuert ausgeführt. Im Rahmen seiner Tools handelt der Agent autonom: Er legt eigene Folgeaufträge an, überwacht engmaschig und eskaliert, wenn es nötig wird.

1 · Tagesauftrag„Verschaffe dir jeden Morgen um 6 Uhr einen Überblick über den Zustand der Herde."
2 · EigeninitiativeAuffälliges Kalb entdeckt? Der Agent legt sich selbst einen wiederkehrenden Überwachungs-Job für dieses Tier an
3 · Engmaschige KontrolleTränkemengen, Besuche und Alarme des Einzeltiers werden über den Tag verfolgt
4 · EskalationVerschlechterung? Rote Blink-LED am Halsband + Push — der Landwirt sieht im Stall sofort, welches Tier Aufmerksamkeit braucht

Bedingungen in natürlicher Sprache

„Nur wenn …" braucht kein Formularfeld: Die Bedingung steht im Auftragstext, und die KI wertet sie aus — beliebig differenziert, ohne Konfigurations-Dschungel.

Wissenschaftlich fundiert

Mit Zugriff auf Studien zur Kälberaufzucht beurteilt der Agent Haltungsbedingungen und Futterplan-Einstellungen und gibt belegte Handlungsempfehlungen — ausschließlich auf Basis freigegebenen, gereviewten Wissens.

Ergebnisseiten statt Textwüste

Lange Auswertungen landen auf einer sauber formatierten Ergebnisseite mit Ablaufdatum; Push und E-Mail tragen nur die Kernaussage und den Link. Gleiche Rechte wie der Nutzer — nie mehr.

Modellfreiheit & Kostenkontrolle

Jedes KI-Modell — Cloud oder komplett lokal

  • Provider-neutral: Anthropic Claude, OpenAI GPT, DeepSeek, Qwen, Grok, Kimi — oder Ihre eigenen Modelle via Ollama, vLLM, LM Studio. Ein neues Modell ist ein Konfigurationseintrag, keine Programmierung.
  • Wahl pro Aufgabe: Modell je Sitzung, Denkaufwand je Nachricht — schnelle Modelle für Routine, starke für knifflige Recherchen.
  • Kosten live sichtbar: Jede Antwort zeigt Token und Euro-Betrag; der Ablaufgraph schlüsselt jede Sitzung auf.
  • Konsequentes Prompt-Caching: Recherche-Kontext wird wiederverwendet statt neu bezahlt. Allein die Inventar-Optimierung sparte über 100.000 Token fixen Präfix pro Anfrage.
  • Günstig zuerst: Massenarbeit (Zusammenfassungen, Spracherkennung) läuft auf kleinen Modellen, Anonymisierung und Embeddings komplett lokal — Spitzenmodelle nur, wo sie zählen.

Aufgabe → passendes Modell

Anonymisierung → lokal (Qwen3 32B)
Embeddings/Suche → lokal (Qwen3-Embedding)
Massen-Anreicherung → kleines Cloud-Modell
Recherche-Chat → starkes Modell nach Wahl
Themen-Aufbereitung → Spitzenmodell, einmalig

ClaudeGPTQwen DeepSeekGrokKimi Ollama · lokalvLLM · lokalLM Studio · lokal

Sicherheit & Datenschutz

Verteidigung in der Tiefe — nicht als Nachtrag

🏠 PII bleibt im Haus

Anonymisierung und Embeddings laufen auf Ihrer Hardware. Cloud-Modelle sehen ausschließlich pseudonymisierte Texte — reproduzierbar und auditierbar.

🔑 Konsistente Pseudonyme

Kryptografische Pseudonyme (HMAC) statt Zufallstoken: „person_a1b2c3" bleibt über alle Mails dieselbe Person — Zusammenhänge bleiben analysierbar, Identitäten nicht.

👤 Nutzergebundene Sitzungen

Jede Chat-Sitzung gehört ihrem Besitzer; jedes Fachtool filtert serverseitig auf dessen Berechtigungen — auch in automatischen Daueraufträgen.

📬 Kein Empfänger-Freiflug

Benachrichtigungs-Tools haben bewusst keinen Empfänger-Parameter: Der Agent kann nur den Auftrags-Besitzer benachrichtigen — niemals Dritte.

🧼 Ausgaben-Härtung

Markdown aus dem Modell wird vor E-Mail-Versand von aktivem HTML befreit; öffentliche Ergebnisseiten laufen automatisch ab.

📋 Nachvollziehbarkeit

Ablaufgraphen, Statusprotokolle und Quellvalidierung machen jede Antwort und jeden Artikel bis zur Fundstelle rückverfolgbar.

Warum diese Lösung

Die Plattform in Zahlen

2.000+Dokumente im Referenz-Bundle
500.000durchsuchbare Abschnitte
24Dokumentsprachen erkannt
28Artikel-Zielsprachen
0Klardaten in der Cloud
100k+Token/Anfrage eingespart

Wissen, das sich selbst schreibt

Jede gelöste Anfrage kann per Klick zum geprüften, mehrsprachigen Wissensartikel werden — die Datenbank wächst im Tagesgeschäft.

Antworten mit Beleg

Keine Halluzinations-Lotterie: validierte Quellen, PDF-Seite, Konfidenz und Fallzahlen an jeder Aussage.

Ihre Daten, Ihre Regeln

Lokale Anonymisierung, lokale Vektoren, freie Modellwahl bis hin zum vollständig lokalen Betrieb.

freshX

„Softwareentwicklung ist in erster Linie
Vertrauenssache."

Lassen Sie uns darüber sprechen, was in Ihren Postfächern, Handbüchern und Betriebsdaten steckt — und wie schnell daraus ein Assistent wird.

FreshX GmbH freshx.de dominik@freshx.de