AI Agents Experten in Deutschland

Ingenieur für KI- und RPA-Automatisierung

• Entwicklung eines vollständig automatisierten RPA-Workflows zur Verarbeitung von Angebots- und Dokumentendaten
• Automatisierter Download, Verarbeitung und Strukturierung von Unternehmensdokumenten und Anhängen
• Implementierung intelligenter Entschlüsselungs- und Fehlerbehandlungslogiken
• Entwicklung zentraler Dashboard- und Monitoring-Komponenten für operative Automatisierungsprozesse
• Optimierung von Performance, Prozesssteuerung und Logging

Technologien: Python, RPA, Automatisierungstechnik, Workflow-Automatisierung, intelligente Dokumentenverarbeitung

Technische und kaufmännische Risikobewertung für ein Investitionsvorhaben im Hardware-Sektor (Skalierungspotenzial, Haftungsrisiken, operative Prozesse) Prozessberatung für zwei KMUs im Engineering-Umfeld, Fokus Workflow-Digitalisierung, PLM

• Neugestaltung der BI-Infrastruktur des Unternehmens: Ablösung einer fragmentierten Landschaft aus manuell gepflegten Excel-Lösungen und CSV-Importen durch eine zentralisierte Power-BI-Umgebung mit einem einheitlichen Datenmodell als unternehmensweiter Single Source of Truth
• Konsolidierung zuvor isolierter Reporting-Logiken in einem zentralen semantischen Modell – Eliminierung redundanter Dateien, manueller Datenübergaben und widersprüchlicher Kennzahlen zwischen den Fachbereichen
• Forecasting & Planung: Konzeption und Umsetzung einer unternehmensweiten Liquiditätsplanung in Power BI – von der fachlichen Logik bis zum vollautomatisierten, datenquellengetriebenen Planungsmodell als Ersatz für den bisherigen manuellen Excel-Prozess; ermöglicht rollierende Forecasts und laufend aktuelle Cashflow-Transparenz für die Geschäftsführung
• Optimierung bestehender Power-BI-Dashboards hinsichtlich Performance, Struktur und analytischem Mehrwert mittels AI-nativem Ansatz
• Analyse und Verbesserung des Datenmodells inkl. Datenqualitätsanalysen, Datenbereinigung und konsistenter Modellierung über Star Schema, DAX und Power Query
• Incident- & Anomalieanalyse: Identifikation, Untersuchung und Erklärung von Datenanomalien inkl. Root-Cause-Analyse und konkreten Handlungsempfehlungen
• KI-Lösungsarchitektur: Anbindung von Business Central und Power BI an LangDock via MCP (Model Context Protocol) für KI-gestützte Datennutzung
• Aufbau eines historischen Datenlayers als Basis für Trend- und Zeitreihenanalysen
• KI-gestützte Automatisierung: Konzeption und Entwicklung von KI-Skills, -Agenten, -Loops und -Prozessen zur automatisierten Analyse und Interpretation von Reports
• Automatisierter Reporting-Workflow: Einrichtung eines geplanten, automatisierten E-Mail-Versands KI-generierter Analysen und Empfehlungen an Stakeholder
• Erhebung und Dokumentation fachlicher Anforderungen sowie Abstimmung mit Fachbereichen und IT im Rahmen von Requirements Engineering / Product-Owner-Tätigkeiten
• Herunterbrechen der Gesamtanforderungen in klar definierte Arbeitspakete und Tasks
• Definition, Priorisierung und Steuerung von Meilensteinen über den gesamten Projektlebenszyklus

Tools: POWER BI, M365, Copilot Studio, MIRO, Microsoft Business Central, Microsoft Fabric, Claude AI, ChatGPT, LangDock, MS VS Code

Remote-Freelance-Rolle mit Schwerpunkt auf Agentic-AI-Strategie, sicheren Anwendungsmustern und wiederverwendbaren agentischen Workflows für eine Behörde.

• Entwicklung und Umsetzung einer Open-Source-Strategie für Agentic AI für eine Behörde mit Schwerpunkt auf GDPR, Sicherheit und selbst gehosteten Lösungen
• Entwicklung wiederverwendbarer agentischer Workflows und Geschäftsanwendungen, mit denen nicht-technische Mitarbeitende Geschäftsprobleme selbstständig lösen können
• Umsetzung von neun Geschäftsanwendungen mit Single Sign-On (SSO) und Azure-PostgreSQL-Integration auf Hetzner-Linux-Servern

Techstack: Python, Streamlit, Anthropic SDK (Claude), Azure, Linux, PostgreSQL, MS SQL, Angular

