Interne Tools haben einen schlechten Ruf. Sie funktionieren, aber selten gut. Niemand hat Zeit, sie zu pflegen. Die Daten sind veraltet. Die Suche liefert das Falsche. Und wichtige Informationen — zum Beispiel, dass ein Kollege ab nächstem Monat für ein neues Projekt verfügbar ist — kommen zu spät oder gar nicht an.
Genau das war die Ausgangslage beim GARAIO CvTool, unserem internen System zur Verwaltung von Mitarbeiterprofilen und Projekterfahrungen. Das Tool selbst war solide. Aber drei konkrete Reibungspunkte bremsten den täglichen Einsatz: Das manuelle Erfassen von CVs war aufwändig, die Suche nach geeigneten Profilen ungenau, und Verfügbarkeiten wurden zu selten proaktiv kommuniziert. Wir haben alle drei angegangen — mit KI, dort wo sie wirklich hilft.
Das grösste Hindernis bei der Pflege von Mitarbeiterprofilen ist der Einstieg. Ein CV liegt als PDF vor. Die relevanten Informationen — Ausbildung, Technologien, Projekterfahrungen, Sprachen — müssen manuell ins System übertragen werden. Das dauert — und passiert deshalb selten.
Unser Ansatz: Wir haben einen Import-Service entwickelt, der ein PDF entgegennimmt, den Text extrahiert und anschliessend an die OpenAI API übergibt — mit einem klar definierten JSON-Schema als Zielstruktur. Das Modell extrahiert die relevanten Felder, wir validieren das Ergebnis und mappen es auf die bestehenden Stammdaten im CvTool. Technologien, Methoden, Sprachen und Projekte werden automatisch den richtigen Kategorien zugeordnet, fehlende Einträge werden neu angelegt.
Was früher 30 Minuten geduldiger Dateneingabe bedeutete, dauert heute unter einer Minute. Das Ergebnis ist nicht perfekt — eine Durchsicht durch den Mitarbeitenden bleibt sinnvoll — aber der Grossteil der Arbeit ist erledigt, bevor man überhaupt anfängt.
Der entscheidende Lerneffekt: Die Qualität des Imports steht und fällt mit dem Prompt-Design. Ein vages Schema liefert vage Ergebnisse. Wir haben erheblich Zeit investiert, das JSON-Schema so zu definieren, dass das Modell konsistent strukturierte und verwertbare Antworten liefert. Wer KI für die Extraktion von Dokumenteninhalten einsetzen möchte, sollte diesen Schritt nicht unterschätzen.
Semantische Suche: Die Suche versteht, was gemeint ist
Eine klassische Textsuche findet «Angular», wenn jemand «Angular» eingibt. Sie findet nicht «Frontend-Entwickler mit SPA-Erfahrung», obwohl beides auf dieselbe Person zutreffen könnte. Für die Besetzung von Projektrollen ist das ein echter Nachteil — gerade dann, wenn man nicht genau weiss, wie ein Kollege seine Fähigkeiten beschrieben hat.
Semantische Suche löst dieses Problem. Anstatt Texte zeichenweise zu vergleichen, werden sie als Vektoren im mehrdimensionalen Raum dargestellt — sogenannte Embeddings. Ähnliche Bedeutungen landen in diesem Raum nah beieinander, unabhängig von der genauen Wortwahl. Ein Satz wie «Ich entwickle Angular-Applikationen» und die Suchanfrage «Frontend-Entwickler mit SPA-Erfahrung» landen nah genug zusammen, um als relevant erkannt zu werden.
Im CvTool haben wir Embeddings für alle Profilbeschreibungen berechnet und in der Datenbank gespeichert. Bei einer Suchanfrage wird der Suchtext in denselben Vektorraum übersetzt und mit den gespeicherten Profilen verglichen — über die Kosinus-Ähnlichkeit der Vektoren. Das Ergebnis ist eine nach Relevanz sortierte Trefferliste — die das semantische Spektrum einer Anfrage berücksichtigt, nicht nur exakte Übereinstimmungen.
Die Nutzererfahrung ist spürbar anders. Wer ein Projektteam zusammenstellt und nach «Erfahrung im öffentlichen Sektor mit agilen Methoden» sucht, bekommt jetzt tatsächlich passende Treffer — auch wenn diese Begriffe im Profil nicht wortwörtlich so stehen.
Ein wichtiger Hinweis aus der Praxis: Semantische Suche ist nur so gut wie die Daten, auf denen sie operiert. Dünne oder inkonsistente Profilbeschreibungen liefern auch mit dem besten Modell nur mittelmässige Ergebnisse. Der CV-Import hat hier einen direkten positiven Effekt: Je vollständiger die Profile, desto besser die Suchergebnisse.
Teams-Benachrichtigungen: Die richtige Information zur richtigen Zeit
Die dritte Funktion ist die unscheinbarste — und vielleicht die nützlichste im Alltag.
Wenn ein Mitarbeitender im CvTool als für ein neues Projekt verfügbar markiert wird, sendet das System automatisch eine Nachricht an einen definierten Microsoft Teams-Kanal. Keine E-Mail, kein manuelles Weiterleiten, kein «hat das jemand mitbekommen?». Die Information landet dort, wo das Team ohnehin kommuniziert.
