Real Benchmarks · MeigaHub

Tool calls

63.385

81.3% Erfolg

Aktive Benutzer

14

mit registrierten Tool-Calls

LLM-Modelle

35

verschiedene in Produktion

Geschätzte Einsparung

$159,16

im Vergleich zu 100% Cloud

Verteilung lokale vs. Cloud

Prozentualer Erfolg von LLM-Aufrufen, getrennt nach lokalen, selbst-hosteten Modellen vs. Cloud-APIs (OpenAI/Mistral/etc.).

Lokal (eigener Server) 16.7%

10.611 Anrufe · 86.4% Erfolg

Cloud (externe API) 83.3%

52.774 Anrufe · 80.2% Erfolg

Erfolgsrate pro Tool

Top 12 Tools mit ≥30 registrierten Aufrufen. Berechnet auf model_task_outcomes.

Tool	Anrufe	% Erfolg
find_local_leads	6.009	90.8%
fetch_readable	5.019	68.8%
manage_automation	1.521	98%
manage_lead_hunt	1.387	98.8%
enrich_decision_maker	1.270	91.1%
manage_lead_hunt	1.217	57.4%
manage_lead_hunt	1.170	99.5%
manage_lead_hunt	1.154	86.7%
enrich_decision_maker	1.132	79.2%
enrich_decision_maker	1.100	99%
manage_automation	1.007	60.8%
manage_lead_hunt	795	70.3%

Registrierte Nutzungsvolumen

Aggregierte Zähler seit usage_tracking — historische Summe tatsächlicher Aktionen.

emails_daily

10.532

searches_daily

3.268

image_analysis_daily

639

web_fetches_daily

370

chat_messages_daily

301

stealth_sessions_month

298

public_chat_messages_monthly

114

server_downloads_monthly

28

api_fetches_daily

13

Schätzung des Einsparpotenzials — Methodik

Wir vergleichen die tatsächlichen aktuellen Kosten (nur die Aufrufe, die tatsächlich in die Cloud geroutet wurden) mit einem hypothetischen Szenario, in dem alle alle LLM-Aufrufe in der Cloud ausgeführt worden wären.

Schätzung der Tokens pro Aufruf: 1500 (Input + Rationale + Tool Call).
Blended-Cloud-Kosten: $10/1M tokens (Referenz GPT-4o 50% Input / 50% Output).
Erkannte lokale Modelle: enthalten qwen / llama / mistral-7b / phi / gemma / .gguf.

Wenn alles Cloud wäre

$950,78

Tatsächlich in der Cloud verbrauchte Ressourcen

$791,61

Eingespart durch lokale Nutzung

$159,16

Konservativer Schätzwert. Der tatsächliche Nutzerersparnis ist meist höher, da GPT-4o unterschiedliche Kosten für Input/Output verlangt, kleine Modelle eine monatliche Mindestgebühr hinzufügen und die Cloud-Kosten mit der Kontextlänge steigen. Diese Berechnungen enthalten keine Stromkosten oder Abschreibungen des lokalen Hardware.

Echte Fälle mit nachvollziehbaren Metriken

Technischer Überblick der auf der Startseite gezeigten Fälle. Branchen und Metriken sind real; Namen und identifizierende Daten wurden aus Datenschutzgründen entfernt (anonymisiert mit Zustimmung des Nutzers). Die Zahlen sind reproduzierbar über das Produkt-Panel und die Tabellen usage_tracking, model_task_outcomes und automation_rule_runs.

FALL 1

Rechtliche Beratung · REGCON-Akquise

Büro für 4 Personen in Galizien (anonymisiert). Ziel: Identifizierung von Unternehmen, die gemäß Verordnung 901/2020 des Ministeriums für Arbeit verpflichtet sind, einen Gleichstellungplan einzureichen, die noch nicht im REGCON-Register des Ministeriums für Arbeit erscheinen.

Metrik	Wert	Nachprüfbarer Quelltext
Verifizierte Unternehmen im REGCON-Pool	2.847	`company_pool.regcon_checked_at` · 6 Wochen
Unternehmen ohne Gleichstellungskonzept (nicht in REGCON)	1.483	`company_pool.in_regcon = false`
Generierte qualifizierte Leads (inkl. Kontakt-E-Mail)	312	`leads.source = automation`
Kosten für externe API (Brave Search)	€18	Rechnung Brave · 6 Wochen
Cloud-LLM-Kosten	€0	Lokaler Server Qwen3.5 9B · `model_task_outcomes`
Eingesparte manuelle Arbeitsstunden	~80 h	Kundenabschätzung (1 manuelle REGCON-Prüfung ≈ 2 Min.)

