Womit
wir bauen.
Die Werkzeuge, mit denen wir KI-Anwendungen für den Mittelstand bauen und betreiben. Je Werkzeug: wofür es sich eignet, was wir damit erlebt haben, wo es etwas zu berichten gibt, und wann es nicht die richtige Wahl ist.
Claude und Claude Code
-
Claude Code
Agentische Programmierumgebung im Terminal: liest, ändert und prüft Code selbstständig.
- Wofür es sich eignet
- Neue Anwendungen und Schnittstellen bauen, bestehenden Code verstehen und umbauen, Tests schreiben und ausführen.
- Unsere Erfahrung
- Die Kosten eines Schritts wachsen mit der Länge der Sitzung, deshalb arbeiten lange Aufgaben in Etappen mit Übergabedatei. Die Suche nach Aufrufern einer Funktion über die Sprachunterstützung des Editors fand in einem Projekt aus mehreren Paketen nur einen Teil der Stellen; eine Volltextsuche gehört deshalb immer dazu. In Anwendungen steht im Code nie eine feste Modellbezeichnung, sondern ein Zweck („formulieren“, „einordnen“), dem eine Einstellung das Modell zuordnet. So lässt sich ein Modell tauschen, ohne den Code anzufassen.
- Wann es nicht passt
- Wo niemand das Ergebnis prüft: Ohne Tests und Durchsicht entsteht schnell Code, der läuft, aber nicht trägt.
-
Claude Skills
Wiederverwendbare Anweisungspakete, die Claude bei passender Aufgabe nachlädt, etwa Gestaltungsregeln für Oberflächen.
- Wofür es sich eignet
- Wiederkehrende Arbeitsweisen festhalten, etwa Gestaltungsregeln oder Prüfabläufe, damit jede Sitzung gleich arbeitet.
- Unsere Erfahrung
- Vor jeder Arbeit an einer Oberfläche laden vier Gestaltungs-Skills in fester Reihenfolge (Gestaltungssystem, Frontend-Gestaltung, Prüfung gegen Web-Richtlinien, zugängliche Bausteine). Zwei davon waren in einem Projekt über eine Einstellungsdatei still abgeschaltet, ohne dass es auffiel: Seitdem ist das Abschalten dieser Skills ausdrücklich verboten.
- Wann es nicht passt
- Für einmalige Aufgaben lohnt kein Skill; dort reicht eine klare Anweisung.
-
MCP-Server
Standardisierte Schnittstelle, über die Claude externe Werkzeuge bedient, etwa einen Browser oder einen Dienst.
- Wofür es sich eignet
- Claude an Werkzeuge anbinden, etwa einen Browser für Abnahmen oder ein Fachsystem mit dokumentierter Schnittstelle.
- Unsere Erfahrung
- Für Browserarbeit läuft ein Browser ohne Fenster (Playwright) als Standard, weil er die Seite so sieht wie ein Besucher. In einem Browser-Tab, der im Hintergrund liegt, laufen Einblend-Animationen nicht an, und eine Größenänderung des Fensters ändert die Darstellungsbreite nicht. Ein dritter Browser-Server ist abgeschaltet.
- Wann es nicht passt
- Wo eine einfache Schnittstelle oder ein Skript genügt, ist ein eigener Server unnötiger Aufwand.
-
Hooks in Claude Code
Kleine Skripte, die bei bestimmten Ereignissen automatisch laufen, etwa vor jedem Werkzeugaufruf, und Grenzen hart durchsetzen.
- Wofür es sich eignet
- Regeln hart durchsetzen, etwa Schrittgrenzen, Pflichtprüfungen oder gesperrte Befehle.
- Unsere Erfahrung
- Regeln, die nur in einer Anweisung stehen, werden gebrochen; ein Hook setzt sie durch. Ein Hook zählt die Schritte jedes Subagenten, fordert bei Schritt 180 zum Abschluss auf und sperrt ab Schritt 221 alle Werkzeuge. Ein zweiter erlaubt drei Warteschleifen und verweigert jede weitere.
- Wann es nicht passt
- Für Regeln, die Ermessen verlangen; ein Hook kann nur prüfen, was sich mechanisch feststellen lässt.
-
Subagenten
Teil-Agenten mit eigenem, frischem Kontext für abgegrenzte Aufgaben, auch parallel.
