KI-Plattform zur Anreicherung von EntitätenIhre Dokumente werden zur Datenbank.

Ein KI-Framework, mit dem Menschen und KI-Agenten normalisierte relationale Datenbanken aufbauen, befüllen und weiterentwickeln. Starten Sie mit PDFs, Fotos, Sprachnotizen, CSV-Dateien oder einer bestehenden Datenbank – oder beschreiben Sie einfach, was Sie benötigen. Entity Enricher erstellt ein bearbeitbares Schema sowie Workflows, die Ihre Daten anreichern, doppelte Entitäten auflösen und Ihre Datenbank aktuell halten.

Live-Anreicherung ausführen

Eine Anreicherung beginnt mit einer Anfrage und füllt das Schema für eine Entität sowie die mit ihr verknüpften Entitäten. Fünf Spieler werden nacheinander angereichert: Ein Verein oder ein Land, das bereits für einen früheren Spieler gefunden wurde, wird erkannt und nicht erneut hinzugefügt.

Jedes Feld eines Schemas ist eine Frage

Die Anreicherungen oben füllen ein Schema mit Werten. Hier ist dasselbe Schema als Klassendiagramm: jedes Objekt seiner JSON-Struktur mit seinen Feldern, die jeweils ihren JSON-Typ (string, number, boolean …) dort anzeigen, wo ein Wert stehen würde. Jedes Feld trägt eine Beschreibung, und wenn Sie den Zeiger auf ein Feld bewegen oder darauf tippen, öffnet sich diese Beschreibung – die Frage – mit den Beispielen des Feldes, den Werten, die es annehmen kann, wenn es sich um eine geschlossene Menge handelt, und dem Experten, der sie beantwortet; die Kopfzeile eines Objekts öffnet die Beschreibung des Objekts selbst. Eine Verbindung zu einem anderen Objekt ist ebenfalls ein Feld: Sie trägt den Namen des Feldes und öffnet die Frage, die dem Modell mitteilt, auf welches Objekt sie verweist.

Jede Beschreibung ist die Frage, die dem Sprachmodell nach dem Wert dieses Feldes gestellt wird. Die Schema-Generierung erstellt sie, und der Schema-Editor kann sie bearbeiten, um eine Frage zu präzisieren oder eine Mehrdeutigkeit zu beseitigen, bevor eine Anreicherung läuft.

Eine Kennung pro Verein mit semantischen IDs, unabhängig von der Schreibweise des Namens

Jede Anreicherung schreibt einen Verein so, wie es ihre Quellen tun: FC Barcelona im Datensatz des einen Spielers, Futbol Club Barcelona im nächsten. Jeder Verein, den ein Datensatz nennt, erhält eine semantische ID – nie vom Modell gefüllt, sondern in den drei folgenden Schritten aufgelöst, beginnend mit dem günstigsten. Im Zweifelsfall wird eine neue ID erstellt: Zwei IDs zusammenzuführen kostet einen Klick, eine falsche Zusammenführung rückgängig zu machen nicht.

Jede Anreicherung wird zu Zeilen in Ihren Tabellen

Ein mit einer Datenbank verknüpftes Schema wird zu Tabellen: eine pro Entitätstyp, eine pro Liste, jede über ihre Fremdschlüssel mit den anderen verbunden. Eine Anreicherung wird in einer einzigen Transaktion geschrieben – die referenzierten Zeilen vor den Zeilen, die auf sie verweisen. Eine Entität, die eine frühere Anreicherung bereits geschrieben hat, erzeugt keine neue Zeile: ihre Zeile wird aktualisiert oder bleibt unverändert. Ein Schema ohne verknüpfte Datenbank endet bei der Ausgabe der Anreicherung selbst: strukturiertes JSON, gegen das Schema validiert.

Eine Warteschlange zu Ihrer Datenbank – für Zeilen und Schemaänderungen gleichermaßen

Ein Database Sync hält die Entitäten in einer eigenen PostgreSQL-Datenbank. Jede Anreicherung wird zu einer Transaktion aus Upserts – für die Entität und die mit ihr verknüpften Entitäten; die Veröffentlichung einer Schemaänderung wird zu einer Migration. Beide warten in derselben Warteschlange, in der Reihenfolge ihres Eintreffens, und der ee-database-Client wendet jeweils das erste Element an und bestätigt es anschließend. Eine neue Spalte existiert daher, bevor die erste Zeile sie füllt, und die zuvor geschriebenen Zeilen enthalten dort NULL.

ee-database ist ein Open-Source-Programm (MIT-Lizenz), das auf Ihrem Server oder Laptop läuft – direkt neben der Datenbank, in die es schreibt. Es öffnet die Verbindung selbst, nach außen zu Entity Enricher, sodass die Datenbank keine Verbindung von außen annimmt und ihre Zugangsdaten diese Maschine nie verlassen.

