Die Finanzplanung als Gründer, Startup oder Junges KMU bewegt sich in einer Sackgasse: Entweder man versinkt in unübersichtlichen, fehleranfälligen Excel-Tabellen, oder man riskiert eklatante Datenschutzverstöße durch die Übermittlung hochsensibler Unternehmenszahlen an amerikanische Cloud-KIs. LOUIS-AI bricht diesen Kreislauf. Nach zwölf Monaten erfolgreichem produktiven B2B-SaaS-Einsatz wird die Enterprise-Ready-Lösung als Open-Source-Software freigegeben. Vollständig lokal, datensouverän (100% DSGVO Konform) und lauffähig über zwei simple Befehle auf eigener lokaler Server-Infrastruktur.
Das Local-Only Versprechen
Die technologische Souveränität von Unternehmen steht im Zentrum der Software-Architektur. Um das Versprechen absoluter Vertraulichkeit einzulösen, setzt die Applikation auf ein konsequentes On-Premise-Szenario. Die Bereitstellung erfolgt vollständig containerisiert über Docker. Mit lediglich zwei CLI-Befehlen baut sich die gesamte Laufzeitumgebung eigenständig auf. Alle Komponenten – vom Frontend über das Backend bis hin zur Vektordatenbank und dem KI-Modell – operieren in einem isolierten virtuellen Netzwerk auf der hauseigenen Infrastruktur des Nutzers. Es findet zu keinem Zeitpunkt ein ausgehender Datenverkehr zu externen KI-Providern statt.
Die Anbindung der großen Sprachmodelle (LLMs) wird über eine standardisierte Schnittstelle zu Ollama realisiert. Ollama fungiert hierbei als lokaler Modell-Server, der optimierte Open-Source-Modelle direkt auf der eigenen Hardware ausführt. Entgegen der weit verbreiteten Annahme, dass der Betrieb hochentwickelter KI-Infrastrukturen zwingend extrem teure Server-Cluster mit High-End-Grafikkarten voraussetzt, beweist das System das Gegenteil. Durch gezielte Quantisierung der Modelle und eine hocheffiziente Speicherverwaltung genügen handelsübliche Business-Server oder moderne Workstations mit dedizierten Mittelklasse-GPUs, um komplexe Berechnungen in akzeptabler Geschwindigkeit durchzuführen. Unter bestimmten Konfigurationen reicht sogar eine performante CPU mit ausreichend Arbeitsspeicher aus.
Das Multi-Agenten-System in der Praxis – Finanzplanung leicht gemacht
Ein einzelnes Sprachmodell stößt bei komplexen, voneinander abhängigen Aufgaben wie einer mehrjährigen Liquiditäts- und Ertragsplanung schnell an seine Grenzen. Lineare Prompts erzeugen in solchen Szenarien häufig mathematische Inkonsistenzen oder logische Brüche. Die Software löst diese Problemstellung durch den Einsatz einer Multi-Agenten-Architektur, die auf dem ReAct-Framework (Reasoning and Acting) basiert. Die Aufgabenstellung wird nicht in einem einzigen, unkontrollierten Durchlauf verarbeitet, sondern kooperativ von spezialisierten, autonomen Agenten gelöst, die in einer geschlossenen Schleife interagieren.
Das System unterteilt sich in drei klar definierte Kernrollen:
- Der Orchestrator: Er übernimmt die übergeordnete Projektleitung. Er analysiert die Benutzereingabe, zerlegt die komplexe betriebswirtschaftliche Anforderung in logische Teilschritte und delegiert diese an die spezialisierten Agenten. Zudem überwacht er den gesamten Workflow und steuert den Zustandsübergang.
- Der Architect: Dieser Agent besitzt das domänenspezifische Wissen über Finanzstrukturen, Kontenrahmen und betriebswirtschaftliche Logiken. Er entwirft die mathematischen Tabellenstrukturen, berechnet Abschreibungszyklen und verknüpft die Ertragsvorschau mit dem Liquiditätsplan. Er agiert als die ausführende, konstruktive Instanz.