- Wofür es sich eignet
- Große Aufgaben in abgegrenzte Teile schneiden und Prüfungen von jemandem erledigen lassen, der das Ergebnis nicht erzeugt hat.
- Unsere Erfahrung
- Höchstens rund 200 Schritte je Subagent, sonst Übergabe an einen frischen. Für Prüfungen ein eigener Agent, der den Text nicht geschrieben hat: Er liest nur den fertigen Text und die Regeln, nicht den Verlauf, der zu ihm geführt hat.
- Wann es nicht passt
- Bei kleinen Aufgaben kostet der Neuanlauf eines Agenten mehr, als er spart.
-
KI-Agenten (Testmessung für das Journal)
Eigens für einen Journal-Beitrag gemessene Läufe zweier kleiner Agenten: der Prüf-Agent dieser Website und ein für den Beitrag gebauter Recherche-Agent.
- Wofür es sich eignet
- Messwerte für Beiträge über Aufbau und Kosten von KI-Agenten.
- Unsere Erfahrung
- Der Prüf-Agent dieser Website arbeitet mit einem schriftlichen Prüfauftrag, einem Skript, das den Text gegen eine Liste gesperrter Begriffe prüft, und der Erlaubnis, öffentliche Seiten abzurufen, um Aussagen zu belegen. Er prüfte einen fertigen Beitrag mit Claude Opus 5.5 in 8 Schritten und 41 Sekunden; nach API-Listenpreis kostete der Lauf 0,72 $. Ein für einen Journal-Beitrag gebauter Recherche-Agent, der nur Webseiten abrufen und suchen darf, sollte drei Fachartikel lesen und benennen, was ihnen fehlt, jede Zahl mit wörtlichem Zitat. Mit Claude Sonnet 5.5 brauchte er 4 Schritte, 38 Sekunden und 0,35 $, las die Seiten aber nur in der Zusammenfassung eines kleineren Modells und sagte das selbst dazu. Mit Claude Opus 5.5 brauchte er 11 Schritte, 103 Sekunden und 1,15 $, las die Texte vollständig und zählte die Wörter nach. Jedes nachgeprüfte Zitat beider Läufe stand wörtlich im Original. In allen drei Läufen entfielen 75 bis 87 Prozent der Kosten darauf, Auftrag, Regeln und Material erstmals einzulesen, nicht auf das Schreiben der Antwort.
- Wann es nicht passt
- Drei einzelne Läufe, kein Durchschnitt: Werte sind Größenordnungen. Kosten sind API-Listenpreise; gezahlt wurde über ein Abo.
Automatisierung
-
n8n (selbst gehostet)
Werkzeug für automatisierte Abläufe zwischen Anwendungen, mit Webhooks und Schnittstellen; selbst betrieben.
- Wofür es sich eignet
- Abläufe zwischen Anwendungen automatisieren, wenn Daten im eigenen Haus bleiben sollen und viele Ausführungen anfallen.
- Wann es nicht passt
- Wenn niemand den Server betreuen will; dann ist ein gehosteter Dienst die ehrlichere Wahl.
-
n8n (Testinstallation für das Journal)
Eine eigens für einen Journal-Beitrag aufgesetzte n8n-Testinstallation mit Docker, gemessen und wieder gelöscht.
- Wofür es sich eignet
- Messwerte für Beiträge über Betrieb, Updates und Datenschutz von selbst gehostetem n8n.
- Unsere Erfahrung
- In einer Testinstallation mit Docker (Version 1.123.0, dann Update auf 2.43.7, Datenbank SQLite) brauchte n8n im Leerlauf rund 360 bis 400 MB Arbeitsspeicher und schaffte rund 85 einfache Ausführungen je Sekunde. In der Grundeinstellung speicherte es jede Ausführung samt der übermittelten Daten und hatte Telemetrie, Produktanalyse, Versionsabfrage und Vorlagen bei n8n eingeschaltet. Das Update lief mit 174 Datenbank-Migrationen in wenigen Sekunden, der aktive Workflow lieferte kurz danach erst einen Fehler. Zugangsdaten aus einer Sicherung ließen sich in eine neue Instanz importieren, waren dort ohne den alten Verschlüsselungsschlüssel aber nicht zu entschlüsseln. n8n veröffentlichte in den 365 Tagen bis 18.10.2026 laut npm-Registry 421 Versionen.
