Boutique Software Studio · Berlin

Individuelle Software mit technischer Exzellenz.

150+

Abgeschlossene Projekte

Jahre Erfahrung

Senior‑Level Teammitglieder

Wir entwickeln Webanwendungen, B2B-Websites, Agentic AI und Big-Data-Lösungen – von einem Senior-Team aus Berlin.

Gestatten? Happycoding.

happycoding ist eine Software- und Web-Agentur aus Berlin – eine Marke der Radscheit GmbH –, spezialisiert auf TypeScript, Next.js, Sanity und Prozess-Automation für KMU und Corporates in DACH und Skandinavien. Mit über 150 abgeschlossenen Projekten und einem Senior-Team aus acht Spezialist:innen begleiten wir Projekte partnerschaftlich – von der ersten Idee bis weit über den Go-live hinaus.

Wir glauben an die Kraft durchdachter digitaler Lösungen. Jede Zeile Code erfüllt einen Zweck, jede Interaktion ist bewusst gestaltet. Indem wir technologische Trends und Best Practices im Blick behalten, schaffen wir Systeme, die heute überzeugen und morgen Bestand haben. Dabei verbinden wir klare Gestaltung mit stabiler Systemarchitektur – für digitale Produkte, die langfristig tragen und mit Ihrem Unternehmen mitwachsen.

Unser Team vereint unterschiedliche Kompetenzen – von Strateg:innen über Entwickler:innen bis zu Designer:innen. Was uns verbindet, ist die Leidenschaft für saubere Umsetzung und klare Strukturen. So entstehen digitale Produkte, die nicht nur funktionieren, sondern langfristig Wirkung entfalten.

Bringen Sie Ihre Website auf das nächste Level – für mehr Leads, mehr Umsatz und langfristiges Wachstum.

Durch die Verbesserung der User Experience, die Optimierung der Performance und die Umsetzung eines skalierbaren Designs helfen unsere Website-Relaunches dabei, mehr Besucher anzuziehen, Leads zu konvertieren und nachhaltiges Wachstum zu fördern.

Skalierbar von Anfang an

Wir denken Systeme so, dass sie wachsen können – mit Ihrem Unternehmen, Ihren Zielen und Ihren Ideen. Unsere Architekturen sind modular, erweiterbar und technologisch zukunftsfähig. So bleibt Ihre digitale Basis stabil, selbst wenn sich alles andere verändert.

Klein genug für Nähe. Groß genug für Wirkung.

Wir sind ein 8-köpfiges fokussiertes Team und arbeiten bewusst senior-first: kurze Wege, klare Entscheidungen, direkte Kommunikation. So entstehen digitale Lösungen, die nicht nach Schema F gebaut sind – sondern passend zu Ihrem Geschäft, Ihrem Stack und Ihren Zielen.

Über uns→

Case «Tree Energy Solutions»

Für TES («Tree Energy Solutions») entwickelten wir 2022 in Zusammenarbeit mit der Berliner UX- und Branding Agentur Silberpuls eine moderne und animationsstarke Website auf der Basis von Sanity CMS und NextJS.

Neues aus unserem Blog

Neuigkeiten und Trends rund um Webentwicklung, Design und Technologie: Artikel, Tipps + Einblicke.

4. Sept. 20267 Min. Lesezeit

Shop-Suche, die findet: Katalogdaten mit KI anreichern

Deine Shop-Suche findet nur, was im Index steht: Fehlende Attribute, leere Beschreibungen und wilde Kategorien kompensiert keine Suchmaschine. Ich zeige dir, wie du mit einem LLM Facetten-Attribute, Synonyme und Kurzbeschreibungen anreicherst, was das kostet (Rechenweg statt Pauschale) und warum erfundene Werte schlimmer sind als leere.

Matthias Radscheit

4. Sept. 202610 Min. Lesezeit

Semantische Suche: was sie kann, was sie kostet, wie du sie einbaust

Semantische Suche findet Ergebnisse nach Bedeutung statt nach Zeichenkette. Die Embedding-Gebühren sind Cent-Beträge, die echten Kosten stecken in Engineering und Pflege. Für Websites baust du sie hybrid mit Meilisearch ein, für RAG nutzt du pgvector. Und oft brauchst du sie gar nicht: Miss erst deine Null-Treffer-Quote, dann entscheide.