Ein Schema, das die KI aus Ihren Datenbeispielen erstellt

Das Beispiel, aus einem Dokument extrahiert oder von Hand geschrieben, bildet die erste Version des Schemas, die anschließend in der Plattform bearbeitet wird.

  1. Vom Dokument zum Beispiel

    Ein Beispiel kann aus einem Dokument extrahiert werden — hier der Datensatz einer Buchhandlung zu The Fellowship of the Ring (der Datensatz als PDF). Eine Extraktion übernimmt jeden Wert, den das Dokument nennt: den Autor und den Verlag, aber auch die Kapitel, die Figuren und das Regal, in dem das Buch in der Buchhandlung steht. Bei einem Dokument haben Sie keinen Einfluss darauf, welche Felder dabei herauskommen.

    Der Nutzer behält anschließend die Felder, für die das Schema gilt. Ein Buchkatalog benötigt Titel, Genre, Jahr und Preis, Autor, Reihe und Verlag: Die übrigen Felder bleiben außen vor. Was bleibt, ist das Beispiel dieses Buches – das erste der fünf, die die nächsten Schritte lesen; ein Dokument liefert ein Beispiel, die anderen stammen aus anderen Büchern.

  2. Vom Beispiel zur Entity-Karte

    Entity Enricher liest eine Stichprobe Ihrer Daten und erkennt die darin beschriebenen Entitäten – hier Bücher, Autoren, Reihen und Verlage – sowie die Felder, die jede einzelne identifizieren. Diese Entitäten sind Vorschläge: Das Schema behält die flache Struktur der Stichprobe bei, bis der Benutzer eine davon mit einem Klick in eine eigenständige Entität umwandelt. Ihre Felder werden dann darunter einsortiert, und ein von mehreren Büchern genannter Autor wird zu einer einzigen Entität mit eigener eindeutiger Kennung.

  3. Felder auf Experten verteilt

    Die Schema-Generierung gruppiert die Felder nach dem Wissen, das sie erfordern, und weist jeder Gruppe einen Experten zu: hier einen Literaturexperten für Titel, Genres, Autoren und Reihen und einen Verlagsexperten für Verlage, Preise und Erscheinungsjahre.

    Bei der Anreicherung kann jeder Experte zu einem eigenen Aufruf werden, die parallel ausgeführt werden: Ein Modell, das nur zu Preisen und Verlagen befragt wird, antwortet vollständiger als eines, das alles auf einmal beantworten soll.

  4. Jeder Experte beschreibt seine Felder

    Anschließend schreibt jeder Experte die Beschreibung seiner eigenen Felder in seinem eigenen Vokabular: welches Jahr das Jahr eines Buches ist, in welcher Währung und zu welchem Datum sein Preis erfasst wird. Die Experten schreiben parallel, mit je einem Aufruf.

    Eine Beschreibung ist die Frage, die ein Modell bei der Anreicherung für sein Feld beantwortet – nur eine präzise Beschreibung führt dazu, dass zwei Modelle oder zwei Durchläufe das Feld gleich füllen.

  5. Felder, die eine Entität identifizieren

    Für jeden Entitätstyp wählt die Schema-Generierung die Felder aus, die eine einzelne Instanz identifizieren – den Titel eines Buchs, den Namen eines Autors. Sowohl Dante als auch Dan Brown haben ein Inferno geschrieben: Ein Buch lässt sich erst durch Titel und Autor zusammen unterscheiden.

  6. Eine semantische ID für jede Entität

    Wenn semantische IDs angefordert werden, erhält jedes Objekt, das eine Entität darstellt, ein id-Feld: das Buch und jede darin verschachtelte Entität – Autor, Reihe, Verlag. Das Modell füllt es nie: Nach jeder Anreicherung wird es aus den identifizierenden Feldern der Entität aufgelöst, sodass derselbe Autor in zwei Schreibweisen eine einzige Kennung behält.

