IT-Consulting · Köln · Remote-first

Prozessautomatisierung für kleine Unternehmen — mit und ohne KI

Prozessautomatisierung (n8n) · KI-Integration (LLM, Claude API) · DevOps & Self-hosted Infrastruktur — DSGVO-konform, on-premise oder in Ihrer Cloud

Projekt anfragen Leistungen ansehen

DSGVO-konformOn-premise oder CloudKein Vendor-Lock-in

Abb. 0 — Systemskizze, schematisch

Leistungsverzeichnis

Leistungen

Blatt 01 / 05 · Rev. C

Drei Felder, ein Prinzip: erst der Prozess, dann das Werkzeug. KI kommt dort dazu, wo sie messbar hilft — nicht umgekehrt.

POS. L-01

Prozessautomatisierung (ohne KI)

Workflow-Automatisierung mit n8n
ERP-, E-Mail-, DMS- & API-Anbindung
Datenintegration zwischen Systemen
Reporting-Pipelines

POS. L-02

KI-Automatisierung

LLM-Integration — Claude API, lokale Modelle
RAG-Pipelines
Multi-Agent-Systeme
LLM-gestützte Dokumenten- & Rechnungsverarbeitung

POS. L-03

DevOps-Beratung & Infrastruktur

Proxmox, Docker, CI/CD
Mesh-VPN & Backup-Strategien
Architektur, Aufbau & Betrieb self-hosted Umgebungen

Standard-Lösungen

Lösungen

Blatt 02 / 05 · Rev. C

Wiederkehrende Büro-Probleme, fertig durchdachte Lösungen: erprobte Open-Source-Bausteine, angepasst auf Ihren Betrieb — self-hosted, DSGVO-konform, ohne Vendor-Lock-in.

LSG-01

Digitaler Dokumenten-Eingang — Pilot in 2 Wochen

n8n · Paperless-ngx · OCR · KI

Abb. 1 — Schematische Darstellung

Post, E-Mail, Scan und Fax landen täglich auf dem Schreibtisch — und werden von Hand sortiert. Ein digitaler Eingangs-Workflow bündelt alle Kanäle, liest Absender, Datum, Beträge und Dokumenttyp automatisch aus und legt jedes Dokument sortiert und volltext-durchsuchbar ab. Unklares landet in einer Prüf-Liste statt im falschen Ordner.

30–60 Min. Sortierarbeit pro Kopf und Tag entfallen

Mehr zur Lösung →

Referenzprojekte

Ausgewählte Projekte

Blatt 03 / 05 · Rev. C

Reale Projekte, anonymisiert beschrieben — nur Technik, Struktur und Werkzeuge. Drei Beispiele nach demselben Muster: Problem, Architektur, Ergebnis.

REF-01

Verzeichnisplattform mit Datenpipeline aus amtlichen Registern — Eigenprodukt, live

Django · PostgreSQL · HTMX · SEO

Abb. 2 — Schematische Darstellung

Problem: Die amtlichen Registerdaten eines regulierten Berufsstands liegen verstreut über Dutzende Registerstellen — als HTML-Listen und PDF-Register, ohne zentrale Suche.
Architektur: Server-gerendertes Django mit HTMX und Tailwind auf PostgreSQL. Idempotente Scraper laden die Register (HTML und PDF) in eine dreistufige Pipeline — Rohdaten, Staging, Produktion — mit manuellen Freigabe-Gates zwischen den Stufen. SEO-Landingpages je Kategorie, Ort und Kombination; Redirect-Middleware (301/410) hält die URL-Struktur sauber; Kontaktanfragen laufen per n8n in ein Ops-Backend (Abb. 2).
Ergebnis: Live-Verzeichnis mit rund 870 Profilen aus amtlichen Quellen; der Index wächst kontrolliert, Registerstelle für Registerstelle. ~870 Profile aus amtlichen Quellen

REF-02

Agent-Workflow: vom Foto zum Marktplatz-Listing — internes Werkzeug

LLM · Vision · APIs

Abb. 3 — Schematische Darstellung

Problem: Ein Angebot auf einem großen Online-Marktplatz kostet manuell viele Handgriffe: Fotos aufbereiten, Kategorie und Pflichtmerkmale recherchieren, Text schreiben, einstellen.
Architektur: Agent-gesteuerter Workflow: Skript-basierte Bildaufbereitung (Freistellen, Normieren), ein Vision-Modell liest die Fotos und erdet den Angebotstext auf das tatsächlich Sichtbare, Kategorie- und Merkmalschema kommen live aus der Marktplatz-API — veröffentlicht wird erst nach expliziter Freigabe (Abb. 3).
Ergebnis: Aus Fotos und einer Kurznotiz entsteht ein prüfbarer Listing-Entwurf; publiziert wird nur Freigegebenes — keine erfundenen Produktangaben. Veröffentlichung nur nach Freigabe

REF-03

Multi-Agent-Pipeline für Markt-Research — Eigenprodukt

Python · LLM-Agents · Scheduling

Abb. 4 — Schematische Darstellung

Problem: Öffentliche Kapitalmarktsignale — Pflichtmeldungen, Insider-Transaktionen, Screens — sind zu zahlreich für manuelle Sichtung; und einzelne LLM-Antworten sind zu unkritisch, um ihnen zu vertrauen.
Architektur: Zweimal wöchentlich laufende Pipeline: Scan mehrerer Datenquellen, Anreicherung und Regelfilter, dann adversariale Prüfung durch mehrere Agenten mit Gegenpositionen. Ergebnis ist ein Report mit These, Katalysator und Invalidierungsmarke je Idee, gerendert als statische Report-Site (Abb. 4).
Ergebnis: Pro Lauf 3–5 geprüfte Ideen statt Hunderter Rohtreffer; jede Idee dokumentiert, woran sie scheitern würde. 3–5 geprüfte Ideen pro Lauf

Alle Projekte ansehen →

Person & Arbeitsweise

Über mich

Blatt 04 / 05 · Rev. C

Ich bin Igor Stolyarevskiy, IT-Consultant aus Köln — mit Master-Abschluss in IT und mehr als zehn Jahren Berufserfahrung. Ich plane, baue und betreibe Automatisierungen und self-hosted Infrastruktur für kleine und mittlere Unternehmen — von der ersten Prozessskizze bis zum laufenden Betrieb. Die Ausgangslage kenne ich aus eigener unternehmerischer Erfahrung: gewachsene Systeme, manuelle Abläufe und die Frage, was Automatisierung wirklich bringt.

Ich setze auf self-hosted Lösungen und offene Standards — Systeme, die Sie am Ende selbst verstehen, kontrollieren und weiterbetreiben können. KI kommt dort zum Einsatz, wo sie messbar hilft.

Anfrage

Kontakt

Blatt 05 / 05 · Rev. C

Der kürzeste Weg ist eine E-Mail — zwei Sätze zu Ihrem Prozess genügen. Keine Cookies, kein Newsletter.

iks.reachout@gmail.com

Projekt anfragen

Antwort in der Regel innerhalb eines Werktags