Ein-Personen-KI-Startup: 210.000 Ausschreibungen, 24 Millisekunden

Eine Plattform auf fünf Kontinenten, ein Betreiber

Im September 2026 hat Google Cloud die Infrastruktur von Lucius AI beschrieben, einem Tender-Intelligence-Startup, das Davor Jerković gegründet hat. Das Produkt hilft Unternehmen, öffentliche Ausschreibungen in Märkten auf fünf Kontinenten zu bewerten.

Die Plattform verfolgt über 210.000 öffentliche Ausschreibungen in Großbritannien, der Europäischen Union, Indien und Australien. Jede Nacht sammelt sie Bekanntmachungen aus dreizehn Vergabequellen ein, darunter die von der Weltbank finanzierten Ausschreibungen in Afrika und Asien.

Die operative Last bleibt hoch. Zwei Produktionsregionen laufen auf Cloud Run, Europa und Australien, und die zweite stützt sich auf einen dedizierten Cluster mit kundenverwalteten Verschlüsselungsschlüsseln, für Kunden aus dem Umfeld der Verteidigungsbranche.

Um Analysen, Performance-Tuning, Datenvalidierung und Incident Response kümmert sich eine Person.

Die eigentliche Idee: eine Engine anstelle von drei

Die Entscheidung, die das Ergebnis erklärt, liegt vor jedem Sprachmodell.

Lucius AI hält den relationalen Ausschreibungskatalog, die Dokumenten-Metadaten, die Audit-Logs und die Vektor-Embeddings in einer einzigen verwalteten Datenbank, AlloyDB for PostgreSQL. Das gängige Handbuch eines KI-Startups sieht stattdessen drei getrennte Bausteine vor: eine relationale Datenbank, eine Vektordatenbank und einen Log-Speicher.

Drei Bausteine bedeuten drei Verträge, drei Backup-Konzepte, drei Wege, die Daten abzufragen, und drei Oberflächen, die aktualisiert werden müssen. Bei einer Belegschaft von einer Person wird diese Rechnung zum eigentlichen Produktkosten-Treiber. Die Konsolidierung verlagert die Wartung von der Person auf den verwalteten Dienst.

Hier gilt die erste übertragbare Lehre: Der Vorsprung entsteht aus dem Datendesign, früher als aus der Intelligenz, die darüber liegt.

Von 1,14 Sekunden auf 24 Millisekunden

Die Zahl, die im Gedächtnis bleibt, betrifft die semantische Suche. Mit der Verlagerung des Vektorindex auf ScaNN sank die Latenz einer repräsentativen Produktionsabfrage von 1,14 Sekunden auf 24 Millisekunden, ein Faktor 47, laut dem technischen Bericht, den Google Cloud am 18. September 2026 veröffentlicht hat^[1].

Der Sprung verändert die Natur des Produkts. Oberhalb einer Sekunde nimmt die Nutzerin eine Wartezeit wahr und gibt die erkundende Suche auf; unterhalb von 50 Millisekunden wird dieselbe Suche zu einer Bewegung, die zehnmal hintereinander wiederholbar ist.

Für wen eine Ausschreibung bewertet, sind das Stunden Arbeit. Die Auswahl wandelt sich von einer vorsichtigen Abfrage zu einem schnellen Vergleich zwischen Dutzenden Gelegenheiten.

Das unabhängige Fachmedium ITBrief Asia hat die Migration und die verkürzten Suchzeiten in einem Bericht außerhalb des Anbieterkanals^[2] aufgegriffen, hilfreich für alle, die auf eine zweite Prüfung bestehen.

Der Agent, der die Datenbank verwaltet

Die zweite Front betrifft die tägliche Administration.

Lucius AI verbindet einen KI-Agenten über das Model Context Protocol mit AlloyDB, den Standard, der einem Modell Werkzeuge und Daten auf kontrollierte Weise zugänglich macht. Der Agent analysiert die Abfragen, prüft die Aktualität der Daten und rekonstruiert Störfälle, innerhalb enger Berechtigungen nach dem Prinzip der minimalen Rechte.

Das Detail der Berechtigungen verdient Aufmerksamkeit. Ein Agent mit vollem Zugriff auf eine Produktionsdatenbank wird zur Risikoquelle; ein Agent mit engem Perimeter bleibt ein nützlicher Mitarbeiter. Der Unterschied entscheidet sich über die Konfiguration, früher als über die Leistung des Modells.

Das praktische Ergebnis: Die Aufgaben, die in einem normalen Unternehmen einen Datenbankadministrator beschäftigen, landen bei einem Agenten, den eine Person beaufsichtigt. Das ist der Teil des Falls, den eine Technologiechefin binnen einer Woche übernehmen kann.

