Large Language Model Experten in München

• Agile Transformation Coach in einem SAP-getriebenen End-to-End Lead-to-Cash-Programm, Unterstützung von Führung und Management bei der Einführung und Weiterentwicklung des Sherpa Way of Working, Stärkung agiler Praktiken, Rollenklärung und Verantwortlichkeiten (RACI) sowie der Delivery-Effektivität
• Mitglied des Leadership Core Teams für den Way of Working, Mitgestaltung und Weiterentwicklung agiler Betriebsmodelle, Hinterfragen bestehender Vorgehensweisen und Anstoßen pragmatischer Verbesserungen auf Systemebene
• Konzeption eines Polarion-basierten Scrum-Master-Dashboards als zentraler, rollenbasierter Einstiegspunkt für Sprint-Status, Abhängigkeiten, Risiken und Governance-Artefakte, Reduzierung des Reporting-Aufwands und Verbesserung der Transparenz
• Gezieltes 1:1-Coaching für den Master Scrum Master und die Scrum Master, Stärkung der Führungskompetenz, der Rolleneffektivität und der Unterstützung bei teamspezifischen Herausforderungen, einschließlich der Neugestaltung von Scrum-Master-Syncs und Kollaborationsformaten
• Zusammenarbeit mit Teams und Führung bei der Analyse und Dokumentation von End-to-End Lead-to-Cash-Prozessen in SAP Signavio, zur Unterstützung von Abstimmung, Transparenz und einem gemeinsamen Verständnis von Prozesserwartungen über alle Teams hinweg

• Entwicklung eines KI-gestützten Projektorganisationstools für ein Tiefbauunternehmen, das Projekt-, Aufgaben-, Ausschreibungs-, Terminund Dokumentendaten intelligent über einen Knowledge-Graphenverknüpft.
• Implementation von KI-Funktionen zur Dokumentenanalyse, Informationsextraktion, kontextbezogenen Assistenz und sprachbasierten Datenerfassung auf Basis von Microsoft Azure AI, wodurch administrative Aufwände reduziert, Informationen schneller zugänglich gemacht und Projektteams bei Entscheidungen unterstützt werden.
• Technologie-Stack: Python, React, TypeScript, FastAPI, Claude Code, Codex, Graphify, PostgreSQL, Microsoft Azure AI Foundry, Azure OpenAI, Azure AI Speech, Azure AI Document Intelligence, Microsoft Graph, Microsoft Entra ID, Docker, Git, CI/CD.

• In diesem Projekt wurden Informationsdaten extrahiert, um das Verfassen von Berichten für ein Unternehmen zu unterstützen, das geopolitische, globale und kommerzielle Informationen bereitstellt. Die Daten wurden aus verschiedenen Quellen gesammelt (Interviewtranskripte, Online-Daten, interne Dokumente) und anschließend zu einer Wissensbasis zusammengeführt. Diese bildete die Grundlage für ein komplexes RAG-System, das anhand eines Golden Dataset evaluiert wurde. Agenten wurden eingesetzt, um widersprüchliche Informationen und sich gegenseitig bestätigende Aussagen zu finden sowie das generierte Wissen wieder zu speichern.

Verwendet: Python, RAG, LangGraph, LangChain, deepeval, MCP

Produkt:

• Eine produktionsreife KI-Plattform aufgebaut, die markenkonforme Marketingbilder und Videos aus Produktdaten, Nutzeranforderungen und hochgeladenen Medien erzeugt.
• Die Plattformarchitektur, die technische Roadmap, das API-Design, die Sicherheit, den Deployment-Workflow, die operative Zuverlässigkeit und die Strategie für Modellanbieter verantwortet.
• Die Kernplattform in .NET entwickelt und unterstützende KI- und Workflow-Prototypen in Python gebaut, mit sprachunabhängigen API-Verträgen und strukturierten Schnittstellen zwischen Services und Modellanbietern.
• Zuverlässige Hintergrundverarbeitung mit RabbitMQ implementiert, Workflow-Zustände gespeichert sowie idempotente Verarbeitung, Retries, Fehlerbehebung, Logging, sichere Speicherung, Autorisierung und Credit-Abrechnung umgesetzt.
• Pragmatische Build-vs.-Buy- und Modellrouting-Entscheidungen auf Basis von Zuverlässigkeit, Latenz, Kosten und Wartbarkeit getroffen, statt auf Neuheit.

Agenten-Orchestrierung & RAG-Systeme

• Agenten-Workflows mit Microsoft Agent Framework, LangGraph und LangChain aufgebaut und verglichen, einschließlich Tool-Nutzung, bedingter Weiterleitung, Klärungsschritten, Zustandsverwaltung und Übergaben zwischen Agenten.
• Wiederverwendbare .NET-Komponenten für Agenten, Prompts, Tools, Modellanbieter, strukturierte Antworten und Retrieval mit pyvector implementiert, um den Wechsel von KI-Anbietern zu erleichtern, ohne den Kern-Workflow neu schreiben zu müssen.