    Ein Objekt, das nur Fakten seines übergeordneten Objekts enthält – hier Jahr und Preis des Buchs –, erhält keine: Kein Feld darin identifiziert etwas. Ebenso wenig eine Verknüpfung, etwa die Bandnummer eines Buchs innerhalb seiner Reihe: Sie wird durch die beiden Entitäten identifiziert, die sie verbindet.

  7. Mehrsprachige Felder

    Ein Textfeld kann als mehrsprachig markiert werden: Es enthält dann einen Wert pro angeforderter Sprache – einen Titel, ein Genre oder ein Land in jeder dieser Sprachen, einen Namen in der jeweiligen Schrift. Ein Jahr oder ein Preis bleibt ein einzelner Wert. Die Identität wird in der ersten Sprache gelesen, sodass ein übersetzter Titel niemals ein zweites Buch erzeugt.

  8. Identifikatoren bleiben unverändert

    Für jede Entität füllen ein oder mehrere Sprachmodelle das Schema aus den angehängten Dokumenten und aus ihrem eigenen Wissen. Ein als beibehalten markiertes Feld ist die Ausnahme: Sein Wert stammt aus Ihrem eigenen System — eine Zeilen-ID, eine interne Referenz — und durchläuft die Anreicherung unverändert, sodass jedes angereicherte Buch wieder zu der Zeile zurückfindet, aus der es stammt. Ohne Markierung füllt das Modell das Feld, und nichts hindert es daran, die ihm bekannte ISBN anstelle Ihrer ID zu schreiben.

Eine Datenbank, entworfen aus Ihrem Schema

Ein mit einer Datenbank verknüpftes Schema wird zu Tabellen. Der Entwurf liegt vor allem darin, wie diese Tabellen zueinander in Beziehung stehen: welche Zeilen mehrere Entitäten gemeinsam nutzen und welche zu einer einzigen gehören. Ein Sprachmodell beantwortet diese Fragen; die Regeln der Projektion erledigen den Rest.

  1. Eine Tabelle pro Objektart

    Eine Datenbank speichert ihre Daten in Tabellen. Eine Tabelle ist ein Raster: Jede Spalte enthält ein Feld, jede Zeile ein einzelnes Objekt. Wird ein Schema mit einer Datenbank verknüpft, erhält jeder Entitätstyp eine eigene Tabelle – hier football_player –, und jeder angereicherte Spieler wird zu einer Zeile darin.

    Eine Feldgruppe ohne eigene Identität, etwa das Debüt eines Spielers, braucht keine Tabelle: ihre Felder werden zu Spalten derselben Zeile, benannt nach dem Pfad zu ihnen – senior_debuts_club_date.

  2. Was zwei Zeilen unterscheidet

    Jede Tabelle hat einen Schlüssel: die Spalten, die eine Zeile von einer anderen unterscheiden. Ein Spieler wird durch vollständigen Namen und Geburtsdatum zusammen unterschieden, ein Land durch seinen ISO-Code. Die Schlüssel werden beim Verknüpfen des Schemas aus den Feldern gewählt, die jede Entität identifizieren.

    Wird ein Spieler erneut angereichert, findet der Schlüssel die Zeile, die dieser Spieler bereits hat: die Zeile wird aktualisiert, und es entsteht kein Duplikat.

  3. Eine Beziehung ist ein Verweis

    In einer flachen Tabellenkalkulation erscheint ein Verein in der Zeile jedes Spielers, der dort gespielt hat – das Gründungsjahr jedes Mal kopiert. Kopien laufen auseinander: Ist eine korrigiert, enthalten die anderen weiter den alten Wert.

    In einer Datenbank wird der Verein einmal gespeichert, in einer eigenen Tabelle, und jede Station enthält nur einen Verweis darauf – einen Fremdschlüssel, die _id des Vereins. Diese Beziehungen zwischen Tabellen halten die Daten verlässlich: Jede Angabe liegt an einer einzigen Stelle, und jede Zeile, die sie braucht, verweist dorthin.

  4. Gemeinsam genutzt oder exklusiv: die Frage, die das Modell beantwortet

    Für jede Beziehung des Schemas wird einem Sprachmodell eine Frage gestellt: Könnte ein anderer Spieler auf genau dieselbe Zeile verweisen? Ein Verein, eine Stadt, ein Land oder ein Wettbewerb existiert unabhängig von einem einzelnen Spieler, also lautet die Antwort ja, und die Zeile wird von jedem Spieler gemeinsam genutzt, der darauf verweist.

