Human-in-the-Loop Experten in Berlin

SaaS für Workflow-Automatisierung für Operations-Teams (Berlin, 120 Mitarbeitende); Vollzeit-Freiberufler auf Vertrag mit Berichtslinie an den CEO: zunächst ein 12-monatiges Interimsmandat, zweimal verlängert während des KI-Aufbaus; verantwortlich für das Produkt eines Squads und Coaching der anderen Product Manager bei Prozessen.

• Leitete die Integration generativer KI (LLM) in das Kernprodukt: von LLM-gestützten Schritten über die Erstellung von Workflows in natürlicher Sprache und Automatisierungsvorschläge auf Schritt-Ebene bis hin zu KI-gesteuerten dynamischen Workflows, ausgeliefert mit Eval-Gates und Human-in-the-loop-Fallbacks: KI-entworfene Workflows stiegen auf 31% aller neuen Workflows, und die mediane Zeit bis zum ersten Workflow sank von 3 Tagen auf 4 Stunden.
• Bündelte die KI-Funktionen als nutzungsbasiertes Add-on, dessen Preis sich an ausgeführten Automatisierungsschritten orientiert, und arbeitete mit Vertrieb und Marketing an der Positionierung: ~€800K zusätzlicher ARR im ersten Jahr, außerdem churnten Kunden mit dem Add-on 1.8 pp weniger.
• Verantwortete die Roadmap von Anfang bis Ende: Ersetzte die von Feature-Anfragen getriebene Quartalsplanung durch eine ergebnisorientierte, rollierende Roadmap auf Basis von Quartalswetten und klaren Abbruchkriterien, die monatlich dem Führungsteam und quartalsweise dem Vorstand präsentiert wurde.
• Baute das Product-Management-Betriebsmodell neu auf: wöchentlicher Customer-Discovery-Rhythmus inklusive Workshop-Moderation, Reviews von RFCs und Entscheidungsdokumenten sowie eine einheitliche quartalsweise Metrik-Erzählung; coachte vier Product Manager, von denen einer während des Engagements zum Senior befördert wurde.
• Beendete das Engagement wie vereinbart: stellte den permanenten VP Product ein und arbeitete ihn ein, übergab das Prozess-Playbook und die Roadmap und schied im Juni 2026 planmäßig aus.

• Verantwortlich für die 12–18-Monats-Roadmap und die wichtigsten Ergebnisse der Enterprise-Kundenplattform von Elli, einschließlich Onboarding, Preisgestaltung, Abrechnung, Analysen und umfassender Plattformmodernisierung; den Fleet-Onboarding-Funnel neu gestaltet und die Conversion verdoppelt, wodurch bis 2028 ein prognostizierter Umsatzanstieg von €20.7M unterstützt wird.
• Leitung des übergreifenden Energy-Intelligence-Produkts und direkte Verantwortung für dessen KI/ML-, Asset- und Portfoliooptimierungsfunktionen, einschließlich MLOps, sicherer Strategiebereitstellung, Strategielebenszyklusmanagement und Backtesting; die Verantwortung für die Daten- und V2G-Integrationsroadmap an einen neuen PO übertragen, als sich der Plattformumfang erweiterte.
• Einen Human-in-the-loop-GenAI/RAG-Support-Workflow aufgebaut, wodurch die L1-Lösungsquote um 24% gesteigert, die Routing-Genauigkeit auf 91% erhöht und die L2-Arbeitslast um 30% reduziert wurde.
• Standardisierte Datenverträge und ein Self-Service-Python-Toolkit für Trader und Data Scientists eingeführt, wodurch die Plattformnutzung um 15% gesteigert und der Supportaufwand um 50% reduziert wurde.
• Ein Echtzeit-Orchestrierungsprodukt von 32 auf 3,000+ Endpunkte in vier Märkten aufgebaut und skaliert; der wiederkehrende Umsatz stieg von €1.4k auf €56.3k MRR.
• Produkt- und KI-Kompetenzen im gesamten Unternehmen entwickelt, 20 PMs zu RAG, Agenten und Prototyping geschult; einen Junior PM betreut und einen Enterprise Platform Tech Lead auf dem Weg zur Übernahme von Verantwortung im Product Management begleitet.

