Was wir gebaut haben – und was es zeigt.

Ausgangslage

Ganze Stapel Rechnungen, Bescheide, Versicherungspolicen, Lohnabrechnungen und Verträge landen als eine einzige große PDF-Datei im Scanner. Von Hand heißt das: herausfinden, wo jedes Dokument beginnt und endet, es benennen und ablegen. Noch mühsamer wird es, wenn Trennblätter fehlen, Seiten durcheinandergeraten sind oder Dokumente in mehreren Sprachen vorliegen.

Ansatz

Gehostete Modelle des europäischen Anbieters Mistral lesen jede Seite (OCR) und klassifizieren die Dokumente. Der eigentliche Nutzen steckt in der eigenen Schicht darum herum:

• Grenzerkennung: erkennt Seitenzähler wie „Seite 2 von 5“ in fünf Sprachen, nutzt Referenznummern wie Policen- oder Rechnungsnummern und gruppiert Seiten nach Absender. So werden mehrseitige Dokumente wieder zusammengesetzt, vertauschte Seiten sortiert und fehlende Seiten gemeldet.
• Klassifizierung in 16 Kategorien mit mehrsprachigen Beschreibungen. Passt keine, schlägt das Modell eine eigene Kategorie vor.
• Bereinigungsmodus: baut ein sauberes PDF allein aus dem erkannten Inhalt auf – Skripte, Makros oder eingebettete Dateien bleiben draußen.
• Zusammenführen: macht aus PDFs, Bildern, Word- und Textdateien ein einziges PDF.

Ergebnis

Sie laden ein PDF bis 100 MB hoch und erhalten ein ZIP-Archiv mit Ordnern, benannt in Ihrer Sprache, dazu ein Excel-Protokoll. Hochgeladene Dateien werden nach einer festgelegten Zeit automatisch gelöscht.

Ein realer 9-seitiger Scan ohne Trennblätter wurde korrekt in seine 4 Dokumente zerlegt – darunter eine 5-seitige Versicherungspolice, die zuvor in fünf Einzelseiten zerfallen war.

Was es zeigt

Eine produktive Dokumenten-Pipeline mit OCR, Dokumententrennung, Klassifizierung, sicherem PDF-Neuaufbau und fünf Sprachen lässt sich von einem schlanken Team bauen und betreiben. Der Wert liegt in der Schicht um das Modell herum, nicht im Modell selbst.

Zum Datenstandort: PaperSweep nutzt gehostete Modelle, weil das für einen öffentlichen Dienst die bessere Abwägung ist. Für vertrauliche Unternehmensdokumente besprechen wir mit Ihnen eine Variante mit lokal betriebenen Modellen.

Ausgangslage

Viele Kolbenmotorflugzeuge haben einen JPI-Motormonitor, der bei jedem Flug Zylinderkopf- und Abgastemperaturen, Öldaten und mehr aufzeichnet. Die meisten Piloten werten diese Daten nie systematisch aus. Frühe Warnzeichen – ein beginnender Auslassventilschaden, ungleiche Kraftstoffverteilung, zu schnelles Abkühlen im Sinkflug, Magnetfehler – bleiben unbemerkt, bis daraus ein Wartungsfall wird.

Ansatz: erst rechnen, dann erklären

• Eigener Parser für das proprietäre JPI-Dateiformat, bis zu 200 Flüge pro Datei.
• Regelbasierte Prüfungen in Python: Auslassventil-Check, Einspritzbalance, Ansaugleckagen und Vergaservereisung, auffällige Zylinder per Z-Score, Abkühlrate, Magnetprüfung sowie Flugphasen mit Statistik je Phase.
• Erklärung durch ein Sprachmodell: Llama 3.1 8B formuliert aus den berechneten Befunden – nicht aus Rohdaten – eine verständliche Nachbesprechung, mit Quellenangaben aus einer kuratierten Sammlung veröffentlichter Leitfäden zum Motormanagement.
• Zwei Modelle, eine Gegenprüfung: Ein zweites Modell bewertet denselben Flug. Befunde, die beide melden, werden als Konsens markiert – ohne dritten KI-Aufruf.

Ergebnis

Wer eine Datei hochlädt, erhält Gesamtstatus, Auffälligkeiten, Trends über die letzten Flüge, Handlungsempfehlungen und Wartungshinweise – mit Quellen. Die Anwendung umfasst rund 5.900 Zeilen Python und JavaScript und kommt ohne Frameworks aus.

Betrieb für rund 5 € im Monat auf einfachem Webhosting.

Was es zeigt

Ein kleines, günstiges 8B-Modell liefert brauchbare und belegte Antworten, wenn die Befunde vorher transparent berechnet werden. Für Unternehmen gilt dasselbe Muster bei Maschinen- und Sensordaten: erst mit nachvollziehbaren Regeln rechnen, dann das Modell in Alltagssprache erklären lassen.

