KI ist damit nicht nur ein Beratungstool, sondern entwickelt sich zunehmend zu einem wirtschaftlichen Hebel für moderne Beauty-Unternehmen.

Visuelle Sicherheit als Schlüssel zur Entscheidung

Kund:innen haben häufig Bedenken: Wie sehen sie nach einer Behandlung tatsächlich aus? Gerade im Beauty-Bereich sind Ergebnisse oft schwer oder gar nicht zu korrigieren.

Die persönliche Beratung bleibt zwar der wichtigste Faktor – doch Geschmäcker sind unterschiedlich, und Vorstellungskraft ist begrenzt. Eine realistische visuelle Vorschau des erwarteten Ergebnisses wird daher zu einem entscheidenden Element im Entscheidungsprozess.

Typische Einsatzfelder sind:

• Friseur: Hairstyle, Colorierung, Haaranalyse
• Kosmetik: Make-up Vorschau, Altersveränderung, Beautifying, Hautanalyse
• Nail Design: visuelle Vorschau

Einsatzbereiche von KI im Detail

Colorierung

Die meisten Friseure arbeiten noch mit klassischen Farbkarten – Bücher mit eingefärbten synthetischen Haarsträhnen. Es erfordert viel Vorstellungskraft, sich das Ergebnis auf dem eigenen Kopf vorzustellen.

Mit KI lässt sich die Haarfarbe direkt auf dem eigenen Bild simulieren. Kund:innen sehen sofort:

• wie die Farbe auf ihren Haaren wirkt
• wie sie mit dem Hautton harmoniert

Moderne Systeme berücksichtigen dabei:

• die aktuelle Haarfarbe
• Haarstruktur
• Ergebnisse aus der Haaranalyse

Das Ergebnis ist eine deutlich höhere Entscheidungssicherheit.

Vorschau Hair Design

Auch bei der Wahl einer neuen Frisur fällt es vielen schwer, sich das Ergebnis vorzustellen.

Frühere digitale Lösungen arbeiteten mit statischen Bildern, die manuell angepasst werden mussten. Die Ergebnisse waren oft ungenau und unnatürlich.

Moderne KI-Systeme gehen deutlich weiter:

• Analyse der Kopfform
• realistische Simulation der Haartextur
• präzise Anpassung an das Gesicht

Dadurch lassen sich heute auch komplexe Veränderungen darstellen, wie:

• sehr kurze Haare oder Glatze
• komplette Stilwechsel

Dieses Prinzip funktioniert auch für Bartstyles bei Männern.

Haaranalyse

KI ermöglicht eine präzise Analyse der Haare.

Dazu werden Haarsträhnen – oft mittels Mikroskop – erfasst und von der KI ausgewertet. So lassen sich:

• Haarstruktur
• Zustand
• Schäden

analysieren und bewerten.

Die Beratung wird dadurch objektiver und datenbasiert.

Alter verändern

Eine interessante Anwendung ist die Simulation von Altersveränderungen.

Kund:innen können sehen:

• wie sie in 10 Jahren aussehen könnten
• wie sie früher ausgesehen hätten

Das kann insbesondere bei der Style- und Typberatung hilfreich sein und eröffnet neue Perspektiven in der Beratung.

Style Transfer

Viele Kund:innen orientieren sich an Vorbildern – etwa Prominenten.

Mit KI lassen sich:

• Frisuren
• Haarfarben
• Make-up Styles

von einer Person auf eine andere übertragen.

Dadurch wird aus einer vagen Vorstellung eine konkrete Visualisierung.

Beautifier

KI kann Portraits gezielt „verschönern“.

Dabei werden:

• Unebenheiten reduziert
• Haut optimiert
• kleinere Korrekturen vorgenommen

Auf Wunsch sind auch stärkere Veränderungen möglich.

Neben der Anwendung für Profilbilder kann dies auch als Grundlage für individuelle Styling-Empfehlungen dienen.

Visuelles Make-up

Mit KI können Kund:innen verschiedene Make-up-Stile direkt an sich selbst ausprobieren.

Das ermöglicht:

• schnelle Vergleiche unterschiedlicher Looks
• bessere Entscheidungsgrundlagen

Eine ideale Ergänzung zur klassischen Typberatung.

Hautanalyse

Auch die Hautanalyse lässt sich durch KI deutlich verbessern.

Auf Basis hochauflösender Bilder erkennt die KI:

• Hautprobleme
• Hauttyp
• Auffälligkeiten

Zusätzlich können passende kosmetische Produkte vorgeschlagen werden.