Technisch ist das ein einfacher Webhook-Aufruf. Die Logik dahinter ist aber nicht trivial: Wer soll benachrichtigt werden? Mit welchem Inhalt? Wann ist eine Benachrichtigung sinnvoll, wann eher störend? Wir haben uns für einen gezielten Einsatz entschieden — Benachrichtigungen nur bei tatsächlichen Verfügbarkeitsänderungen, mit einem klaren, kompakten Format, das direkt in Teams lesbar ist.
Das Ergebnis ist eine kleine aber messbare Verbesserung: Verfügbarkeiten werden früher wahrgenommen, die richtigen Gespräche finden früher statt.
Der Weg von On‑Premises in die Azure Cloud
Ein typischer Modernisierungsprozess beginnt mit einem Assessment der bestehenden Anwendungen. Dabei wird die gesamte Applikationslandschaft eines Unternehmens analysiert, um zu verstehen, welche Systeme welche fachlichen Rollen erfüllen, wie sie miteinander interagieren und welche technologischen Stärken und Schwächen sie besitzen. Dieses Assessment bildet die Grundlage für eine priorisierte Modernisierungsroadmap, die sowohl geschäftliche Relevanz als auch technische Risiken berücksichtigt.
Sobald diese Transparenz geschaffen wurde, beginnt die eigentliche Modernisierung. In vielen Fällen führt der erste Schritt über die Containerisierung bestehender Systeme. Legacy‑Anwendungen lassen sich häufig mit überschaubarem Aufwand in Docker‑Container überführen und anschliessend auf Azure PaaS‑Dienste wie Azure Container Apps oder Azure Kubernetes Service (AKS) deployen. Dabei profitieren Unternehmen sofort von modernen Betriebsmodellen wie automatischer Skalierung, hoher Stabilität, integrierter Überwachung und einem deutlich vereinfachten Deployment‑Prozess.
Während Azure Kubernetes Service für hochkomplexe, skalierbare Anwendungen geeignet ist, bietet Azure Container Apps ein ideal verwaltetes PaaS‑Umfeld, das viele Betriebsthemen vollständig abstrahiert. Dadurch können Teams sich auf die Applikation selbst konzentrieren, während Azure zahlreiche Aufgaben wie Skalierung, Netzwerkkonfiguration und Traffic‑Management übernimmt. Dieser Schritt ermöglicht bereits messbare Verbesserungen in Stabilität, Geschwindigkeit und Kostenstruktur — selbst bevor die Anwendung funktional modernisiert wird.
Drei Funktionen, ein Kreislauf
Was uns in der Entwicklung aufgefallen ist: Die drei Funktionen verstärken sich gegenseitig.
Der CV-Import sorgt für vollständigere, aktuellere Profile. Vollständigere Profile verbessern die Ergebnisse der semantischen Suche. Die Teams-Benachrichtigungen sorgen dafür, dass relevante Verfügbarkeiten wahrgenommen werden — und motivieren, Profile aktuell zu halten, weil man weiss, dass die Information ankommt.
Was als drei separate Features begann, ist in der Praxis ein geschlossener Kreislauf: Import → Suche → Benachrichtigung. Jede Funktion für sich ist nützlich. Zusammen verändern sie, wie das Tool im Alltag wahrgenommen und genutzt wird.
Was wir gelernt haben
KI im internen Tool einzusetzen unterscheidet sich von KI im Produkt für externe Kunden — in einer wichtigen Hinsicht: Man kann schneller iterieren, weil die Nutzer Kolleginnen und Kollegen sind, die direktes Feedback geben. Das haben wir genutzt.
Einige Erkenntnisse, die wir gerne früher gehabt hätten:
Prompt-Design ist Produktdesign. Die Qualität der KI-Ausgabe ist direkt von der Qualität des Inputs abhängig. Zeit in das Schema zu investieren lohnt sich mehr als Zeit in die Nachbearbeitung fehlerhafter Ergebnisse.
Semantische Suche braucht gute Daten. Ein leistungsfähiges Embedding-Modell kompensiert keine dünnen Profilbeschreibungen. Der Mehrwert entfaltet sich erst mit einer gewissen Datenbasis.
Kleine Integrationen, grosser Effekt. Der Teams-Webhook ist technisch der einfachste Teil des Projekts. Trotzdem — oder gerade deshalb — ist er derjenige, den Kolleginnen und Kollegen am häufigsten erwähnen.
Fazit
KI muss nicht immer grosses Neuland bedeuten. Manchmal reicht es, drei konkrete Reibungspunkte in einem bestehenden Tool zu identifizieren und sie gezielt anzugehen. Der Effekt ist dann spürbar — nicht weil die Technologie beeindruckend ist, sondern weil sie einfach funktioniert.
Haben Sie ähnliche Reibungspunkte in Ihren internen Tools? Wir helfen Ihnen, die richtigen Stellen zu identifizieren — und KI dort einzusetzen, wo sie wirklich einen Unterschied macht.