Hinweis: HobbsMD dient ausschließlich der Information. Es ersetzt keinen zugelassenen Wartungsbetrieb und ist nicht für Entscheidungen über die Lufttüchtigkeit bestimmt.

Ausgangslage

Eine Radsportgruppe fährt zweimal pro Woche und möchte rund fünf kurze Clips pro Woche auf Instagram und TikTok veröffentlichen. Jede Ausfahrt liefert Stunden an GoPro-Material. Die brauchbaren 10 bis 40 Sekunden zu finden, hieß bisher: alles von Hand durchsehen.

Ansatz

Offene Bildmodelle bewerten das Material ohne jedes Training: SigLIP als Hauptbewertung, OpenCLIP zur Gegenprüfung. Darüber liegt eine eigene Schicht:

• Szenenkategorien in Alltagssprache wie „Bergsee“ oder „Allee“, beschrieben durch Texte in Konfigurationsdateien – neue Kategorien brauchen kein neues Training.
• Vergleich innerhalb einer Kategorie: Tests zeigten, dass die Rangfolgen von SigLIP verlässlich sind, seine absoluten Werte aber nicht.
• Sensordaten statt Raten: Clips nur während der Fahrt (ab 8 km/h); Anstiege über die barometrische Höhe des Radcomputers, denn die Steigung kann Bildanalyse nicht beurteilen.
• Automatische Ortsbeschriftung über Wikipedia und Wikidata anhand der GPS-Koordinaten, dazu automatischer Schnitt im Hoch- oder Querformat.

Ergebnis

Aus dem Rohmaterial einer Ausfahrt entstehen veröffentlichungsfertige Highlight-Clips, Themenmontagen, Bildunterschriften sowie Entwürfe für Beschreibungen und Hashtags.

Beispielausfahrt vom 11.10.2026: 160 Minuten Material in 32 Dateien → 2.604 Einzelbilder gegen 48 Kategorien bewertet → 4 Highlight-Clips und 5 Montagen, ohne manuelle Sichtung.

Vor dem Bewegungsfilter waren 3 von 4 automatisch gewählten Clips im Stand aufgenommen, danach 0 von 4.

Was es zeigt

Offene Modelle plus Sensordaten, die die Kamera ohnehin aufzeichnet, ersetzen die manuelle Sichtung für ein kleines Content-Team – ohne Modelltraining, ohne gelabelte Daten, ohne Cloud. Und: Wo Bildanalyse an Grenzen stößt, machen GPS- und Höhendaten die Ergebnisse erst brauchbar.

Ausgangslage

Flugschüler, Wiedereinsteiger und Simulatorpiloten haben wenig Gelegenheit, den Sprechfunk mit der Flugverkehrskontrolle zu üben, bevor es ernst wird. Die üblichen Wege – Fluglehrer, Online-Netzwerke oder Aufnahmen, auf die man nicht antworten kann – erlauben es nicht, jeden beliebigen Flug jederzeit zu üben und eine Rückmeldung zu bekommen.

Ansatz

Sie wählen Start- und Zielflughafen, die App erstellt daraus einen vollständigen Flug:

• Routen: IFR-Strecken per Graphensuche über reale Navigationsdaten, VFR-Strecken unter Umgehung von Lufträumen, Rollwege über das Bodennetz des Flughafens.
• Funksprüche: Ein Sprachmodell schreibt die Funksprüche aller Flugphasen – auf Grundlage der berechneten Route, damit sie realistisch bleiben.
• Sprachschleife: Die Lotsenstimme kommt per Sprachsynthese. Sie antworten per Sprechtaste, ein auf Flugfunk abgestimmtes Whisper-Modell erkennt Ihre Antwort, und eine Bewertung prüft Ihr Readback.

Ergebnis

Ein funktionsfähiger Prototyp, der durchgängig läuft: ein vollständiger IFR-Flug mit synthetischer Flugverkehrskontrolle und gesprochenen Readbacks.

Was es zeigt

Fachliche Tiefe und KI in einem Produkt: Routenberechnung nach echten Luftfahrtregeln, eine Sprachschleife in Echtzeit und Sprachmodell-Ausgaben, die sich auf berechnete Daten stützen. Die KI- und Sprachanbieter wurden bereits ohne Neuentwicklung ausgetauscht.

Hinweis: WilcoRoger ist ein reines Übungswerkzeug. Es ist kein zugelassenes Ausbildungsmittel und nicht für die reale Navigation bestimmt.