Die Beratung wird präziser und stärker personalisiert.

Virtual Try-On

Die zugrunde liegenden Technologien lassen sich auch über den klassischen Beauty-Bereich hinaus einsetzen.

Typische Anwendungen sind:

• Brillen
• Mode
• Nail Design

Virtual Try-On entwickelt sich zu einem universellen Werkzeug im Retail.

Smart Mirrors

Ein wichtiger Schritt ist die Integration der Technologie in den Salon-Alltag.

Smart Mirrors sind Spiegel mit integrierter Kamera und Display. Sie ermöglichen es, KI-Anwendungen direkt am Platz zu nutzen.

Kund:innen können die Ergebnisse unmittelbar im Spiegel sehen – ohne zwischen Geräten wechseln zu müssen.

Das sorgt für ein besonders immersives und hochwertiges Beratungserlebnis.

KI in der Kundenbetreuung

Auch die Kommunikation mit Kund:innen lässt sich durch KI optimieren.

Typische Anwendungen sind:

• telefonische Kundenannahme
• automatisierte Beratung
• intelligente Terminverwaltung

Das ermöglicht eine bessere Erreichbarkeit und entlastet das Personal.

KI im Salonmanagement

Neben der Kundeninteraktion bietet KI großes Potenzial im operativen Betrieb.

Viele zeitaufwändige Aufgaben lassen sich automatisieren:

• Terminverwaltung
• Lagerverwaltung
• Warenbestellung
• Kundenakquise
• Marketing
• Rechnungserstellung

Prozesse werden effizienter, Fehler reduziert und Ressourcen besser genutzt.

Monetarisierung: Wie KI Umsatz steigert

Der Einsatz von KI hat direkte wirtschaftliche Effekte.

1. Höhere Abschlussquoten
Kund:innen treffen schneller Entscheidungen, wenn sie das Ergebnis sehen können.

2. Upselling und Cross-Selling
Zusätzliche Leistungen und Produkte lassen sich leichter verkaufen, wenn sie visuell dargestellt werden.

3. Höherer Warenkorbwert
Durch personalisierte Empfehlungen steigt der durchschnittliche Umsatz pro Kund:in.

4. Premium-Positionierung
Salons können KI als innovatives Feature vermarkten und höhere Preise durchsetzen.

Integration: Erfolgsfaktor für den praktischen Einsatz

Damit KI ihr volles Potenzial entfalten kann, muss sie in bestehende Systeme integriert werden:

• Buchungssysteme (Terminplanung, Auslastung)
• CRM-Systeme (Kundendaten, Präferenzen)
• Kassensysteme (Produktverkauf)
• Marketing-Tools (personalisierte Kampagnen)

Erst durch diese Vernetzung entsteht ein durchgängiges, effizientes System.

Wettbewerbsvorteil: Der KI-gestützte Salon

Der Einsatz von KI bietet klare strategische Vorteile:

• Differenzierung gegenüber Mitbewerbern
• modernes, innovatives Markenimage
• bessere Kundenerlebnisse
• standardisierte, skalierbare Beratung

Besonders für wachsende Unternehmen und Ketten ist dies ein entscheidender Faktor.

Trends: Die Zukunft von KI im Beauty-Bereich

Die Entwicklung zeigt klar in Richtung:

Hyper-Personalisierung
Individuelle Empfehlungen auf Basis von Daten und Verhalten

Generative KI
Komplette Style-Konzepte statt einzelner Elemente

Omnichannel-Erlebnisse
Verknüpfung von Online-Try-On und Salonbesuch

Neue Hardware
Smart Mirrors, mobile Anwendungen und perspektivisch AR-Brillen

Fazit

Wer seinen Kund:innen visuelle Sicherheit, intelligente Beratung und ein optimiertes Salonmanagement bieten möchte, findet in KI ein leistungsstarkes Werkzeug.

Die Kombination aus:

• besserer Entscheidungsfindung
• effizienteren Prozessen
• neuen Umsatzpotenzialen

macht KI zu einem zentralen Baustein für die Zukunft der Beauty-Branche.

Die zentrale Frage hinter dem Projekt war simpel – und gleichzeitig überraschend unbeantwortet:
Warum existiert noch kein wirklich persönlicher AI-Assistent, der komplett lokal läuft?

