Diese Zahlen stammen aus unserer internen Projektdatenbank, Stand Juni 2025. Die Weiterempfehlungsrate basiert auf einer Befragung nach Projektabschluss.
Direkte Rückmeldungen aus abgeschlossenen Projekten.
Wir hatten vorher drei Mitarbeitende, die den ganzen Tag Rechnungen manuell erfasst haben. Nach dem Projekt mit Reliable AI Realm erledigt das System 85 % der Rechnungen automatisch. Die drei Kolleginnen kümmern sich jetzt um Sonderfälle und Lieferantenkommunikation, was viel sinnvoller ist.
Das Prognosemodell für unseren Onlineshop trifft die wöchentliche Nachfrage mit einer Abweichung von unter 8 %. Vorher haben wir auf Bauchgefühl bestellt. Das Ergebnis: weniger Überbestände, weniger Notbestellungen per Express. Allein die Versandkosten sind um CHF 40 000 pro Jahr gesunken.
Das Audit war ehrlich. Das Team hat uns gesagt, dass zwei unserer fünf Ideen mit KI keinen Sinn ergeben, weil die Datenbasis zu dünn ist. Die drei übrigen Ideen haben sie priorisiert und eine davon umgesetzt. Diese Ehrlichkeit hat uns viel Geld gespart.
Unser Chatbot beantwortet jetzt 70 % der Kundenanfragen auf Deutsch und Französisch ohne menschliches Eingreifen. Die restlichen 30 % werden an den richtigen Mitarbeitenden weitergeleitet, inklusive einer Zusammenfassung des bisherigen Gesprächs. Die Reaktionszeit ist von durchschnittlich 4 Stunden auf 12 Sekunden gesunken.
Die Bilderkennung in unserer Produktionslinie erkennt Oberflächenfehler, die unsere Prüfer bei hoher Taktzeit übersehen haben. Seit der Einführung ist die Reklamationsquote um 38 % zurückgegangen. Das System läuft seit 14 Monaten stabil, und das Nachtraining alle drei Monate geht unkompliziert.
Wir wollten verstehen, warum bestimmte Kunden nach sechs Monaten abspringen. Das Churn-Modell hat drei Faktoren identifiziert, die wir vorher nicht auf dem Radar hatten. Einer davon war banal: Kunden, die in den ersten zwei Wochen keinen Support-Kontakt hatten, kündigten doppelt so häufig. Jetzt rufen wir proaktiv an.
Zwei Projekte im Detail: Ausgangslage, Vorgehen und messbare Ergebnisse.
AlpineGoods betreibt einen Onlineshop für Outdoor-Ausrüstung mit rund 8 000 Artikeln. Das Unternehmen hatte regelmässig Überbestände bei Saisonartikeln und gleichzeitig Lieferengpässe bei Standardprodukten. Die Einkaufsabteilung bestellte auf Basis von Vorjahresvergleichen und persönlicher Einschätzung.
Wir haben ein Gradient-Boosting-Modell auf drei Jahren Verkaufsdaten trainiert, ergänzt um Wetterdaten und Feiertagskalender. Das Modell liefert wöchentliche Bestellempfehlungen pro Artikel. Während der Testphase lag die Abweichung bei 7,4 % gegenüber der tatsächlichen Nachfrage.
Seit der Einführung im März 2024 hat AlpineGoods den Lagerbestand um 23 % reduziert. Die Anzahl der Expressbestellungen an Lieferanten sank von durchschnittlich elf pro Monat auf zwei.
Müller AG fertigt Metallteile für die Uhren- und Medizintechnikindustrie. Die visuelle Endkontrolle war ein Engpass: Bei einer Taktzeit von vier Sekunden pro Teil übersahen die Prüfer gelegentlich feine Kratzer und Verfärbungen. Die Reklamationsquote lag bei 2,1 %.
Wir haben 1 400 Bilder von fehlerhaften und fehlerfreien Teilen annotiert und ein Convolutional Neural Network darauf trainiert. Das Modell erkennt sechs Fehlertypen (Kratzer, Dellen, Verfärbungen, Grate, Massabweichungen, Verunreinigungen) und klassifiziert jedes Teil in unter 200 Millisekunden.
Nach 14 Monaten im Einsatz liegt die Reklamationsquote bei 1,3 %. Gleichzeitig konnte die Taktzeit auf drei Sekunden verkürzt werden, weil das System schneller entscheidet als ein menschlicher Prüfer. Das Modell wird alle drei Monate mit neuen Bildern nachtrainiert, um auf veränderte Materialchargen zu reagieren.
Beschreiben Sie uns Ihre Ausgangslage. Wir sagen Ihnen innerhalb von zwei Arbeitstagen, ob und wie KI in Ihrem Fall helfen kann.
Anfrage senden