• Ursachenanalyse komplexer fachlicher, technischer und datenbezogener Fehler in PowerCloud über Prozess-, Buchungs- und Systemgrenzen hinweg.
• Datenbasierte Steuerung von Zahlungsverkehr und Forderungsmanagement; Beitrag zum Abbau historischer Forderungsbestände von über 100 Mio. EUR auf unter 25 Mio. EUR.
• Identifikation von Automatisierungs- und Dunkelverarbeitungspotenzialen an der Schnittstelle zwischen Fachbereich, IT und externen Dienstleistern.

Nach dem Vaillant-Engagement gründete ich eine unabhängige Beratung mit Fokus auf Senior-SAP-Beratung und dem Aufbau von ASTRA — einer Methodik, keinem Tool. ASTRA ist unabhängig und unvoreingenommen: Dieselben vier Säulen dienen CIO / Business Leadership, SI / SAP Practice und Programme Director / Principal mit gleicher Gewichtung. Keine Zielgruppe steht im Vordergrund.

ASTRA richtet sich mit gleicher Gewichtung an drei Zielgruppen — CIO / Business Leadership · SI / SAP Practice · Programme Director / Principal. ASTRA ist unabhängig und unvoreingenommen — die Methodik ist weder Teil einer SI-Praxis noch bedient sie eine einzelne Zielgruppe als primären Kunden. Jede Zielgruppe erhält eine an ihre Rolle angepasste Auswertung derselben Analyse.

Eine Methodik, zwei Ergebnisse:

ERGEBNIS 1 — SAP-TRANSFORMATIONSGOVERNANCE:

Jedes aktive SAP-Programm: ECC→S/4HANA Greenfield, Brownfield, Global Rollout, AMS. Die vier Säulen beantworten die vier Fragen, die über den Erfolg einer Transformation entscheiden — für alle drei Zielgruppen.

• Sind die Geschäftsanforderungen sauber — oder entwickelt der SI etwas, das der SAP-Standard bereits abdeckt? (Functional Auditor → alle drei Zielgruppen)
• Ist das Verzeichnis der kundeneigenen Objekte gesund — oder entsteht eine wachsende technische Schuld, die Upgrades blockiert? (RICEFW Auditor → Director und CIO)
• Ist die SteerCo-Berichterstattung korrekt — oder sieht die Führung ein Watermelon? (Truth Engine → CIO und Director)
• Sind die Menschen auf das System vorbereitet, das sie erhalten? (Human Signal → CIO und Director)

ERGEBNIS 2 — BEREITSCHAFT FÜR DAS AUTONOMOUS ENTERPRISE:

Jedes Programm, das Joule einführt, RISE anstrebt oder eine AE-Migration plant. Dieselben vier Säulen beantworten die Fragen, die SAP nicht beantwortet — wiederum auf die jeweilige Zielgruppe zugeschnitten.

• Welche kundeneigenen Objekte blockieren die 224 Joule AI agents? (RICEFW Auditor → SI erhält Maßnahmenpfade, Director erhält Bewertungen, CIO erhält finanzielle Auswirkungen)
• Ist die Fiori-Einführung vollständig genug, um Joule zu aktivieren? (Truth Engine → alle drei Zielgruppen)
• Ist die Belegschaft für KI-basiertes Arbeiten geschult? (Human Signal → CIO und Director)

Vier Säulen (jede dient allen drei Zielgruppen):

• Functional Auditor: Clean Core Score 0–100. Abschnitt A (CIO): KG-Fidelitätsrisiko in €. Abschnitt B (Director): Fragen an den SI, Einsparung von Manntagen. Abschnitt C (SI): Language Translation Ledger, SAP-Alternativen.
• RICEFW Auditor: Joule API Pathway Audit, Clean Core Level A–D, Technical Debt Index 1–10. Abschnitt A: finanzielle Auswirkungen blockierter AI agents. Abschnitt B: Bewertungen RETIRE/MIGRATE/REDESIGN/KEEP. Abschnitt C: BTP-Maßnahmenpfade.
• Truth Engine: Watermelon Detection, Fiori-Deployment-Prüfung, Programme Truth Score 0–100. Abschnitt A: 3 SteerCo-Fragen. Abschnitt B: Aktionsliste für 48 Stunden. Abschnitt C: Anbieter-Reibungskarte.
• Human Signal: dreistufiges Fiori-Adoptionsmodell, HITL Policy readiness, Human Signal Score 0–100. Abschnitt A: Gewichtung der GUI-Schulung, finanzielles Risiko der AE-Einführung. Abschnitt B: Go-Live-Empfehlung, Karte der Stakeholder-Widerstände.

