Selbstständig
Gründer & Principal Consultant Data & AI
Als Gründer berate ich Geschäftsführung und Fachbereiche zu Daten-, Automatisierungs- und KI-Vorhaben und trage die Gesamtverantwortung für deren Umsetzung: von der Analyse der Prozesse und Nutzenpotenziale über Zielarchitektur und Technologieauswahl bis zu Implementierung, Betrieb und Weiterentwicklung. Beratung, Architektur und Lieferung liegen in einer Hand – ohne Übergabeverluste zwischen Konzept und Produktion.
- Gesamtverantwortung für Analyse, Architektur, Umsetzung, Betrieb und Kundensteuerung
- Beratung von Geschäftsführung und Fachbereichen zu Priorisierung und Umsetzbarkeit von Daten- und KI-Vorhaben
- Architektur produktiver RAG-, Dokumenten-, E-Mail- und Assistenzsysteme
- Souveräne lokale und hybride KI-Architekturen mit austauschbaren Open-Source-Komponenten
01Architektur und Aufbau einer KI-gestützten E-Mail-Vorgangsverarbeitung
Rolle & Verantwortung
Gesamtverantwortung von der Prozessanalyse über Architektur und Implementierung bis zu Bereitstellung und Betrieb. Fachlicher und technischer Ansprechpartner des Kunden über den gesamten Lebenszyklus.
Ausgangslage
Ein wiederkehrender Geschäftsprozess beruhte auf frei formulierten E-Mails, aus denen Anliegen, Beteiligte, Referenzen, Fristen und Zuständigkeiten manuell herausgelesen und weitergegeben werden mussten. Gefordert war eine Automatisierung, die unstrukturierte Nachrichten verlässlich in strukturierte Vorgänge überführt, ohne die fachliche Kontrolle aus der Hand zu geben – und die sich an unterschiedliche Datenschutz- und Betriebsanforderungen anpassen lässt.
Architektur & Umsetzung
Modulare Architektur aus FastAPI-Backend, PostgreSQL-Persistenz und n8n-Workflow-Integration, in der ein Sprachmodell Anliegen, Personen, Referenzen, Fristen, Prioritäten und mögliche Zuständigkeiten als schemagebundene, strukturierte Ausgabe liefert. Eine Prüfoberfläche macht jedes Extraktionsergebnis nachvollziehbar und hält die fachliche Kontrolle beim Menschen; aus den bestätigten Ergebnissen entstehen automatisch Aufgaben, Folgeprozesse und Benachrichtigungen. LiteLLM dient als Modell-Gateway: Kommerzielle Modell-APIs, europäische Dienste oder lokal über Ollama betriebene Modelle sind austauschbar, sodass Datenschutz, Kosten und Qualität je Einsatzumgebung bewusst abgewogen werden können. Die Bereitstellung erfolgt containerisiert mit Docker.
Wirkung
Manuelles Sichten und Weiterleiten wird durch einen strukturierten, nachvollziehbaren Vorgangsprozess ersetzt. Die anbieterneutrale Architektur erlaubt den Einsatz auch unter strengen Datenschutzanforderungen, ohne die Anwendung neu bauen zu müssen.
02Ende-zu-Ende-Automatisierung der Dokumentenverarbeitung über mehrere Systeme
Rolle & Verantwortung
Gesamtverantwortung für Prozessdesign, Integrationsarchitektur, Umsetzung und Betrieb des systemübergreifenden Workflows.
Ausgangslage
Eingehende PDFs und weitere Dokumente durchliefen mehrere Systeme – Dateiablage, Aufgabenverwaltung, Dokumentation und Team-Kommunikation –, zwischen denen Informationen von Hand übertragen wurden. Ziel war ein durchgängiger, nachvollziehbarer Prozess ohne Medienbrüche auf Basis selbst betreibbarer Open-Source-Systeme.
Architektur & Umsetzung
Workflow-Orchestrierung mit n8n: Neue Dokumente in Nextcloud Files werden automatisch erkannt, KI-gestützt analysiert und die extrahierten Informationen strukturiert gespeichert. Über REST-Schnittstellen entstehen daraus Kanban-Aufgaben in Nextcloud Deck, Wissensseiten in Docmost und Benachrichtigungen in Nextcloud Talk. Python-Komponenten kapseln Analyse- und Transformationslogik, die Gesamtlösung läuft containerisiert mit Docker. Jeder Bearbeitungsschritt wird dokumentiert, sodass Status und Herkunft eines Vorgangs jederzeit nachvollziehbar bleiben.
Wirkung
Medienbrüche zwischen Ablage, Aufgabenverwaltung, Dokumentation und Kommunikation werden reduziert, Bearbeitungsschritte sind durchgängig nachvollziehbar. Die Kernsysteme bleiben vollständig unter eigener Kontrolle.