- Wann es nicht passt
- Eine Testinstallation auf einem Arbeitsrechner, kein Dauerbetrieb: Werte sind Größenordnungen, keine Server-Benchmarks.
-
Zapier
Gehosteter Dienst für Automatisierungen zwischen Webanwendungen ohne Programmierung.
- Wofür es sich eignet
- Schnelle Verbindungen zwischen verbreiteten Web-Anwendungen ohne eigenen Betrieb.
- Unsere Erfahrung
- Jens hat Zapier und Make beide selbst eingesetzt und die Abläufe aus beiden später auf ein selbst gehostetes n8n umgezogen. Ausschlaggebend waren drei Dinge: Abläufe in n8n lassen sich mit KI-Unterstützung besser warten, der selbst betriebene Server kostet keine Gebühr je Ausführung, und alles liegt auf einer Plattform statt auf zwei. In vielen Firmen läuft n8n ohnehin schon für irgendeinen Zweck, dann kommt kein neues Werkzeug dazu.
- Wann es nicht passt
- Bei vielen Ausführungen wird es teuer, und die Daten laufen über den Anbieter.
-
Make
Gehosteter Dienst für visuell gebaute Automatisierungen zwischen Anwendungen.
- Wofür es sich eignet
- Visuell gebaute Abläufe mit Verzweigungen zwischen Web-Anwendungen.
- Unsere Erfahrung
- Jens hat Make neben Zapier selbst eingesetzt und die Abläufe aus beiden auf ein selbst gehostetes n8n umgezogen: mit KI besser wartbar, keine Gebühr je Ausführung, eine Plattform statt zwei.
- Wann es nicht passt
- Wenn Abläufe zu groß werden, leidet die Übersicht; dann ist Code wartbarer.
-
Power Automate
Microsofts Dienst für automatisierte Abläufe rund um Microsoft 365, Mail und Dateien, auch mit lokalen Systemen.
- Wofür es sich eignet
- Abläufe rund um Microsoft 365, Outlook, SharePoint und Teams, auch mit lokalen Systemen.
- Wann es nicht passt
- Außerhalb der Microsoft-Welt und bei komplexer Logik wird es umständlich; die Lizenzlogik will vorher gerechnet sein.
Sprache und Telefon
-
Retell
Plattform für KI-Sprachagenten am Telefon, die während des Gesprächs Funktionen aufrufen.
- Wofür es sich eignet
- Telefon-Agenten, die Anrufe annehmen und während des Gesprächs Termine oder Daten abfragen.
- Wann es nicht passt
- Wenn Anrufer überwiegend Sonderfälle haben; dann ist ein Mensch am Telefon schneller.
KI-Modelle
-
OpenAI-API
Sprach- und Transkriptionsmodelle von OpenAI über eine Programmierschnittstelle.
- Wofür es sich eignet
- Texte formulieren, zusammenfassen und klassifizieren innerhalb einer Anwendung.
- Wann es nicht passt
- Für exakte Berechnungen: Sprachmodelle rechnen unzuverlässig, Zahlen gehören in gewöhnlichen Code.
-
Azure OpenAI (EU)
OpenAI-Modelle in Microsoft-Rechenzentren mit Datenverarbeitung in der EU.
- Wofür es sich eignet
- Dieselben Modelle mit Datenverarbeitung in der EU, wenn personenbezogene Daten im Spiel sind.
- Wann es nicht passt
- Neue Modelle kommen dort oft später an als bei OpenAI direkt.
-
Lokale Modelle (Ollama)
Sprach- und Embedding-Modelle auf eigener Hardware, ohne dass Daten in eine Cloud gehen.
- Wofür es sich eignet
- Modelle auf eigener Hardware, wenn Daten das Haus gar nicht verlassen dürfen.
- Wann es nicht passt
- Wo höchste Antwortqualität nötig ist; große Cloud-Modelle sind lokal betriebenen meist überlegen.
-
Lokale Modelle (Testmessung für das Journal)
Eine eigens für einen Journal-Beitrag durchgeführte Messung mit offenen Modellen über Ollama auf einem Arbeitsrechner, verglichen mit zwei Cloud-Modellen.
- Wofür es sich eignet
- Messwerte für Beiträge über lokale KI: Geschwindigkeit, Speicherbedarf und Qualität gegen Cloud-Modelle.