Matthias Radscheit

4. Sept. 20267 Min. Lesezeit

Suchfunktion für deine Website: welche Stufe du brauchst – und was sie kostet

Du brauchst selten Elasticsearch, aber fast immer eine bessere Suche. Wir führen dich durch drei Stufen: Postgres-Volltextsuche (oft reicht sie), Meilisearch (Typo-Toleranz, Facetten, Cloud ab 20 $/Monat) und Elasticsearch/OpenSearch (nur mit Betriebsteam). Dazu bekommst du unsere Erfahrungswerte zum Aufwand und den günstigsten Hebel überhaupt: dein Suchprotokoll mit den Null-Treffer-Anfragen.

Matthias Radscheit

4. Sept. 20267 Min. Lesezeit

Elasticsearch vs. OpenSearch: der Fork, die Lizenzen, die Entscheidung

Elasticsearch und OpenSearch trennt seit dem Fork 2021 vor allem die Lizenz, nicht die Technik: Elastic bietet ELv2, SSPL und seit 2024 AGPL, OpenSearch bleibt Apache 2.0 unter der Linux Foundation. Ich zeige dir die exakte Chronik, ordne beide parteifinanzierten Benchmarks ein und gebe dir drei klare Empfehlungen – inklusive der Option, dass du keinen von beiden brauchst.

Matthias Radscheit

4. Sept. 202610 Min. Lesezeit

Elasticsearch-Alternativen: der ehrliche Vergleich für Websites und Shops

Du brauchst selten Elasticsearch: Für Website- und Shop-Suche sind Meilisearch, Typesense oder sogar die Postgres-Volltextsuche meist die bessere Wahl – günstiger im Betrieb und lizenzrechtlich klar. Elasticsearch bleibt richtig für Log-Analytics, Aggregationen und sehr große Datenmengen. Dieser Vergleich gibt dir die Entscheidungsmatrix mit Preisen und Lizenz-Fakten, alle am 04.09.2026 an Primärquellen geprüft.

Matthias Radscheit

4. Sept. 202610 Min. Lesezeit

Was ist Meilisearch? Schnelle Suche für Websites und Shops – ehrlich eingeordnet

Meilisearch ist eine schlanke Open-Source-Suchmaschine für Websites und Shops: Tippfehler-tolerant, mit Facetten und eingebauter KI-Suche, als ein einziges Programm betreibbar. Der Kern ist MIT-lizenziert und frei – seit 2025 gibt es daneben Enterprise-Module unter einer Vertragslizenz. Hier bekommst du die ehrliche Einordnung: was es kann, was es kostet, wann du es nicht brauchst.

Matthias Radscheit

19. Aug. 202610 Min. Lesezeit

KI im Unternehmen einführen: dein Fahrplan mit Budgetrahmen, Abbruchkriterien und Förder-Check

41 Prozent der Unternehmen nutzen KI, ein Drittel meldet deutlich höhere Kosten als geplant. Der Unterschied ist ein Fahrplan: Ich zeige dir vier Phasen, eine offene Budget-Rechnung (16.000 bis 35.000 Euro für einen echten Piloten), fünf messbare Abbruchkriterien und Förderprogramme, die deine Kosten halbieren können.

Matthias Radscheit

19. Aug. 202610 Min. Lesezeit

LLM selbst hosten: was dich ein Open-Weight-Modell auf Hetzner wirklich kostet — und wann die API billiger bleibt

Ein 70B-Modell selbst zu hosten kostet bei Hetzner aktuell 1.197,30 € netto pro Monat plus 599 € Setup. Dieselbe Modellklasse gibt es aus deutschen Rechenzentren per API ab 0,65 € pro Million Tokens: Der Break-even liegt bei rund 1,84 Milliarden Tokens monatlich. Ich zeige dir den Rechenweg — und wann sich der eigene Server trotzdem lohnt.

Matthias Radscheit

19. Aug. 20267 Min. Lesezeit

LLM Fine-Tuning: wann es sich lohnt — und wann du eigentlich RAG brauchst

Fine-Tuning lohnt sich 2026 in drei Fällen: fester Ton und Format, Extraktion in Serie, kleines Spezialmodell für Latenz und Stückkosten. Nach der OpenAI-Abwicklung heißt das praktisch: LoRA auf Open-Weight-Modellen. Der Trainingslauf kostet oft nur die Mindestgebühr von 4 $ — teuer sind Datenaufbereitung und Evaluation. Für reines Firmenwissen brauchst du stattdessen RAG.