SAP-Beratung auf Abruf:

• SAP-Programmmanagement — ganzheitliche Governance, Factory-Management, Multi-Stream-Lieferung, Anbietersteuerung und SteerCo-Berichte für Greenfield-, Brownfield-, Rollout- und AMS-Programme.
• Delivery Management — RICEFW-Aufsicht, Governance der Datenmigration, Release- und Cutover-Management, Hypercare, SLA/KPI-Management.
• Due Diligence & Landschaftsbewertung — SAP-Landschaftsprüfung, AS-IS/TO-BE-Roadmap, RFP-Strukturierung, Beratung bei der SI-Auswahl.
• IT-Strategie & CIO-Beratung — Transformations-Roadmap, Clean-Core-Strategie, Planung der Autonomous-Enterprise-Bereitschaft.
• Programmwiederherstellung — Bewertung kritischer Programme, schneller Governance-Aufbau, Lösung von Eskalationen.

Tätig über Senior-Professional-Netzwerke in der gesamten EMEA-Region.

• Enterprise-Retrieval-Augmented-Generation-(RAG)-Anwendungen mit LangChain, LangGraph, Vektordatenbanken, Embeddings und Open-Source-LLMs entworfen und bereitgestellt, die über vLLM auf GCP-GPU-Infrastruktur betrieben wurden.
• Agentic-AI-Workflows mit LangGraph entwickelt, inklusive Planung, Schlussfolgern, Tool-Ausführung, persistenter Speicherung, Sitzungsverwaltung und Human-in-the-Loop-Freigabemechanismen.
• LLM-gestützte Automatisierungssysteme entwickelt, die BigQuery, SQL-Pipelines und externe Werbe-APIs wie Meta, TikTok, Amazon, Snapchat, Google und Pinterest integrieren und manuelle operative Abläufe reduzieren.
• Multi-Agent-AI-Systeme für Enterprise-Analytics- und Entscheidungsunterstützungs-Workflows entworfen, die autonome Aufgabenausführung und intelligente Dateninteraktionen ermöglichen.
• Retrieval-Optimierungsstrategien umgesetzt, darunter Multi-Retriever-Architekturen, semantische Suche, Kontextoptimierung und Query-Verbesserungstechniken, wodurch die Relevanz der Antworten um etwa 40 % verbessert wurde.
• Strukturierte Prompting-Strategien, Function-Calling-Schemata und Validierungs-Workflows entwickelt, um die Zuverlässigkeit von mehrstufigen LLM-Anwendungen zu verbessern.
• Skalierbare AI-Services mit Python, FastAPI, Cloud Run, Pub/Sub, BigQuery, Docker und cloud-nativen Bereitstellungsarchitekturen entworfen.

OpsWorker verwandelt Kubernetes-Alerts in Root-Cause-Analysen, zusätzlich zu dem Monitoring, das ein Team bereits betreibt. Ich leite die technische Seite: die Agentenarchitektur, die AWS-Infrastruktur, auf der das Ganze läuft (vollständig in EU-Regionen), und die Engineering-Entscheidungen dahinter, standardmäßig nur lesend im Cluster, der Mensch bleibt für die Bewertung im Loop. Der Stack darunter: Amazon Bedrock und Bedrock AgentCore, Agenten gebaut mit dem Strands Agents SDK, die Claude- und OpenAI-APIs sowie die Kubernetes-API.