Die technologischen Bausteine sind längst vorhanden. Also entstand aus dieser Frage ein Experiment – und daraus wiederum ein funktionierendes System: AIBoxly („Boxly“).

Architektur: Klar, modular und lokal

Der Aufbau folgt einem bewusst einfachen, aber leistungsfähigen Prinzip:

Wakeword → Spracheingabe → Sprachmodell → Reasoning → Tools → Sprachausgabe

Das Besondere dabei:

• Keine Cloud-Abhängigkeit
• Keine externen APIs
• Volle Kontrolle über Daten und Prozesse

Das System verarbeitet Spracheingaben, interpretiert sie kontextuell, entscheidet eigenständig über notwendige Aktionen (Tool Calling) und liefert direkt eine sprachbasierte Antwort zurück.

Funktionalität: Mehr als nur ein Voice Assistant

Boxly ist kein klassischer Sprachassistent, sondern eher eine lokale AI-Orchestrierungsplattform.

• Über 100 Skills lassen sich flexibel definieren und erweitern
• Kombination aus LLM + Reasoning + Tool Execution
• Unterstützung für natürliche Konversation statt starrer Befehle

Bemerkenswert ist die Robustheit der Spracherkennung:

• Funktioniert auch auf Distanz
• Kommt mit undeutlicher Aussprache klar
• Verarbeitet sogar Dialekte zuverlässig

Performance auf Consumer-Hardware

Ein entscheidender Punkt aus Business-Sicht: Effizienz auf begrenzter Hardware

Das gesamte System läuft auf:

• RTX 3060
• 8 GB VRAM

Dabei erreicht Boxly:

• < 1 Sekunde Reaktionszeit (einfachere Anfragen)
• bis ca. 3 Sekunden End-to-End (komplexere Tasks)

Und das trotz vollständiger lokaler Verarbeitung inklusive:

• Speech-to-Text
• LLM-Inferenz
• Reasoning
• Tool-Ausführung
• Text-to-Speech
• optionaler 3D-Visualisierung

Herausforderungen: Wo es wirklich komplex wird

1. Tool Calling

Die größte technische Hürde ist nicht das Modell selbst, sondern die Orchestrierung:

• Wann wird welches Tool genutzt?
• Wie bleibt die Entscheidung konsistent bei vielen Skills?

Mit wachsender Anzahl an Funktionen steigt die Komplexität exponentiell.

2. Hardware-Limits

Lokale AI bedeutet immer Trade-offs:

• Speichergrenzen
• Latenz vs. Modellgröße
• Parallelisierung von Komponenten

Das Ziel: maximale Performance bei minimaler Infrastruktur.

Fazit: Lokale AI ist kein Zukunftsthema mehr

Das Ergebnis ist klar:
Ein vollständig lokaler, persönlicher KI-Assistent funktioniert – und zwar überraschend gut.

Noch nicht perfekt, noch nicht vollständig stabil – aber ein entscheidender Schritt in eine neue Richtung:

Weg von Cloud-Abhängigkeiten
Hin zu echter, persönlicher AI direkt auf eigener Hardware

Für AI-Business-Kontexte eröffnet das spannende Perspektiven:

• Datenschutzfreundliche AI-Lösungen
• Edge-AI für Unternehmen
• Individuelle Assistenzsysteme ohne Vendor Lock-in

Die Frage ist nicht mehr, ob das funktioniert – sondern, wie schnell sich solche Systeme durchsetzen werden.

Das Prinzip ist denkbar einfach:
Über eine Chrome-Extension wird ein ansprechender Button in die ChatGPT-Oberfläche eingefügt. Ein Klick darauf bindet eine kleine Python-App ein, deren Oberfläche mit Gradio generiert wird – einer Python-UI, die sich über die Jahre zu einem wirklich großartigen Framework entwickelt hat.

In der App können beliebige, frei konfigurierbare Templates ausgewählt und ausgefüllt werden. Der generierte Prompt wird anschließend direkt in die ChatGPT-UI übergeben.

Ein minimaler Aufwand – und ein äußerst nützliches Tool für den Alltag!

Wie es funktioniert

NewsMiner beobachtet regelmäßig verschiedene Quellen im Internet – etwa RSS-Feeds, Webseiten (HTML), Sitemaps oder E-Mail-Mitteilungen.
Über ein modulares System können unterschiedliche Quelltypen eingebunden werden.
Sobald ein neuer Artikel erkannt oder ein bereits bestehender Beitrag aktualisiert wurde, wird dieser automatisch eingelesen und verarbeitet.

