Doch wer im Bereich Branding- und Unternehmenkommunikation arbeitet kennt das Dilemma:

• Schneller und konsistenter: Ja gerne!
• Kontrolle über die Positionierung verlieren: Nein danke.

Wir haben unsere eigene Content Strategie überarbeitet – mit der Hilfe von KI. Und einen Weg gesucht, das Dilemma aufzulösen: Ein effizienter Prozess, der die Kontrolle beim Menschen belässt.

Womit starten?

Liip hat seine Positionierungsziele geschärft, worauf wir auch unsere Content Strategie überarbeiten mussten.

Für die Überarbeitung habe ich mit Claude gearbeitet: Wir haben einen Enterprise-Zugang zu Claude, ich arbeite mit der Desktop App.

In einem ersten Schritt habe ich ein neues Projekt angelegt. Ich gebe dem Projekt einen prägenden Titel und beschreibe, was ich vorhabe.

Ich kann dem System ausserdem Kontext-Informationen geben, die es bei allen Arbeiten berücksichtig.

In diesem Fall relevant:

• Vision und Strategie der Organisation
• Positionierungsziele
• Bestehende Personas
• Bestehende Freigabeprozesse und Stakeholder, die am Ende zustimmen müssen
• ...

Alles, was für die Content Strategie relevant ist, kommt als Kontext ins Projekt. Gerade wenn mehrere Stakeholder oder Sprachregionen am Ende ein Wort mitzureden haben, macht dieser Aspekt den Unterschied: Das System schlägt vor – aber es kennt die Leitplanken, innerhalb derer ein Vorschlag überhaupt tragfähig ist.

Diese Informationen bieten die solide Grundlage für ein verankertes und effizientes Vorgehen.

Nun kann die Arbeit an der eigentlichen Content Strategie starten.

Ich wollte unsere Kernbotschaft und Zielgruppen schärfen – zwei Bausteine, die wir für die unsere Positionierung weiterentwickelt hatten.

Zusammenarbeit mit dem System?

Bei der Überarbeitung jedes Bausteins hatte ich jeweils zwei Optionen:

• Entweder lasse ich mir von der KI einen ersten Vorschlag generieren, den das System aus den Kontextinformationen ableitet.
• Oder ich skizzierte grob, was mir vorschwebt, und das System generiert eine vollständige Version.

Beide Ansätze geben mir einen Startpunkt, den ich anschliessend weiter verfeinern kann – allein, im Tandem mit dem System oder mit meinem Team. Die KI schreibt also nicht meine Strategie, sondern unterstützt mich im Prozess.

Es braucht dabei den Moment, in dem ich von den generierten Ergebnissen zurücktrete. Reflektiere, ob diese meinen Zielen wirklich gerecht werden. Und meine eigenen Prioritäten einbringe.

Um einen frischen Blick auf generierte Vorschläge zu erhalten, hole ich mir gerne Mitarbeitende hinzu. Ich habe in diesem Prozess eine erste vollständige Version unserer Kernbotschaften entwickelt, zu der ich mir anschliessend Feedback aus dem Team hole.

Je nach Anspruch und Stand kannst du dich so durch die verschiedenen Themen arbeiten. Das System stellt sicher, dass die Inhalte sinnvoll aufeinander aufbauen.

Was ist ein System-Prompt?

Sobald meine überarbeitete Strategie steht, gehe ich noch einen Schritt weiter: Ich leite daraus einen System-Prompt ab.

Ein System-Prompt ist die übergeordnete Anweisung, die du einem Modell einmal mitgibst und die dann für alle folgenden Interaktionen in diesem Kontext automatisch gilt – im Unterschied zum eigentlichen Prompt, den du für jede einzelne Anfrage neu schreibst.

Damit habe ich mir im Grunde einen Assistenten gebaut, der mich – oder andere aus dem Team – bei neuen Inhalten unterstützt und dabei automatisch auf unsere Content Strategie einzahlt:

• Das System fragt mich, für welche Zielgruppe der Content gedacht ist, und liefert dazu passende Pain Points und Content-Bedürfnisse.
• Das System fragt mich, welche Kernbotschaft im Vordergrund stehen soll und hilft mir, den Content daran auszurichten.
• Das System führt mich durch alle weiteren relevanten Dimensionen – Schritt für Schritt.

In der Arbeit mit dem System kann der System-Prompt dann weiter verfeinert werden (zum Beispiel, weil ich realisiere, dass es darauf ankommt, für welchen Kanal ich Content verfasse.)

Mehr als ein Tool-Trick?

Genau hier zeigt sich für mich der Punkt, der oft übersehen wird: Automatisierung skaliert nur, was strukturell schon stimmt.

Der System-Prompt funktioniert nur so gut wie die Content Strategie, aus der er abgeleitet ist. Die eigentliche Arbeit war nicht das Prompten, es war das Schärfen der Strategie. Die strategischen Entscheidungen – wofür wir stehen, wen wir erreichen wollen, mit welcher Botschaft – haben wir im Team getroffen.

Wenn du magst, probiere es an einem einzelnen Baustein aus: Kontext rein, ein Thema auswählen, Vorschlag oder Skizze durchgehen lassen, Finetuning mit einer Mitarbeiterin.

Wenn du bereits mit uns arbeitest und deine Content Strategie einen Reality-Check braucht, sprich uns an: Gemeinsam sammeln und sichten wir das vorhandene Material und setzen es dann in eurem KI-Tool nach Wahl auf.

Arbeitest du im öffentlichen Sektor und fragst dich, wie sich ein solcher Prozess mit euren Freigabe- und Compliance-Anforderungen vereinbaren lässt? Lass uns dazu austauschen, wir haben Erfahrung damit, KI-gestützte Prozesse innerhalb bestehender Governance-Strukturen aufzusetzen.

