Super AI Labs ist in Zürich ansässig und wird von Ingenieuren der ETH Zürich und EPFL geführt. Wir verbinden Beratungsdisziplin mit tiefer technischer Umsetzung, um belastbare Softwaresysteme im Zeitalter der künstlichen Intelligenz zu liefern.
Wir sind überzeugt, dass moderne Software eines der wichtigsten Werkzeuge ist, um komplexe Herausforderungen in der Schweiz praktisch zu lösen. Deshalb liefern wir robuste Systeme mit KI-nativen Arbeitsweisen und klarem Engineering-Fokus.
Fallstudie
Agentic-AI-Piloten integriert in Enterprise-Datenlandschaften
Ein wiederkehrendes Delivery-Szenario in regulierten und Multi-Stakeholder-Umfeldern besteht darin, mit einem KI-MVP schnell Wert zu beweisen und gleichzeitig einen glaubwürdigen Pfad in Richtung Produktion zu schaffen.
Fallstudie
KI-native Delivery nutzerorientierter Software mit Enterprise-Full-Stack-Fundamenten
Eine häufige Herausforderung in digitalen Services besteht nicht nur darin, eine funktionierende App zu bauen, sondern ein Erlebnis auszuliefern, das reale Nutzer annehmen und das dennoch schnelle Iteration ermöglicht.
Fallstudie
Echtzeit-Edge-AI-Videointelligenz mit angewandter NLP-Automatisierung
Viele KI-Szenarien im Public Sector und in regulierten Branchen verlangen Echtzeit-Output in der Produktion unter operativen Randbedingungen wie Latenz, eingeschränkten Netzwerken und Gerätegrenzen.
A common error enterprises make with AI is to treat it as a kind of 'bolt on' tool that you access now and then. But the way to get much better results is to make AI an integral part of how you get work done-woven into the whole range of things workers do every day.
Dario Amodei - CEO Anthropic
Wir konzipieren, bauen, betreiben und warten KI-native Software für die Privatwirtschaft und den öffentlichen Sektor in der Schweiz.
Das Engineering-Team von Anthropic hat einen grundlegenden Leitfaden zum Bau effektiver Agenten veröffentlicht. Die darin beschriebenen Muster decken sich mit unserem Vorgehen beim Aufbau von KI-Systemen für unsere Kunden — und sie prägen die Zukunft, auf die wir hinarbeiten.
Der Artikel zieht eine klare Linie zwischen Workflows, bei denen LLMs und Tools über vordefinierte Code-Pfade orchestriert werden, und Agenten, bei denen das Modell seinen Ablauf und seine Tool-Nutzung dynamisch selbst steuert. Beide bauen auf derselben Grundeinheit auf: einem augmentierten LLM mit Retrieval, Tools und Memory, die das Modell aktiv nutzen kann.
Anthropic beschreibt fünf zusammensetzbare Muster, die nach ihrer Erfahrung den grössten Teil produktiver Systeme abdecken: Prompt Chaining, Routing, Parallelisierung, Orchestrator-Worker und Evaluator-Optimizer. Jedes Muster ist für sich genommen einfach. Kombiniert decken sie sequenzielle Zerlegung, Spezialisierung, parallele Ausführung, dynamische Delegation und selbstkorrigierende Feedback-Schleifen ab.
Die Empfehlung, die wir am stärksten teilen: Beginnen Sie mit der einfachsten funktionierenden Lösung, bevorzugen Sie zusammensetzbare Muster gegenüber schwergewichtigen Frameworks, und fügen Sie Komplexität nur hinzu, wenn sie messbar gerechtfertigt ist. Drei Prinzipien ziehen sich durch den ganzen Artikel — und durch unsere Delivery-Praxis: Einfachheit, Transparenz und ein diszipliniert gestaltetes Agent-Computer-Interface.
Eine Aufgabe wird in sequenzielle Schritte zerlegt; jeder LLM-Aufruf verarbeitet das Resultat des vorherigen. Tauscht Latenz gegen Genauigkeit, wenn Zwischenvalidierungen Mehrwert bringen.
Eingaben werden klassifiziert und an spezialisierte Folgeaufgaben weitergeleitet. So kann jeder Pfad eigenständig optimiert werden, statt einen einzelnen Prompt für alle Fälle zu überfrachten.
Teilaufgaben laufen gleichzeitig — entweder durch Aufteilen unabhängiger Arbeitspakete oder durch Voting über mehrere Perspektiven. Schneller und durch Ensembling oft auch zuverlässiger.
Ein zentrales LLM zerlegt unvorhersehbare Aufgaben dynamisch und delegiert sie an Worker-LLMs. Das richtige Muster, wenn die Struktur der Aufgabe vorab nicht bekannt ist.
Ein Modell erzeugt eine Antwort, ein anderes prüft und kritisiert sie — in einer Schleife, bis das Resultat stimmt. Das Software-Pendant zur Junior-und-Reviewer-Konstellation.
Wohin sich das entwickelt
Wir freuen uns ehrlich auf das, was die nächsten Jahre für Unternehmen, NGOs und Verwaltungen bringen, die das ernst nehmen. Keine spektakulären Demos, sondern belastbare Agent-Infrastruktur, die in den Alltag eingewoben ist: Routine-Workflows, die end-to-end automatisiert laufen, Qualität, die durch Evaluator-Schleifen steigt, weil Fehler früher erkannt werden — und Betriebskosten, die spürbar sinken, weil die Arbeit zu Maschinen-Geschwindigkeit und Maschinen-Kosten passiert.
Den grössten Hebel sehen wir bei öffentlichen Institutionen. Schnellere Bearbeitung von Bürgerdossiers, mehr Zeit für die Teile öffentlicher Aufgaben, die echtes menschliches Urteil verlangen, und Backoffice-Prozesse, die endlich mit Bevölkerung und Nachfrage skalieren statt mit Headcount. Private Unternehmen profitieren auf dieselbe Weise — jeder Workflow, der sich als Agent abbilden lässt, ist eine Fixkosten-Position, die zu einer marginalen wird.
Unsere Rolle dabei ist klar: Wir bauen diese Systeme mit derselben Engineering-Disziplin wie jede andere produktive Software. Messbar gegen Akzeptanzkriterien, im Betrieb beobachtbar, sicher entworfen und am Tag 1’000 noch wartbar — nicht nur am Tag eins. Die Muster sind öffentlich. Die schwierige und für uns spannende Aufgabe ist, sie zuverlässig in Organisationen zu liefern, die sich keine Fehlentscheidungen leisten können.