• Wiederkehrendes Problem in eigenen KI-gestützten Projekten: Anforderungsanalyse, Use Cases und Architekturentscheidungen entstehen mit KI-Unterstützung zwar schnell, bleiben aber wenig nachvollziehbar und über Markdown-Dateien verstreut – Wissen geht verloren, sobald es nicht mehr im Kontextfenster ist. arknet macht Requirements Engineering und Architekturwissen zu strukturierten, prüfbaren Daten statt Fließtext: Anforderungen, Use Cases und Architekturentscheidungen als durchgängig verknüpfter Wissensgraph, von der Anforderung bis zur Architekturentscheidung nachvollziehbar – für Menschen und KI-Agenten gleichermaßen abfragbar. Technisch auf RDF/OWL und einem eigenen MCP-Server aufgesetzt.

• Ergebnis: MCP-Daemon lauffähig, Docker-Image automatisiert auf GHCR veröffentlicht, neun hexagonale Module, elf ADRs (u. a. Open-Core-Lizenzmodell). Requirements-Engineering- und Ubiquitous-Language-Hexagon aktiv. Seit 07/2026 als Community Edition unter Apache-2.0 öffentlich (github.com/kogn-io/arknet), zusammen mit dem Claude-Code-Plugin und dem GHCR-Image; Open-Core-Modell.

• Label: Java, Maven, RDF, RDF4J, OWL, SPARQL, Model Context Protocol, Spring AI, Docker, GitHub, Git, Claude Code, Obsidian, DDD, Hexagonal Architecture, ArchUnit, JUnit, AssertJ, Schnittstellenentwicklung, Software Architecture, Continuous Integration, Knowledge Management

AI-Telefonassistent-Plattform

Claude Code, Google AI Studio, Python, LLM / Voice-AI, PostgreSQL

• Konzeption und Hands-on-Entwicklung einer KI-gestützten Telefonassistenten-Plattform (Voice-AI / LLM) – von der Idee über die Architektur bis zum MVP/Produkt.
• Aufbau agentischer Workflows und vollständiger Automatisierungen mit Claude Code und Google AI Studio.
• Darüber hinaus KI-gestützte Delivery in Kundenmandaten: Claude Code für Governance-Dokumentation, Anforderungsentwürfe und Automationen.

• Beratung entlang zweier integrierter Felder: Commercial Strategy (Pricing, Vertriebssteuerung, Marketing-Strategie, Markterschließung, Margensteuerung) und Operational Efficiency (Prozessautomatisierung, KI-Integration, Workflow-Design, Last-Mile-Automation).
• Entwicklung kundenindividueller SaaS-Lösungen, explizit abgestimmt auf die konkreten Anforderungen und Prozesse des jeweiligen Unternehmens.
• Durchführung von KI-Schulungen und Change-Management-Workshops für Geschäftsführer und Fachbereiche, einschließlich KI-Kompetenzschulungen mit Teilnahmebescheinigung nach Art. 4 EU AI Act.

Aufgaben & Ergebnisse:

• Maßnahmen zur verbesserten Management-Steuerung während eines Restrukturierungsprogramms (ca. 80 Beteiligte) ausgearbeitet
• PMO-Setup zur Durchsetzung von Transparenz, Reporting und datengetriebenen Entscheidungen
• Integration...

• Habe rollenbasierte Workflows für die Disposition und Zustellung entworfen, umschaltbar zwischen eigenem Fuhrpark und Partner-Transportunternehmen, mit nachvollziehbaren Statusketten von „pending“ bis „in delivery.“
• Habe KI-gestützte Routenoptimierung entworfen, bei der Disponenten fahrzeitoptimierte Routenvorschläge als Entwurf prüfen und mit einem Klick übernehmen.
• Habe eine zentrale Planungsoberfläche für Liefer- und Routenmanagement entworfen, die Tabellenansicht, Kartenansicht und Routenkomposition in einem einzigen Workflow zusammenführt.
• Habe interaktive Prototypen gebaut, um neue Produktfunktionen früh mit Stakeholdern und Engineering abzustimmen.

Wichtige Methoden: KI-gestütztes Produktdesign, Workflow-Design, rollenbasierte Workflows, Dashboard-Design, Interaction Design, Prototyping, UX für Logistik/Operations, Stakeholder-Zusammenarbeit

• Aufbau, Implementierung und Vertrieb von automatisierten Data-Science-Lösungen wie Scorecard Factory und Prognose Factory
• Implementierung automatisierter End-to-End-Cloud-Prozesse
• Entwicklung von LLM- und NLP-Modellen
• Erstellung interaktiver Reports
• Betreuung nationaler und internationaler Großkonzerne sowie mittelständischer Firmen bei der Implementierung von ML-Projekten