- Unsere Erfahrung
- Auf einem Arbeitsrechner mit Apple M5 und 24 GB gemeinsamem Speicher (Ollama 0.24.0) erzeugte Qwen2.5 mit 7 Milliarden Parametern rund 25 Token je Sekunde und belegte 4,8 GB Speicher, die Variante mit 14 Milliarden rund 12 Token je Sekunde bei 9,3 GB. Nur auf dem Prozessor, ohne Grafikeinheit, waren es beim kleinen Modell 10 bis 18 Token je Sekunde; einen Text von rund 1.200 Token las es dort in gut 15 statt knapp 6 Sekunden ein. In einem Test mit 20 Aufgaben (zehn Bestell-E-Mails in fünf Felder zerlegen, sechs E-Mails einordnen, vier Rechenaufgaben) lagen beide lokalen Modelle beim Zerlegen (49 und 50 von 50 Feldern) und Einordnen (6 von 6) gleichauf mit Claude Haiku 5.5 (49 von 50, 5 von 6) und Claude Sonnet 5.5 (50 von 50, 6 von 6). Beim Rechnen lösten sie 1 und 2 von 4 Aufgaben, die Cloud-Modelle 4 und 3 von 4.
- Wann es nicht passt
- Ein Arbeitsrechner und 20 Aufgaben, kein Server-Benchmark: Werte sind Größenordnungen; ein kleiner Test zeigt Tendenzen, keine allgemeine Rangfolge der Modelle.
-
RAG (Testmessung für das Journal)
Eine eigens für einen Journal-Beitrag gebaute Suche über die öffentlichen Seiten von kaidostudios.de mit Postgres, pgvector und einem lokalen Einbettungsmodell, gemessen mit Testfragen.
- Wofür es sich eignet
- Messwerte für Beiträge über RAG, Wissenssuche und Vektordatenbanken: Zerlegung, Suchart, Antwortqualität mit und ohne Suche, Kosten.
- Unsere Erfahrung
- Die 17 öffentlichen Seiten von kaidostudios.de (rund 16.500 Wörter) wurden auf einem Arbeitsrechner mit dem Einbettungsmodell BGE-M3 in Vektoren übersetzt und in Postgres mit pgvector gespeichert; 24 Fragen in Alltagssprache, drei davon ohne Antwort in den Texten. Zerlegt nach Überschriften (153 Abschnitte, im Schnitt 115 Wörter) lag die richtige Seite bei 19 von 21 Fragen auf Platz 1 und bei 20 in den ersten drei Treffern; ganze Seiten 14 und 19, feste Stücke von 80 Wörtern 15 und 19, von 300 Wörtern 13 und 17. Volltextsuche allein: 9 von 21 auf Platz 1 bei Abschnitten, die Mischung aus Volltext und Vektoren 16. Claude Haiku 5.5 beantwortete mit den drei besten Abschnitten 20 von 21 Fragen richtig und lehnte alle drei unbeantwortbaren ab; ohne Suche 3 von 21 richtig, und es erfand zweimal eine Firmenaussage (Verkauf übernommen, Excel-Schulungen). Ganze Seiten als Kontext brauchten mit rund 11.300 Token das 8,6-Fache der Abschnitte (rund 1.300) bei gleicher Trefferzahl. Mit festen Stücken von 80 Wörtern als Kontext (rund 800 Token) waren 17 von 21 Antworten richtig: zweimal fehlte die Aussage im abgeschnittenen Stück (etwa „etwa sechs Wochen“ statt „vier bis sechs Wochen“), einmal kam eine Beispielrechnung statt der Spanne, einmal fehlte der passende Abschnitt. Fehler der Abschnitts-Variante: Bei der Frage nach eingescannten Rechnungen war der passende Abschnitt nicht unter den drei Treffern, die Antwort lautete „Steht nicht in den Unterlagen“. Fehler der Variante mit ganzen Seiten: Die Seite zur Zusammenarbeit war nicht unter den drei Treffern, die Vertriebsfrage blieb unbeantwortet. Ohne Suche antwortete das Modell auf die Frage nach dem Verkauf der Software „Ja, Kaido Studios übernimmt den Verkauf eurer Software an Kunden“ (die Website sagt das Gegenteil) und bestätigte Excel-Schulungen, die es nicht gibt. Einbetten des ganzen Korpus: 8 bis 10 Sekunden; eine Suche rund 40 Millisekunden; die Tabelle mit allen vier Zerlegungen samt Indizes 8,6 MB; das Demo-Programm (Zerlegen, Einbetten, Suchen, Abfrage des Modells) umfasst rund hundert Zeilen Python ohne Rahmenwerk wie LangChain; mit Haiku 5.5 rund 0,35 $ je 1.000 Fragen.
