Kurz gesagt Für die Deutsche Rohstoff AG habe ich Rigsy konzipiert, gebaut und übergeben, das System ist abgenommen: einen KI-Research-Agenten für den Sektor Oil Field Services. Er wertet 34 börsennotierte Unternehmen werktäglich aus 14 Datenquellen aus und liefert ein tägliches Briefing per Mail, ein Web-Terminal mit Chat und einen Agenten in Microsoft Teams. Die Zahlen berechnet das System, die KI formuliert nur.
- 34börsennotierte Unternehmen im festen Beobachtungsfeld
- 14angebundene Datenquellen, von SEC bis Branchenindikator
- 4Kanäle: Terminal mit Chat, Briefing-Mail, Dokumenteneingang, Teams
- 15Wochen vom Projektstart bis zur Übergabe
| Kunde | Deutsche Rohstoff AG, Mannheim: Öl- und Gasförderung in den USA, Beteiligungen an Metall- und Rohstoffprojekten |
|---|---|
| Aufgabe | Laufende, belegbare Beobachtung des Sektors Oil Field Services (Dienstleister und Ausrüster der Öl- und Gasförderung) |
| Zeitraum | Juni bis Oktober 2026 |
| Meine Rolle | Konzeption, Architektur, Umsetzung und Betrieb bis zur Übergabe, als Einzelberater mit KI-Coding-Agenten |
| Ergebnis | Vom Kunden abgenommenes, produktives Research-System auf dessen eigenen Konten, mit englischer Betriebs- und Entwicklerdokumentation |
Welche Aufgabe hatte die Deutsche Rohstoff AG?
Die Deutsche Rohstoff AG wollte den Markt der Unternehmen, die Bohr-, Fracking-, Offshore- und Ausrüstungsleistungen für die Öl- und Gasförderung erbringen, laufend und nachvollziehbar beobachten. Diese Firmen sind für ein Förderunternehmen mit US-Fokus zugleich Lieferanten, Taktgeber für Kosten und Indikator für die Lage der ganzen Branche.
Der Sektor ist datenintensiv. Wer ihn ernsthaft verfolgen will, muss Quartalsberichte und Pflichtmeldungen bei der US-Börsenaufsicht SEC lesen, Pressemitteilungen auf den Investor-Relations-Seiten verfolgen, wöchentliche Branchenindikatoren wie den Rig Count einordnen und Rohstoffpreise sowie Makrodaten danebenlegen. Für über 30 Unternehmen ist das manuell kaum wirtschaftlich zu leisten.
Dazu kommt ein Qualitätsproblem: Selbst offizielle Daten sind nicht überall sauber maschinenlesbar. Einzelne Konzerne melden zentrale Kennzahlen zum Beispiel nicht in strukturierter Form an die Börsenaufsicht. Ein System, das solche Lücken mit geschätzten Werten füllt, wäre für Investitions- und Strategieentscheidungen wertlos.
Das Leitprinzip für das Projekt war deshalb von Anfang an klar: keine Aussage ohne erkennbare Datenbasis, und die Ergebnisse dort ausliefern, wo das Team ohnehin arbeitet.
Was ist Rigsy und was kann das System?
Rigsy ist ein digitaler Research-Analyst. Er beobachtet ein festes Universum von 34 Unternehmen, führt Zahlen aus Primärquellen zusammen, bewertet Veränderungen nach festen Regeln und liefert das Ergebnis dorthin, wo das Team ohnehin arbeitet: ins Postfach, in den Browser und in Microsoft Teams.
