Artificial Intelligence mit Vertrauen

Wer wir sind, woher wir kommen und warum wir glauben, dass KI nur dann nützt, wenn sie verständlich bleibt.

Unser Büro im Basler Altstadt-Gebäude

Unsere Geschichte

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.

Meilensteine

2019 – Gründung

Drei Gründer, ein gemeinsames Büro im Gundeldinger Feld, zwei erste Kunden. Budget für Kaffee und Cloud-Kosten, mehr nicht.

2020 – Erstes Dokumentenanalyse-Produkt

Wir entwickelten ein System, das deutschsprachige Rechnungen automatisch ausliest und in SAP importiert. Drei Pilotkunden testeten es, zwei davon nutzen es heute noch.

2021 – Team wächst auf sieben Personen

Zwei Machine-Learning-Ingenieurinnen und ein DevOps-Spezialist kamen dazu. Gleichzeitig bezogen wir unser heutiges Büro am Bierkellerweg.

2023 – 30 abgeschlossene Projekte

Branchen: Pharma-Logistik, Detailhandel, Versicherungen, Energieversorgung. Durchschnittliche Projektdauer: zehn Wochen.

2024 – Beratungsabteilung

Drei Berater verstärken das Team. Seitdem bieten wir zweitägige KI-Readiness-Workshops an, bevor ein technisches Projekt startet.

Woran wir uns messen

Werte klingen schnell abstrakt. Deshalb beschreiben wir für jeden Wert, was er im Projektalltag konkret bedeutet.

Nachvollziehbarkeit

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.

Messbarkeit

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.

Datensparsamkeit

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.

Ehrliche Einschätzung

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.

Das Team

Zehn Personen, vier Nationalitäten, ein gemeinsames Ziel: KI-Projekte, die nach dem Go-live nicht in der Schublade verschwinden.

Lukas Meier, Mitgründer

Lukas Meier

Mitgründer und Geschäftsleitung. ETH Zürich, MSc Informatik. Zuvor fünf Jahre bei einem Basler Pharmakonzern in der Supply-Chain-Analytik.

Samira El-Amin, Lead ML Engineering

Samira El-Amin

Lead ML Engineering. Spezialisiert auf NLP und Dokumentenverarbeitung. Hat das Rechnungsextraktionssystem aufgebaut, das heute bei acht Kunden im Einsatz ist.

Thomas Brunner, Mitgründer

Thomas Brunner

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.

So läuft ein Projekt ab

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.

Workshop-Whiteboard mit Projektplanung