• Fachliches Anforderungsmanagement für DIVID, die Plattform des Umweltbundesamts zur Abwicklung des Einwegkunststofffonds. Schwerpunkt: Anspruchsberechtigte, Unteranspruchsberechtigte und Leistungsmeldungen.
• Konsolidierung und Analyse von Pflichtenheft, Jira, Confluence, Fachkonzepten und UX-Designs. Eigenständige Strukturierung und Abgrenzung von Anforderungen sowie Identifikation von Widersprüchen, Lücken und Abhängigkeiten.
• Erstellung und Qualitätssicherung umsetzbarer User Stories mit eindeutigen, testbaren Akzeptanzkriterien. Vorbereitung von Entscheidungsalternativen und Abstimmung mit Fachseite, Entwicklung, UX und QA bis zum Team-Refinement.
• Durchführung manueller und technisch-unterstützter Barrierefreiheits-Tests. Abstimmung der Befunde mit QA und Product Ownerin, zur weiteren Planung und Umsetzung.
• Ergebnis: konsistentere Anforderungen, klarer abgegrenzte Prozesse und Stories sowie transparente offene Entscheidungen. Trennung von Annahmen und bestätigten Anforderungen; bessere Grundlage für Umsetzung, Refinements und QA-Testfälle.

Eingesetzte Tools: Jira, Confluence

• Unterstützung einer Data-, Analytics- und KI-Initiative in einem regulierten Enterprise-Umfeld durch Strukturierung, Bewertung und Priorisierung mehrerer datengetriebener Use Cases nach Business Impact, Machbarkeit, Skalierbarkeit, Datenreife und Governance-Anforderungen.
• Übersetzung komplexer Business- und Analytics-Anforderungen in klare Produkt-, Daten- und Umsetzungslogiken sowie Aufbereitung entscheidungsfähiger Unterlagen, Zielbilder und Roadmap-Inputs für Stakeholder- und Management-Abstimmungen.

• Hands-on-Entwicklung KI-nativer Produktprototypen mit spezialisierten KI-Agenten für Research, Requirements, fachliche Logik, UX-/Flow-Konzeption, Testfallgenerierung und Qualitätsprüfung.
• Strukturierter Einsatz und Orchestrierung von KI-Agenten über klar definierte Rollen, Inputs/Outputs und Übergabepunkte; Zerlegung komplexer Produktaufgaben in überprüfbare Arbeitspakete und iterative Prototyping-Zyklen.
• Aufbau von Human-in-the-loop Quality Gates zur Validierung KI-generierter Ergebnisse hinsichtlich fachlicher Korrektheit, Konsistenz, Vollständigkeit und Umsetzbarkeit; gezielte Rework-Schleifen bei Abweichungen.
• Entwicklung eines regulatorischen GenAI-/Rules-Prototyps für CRD VI mit strukturiertem Entscheidungsflow, Web-UI, regelbasierter Validierung und automatisierten Testfällen; Iteration der fachlichen Logik bis zum pilotfähigen POC.
• Konzeption eines AI-to-Action-Banking-Prototyps: AI-Intent → Consent → Bank-/Produktlogik → Conversion inklusive Admin Console; Übersetzung der Produktidee in MVP-Scope, Rollenmodell, User Flows und klickbare Prototypen.

• Claude-Code-Subagenten, MCP, Pydantic V2, pytest, bandit

• 3 spezialisierte Agenten entwickelt und produktiv eingesetzt, die die Arbeit entlang einer Kette weitergeben: Ein Forschungsagent erstellt eine zitierte Implementierungsspezifikation, ein Coding-Agent entwickelt den modularen Code und seine Tests, und ein Review-Agent bewertet die Ergebnisse nach Schweregrad und setzt die Korrekturen um. Jede Übergabe erfolgt als strukturiertes Dokument, sodass keine Phase vom Kontextfenster eines anderen Agenten abhängt.

• Den Forschungsagenten mit einem MCP-Server für akademische Recherche verbunden (Semantic Scholar, ArXiv, Hugging Face Hub, Zitationsverfolgung), sodass jede Referenz auf ein Tool-Ergebnis und nicht auf das Modell zurückgeht. Commits hinter ruff, mypy, pytest und bandit abgesichert, menschliche Freigabe vor Installationen und Commits verlangt und den Sitzungsstatus auf der Festplatte gespeichert, damit lange Läufe einen Kontext-Reset überstehen.

CXO AI OS ist ein Agenten-System aus sechs Bausteinen. Statt AI als Chat-Fenster zu nutzen, entsteht ein System, das den Kontext eines Unternehmens kennt, nach seinen Regeln urteilt und in seinem Auftrag handelt.