| Baustein | Was er leistet |
|---|---|
| SEC-Filings | Pflichtmeldungen werden automatisch abgerufen, archiviert und durchsuchbar gemacht. Niemand muss mehr manuell bei der Börsenaufsicht nachsehen. |
| Ergebnis-Originale | Pressemitteilungen und Ergebnisberichte kommen laufend direkt von den Investor-Relations-Seiten, damit neue Quartalszahlen schnell vorliegen. |
| Kennzahlen mit Herkunft | Jede Zahl stammt zuerst aus auditierten SEC-Daten, nur bei strukturellen Lücken aus einem lizenzierten Datenanbieter, und trägt ihre Quelle sichtbar mit. |
| Sektor- und Makrodaten | Branchenindikatoren, Energie- und Makrodaten liefern den Kontext für jede Unternehmensbewertung. |
| Scoring und Ranking | Ein regelbasierter Score macht die Unternehmen vergleichbar und zeigt, wo sich Aufmerksamkeit lohnt. |
| Tägliche Briefing-Mail | Jeden Werktag ein redigiertes Lagebild im Postfach. |
| Web-Terminal mit Chat | Ein geschützter Arbeitsplatz mit Übersicht, Unternehmensseiten und einem Agenten, der Fragen in natürlicher Sprache mit Belegen beantwortet. |
| Dokumenteneingang | Mitarbeitende leiten Unterlagen per Mail weiter. Nach einer Sicherheitsprüfung werden sie Teil der durchsuchbaren Wissensbasis. |
| Microsoft Teams | Der Agent beantwortet Fragen direkt im Teams-Chat und meldet wichtige Hinweise in einem Kanal. |
| Tear Sheets | Eine kompakte, regelmäßig aktualisierte Profilseite je Unternehmen. |
Ähnliche Daueraufgabe bei euch?
Wettbewerber, Kunden oder Lieferanten regelmäßig zu beobachten, ist in vielen Unternehmen Handarbeit, die liegen bleibt. In einer KI-Roadmap klären wir, welche Quellen es gibt, was sich automatisieren lässt und was ein solcher Agent bei euch leisten müsste.
KI-Roadmap und Prozessanalyse ansehenWie funktioniert ein KI-Research-Agent technisch?
Das System arbeitet in vier Stufen. Entscheidend ist die Reihenfolge: Erst werden Daten gesammelt und gerechnet, dann formuliert die KI. So bleibt jede Aussage auf eine Quelle zurückführbar.
- SammelnSEC-Meldungen, IR-Seiten, Marktdaten, Branchenindikatoren, Nachrichten und eingesandte Dokumente laufen automatisch in eine Datenbank.
- Rechnen und bewertenKennzahlen, Vergleiche und der Score entstehen in Datenbank und Python, reproduzierbar und mit Herkunft.
- Formulieren und prüfenClaude formuliert Lagebild und Antworten. Ein Zahlenwächter und eine Qualitätsprüfung kontrollieren jede Aussage.
- AusliefernTägliche Briefing-Mail, Web-Terminal, Microsoft Teams und Profilseiten je Unternehmen.
Für Nicht-Techniker: Rigsy holt sich jeden Tag selbstständig Zahlen, Pflichtmeldungen und Nachrichten von 34 Unternehmen aus offiziellen Quellen und legt sie geordnet ab. Ein Regelwerk vergleicht die Unternehmen nach festen, nachvollziehbaren Kriterien. Eine KI macht daraus verständliche Einschätzungen, wobei jede Zahl vorher vom System berechnet und geprüft wird, nicht von der KI geschätzt. Wer eine Frage hat, schreibt sie in den Chat und bekommt eine Antwort mit Quellenangabe.
| Schicht | Technik |
|---|---|
| Oberfläche | Next.js und TypeScript als geschütztes Web-Terminal |
| Datenbank | Supabase (Postgres) im EU-Rechenzentrum Frankfurt, mit Vektorsuche für Dokumente |
| Rechenschicht | Python-Dienste für Datenabruf, Kennzahlen und Bewertung |
| KI | Claude von Anthropic für Chat, Briefing und Auswertung von Berichten |
| Automatisierung | Automatisierte Abläufe für Aktualisierung, Versand, Tests und Überwachung |
| Kanäle | E-Mail, Microsoft Teams, Browser |
Wie verhindert man, dass die KI Zahlen erfindet?