• Dozent für den GenAI-Track des Master School Institute of Technology
• Entwicklung einer Full-Stack-KI-Anwendung (React + Python/FastAPI) für den automatisierten Lieferanten-Produktimport mit intelligenter Spalten- und Kategorienklassifizierung (4-Layer, hierarchisch) inkl. Human-in-the-Loop-Validierung

• Verantwortet end-to-end UX für zwei AI-SaaS-Produkte in Closed Beta, inklusive LLM-Interaction-Design, Prompt-UX und Human-in-the-Loop-Patterns; kommerzielle Distribution für Launch in Q3 2026 unterzeichnet
• Einen selbst entwickelten LLM-Reframing- und RAG-Korrektur-Pipeline gebaut, die die Produktion von mehreren CV- und Case-Study-Profilen ermöglicht
• Liefert echten Code parallel zur Forschung, darunter Three.js/GLSL-Portfolio-Arbeiten, Figma-API-Tools und eine Chrome-MV3-Extension für Session-Sync-Automation

• Entwicklung eines kompakten Frameworks zur Erstellung von Prompt-Antwort-Sets für CRM-Lifecycle-Szenarien (Onboarding, Aktivierung, Kundenbindung, Reaktivierung).
• Einbindung adversarialer Varianten (mehrdeutige Anfragen, widersprüchliche Anweisungen, Richtlinienfallen).
• Erstellung eines Bewertungsrasters für Faktentreue, Tonalität und Kohärenz.
• Entwicklung einer schlanken Richtlinie zur Abstimmung zwischen Annotatoren und zur Lösung von Meinungsverschiedenheiten.

• Verantwortlich für die Full-Stack-Entwicklung einer AI-native Unternehmensplattform auf Basis von TypeScript, React, Vite, tRPC, Hono und PostgreSQL, die KI-gestützte Beratungs-Workflows für B2B-Kunden liefert.
• Entwarf und lieferte ein Multi-Agenten-KI-System mit dem ReAct-Framework und Claude-Skills-Workflow-Mustern, inklusive eines intelligenten PM-Assistenten mit umfangreichen System-Prompts, Slash-Befehlen, Tool-Integrationen und Streaming-Chat-Oberfläche.
• Entwickelte ein LLM-Bewertungs-Framework: rubrikbasierte LLM-als-Richter, Golden Datasets, Regressionstests und automatisierte Qualitätssicherung — für konsistente KI-Ausgabequalität in großem Maßstab.
• Integrierte LangFuse für durchgehendes LLM-Tracking, Konversations-Wiedergaben und Bewertungs-Pipelines, was datengetriebene Prompt-Optimierung ermöglichte und Token-Kosten sowie Antwort-Varianz reduzierte.
• Implementierte Drizzle ORM, pgvector und Knowledge Graphs für strukturierten Datenzugriff, semantische Suche und beziehungsorientiertes KI-Schlussfolgern über die gesamte Plattform.
• Führte die TanStack React Query-Migration in der gesamten Anwendung durch — ersetzte manuelles State-Management durch zentrales Caching und automatisches Refetching, was den Boilerplate-Aufwand für Datenabrufe deutlich reduzierte.
• Setzte AI-native Entwicklung durchgehend ein: Claude Code, Codex, Perplexity SDK und LLM-unterstütztes Testing im gesamten Entwicklungszyklus. Deployment auf Vercel + Azure ACA mit Biome für Linting/Formatting.

• Habe Memorable umgesetzt, eine Produktions-iOS-App mit lokaler, auf dem Gerät laufender CLIP-basierter semantischer Fotosuche. Ich war für den gesamten Stack verantwortlich: Core-ML-Konvertierung, lokaler Inferenz-Pipeline, App-Store-Release und Weiterentwicklung nach dem Launch.
• Habe ein praxisnahes Framework für den KI-Einsatz entwickelt, das Workflow-Redesign, Priorisierung von Anwendungsfällen, Systemintegration, Evaluationsplanung und Human-in-the-Loop-Kontrollen abdeckt.
• Führe Gespräche zur Identifizierung von KI-Anwendungsfällen und berate Fachleute aus den Bereichen Recht, Steuern und Immobilien.