Matthias Radscheit

19. Aug. 202611 Min. Lesezeit

RAG vs. Fine-Tuning: warum dein Firmenwissen kein Modelltraining braucht

Dein Firmenwissen gehört in eine Datenbank, nicht in Modellgewichte: RAG schlägt Wissen zur Laufzeit nach, bleibt aktuell, zitiert Quellen und bleibt DSGVO-löschbar. Fine-Tuning trainiert Verhalten, kein Wissen — und OpenAI wickelt sein Fine-Tuning bis Januar 2027 sogar ab. Wir zeigen dir den pgvector-Stack, die echten Kosten und die drei Grenzen, an denen RAG scheitert.

Matthias Radscheit

19. Aug. 202611 Min. Lesezeit

Workflow-Automatisierung im Mittelstand: n8n auf deiner EU-Infrastruktur — und wann Make trotzdem reicht

Workflow-Automatisierung scheitert selten am Tool, sondern an drei Fragen, die Vergleichsartikel auslassen: Wo laufen deine Daten, wer darf n8n überhaupt betreiben, und was kostet der Betrieb wirklich? Ich zeige dir die Lizenz-Falle beim Agentur-Hosting, eine ehrliche Kostenrechnung mit datierten Preisen und die Grenze, ab der Low-Code nicht mehr reicht.

Matthias Radscheit

18. Aug. 202620 Min. Lesezeit

Eigenes KI-Modell trainieren: warum du es fast nie brauchst — und welche der vier Stufen stattdessen reicht

Du brauchst fast nie ein eigenes KI-Modell: Allein das GPT-4-Training kostete rund 78,4 Mio. USD Compute. Was du wirklich willst, liefert eine von vier Stufen: strukturiertes Prompting, RAG über deine Daten oder LoRA-Fine-Tuning auf Open-Weight-Modellen, jeweils wahlweise auf EU-Infrastruktur betrieben. Dieser Ratgeber führt dich mit vier Leitfragen zur richtigen Stufe, mit belegten Zahlen statt Bauchgefühl.

Matthias Radscheit

Offen für ausgewählte Projekte

Lassen Sie uns über Ihr Projekt sprechen

Buchen Sie einen unverbindlichen Termin, schreiben Sie uns eine E-Mail oder nutzen Sie das Formular – wir freuen uns auf Ihre Nachricht.

150+

Abgeschlossene Projekte

Jahre Erfahrung

Senior‑Level Teammitglieder

Termin vereinbaren hej@happycoding.agency

Individuelle Software mit technischer Exzellenz.

Gestatten? Happycoding.

Bringen Sie Ihre Website auf das nächste Level – für mehr Leads, mehr Umsatz und langfristiges Wachstum.

Skalierbar von Anfang an

Klein genug für Nähe. Groß genug für Wirkung.

Case «Tree Energy Solutions»

Neues aus unserem Blog

Shop-Suche, die findet: Katalogdaten mit KI anreichern

Semantische Suche: was sie kann, was sie kostet, wie du sie einbaust

Suchfunktion für deine Website: welche Stufe du brauchst – und was sie kostet

Elasticsearch vs. OpenSearch: der Fork, die Lizenzen, die Entscheidung

Elasticsearch-Alternativen: der ehrliche Vergleich für Websites und Shops

Was ist Meilisearch? Schnelle Suche für Websites und Shops – ehrlich eingeordnet

KI im Unternehmen einführen: dein Fahrplan mit Budgetrahmen, Abbruchkriterien und Förder-Check

LLM selbst hosten: was dich ein Open-Weight-Modell auf Hetzner wirklich kostet — und wann die API billiger bleibt

LLM Fine-Tuning: wann es sich lohnt — und wann du eigentlich RAG brauchst

RAG vs. Fine-Tuning: warum dein Firmenwissen kein Modelltraining braucht

Workflow-Automatisierung im Mittelstand: n8n auf deiner EU-Infrastruktur — und wann Make trotzdem reicht

Eigenes KI-Modell trainieren: warum du es fast nie brauchst — und welche der vier Stufen stattdessen reicht

Lassen Sie uns über Ihr Projekt sprechen

Inhouse, Freelancer oder Agentur: Welches Modell passt zu welcher Wachstumsphase?

Persona vs. Zielgruppe: Unterschiede und warum beide wichtig sind

Medusa self-hosted auf Hetzner: TCO und Datensouveränität ehrlich gerechnet

Warum Sanity.io & Next.js ideal für Websites mit Millionen von Besuchern sind

Open-Source-PIM im Vergleich 2026: Pimcore, AtroPIM, UnoPIM – und wo überall die KI fehlt