Alle eingehenden Artikel werden in einer Datenbank gespeichert, um Veränderungen, Veröffentlichungszeitpunkte und Quellen nachvollziehbar zu halten.
Jeder Artikel wird abschließend von einer Person überprüft und kann dann als „veröffentlichen“ markiert werden.

Intelligente Inhaltsanalyse

Nach dem Einlesen wird der Artikel durch eine Künstliche Intelligenz automatisch analysiert.
Das System erstellt dabei mehrere Inhalte:

• Titel: Eine prägnante Überschrift, die den Kern des Artikels wiedergibt.
• Beschreibung: Eine kurze Einführung in das Thema.
• Zusammenfassung: Eine kompakte Inhaltsangabe, die die wichtigsten Punkte herausarbeitet.
• Vorschau (Teaser): Ein kurzer Textabschnitt, der sich z. B. für Social Media oder Newsletter eignet.
• Spracherkennung: Die Sprache des Artikels wird automatisch erkannt und bei Bedarf übersetzt.

Dadurch entsteht aus jedem Beitrag ein vollständig aufbereiteter Datensatz – klar strukturiert, einheitlich und sofort weiterverwendbar.

Flexible Architektur

Das System ist modular aufgebaut.
Unterschiedliche Reader-Module übernehmen das Einlesen der Daten (z. B. RSS, HTML, Sitemap, Mail).
Neue Reader oder Analysefunktionen können jederzeit ergänzt werden – etwa für spezielle Formate, interne Feeds oder Branchenquellen.

Auch die Erkennung von Duplikaten und aktualisierten Artikeln ist Teil des Systems:
NewsMiner erkennt automatisch, wenn ein Beitrag überarbeitet wurde, und aktualisiert den vorhandenen Datensatz anstatt ihn doppelt zu speichern.

Qualität und Kontrolle

Damit die Datenbasis zuverlässig bleibt, akzeptiert NewsMiner nur valide und geprüfte Quellen, die den jeweiligen Unternehmen oder Organisationen eindeutig zugeordnet sind.
So wird verhindert, dass unautorisierte oder fehlerhafte Inhalte eingelesen werden.
Zudem prüft ein menschlicher Redakteur alle Artikel, bevor sie als „veröffentlichen“ markiert werden – so bleibt die Qualität gesichert.

Export und Nutzung

Die verarbeiteten Artikel können in verschiedenen Formaten exportiert werden – zum Beispiel:

• JSON für den Einsatz in anderen Systemen oder APIs
• HTML für Webportale, Newsletter oder Publikationen
• Weitere Formate sind über das modulare System einfach erweiterbar.

Damit lässt sich NewsMiner nahtlos in bestehende Arbeitsabläufe oder Publikationsprozesse integrieren.

Ziel und Nutzen

NewsMiner verbindet klassisches Nachrichtentracking mit moderner KI-Technologie.
Es reduziert den Aufwand, Informationen zu finden, zu prüfen und aufzubereiten – und sorgt dafür, dass Redaktionen, Kommunikationsabteilungen oder Analysten sich auf das Wesentliche konzentrieren können: die Inhalte selbst.

BeanCounter ist ein intelligentes System zur extraktiven Rechnungsverarbeitung – von unstrukturierten E-Mails bis zu validierten Excel-Auswertungen. Entwickelt in Python, kombiniert es klassische Datenverarbeitung mit lokalen LLMs (Large Language Models) für mehrsprachige Dokumentanalyse.

Projektüberblick

Dieses Projekt automatisiert Export, Extraktion, Interpretation, Validierung und Aufbereitung von Rechnungsdaten aus E-Mails.
Ziel war es, manuelle Dateneingaben zu eliminieren und eine transparente, reproduzierbare Verarbeitungskette zu schaffen.

Eingehende E-Mails → Rechnungsanhänge → Dokument Scannung → KI-Analyse → validierte JSON-Daten → Excel-Ausgabe.

Motivation

Vor dem Projekt:

• Rechnungen kamen in verschiedensten Sprachen, Layouts und Formaten (HTML, PDF, DOCX, Scan).
• Manuelle Eingabe war fehleranfällig und extrem zeitintensiv.
• Keine einheitliche Datengrundlage für Reporting und Buchhaltung.

Ziel:

• Automatische Datenerkennung unabhängig von Sprache oder Layout.
• Vollständige Nachvollziehbarkeit und Plausibilitätsprüfungen.
• Export in strukturierte, weiter verarbeitbare Formate.

