# Parlance — Vollständige Inhaltsbeschreibung (llms-full.txt)

> Diese Datei enthält den vollständigen strukturierten Inhalt der Parlance-Info-Website
> für LLM-Verarbeitung. Aktualisiert: 2026-03-17.

---

## Seite 1: Technology Deep Dive (index.html)

### Hero
Parlance übersetzt natürliche Sprache in präzise SQL-Abfragen — Schritt für Schritt, nachvollziehbar und datensouverän.

Tagline: "Fragen stellen. Antworten berechnen."

Demo-Link: https://parlance-demo.vercel.app/

### Problem: Warum klassische Ansätze scheitern

**1. Strukturverlust durch Chunking**
Klassische RAG-Systeme linearisieren Tabellen in Fließtext. JOINs, Aggregationen und Fremdschlüssel gehen verloren. Das System sieht nie die komplette Datenbasis. Konsequenz: SUM über 500 Zeilen liefert falsches Ergebnis, weil nur Chunk 3 von 10 geladen wird.

**2. Zahlen werden generiert, nicht berechnet**
LLMs sind probabilistische Textgeneratoren. Finanzkennzahlen, Summen und Ratios erfordern exakte symbolische Berechnung — keine approximative Textgenerierung. Konsequenz: "Umsatz ca. 2,3 Mio. EUR" statt exakt berechneter 2.317.842 EUR.

**3. Datensouveränität nicht gewährleistet**
Cloud-basierte Text-to-SQL-Dienste senden Datenbankmetadaten an externe Server. Für regulierte Branchen ist das kein Graubereich — es ist verboten. Konsequenz: Banken, Versicherungen und Behörden sind strukturell ausgeschlossen.

### Lösung: 4-Stufen-Architektur

**Stufe 01 — Context-Sensitive Query Decomposition**
Die natürlichsprachliche Frage wird intelligent in Teilfragen zerlegt. Der Agent erkennt, welche Teile Text-Retrieval und welche SQL-Execution erfordern. Komplexe, verschachtelte Fragen werden in eine Sequenz von Teilschritten aufgelöst, bei der jeder Schritt auf dem Ergebnis des vorherigen aufbaut (Multi-Hop Reasoning).
Technisch: Query Rewriting, Intent Classification, Sub-Query Planning.

**Stufe 02 — Text Retrieval**
Semantische Suche über unstrukturierte Dokumente (PDFs, Reports, Verträge, Geschäftsberichte) mittels Vektordatenbank (Vector Recall) + Reranking. Liefert qualitative Informationen, die nicht in strukturierten Tabellen enthalten sind.
Technisch: Embedding-Modell, Cosine Similarity, Cross-Encoder Reranking.

**Stufe 03 — SQL Programming & Execution**
Automatische SQL-Generierung und -Ausführung gegen relationale Datenbank. Tabellen werden nicht linearisiert, sondern in ihrer nativen Struktur belassen. SQL ermöglicht exakte symbolische Operationen: JOINs, Aggregationen, Filterungen, Sortierungen.
Constraint: Ausschließlich READ-ONLY-Statements (SELECT). DML/DDL blockiert.
Technisch: Few-Shot Prompting, Semantic Layer Mapping, Retry-Logik (max. 3 Versuche).

**Stufe 04 — Compositional Answer Synthesis**
SQL-Ergebnisse werden mit RAG-Ergebnissen kreuzvalidiert. Der Agent synthetisiert eine nachvollziehbare, quellenbasierte Antwort. Jeder Datenpunkt ist rückverfolgbar auf Tabelle + SQL-Query oder Dokumentenstelle.
Technisch: Result Merging, Citation Injection, Antwortgenerierung in der Anfragesprache.

