Unframe entwickelt KI-Lösungen für operative Unternehmensprozesse
Künstliche Intelligenz ist in vielen Unternehmen inzwischen Teil des Tagesgeschäfts. Zugleich wächst der Markt für KI-Lösungen auch 2026 weiter. Das Grundproblem in vielen Betrieben bleibt jedoch dasselbe: Daten liegen in verschiedenen Systemen, Dokumente sind unstrukturiert, Prozesse laufen über viele manuelle Schritte.
Dieses Umfeld mischt Unframe derzeit kräftig auf. Das Unternehmen wurde 2024 in den USA gegründet. Es ist nach eigenen Angaben seitdem schnell gewachsen. Genannt werden eine Finanzierung von 50 Millionen US-Dollar, Standorte in Berlin und Tel Aviv sowie der Ausbau des Führungsteams und der globalen Organisation.
Als nächste Schritte nennt das Unternehmen die weitere internationale Expansion. Zugleich soll die Plattform vor allem in den Bereichen Automatisierung und Datenanalyse ausgebaut werden. Hinzu kommt die Unterstützung von Unternehmen beim Übergang von KI-Projekten in den regulären Betrieb.
Drei Felder, ein Ziel: Daten nutzbar machen
Unframe bietet eine Plattform zur Entwicklung und Bereitstellung von KI-Lösungen für konkrete Anwendungsfälle in Unternehmen. Im Zentrum stehen drei Felder:
- Suche und Analyse von Daten über verschiedene Systeme hinweg
- Strukturierung unstrukturierter Dokumente
- Automatisierung von Workflows mit Hilfe von KI
Die Plattform basiert auf einer modularen Architektur. Sie soll sich individuell konfigurieren und in bestehende Systeme integrieren lassen.
Die Zielgruppe sind vor allem Unternehmen, die KI nicht als isoliertes Werkzeug einsetzen wollen, sondern in laufenden Arbeitsprozessen. Dabei geht es insbesondere um Bereiche, in denen Standardlösungen nicht ausreichen.
Als Vorteile nennt Unframe eine schnellere Umsetzung von Anwendungsfällen, eine effizientere Datenverarbeitung und Workflows sowie die Integration in bestehende Systeme. Sowohl für große als auch für kleinere Unternehmen soll der Einstieg über klar definierte Anwendungsfälle möglich sein – ohne hohe Anfangsinvestitionen und ohne komplexe Infrastruktur.
Ein frühes Projekt: Lieferscheine aus vielen Quellen
Ein frühes Projekt betraf ein europäisches Unternehmen, das große Mengen an Lieferscheinen in unterschiedlichen Formaten verarbeiten musste. Die Daten waren uneinheitlich und mit Standard-Tools nur schwer auszuwerten. Unframe strukturierte die Dokumente, identifizierte relevante Datenpunkte und automatisierte den Abgleich. Das Ergebnis war weniger manueller Aufwand und eine konsistentere Verarbeitung.
Praxisfall Handel: Wie Unframe Bestände und Verkaufsdaten auswertet
Wie der Ansatz in größerem Maßstab aussehen soll, zeigt ein Fall aus dem Handel. Beschrieben wird ein Retail-Unternehmen mit mehr als 2.000 SKUs in 143 Filialen. SKUs sind eindeutige alphanumerische Kennzeichnungen für Produkte oder Produktvarianten in Lager-, Logistik- und ERP-Systemen.
Das Unternehmen verfügt bereits über umfangreiche Daten zu Verkaufszahlen, Lagerbeständen und Bestellungen. Doch diese Daten sind nicht direkt handlungsleitend. Entscheidungen erfordern manuelle Auswertungen und Abstimmungen zwischen verschiedenen Teams. Das verlangsamt die Prozesse. Top-Seller werden nicht optimal nachgesteuert, Trends zu spät erkannt, langsam drehende Produkte bleiben zu lange im Lager.
Unframe bindet seine Lösung direkt an bestehende Systeme wie MS SQL oder ERP-Systeme an. ERP steht für Software, mit der Unternehmen Ressourcen, Warenflüsse und zentrale Geschäftsprozesse steuern.
Ein Systemwechsel sei nicht nötig. Die KI analysiert dann täglich Verkaufsdaten, Lagerbestände und offene Bestellungen. Sie erkennt automatisch, welche Produkte besonders gut laufen und geschützt werden sollten, wo Engpässe drohen und wo Überbestände entstehen. Auf dieser Basis erstellt die Plattform jeden Morgen eine priorisierte Liste konkreter Handlungsempfehlungen für die Teams, inklusive Begründungen und unter Berücksichtigung von Budget- und Business-Regeln.