Ausgangslage

Little Backup Box ist ein Open-Source-Projekt, das aus einem Raspberry Pi ein mobiles Foto- und Video-Backup-Gerät macht. Zwei Lücken fielen im Alltag auf: Es kopierte alles von der Speicherkarte, auch Begleitdateien und Vorschauordner. Und ältere Netzwerkspeicher ließen sich nicht als Ziel nutzen.

Ansatz

• Nur Mediendateien sichern: eine Option, die ausschließlich Dateien mit Endungen aus einer bearbeitbaren Liste kopiert.
• Neues Netzwerkziel: Wir haben die Box mit älteren Netzwerkspeichern zum Laufen gebracht, die nur eine veraltete Anmeldung unterstützen – ohne das Betriebssystem zu verändern, für vertrauenswürdige Heim- oder Büronetze.
• Robust unterwegs: Ist der Netzwerkspeicher nicht erreichbar, läuft die lokale Sicherung trotzdem.
• Oberfläche für das neue Ziel in Deutsch, Englisch, Französisch und Spanisch.

Ergebnis

7 Commits in rund 5 Tagen, +542 / −37 Zeilen – in einem bestehenden Projekt mit rund 1.600 Commits.

Was es zeigt

Wir erweitern die Open-Source-Werkzeuge, die Sie bereits nutzen, statt sie neu zu bauen – und bringen neue Software mit älterer, noch genutzter Hardware zusammen.

Little Backup Box ist ein Projekt von outdoorbits, lizenziert unter GPL-3.0. Unser Beitrag ist eine Erweiterung, kein eigenes Produkt.

Ausgangslage

Wöchentliche Videokampagnen auf mehreren Instagram-Konten bedeuteten: zu festen Zeiten von Hand posten. Texte und Hashtags lagen in Tabellen, ohne Weg in die Veröffentlichung.

Ansatz

Kampagnentabellen mit Texten, Hashtags und Medien werden in eine gemeinsame Warteschlange für alle Konten eingelesen. Ein Planer veröffentlicht jeden fälligen Beitrag – Fotos, Videos, Reels, Karussells und Stories. Fehlgeschlagene Beiträge werden protokolliert und lassen sich gezielt erneut senden.

Ergebnis

Mai bis Oktober 2026: 92 Beiträge auf 2 Konten geplant, 83 davon automatisch veröffentlicht (rund 90 %).

Was es zeigt

Eine schlanke Automatisierung, die seit Monaten im Einsatz ist – ohne zusätzliche SaaS-Abonnements. Fehler werden erkannt und protokolliert, statt unbemerkt zu bleiben.

PostInsta ist ein internes Werkzeug, im Einsatz für die Instagram-Konten von Peony Bloom Estates und PaperSweep – kein Angebot für Kunden.

Peony Bloom Estates GmbH vermietet Ferienwohnungen.

Was entstanden ist

• Unternehmenswebsite und eigene Direktbuchungsseite unter peony-bloom.com
• Instagram- und TikTok-Kanäle mit automatisierter wöchentlicher Veröffentlichung seit Mai 2026

Ausgangslage

Ein anderer Betreiber bot Peony Bloom Estates zwei Ferienwohnungen zum Kauf an. Der Preis beruhte auf Schätzungen, nicht auf den tatsächlichen monatlichen Kosten eines Ferienwohnungsbetriebs. Beide Seiten brauchten ein transparentes Modell, das sie selbst prüfen und anpassen konnten.

Ansatz

• Umsatzmodell: Belegung mit monatlichen Anpassungen, saisonale Übernachtungspreise und Plattformprovision.
• Kostenmodell: 12 Kostenpositionen aus dem realen Betrieb – von Kaltmiete und Nebenkosten über Reinigung bis zur Kurtaxe; Reinigung und Kurtaxe werden aus Buchungen und Übernachtungen abgeleitet.
• Break-even-Projektion: Gewinne werden Monat für Monat aufsummiert, bis die Investition zurückgeflossen ist – mit klarer Meldung, wenn das nie oder erst nach Jahrzehnten der Fall ist.
• Excel als Quelle: Alle Standardwerte kommen aus einer Arbeitsmappe und lassen sich ohne Programmierung ändern.
• Zweisprachig und teilbar: Die Gegenseite konnte online eigene Zahlen eingeben und sah Gewinn und Break-even sofort neu berechnet.

Ergebnis

Rund 1.000 Zeilen R, gebaut vom 2. bis 15. April 2026 und am 15. April 2026 online gestellt.

Was es zeigt

Statistik und echte Betriebsdaten werden zum Entscheidungswerkzeug für eine reale Investition. Statt über Tabellen zu streiten, arbeiten beide Seiten mit einem Modell, das sie selbst testen können. Dasselbe Vorgehen passt auf jede Kauf-, Investitions- oder Preisentscheidung.