### Datenbankstruktur: Demo-Beispiel GlobalMach AG

Fiktive Industriegruppe für die Demo:
- 4 Legal Entities (GlobalMach DE GmbH, US Inc., FR SAS, SG Pte Ltd)
- 6 Märkte (Deutschland, USA, Frankreich, Singapur, UK, Japan)
- 25 Produkte (Industrial Drives, Precision Components, Smart Sensors)
- ~11.000 Datensätze über 3 Geschäftsjahre (2022–2024)

Stammdaten-Tabellen: companies (4 Zeilen), countries (6 Zeilen), product_categories (3 Zeilen), products (25 Zeilen), customers (80 Zeilen)
Transaktions-Tabellen: sales_orders (~3.000 Zeilen), sales_order_items (~8.000 Zeilen, Kerntabelle), sales_budget (Plan-Daten)
Analyse & Governance: gross_margin_summary (pre-aggregiert), audit_log (alle Queries), prompt_library (gespeicherte Q&A-Paare)

### Semantic Layer

Zweck: Abstraktionsschicht zwischen natürlicher Sprache und SQL-Schema.
- Metriken-Mapping: "Umsatz" → SUM(net_amount_eur), "Marge" → (net_amount_eur - cost_eur) / net_amount_eur * 100
- Business-Glossary: Sprechende Bezeichnungen für technische Spaltennamen
- Join-Definitionen: Vordefinierte Tabellenbeziehungen für häufige Abfragen
- Filter-Vorlagen: Standardfilter für Geschäftsjahre, Regionen, Produkte

Beispiel-Mapping (Auszug):
- revenue → SUM(soi.net_amount_eur) JOIN sales_order_items soi ON so.id = soi.order_id
- gross_margin → (net_amount_eur - cost_eur) / net_amount_eur * 100
- yoy_growth → (current_year - prior_year) / prior_year * 100

### Vektordatenbank & Feedback-Loop

Zwei Verwendungszwecke der Vektordatenbank:
1. RAG-Index: Unstrukturierte Dokumente (PDFs, Reports) als Embeddings gespeichert → Text Retrieval in Stufe 02
2. Prompt Library: Erfolgreich ausgeführte Q&A-Paare (Frage + SQL + Ergebnis) → Few-Shot-Kontext für ähnliche Folgefragen

Feedback-Loop-Mechanismus:
- SQL-Statement wird ausgeführt → Ergebnis ist korrekt → Q&A-Paar wird in Vektordatenbank gespeichert
- Bei neuer ähnlicher Frage: Top-K ähnlichste Q&A-Paare werden als Kontext ins Prompt injiziert
- Effekt: Precision steigt mit jeder Nutzung; seltene Abfragemuster werden gelernt

### Governed SQL — Sicherheits- und Governance-Prinzip

Prinzip: Parlance kontrolliert den gesamten Prozess von der natürlichsprachlichen Frage bis zum gerenderten Ergebnis.

Konkrete Maßnahmen:
- Read-Only-Enforcement: Ausschließlich SELECT-Statements erlaubt; DML (INSERT/UPDATE/DELETE) und DDL (CREATE/ALTER/DROP) systemseitig blockiert
- Retry-Logik: Bei syntaktisch fehlerhaftem SQL bis zu 3 erneute Versuche; erfolgreiche Statements werden gespeichert
- Vollständiges Audit-Log: Jede Frage, jedes SQL-Statement, jedes Ergebnis, Timestamp, User-ID protokolliert und durchsuchbar
- Sprachflexibilität: Anfragen auf Deutsch oder Englisch; System antwortet in der Anfragesprache
- Keine Daten nach außen: LLM-Server läuft lokal (On-Premises oder Private Cloud); keine API-Calls zu externen LLM-Diensten

---

## Seite 2: Use Cases (use-cases.html)

### Überblick
5 Branchen · 5 Unternehmensgrößen · 1 Plattform
Antwortzeit: <3 Sekunden · Keine Daten nach außen · SQL-basiert (berechnet, nicht geraten)

### Use Case 01 — Maschinenbau (Mittelstand · 300 MA)
Nutzer: Vertriebsleitung
Szenario: Mittelständischer Maschinenbauer mit 25 Produktlinien, 80 Industriekunden, 6 Märkten. Umsatzrückgänge erkennbar.
Frage: „Welche meiner Top-20-Kunden haben in Q3 2024 mehr als 20 % unter ihrem Vorjahreswert bestellt — und in welchen Produktlinien?"
Ergebnis: 7 betroffene Kunden in 2,4 Sekunden — statt 3 Tage Wartezeit auf Report.
Kernwert: Vertriebssteuerung ohne BI-Tool und ohne Data-Analyst.