    Jede Antwort kommt mit ihrer Begründung, die der Nutzer liest und überstimmen kann, bevor die Datenbank erstellt wird. Für dieses Schema hat das Modell achtzehn Beziehungen beurteilt und befand, dass jede von ihnen auf etwas gemeinsam Genutztes verweist.

  5. Zeilen, die zu einem einzigen Spieler gehören

    Die Station eines Spielers bei einem Verein enthält Angaben, die nur für diesen Spieler gelten: die Jahre, die Tore. Ihre Zeilen sind exklusiv: Jeder Spieler hat eigene Zeilen, selbst beim gleichen Verein, und jede verweist auf die eine gemeinsam genutzte Vereinszeile.

    Der Schalter zeigt, was das falsche Urteil bewirken würde. Als gemeinsam genutzt fallen die beiden Stationen zu einer Zeile pro Verein zusammen, und die zweite Anreicherung überschreibt die Werte des ersten Spielers. Deshalb gilt eine Beziehung als exklusiv, bis sich zeigt, dass sie gemeinsam genutzt wird: eine falsche Zusammenführung beschädigt Daten, eine verpasste kostet nur eine zweite Zeile.

  6. Spaltentypen und Indizes

    Jede Spalte übernimmt einen Typ von ihrem Feld: Eine Größe wird zur Dezimalzahl, ein Jahr zur Ganzzahl, ein Geburtsdatum zum Datum. Ein präziser Typ erlaubt der Datenbank, ihre Werte zu vergleichen, zu sortieren und zu prüfen.

    Ein Index ist eine sortierte Kopie einiger Spalten, mit der die Datenbank Zeilen findet, ohne die ganze Tabelle zu lesen. Namen erhalten einen Suchindex, und weitere Indizes richtet das Modell an den Listenansichten aus, die eine Anwendung zeigen wird – hier Spieler, gefiltert nach Größe und sortiert nach Name.

Ein Schema pro Workflow, eine Datenbank für mehrere

Ein Schema ist ein Workflow: eigenes Sample, eigene Anreicherungsläufe, eigener Webhook, wenn ein Ergebnis eintrifft. Eine Datenbank kann mit mehreren verknüpft sein. Zwei Workflows, die dieselbe Art von Objekt nennen – hier die Stadt des Clubs eines Spielers und eine Stadt, die für sich selbst angereichert wird –, schreiben in dieselbe Tabelle: der Workflow, der sie nur nennt, schreibt ihre Identität, der Workflow, der sie zum Thema hat, füllt den Rest, und jede Spalte jenseits der Identität hat genau einen Schreiber.

Beim Verknüpfen eines Schemas wird es gegen die bereits verknüpften geprüft: ein Typ, den beide nennen, muss durch denselben Schlüssel unterschieden werden. Der Database Sync-Leitfaden beschreibt die Prüfungen im Detail.

Von Rohdaten zum Informationssystem

Eine Pipeline nimmt alles, was Sie haben – Dokumente, Tabellen, halb ausgefüllte Zeilen – und liefert Datensätze, denen Ihre Datenbank vertrauen kann.

1

Quelle

Bringen Sie einen Batch aus Ihrem bestehenden System mit — oder eine einzelne neue Entität, sobald sie erscheint. Dokumente, Bilder, Websuche und das Weltwissen des LLM ergänzen, was Ihre Daten nicht hergeben.

2

Struktur

Beschreiben Sie Ihr Ziel in natürlicher Sprache oder fügen Sie ein Beispiel ein – die KI entwirft ein typisiertes Schema mit Fachdomänen. Verfeinern Sie es visuell oder per Chat.

3

Überprüfen

Mehrere Modelle antworten parallel, pro Wissensbereich. Konflikte werden Feld für Feld erkannt und durch Regeln oder einen KI-Arbiter aufgelöst — die Begründung wird dabei festgehalten.

4

Integrieren

Validierte Datensätze fließen zurück, wobei Ihre ursprünglichen Schlüssel wortgetreu erhalten bleiben und semantische IDs als stabile Verknüpfungsschlüssel dienen. Keine Duplikate, keine Neuvergabe von Schlüsseln – bis zu 40 Sprachen pro Feld.