- Wann es nicht passt
- Ein kleiner Korpus zu einem Thema und 24 Fragen, ohne Tabellen, gescannte PDFs oder Zugriffsrechte: Werte zeigen Tendenzen, keine allgemeine Rangfolge der Verfahren.
-
ERP-Anbindung (Testmessung für das Journal)
Ein eigens für einen Journal-Beitrag aufgesetztes Odoo mit Demodaten, angesprochen nur über die externe Schnittstelle, um zu messen, was beim Anbinden eines Sprachmodells an ein ERP Kosten und Richtigkeit bestimmt.
- Wofür es sich eignet
- Messwerte für Beiträge über ERP-Schnittstellen und KI-Anbindung: Datenmenge je Abruf, Richtigkeit mit und ohne Vorfiltern, Kosten, Rechte eines technischen Benutzers.
- Unsere Erfahrung
- Ein Odoo Community 20.0 mit den mitgelieferten Demodaten (20 Verkaufsaufträge, 9 Kundenrechnungen der gemessenen Firma, Beträge in US-Dollar) wurde auf einem Arbeitsrechner aufgesetzt und nur über die externe Schnittstelle abgefragt, wie es eine Anbindung täte. Ein Abruf ohne Feldliste liefert je Auftrag 115 Felder, je Kunde 171; gebraucht wurden jeweils 8. Alle Felder kosteten bei einem Auftrag und bei der Liste aller 15 offenen Aufträge das 16-Fache an Token (27.608 gegen 1.749 für die Liste), bei einem einzelnen Kunden das 756-Fache (88.461 gegen 117), weil der Datensatz das Firmenlogo zehnmal in verschiedenen Größen als Text mitliefert. Zwölf Geschäftsfragen (offene Aufträge, überfällige Rechnungen, Durchschnittswerte, Marge, zwei Fragen ohne Antwort in den Daten), je dreimal an Claude Haiku 5.5: Mit allen Feldern 23 von 30 beantwortbaren Fragen richtig, mit vorgefilterten Feldern 30 von 30, mit im Code vorgerechneten Ergebnissen 30 von 30; die unbeantwortbaren Fragen lehnte jede Variante in allen Läufen ab, erfunden wurde nichts. Fehler mit allen Feldern: Bei der Frage nach dem größten offenen Auftrag nannte das Modell in allen drei Läufen denselben falschen Auftrag (2.240,00 statt 2.947,50 $); beim Durchschnitt zählte es einmal 14 statt 15 Aufträge und kam auf 1.051,64 statt 1.178,03 $, die Division selbst stimmte; einmal stimmte die Antwort, aber eine ungefragt mitgelieferte Summe mischte Netto- und Bruttobeträge; bei der Frage nach dem meistverkauften Produkt schloss es eigenmächtig Dienstleistungen aus. Daten je Frage im Schnitt rund 42.700 Token mit allen Feldern, 2.300 vorgefiltert, 380 vorgerechnet; Kosten je Frage bei frischen Daten (gemessen, nicht aus Listenpreisen gerechnet) rund 0,074 $ mit allen Feldern, 0,007 $ vorgefiltert und 0,008 $ vorgerechnet; davon jeweils rund 0,0065 $ fester Anteil des Werkzeugs, das bei jedem Aufruf rund 77.000 Token eigene Anweisungen mitschickt. Dass vorgerechnet knapp über vorgefiltert liegt, kommt von einem einzelnen Aufruf, der zweimal lief. Ein eigener Benutzer nur mit Leserechten auf den Verkauf konnte über die Schnittstelle Aufträge lesen; Ändern, Anlegen und Löschen sowie das Lesen von Rechnungen wies Odoo jeweils mit einer Zugriffsfehlermeldung ab. Ein API-Schlüssel ersetzt in Odoo nur das Kennwort und hat genau die Rechte seines Benutzers; in Version 20 muss er ein Ablaufdatum haben.