Indem die KI keine Zahlen erzeugt. Bei Finanzdaten ist eine plausibel klingende, aber falsche Zahl schlimmer als gar keine. Deshalb gelten in Rigsy feste Regeln:
- Rechnen vor Reden: Alle Fakten werden in Datenbank oder Python berechnet. Das Sprachmodell bekommt fertige Werte und formuliert nur.
- Quellen-Kaskade: Je Kennzahl ist festgelegt, welche Quelle zuerst gilt. Quellen werden nie stillschweigend gemischt, und jede Zahl zeigt ihre Herkunft.
- Lieber leer als geschätzt: Fehlt ein Wert in den Primärdaten, bleibt das Feld leer und wird als Lücke ausgewiesen.
- Doppelte Kontrolle: Ein Zahlenwächter und eine KI-gestützte Qualitätsprüfung kontrollieren Zahlen und Belege, bevor eine Antwort den Nutzer erreicht.
- Automatische Tests: Das System prüft sich regelmäßig selbst, sowohl die Qualität der Antworten als auch die Stimmigkeit der Zahlen über alle Kanäle.
Das Ranking folgt demselben Prinzip. Der Score folgt festen, dokumentierten Kriterien wie Bewertung, Wachstum, Profitabilität und Bilanzqualität. Kennzahlen ohne verlässliche Datenquelle fließen bewusst nicht ein, statt sie zu schätzen.
Welche Hürden gab es, und wie wurden sie gelöst?
Ein solches Projekt verläuft nicht linear. Diese Punkte haben am meisten Arbeit gekostet und am meisten zur Qualität beigetragen:
| Hürde | Lösung |
|---|---|
| Lücken in offiziellen Daten | Feste Quellen-Reihenfolge je Kennzahl, sichtbare Herkunft und ausgewiesene Lücken statt Schätzwerten |
| Lizenzen für Marktdaten | Saubere Prüfung der Nutzungsrechte und klare Trennung lizenzierter Daten |
| Vertrauliche Dokumente | Sicherheits- und Rechteprüfung, bevor ein Dokument in die Wissensbasis gelangt |
| Anbindung an Microsoft Teams | Eigener Teams-Agent, nachdem Microsoft die alte Anbindungsart abgekündigt hatte |
| Neue Funktionen im laufenden Betrieb | Schrittweise Freischaltung: erst im Hintergrund testen, dann live schalten, Rückweg jederzeit möglich |
Wie lief das Projekt ab?
Vom Projektstart im Juni bis zur Übergabe im Oktober 2026 vergingen rund 15 Wochen. Der Rhythmus: zuerst ein tragfähiges Fundament, dann mit echtem Kundenfeedback zum Produkt.
- Recherche und Aufbau: Auswahl der Unternehmen, Datenmodell, Anbindung der Quellen und ein erstes Terminal.
- Feedback und Methodik: Abstimmung mit dem Kunden, einheitliche Regeln für Kennzahlen, Prüfungen und Härtung.
- Ausbau und Qualität: Erweiterung auf 34 Unternehmen, Profilseiten und systematische Qualitätssicherung der Zahlen.
- Produktisierung: Briefing-Mail, Dokumenteneingang, Chat und Microsoft Teams im Serienbetrieb.
- Übergabe und Abnahme: Dokumentation, Umzug auf die Konten des Kunden, Begleitung im Betrieb und formale Abnahme.
Was hat das Projekt gebracht?
Die Deutsche Rohstoff AG hat heute eine Abdeckung, die manuell kaum wirtschaftlich wäre: 34 Unternehmen, werktäglich aktualisiert, mit belegten Zahlen und einem Lagebild, das jeden Werktag im Postfach liegt.