Der Reibungspunkt: eine Zahl, eine Abfrage

Die Geschichte enthält eine erklärte Grenze, und die Grenze macht sie brauchbar.

Der Faktor 47 misst eine repräsentative Produktionsabfrage, von der Quelle ausdrücklich so beschrieben. Die Angabe betrifft eine Stichprobe, und eine vollständige Last mischt nächtliche Schreibvorgänge, analytische Aggregationen und gleichzeitige Suchanfragen mit unterschiedlichen Latenzprofilen.

Wer eine Schlagzeile mit einem Multiplikator liest, findet dahinter oft einen Systemdurchschnitt. Hier bleibt die Messung punktuell, und die Ehrlichkeit über den Perimeter wiegt mehr als die Zahl selbst: ein Vorher-Nachher auf einer Metrik mit klarem Nenner schlägt jede «signifikante Verbesserung».

Zweite freiwillige Bremse: Die minimalen Berechtigungen des Agenten verringern seine Autonomie. Es ist eine Perimeter-Korrektur, von Anfang an entschieden, und sie zeigt operative Reife.

Auch die zweite Region kostet. Ein getrennter australischer Cluster mit kundenverwalteten Schlüsseln verdoppelt Monitoring und Updates; die Compliance, die Kunden aus dem Verteidigungsumfeld fordern, ist diesen Preis wert.

Wohin sich die Messlatte verschoben hat

Offen bleibt die Frage, die viele zu dieser Geschichte führt: Wie viel Umsatz macht ein Ein-Personen-Unternehmen, das künstliche Intelligenz verkauft?

Das öffentliche Material antwortet mit operativen Maßen: 210.000 Ausschreibungen im Katalog, dreizehn Quellen, zwei Regionen, 24 Millisekunden pro Abfrage. Die Umsatzzahlen bleiben vertraulich, und sie als Schätzung zu nennen hieße, sie zu erfinden.

Die Messlatte, die sich bewegt hat, betrifft die bedienbare Größe pro Mitarbeiter. Eine Person deckt öffentliche Märkte auf fünf Kontinenten ab, mit einem Produkt, das Compliance-Matrizen, Angebotsempfehlungen und Antwortentwürfe mit Zitat der Originalseite erzeugt.

Für einen Aufsichtsrat verändert sich hier der Benchmark. Die Grenzkosten eines neuen geografischen Marktes tendieren zu den Kosten einer neuen Datenquelle, die eingelesen werden muss, und diese Zahl ist klein.

Das Playbook für knappe Ressourcen

Die Schritte dieser Geschichte lassen sich in vier Punkten zusammenfassen, mit bescheidenem Budget wiederholbar.

• Eine verwaltete Engine für alle Daten: relational, vektoriell, Audit-Logs.
• Ein spezialisierter Index für die semantische Suche, vorher und nachher gemessen.
• Ein an die Datenbank angebundener Agent mit Berechtigungen nach dem Prinzip der minimalen Rechte.
• Eine dedizierte Region dort, wo die Compliance der Kundschaft sie verlangt.

Jeder Schritt antwortet auf die echte Beschränkung des Einzelgründers: die Zeit. Der Administrationsaufwand wächst mit der Zahl der Systeme, und die Konsolidierung drückt ihn an der Wurzel zusammen.

Eine Produktverantwortliche zieht daraus eine weitere Lehre. Die Suchlatenz ist eine Produktfunktion, so wie die Geschwindigkeit einer Suchmaschine das Verhalten derer verändert, die sie benutzen. Sie als technisches Detail zu behandeln kostet Conversions.

Für eine Führungskraft lässt sich der Agent am leichtesten mitnehmen: einem Modell Lesezugriff auf die Logs und die Abfragestatistiken zu geben erzeugt Diagnosen in Minuten. Der engere Perimeter macht das Experiment selbst auf einem laufenden System sicher.

Was du aus dieser Geschichte mitnimmst

Der Wettbewerbsvorsprung von Lucius AI lebt im Datendesign, früher als in dem Modell, das die Angebotsentwürfe schreibt. Die Entscheidung, Katalog, Logs und Vektoren in einer einzigen verwalteten Engine zu halten, hat alles Weitere möglich gemacht, den Agenten eingeschlossen.

Das zweite Element betrifft die Messmethode. Ein Vorher-Nachher auf einer definierten Abfrage, veröffentlicht mit Firmenname und Datum, bleibt für alle überprüfbar, die es lesen.

Die offene Frage gilt für jede Organisation, mit zehn Personen oder mit zehntausend: Wie viele getrennte Datenbanken hältst du aus historischen Gründen am Leben, und wie viel Zeit deines Teams fließt in Wartung? Die Rechnung, einmal mit echten Zahlen aufgestellt, lenkt die nächste Architekturentscheidung besser als jede Demo.