Zusätzlich hatten Mitarbeitende die Möglichkeit, der Software Fragen in normaler Alltagssprache zu stellen. Zum Beispiel: Wie läuft ein bestimmtes Produkt? Oder: Wie entwickeln sich die Verkäufe in einzelnen Filialen? Darauf lieferte das System Antworten auf Basis der vorhandenen Daten. Nach Angaben des Unternehmens beschleunigte das die Entscheidungsprozesse und verbesserte die Bestandssteuerung. Die Lösung überwache täglich mehr als 2.000 SKUs, sei innerhalb von 15 Tagen produktiv eingesetzt worden und erziele einen prognostizierten ROI von 41,7x. Gemeint ist ein erwarteter Ertrag von 41,7 Dollar pro investiertem Dollar.
Praxisfall Finanzsektor: Tausende Archivboxen, fehlende Metadaten, steigender Druck
Ein weiteres Beispiel stammt aus dem Finanzsektor. Dort geht es um ein global tätiges Fortune-500-Finanzinstitut. Es muss jahrzehntelang gewachsene Archivbestände digitalisieren. Zugleich muss es regulatorische Anforderungen wie Auditierbarkeit, also die Nachvollziehbarkeit für Prüfungen, Datenlöschung und Compliance erfüllen. Die Ausgangslage ist komplex. Die Bank verwaltet historische Unterlagen in tausenden physischen Archivboxen, die oft unvollständig oder uneinheitlich katalogisiert sind. Selbst digitalisierte Dokumente, etwa gescannte PDFs, enthalten häufig keine brauchbaren Metadaten, also Angaben zu Inhalt, Datum, Herkunft oder Dokumententyp.
Die Verbindung zwischen physischen und digitalen Beständen fehlt. Das Auffinden von Dokumenten ist entsprechend aufwendig und zeitintensiv, weil häufig mehrere Archivboxen angefordert werden müssen. Gleichzeitig steigen die regulatorischen Anforderungen, etwa mit Blick auf DSGVO, Aufbewahrungsfristen und Auditfähigkeit. Hinzu kommt die Vorgabe, dass die Lösung vollständig on-premise betrieben werden muss: auf den eigenen Servern des Unternehmens. So sollen Anforderungen an die Datensouveränität erfüllt werden.
Unframe setzt hier auf eine KI-basierte, vollständig on-premise betriebene Lösung zur intelligenten Dokumentenverarbeitung. Diese digitalisiert bestehende Dokumente, führt automatisierte Texterkennung durch, extrahiert relevante Metadaten und klassifiziert sowie strukturiert die Dokumente, bevor sie in ein einheitliches Records-Management-System überführt werden. Jedes digitale Dokument wird dabei seinem physischen Ursprung zugeordnet: der jeweiligen Archivbox und deren Standort. Durch die Integration in bestehende Datenplattformen der Bank soll eine strukturierte Suche nach Kunden, Dokumententypen, Zeiträumen oder regulatorischen Kriterien möglich werden. Ein Human-in-the-loop-Ansatz soll die Datenqualität laufend prüfen und verbessern.
Das Ergebnis beschreibt Unframe so: Ehemals unstrukturierte und schwer zugängliche Archivbestände werden in ein durchsuchbares, revisionssicheres System überführt. Die Suchgeschwindigkeit steigt, die Genauigkeit bei der Metadatenextraktion liegt auf einem sehr hohen Niveau, und die Kosten für Speicherung und Retrieval, den Abruf der Daten, sinken deutlich.
Vom KI-Werkzeug zum Arbeitsprozess
Aus den Projekten lässt sich der Anspruch des Unternehmens gut ablesen. Unframe will Daten, Dokumente und bestehende Systeme so zusammenführen, dass daraus nutzbare Prozesse werden. Im Handel geht es um tägliche Entscheidungen zu Sortiment und Bestand. Im Finanzsektor um Dokumentenzugriff, Nachvollziehbarkeit und regulatorische Sicherheit. In beiden Fällen liegt der Schwerpunkt nicht auf einem allgemeinen KI-Werkzeug, sondern auf Anwendungen, die sich in bestehende Strukturen einfügen.
Damit besetzt Unframe einen Bereich, der im Zuge des KI-Booms an Bedeutung gewinnt: die Übersetzung technischer Möglichkeiten in betriebliche Abläufe. Genau dort liegt für viele Unternehmen derzeit der eigentliche Engpass.