Einordnung: Modellrechnung, keine Messung beim Kunden
Mit typischen Richtwerten gerechnet: rund 90 Minuten Pflege je Unternehmensmodell, etwa 8 Minuten je gesichteter Pflichtmeldung und 6 Minuten Ersttriage je Nachricht. Für 34 Unternehmen ergibt das allein rund 51 Stunden Modellpflege und etwa 45 Stunden Filing-Arbeit pro Quartal, dazu rund 2 Stunden Nachrichtensichtung je Werktag. Das entspricht grob mindestens einer halben Vollzeitstelle Analystenarbeit, die das System übernimmt.
Wem gehört das System nach der Übergabe?
Dem Kunden. Code, Datenbank, Hosting und Automatisierungen laufen auf Konten der Deutschen Rohstoff AG. Eine englische Betriebs- und Entwicklerdokumentation erklärt Architektur, Abläufe und Änderungswege, damit das Team das System selbst oder mit einem Dritten weiterführen kann. Kein Lock-in beim Dienstleister: Das gehört für mich zu jedem Umsetzungsprojekt.
Für welche Unternehmen eignet sich ein solcher KI-Agent?
Für alle, die ein klar umrissenes Feld von Unternehmen, Märkten oder Themen regelmäßig beobachten müssen und dafür heute zu wenig Zeit haben. Das Muster ist branchenunabhängig: festes Beobachtungsfeld, Primärquellen, regelbasierte Bewertung, KI nur für Formulierung und Fragen, Auslieferung in bestehende Kanäle.
| Wer | Möglicher Einsatz |
|---|---|
| Industrie und Zulieferer | Wettbewerbs- und Kundenbeobachtung: Quartalszahlen, Auftragslage, Investitionspläne, Frühwarnung bei Kundenbonität |
| Einkauf in produzierenden Unternehmen | Lieferantenmonitoring für 30 bis 100 Schlüssellieferanten: Finanzlage, Meldungen, Rohstoffpreise, Lieferkettenrisiken |
| Family Offices und Beteiligungsgesellschaften | Portfolio- und Pipelinebeobachtung mit eigener Wissensbasis aus eingesandten Unterlagen |
| Energie- und Rohstoffhandel | Marktbeobachtung mit Preis-, Lager- und Aktivitätsindikatoren plus Einordnung |
| M&A und Nachfolge im Mittelstand | Beobachtung möglicher Zielunternehmen in einer Nische, mit Dokumentenablage je Unternehmen |
| Verbände und Kammern | Branchenlagebild für Mitglieder als tägliche oder wöchentliche Mail |
Eine ehrliche Voraussetzung: Je besser die Quelldaten maschinenlesbar sind, desto mehr lässt sich automatisieren. Bei börsennotierten US-Unternehmen ist das sehr gut, bei deutschen Mittelständlern oft nicht. Dann verschiebt sich der Schwerpunkt auf Nachrichten, Register, Websites und eingesandte Dokumente. Wie KI-Agenten grundsätzlich funktionieren und wo ihre Grenzen liegen, erkläre ich im eigenen Guide.
Was sich aus dem Projekt für andere Unternehmen ableiten lässt
- Feld eng schneiden: Ein festes Universum von Unternehmen oder Themen schlägt eine offene Suche. Nur so lässt sich Vollständigkeit prüfen.
- Rechnen vor Reden: Wo Zahlen zählen, rechnet Software und die KI formuliert. Das ist der wirksamste Schutz gegen Halluzinationen.
- In bestehende Kanäle liefern: Ein Briefing im Postfach und ein Agent in Teams werden genutzt. Ein weiteres Tool mit eigenem Login oft nicht.
- Schalter statt Big Bang: Neue Funktionen laufen erst im Schatten mit, bevor sie live gehen.
- Übergabe von Anfang an planen: Kundenkonten, Dokumentation und Tests gehören in den Projektplan, nicht ans Ende.
Wie sich der Aufbau eines solchen Systems wirtschaftlich einordnen lässt, zeigt die Übersicht zu den Kosten von KI-Automatisierung. Wie ich Umsetzungsprojekte grundsätzlich angehe, steht auf der Seite KI-Automatisierung.