03Architektur eines internen Wissensassistenten mit Quellennachweis
Rolle & Verantwortung
Gesamtverantwortung für Lösungsarchitektur, Berechtigungs- und Betriebskonzept, Implementierung und Bereitstellung der RAG-Anwendung.
Ausgangslage
Mitarbeitende benötigten schnellen, verlässlichen Zugriff auf Wissen aus internen Verträgen, Richtlinien und Arbeitsunterlagen. Die Anforderungen gingen über einen generischen Chatbot hinaus: Antworten müssen auf konkrete Fundstellen zurückführbar sein, Zugriffsrechte respektieren und bei Bedarf vollständig auf kontrollierter Infrastruktur entstehen.
Architektur & Umsetzung
Retrieval-Augmented-Generation-Architektur mit Dokumentenimport, semantischer Suche über PostgreSQL/pgvector und Orchestrierung mit LangChain und LangGraph; jede Antwort wird mit den verwendeten Dokumenten und Fundstellen ausgegeben. Berechtigungen sind integraler Bestandteil der Architektur und steuern, welche Inhalte in Antworten einfließen. Ein Modellrouting über LiteLLM entkoppelt die Anwendung vom Modellanbieter: Modelle können lokal über Ollama oder vLLM (Hugging Face) betrieben oder flexibel aus internen und externen Quellen angebunden werden. Die Anwendung wird über ein FastAPI-Backend bereitgestellt.
Wirkung
Fragen zu internen Unterlagen werden mit belegbaren Antworten und direkten Fundstellen beantwortet – das schafft Vertrauen und Prüfbarkeit. Lokale Betriebsoptionen ermöglichen den Einsatz auch für vertrauliche Dokumente.
04Agentenbasiertes Analyse- und Reporting-System für das Management
Rolle & Verantwortung
Gesamtverantwortung für Konzeption, Architektur und Umsetzung – von den Datenpipelines über analytische Modelle und Agentensteuerung bis zu den Dashboards.
Ausgangslage
Für Management-Berichte müssen Daten aus mehreren Quellen zusammengeführt, Entwicklungen analysiert und auffällige Kennzahlen eingeordnet werden. Generative KI sollte diesen Prozess unterstützen, ohne die Verlässlichkeit der Zahlen zu gefährden – in Managementberichten ist ein vom Modell erfundener Wert nicht tolerierbar.
Architektur & Umsetzung
Architektur aus Datenpipelines (Python, SQL), analytischen Modellen, Dashboards (Power BI, Apache Superset, Grafana) und einem mit LangGraph orchestrierten Agentensystem. Zentrale Designentscheidung ist die strikte Trennung zwischen berechneten Kennzahlen und generierten Erläuterungen: Zahlen entstehen deterministisch in der Datenschicht, das Sprachmodell ordnet sie ein. Werkzeugaufrufe des Agenten sind kontrolliert, Zwischenergebnisse werden nachvollziehbar festgehalten. Ergebnis sind strukturierte Berichtsentwürfe mit Vorschlägen für nächste Analyseschritte.
Wirkung
Management-Berichte werden strukturiert vorbereitet und auffällige Entwicklungen schneller eingeordnet. Die Trennung von Kennzahl und Erläuterung macht jede Aussage prüfbar.
05Voice-RAG-Prototyp: Sprachassistent auf Basis freigegebenen Unternehmenswissens
Rolle & Verantwortung
Gesamtverantwortung für Lösungsarchitektur und prototypische Umsetzung, einschließlich Sprachverarbeitung, Wissensanbindung und Betriebskonzept für sensible Inhalte.
Ausgangslage
Wiederkehrende interne oder externe Anfragen sollten per Sprache beantwortet werden – auf Basis freigegebener Unternehmensunterlagen statt allgemeinen Modellwissens. Die Herausforderung lag in der Verkettung von Spracherkennung, Wissenssuche und Sprachausgabe zu einem flüssigen Dialog und im kontrollierten Umgang mit sensiblen Dokumenten.
Architektur & Umsetzung
Verarbeitungskette aus Speech-to-Text, Retrieval gegen freigegebene Unternehmensunterlagen und Text-to-Speech, angebunden über ein FastAPI-Backend mit WebSocket-Kommunikation. Quellenanzeige und Gesprächsprotokollierung sichern Nachvollziehbarkeit und Auswertbarkeit. Über Ollama und LiteLLM lassen sich Modelle lokal betreiben, sodass sensible Dokumente und Modellkomponenten vollständig auf kontrollierter Infrastruktur laufen können; die Bereitstellung erfolgt containerisiert mit Docker.
Wirkung
Der Prototyp demonstriert sprachbasierte Wissensabfragen mit Quellenbezug und schafft eine fundierte Entscheidungsgrundlage für einen produktiven Einsatz – auch unter strengen Vertraulichkeitsanforderungen.