Nevertheless, there is a lot of knowledge involved in getting something basic working in any of these frameworks. In this blog post I will explore what the most stripped down version of such a framework could look like, while still keeping the ergonomics of a reactive framework.

Let's get right into it.

Imagining the framework

To make this concrete, I built a small framework called effectlayer. I will explain its building blocks in this blog post.

Building blocks

The framework is built around a single JavaScript class, which the framework enhances with reactive behavior. That reactivity is powered by Signals, a common primitive used in frameworks such as Vue, Svelte, and SolidJS.

State

All class properties are treated as state. The framework turns them into Signals, so no state annotations are needed here:

class MoodSwing {
  energy = 5;
  coffee = 0;
}

Computed Values

Computed values use standard JavaScript getters. The framework treats them as derived Signals that update automatically when their dependencies change:

  get mood() {
    if (this.energy > 8) return "🤪";
    if (this.energy > 4) return "😀";
    if (this.energy > 0) return "😑";
    return "😴";
  }

Mutations

Methods are a natural fit for mutations:

  drinkCoffee() {
    this.coffee++;
    this.energy = Math.min(10, this.energy + 3);
  }

  work() {
    this.energy = Math.max(0, this.energy - 2);
  }

Effects

The last concept we need is effects. Effects are a fancy way of saying "a thing that executes when dependent Signals change".

I chose methods starting with $ for annotating them:

  $monitor() {
    if (this.coffee > 10) console.warn("You may want to slow down.");
  }

The framework sees that $monitor() uses coffee. After coffee changes, it calls the method again.

HTML

Rendering HTML is also an effect that just returns JSX.

  $ui() {
    return (
      <main>
        <h1>{this.mood}</h1>
        <button onClick={() => this.drinkCoffee()}>☕ Coffee</button>
        <button onClick={() => this.work()}>💻 Work</button>
      </main>
    );
  }

All that is left is to make the class reactive by wrapping it in an effectlayer call:

const moodSwing = effectlayer(MoodSwing);
moodSwing.$monitor();
document.body.appendChild(moodSwing.$ui());

Calling an effect once activates it. This means $monitor() will now run whenever coffee changes.

The $ui() call returns an HTML element and keeps it up to date.

All the concepts we need

So basically the framework only needs four concepts:

• properties for state
• getters for computed values
• methods for mutations
• methods starting with $ for effects

If you want to try out this experimental framework use:

npm create effectlayer

Or check it out on npm.

Deep Dive?

Let me know if you want to see a deep dive into how I built this framework: falk.zwimpfer@liip.ch

Die Fähigkeiten Generativer KI machen klar, dass sich unser Berufsfeld stark verändern wird. Dieses ist jedoch breit: Verschiedene Kompetenzprofile und Tätigkeitsfelder spielen zusammen.

Somit ist die interessante Frage: Wie genau wird sich die Content-Arbeit in Organisationen verändern?

Wandel der Profile

Die Studie der AG CommTech und der GK Personalberatung befasst sich mit dem Wandel von Rollen und Kompetenzen in der Kommunikationsprofession. Ihre Metastudie zeigt: Gefragt ist heute eine Symbiose aus technologischer Effizienz und menschlicher Authentizität. Sie beschreiben einen "wachsenden Bedarf an Experten, die in der Lage sind, Daten zu interpretieren, daraus mit Hilfe von KI relevante Erkenntnisse abzuleiten und diese in effektive Kommunikationsstrategien zu übersetzen".

Strategische Kompetenzen werden also noch wichtiger.

Quantität rauf, Qualität runter?

Warum ist das so?
Schauen wir es uns in einem sichtbaren Bereich an: generiertem Text.

Eine Standford-Studie von Anfang 2026 zeigt, dass bereits rund 35% aller neu ins Netz gestellten Websites KI-generiert oder zumindest KI-assistiert entstanden sind.

Die Menge an generierten Inhalten nimmt schnell zu. Wie steht es um die Qualität?

Das ist keine simple Frage, da Qualität unterschiedliche Dimensionen hat.

Fragen wir mal Claude dazu. Der Bot findet eine Befragung des Content Marketing Instituts, in der nur 17% der B2B-Marketer die Qualität von KI-generiertem Content als exzellent oder sehr gut bewerten. 44% stufen sie als gut, 35% als "fair" und 4% als schlecht ein. Gleichzeitig vertrauen 67% dem KI-Output nur mittelmässig und 28% wenig.

Das ist zwar kein belastbarer Befund, deckt sich aber mit meiner Erfahrung. Lass uns darum der Frage nachgehen: Wie entsteht dieses mittelmässige Zeugnis?

Input Qualität ≙ Output Qualität

KI kann sehr vieles, aber sie kann nicht zaubern. LLMs brauchen eine solide Basis, um gute Ergebnisse zu generieren.

Wenn ich für die Kanäle meines Unternehmens Content generieren will, bedeutet eine solide Basis Folgendes:

• Vollständige Daten (die KI kann keinen verlässlichen Content generieren, wenn sie in deinem bestehenden Content dazu keine Informationen findet)
• Bedürfnisse der Zielgruppen und ihre Fragen sind zentraler Orientierungspunkt im Content
• Ein Content-Regelwerk personalisiert den Output und richtet ihn an den Kommunikationsregeln und -zielen der Organisation aus

Das ist durchaus ernüchternd, wenn man erwartet hat, dass einem Gen-AI die Arbeit abnimmt. Denn je nach Ausgangslage generiert dieser Anspruch zuerst einmal neue Arbeit.

Es zeigt aber auch, wo du ansetzen kannst, um die Qualität des generierten Contents zu steigern.

