Wir bauen euer Datenfundament für AI-Agenten so, wie ihr es braucht. Volle EU-Datenresidenz mit Open-Source-Stack als Default, oder Snowflake- / Databricks- / BigQuery-Setup auf eurer US-Cloud, wenn das besser passt. Das Team sitzt in jedem Fall in München.
Wir behandeln Compliance, Performance und Tooling als Designentscheidungen, nicht als Glaubensfragen. Default ist der EU-Stack, weil 80% unserer Anfragen damit am besten gelöst werden. Wenn ihr aus regulatorischen, Performance- oder Bestandsgründen US-Cloud braucht: machen wir genauso.
Egal welcher Stack hinter eurer Lösung läuft: wir arbeiten von München aus, im EU-Rechtsraum, mit deutschen Arbeitsverträgen. Eure AVV / DPA ist mit einer GmbH unter deutschem Recht, ansprechbar in eurer Zeitzone, mit Personen, die ihr im Kalendar buchen könnt. Das ist die Konstante, alles andere ist Architekturwahl.
Egal welchen Stack ihr wählt, diese sechs Prinzipien gelten in beiden Setups.
Default EU (Hetzner / OVH / Frankfurt-AWS). US-Cloud auf Anfrage. Klare Default-Logik, keine versteckten US-Subprozessoren.
In beiden Setups DSGVO-AVV + Audit-Logs. EU AI Act Transparenz-Reports + Risiko-Klassifikation aus dem Onboarding heraus.
Default Open-Source (DuckDB · dbt · Iceberg · Plotly). Auf Wunsch komplett US-Vendor (Snowflake · BigQuery · Databricks) — wir kennen beide und liefern beide.
Default Mistral · Claude EU residency. Auf Wunsch OpenAI · Anthropic US · Vertex AI. Wir konfigurieren euch das Routing so, dass Prompts und Daten dort landen, wo ihr sie haben wollt.
Jede Zeile in jedem Mart ist über die Pipeline rückverfolgbar — bis zur Quell-Zeile. In beiden Stack-Varianten. Compliance als built-in feature.
4 Senior-Engineers, deutsche GmbH, Termin im Kalender buchbar. Das ist die Konstante über alle Setup-Entscheidungen hinweg.
Beide funktionieren. Hier siehst du auf einen Blick, wo die Unterschiede liegen — damit du die für euch passende Variante schneller wählen kannst.
| Eigenschaft | EU-Setup (Default) | US-Setup (auf Wunsch) |
|---|---|---|
| Cloud-Region | Frankfurt · Paris · on-prem | US · jede AWS / GCP / Azure Region |
| Data-Warehouse | DuckDB · Postgres · Iceberg | Snowflake · BigQuery · Databricks |
| LLM | Mistral · Claude EU · Llama self-hosted | OpenAI · Anthropic US · Vertex AI |
| Compliance-Modus | DSGVO native · AI Act native | SCC + DPA · AI Act-Mapping |
| Vendor-Lock-in | Minimal (offene Formate) | Wie beim US-Vendor üblich |
| Audit-Trail | Lineage-DAG · klickbar | Lineage-DAG · klickbar (identisch) |
| Rechnungswährung | EUR · monatlich rolling | EUR oder USD · nach Wunsch |
| Team-Standort | München | München |
Wir geben jeden Pipeline-Schritt frei dokumentiert raus: Quelle, Transformation, Test, Resultat. In der Demo unten siehst du den kompletten EU-Stack im Einsatz — Datenfundament, Dashboard, Lineage-DAG. Komplett auditierbar.
Vier öffentliche Datenquellen (Excel · API · synthetisch) werden in einer agentischen Iteration zu einer vollständigen Pipeline: 14 dbt-Modelle, 187 Tests, interaktives Plotly-Dashboard mit 12 Analysen und AI-Erkenntnissen, plus klickbarer Lineage-DAG mit 43 Knoten. Komplett in der EU gebaut, komplett auditierbar.
→Default ist EU, weil das die Mehrheit unserer Anfragen abdeckt (DSGVO, AI Act, regulierte Branchen). US-Setup empfehlen wir aktiv, wenn ihr bereits große US-Cloud-Verträge habt, performance-kritische Workloads spezifisch dort schneller laufen, oder das Team bereits dort eingerichtet ist. Wir wählen pragmatisch — nicht ideologisch.
DuckDB (Datenbank), dbt (Transformation), Iceberg / Parquet (offene Speicherformate), Plotly (Visualisierung), git (Versionierung). Eure Daten und Pipelines bleiben portabel zwischen Hetzner, OVH, AWS-Frankfurt und on-prem. Kein Vendor-Lock-in, weil alle Formate offen sind.
Snowflake oder Databricks als Warehouse, dbt cloud oder Airflow als Orchestrator, AWS / GCP / Azure als Compute, OpenAI oder Anthropic-US als LLM. Komplett kompetenter Stack mit anderen Tradeoffs: höhere Performance bei großen Workloads, dafür mehr Vendor-Lock-in und höhere Lizenz-Kosten.
Der AI Act verlangt Transparenz und Risiko-Klassifikation für AI-Systeme. Unser Lineage-DAG ist der Audit-Trail — funktioniert in beiden Stack-Varianten identisch. Risiko-Klassifikation der AI-Komponente erfolgt im Onboarding, Reports werden mit ausgeliefert.
Ein Team aus vier Senior-Engineers in München, Zen AI GmbH (HRB 290516). Egal welchen Stack wir für euch bauen, ihr arbeitet mit dieser Konstellation, deutscher GmbH, im selben Zeitfenster, in eurer Sprache.
30-Min-Intro-Call mit Stack-Empfehlung. Dann ein 1-wöchiger Daten-Audit bei euch (was habt ihr, was fehlt). Daraus generiert der Agent eine Pipeline-Architektur in eurer gewünschten Variante. Iteration in Tages-Sprints. Erstes funktionierendes Datenfundament typisch nach 2–4 Wochen.
Buch dir einen 30-Min-Intro-Call. Wir hören uns euren Use-Case an, fragen nach euren Constraints (Compliance, Bestand, Team) und empfehlen euch das passende Setup. Ohne ideologisches Gepäck.