Systemarchitektur

flowchart TD
A[E-Mail-Eingang]
B[E-Mails und Anhaenge exportieren - kategorisierte Ordner]
C[HTML in PDF umwandeln]
D[Docling verarbeitet PDFs, DOCX, Bilder und Scans mit OCR in Markdown oder JSON]
E[Lokal laufendes LLM extrahiert Rechnungsdaten]
F[Validator prueft Plausibilitaet und Format]
G[Excel-Exporter erstellt Ausgabenuebersicht]
A --> B
A --> C
B --> D
C --> D
D --> E --> F --> G

%% Rückschleife bei Bedarf
F -. "Rückmeldung / Parameteranpassung" .-> E

Ablauf in Kürze:

1. E-Mails werden automatisch mit ihren Anhängen in kategorisierte Ordner exportiert.
2. HTML-Inhalte werden zur besseren Lesbarkeit in PDF-Dateien umgewandelt.
3. Docling konvertiert PDFs, Bilder, Scans (mithilfe von OCR) und DOCX-Dateien in eine strukturierte Markdown/JSON-Darstellung. OCR wird nur bei Scans angewendet.
4. Ein lokales LLM (z. B. LLaMA 3.1) extrahiert Rechnungsnummer, Datum, Beträge und weitere relevante Felder.
5. Ein Validator prüft Plausibilität und Format (z. B. Brutto ≈ Netto + MwSt, Datumsformat).
6. Der Excel-Exporter erzeugt eine definierbare tabellarische Ausgabe als Basis für die Weiterverarbeitung.

Technologie-Stack

Besondere Herausforderungen

• Mehrsprachige Dokumente (Deutsch, Englisch, Französisch, Italienisch, …)
• Unterschiedliche Layouts ohne feste Struktur
• Schwankende OCR-Qualität und fehlerhafte Zeichenerkennung
• Vermeidung von LLM-Halluzinationen
• Konsistenzprüfung von Beträgen und Datumsangaben

Lösungsansatz:
Hybrid aus Layout-Analyse (Docling), regelbasierter Validierung und einem KI-Modell zur semantischen Erkennung, dessen Parameter durch gezieltes Training und Reinforcement Learning optimiert wurden.

Vom Prototyp zur Agentenarchitektur

Der ursprüngliche BeanCounter-Prototyp wurde vollständig in Python umgesetzt und diente der Evaluierung der Kernkomponenten –
insbesondere der Verarbeitungspipeline aus E-Mail-Export, Docling, LLM-Extraktion und Validierung.

Die finale Version basiert auf einem modularen Agentensystem, in dem spezialisierte Agenten die einzelnen Verarbeitungsschritte übernehmen:

• Mail Agent: erkennt eingehende E-Mails, extrahiert Anhänge und ordnet sie in strukturierte Verzeichnisse ein.
• Document Agent: konvertiert HTML, PDFs, Bilder und Scans (Docling) in Markdown/JSON-Strukturen.
• Extraction Agent: nutzt lokale LLMs zur semantischen Feldextraktion (Rechnungsnummer, Datum, Beträge usw.).
• Validation Agent: prüft Plausibilität, Betragskonsistenz und Datumsformate.
• Export Agent: erstellt definierbare Excel- und JSON-Ausgaben für die Weiterverarbeitung.

Dieses System ist modular, erweiterbar und erlaubt die parallele Verarbeitung mehrerer E-Mails und Dokumente.
Damit wurde die ursprüngliche, lineare Pipeline zu einer ereignisgesteuerten, autonomen Agentenarchitektur weiterentwickelt.

Ergebnisse

• 97–100 % korrekte Extraktion relevanter Felder (Rechnungsnummer, Datum, Beträge)
• Sekundenschnelle Verarbeitung auch bei mehrseitigen Rechnungen
• Automatisierte Reports im Excel-Format
• Vollständig nachvollziehbare JSON-Outputs für Audits und Buchhaltung

Fazit

Dieses Projekt zeigt, wie KI-Modelle und klassische Python-Datenverarbeitung kombiniert werden können, um
mehrsprachige, unstrukturierte Rechnungen automatisch und verlässlich zu verarbeiten.
Besonders wertvoll erwies sich die Kombination aus Determinismus (Regeln) und Semantik (LLM) – sie verbindet Nachvollziehbarkeit mit Flexibilität.