Diese Anforderungen rücken klar Nutzerzentrierung und Content Strategie & Guidelines in den Mittelpunkt – womit wir wieder bei den strategischen Kompetenzen sind.

In einem nächsten Beitrag werde ich beschreiben, was für mich in eine Content Strategie gehört, und welche Elemente eine Priorisierung verdienen.

Wenn die Kosten für Content-Produktion gegen Null tendieren, gewinnen zwei Punkte massiv an Bedeutung:

• Qualität von Content
• Sichtbarkeit und Auffindbarkeit von Content

Generative-Engine-Optimization (GEO) im Sinne der Nutzenden

Dabei wird die Sichtbarkeit und Auffindbarkeit von Content immer mehr zu einer Frage von AI Visibility: ob die eigenen Inhalte und die eigene Marke in den Antworten und Ergebnissen von KI-Chatbots und -Agenten stattfinden.

Ich kann dich beruhigen: LLMs priorisieren Content nach Kriterien, die auch für Nutzende relevant sind.

Neben der technischen Dimension – Content muss für KI-Systeme lesbar und verwertbar sein – muss Content dafür folgenden Dimensionen gerecht werden:

• Nutzerzentriert aufgebaut
• Vertrauenswürdig
• Klare thematische Positionierung

Damit hängen die beiden Aspekte – Qualität und Auffindbarkeit von Content – stark zusammen.

Um als Team an diesen Punkt zu kommen, müssen wir zuerst die Grundlagen klären: Ohne eine saubere Ausrichtung ist kein Content-Team der Welt fähig, mittelfristig Content in dieser Qualität zu produzieren.

Die Triple-Content-Line

Unsere Ausrichtung als Content-Team definieren wir in folgenden Elementen:

• Content Strategie
• Content Guidelines
• Content Governance

Als Team einigen wir uns dort auf den gemeinsamen Nenner unserer Content-Arbeit. Nur so können wir qualitativen Content, der internen und externen Ansprüchen gerecht wird, produzieren.

Dabei ist die Abgrenzung zwischen Content Strategie und Content Guidelines nicht ganz einfach.

Was gehört in eine Content Strategie?

Es gibt keine abgeschlossene Antwort auf die Frage, was in eine Content Strategie gehört. (Unabhängig davon würde ich eine Content Strategie auch eher als einen Arbeitsbereich beschreiben als ein abgeschlossenes Dokument.)

Für mich gehören folgende Elemente in eine Content Strategie:

• Content Ziele: Was will ich eigentlich mit meinem Content erreichen?
• Zielgruppen und ihre (Content-)Bedürfnisse
• Content Journeys der Zielgruppen
• Kanalstrategie: Mit welchen Kanälen arbeiten wir und wie spielen diese zusammen?
• Kernbotschaften
• Erfolgsmessung
• Schnittstellen zu Content Governance und Content Lifecycle Management

Was gehört in Content Guidelines?

Content Guidelines müssen im Unterschied zur Content Strategie im Tagesgeschäft verankert sein. Neben fixen Orientierungspunkten (z.B. angestrebtes Sprachniveau) enthalten sie bei uns oft Prinzipien:

• Sprachniveau
• Sprachregeln (z.B. einheitliche Schreibweise von Daten, Währungen und Ähnlichem, aber auch Themen wie Gendern oder Zielgruppenansprache)
• Tonalität
• Seitentypen
• Tools
• ...

Was gehört in die Content Governance?

Content Governance regelt, wer im Content-Team wofür verantwortlich ist – und wie wir zusammenarbeiten, damit Strategie und Guidelines auch tatsächlich gelebt werden. Ohne Governance bleiben Strategie und Guidelines gut gemeinte Dokumente, die im Tagesgeschäft untergehen.

Für mich gehören folgende Elemente in die Content Governance:

• Rollen und Verantwortlichkeiten: Wer erstellt, wer reviewt, wer gibt frei?
• Freigabeprozesse: Wie läuft Content von der Idee bis zur Publikation?
• Pflege- und Aktualisierungsprozesse: Wer ist wann für ein Update zuständig?
• Qualitätssicherung: Wie stellen wir sicher, dass Guidelines eingehalten werden?
• Eskalationswege: Was passiert bei Uneinigkeit oder Sonderfällen?
• Schnittstellen zu anderen Teams (z.B. Design, Produkt, Marketing)

Das Ziel? Zusammenspiel

Content Strategie, Content Guidelines und Content Governance greifen ineinander: Die Strategie gibt die Richtung vor, die Guidelines übersetzen sie in den Alltag, und die Governance stellt sicher, dass beides nicht nur auf dem Papier existiert. Erst im Zusammenspiel dieser drei Elemente entsteht Content, der konsistent, vertrauenswürdig und für Nutzende wie für KI-Systeme auffindbar ist. Und den Positionierungszielen des eigenen Unternehmens gerecht wird.

Content-Produktion wird günstiger. Aber ohne diese Grundlagen bleibt sie beliebig – egal wie leistungsfähig die Tools werden. Wer jetzt in Strategie, Guidelines und Governance investiert, legt das Fundament für Content, der auch morgen noch gefunden, verstanden und dem vertraut wird.

Wie Generative-Engine-Optimization (GEO) operativ funktioniert, folgt in den nächsten Posts.

A brief history of LiipGPT and ZüriCityGPT

2023, Chregu released the first version of LiipGPT. 2024, we were able to use only open-source models on ZüriCityGPT. 2025, we switched the open-source version to the newly released Apertus model. In this blog post, we talk about the insights gained since then.

Setting up the experiment

LiipGPT, our generative AI framework, has a pluggable model layer. That means we can swap the underlying language model without changing anything else — same Retrieval-Augmented Generation (RAG) pipeline, same knowledge base of official content from stadt-zuerich.ch. This gave us a straightforward way to compare models in a real deployment.

