Frema Labs

Nach Branche

Nach Technologie

Nach Unternehmens­grösse

Beginnen Sie bei Ihrer Branche, bei der Technologie, die Sie prüfen, oder bei der Grösse Ihres Unternehmens.Alle Lösungen
Sprechen wir

Lösungen / Agentische KI

Agentische KI für Schweizer Unternehmen

Ein Agent lohnt sich, wenn eine Aufgabe viele Schritte über mehrere Systeme braucht und eine Person weiterhin für das Ergebnis verantwortlich ist.

Ihren Fall beschreiben

Was wir bauen könnten

Diese Szenarien sind Beispiele. Keines beschreibt einen Kunden.

Banken und Finanzen

Periodische KYC-Überprüfungen stocken, weil die Dokumente in fünf Systemen liegen und einige unbemerkt abgelaufen sind.

Was wir bauen würden

Ein Agent, der das Kundendossier aus jedem System zusammenträgt, Ablaufdaten und fehlende Unterlagen prüft und die Zusammenfassung der Überprüfung mit Quellen entwirft. Der Analyst zeichnet das vollständige Dossier ab, und der Agent hat keine Berechtigung, Kunden zu kontaktieren oder etwas zu genehmigen.

LangGraph, Python, PostgreSQL, Avaloq API

Uhren und Luxus

Neuheiten der Saison tauchen innert Wochen auf Wiederverkaufsplattformen auf, und das Team findet sie, indem es Marktplätze von Hand durchsucht.

Was wir bauen würden

Ein Agent, der ausgewählte Marktplätze beobachtet, Angebote anhand von Fotos und Beschreibungen den Referenzen zuordnet und jede sichtbare Seriennummer oder Garantiekarte mit den Zuteilungen an offizielle Konzessionäre abgleicht. Für jedes verdächtige Angebot legt er ein Falldossier an, und das Team entscheidet, was es weiterverfolgt.

Playwright, DINOv2, Python, PostgreSQL

Pharma und Life Sciences

QA-Prüfer blättern ausgefüllte Chargenprotokolle Zeile für Zeile durch, auf der Suche nach einer fehlenden Unterschrift oder einem Wert ausserhalb des zulässigen Bereichs.

Was wir bauen würden

Ein Prüfagent, der gescannte Chargenprotokolle liest, jeden Schritt mit der Herstellvorschrift vergleicht und Abweichungen, fehlende Unterschriften und Werte ausserhalb des zulässigen Bereichs mit Seitenangabe auflistet. Der Prüfer arbeitet diese Liste ab, und die Chargenfreigabe bleibt bei der fachtechnisch verantwortlichen Person (FvP).

Qwen3-VL, LangGraph, Python

Pharma und Life Sciences

Wissenschaftler sollen jede neue Publikation in ihrem Fachgebiet verfolgen, und bei der wöchentlichen Menge ist das unmöglich.

Was wir bauen würden

Ein Literatur-Agent, der jede Woche PubMed zu den Themen jedes Teams abfragt, Abstracts nach dessen Kriterien sichtet und eine kurze Übersicht mit Links verschickt, samt dem Grund, weshalb jede Publikation ausgewählt wurde. Die Wissenschaftler bewerten die Auswahl, und das schärft die Sichtung der folgenden Woche.

PubMed API, BGE-M3, LangGraph, Microsoft Teams

Detailhandel und E-Commerce

In den meisten Tickets geht es darum, wo eine Bestellung bleibt oder wie man sie zurückschickt, und das Team beantwortet den ganzen Tag dieselben Fragen.

Was wir bauen würden

Ein Service-Agent, der jedes Ticket liest, die Bestellung und die Rückgaberegeln nachschlägt und die Antwort in der Sprache der Kundschaft entwirft. Routineantworten gehen nach einer kurzen Prüfung hinaus; Rückerstattungen und Ausnahmen warten auf eine Person, mit bereits zusammengefasstem Fall.

LangGraph, Zendesk API, FAISS

Worum es geht

Ein Agent ist ein Sprachmodell mit Werkzeugen: Er kann Dokumente durchsuchen, Ihre APIs aufrufen, Formulare ausfüllen und entscheiden, welcher Schritt als Nächstes kommt. Wir bauen Agenten als explizite Workflows mit festen Berechtigungen. So wird jede Aktion protokolliert und bleibt innerhalb dessen, was der Workflow erlaubt, und Entscheide, auf die es ankommt, gehen an eine Person.

Passt, wenn

  • Die Aufgabe folgt einem bekannten Ablauf, sammelt aber Informationen aus mehreren Systemen.
  • Die meiste Zeit fliesst ins Zusammentragen und Prüfen, vor dem eigentlichen Entscheid.
  • Jeder Schritt lässt sich protokollieren und im Nachhinein prüfen.

Eher nicht, wenn

  • Eine einzelne Frage, die sich aus Dokumenten beantworten lässt: Dafür ist eine reine Dokumentensuche (RAG) einfacher.
  • Der Entscheid hat rechtliches Gewicht, und niemand steht für die Freigabe bereit.

Fragen, die wir oft hören

Er kann nur die Werkzeuge und Berechtigungen nutzen, die wir ihm geben, und Aktionen mit Folgen warten auf eine menschliche Freigabe. Jeder Schritt wird mit seinen Ein- und Ausgaben protokolliert.

Meist LangGraph oder einfache Zustandsautomaten in Python, mit Open-Weight- oder gehosteten Modellen, je nach Ihren Daten. Werkzeuge binden wir über das Model Context Protocol (MCP) an, wenn es zu Ihren Systemen passt, und die Workflow-Logik bleibt in Code, der Ihnen gehört.

Ja. Open-Weight-Modelle können auf Ihren Servern oder bei einem Schweizer Anbieter laufen, und die Werkzeuge, die der Agent aufruft, bleiben in Ihrem Netzwerk.

Ein fokussierter Prototyp für einen Workflow dauert meist einige Wochen. Für den Produktivbetrieb kommen Integration, Monitoring und die Freigabeschritte hinzu, die Ihr Prozess verlangt.

Verwandte Lösungen

Branchen

Technologien

Unternehmens­grösse

Welchen Ablauf würden Sie zuerst einem Agenten übergeben?

Wir beginnen mit einer Machbarkeitsstudie auf Ihren eigenen Daten, damit Sie Ergebnisse sehen, bevor etwas versprochen wird.

Ihren Fall beschreibenUnsere Arbeitsweise