Fallstudie · 2026 · KI · Web · Individuelle Software
Lade einen Ordner mit Dokumenten hoch.Ein privater KI-Assistent, der aus euren eigenen Dokumenten antwortet. Läuft auf eurem Server, keine Daten verlassen das Haus.
AI Chatbot Maker ist ein schlüsselfertiges SaaS, um firmeneigene Chatbots aufzusetzen: einen Ordner hochladen, auf einen Website-Feed zeigen, und einen einbettbaren Chatbot bekommen, der ausschließlich aus diesen Daten antwortet. Das Studio hat das SaaS-Dashboard geliefert, den lokalen LLM-Stack auf Ollama-Basis, den mandantenfähigen pgvector-Speicher und das Deployment als Docker-Image.
- Python
- LangChain
- PostgreSQL
- Docker
- Ollama
- FastAPI
Im Einsatz
Überblick
- 5 min
- Ordner → Chatbot live
- 100%
- On-Premise · kein Datenabfluss
- RLS
- Trennung je Mandant
- <embed>
- Snippet · kein Integrationsprojekt
Der Kunde lädt einen Ordner mit Dokumenten hoch oder zeigt auf seine Website; heraus kommt ein schlüsselfertiger KI-Chatbot, der ausschließlich aus den eigenen Daten antwortet. Lokales LLM über Ollama · nichts verlässt den Firmenserver, DSGVO-sicher von Haus aus. Ein Docker-Image, ein Befehl zum Ausrollen.
Was ausgeliefert wurde
Was es tut
- Knowledge sources: uploaded files, folders, website URLs · mix any
- 100% local · Ollama + Postgres pgvector on-server, no external API
- One-click chatbot creation with an embed snippet for the company's site
- Docker-image deploy · 5 minutes to your own server
- Multi-tenant SaaS mode · many companies one platform, strict RLS isolation
Das Problem
- ChatGPT-Plugins kennen eure Firmendaten nicht · allgemeine Antworten für alle
- OpenAI-/Anthropic-Integration lässt Daten abfließen · schwer mit der DSGVO vereinbar
- Ein maßgeschneiderter Chatbot dauert 3–6 Monate · passt in kein Mittelstandsbudget
- Ein firmenspezifisches Modell zu trainieren braucht ein ML-Team
Warum es zählt
- Chatbot in 5 Minuten live, der nur aus euren eigenen Daten antwortet
- Nichts verlässt den Server · auditfähig, DSGVO-kompatibel
- Eine Plattform, viele Kunden · SaaS-Modell mit mandantenfähiger Trennung
- Embed-Snippet für die Firmenseite · kein Integrationsprojekt nötig
Wie es entstand
- 01 · BRIEF
Den Konflikt aus DSGVO und Time-to-live lösen.
OpenAI-Integrationen lassen Daten abfließen; maßgeschneiderte Chatbot-Projekte dauern 6 Monate. Wir haben ein SaaS entworfen, das lokal auf dem Server des Kunden läuft · DSGVO-sicher von Haus aus, ein Docker-Image zum Ausrollen.
- 02 · BUILD
FastAPI + Ollama + Postgres pgvector.
FastAPI trägt die mandantenfähige API, Ollama fährt das lokale LLM, Postgres und pgvector übernehmen das Retrieval pro Mandant mit Row-Level Security · LangChain verklebt die Retrieval-Augmented-Generation-Pipeline.
- 03 · SHIP
Ein Docker-Image, einbettbares Snippet.
Der Kunde zieht ein einziges Image, führt einen Befehl aus und hat ein Dashboard. Von dort: Daten hochladen → „Chatbot erstellen“ klicken → Embed-Snippet auf der eigenen Seite einfügen. 5 Minuten von Anfang bis Ende auf einer frischen Maschine.
Stack
Lokales LLM
Ollama + Postgres pgvector on-premise
Keine externen API-Aufrufe · die Antwort verlässt den Kundenserver nie. DSGVO- und auditfähig ab Werk.
Quellen
Dateien, Ordner, Website-URLs · beliebig mischbar
Die Wissensbasis nimmt hochgeladene Dokumente an und crawlt im selben Projekt einen Website-Feed · erneutes Einlesen ist ein Klick.
Mandantenfähig
Trennung je Mandant über RLS
Row-Level Security in Postgres garantiert, dass kein Mandant die Daten eines anderen sieht · auch auf der Retrieval-Ebene durchgesetzt.
Deployment
Ein Docker-Image, ein Befehl
Das Ops-Team des Kunden übernimmt es auf eigener Infrastruktur · kein geteilter AWS-Account, kein gemeinsamer SaaS-Mandant.
Fallstudie
“Wir hatten eine strikte DSGVO-Vorgabe und 6 Wochen bis zum Start. Das Studio hat einen Chatbot gebaut, der vollständig auf unserem eigenen Server läuft; wir laden einfach einen Ordner mit Dokumenten hoch, und er antwortet wie ein Kollege, der alle gelesen hat. Der Website-Code ging an Tag 38 live. Kein einziges Byte Kundendaten hat je unsere Maschine verlassen. Unser Datenschutzbeauftragter hat tatsächlich gelächelt, als er es sah.”
Mehr Arbeiten
Nächstes Projekt
AIHealthIQ