The production system at zuericitygpt.ch runs GPT-4o-mini on Azure Europe. Alongside it, we run an open-source variant at oss.zuericitygpt.ch where in the past we compared Llama and Mixtral models. We switched the open-source variant to Apertus-70B when it was released in September 2025, then moved to Infomaniak-hosted Apertus in April 2026. (To be clear: ZüriCityGPT itself and the LiipGPT platform are not open source — but the underlying language model on the OSS variant is.)

We run Apertus as the 70-billion-parameter model. It was trained from scratch on the Alps supercomputer using Swiss hydroelectricity, with 15 trillion tokens of training data spanning over 1,800 languages. It is fully open-source under an Apache 2.0 licence.

Over the last eight months, we collected over 39,000 conversations on the production side and 3,400 on the open-source side. Quality is measured using three metrics: how often an answer is acceptable (Match Rate), how often it is actually good (Match Rate +1), and how faithfully it reflects the source documents (Faithfulness). These are metrics our LiipGPT team has established as practical product metrics, not scientific benchmarks — the data is calculated real-time and asynchronously by the LiipGPT platform while users ask different questions over time, evolving website content, and model endpoint changes. Parts of the analysis were prepared with the help of Claude. Our aim is not to provide a scientific study but more a practical report. I share these results with the Apertus community because real-world deployment data of this open-source model is rare — and we think it's useful.

What we observed

Both models get the job done. On the basic question — does the user get an acceptable answer? — both models perform similarly. GPT-4o-mini scores 81%, Apertus 82% on historically matched questions. In a controlled test with 20 identical questions asked at the same moment, both hit 100%. Both models generally work as expected.

The gap shows up in answer quality. When we raise the bar to "is this answer actually good?", GPT-4o-mini scores 72% and Apertus 55%. That is a noticeable difference, and it matters for users who expect precise, well-structured responses.

Faithfulness is more nuanced than we expected. GPT-4o-mini averages 0.79, Apertus 0.50 on our faithfulness metric. But these numbers need context. We noticed something we started calling the "faithfulness paradox": when a model says "I cannot answer this," you might expect high faithfulness — no hallucination, after all. In practice, these evasive answers score low because the model is failing to use information that is available. A model that engages with its sources and cites them scores higher, even though it is making more verifiable claims. Both behaviours have tradeoffs, and both showed up across the two systems.

Sometimes Apertus gave the better answer. The most striking example was the waste dump question: "What are the rules for using the Zurich waste dump?" GPT-4o-mini responded cautiously, saying it could not provide specific rules. Apertus gave a detailed, structured answer with recycling centre details, phone numbers, and cited sources — scoring 6/6 on quality where GPT-4o-mini scored 3/6. When the knowledge base contains a clear, structured answer, Apertus can be surprisingly good at extracting and presenting it.

That said, this willingness to commit cuts both ways. In cases where the source material is ambiguous, Apertus can feel more helpful while being less strictly grounded — and for public-sector chatbots, traceability matters as much as helpfulness.

GPT-4o-mini is more concise and better at synthesis. Apertus tends to produce longer, more verbose answers. In a public-service chatbot, that is a real UX issue — users want a direct answer with clear next steps, not three paragraphs of context.

GPT-4o-mini also handles factual freshness better: it returned Zurich's current population (452,421), while Apertus fell back to a 2013 figure. When information has changed or the answer requires connecting multiple sources, GPT-4o-mini felt more reliable.

Language switching is a weak spot. When we asked "Est-ce que tu parles français?", GPT-4o-mini responded fluently in French. Apertus declined, saying it could not answer questions about its own linguistic capabilities. In more recent tests we saw that Apertus followed the language instructions in better ways, so we are looking forward to see this further improve.

The Apertus-70B IFEval score of 44% (vs 58% for comparable models) confirms that instruction following is an area where the model has room to grow.

The trend is positive. In October 2025, Apertus achieved a Match Rate +1 of 59%. By June 2026, it had climbed to 63% — the best month on record. That is not a dramatic leap, but the direction is consistent and it came without a major model update. Meanwhile, GPT-4o-mini has been stable at 63–83% throughout. The gap is narrowing.

What we are looking forward to

The Apertus team is preparing version 1.5, with improvements expected in multimodal support, agentic capabilities, tool calling, enhanced reasoning, and better training for regional Swiss languages. We plan to update ZüriCityGPT's open-source instance as soon as it becomes available and continue our quality monitoring.

What encourages us most is that the collaboration is flowing in both directions. After our aiLights talk, the Apertus team shared our findings with their staff. This close feedback loop between research and practice is exactly what makes the Swiss AI ecosystem worth investing in.

My practical advice, for anyone considering sovereign AI: start with the use case, then choose the model. If your priority is maximum answer quality today, more popular models are usually the stronger choice. If your priority is data sovereignty, transparency, and independence — and your knowledge base is well-curated — Apertus already delivers. The question is not "sovereign AI or quality" but "how much quality gap are you willing to accept for full sovereignty?" And that gap is closing.

Check the Slides and Recording for further details.

Acknowledgements

I would like to thank the ETH Zurich, EPFL, and the wider Swiss AI Initiative community for making Apertus available as a public good. As Martin Jaggi from EPFL put it: "We aim to provide a blueprint for how a trustworthy, sovereign, and inclusive AI model can be developed." (source) Eight months in, we can see that blueprint taking shape and are looking forward to test the 1.5 model in practice as well.

• Thank you Christian Stocker and the LiipGPT team for your dedication to build a practical, experiment-driven and scalable solution for AI chat and search.

• Thank you Sabine Wildemann and the aiLights team for hosting our talk.