- Wann es nicht passt
- Eine kleine Demodatenbank, ein Modell, drei Läufe je Frage: Werte zeigen Größenordnungen; mit echten Datenmengen dürfte die Fehlerquote ohne Vorfiltern eher steigen.
-
Token-Zählung (Testmessung für das Journal)
Eine eigens für einen Journal-Beitrag durchgeführte Zählung, wie viele Token typische Geschäftstexte bei Claude belegen: Sprache, Datenformat, Mailverläufe, Geldbeträge.
- Wofür es sich eignet
- Messwerte für Beiträge über Token, Kosten von Sprachmodellen und die Aufbereitung von Daten für KI.
- Unsere Erfahrung
- Gezählt mit Claude Haiku 5.5, Sonnet 5.5 und Opus 5.5; alle drei Modelle zählten jeden Text auf das Token gleich. Die Artikel 5 bis 7 der DSGVO im amtlichen Wortlaut brauchten auf Deutsch 4.007 Token (3,62 je Wort, 2,15 Zeichen je Token), auf Englisch 2.145 Token (1,83 je Wort, 3,44 Zeichen je Token): Derselbe Inhalt kostet auf Deutsch das 1,87-Fache. Der Fließtext der Seite „Zusammenarbeit“ von kaidostudios.de: 636 Wörter, 2.122 Token, 3,34 Token je Wort. Eine erfundene Rechnungsliste mit 50 Zeilen und acht Feldern: als CSV 2.693 Token, als Markdown-Tabelle das 1,25-Fache, als kompaktes JSON das 1,84-Fache, als eingerücktes JSON das 2,34-Fache. Ein erfundener Mailverlauf mit sechs Antworten, jede mit dem vollständigen Verlauf als Zitat: 1.616 Token gegen 206 für die letzte Nachricht allein, das 7,8-Fache. Ein Geldbetrag in deutscher Schreibweise („9.448,68 €“) rund 8 Token, maschinenlesbar („9448.68“) rund 5. Hochgerechnet nach Listenpreis (nur Eingabe, ohne Cache und Stapelverarbeitung) kostet das einmalige Lesen von 1.000 Seiten deutschem Geschäftstext zu je 500 Wörtern (rund 1,67 Mio. Token) mit Haiku 5.5 rund 0,17 $, mit Sonnet 5.5 rund 3,34 $, mit Opus 5.5 rund 6,67 $; 1.000 Rechnungslisten wie oben mit Sonnet 5.5 als CSV rund 5,39 $, als eingerücktes JSON rund 12,62 $.
- Wann es nicht passt
- Je Kategorie ein Text, gezählt über die Differenz zum Leerlauf mit einer Unschärfe von wenigen Token; Rechnungsliste, Mailverlauf und Beträge sind erfunden.
-
Whisper
Spracherkennung, die Audio in Text mit Zeitstempeln umwandelt.
- Wofür es sich eignet
- Sprachaufnahmen in Text umwandeln, etwa Sprachnotizen oder Gesprächsmitschnitte.
- Unsere Erfahrung
- Über die API kostet Whisper rund 0,006 $ je Minute Audio. Eine Datei darf höchstens 25 MB groß sein; längere Aufnahmen müssen deshalb in Stücke von rund 20 Minuten geteilt werden.
- Wann es nicht passt
- Für Echtzeit-Gespräche: Whisper verarbeitet ganze Dateien, nicht einen laufenden Strom.
Daten
-
Postgres
Relationale Open-Source-Datenbank.
- Wofür es sich eignet
- Die Datenbank hinter Anwendungen, von Stammdaten bis zu Auswertungen.
- Wann es nicht passt
- Für sehr große Mengen gleichförmiger Messwerte oder Protokolle gibt es spezialisierte Speicher, die das günstiger erledigen.
-
pgvector
Erweiterung für Postgres, die Texte als Vektoren speichert und nach Ähnlichkeit durchsucht (Grundlage für RAG).
- Wofür es sich eignet
- Firmenwissen nach Bedeutung durchsuchbar machen, direkt in der vorhandenen Datenbank.
- Wann es nicht passt
- Bei sehr großen Datenmengen und hohen Zugriffszahlen kann eine eigene Vektordatenbank nötig werden.
-
Python
Programmiersprache für Skripte, Datenaufbereitung und Auswertungen.
- Wofür es sich eignet
- Daten umformen, Dateien auslesen, kleine Werkzeuge und Auswertungen.