Technische Pipeline: manage_leads pool_verify_regcon (Provinz) → manage_leads pool_search only_verified_not_regcon → collect_leads mit Web-Enrichment (Brave API) → automatisierte E-Mail-Kampagne. Alles orchestriert vom Agenten auf dem lokalen Server des Benutzers.

FALL 2

Marketing-Agentur · SEO-Blog im Autopilot

Agentur mit 6 Personen (anonymisiert). Ziel: Erstellung von wiederkehrendem SEO-Inhalt ohne externe Redakteure einzustellen und ohne wöchentliche Briefing-/Revisionzeiten zu verlieren.

Metrik	Wert	Nachprüfbarer Quelltext
In 90 Tagen veröffentlichte Posts	47	`blog_posts.published_at`
Artikel in den Google Top 30 (Primäranfrage)	18	Google Search Console · erfasst 90 Tage
Menschliche Aufrufe von Beiträgen (90 d)	3.412	`page_views.is_bot = false`
Lokales/Cloud-Verhältnis in der Redaktion	84% / 16%	`model_task_outcomes` · task `tool:write_and_publish_blog_post`
Cloud-Kosten LLM	~€7/Monat	OpenAI-Abrechnung (Eskalation nach lokalem Ausfall)
Zeit für die manuelle Prüfung	~2 h/Woche	Kundenschätzung (vs. ~12 h/Woche Texterstellung)

Technische Pipeline: Tägliche Cron-Regel → search Branchentrends → write_and_publish_blog_post mit automatischem Schema Markup → cross-channel Social-Media-Publikation. A+ Routing lernt, welche lokalen Modelle gut für lange Texte geeignet sind; skaliert nur auf Cloud, wenn die Qualität versagt.

FALL 3

Ingenieurbüro · Monitoring BOE / BDNS / PLACSP / TED

Büro für 8 Personen im Bauwesen (anonymisiert). Ziel: Tägliche Überwachung von öffentlichen Ausschreibungen, Förderungen und relevanten europäischen Wettbewerben im Bereich Bauwesen, Wasserinfrastruktur und Energieeffizienz, ohne eine Person dafür einzusetzen.

Metrik	Wert	Nachprüfbarer Quelltext
Überwachte offizielle Quellen (tägliche Erfassung)	4	BOE · BDNS · PLACSP · TED (offizielle APIs)
Eingefangene Chancen (90 d)	2.184	`opportunities.search_case_id`
Chancen mit Score ≥70 (matching LLM)	12	`opportunity_matches.score >= 70`
Eingereichte Bewerbungen mit angepassten Dokumenten	3	`candidacies.status = submitted` · `adapted_documents`
Cloud-Kosten LLM	€0	100% lokal (Qwen2.5 14B für Scoring + Anpassung)
Aufwand an menschlicher Zeit	~3 h/Woche	Endgültige Prüfung der Bewerbungen (im Vergleich zur vollständigen manuellen Überwachung)

Technische Pipeline: Search Case mit Quellen boe_api, bdns_api, placsp_atom, ted_api → täglich programmiertes Intake → SearchCaseMatchingService Batch-Score → Benachrichtigung im Chat bei Chancen ≥70 → generate_adapted_document mit Unternehmensprofilen (Ordner mit Dokumenten in profile_folders).

Datenschutzrichtlinie: In allen drei Fällen handelt es sich um echte Konten mit anonymisierter Identität. Die hier veröffentlichten Prozentsätze und aggregierten Daten ermöglichen keine Re-Identifizierung des Kunden. Wenn du Nutzer bist und möchtest, dass dein Fall erscheint (mit deiner Identität oder anonymisiert), schreib uns über Kontakt.

Transparenz und Reproduzierbarkeit

· Alle Daten stammen aus echten Tabellen in Produktion: model_task_outcomes, usage_tracking.
· Kein einzelnes Datum ist personenbezogen. Nur aggregierte Zahlen werden veröffentlicht y Prozentzahlen.
· Der Berechnungsvorgang wird mit php artisan benchmarks:refresh und wird 24h cache-gehalten.
· Quellcode der Berechnung: App\Services\BenchmarkStatsService (nachvollziehbar).

Kostenloser Account erstellen Hardwareanforderungen lokal

Benchmarks echt von MeigaHub