Zwei Möglichkeiten zur Eingabe

Batch — aus Ihrem bestehenden System

Ziehen Sie Hunderte von Entitäten aus Ihrer Datenbank, Ihrem CRM oder einem beliebigen REST-Endpunkt — fügen Sie JSON ein oder rufen Sie eine URL mit Authentifizierung ab. Reichern Sie sie parallel an, verfolgen Sie den Fortschritt live, schreiben Sie saubere Records zurück — oder exportieren Sie nach Excel.

Laufend – sobald neue Entitäten eintreffen

Ein neuer Lead, ein neues Produkt oder Dokument gelangt in Ihr System? Reichern Sie es in Sekunden an — ein API-Aufruf, ein n8n/Make-Trigger oder direkt aus einem Chat via MCP. Strukturiert, validiert, bereit zum Einfügen.

Beide Wege nutzen dieselben semantischen IDs — eine Entität, die heute in einem Batch angereichert und morgen spontan erneut angetroffen wird, landet weiterhin in einem Datensatz.

Jeder Wert ist lückenlos nachvollziehbar

Die meisten KI-Tools verlangen, dass Sie dem Ergebnis vertrauen. Wir lassen Sie nachvollziehen, wie es zustande kam.

Vorher

Pre-flight-Prüfung

Ein schnelles Modell klassifiziert die Entität zunächst anhand Ihres Schemas. Sie reichern „Titan“ als Planeten an? Sie werden gewarnt, bevor ein einziges Token verbraucht wird.

Während

Modelle im Wettbewerb

Zwei oder mehr LLMs antworten unabhängig voneinander. Die Ausgaben werden anhand des Schemas validiert; Fehler gehen zurück an das Modell, das sich automatisch selbst korrigiert.

Nachher

Arbitriert, protokolliert

Konflikte auf Feldebene werden per Mehrheit, Median oder KI-Arbiter gelöst. Jede Entscheidung — alle Kandidatenwerte, der Gewinner, die Begründung — wird im Datensatz gespeichert.

Entität

Acme Corp

Beliebige Entität: Unternehmen, Medikament, Rechtsfall, Forschungsarbeit …

Pre-flight-Klassifizierung

Abgleich — Unternehmen

Erkennt Typkonflikte, bevor LLM-Credits verschwendet werden.

Anthropic
OpenAI
Google Gemini

Bringen Sie Ihre eigenen API-Schlüssel mit — funktioniert mit jedem LLM-Provider.

Anthropic
FinanzdatenLLM-Prompt
RechtlichesLLM-Prompt
MarktLLM-Prompt
OpenAI
FinanzdatenLLM-Prompt
RechtlichesLLM-Prompt
MarktLLM-Prompt
Gemini
FinanzdatenLLM-Prompt
RechtlichesLLM-Prompt
MarktLLM-Prompt

Schema nach Fachbereich aufgeteilt – selbstkorrigierende Prompts wiederholen bei Validierungsfehler.

Anthropic Ergebnis
OpenAI Ergebnis
Gemini Ergebnis

Deep Merge der Fachgebiet-Antworten pro Modell.

Endgültiges angereichertes Ergebnis

Acme Corp

Arbitriert

Eine begründete Konfliktlösung auf Feldebene erzeugt das endgültige, vertrauenswürdige Ergebnis.

Acht Verteidigungsschichten stehen zwischen der Fantasie eines LLM und Ihrer Datenbank. Wie wir Halluzinationen verhindern →

Ihre Daten, Ihre Modelle, Ihre Schlüssel

Entwickelt für Teams, deren Daten das Haus nicht verlassen dürfen — Cloud-Komfort mit voller Kontrolle darüber, wo die Inferenz stattfindet.

Nutzen Sie Ihre eigenen API-Schlüssel

Verwenden Sie die Anthropic-, OpenAI- oder Gemini-Schlüssel Ihrer Organisation – Ihre Abrechnung, Ihre Auftragsverarbeitungsverträge. Plattform-Schlüssel sind lediglich die Standardoption ohne Einrichtungsaufwand.

Modelle auf Ihrer eigenen Hardware ausführen

Koppeln Sie in zwei Minuten einen Laptop oder On-Prem-GPU-Server und leiten Sie Enrichments über einen sicheren Tunnel an Ihr lokales Ollama. Sensible Daten erreichen niemals ein Cloud-LLM.