• Entwickelte KI-gestützte Workflows, die komplexe Aufgaben in intuitive, skalierbare Lösungen umwandeln
• Kombinierte UX-Strategie, technische Umsetzung und Systemdenken, um Prozesse zu vereinfachen und Nutzende zu befähigen
• Führte Nutzerforschung und Usability-Tests durch, um einen praxisorientierten, barrierefreien KI-Ratgeber für pflegende Angehörige zu entwickeln
• Führte Daten- und Wettbewerbsanalysen durch, um die Content- und Feature-Entwicklung zu steuern
• Erstellte Wireframes, Mockups, interaktive Prototypen, ein MVP, Designsysteme und Styleguides
• Führte UX- und Barrierefreiheits-Audits durch, um manuellen Aufwand zu reduzieren und Prozesse zu optimieren
• Skalierte die Content-Produktion in verschiedenen Formaten durch UX Writing und Automatisierung
• Leitete Projekte und Design-Operations und betreute Teammitglieder
• Technologien und Methoden: ChatGPT, Claude, OpenAI API, Make, n8n, ElevenLabs, HeyGen, TTS, HITL-Design, Prompt Engineering, Figma, Flutterflow, Miro, Notion, Design Thinking, Workflow-Mapping, Geschäftsprozess-Mapping

• Definition und Umsetzung der End-to-End-Vision für Allrides Kern-Mobilitätsprodukt und Launch einer voll funktionsfähigen iOS- und Android-App in weniger als 3 Monaten.
• Führung des Produkts von 0 auf 1 durch Erstellung der Roadmap, Abstimmung der Teams und Umsetzung zur Erfüllung der Nutzerbedürfnisse und Geschäftsziele.
• Aufbau eines gestuften S/M/L/XL-Abonnementmodells basierend auf der Mobilitätsnutzung und Einführung des ersten MVP mit integrierten Belohnungen und Coupons zur Förderung der wiederkehrenden Pläne von Allride.
• Gestaltung und Implementierung eines Referral-Programms mit hoher Konversionsrate, das sowohl Empfehlende als auch Geworbene belohnte und 12 % der neuen Nutzergewinnung durch organische Wachstumszyklen erzielte.
• Entwicklung und Einführung von Allride for Work, einer B2B-Mobilitätsbenefit-Lösung, die Unternehmen ermöglichte, nachhaltige Pendelpläne für Mitarbeiter anzubieten, wodurch die Unternehmensakzeptanz stieg und ein neuer wiederkehrender Umsatzstrom erschlossen wurde.
• Abstimmung der Produktinitiativen auf nachhaltige Mobilitätsziele, was zu schnellem Wachstum und erster Medienberichterstattung beitrug.

• Verantwortlich für den Produktlebenszyklus der souveränen KI-Plattform und Betriebssystem-Teams für Enterprise- und Regierungskunden sowie interne Stakeholder (Infra, Lösungslieferung, Support, Umsatz)
• Plattform von einer 200-Nutzer-Beta auf einen vollständigen Rollout mit über 70.000 Mitgliedern bei der Bundesagentur für Arbeit (BA) aufgebaut und dabei ISO 42001- und EU-KI-Verordnungskonformität sichergestellt
• Die Umstellung auf eine mandantenfähige Shared Inference-Architektur entworfen, wodurch die GPU-Cluster-Auslastung von 20 % auf 85 % stieg und die Infrastrukturkosten pro Kunde für SaaS um 40 % sanken
• Modellquantisierung eingeführt, sodass Kunden fortschrittliche LLMs auf älterer Hardware (A100-GPUs) statt auf H100 ausführen können, wodurch über 70 % der Kosten pro Abfrage eingespart werden
• Komplexe Helm-Konfigurationen in einen dynamischen Modellmanager überführt, wodurch sich die Zeit für Installation oder Austausch von Modellen um rund 80 % verkürzte
• Eine teure Eigenentwicklung eines Dashboard-Services gestoppt, stattdessen auf eine API-first-Datenstrategie umgeschwenkt, die Kunden direkt nutzen können, und so €100.000+ an Opex und Capex eingespart
• Ein sicherheitsorientiertes Agenten-Marktplatz- und Control-Plane-Leuchtturmprojekt für eine Tier-1-Bank aufgebaut, das internen Teams die Bereitstellung autonomer Agenten innerhalb strenger regulatorischer Vorgaben ermöglicht