Fragen. Antworten. Weiterarbeiten.

Automotive-Daten ändern sich täglich: Teilenummern, Verfügbarkeiten, Preise. Ein trainiertes Modell ist ab Tag 1 veraltet.

Unser Live-RAG-Ansatz ruft Daten immer aktuell ab – keine Trainingszyklen, keine veralteten Informationen.

Dazu: Viele Datenlieferanten erlauben kein Training auf ihren Daten aus Compliance-Gründen.

Kein einzelner Anbieter deckt alles ab: Teile-Kataloge ≠ Reparaturanleitungen ≠ Diagnose-Daten.

Werkstätten haben Präferenzen: Manche vertrauen TecAlliance für Teile, AutoData für Prozeduren.

Die Integration ist die eigentliche Arbeit – nicht das LLM. Wir verbinden auch Werkstattsysteme und Arbeitsabläufe.

Agentisches LLM: Schnell und kreativ – orchestriert Datenabrufe, wählt Quellen, plant Schritte.

Finales LLM: Zuverlässig und geerdet – generiert die Antwort nur aus abgerufenen Daten.

Ergebnis: Kostenoptimierung (teures Modell nur wo es zählt) und Qualitätsoptimierung (Halluzinationen reduziert durch Grounding).

Beide LLMs sind frei wählbar: Gemini, OpenAI, Anthropic oder Open-Source – kein Vendor Lock-in.

Quellenverankerung: RAG-basiert – jede Aussage referenziert Originaldaten.

Haftung: Im Automotive-Bereich kostet falsche Information Geld – falsche Teile, Reklamationen, Zeitverlust.

Compliance: Rückverfolgbarkeit gegenüber Kunden und Herstellern ist oft Pflicht. Keine „das hat die KI gesagt“-Ausreden – stattdessen Vertrauen durch Transparenz.

Wir arbeiten seit 2 Jahren fokussiert an genau diesem Problem – Werkstatt-Workflows verstehen, echte Mechaniker-Fragen analysieren, Integrationen bauen, die in der Praxis funktionieren.

Könnte das jemand nachbauen? Theoretisch ja. Aber dafür bräuchte man:

• Monate, um unsere Integrationen nachzubauen – plus Chat-Interface, Multi-Modalität, Deployment-Infrastruktur und all die domänenspezifischen Feinheiten in unserem Context Manager
• Ein Team, das Automotive-Erfahrung mit KI-Engineering verbindet (selten)
• Zeit, um das Daten-Flywheel aufzubauen, das wir bereits haben – jede Anfrage verbessert unser System

Währenddessen bauen wir weitere Integrationen, lernen aus echtem Einsatz und festigen Kundenbeziehungen. Unser Vorsprung wächst – er schrumpft nicht.

Teile-Katalog-Anbindung: 8–15 Personentage.

Das beinhaltet: API-Integration, Mapping auf euer DMS, Testphase mit echten Daten, und Feinabstimmung der Antwortqualität.

Weitere Datenquellen (Reparaturanleitungen, Diagnose-Daten) können parallel oder schrittweise hinzugefügt werden.

Klarstand arbeitet mit verschiedenen Teilenummerierungen – je nachdem, was die angebundene Datenquelle liefert. Ob generische Artikelnummer, OE-Nummer oder Freitext-Beschreibung: Das System erkennt automatisch, welche Informationen vorliegen, und gleicht sie ab.

Wo strukturierte Nummern fehlen, überbrückt das LLM die Lücke durch intelligentes Matching von Textbeschreibungen – basierend auf vorhandenen Daten, nicht auf Vermutungen.

Aktuell liegt der Fokus auf dem Reparaturprozess – von der Fehlerdiagnose über Reparaturanleitungen bis zu technischen Daten und Ersatzteilen. Das ist ein klar definierter, wertvoller Anwendungsfall.

Aber Klarstand ist nicht auf Reparaturdaten beschränkt. Überall dort, wo viele Daten aus verschiedenen Systemen zusammenkommen, kann Klarstand unterstützen: Fahrzeugannahme, Teilebestellung, Abrechnung. Das Ziel: Suche beschleunigen und Reibung zwischen Systemen reduzieren.

Datenminimierung: Es werden nur betriebsnotwendige Daten erhoben.

Verschlüsselung: Bei Übertragung und Speicherung.

Keine Weitergabe an Dritte (Ausnahme: LLM-Verarbeitung). Nutzer-initiierte Löschung jederzeit möglich. Keine IP-Adressen für Analysezwecke.

EU-Datenresidenz und On-Premise-Optionen werden für den Produktivbetrieb aktiv evaluiert.

Unser Modell setzt sich transparent zusammen aus:

• Einmalige Setup-Fee (basierend auf Integrationsaufwand)
• Laufende Lizenzgebühr (gestaffelt nach Nutzern oder Werkstätten)
• Maintenance-Pauschale
• Optionale Service-Fee

Als Startup sind wir flexibel und offen für kreative Partnerschaftsmodelle. Die konkrete Preisgestaltung hängt von der gewünschten Integrationstiefe ab.

Domänenspezifische Systemanweisungen beschränken den Chatbot auf den fachlichen Kontext.

Für kritische Fakten (Drehmomente, Intervalle, Teileinformationen) muss das System verifizierte Datenquellen nutzen – Raten ist explizit nicht erlaubt.

Quellenverweise sind in der Oberfläche sichtbar.

Geplant: Automatische Validierung kritischer Antworten gegen die zugrunde liegenden Dokumente – unbelegte Antworten werden verworfen.

Ja, unsere Architektur unterstützt das – kein Vendor Lock-in. Open-Source- und lokale Modelle liefern brauchbare Ergebnisse, liegen aber in der Leistungsfähigkeit hinter Cloud-Modellen.

Für maximale Qualität: Cloud-Modelle (Gemini, OpenAI, Anthropic).

Für maximale Datensouveränität: On-Premise-Betrieb mit lokalen Modellen.

Die Qualität im Open-Source-Bereich nimmt stetig zu.

REST-API ist bereits vorhanden. Bidirektionale Integration möglich: Daten in Klarstand einbinden und Klarstand-Funktionen in Partnersysteme integrieren (Chat, Diagnose-Workflows, RMI-Abruf).

Unterstützt werden Fahrzeugdatenbanken, Wartungs- und Diagnosedaten, Teilekataloge und Dokumenten-Retrieval. Weitere Protokolle auf Anfrage.