• Thank you Oleg Lavrovsky and the Apertus community for your feedback and support.

• Thank you Public AI and our partner Infomaniak for providing the infrastructure.

Build with Apertus: join Hack Apertus

Want to get hands-on with sovereign Swiss AI? Hack Apertus is a two-stage open-source hackathon series where teams build on Apertus to develop blueprints for sovereign infrastructure across the public and private sector. Liip is a partner — we are excited to see what the community builds.

Sign up at hackapertus.ch.

Das Portal fr.ch vereint eine grosse Menge an Verwaltungsinformationen: Verfahren, Gesetzgebung, Formulare, kantonale Dienstleistungen sowie Informationen der Gemeinden. Auf einer so umfangreichen Website die richtige Antwort zu finden, ist nicht immer einfach.

Du stellst deine Frage ganz normal, so, wie du sie auch einer Person stellen würdest. Obwohl fr.ch in Französisch und Deutsch verfügbar ist, wie es sich für einen zweisprachigen Kanton gehört, können Fragen in jeder beliebigen Sprache gestellt werden. So erhalten auch Bürger*innen, die keine der beiden Amtssprachen sprechen, Zugang zu den benötigten Informationen.

Der KI-Chatbot identifiziert relevante Inhalte auf fr.ch sowie in der Freiburger Gesetzessammlung und erstellt daraus eine Antwort. Dabei verweist er auf die offiziellen Quellen, die für die Antwort herangezogen wurden.

Diese Transparenz ist zentral. Die KI ersetzt keine offiziellen Inhalte, sie erleichtert den Zugang dazu.

KI im Zeichen digitaler Souveränität

Die Datensouveränität stand im Mittelpunkt des Projekts. Für die Staatskanzlei war es entscheidend, die vollständige Kontrolle über die Infrastruktur und die Datenverarbeitung zu behalten.

Der Chatbot basiert auf LiipGPT, unserer Plattform für generative KI. Unsere Retrieval-Augmented-Generation-Technologie (RAG) wählt für jede Anfrage die relevanten offiziellen Inhalte aus. Die Lösung wird bei Exoscale in der Schweiz gehostet.

Als Large Language Model (LLM) setzen wir auf Mistral AI, einen der führenden europäischen Anbieter. Dieses Modell wird in der Schweiz von Infomaniak betrieben, einem Vorreiter für nachhaltiges und umweltbewusstes Webhosting. Die Server des LLM werden ausschliesslich mit erneuerbarer Energie betrieben und setzen auf natürliche Kühlung, Wärmerückgewinnung, optimierte und wiederverwendete Hardware sowie lokale CO₂-Kompensation.

Diese Architektur reduziert die Abhängigkeit von grossen US-amerikanischen Plattformen und setzt auf einen schweizerischen und europäischen Ansatz für generative KI. Anfragen werden anonymisiert, und es werden keine personenbezogenen Daten an Dritte weitergegeben. Die gesamte Lösung bleibt unter schweizerischer Rechtshoheit und erfüllt die geltenden Datenschutzbestimmungen.

Eine Zusammenarbeit mit starken Wurzeln in der Westschweiz

Die Staatskanzlei Freiburg hat das Projekt mit einer klaren Vorstellung der administrativen und politischen Anforderungen geleitet. Unser Team, unter anderem mit Mitarbeitenden in Freiburg, entwickelte die Lösung in enger Zusammenarbeit mit der Staatskanzlei. So konnten wir optimal auf die tatsächlichen Bedürfnisse eingehen.

Diese Nähe ermöglichte kurze Abstimmungswege und einen starken Fokus auf die Nutzer*innen-Erfahrung. Neben der technologischen Umsetzung ging es darum, ein Werkzeug zu schaffen, das für die Freiburger Bevölkerung nützlich, verlässlich und verständlich ist.

Ein erster Schritt hin zu einer zugänglicheren Verwaltung

Seit dem ersten Rollout im März haben wir verschiedene Elemente weiterentwickelt, um die Qualität der Antworten kontinuierlich zu verbessern. Dabei profitiert unsere Kundin insbesondere von unseren automatisierten Evaluationslösungen, mit denen die Qualität der generierten Antworten fortlaufend überprüft werden kann.

Diese erste Version deckt die öffentlichen Informationen auf fr.ch sowie die Freiburger Gesetzessammlung ab. Der Inhalt beschränkt sich jedoch nicht allein auf das kantonale Portal: Er wird schrittweise um Informationen erweitert, die von anderen kantonalen Institutionen und bestimmten Gemeinden veröffentlicht werden. Mit jeder neuen Quelle nimmt auch die Bedeutung einer konsequenten Qualitätssicherung zu. Der Kanton Freiburg unterhält übrigens eine eigene Seite zum Chatbot, auf der unter anderem die verwendeten Datenquellen aufgeführt sind.

Eine Überzeugung begleitet uns dabei: KI im öffentlichen Sektor kann souverän, transparent und nützlich sein. Voraussetzung dafür ist, die Kontrolle über die Infrastruktur zu behalten und die verwendeten Quellen jederzeit offenzulegen.

Möchtest du dich über KI in deiner Institution austauschen?

Die klare Trennung zwischen Services und Verwaltungsorganisation macht den Zweck der Plattform sofort verständlich und zeigt ihren Mehrwert für Einwohner*innen und Unternehmen. Dadurch wird die Intention der Website unmittelbar erkennbar, und alle Inhalte sind logisch und konsistent aufgebaut. Das sehen nicht nur wir so: Auch die BOSW-Jury hat dies gewürdigt und die Website in diesem Jahr mit Bronze in der Kategorie User Experience ausgezeichnet (kleiner humblebrag: Wir haben gleich zwei der drei Podestplätze geholt, Silber ging ebenfalls an uns für den Relaunch der Website des Museum für Gestaltung Zürich).