### Use Case 02 — Regionalbank (Reguliert · 800 MA)
Nutzer: Risikocontrolling
Szenario: Regionalbank mit strengen regulatorischen Anforderungen (BaFin, DSGVO). Kreditportfolio-Monitoring.
Frage: „Zeige mir alle Gewerbekredite über 500 TEUR mit einer Laufzeit über 5 Jahre, bei denen die Besicherungsquote unter 80 % liegt — aufgeschlüsselt nach Branche und Risikoklasse."
Ergebnis: Vollständige Tabelle mit Audit-Trail; kein Datum verlässt das Rechenzentrum.
Kernwert: Compliance-konforme KI-Nutzung; Datensouveränität als harte Voraussetzung.

### Use Case 03 — E-Commerce (KMU · 45 MA)
Nutzer: Geschäftsführung
Szenario: Online-Händler ohne Data-Team; Daten in einfachem ERP-Export.
Frage: „Welche Produkte haben in den letzten 30 Tagen eine Rücksendequote über 15 % — und was ist der Grund laut Rücksendeformular?"
Ergebnis: Hybrid-Antwort: SQL für Rücksendequoten + RAG für Textauswertung der Formulare.
Kernwert: KMU ohne IT-Ressourcen können ihre Daten selbst nutzen.

### Use Case 04 — Pharma (Enterprise · 8.000 MA)
Nutzer: Supply Chain Manager
Szenario: Pharmakonzern mit komplexen Lieferketten und strengen GMP-Anforderungen.
Frage: „Welche Wirkstoffe von Lieferanten in China oder Indien haben in den letzten 12 Monaten Lieferverzögerungen von mehr als 14 Tagen — und welche Chargen sind betroffen?"
Ergebnis: Multi-Join-Query über Lieferanten-, Chargen- und Verzögerungsdaten; Audit-Log für regulatorische Nachweise.
Kernwert: Komplexe Multi-Hop-Queries über verschachtelte Unternehmensdatenbanken.

### Use Case 05 — Private Equity (Investment · 120 MA)
Nutzer: Deal Team / Portfolio Management
Szenario: PE-Fonds mit 12 Portfolio-Unternehmen; Due-Diligence-Auswertungen und laufendes Portfolio-Monitoring.
Frage: „Vergleiche EBITDA-Marge und Working-Capital-Entwicklung aller Portfolio-Unternehmen in Q3 2024 vs. Q3 2023 — sortiert nach Abweichung vom Budget."
Ergebnis: Konsolidierte Auswertung über alle Portfolio-Unternehmen; Quellenangaben je Datenpunkt.
Kernwert: Ad-hoc-Analyse über multiple Datenquellen ohne dediziertes Analytics-Team.

---

## Technische Kennzahlen

- Accuracy-Verbesserung: +10 % gegenüber NaiveRAG, ReAct und anderen Baselines (HeteQA, HybridQA, WikiTableQuestions)
- Antwortzeit: <3 Sekunden für typische Abfragen
- Max. Retry-Versuche bei fehlerhaftem SQL: 3
- Unterstützte LLM-Backends: Claude (Anthropic), GPT-4 (OpenAI), DeepSeek, Qwen, lokale Modelle via Ollama/LM-Studio
- Deployment: On-Premises oder Private Cloud; kein SaaS-Modell mit Daten-Sharing
- Sprachen: Deutsch, Englisch (weitere auf Anfrage)

---

## Über Parlance

Parlance wird gegründet von zwei ehemaligen Unternehmensberatern mit Deep Tech und Finanzdomänen-Expertise.
Das Unternehmen kombiniert Technologie (Plattform), Fachberatung (Data Advisory) und proprietäres Know-how (Prompt Library).

Forschungsbasis: Hybrid RAG + Program-Aided Reasoning (vgl. TableRAG, EMNLP 2025)

© 2026 Parlance