- Der Critic: Die eingebaute Instanz für Qualitätskontrolle und Validierung. Der Critic nimmt die Entwürfe des Architects entgegen und unterzieht sie einer harten Plausibilitätsprüfung. Er kontrolliert, ob mathematische Abhängigkeiten fehlerfrei sind, ob steuerliche Grundregeln eingehalten wurden oder ob die Formatierung exakt den Zielvorgaben entspricht. Findet er Unstimmigkeiten, formuliert er präzises Feedback und spielt die Aufgabe zurück an den Architect.
Diese Agenten durchlaufen so lange die ReAct-Schleife (Denken, Handeln, Überprüfen), bis ein mathematisch fehlerfreies und betriebswirtschaftlich fundiertes Ergebnis vorliegt. Erst wenn der Critic die Freigabe erteilt, verlässt das System den internen Zyklus.
Sicherheit durch „Human-in-the-Loop“
Selbst die präziseste Multi-Agenten-Validierung schützt nicht vollständig vor dem inhärenten Risiko von KI-Halluzinationen. Im Kontext valider Unternehmensfinanzen kann eine einzige fehlerhafte Tabellenzeile dramatische betriebswirtschaftliche Fehlentscheidungen nach sich ziehen oder die Kreditwürdigkeit bei Finanzinstituten gefährden. Aus diesem Grund bricht LOUIS-AI mit dem Prinzip der vollautomatisierten, unkontrollierten Datenbank-Aktualisierung und implementiert ein striktes „Human-in-the-Loop“-Prinzip. Das KI-System besitzt konstruktionsbedingt keine Berechtigung, direkt in die relationale Datenbank der Anwendung zu schreiben. Sobald die ReAct-Schleife der Agenten ein betriebswirtschaftliches Ergebnis erzeugt hat, wird diese Datenstruktur in ein geschütztes Vorschaufenster geleitet: das Visual JSON Diff Review Panel. Diese Benutzeroberfläche funktioniert analog zu modernen Code-Review-Systemen in der Softwareentwicklung. Sämtliche von der KI vorgeschlagenen Änderungen, neuen Budgetposten oder angepassten Abschreibungssätze werden dem bestehenden Zustand direkt gegenübergestellt.
Grüne Markierungen signalisieren geplante Hinzufügungen, während rote Zeilen Streichungen oder Korrekturen des bisherigen Stands markieren. Der menschliche Entscheider behält zu jedem Zeitpunkt die uneingeschränkte Datenhoheit. Erst durch eine bewusste manuelle Überprüfung und den finalen Klick des Nutzers werden die vorgeschlagenen Datensätze dauerhaft in das System übernommen. Dieses Vorgehen unterbindet das unbemerkte Überschreiben historischer Finanzdaten und stellt sicher, dass die Verantwortung für den finalen Finanzplan transparent beim Anwender verbleibt.
Autarkes RAG & Anonymisierte Wissensbeschaffung
Eine fundierte betriebswirtschaftliche Planung erfordert die kontinuierliche Einbindung externer Datenquellen – seien es historische Bilanzen, Marktanalysen, steuerliche Richtlinien oder spezifische Branchenkennzahlen. Um diese Dokumente ohne Sicherheitsrisiko nutzbar zu machen, verfügt die Software über eine vollständig autarke Pipeline für Retrieval-Augmented Generation (RAG).
Sie können geschäftskritische PDFs einfach direkt über die lokale Benutzeroberfläche hochladen. Das System verarbeitet die Dokumente intern auf der eigenen Infrastruktur: Es zerlegt die Texte in Segmente, wandelt sie über ein lokales Embedding-Modell in Vektoren um und speichert sie in einer isolierten, lokalen Vektordatenbank. Da kein externer API-Aufruf stattfindet, verlassen die sensiblen Textinhalte niemals den geschützten Unternehmens-Perimeter.