Wie der Tunnel funktioniert →

Von Grund auf mandantenisoliert

Datensätze, Schemas, Dateien und Konzeptregister sind auf die Organisation beschränkt. Rollenbasierte Zugriffskontrolle bis hin zu jedem API-Schlüssel.

Organisationen & Rollen →

Warum Entity Enricher

Speziell für strukturierte LLM-Anreicherung entwickelt – das bietet es zusätzlich zu einem einzelnen Modellaufruf oder einer selbst gebauten Pipeline.

Lässt sich in Ihr Informationssystem integrieren

Integriert

Fügen Sie einem Schema einen Database Sync hinzu, und Anreicherungen werden als echte relationale Tabellen in Ihr eigenes PostgreSQL gespiegelt — ein SQL-Snapshot zum Befüllen, ein idempotenter Delta-Feed, der es konvergent hält, und ein Open-Source-Sync-Client, der ihn ohne Glue-Code anwendet. Eingabeschlüssel bleiben wortgetreu erhalten, und jede Entität erhält eine stabile semantische ID: einen fertigen Join-Schlüssel, der „Headache“, „Céphalée“ und „Cephalalgia“ zu einem einzigen Datensatz auflöst, nicht zu dreien.

Rohes JSON pro Aufruf. Speicherung, Schlüssel, Abgleich und Abstimmung entwerfen Sie selbst, bevor es Ihre Systeme erreichen kann.

Benutzerdefiniertes Schema

Sie definieren die Ausgabestruktur. Beliebiger Entitätstyp, beliebige Felder, beliebige Verschachtelungstiefe.

Ein selbst geschriebener Prompt liefert eine flache Struktur. Verschachtelung, Typen und Validierung müssen Sie komplett selbst aufbauen.

Multi-Modell

Führen Sie 2+ LLMs gleichzeitig aus. Vergleichen Sie die Ergebnisse. Nutzen Sie das Beste aus jedem.

Einzelnes Modell, einzelner Provider. Keine Möglichkeit zur Kreuzvalidierung oder Verbesserung der Genauigkeit.

Fusion & Arbitrierung

Konflikterkennung auf Feldebene mit regelbasierter oder LLM-arbitrierter Auflösung.

Blindes Vertrauen in eine einzige Quelle. Keine Konflikterkennung.

Jede Domäne, jede Entität

Juristische Personen, Pharma-Wirkstoffe, Forschungsarbeiten, Immobilien – alles.

Jede neue Domäne bedeutet neue Prompts, neue Validierung, neue Infrastruktur — eine Pipeline pro Entitätstyp.

Mehrsprachig von Grund auf

Integriert

Markieren Sie ein Feld einmalig als mehrsprachig. Ein einziger Anreicherungsaufruf liefert den Wert übersetzt in jede von Ihnen ausgewählte Sprache – bis zu 40 – ohne zusätzliche LLM-Aufrufe oder Übersetzungspipeline.

Ausgabe nur auf Englisch. Übersetzung ist ein separater Schritt, ein separater Kostenfaktor und eine separate Fehlerquelle.

Bringen Sie Ihre eigenen Dokumente mit

Neu

Hängen Sie PDFs, Folien, Tabellen, Verträge, Scans und Audioaufnahmen an. Modelle mit Vision-, PDF- und Audio-Fähigkeit lesen sie direkt; der Rest wird serverseitig extrahiert und automatisch eingebettet.

Nur textbasierte Eingaben. Dokumente sind Ihr Problem — konvertieren, OCR, transkribieren, aufteilen und bereinigen Sie sie, bevor Sie anreichern können.

PDFPNGJPEGMP3WAVM4ADOCXDOCODTRTFEPUBHTMLCSVXLSXPPTXTXTMDAlle Formate ansehen →

Standardmäßig kostenoptimiert

Integriert

Prompt-Caching verwendet den gemeinsamen Prompt über parallele Aufrufe hinweg zu ~10 % des Eingabepreises wieder, jeder Fachbereich sieht nur seine eigenen Felder, und eine günstige Vorabprüfung verhindert, dass Sie für die Anreicherung der falschen Entität zahlen.

Pauschalpreis pro Datensatz ohne Optimierung auf Token-Ebene — und ohne Einblick, was Sie tatsächlich ausgegeben haben.

So funktioniert die Kostenoptimierung →

Funktioniert dort, wo Sie arbeiten

Gestalten Sie Ihr Schema einmal und reichern Sie dann in beliebigem Umfang an – aus der Web-App, aus automatisierten Workflows oder direkt aus Ihrem eigenen Code.

