Einige der spannendsten KI-Probleme liegen gar nicht in der regulierten Finanzwelt — sondern in unübersichtlichen, schwankungsreichen Konsummärkten, in denen heute ein Mensch auf Fotos blinzelt und im Kopf rechnet. Eines davon haben wir als internes Capability-Demo gebaut: eine Sammelkarte aus ihren Inserat-Fotos bewerten und dann die Ökonomie des Wiederverkaufs modellieren.
Die manuelle Variante ist mühsam und fehleranfällig. Man durchsucht Marktplatz-Inserate nach ungewerteten Karten, schätzt aus jedem Foto, welche Zustandsnote sie erreichen könnte, schlägt nach, was diese Karte je Note erzielt, zieht Bewertungsgebühren, Versand und Marktplatzprovision ab und entscheidet, ob die Marge das Risiko wert ist. Macht man das über Dutzende Live-Inserate, kann eine einzige Fehleinschätzung um eine Note den Gewinn auslöschen.
Ein Vision-Modell mit einer Meinung — und ein Massstab dafür
Aus einer einzigen Suche läuft die Pipeline pro Inserat durchgängig:
- Finden — Live-Inserate für ungewertete Karten holen und bereits bewertete automatisch ausschliessen.
- Bewerten — ein Vision-LLM beurteilt den Zustand aus den Inserat-Fotos anhand eines standardisierten Vier-Säulen-Massstabs — Zentrierung, Ecken, Kanten, Oberfläche — und gibt eine einzelne Note von 1–10 plus eine Konfidenz zurück.
- Bepreisen — ungewertete und je Note bewertete Marktvergleiche und jüngste Verkäufe nachschlagen.
- Modellieren — die volle Ökonomie berechnen: Kaufpreis + Bewertungsstufe + Ein- und Ausgangsversand + Marktplatzgebühr gegen einen interpolierten bewerteten Wiederverkaufswert → Gewinn, Marge, ROI, ein Risiko-Score und eine Kaufen/Halten/Passen-Empfehlung.
Die Resultate erscheinen als sortierbares Raster — nach Gewinn, ROI, Konfidenz oder Note geordnet — sodass ein Mensch das gesamte Möglichkeitsfeld auf einen Blick sieht statt Tab für Tab.
Warum es ein guter Stresstest ist
Zwei Dinge machen das schwieriger, als es aussieht — und genau darum geht es. Erstens muss das Vision-Urteil ehrlich sein: eine Note ohne Konfidenz ist wertlos, wenn ein einziger Punkt die Rechnung kippt — also meldet das Modell beides, und die Finanzschicht behandelt geringe Konfidenz als Risiko. Zweitens sind die Daten feindlich: Inserate sind inkonsistent, Vergleiche verrauscht, Quellen drosseln und fallen aus. Also läuft die Pipeline über eine robuste Provider-Kaskade mit Retries, Fallback und defensivem Parsen der Modellausgabe — dieselbe Fehlertoleranz-Disziplin, die wir in Produktivsysteme bringen.
Es ist ein Demo, kein Produkt — kein Live-Betrieb. Aber es ist ein kompaktes Schaufenster für das Muster, das wir laufend für Kunden bauen: ein Vision-LLM, das ein Urteil fällt, verschmolzen mit Multi-Quellen-Daten und einem echten Finanzmodell, mit Konfidenz und Risiko durchgängig mitgeführt.
Interessant waren nie die Karten. Interessant war, einem Modell beizubringen, auf nützliche Weise unsicher zu sein.