• Entwicklung der Vision, Strategie und Roadmap KI-gestützter Analyseprodukte, um sicherzustellen, dass sie den Geschäftsanforderungen von Vertrieb, Marketing, Finance und Führungsteams in ganz Europa entsprechen.
• Aufnahme von Geschäftsanforderungen, Priorisierung von Funktionen für AI-Produkte und Leitung der agilen Entwicklung von Prognose- und Analyselösungen. Definition von Produktspezifikationen, User Stories und Akzeptanzkriterien zur Sicherstellung einer erfolgreichen Umsetzung.
• Zusammenarbeit mit Business-Stakeholdern, Product Ownern, Data Scientists, ML Engineers und Software Engineers, um AI-Modelle in skalierbare Geschäftsprodukte zu überführen und AI-Erkenntnisse in operative Abläufe zu integrieren.
• Entwicklung und Umsetzung von Generative-AI-Lösungen unter Nutzung von Large Language Models (LLMs), um Berichte zu automatisieren und Abfragen von Unternehmensdaten in natürlicher Sprache zu ermöglichen; dadurch Reduzierung des manuellen Aufwands um etwa 30%.
• Definition von Produktzielen und Erfolgskennzahlen, Überwachung der Produktleistung und Nutzerakzeptanz sowie kontinuierliche Verbesserung des Produkts auf Basis von Nutzerfeedback und Geschäftsergebnissen.
• Aufbau von Data Governance, Standards für Stammdatenqualität und Berichtswesen in SQL-, BigQuery- und Power-BI-Umgebungen, um zuverlässige, sichere und skalierbare Analysen sicherzustellen.

• KI-native B2B-SaaS für Freelancer-Sourcing; DACH-Markt.*

• Enterprise-Partnerschaften über vier Branchen hinweg: Multi-Stakeholder-Deals mit Telefónica (Telco), Emma Matratzen (Retail), Nürnberger Versicherungen und Flatex (Financial Services), Hubert Burda Media und Serviceplan Gruppe (Media) strukturiert und abgeschlossen.

• Umsatz und Wachstum: FRATCH von €0 auf €3.8M jährlichen GMV skaliert, wobei rund 80% des Umsatzes aus direkter Ansprache durch den Founder und aus Partnerbeziehungen kamen.

• Channel-Partnerschaften: FRATCH als SaaS-Lösung an Recruiting-Firmen verkauft (z. B. YER) — das partnergetriebene Modell parallel zum direkten Enterprise-Sales aufgebaut.

• Teambuilding: FRATCH vom Solo-Founder auf ein Team von 7 in Engineering, Produktdesign, Operations und Supply Outreach skaliert.

• Proprietärer Netzwerk-Asset: 15.000+ Freelancer als registrierte Nutzer onboarded — das proprietäre DACH-Netzwerk, das FRATCHs Matching antreibt.

• FRATCH GPT (fratch.io/gpt) aufgebaut und gelauncht: ein produktiver Conversational-AI-Agent. Den Full-Stack entwickelt — LLM-Orchestrierung, Embeddings, Re-Ranking — mit direkter Mitarbeit an technischer Konzeption und Umsetzung.

• GTM-Aufbau: den kompletten Go-to-Market-Stack verantwortet — Outbound, LinkedIn (organisch + paid), Content und Sales Enablement.

• KI-Integration (LLM & RAG): Konzeption und Aufbau eines internen, intelligenten RAG-Systems (Retrieval-Augmented Generation) auf Basis von LLMs, n8n und Vektordaten zur automatisierten Analyse technischer Dokumente und Fehlerprotokolle.
• Konzeption & Implementierung: Design einer robusten RS-232/UART-Kommunikationsschnittstelle für ein SBC-basiertes Embedded-Gerät zur Steuerung medizinischer Shaker-Systeme.
• Architektur & Protokolldesign: Umsetzung einer hochgradig wartbaren Softwarestruktur (OOP, SOLID) und Definition hardwarenaher, resilienter Kommunikationsprotokolle inklusive Multithreading und erweiterter Fehlerbehandlung.
• Qualitätssicherung & DevOps: Testautomatisierung mittels xUnit, Integrationstests direkt am Hardware-Target und Pflege der technischen Dokumentation nach strengen Medizintechnik-Standards via Azure DevOps.

Label: C#, .NET, LLMs, RAG, n8n, RS-232, UART, Multithreading, async/await, xUnit, gRPC/protobuf, Blazor, MudBlazor, EF Core, Visual Studio 2026, Azure DevOps

• Gesamtverantwortung für den Projektlebenszyklus von der Umfangsdefinition bis zum Abschluss
• Enge Zusammenarbeit mit Plattform-Teams, IT-Führungskräften und externen Dienstleistern
• Anwendung von SAFe-Prinzipien und strukturierte Sprint-Arbeit
• Erstellung eines Migrationsfahrplans mit klaren Meilensteinen
• Überwachung des Lifecycles: Onboarding, Repository-Migration, Replikation von Berechtigungen und Systemtests
• Visualisierung der Architektur mit PlantUML und Gliffy sowie Dokumentation in Confluence
• Regelmäßige Statusberichte und Durchführung von Wissenstransfer-Sessions