Batch-Anreicherung

Reichern Sie Hunderte Entitäten parallel aus der Web-App an. Echtzeit-Streaming, automatische Fusion, Excel-Export.

n8n- & Make-Workflows

Automatisierte Pipelines: bei neuen Daten auslösen, anreichern, in Ihr CRM oder Ihre Datenbank übertragen. Über 400 App-Integrationen.

REST API

Programmatischer Zugriff für benutzerdefinierte Integrationen. Typisiertes OpenAPI-Schema, organisationsbezogene Schlüssel, Sync- und Streaming-Endpunkte.

Über n8n mit 400+ Apps verbinden

Erstellen Sie automatisierte Anreicherungs-Pipelines mit dem visuellen Workflow-Editor von n8n. Beziehen Sie Daten aus beliebigen Quellen, reichern Sie sie mit KI an und übertragen Sie die Ergebnisse überallhin.

Google Sheets
Quelldaten
Entity Enricher
Entity Enricher
KI-Anreicherung
HubSpot
CRM-Synchronisierung
HubSpot
CRM
Salesforce
CRM
Google Sheets
Tabelle
Airtable
Datenbank
Slack
Messaging
PostgreSQL
Datenbank
Webhook
API
Gmail
E-Mail
Notion
Arbeitsbereich
Stripe
Zahlungen
Jira
Projektmanagement
HTTP Request
API
CRM-Synchronisierung
Übertragen Sie angereicherte Daten direkt an HubSpot, Salesforce oder ein beliebiges CRM
Waterfall-Enrichment
Verketten Sie mehrere Anreicherungsschritte mit bedingter Logik
No-Code-Workflows
Visueller Drag-and-Drop-Pipeline-Builder – keine Programmierung erforderlich
Automatisierte Pipelines
Anreicherung bei neuen Zeilen, Formularübermittlungen oder Zeitplänen auslösen
Oder verwenden Sie es direkt aus Claude Desktop, Claude Code oder Cursor

Entity Enricher enthält einen eingebetteten MCP (Model Context Protocol)-Server. Schemas auflisten, eine Entität anreichern, das Ergebnis prüfen — alles direkt im Chat. Kein Workflow-Editor erforderlich.

Oder spiegeln Sie alles in Ihre eigene Datenbank

Der Open-Source-Client ee-database hält Ihr eigenes PostgreSQL mit jeder Enrichment konvergent — Snapshot-Bootstrap, dann ein Live-Delta-Feed über eine ausgehende Verbindung. Kein Workflow zu bauen, und Ihr Verbindungsstring verlässt niemals Ihren Rechner.

Wie wir im Vergleich abschneiden

Sie kommen von einer Web-Research-API, einem Tabellen-Research-Agent – oder bauen Ihre eigene LLM-Pipeline? Hier sehen Sie, wo Entity Enricher steht.

FunktionEntity EnricherParallel AIKI-Research-AgentsDIY-LLM-Pipeline
Eigenes verschachteltes SchemaFlaches JSON-SchemaEin Prompt pro SpalteHandcodiert
Multi-Modell-AnreicherungSie orchestrieren
Fusion & Konfliktlösung
Audit-Trail auf FeldebeneQuellenangaben + Konfidenz
Deduplizierung verknüpfter Entitäten (semantische IDs)
Synchronisierung mit Ihrem eigenen PostgreSQLCSV-/Tabellen-ExportSie erstellen es
Ihre Dokumente als QuellenUnterschiedlichSie erstellen es
Jeder Entitätstyp
Mehrsprachige Ausgabe (40 Sprachen)Sie erstellen es
BYOK / selbst gehostete ModelleSelten
Batch-VerarbeitungSie erstellen es
WartungVerwaltetVerwaltetVerwaltetIhr Eigentum, für immer
PreiseBezahlung pro Token5–25 $ / 1.000 ZeilenCredits / AbonnementEngineering-Zeit + Tokens

Die Vergangenheit nachfüllen. Die Zukunft anreichern.

Das Wissen Ihres Unternehmens ist bereits festgehalten – machen Sie es abfragbar. Starten Sie kostenlos, bringen Sie Ihre eigenen API-Schlüssel mit und zahlen Sie nur die LLM-Kosten.

Kostenlos starten