KI in eine bestehende .NET-Anwendung integrieren: vier Funktionen, die sich lohnen, und wie man sie baut

Die meisten .NET-Geschäftsanwendungen brauchen keine KI-Neuentwicklung. Sie brauchen eine oder zwei Funktionen, die Handarbeit wegnehmen: Dokumente auslesen, eingehende Anfragen sortieren, Antworten in den eigenen Daten finden, Texte entwerfen, die ein Mensch freigibt. In .NET 10 sind die Bausteine dafür ausgereift. Schwierig ist nicht der Aufruf des Modells, sondern die Daten, die Kosten, der Datenschutz und die Frage, ob das Ergebnis stimmt.

Vier Funktionen, die sich meistens lohnen

1. Dokumente auslesen

Rechnungen, Lieferscheine, Verträge und Ausweisdokumente werden in vielen Unternehmen noch von Hand abgetippt. Azure AI Document Intelligence hat vortrainierte Modelle für Rechnungen, Belege und Ausweisdokumente und liefert jedes Feld mit einem Konfidenzwert. Für Dokumente ohne Standardlayout erledigt ein Sprachmodell mit strukturierter Ausgabe dieselbe Aufgabe.

Aus unserer eigenen Arbeit: Eine Anwendung, die Ausweisdokumente mit einem teuren kommerziellen SDK gescannt hat, liest die maschinenlesbare Zone jetzt direkt im Browser und schickt nur den Rest an Document Intelligence. Für die Nutzer dasselbe Ergebnis, bei einem Bruchteil der Lizenzkosten.

2. Sortieren und weiterleiten

E-Mails, Support-Tickets, Bestellungen, Reklamationen. Ein Modell liest den Text und gibt Kategorie, Priorität und die benötigten Felder als typisiertes Objekt zurück, mit dem Ihr Code weiterarbeiten kann. Menschen schauen sich nur die Fälle an, bei denen sich das Modell nicht sicher ist.

3. In den eigenen Daten suchen

Handbücher, Verträge, alte Tickets, Produktdaten. Der Text wird in Abschnitte zerlegt, in Embeddings umgewandelt und für die Vektorsuche gespeichert. Eine Frage findet die passendsten Abschnitte, und das Modell antwortet auf ihrer Grundlage, mit Links zu den Quellen. SQL Server 2025 hat einen nativen vector-Typ und EF Core 10 unterstützt ihn, sodass die Suche bei vielen Anwendungen in der vorhandenen Datenbank bleiben kann.

4. Texte entwerfen

Antworten an Kunden, Zusammenfassungen langer Verläufe, Produktbeschreibungen in mehreren Sprachen. Das Modell schreibt die erste Fassung, ein Mensch gibt sie frei. Hier lässt sich die Zeitersparnis am leichtesten messen.

Die Bausteine in .NET

Microsoft.Extensions.AI ist die gemeinsame Abstraktion: IChatClient für Sprachmodelle und IEmbeddingGenerator für Embeddings. Derselbe Code funktioniert mit Azure OpenAI, OpenAI oder einem lokalen Modell, und Caching, Logging und OpenTelemetry kommen als Middleware dazu:

IChatClient innerClient = new AzureOpenAIClient(endpoint, credential)
    .GetChatClient("your-deployment")
    .AsIChatClient();

builder.Services.AddDistributedMemoryCache();
builder.Services.AddChatClient(innerClient)
    .UseDistributedCache()
    .UseOpenTelemetry();

Ein typisiertes Ergebnis vom Modell zu bekommen, dauert nur ein paar Zeilen:

public record SupportTicket(string Category, string Priority, string CustomerId, string Summary);

var response = await chatClient.GetResponseAsync<SupportTicket>(
    $"Classify this support email and extract the fields:\n\n{emailText}");

SupportTicket ticket = response.Result;

Azure AI Document Intelligence hat ein .NET-SDK (Azure.AI.DocumentIntelligence) für seine vortrainierten und eigenen Dokumentmodelle.

Die Vektorsuche in EF Core 10 nutzt SqlVector<float>-Eigenschaften und EF.Functions.VectorDistance auf SQL Server 2025 oder Azure SQL. Liegen die Daten woanders, erledigen Azure AI Search oder PostgreSQL mit pgvector dieselbe Aufgabe.

Was es im Produktivbetrieb braucht

Demos lassen diesen Teil weg, und genau hier steckt die meiste Arbeit.

• Wissen, wohin die Daten gehen. Legen Sie fest, welche Felder Ihr System überhaupt verlassen. Nutzen Sie für EU-Daten ein Deployment, das die Verarbeitung in der EU hält, und unterschreiben Sie die Bedingungen zur Auftragsverarbeitung des Anbieters. Azure OpenAI verwendet Kundendaten nicht zum Trainieren von Modellen.
• Qualität an den eigenen Daten messen. Sammeln Sie ein paar hundert echte Beispiele mit den richtigen Antworten und messen Sie vor und nach jeder Änderung an Prompt, Modell oder Dokumenttyp.
• Mit Unsicherheit planen. Nutzen Sie Konfidenzwerte und geben Sie unsichere Fälle an einen Menschen, statt zu raten. Timeouts, Wiederholungen und ein manueller Weg gehören zum Design, nicht in die Nacharbeit.
• Die Kosten im Blick behalten. Die Kosten sind Tokens pro Anfrage mal Volumen. Cachen Sie wiederkehrende Anfragen, nutzen Sie kleinere Modelle für einfache Aufgaben und protokollieren Sie den Verbrauch pro Funktion.
• Dokumente und E-Mails als nicht vertrauenswürdige Eingabe behandeln. Text kann Anweisungen enthalten, die an das Modell gerichtet sind. Das Modell schlägt vor, Ihr Code prüft und entscheidet.
• Sagen, wenn eine KI spricht. Seit dem 2. August 2026 verlangt der EU AI Act, dass Nutzer informiert werden, wenn sie mit einem KI-System interagieren, sofern das nicht offensichtlich ist.

Wo man anfängt

Wählen Sie einen Prozess mit viel Handarbeit und einem klaren Erfolgsmaß, etwa von Hand abgetippte Rechnungen. Bauen Sie eine kleine Version mit echten Daten, messen Sie Genauigkeit und Kosten pro Dokument, und binden Sie sie erst dann an den Rest des Systems an. Ein paar Wochen davon sagen Ihnen mehr als Monate der Planung.

Quellen

• Microsoft.Extensions.AI-Bibliotheken, Microsoft Learn
• Verwenden der IChatClient-Schnittstelle, Microsoft Learn
• Azure AI Document Intelligence, Microsoft Learn
• Vektorsuche im EF Core-Anbieter für SQL Server, Microsoft Learn
• Artikel 50: Transparenzpflichten, EU AI Act