• Für den Mittelstand: geführter Sprint mit anschließendem Betrieb für ein Team, einen Bereich oder einen priorisierten Cluster, auf Basis einer AI-Diagnose
• Für Selbstständige: Programm, in dem die Teilnehmenden ihr eigenes Agenten-System bauen
• Sequenz im Unternehmen: Diagnose, Priorisierung, Sprint, Betrieb
• Umsetzung in Claude Cowork oder ChatGPT Work, ohne Programmierung
• Architektur: Stabschef, Ziele, Berater, Agenten, Kontext, Katalog

• Aufbau eines skalierbaren Nearshore IT Developer Hubs (Kroatien, Tschechien, Polen) als eigenständige Gesellschaft über ein BOT-Modell (Build – Operate – Transfer)
• Identifikation, Auswahl und Steuerung von Full-Service-Agenturen; Einführung von Steuerungs- und Kontrollmechanismen inkl. KPIs, SLAs und regelmäßiger Service Reviews
• Erstellung und Prüfung von AVVs und Rahmenverträgen in Abstimmung mit Legal & Compliance; Integration regulatorischer Vorgaben (u. a. KRITIS) in die Prozessgestaltung
• Beratung zu Cloud-vs.-On-Premise-Strategien, Datenhaltung und Berechtigungskonzepten; Unterstützung des Einkaufs bei Vergabe- und Dienstleisterbewertungen
• Change Management und Prozessharmonisierung zwischen internen Teams und Nearshore-Partnern; Reporting an Geschäftsführung, CFO und CIO

Ergebnis: Skalierbarer IT Developer Hub mit revisionssicherem Governance-Modell, reduzierten Betriebskosten und beschleunigter Produktentwicklung.

Konzeption und Umsetzung einer „unified-commerce“ Plattform für KMUs zum Verkauf und zur Realisierung von Multi-Produkt-Bundles

Erfolge: Termingerechte Konzeption, Bereitstellung und Kundenabnahme eines 100% funktionalen, CPQ-basierten „buy flow“-Prozesses zur Konfiguration und zum Vertrieb von Multi-Produkt-Bundles innerhalb des vorgegebenen Zeitfensters von 90 Tagen. Erfolgreich getestete Integration diverser Schnittstellenservices für die Bereiche: Kundensuche, Anreicherung von Kundendaten, Adressvalidierung, Servicequalifizierung, Rufnummernvalidierung, Bonitätsprüfung, Terminauswahl und Quote-to-Order Transition.

Verantwortlichkeiten:

• Strategische Zielumsetzung: Ableitung und Umsetzung strategischer Kundenziele (z. B. Release-Inhalte, Business Value).
• Backlog Management: Erstellung und Ausarbeitung von Backlog-Items (Initiatives, Epics, User Stories, Defects) in enger Abstimmung mit Projektteam und Kunde.
• Priorisierung & Releases: Verantwortung für die Priorisierung des Product Backlogs sowie die Umsetzung definierter Release-Ziele.
• Deliverable Tracking: Nachverfolgung von Arbeitsergebnissen auf Lieferantenund Kundenseite.
• Roadmap & Releaseplanung: Entwicklung und Umsetzung von Roadmaps und Release-Plänen gemeinsam mit dem Kunden.
• Scope-Verantwortung: Verantwortung für den vertraglich vereinbarten Leistungsumfang.
• Claim Management: Aktives Claim- und Änderungsmanagement gegenüber dem Kunden.
• Teamkoordination: Steuerung und Koordinierung des Entwicklungsteams.
• Synergienutzung: Nutzung von Synergien zwischen Kundenprojekten und Produktentwicklung.
• Angebotserstellung: Erstellung von Angeboten (mit Supervision) sowie Präsentation vor Ort bei Kunden und Partnern.

Skills: Entwicklung, Kommunikation und Umsetzung von Produktvisionen; Product Backlog Management; Stakeholder Management; Regelmäßiges Reporting an Management und Steering Committees; Anforderungsanalyse & -Engineering; Durchführung und Dokumentation von Workshops; Fachliche Führung und Koordination von (verteilten) Projektteams und externen Dienstleistern; Epic Management; User Story Spezifikationen; Erstellung von Use Cases, Unterstützung bei Softwaretests und User Acceptance Testing (UAT); Release Management und Sprint Planung; Design von SOLL-Prozessen; Prozessoptimierung; Planung, Konzeption und Spezifikation von Schnittstellen zu Bestands- und Neusystemen; Identifikation, Bewertung und Steuerung von Projektrisiken; Aktives Claim- und Änderungsmanagement; Moderation von Sprint- Planungen und -Reviews; Datenmigration; Scrum; Kanban; REST API; JSON; XML; BPMN; UML; Jira; Confluence

Projekt: Defekterzeugung auf Prüfstandsbildern von Metalloberflächen Umfeld: Automatisierte Sichtprüfung (AVI), Metallurgie & Fertigung

