Über DatumOS

Baudaten verdienen einen festen Bezugspunkt.

Jede Baustelle hat ihren Meterriss – die Marke, auf die sich alle Höhenmaße beziehen. Wir haben DatumOS gegründet, weil die kaufmännischen Daten der Branche keine solche Marke haben: Dieselbe Position wird bei jeder Übergabe neu abgetippt, neu formatiert, neu kalkuliert. Wir bauen die Software, die damit Schluss macht.

Die Geschichte

Vom Parser zur Plattform.

DatumOS begann mit einem konkreten Problem: Deutsche Ausschreibungen kommen als GAEB-Dateien, die moderne Software oft nicht sauber lesen kann. Also haben wir pyGAEB gebaut – eine Open-Source-Python-Engine, die jede GAEB-Version und jede Austauschphase in ein präzises, typisiertes Modell überführt – und unter MIT-Lizenz veröffentlicht, prüfbar für alle.

Die Arbeit mit Fenster- und Türenherstellern hat gezeigt, wo diese Grundlage am meisten zählt: Kalkulatoren verbringen Tage mit dem Abtippen von LVs, bevor sie überhaupt anbieten können. Daraus ist die DatumOS-Plattform entstanden – Ausschreibung in beliebigem Format hochladen und in Minuten ein kalkuliertes, prüfbares, versandfertiges Angebot zurückbekommen.

Das Ziel ist größer: eine Datenbasis, aus der jeder kaufmännische Workflow liest – und darauf spezialisierte Agenten, die vom Preisspiegel bis zum Nachtrag jeden dieser Workflows für menschliches Urteil vorbereiten. Deutschland zuerst, weil GAEB strukturierten Daten einen Vorsprung gibt. Danach überall dort, wo Kalkulationen noch in PDFs leben.

Wer dahintersteht

LLM-Praktiker, nah am Gewerk.

Wir bauen LLM-Anwendungen im Produktivbetrieb – die Sorte, die auf unsauberen, geschäftskritischen Daten stimmen muss, nicht die, die nur in der Demo funktioniert. Diese Disziplin richten wir mit DatumOS auf die kaufmännischen Daten des Bauens. Plattform, Open-Source-Engine und jedes Pilotprojekt bauen wir vier selbst – die Menschen, die Sie treffen, schreiben den Code.

Kalyanakannan Padivasu

Verantwortet die LLM-Systeme im Kern von DatumOS – die Pipelines, die aus einer rohen Ausschreibung strukturierte, kalkulierte, prüfbare Daten machen. Über zehn Jahre Erfahrung mit produktiven Python-Plattformen und die Instanz, die entscheidet, wo ein Modell vertraut werden kann und wo der Mensch die Kontrolle behält.

Dhiyaneshwar Chandrasekaran

Verantwortet die Datenbasis, die die KI verlässlich macht: Ingestion, Retrieval und Infrastruktur, die konsistente Ergebnisse liefern, auch wenn Ausschreibungen in einem Dutzend kaputter Formate ankommen. Jahrelange Erfahrung mit durchsatzstarken Python- und verteilten Datensystemen aus E-Commerce und Finanzwesen.

Swathi Narayanan

Sorgt dafür, dass die Ergebnisse der Prüfung standhalten – mit der Evaluierung, den Randfällen und der Qualitätsdisziplin, auf die sich anspruchsvolle Kunden verlassen. Elf Jahre Erfahrung darin, Unternehmenssoftware dort korrekt zu halten, wo Fehler teuer sind.

Sureshkumar Sreedharan

Macht aus Modellfähigkeit Arbeitsabläufe, die Kalkulatoren wirklich nutzen – die Oberflächen und die Produktlogik, die KI genau dort platzieren, wo die Arbeit ohnehin passiert, ohne zusätzliche Schritte. Elf Jahre Erfahrung im Ausliefern produktiver Anwendungen über den gesamten Stack.

Sprechen Sie direkt mit uns.

Kein Vertriebsteam, keine Ticket-Warteschlange – Sie sprechen mit den Menschen, die das Produkt bauen. Ob Pilotprojekt, Integration oder einfach eine Frage zu GAEB-Werkzeugen.

Kontakt aufnehmen →