- Wann es nicht passt
- Für Oberflächen im Browser ist sie nicht gemacht.
Betrieb
-
Cloudflare (Pages, Workers)
Auslieferung statischer Websites und kleine Funktionen am Rand des Netzes, nah am Besucher.
- Wofür es sich eignet
- Websites und kleine Funktionen schnell und günstig ausliefern.
- Unsere Erfahrung
- Die Umleitungsdatei von Cloudflare Pages erlaubt 2.000 feste und 100 dynamische Regeln, kann aber keinen Status 410 („dauerhaft entfernt“) liefern; dafür braucht es eine eigene kleine Funktion. Bei gestaffelter Freigabe legt ein Deploy nur eine neue Version an, live ist sie erst nach der Freigabe.
- Wann es nicht passt
- Für lang laufende oder speicherhungrige Rechenaufgaben: Funktionen am Rand des Netzes haben enge Grenzen bei Laufzeit und Speicher.
-
Container (Docker)
Verpackt eine Anwendung samt allem, was sie braucht, sodass sie überall gleich läuft.
- Wofür es sich eignet
- Anwendungen gleich betreiben, auf dem Arbeitsrechner wie auf dem Server, und Versionen sauber tauschen.
- Wann es nicht passt
- Ein Container ersetzt keine Sicherung: Daten gehören außerhalb des Containers gesichert.
Web
-
Astro
Werkzeug, das aus Texten und Bausteinen schnelle statische Websites baut. Diese Website ist damit gebaut.
- Wofür es sich eignet
- Schnelle Websites aus Texten und Bausteinen, ohne Server im Hintergrund.
- Unsere Erfahrung
- Ein Bau, der fehlerfrei endet, kann trotzdem leer sein. Darum bricht der Bau dieser Website ab, wenn weniger Seiten entstehen als eine Mindestzahl.
- Wann es nicht passt
- Für Anwendungen mit Anmeldung und viel Logik auf dem Server.
-
Next.js
Werkzeug für Webanwendungen mit Logik auf dem Server.
- Wofür es sich eignet
- Webanwendungen mit Anmeldung, Formularen und Logik auf dem Server.
- Wann es nicht passt
- Für reine Inhaltsseiten ist es mehr Technik als nötig.
-
TypeScript und Node.js
Programmiersprache mit Typprüfung und die Laufzeitumgebung, die sie auf dem Server ausführt.
- Wofür es sich eignet
- Schnittstellen, Hintergrundaufgaben und Webanwendungen in einer Sprache von der Oberfläche bis zur Datenbank.
- Wann es nicht passt
- Für rechenintensive Auswertungen großer Datenmengen gibt es passendere Sprachen.
-
React
Bibliothek für Bedienoberflächen aus wiederverwendbaren Bausteinen.
- Wofür es sich eignet
- Bedienoberflächen mit viel Interaktion, etwa Formulare und Übersichten in Anwendungen.
- Wann es nicht passt
- Für reine Inhaltsseiten, die ohne JavaScript auskommen.
-
Tailwind CSS
Gestaltungswerkzeug, das Aussehen über kurze Klassen direkt am Baustein festlegt.
- Wofür es sich eignet
- Einheitliche Gestaltung über viele Seiten und Bausteine hinweg.
- Wann es nicht passt
- Ohne festgelegte Gestaltungsregeln wird das Markup schnell unübersichtlich.
Unternehmenssysteme
-
Microsoft 365 und Microsoft Graph
Microsofts Schnittstelle zu Benutzern, Postfächern, Kalendern und Dateien in Microsoft 365.
- Wofür es sich eignet
- Anwendungen an Benutzer, Postfächer, Kalender und Dateien in Microsoft 365 anbinden.
- Unsere Erfahrung
- Graph liefert Listen seitenweise. Wer eine lange Liste, etwa von Benutzern oder Postfächern, nur bis zur ersten Antwort liest, verliert still alle Einträge jenseits der ersten Seite; erst das Weiterblättern über den mitgelieferten Folgelink liefert alle.
- Wann es nicht passt
- Ohne saubere Berechtigungen in Entra ID wird jede Anbindung zum Sicherheitsrisiko.
Welches Werkzeug passt zu Ihrem Vorhaben?
Das entscheidet nicht die Liste, sondern Ihr Betrieb: Daten, Systeme, Mengen. Darüber sprechen wir im Erstgespräch.