Ergänzend dazu benötigt das System für präzise Prognosen gelegentlich aktuelle Informationen aus dem Internet. Um zu verhindern, dass bei solchen Suchanfragen Rückschlüsse auf geplante Investitionen, vertrauliche Projekte oder die Identität des suchenden Unternehmens gezogen werden können, nutzt LOUIS-AI eine anonymisierte Such-Abstraktion. Die Websuche der Agenten erfolgt über eine integrierte Instanz von SearXNG sowie über DuckDuckGo. Diese Technologie filtert sämtliche identifizierenden Metadaten, IP-Adressen und Tracking-Parameter heraus, bevor die Anfrage an das Internet übermittelt wird. Für externe Server bleibt der Ursprung der Anfrage vollständig unsichtbar. Die Agenten rufen die benötigten Fakten ab, führen sie dem lokalen RAG-Kontext zu und ergänzen die Finanzberechnungen, ohne digitale Spuren zu hinterlassen.
Radikale Transparenz – Drei ehrliche Gründe für die GPLv3-Open-Source Lizenz
Der Schritt, eine voll funktionsfähige Enterprise-Software unter der strikten Copyright-Lizenz GPLv3 zu veröffentlichen, bricht bewusst mit den gängigen Mustern der Tech-Branche, in der proprietäre Paywalls dominieren. Hinter dieser Schenkung steht kein naiver Altruismus, sondern eine klare, strategische Philosophie, die sich auf drei nachvollziehbare Säulen stützt.
Grund 1: Die Philosophie von ren-AI-ssance® – Wissenstransfer als Praxis
Die Entwicklung funktionierender Softwarelösungen darf kein elitäres Geheimwissen bleiben. ren-AI-ssance® verschreibt sich dem Grundsatz, pragmatische, lösungsorientierte Werkzeuge für reale betriebliche Anforderungen zu bauen. Echter Fortschritt entsteht, wenn erprobtes Know-how geteilt und für jeden zugänglich gemacht wird, anstatt es hinter künstlichen Barrieren zu verstecken.
Grund 2: Die globale Hebelwirkung der Community
Die Dynamik im Bereich lokaler Architekturen entwickelt sich rasant. Die kontinuierliche Pflege, Anpassung und Erweiterung einer solchen Applikation an zukünftige Standards übersteigt auf lange Sicht die Kapazitäten eines einzelnen Softwarehauses. Durch die Open-Source-Freigabe erhält die weltweite Entwicklergemeinschaft ein stabiles Fundament. Die Community kann die Anwendung adaptieren, verfeinern und in Richtungen weiterentwickeln, die weit über die ursprünglichen Ressourcen des Kernteams hinausgehen.
Grund 3: Das kommerzielle Ökosystem – Die Brücke zur Beratung
Transparenz erfordert es, das Geschäftsmodell offenzulegen. Die Software selbst ist und bleibt vollkommen frei zugänglich. Viele Gründer, Startups und kleine Unternehmen besitzen jedoch weder die personellen Kapazitäten noch das tiefe IT-Infrastruktur-Know-how, um tiefe Systemintegrationen eigenständig zu steuern. Wer maßgeschneiderte Schnittstellen an bestehende ERP-Systeme, hochspezifische Individualfeatures oder die Absicherung durch garantierte Wartungsverträge (SLAs) benötigt, bucht die gezielte Expertise von ren-AI-ssance®. Das freie Produkt bildet das Fundament des Vertrauens – die spezialisierte Dienstleistung das wirtschaftliche Geschäftsmodell.
Der direkte Weg zum eigenen lokalen Agenten
Unternehmen, Softwareentwickler und Technologieverantwortliche können das vollständige Repository direkt einsehen, klonen und für die eigenen Anforderungen anpassen. Die Bereitstellung auf der eigenen Infrastruktur erfordert lediglich das Ausführen des vorkonfigurierten Docker-Setups über zwei Kommandozeilenbefehle.
Prüfen Sie die Architektur, testen Sie die lokalen Multi-Agenten-Workflows und integrieren Sie das System in Ihre bestehenden Prozesse. Wenn dieses Open-Source-Projekt einen handfesten Mehrwert für Ihre tägliche Praxis liefert oder als Fundament für eigene Entwicklungen dient, unterstützen Sie die Sichtbarkeit und Weiterentwicklung dieser datensouveränen Bewegung mit einem GitHub-Star (⭐️).
Quellenangaben
- Projekt-Homepage: https://louis-ai.de
- Entwickler: https://ren-ai-ssance.de
- Quellcode-Repository: https://github.com/ren-AI-ssanceDE/LOUIS-AI