• Ziel & Umsetzung: Konzeption, Architektur und Training Generativer Adversarial Networks (Pix2PixHD / SPADE) zur Bild-zu-Bild-Transformation. Gezielte Generierung synthetischer Materialfehler (z. B. Risse, Einschlüsse, Zunder) auf rauen Metalloberflächen unter realen Prüfstands-Lichtverhältnissen zur datenschutzkonformen und effizienten Datensatz-Erweiterung (Data Augmentation).
• Technisches Design: Implementierung robuster Generative-AI- und Computer-Vision-Pipelines in Python und PyTorch. Nutzung von Semantic-Segmentation-Ansätzen zur maskengesteuerten Defektsynthese und nachgelagerter Evaluierung mittels EfficientDet-Objekterkennungs-Modellen.
• Business Impact: Massives Dataset-Upscaling (Faktor 10x) ohne zeit- und kostenintensive physische Prüfstandsläufe bei gleichzeitig drastisch gesteigerter Erkennungsleistung automatisierter Inspektionssysteme.

Eingesetzte Technologien & Skills: Python | PyTorch | SPADE | Pix2PixHD | EfficientDet | Machine Learning | Semantic Segmentation | Computer Vision

• Entwicklung einer agentengestützten Governance-Plattform zur automatisierten Sicherstellung der EU AI Act-Konformität sowie der ODA-konformen Orchestrierung von KI-Services in komplexen Enterprise-Umgebungen.

• Design und Implementierung eines agentenbasierten "Mission Control"-Frameworks (Aletheia Conductor) zur autonomen Zustandsüberwachung und Prozesssteuerung.

• Entwicklung von "Compliance-as-Code" (CaC)-Lösungen basierend auf OPA/Rego zur systemweiten Durchsetzung regulatorischer Leitplanken.

• Integration von TM Forum ODA-Standards (TMF630, TMF622, TMF642) zur Gewährleistung der Interoperabilität und Standardisierung.

• Aufbau einer hochverfügbaren Event-Driven Architecture mittels Redpanda und CloudEvents v1.0 zur echtzeitnahen Event-Verarbeitung.

• Implementierung einer revisionssicheren "Evidence Chain" durch kryptographische Verkettung von Trace-Logs zur Vorbereitung automatisierter Audits.

• Tech Stack: Java 21 (Quarkus Native), TypeScript (Next.js), Redpanda (Kafka API), CloudEvents v1.0, OPA (Open Policy Agent) & Rego, TimescaleDB, ZincSearch, Redis, TM Forum ODA, Git, GitHub, Clean Code Development, Like-C4.

Auf Evidenz basierende Health-Intelligence-Plattform, die veröffentlichte Forschung in persönliche Gesundheitsprotokolle übersetzt. Sie bewertet 430 Gewohnheiten, Lebensmittel und Supplements anhand der Studien dahinter und passt den Score an, wenn sich die Evidenz ändert. Allein aufgebaut.

• Die tägliche Ingest-Pipeline über PubMed, bioRxiv und medRxiv aufgebaut: 43.000+ Papers aus 3.400+ Journals verarbeitet zu 230.000+ typisierten Evidenz-Claims, jeder einzelne zurückverfolgbar bis zur Studie, aus der er stammt.
• Das sechs Faktoren umfassende Evidenz-Scoring-Modell und das öffentliche Changelog dahinter entworfen, damit keine Empfehlung ohne die zugrunde liegenden Papers erscheint. Bis heute 23.000+ Score-Änderungen erfasst und erklärt.
• Das Entity-Informationsmodell aufgebaut, das jede Intervention mit ihren Mechanismen, Biomarkern und Outcomes verbindet: 118 Biomarker mit regionsspezifischen Referenzbereichen, 77 Mechanismen, 32 bewertete Outcomes.
• Die Personalisierungsschicht gebaut: Ingestion von Blutwerten, die Labor-PDFs mit einem Vision-Modell ausliest und Ergebnisse anhand der Aufwachzeit des Nutzers korrigiert, plus Integration von Oura, WHOOP und Withings für den täglichen Readiness-Kontext.
• Elf spezialisierte Review-Agents über Korpus und Codebase betrieben, für Paper-Kuration, Retrieval-Qualität, Health-Claim-Compliance über EU- und US-Regime hinweg sowie Security.
• Den Evidence Assistant ausgeliefert, einen RAG-Assistenten, der aus der Claim-Datenbank antwortet und die zugrunde liegenden Papers zitiert, plus eine B2B-Practitioner-Stufe, eine Expo React Native App und Lokalisierung in 3 Sprachen und 7 Märkten.

Stack: Next.js 16, TypeScript, Supabase, pgvector, Anthropic Claude, Vercel, DeepInfra.