KI-gestützte Business-Intelligence-Plattform für mittelständische Unternehmen

1. Ziel des Projekts

Es soll eine KI-Plattform entstehen, die automatisch Wissen aus:

• YouTube-Videos,

• Podcasts,

• Interviews,

• Konferenzen,

• Experten-Content

extrahiert, analysiert, strukturiert und für Unternehmen verständlich aufbereitet.

Der Fokus liegt NICHT auf einfachen Video-Zusammenfassungen, sondern auf: strategischer KI- und Business-Intelligence für mittelständische Unternehmen.

2. Das eigentliche Problem

Unternehmen werden aktuell mit Informationen überflutet:

• täglich neue KI-Modelle,

• neue Tools,

• neue Agentensysteme,

• Podcasts,

• YouTube-Videos,

• Konferenzen,

• Expertenmeinungen.

Geschäftsführer und Entscheider:

• haben keine Zeit,

• können nicht 20 Stunden Podcasts konsumieren,

• verstehen oft nicht, welche Entwicklungen wirklich relevant sind.

3. Zielgruppe

Primäre Zielgruppe:

Mittelständische Unternehmen (ca. 50–500 Mitarbeiter)

Besonders:

• E-Commerce

• IT-Unternehmen

• Agenturen

• SaaS-Unternehmen

• digitale Dienstleister

4. Kern-Thema

„KI-Agenten & Automatisierung im Mittelstand“

Das System soll analysieren:

• Welche KI-Entwicklungen sind wirklich relevant?

• Welche Prozesse werden automatisiert?

• Welche Tools setzen sich durch?

• Welche Auswirkungen entstehen auf:

  • Vertrieb,

  • Kundenservice,

  • ERP,

  • Marketing,

  • Wissensarbeit,

  • Prozesse?

5. Vision

Langfristig soll daraus entstehen:

Eine semantische Wissens- und Intelligence-Plattform für Unternehmen.

Nicht nur:
„Zusammenfassungen“

sondern:

• Trends,

• Konsensanalysen,

• Expertennetzwerke,

• Marktintelligenz,

• Frühwarnsysteme,

• KI-Research.

6. Wichtige strategische Erkenntnis

Der Wert liegt NICHT in:

• „GPT fasst ein Video zusammen“.

Das wird Commodity.

Der eigentliche Wert liegt in:

• Strukturierung,

• semantischer Analyse,

• Themen-Clustering,

• Kontext,

• historische Entwicklung,

• Relevanzbewertung,

• Vergleich vieler Quellen.

7. Relevante Quellen/Kanäle

Das System soll zunächst etwa 5–20 hochwertige Quellen überwachen.

Erste empfohlene Kanäle

KI-Unternehmen

• OpenAI

• Anthropic

• Google DeepMind

• NVIDIA

Podcasts / KI-Builder

• All-In Podcast

• Latent Space

• The Cognitive Revolution

• AI Explained

• Matthew Berman

• Y Combinator

Business & VC

• a16z

• Sequoia Capital

• McKinsey

• Stanford eCorner

Agentic Workflows

• LangChain

• LlamaIndex

• Harrison Chase

• Weights & Biases

Zukunft/Wirtschaft

• Lex Fridman

• TED

8. Technische Grundidee

Das System besteht aus mehreren automatisierten Schichten.

9. Zielarchitektur

YouTube / Podcasts ↓ Video Discovery ↓ Transcript Extraction ↓ Cleaning & Normalization ↓ Semantic Chunking ↓ Embeddings ↓ Topic Classification ↓ Topic Clustering ↓ Knowledge Database ↓ Executive Intelligence Reports ↓ Dashboard / API

10. Die einzelnen technischen Komponenten

A) Video Discovery Service

Aufgabe:

• überwacht definierte Kanäle,

• erkennt neue Videos,

• speichert Metadaten.

Technologien:

• YouTube API

B) Transcript Service

Aufgabe:

• lädt automatisch Untertitel/Transkripte,

• alternativ Whisper-Transkription.

Technologien:

• youtube-transcript-api

• Whisper

C) Cleaning & Normalization

Aufgabe:

• entfernt Füllwörter,

• Werbung,

• Wiederholungen,

• irrelevante Passagen.

D) Semantic Chunking

Der Text wird intelligent in Themenblöcke zerlegt.

Nicht stumpf nach Zeichenlänge.

Beispiele:

• AI Agents

• ERP Automation

• Customer Support

• Workflow-Automation

E) Embeddings

Jeder Textblock wird semantisch als Vektor gespeichert.

Dadurch möglich:

• semantische Suche,

• Themenähnlichkeit,

• Clustering,

• Trendanalyse.

F) Topic Classification

KI analysiert:

• Thema,

• Business-Relevanz,

• Branche,

• Auswirkungen,

• erwähnte Tools,

• Experten.

G) Topic Clustering

Das System gruppiert ähnliche Inhalte automatisch.

Beispiel:
27 Videos sprechen über:

• autonome KI-Agenten,

• Browserautomation,

• ERP-Integration.

Das wird als gemeinsames Trendthema erkannt.

H) Knowledge Database

Langfristig entsteht:

• ein semantisches Wissenssystem,

• ein Knowledge Graph,

• eine historische Wissensbasis.

I) Executive Intelligence Layer

Das System erzeugt:

• tägliche Reports,

• wöchentliche Briefings,

• Trendanalysen,

• Konsensberichte.

Beispiel:
„Die 5 wichtigsten KI-Entwicklungen für mittelständische Unternehmen diese Woche.“

11. Technologiestack (empfohlen)

Frontend

• Next.js

• Vercel

Backend

• Python

• FastAPI

Datenbank

• PostgreSQL

• pgvector

AI / NLP

• OpenAI API

• später ggf. lokale Modelle

Hosting

• Railway

• Render

• Hetzner

Entwicklungsumgebung

• Cursor AI

12. Wichtiger Entwicklungsansatz

NICHT:

• sofort große Plattform bauen,

• keine Overengineering-Architektur,

• keine komplexen Agentensysteme am Anfang.

SONDERN:

• robuste Datenpipeline,

• stabile Verarbeitung,

• saubere semantische Strukturierung.

13. MVP (erste Version)

Ziel:

Kleines funktionierendes System.

MVP-Funktionen

• Überwachung von 5 YouTube-Kanälen

• automatischer Transcript-Download

• KI-Zusammenfassung

• Themenextraktion

• Business-Relevanzanalyse

• Speicherung in Datenbank

• einfache Weboberfläche

• einfache Reports

14. Empfohlener Entwicklungsablauf

Phase 1

Transcript-Pipeline

Phase 2

Chunking + Embeddings

Phase 3

Themenklassifikation

Phase 4

Topic Clustering

Phase 5

Executive Reports

Phase 6

Knowledge Graph / semantische Suche

15. Langfristige Möglichkeiten

Das Projekt könnte später werden zu:

• KI-Research-Plattform

• Marktintelligenzsystem

• Unternehmens-Research-Agent

• semantische Suchmaschine

• Expertennetzwerk

• Trendanalyseplattform

• strategisches Frühwarnsystem

• Agenten-Wissensbasis

16. Wichtigste strategische Aussage

Das Projekt ist KEIN:

„Video-Zusammenfasser“.

Sondern potenziell:

eine semantische Wissens- und Intelligence-Infrastruktur für Unternehmen.