Informationsarchitektur - konsequent aus Nutzersicht gedacht

Die Informationsarchitektur ist sorgfältig konzipiert und auf die Bedürfnisse der Zielgruppen abgestimmt. Alle Services sind zentral gebündelt, klar kategorisiert und folgen einer einheitlichen Struktur: Was brauche ich? Wie läuft der Prozess ab? Welche Kanäle stehen zur Verfügung?

Diese Standardisierung hilft, relevante Informationen schnell zu erfassen und sicher durch komplexe Abläufe zu navigieren. Gleichzeitig werden alle Serviceinformationen transparent dargestellt, sodass auch Gelegenheitsnutzer*innen sofort verstehen, welche Schritte erforderlich sind.

Funktionalität, Interaktivität und Usability für mehr Effizienz

Die Funktionen der Website sind konsequent auf die Bedürfnisse der Nutzer*innen ausgerichtet. Jede Service-Seite bietet klare, verständliche Anleitungen und intuitive Elemente, die einfach zu bedienen sind. Nutzer*innen werden bei jedem Schritt unterstützt, egal ob bei digitalen Services oder bei analogen Angeboten wie Formularen, Telefonaten oder Schalterbesuchen.

Das reduziert Unsicherheiten, vermeidet unnötige Rückfragen und macht die Nutzung kantonaler Leistungen effizienter.

Eine inklusive Website für alle Nutzer*innen

so.ch erfüllt die Anforderungen an digitale Barrierefreiheit gemäss WAI-Richtlinien und ermöglicht so allen Nutzer*innen einen gleichberechtigten Zugang. Die Inhalte sind verständlich formuliert, die Navigation ist konsistent, die Interaktionen sind intuitiv und die Plattform unterstützt sowohl digitale als auch analoge Zugänge.

So wird sichergestellt, dass die Website unabhängig von technischer Erfahrung, Alter oder Beeinträchtigung effizient und selbstständig genutzt werden kann.

Durch die konsequente Ausrichtung auf die Bedürfnisse der Nutzer*innen bietet so.ch eine intuitive, transparente und inklusive Plattform, die komplexe Verwaltungsprozesse verständlich macht. Klare Ziele, eine durchdachte Informationsarchitektur, zugängliche Funktionen und barrierefreies Design schaffen gemeinsam eine nutzerzentrierte Erfahrung, die die Interaktion mit kantonalen Services vereinfacht und effizient gestaltet.

Möchtest du die Website deiner Verwaltung verbessern? Ich freue mich, von deinen Bedürfnissen und Herausforderungen zu hören.

Ende 2022 habe ich zum ersten Mal ChatGPT in einem Video auf TikTok gesehen und habe es direkt ausprobiert. Ich konnte mir Inhalte schneller erklären lassen als meine Lehrpersonen, Aufgaben besser lösen, als wenn ich es selbst machen würde, und sogar Ideen entwickeln, auf die ich nie gekommen wäre. Das faszinierte mich sehr.

Aber wie mächtig und auch wichtig KI wirklich ist, wurde mir erst anfangs meiner Lehre klar. Heute nutze ich sie täglich. Nicht, damit sie meine Arbeit macht, sondern damit ich mir selbst Neues beibringen kann, gezielter recherchieren kann und bei bestimmten Aufgaben effizienter vorankomme.

Meine Lehre ist vielseitig. Genau das macht sie spannend

Ich mache eine Lehre als Entwickler Digitales Business EFZ. Ich bin momentan im zweiten Lehrjahr. Nach dem ersten Jahr im Bbc Basislehrjahr arbeite ich seit Sommer 2025 bei Liip.

An dieser Lehre finde ich besonders spannend, dass ich viele verschiedene Aufgaben habe. Ich arbeite in verschiedenen Circles, selbstorganisierte Teams nach Holokratie, mit. So lerne ich viele unterschiedliche Perspektiven, Aufgaben und Personen kennen.

Ich bin im Finance Circle gestartet, da ging es stärker um Datenmanagement. Seither hatte ich die Möglichkeit, in verschiedene weitere Teams reinzuschauen und jeweils andere Aufgaben, Perspektiven und Arbeitsweisen kennenzulernen. Heute arbeite ich im Content- und Design Circle mit Fokus auf Prozessoptimierung, Automatisierung und KI. Ich lerne auch noch einige andere Circles, Aufgaben und Rollen im Laufe meiner Lehre kennen.

Diese Vielfalt passt gut zu mir. Ich arbeite gerne strukturiert, kommuniziere aktiv und finde es spannend, Abläufe zu analysieren und zu verbessern. Bei Liip habe ich die privilegierte Chance bereits früh in der Lehre Verantwortung zu übernehmen. Ich arbeite an wirkungsvollen internen und externen Projekten mit, treffe Entscheidungen und bringe eigene Ideen ein. Das unterscheidet Liip für mich stark von vielen anderen Ausbildungsorten.

Der Umgang mit Kund*innen gehört dazu

Ein Teil meiner Lehre, der von aussen vielleicht weniger sichtbar ist, ist der Umgang mit Kundinnen. Ich lerne, professionell zu kommunizieren, die eigene Firma gut zu vertreten und wichtige Faktoren für eine gute Zusammenarbeit kennen. Das bedeutet zum Beispiel, Informationen im Team klar zu vermitteln, Anforderungen abzuholen und in Projekten strukturiert zu kommunizieren. Weil ich als Lernender früh bei echten Projekten mitwirke, entwickle ich ein gutes Gespür dafür, was Kundinnen wirklich wichtig ist.

