Lukas Meier
Mitgründer und Geschäftsleitung. ETH Zürich, MSc Informatik. Zuvor fünf Jahre bei einem Basler Pharmakonzern in der Supply-Chain-Analytik.
Im Frühling 2019 sassen drei ehemalige ETH-Absolventen in einem Café am Barfüsserplatz und ärgerten sich über dasselbe Problem: In ihren jeweiligen Firmen wurden KI-Projekte zwar gestartet, aber selten produktiv eingesetzt. Modelle verschwanden in Jupyter-Notebooks. Niemand kümmerte sich um die Integration ins Tagesgeschäft.
Daraus entstand die Idee zu Trustful Vision AI. Die Firma sollte nicht nur Modelle bauen, sondern sie bis in die operative Nutzung begleiten. Der Name drückt aus, was uns antreibt: Vertrauen entsteht durch Transparenz. Wir erklären, wie ein Modell zu seinen Empfehlungen kommt, und wir dokumentieren, wo seine Grenzen liegen.
Die ersten zwei Aufträge kamen von einem Basler Speditionsunternehmen und einem regionalen Energieversorger. Beide Projekte laufen bis heute produktiv. Das Speditionsunternehmen nutzt unser Routenoptimierungsmodell, um täglich 23 Lieferwagen effizienter einzusetzen. Der Energieversorger prognostiziert mit unserem Modell den Stromverbrauch seiner Gewerbekunden für die nächsten 48 Stunden.
Drei Gründer, ein gemeinsames Büro im Gundeldinger Feld, zwei erste Kunden. Budget für Kaffee und Cloud-Kosten, mehr nicht.
Wir entwickelten ein System, das deutschsprachige Rechnungen automatisch ausliest und in SAP importiert. Drei Pilotkunden testeten es, zwei davon nutzen es heute noch.
Zwei Machine-Learning-Ingenieurinnen und ein DevOps-Spezialist kamen dazu. Gleichzeitig bezogen wir unser heutiges Büro am Bierkellerweg.
Branchen: Pharma-Logistik, Detailhandel, Versicherungen, Energieversorgung. Durchschnittliche Projektdauer: zehn Wochen.
Drei Berater verstärken das Team. Seitdem bieten wir zweitägige KI-Readiness-Workshops an, bevor ein technisches Projekt startet.
Werte klingen schnell abstrakt. Deshalb beschreiben wir für jeden Wert, was er im Projektalltag konkret bedeutet.
Jedes Modell, das wir ausliefern, enthält eine Dokumentation: Welche Daten wurden verwendet? Wie wurde trainiert? Welche Metriken gelten als Erfolg? Unser Kunde soll jederzeit verstehen können, warum das Modell eine bestimmte Empfehlung gibt. Wenn ein Modell das nicht leisten kann, sagen wir das offen.
Vor Projektbeginn definieren wir gemeinsam mit dem Kunden ein oder zwei Kennzahlen, an denen der Erfolg gemessen wird. Das kann eine Fehlerquote sein, eine Zeitersparnis oder eine Kostenreduktion. Nach drei Monaten Produktivbetrieb prüfen wir, ob die Zielwerte erreicht wurden.
Wir verarbeiten nur die Daten, die für die Aufgabe nötig sind. Personenbezogene Informationen werden pseudonymisiert, bevor sie in ein Trainingsset fliessen. Alle Daten bleiben in der Schweiz, auf Infrastruktur, die der Kunde selbst kontrolliert oder die bei einem Schweizer Cloud-Anbieter liegt.
Nicht jedes Problem ist ein KI-Problem. Wenn eine einfache Regel oder eine Excel-Tabelle ausreicht, empfehlen wir genau das. Wir verdienen kein Geld mit unnötigen Projekten, sondern mit Kunden, die wiederkommen, weil das erste Projekt funktioniert hat.
Zehn Personen, vier Nationalitäten, ein gemeinsames Ziel: KI-Projekte, die nach dem Go-live nicht in der Schublade verschwinden.
Mitgründer und Geschäftsleitung. ETH Zürich, MSc Informatik. Zuvor fünf Jahre bei einem Basler Pharmakonzern in der Supply-Chain-Analytik.
Lead ML Engineering. Spezialisiert auf NLP und Dokumentenverarbeitung. Hat das Rechnungsextraktionssystem aufgebaut, das heute bei acht Kunden im Einsatz ist.
Mitgründer und technischer Leiter. Verantwortlich für Architekturentscheidungen und Code-Reviews. Baut die Daten-Pipelines, die unsere Modelle zuverlässig mit Eingabedaten versorgen.
Dazu kommen vier weitere Ingenieure und drei Beraterinnen und Berater, die im Hintergrund dafür sorgen, dass Projekte im Zeitplan bleiben und Kunden ihre Fragen beantwortet bekommen.
Jedes Projekt beginnt mit einem kostenlosen Erstgespräch von etwa 45 Minuten. Darin klären wir: Was ist das Geschäftsproblem? Welche Daten existieren bereits? Gibt es regulatorische Einschränkungen?
Wenn das Gespräch ergibt, dass KI sinnvoll ist, folgt ein zweitägiger Workshop vor Ort. Wir schauen uns die Datenquellen an, sprechen mit den Fachleuten im Betrieb und definieren die Erfolgskriterien. Am Ende des Workshops erhält der Kunde einen schriftlichen Umsetzungsplan mit Zeitrahmen, Kosten und Risiken.
Die Entwicklung erfolgt in zweiwöchigen Sprints. Nach jedem Sprint zeigen wir dem Kunden den aktuellen Stand. Das ist kein Pflichttermin, sondern eine echte Entscheidungsmöglichkeit: Weiter wie geplant? Richtung anpassen? Abbrechen, weil die Datenqualität nicht ausreicht?
Nach dem Go-live bieten wir einen Wartungsvertrag an. Modelle brauchen Pflege, weil sich die Daten verändern. Wir überwachen die Modellgenauigkeit und trainieren bei Bedarf nach. Die meisten Kunden nutzen diesen Service, weil er günstiger ist als ein internes Team aufzubauen.