← Alle Case Studies Case Study · KI-Dokumentenverarbeitung

Ein Dokumentenverarbeitungs-SaaS senkt seine KI-Rechnung um ~70 %.

Wechsel von einer Hyperscaler-API zu europäischen GPUs, gehostet und gemanagt von GEKI. Offenes Modell hinter einer OpenAI-kompatiblen API; ungenutzte Kapazität wird nachts verkauft.

Kurzfassung

Weniger Abhängigkeit, niedrigere Rechnung

Eine SaaS-Plattform für Dokumentenverarbeitung zahlt 20.000 € pro Monat an einen US-Hyperscaler. Ziel: planbare Kosten, europäische Tokens, ohne GPU-Ops-Team.

GEKI verlagerte den Workload auf dedizierte GPUs im EU-Rechenzentrum - Infrastruktur und Betrieb durch GEKI, offenes Modell, OpenAI-kompatible API. Der Anwendungscode blieb unverändert.

~70%

Geringere Netto-KI-Kosten

Tokens & Datenresidenz

~100%

Hardware-Auslastung

Eigenes GPU-Ops-Team

Das Unternehmen

Viel Volumen, eine API-Rechnung

Die Plattform verarbeitet rund 1,5 Millionen Dokumente pro Monat: Support-Gespräche zusammenfassen, strukturierte Daten extrahieren. Viel Input, JSON-Output - alles über eine Hyperscaler-KI-API.

Warum wechseln

✓ Abhängigkeit: ein US-Anbieter für Modelle, Kapazität und Preise
✓ Daten: Kundendaten und Inferenz sollen in der EU bleiben
✓ Kosten: Die API-Rechnung wächst mit jedem Kunden und drückt die Marge

Aktueller Workload	Wert
Dokumente / Monat	1.500.000
Ø Input / Output	2.500 / 500 Tokens
Tokens pro Monat (in / out)	4 Mrd. / 800 Mio.
Monatliche KI-Kosten (Hyperscaler)	20.000 €

Der GEKI-Ansatz

Offenes Modell, europäische GPUs, gemanagt von GEKI

1. Modell validieren. GEKI hat offene Modelle an echten Daten der Plattform gemessen. DeepSeek V4 Flash lag bei Zusammenfassung, Recall, Halluzinationen und JSON-Konformität auf oder über Produktionsniveau - und wurde gewählt.

2. Infrastruktur stellen & betreiben. Statt GPUs zu kaufen, stellt und betreibt GEKI die Kapazität in einem EU-Rechenzentrum. Kein Hardware-Kauf, kein Infrastruktur-Team. GEKI übernimmt Deployment, Monitoring, Sicherheit und Upgrades.

3. Code behalten. Das Modell läuft über eine OpenAI-kompatible API. Die Anwendung bleibt; es ändert sich nur der Endpoint.

✓ Tokens auf EU-Infrastruktur
✓ Offenes Modell, kein einzelner Anbieter als Flaschenhals
✓ OpenAI-kompatible API - Endpoint austauschbar
✓ Betrieb durch GEKI - kein GPU-Team beim Kunden

Die Ökonomie

Kosten vorher und nachher

Der Workload passt auf die dedizierte Kapazität. Die Managed-Service-Gebühr (GEKI-Infrastruktur + Betrieb) ersetzt die variable API-Rechnung:

	Vorher (Hyperscaler-API)	Nachher (GEKI managed)
Monatliche KI-Kosten	20.000 €	~6.300 €
Idle-Kapazitätsverkauf (nachts)	-	− Erlösanrechnung
Monatliche Nettokosten	20.000 €	~6.000 €

Ungenutzte Kapazität nachts verkauft

Dokumentenverarbeitung läuft vor allem tagsüber; nachts stünden die GPUs still. GEKI verkauft ungenutzte Kapazität als Tokens am Spotmarkt. Der Kunden-Workload hat Priorität; externer Traffic nur auf freier Kapazität. So kommt die Hardware auf nahezu 100 % Auslastung, der Erlös senkt die Service-Gebühr - Netto-Ersparnis ~70 %.

Hyperscaler bleibt für Peaks & Fallback

Die Hyperscaler-API bleibt als Peak- und Fallback-Pfad: bei Lastspitzen über der dedizierten Kapazität oder in der Wartung. Sie ist nicht mehr der Hauptlieferant - der Anbieter-Mix ist breiter, nicht nur getauscht.

Ergebnisse

Was sich geändert hat

✓ Netto-KI-Kosten: 20.000 € → ~6.000 €/Monat (~70 % weniger)
✓ Qualität mit validiertem offenem Modell gehalten
✓ Tokens in der EU, Datenresidenz in der EU
✓ Hyperscaler nur noch für Peaks & Fallback
✓ Ungenutzte Kapazität verkauft; Hardware nahe ~100 % Auslastung
✓ Kein GPU-Ops-Team beim Kunden