Wie ich KI konkret nutze

KI wird besonders hilfreich, wenn ich viel Kontext gebe. Dann wird aus einem allgemeinen Tool ein wertvoller Sparringspartner. KI unterstützt mich vor allem, wenn ich ein klares Ziel habe und schnell einen guten ersten Entwurf brauche. Ich nutze sie zum Beispiel für Brainstormings, um neue Begriffe zu verstehen, für Recherchen oder um Texte zu strukturieren.

• Fun Fact am Rande: Auch dieser Blogpost wurde teilweise mit KI strukturiert. Ich habe meine Gedanken gesammelt, den Kontext erklärt und mir dann helfen lassen, eine sinnvolle Struktur zu erstellen. So nutze ich KI im Alltag.

Ein gutes Beispiel ist das Manual für das LiipGPT Backend, das ich geschrieben habe. Am Anfang hatte ich praktisch keine Erfahrung mit dem Schreiben von Manuals. Deshalb habe ich mir zuerst mithilfe von KI die Basics beigebracht. Danach habe ich der KI so viel Kontext wie möglich mitgegeben und Schritt für Schritt mit ihr einen Entwurf entwickelt. Am Ende entstand ein Handbuch, das intern oft genutzt und für Kund*innen individuell ausgebaut wird. Für mich war das ein Moment, in dem ich merkte, wie viel Mehrwert KI bringen kann, weil ich nicht nur schneller und ohne Erfahrung arbeiten konnte, sondern auch ein Ergebnis entstanden ist, das anderen im Alltag wirklich hilft.

Ich nutze diese Tools nicht unüberlegt. Ich teste sie, vergleiche sie und überlege genau, für welchen Anwendungsfall sie wirklich sinnvoll sind.

KI ist mein bester Lernbuddy

KI hat grosses Potenzial beim Lernen. Sie vereinfacht Inhalte, liefert Beispiele und passt sich an mein Niveau an. Das schafft kein Lehrbuch. Der Einstieg ins Thema gelingt so schneller. Als Lernender stelle ich der KI Fragen und Rückfragen, die ich mir im Unterricht nicht zu stellen trauen würde.

Gleichzeitig gilt jedoch: KI darf das eigene Denken nie ersetzen. Wer nicht versteht, wie KI funktioniert und wie sie genutzt werden kann, lernt am Ende wenig.

Für mich gehören Offenheit und kritisches Hinterfragen zum Umgang mit neuen Tools dazu. KI kann Lernende stärken, aber nur, wenn sie bewusst als Werkzeug genutzt wird. Darum ist es wichtig, dass sich Lernende schon in der Ausbildung mit KI beschäftigen. Nicht erst später, wenn alle anderen längst routinierte Nutzer*innen sind.

Wie nutzt du KI?

Vielleicht lohnt es sich, nach diesem Text kurz innezuhalten und über den eigenen Umgang mit KI nachzudenken. Wie nutzt du KI heute wirklich in deinem Alltag? Welchen konkreten Mehrwert bringt sie dir dabei? Ist sie für dich nur ein Werkzeug, das du ab und zu ausprobierst? Oder setzt du sie bewusst ein, um besser, schneller oder strukturierter zu arbeiten?

Bei Liip erlebe ich direkt, wie eine Organisation KI nicht nur nutzt, sondern aktiv mitgestaltet:

• Regelmässige Wissensaustausche und Liip Talks zu KI, von neuen Modellen bis zu ethischen Fragen.
• KI Trainings für alle Mitarbeitenden. Intern bieten wir Workshops und spezielle Module an, damit alle sicher im Umgang mit KI bleiben.
• Entwicklung und Weiterentwicklung eigener KI Tools wie LiipGPT, das bereits bei Kund*innen aus dem Gesundheits-, Rechts- und öffentlichen Bereich im Einsatz ist.
• AI Sustainability Guidelines, ein interner Rahmen, der sicherstellt, dass KI Projekte ethisch und nachhaltig umgesetzt werden.

Das zeigt mir, wie eine Organisation aussehen kann, die KI nicht blind einsetzt, sondern Verantwortung dafür übernimmt.

Wie nutzen Mitarbeitende in deinem Unternehmen KI? Gibt es klare Regeln oder Angebote, um KI sinnvoll einzusetzen? Wo könnte KI dich in deiner Rolle konkret unterstützen, wenn du sie gezielter anwendest?

KI ist kein festes Konzept, das für alle gleich funktioniert. Aber wer sie früh nutzt, merkt schnell: Die Frage ist nicht, ob man noch eine Lehre braucht, sondern wie viel mehr man aus ihr herausholt, wenn man KI hat.

Museum für Gestaltung: ein Meisterwerk in den Bereichen Public Value und User Experience

Die neue Website des Museums für Gestaltung Zürich dient als zentrale Drehscheibe für die digitale Kommunikation des Museums und ermöglicht Besucher*innen, mit dem Museum in Verbindung zu treten. In Co-Creation haben wir eine Lösung entwickelt, die es dem Design ermöglicht, für sich selbst zu sprechen und damit einen grösseren Nutzen für die Gesellschaft zu erzielen. Die BOSW-Jury hat dies anerkannt und die neue Website mit Silber in den Kategorien “User Experience” und “Public Value” ausgezeichnet.

