Sorting email and tickets with AI: when a small model beats GPT
How to design categories an AI can apply, when a small fine-tuned model beats a frontier model, how to route what it is unsure about, and what sorting a thousand emails costs.
Lesen →BLOG
Notizen aus der Produktion.
Was ich beim Ausliefern von Agenten, Plattformen und Kampagnen lerne, aufgeschrieben, solange es noch stimmt.
Voice AI agents for Greek businesses: latency, recognition and the law
What an AI phone agent can do for a Greek business, why a reply after 700 ms feels broken, the recognition gap for Greek, what a call costs and what the law requires.
Lesen →What a large language model (LLM) is, and what it cannot do
How large language models work in plain terms, why Greek text costs about twice the tokens of English, what LLMs do well, and the five things they cannot do reliably.
Lesen →myDATA and e-invoicing in Greece: what AI can automate in the books
B2B e-invoicing became mandatory for every Greek business in October 2026. What that means for myDATA, where mismatches come from, and what an AI reconciliation agent can do safely.
Lesen →From scanned invoice to validated record: AI document processing that holds up
How AI reads invoices and forms, why validation matters more than the model, which confidence signals work, what a page costs, and what e-invoicing changes in Greece.
Lesen →RAG explained: how to make AI answer from your own documents
How retrieval-augmented generation works step by step, when RAG is the wrong tool, what breaks it most often, why Greek needs different chunk sizes, and how to test that it works.
Lesen →AI use cases for small businesses: where AI pays back first
Where AI pays back first in a small business, department by department: sales, support, accounting, operations, HR and legal, with what stays human and how to pick a first project.
Lesen →What an AI agent costs to run: tokens, caching and failed runs
What goes into an AI agent's running cost, what one task cost on a real benchmark (about one cent), how much prompt caching saves, and how to estimate your own agent's cost before building it.
Lesen →Jev and structured outputs: when AI should choose, not write
Most business AI tasks are decisions, not text. How structured outputs and decision models like Jev work, what the first independent tests found, and how to design a decision AI can take safely.
Lesen →AI customer support for an e-shop: what a chatbot should and should not handle
What an AI chatbot can answer for an online shop, why the connection to orders matters more than the bot, what Klarna and Air Canada teach, and what the law requires.
Lesen →Choosing an AI agency or AI partner: the questions that expose a weak vendor
Ten questions to ask any AI agency before you sign: which model and why, how they test, what the agent may do alone, what Greek costs, and who owns the result.
Lesen →Agentic AI explained: what it is and what it changes for a business
Agentic AI chooses its own next step: it calls tools, checks the result and retries. How AI agents work, how they differ from chatbots and automation, and when one is worth building.
Lesen →Wann Sie KEINEN KI-Agent bauen sollten
Ich baue Agents beruflich, und genau deshalb lehne ich die Hälfte der Agent-Projekte ab, die mich erreichen. Die vier Fälle, in denen ein Agent die falsche Antwort ist, und was stattdessen hilft.
Lesen →Jev use cases: where a decision model fits in a business, and where it fails
A six-point fit test for decision models like Jev, the business tasks where they work, the ones to keep in code, the patterns that make them safe, and what the terms forbid.
Lesen →Jev vs LLMs: what the first evaluations show on accuracy, cost and speed
How Jev compares with large language models on accuracy, cost and speed: the vendor's workflow test, two independent papers, what survives a real system, and when to use both.
Lesen →Was landesweite Gewinnspiel-Kampagnen über Traffic-Spitzen beibringen
Ein TV-Spot läuft, und Ihre ruhige Website bekommt in zwanzig Minuten den Traffic eines Monats. Die Kampagnentechnik für Marken wie OPAP und Coca-Cola hat mich Dinge gelehrt, die jeder Onlineshop klauen sollte.
bei digitall als Web Developer Lesen →DSGVO ohne Drama: Compliance einbauen statt nachrüsten
Nachgerüstete Compliance, wenn der Brief schon da ist, wird teuer und hässlich. Von Tag eins mitgedacht kostet sie fast nichts und macht das Produkt besser. Der Blick eines Entwicklers, nicht eines Anwalts.
Lesen →Lighthouse 96-100: was Tempo bringt, und was Mythos ist
Die Projekte, die ich noch selbst betreue, halten 96-100. Dorthin kommt man nicht mit einem Trick, sondern mit Gewichtsbudget, Bilddisziplin und einem Nein zur Tag-Suppe. Was gewirkt hat und was nicht.
Lesen →Warum Ihre schöne Website nichts einbringt, und die eine Zahl, die das ändert
Die Spezialität dieser Branche: Websites, die Komplimente ernten und Geld verlieren. Die Lösung ist eine Entscheidung vor dem ersten Entwurf: welche einzelne Zahl das Projekt bewegen muss.
Lesen →Die drei Zahlen, die ein Unternehmer um 8 Uhr braucht
Die meisten Dashboards sind vierzig Diagramme, die niemand liest. Die überlebenden zeigen drei Zahlen, die der Chef beim Kaffee prüft. Wie Sie Ihre drei finden, und warum weniger hier das Feature ist.
Lesen →Ihre Excel-Tabelle ist ein ERP, das leise scheitert
Jedes wachsende Unternehmen läuft auf einer heldenhaften Tabelle, bis zu dem Tag, an dem zwei Leute sie gleichzeitig bearbeiten. Woran Sie merken, dass ein echtes System fällig ist, und was eine Eigenentwicklung wirklich bringt.
Lesen →Skript oder Agent: der Unterschied entscheidet, ob Ihre Automatisierung überlebt
Ein Skript tut, was man ihm gesagt hat, oder es stirbt. Ein Agent sieht sich an, was zurückkam, und entscheidet. Zu wissen, was Ihr Prozess braucht, ist bares Geld wert, in beide Richtungen.
Lesen →Was ein KI-Agent um 3 Uhr nachts tut, und warum Demos das nie zeigen
Jede Agent-Demo zeigt den Idealfall. Produktion beginnt dort, wo die Demo endet: Timeouts, kaputte Daten, und niemand schaut hin. Das braucht es, um das zu überstehen.
Lesen →