Eure Markt- oder Wettbewerbsbeobachtung automatisieren?
Beschreib mir in zwei bis drei Sätzen, was ihr heute beobachtet, wie oft und mit welchem Aufwand. Ich sage dir ehrlich, ob sich ein Agent lohnt, welche Quellen es gibt und wie ein schlanker erster Schritt aussieht. Der Erstkontakt ist kostenfrei und unverbindlich.
Unsere Aufgabe kurz schildern →
Erstgespräch buchen →Häufige Fragen zum KI-Research-Agenten
Was ist ein KI-Research-Agent?
Ein KI-Research-Agent ist ein System, das ein festgelegtes Themenfeld laufend beobachtet: Es sammelt Daten aus definierten Quellen, wertet sie nach festen Regeln aus und liefert Ergebnisse dorthin, wo ein Team arbeitet, etwa per Mail oder in Microsoft Teams. Fragen lassen sich zusätzlich in natürlicher Sprache stellen.
Was hat Jean Hinz für die Deutsche Rohstoff AG gebaut?
Rigsy, ein KI-gestütztes Research- und Monitoring-System für den Sektor Oil Field Services. Es beobachtet 34 börsennotierte Unternehmen, führt Zahlen aus 14 Datenquellen zusammen und liefert ein werktägliches Briefing per Mail, ein Web-Terminal mit Chat, einen Dokumenteneingang per Mail und einen Agenten in Microsoft Teams.
Wie verhindert das System, dass die KI Zahlen erfindet?
Die KI erzeugt keine Zahlen. Kennzahlen werden vorher in Datenbank und Rechenschicht berechnet, jede Zahl trägt ihre Quelle, und fehlende Werte bleiben leer statt geschätzt. Eine automatische Prüfung kontrolliert Zahlen und Belege jeder Antwort, und regelmäßige automatische Tests sichern die Qualität ab.
Wie lange hat die Umsetzung gedauert?
Vom Projektstart im Juni bis zur Übergabe an die Deutsche Rohstoff AG im Oktober 2026 vergingen rund 15 Wochen. Danach folgten die Begleitung durch die erste Berichtssaison im Kundenbetrieb und die Abnahme durch den Kunden.
Wem gehört das System nach der Übergabe?
Der Deutschen Rohstoff AG. Code, Datenbank, Hosting und Automatisierungen laufen auf Konten des Kunden. Eine englische Betriebs- und Entwicklerdokumentation ermöglicht es, das System selbst oder mit einem Dritten weiterzuführen.
Funktioniert so ein System auch für Unternehmen ohne Börsenbezug?
Ja, mit anderem Schwerpunkt. Börsennotierte US-Unternehmen liefern sehr gut maschinenlesbare Pflichtmeldungen. Bei nicht börsennotierten Wettbewerbern, Kunden oder Lieferanten verschiebt sich die Arbeit auf Nachrichten, Register, Websites und eingesandte Dokumente. Das Prinzip aus festem Beobachtungsfeld, Regelwerk und Auslieferung in bestehende Kanäle bleibt gleich.
Was kostet ein KI-Research-Agent?
Das hängt vor allem von der Zahl der beobachteten Unternehmen, den Datenquellen und ihren Lizenzen sowie den gewünschten Kanälen ab. Sinnvoll ist ein Festpreis für den Aufbau und ein separater monatlicher Betrieb. Richtwerte stehen auf der Seite zu den Kosten von KI-Automatisierung.
Diese Case Study beschreibt Aufgabe, Vorgehen und Architektur. Sie enthält keine Vertragsdaten, keine internen Kennzahlen der Deutschen Rohstoff AG und keine Inhalte aus Kundendokumenten oder lizenzierten Datenquellen. Name und Logo der Deutschen Rohstoff AG werden mit Freigabe des Kunden als Referenz genutzt.