Mehr zum ausgezeichneten Projekt

Wie Clelia Kanai, Head of Marketing & Communication, betont:
«Gestaltung bedeutet für uns Klarheit und Verantwortung, auch im Digitalen. Mit Liip hatten wir eine Partnerin, die diesen Anspruch geteilt und mitgetragen hat, von der ersten Konzeptidee bis zum letzten Accessibility-Check. Dass daraus ein Projekt entstanden ist, das die BOSW-Jury mit Silber in den Kategorien User Experience und Public Value auszeichnet, ist für uns Bestätigung und schöne Anerkennung zugleich.»

so.ch: Transparenz, Accessibility und Benutzerfreundlichkeit stärken das Vertrauen der Öffentlichkeit

Wir haben für den Kanton Solothurn eine neue Website entwickelt: so.ch. Sie schafft echten Public Value, indem sie kantonale Dienstleistungen transparent, barrierefrei und verständlich macht und so das Vertrauen der Öffentlichkeit, der Behörden und der Wirtschaft in öffentliche Dienstleistungen stärkt.

Wie uns bs.ch bereits letztes Jahr gezeigt hat, ist eine nutzerinnenzentrierte Website entscheidend, um den Alltag der Bürger/innen zu verbessern, die immer häufiger ihre Informationen und Dokumente online finden müssen. Die Jury hat die Qualität der User Experience anerkannt und uns in dieser wichtigen Kategorie mit Bronze ausgezeichnet.

Mehr zum ausgezeichneten Projekt

Auch wenn wir nicht ganz so viele Preise gewonnen haben, wie wir uns gewünscht hätten (und natürlich auch verdient hätten :), war es spannend, den Puls der Branche zu spüren. Wir gratulieren «Swissgrid 24/7» herzlich zum Titel «Master of Swiss Web 26». Bis nächstes Jahr!

Im Kontext jüngster politischer Entwicklungen wurde hier und dort in Nachhaltigkeitsfragen (immerhin) ein «Do-Talk-Gap» attestiert. Die Zurich Climate Week setzt hier an: Sich für den Klimanotstand einsetzen und darüber sprechen.

Und genau das braucht es jetzt. Denn nachhaltige Transformation passiert nicht im Stillen. Sie entsteht dort, wo unterschiedliche Perspektiven und Efforts zusammenkommen: Wirtschaft, Politik, Wissenschaft und Zivilgesellschaft. Wo Wissen geteilt wird. Wo Lösungen gemeinsam entwickelt und skaliert werden.

Warum wir uns engagieren

Bei Liip haben wir uns aus mehreren Gründen dafür entschieden, uns am Programm der Zurich Climate Week zu beteiligen:

• Um das Vorhaben zu stützen, indem wir das Programm mittragen.
• Um unser Commitment für Nachhaltigkeit über die Climate Week hinaus zu stärken.
• Und nicht zuletzt: um unsere Erfahrungen zu teilen, von anderen zu lernen und unser Netzwerk mit Gleichgesinnten zu vergrössern.

Unser Beitrag zur Climate Week steht – genauso wie die beiden Themenbereiche, die wir mit unseren Events adressieren – im Zeichen: Verantwortung übernehmen.

Unser Beitrag

Liip ist mit zwei Formaten im Programm vertreten – beide mit einem klaren Fokus auf Austausch, Praxisnähe und konkrete Umsetzbarkeit.

Hacking for Sustainable AI

Weitere Infos & Anmeldung

Künstliche Intelligenz ist längst Teil unseres Alltags. Sie scheint für viele Probleme Lösungen zu bieten – und oft ist sie der erste Anlaufpunkt, wenn wir nicht weiterwissen. Gleichzeitig stellen ökologische und gesellschaftliche Auswirkungen weiterhin ungelöste Herausforderungen dar.

Wann schafft der Einsatz von KI tatsächlich einen Mehrwert? Und wie können wir sie so nutzen, dass sie zu einer nachhaltigeren Zukunft beiträgt?

Gemeinsam mit opendata.ch bringen wir diese Fragen in einem Mini-Hackathon auf den Tisch. Entwickler:innen, Designer:innen, Nachhaltigkeitsexpert:innen, Unternehmen und weitere Interessierte sind eingeladen, gemeinsam neue Ideen, Prototypen und Perspektiven zu entwickeln.

👉 Ziel: Konkrete Ansätze entwickeln, wie KI sinnvoll, verantwortungsvoll und mit echtem Mehrwert eingesetzt werden kann.

Sustainability Reporting for SMEs: Real Cases, Practical Steps

Mehr Infos & Anmeldung

KMU spielen eine zentrale Rolle in der nachhaltigen Transformation. Und doch stehen viele am gleichen Punkt: Wo anfangen? Was ist wirklich relevant? Und wie aufwändig ist das Ganze?

In dieser Session teilen 4 KMU ihre Erfahrungen mit freiwilligem Nachhaltigkeitsreporting. Das Format ist – als Roundtable – interaktiv: Teilnehmende können Fragen stellen, eigene Erfahrungen einbringen und zusammen diskutieren, wie Hürden überwunden werden können.

👉 Ziel: Hemmschwellen abbauen und zeigen, dass der Einstieg machbar ist. Die Community an engagierten KMU vergrössern.

Vom Reden und Handeln – gemeinsam

Die Zurich Climate Week steht für eine Haltung, die wir teilen: Dringlichkeit mit Optimismus verbinden. Nicht nur über Probleme sprechen, sondern konkrete Lösungen vorantreiben. Gemeinsam Verantwortung tragen – und dabei Wirkung entfalten.

Gerade in einem Umfeld, in dem Unsicherheiten zunehmen und Prioritäten sich verschieben, ist es umso wichtiger, dran zu bleiben. Nachhaltigkeit ist kein kurzfristiger Trend – sondern ein langfristiges Commitment. Und gleichzeitig eine Chance: für Innovation, für neue Geschäftsmodelle, für echte Differenzierung – für neue Lebensqualität.

Was wir dafür brauchen, sind mehr Räume für Austausch. Mehr Transparenz. Und mehr Mut, auch Unfertiges zu teilen.

Die Zurich Climate Week schafft genau solche Räume. Wir freuen uns, ein Teil davon zu sein.