Model Context Protocol 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.

• PROBLEM: GTM-Aufwand ist Rätselraten über fragmentierte Identitäten und Kanäle hinweg, ohne geschlossenen Feedback-Loop.
• GEBAUT: Kosten-Pyramiden-Engine (L0–L3): Identitätsauflösung über ~25.000 Entitäten, nachvollziehbares Intent-Scoring und ein geschlossener Entscheidungs-Loop (vorschlagen → ausführen → bewerten → lernen) mit Kalibrierung.
• IMPACT: v1.3.1 mit Live-Demo ausgeliefert; 99 % der Operationen laufen auf dem kostenlosen L0-Tier (CI-erzwungen); $0 Betrieb ohne API-Key.

• Die End-to-End-Auslieferung von Enterprise-Full-Stack-Webanwendungen geleitet, indem ich Anforderungsanalyse, Lösungsdesign, Frontend- und Backend-Entwicklung, Datenbankdesign, API-Integration, Code-Reviews, Teamkoordination, Agile Umsetzung, CI/CD-Deployments, Produktionssupport, Performance-Optimierung, Sicherheitsimplementierung und die Zusammenarbeit mit Stakeholdern gesteuert habe, um skalierbare, hochwertige Softwarelösungen zu liefern.

• Mentor eines Teams aus 6 ML-Platform-Engineers durch wöchentliche 1:1s, technische Design-Reviews und Best Practices; Verbesserung der Team-Produktivität um 35% durch strukturierte Sprint-Planung und Programme zur Skill-Entwicklung
• Definition der ML-Plattform-Roadmap 2025–2026 in Zusammenarbeit mit Data Science, Cloud Engineering und Product Teams; Priorisierung von automatisierter Model Governance, Cost-Attribution-Systemen und Multi-Environment-Deployment-Strategien
• Zusammenarbeit mit Stakeholdern aus Data Science, SRE und Product, um die Fähigkeiten der ML-Plattform mit den Geschäftszielen abzustimmen; Reduktion der Deployment-Hürden für Data Scientists um 60% durch Self-Service-Plattformen
• Architektur und Lieferung einer produktionsreifen MLOps-Plattform für 50+ Modelle in Produktion mit automatisierten Promotion-Pipelines, Versionierung und Rollback-Funktionen; Erreichung eines SLA von 99,5% Plattform-Uptime
• Design einer verteilten ML-Pipeline-Architektur mit Metaflow und Argo Workflows (Vertex Pipelines-kompatibel); Verkürzung der Modell-Trainingszeit um 30% und der Deployment-Zyklen von 2 Wochen auf 3 Tage durch vollständige CI/CD-Automatisierung
• Aufbau containerisierter ML-Services auf Kubernetes mit Auto-Scaling-Policies, Resource Quotas und Multi-Tenancy-Isolation; Optimierung der Infrastrukturkosten um 180K $ pro Jahr (25% Reduktion)
• Implementierung von Monitoring, Alerting und Performance-Tracking mit Prometheus, Grafana und Custom Instrumentation; Reduktion der Debugging-Zeit für Modelle um 50% und Einführung von SLOs für die Modell-Performance
• Leitung der Entwicklung einer RAG-basierten Document-Intelligence-Plattform mit LangChain, LangGraph und Vektor-Datenbanken; Implementierung von Agentic-AI-Workflows für die automatisierte Verarbeitung von Finanzdokumenten
• Implementierung von Infrastructure-as-Code mit Terraform für reproduzierbare Umgebungseinrichtung und GitOps-Workflows; Reduktion von Infrastruktur-Drift-Vorfällen um 80%
• Design von rollenbasiertem Zugriff für die ML-Plattform, Implementierung von Model-Lineage-Tracking und Aufbau von Audit Trails für regulatorische Compliance nach Enterprise-IAM-Best Practices

• Gründete ein KI-gestütztes SaaS für Terminplanung und Geschäftsverwaltung für kleine und mittlere Unternehmen und verantwortete Technologiestrategie, Architektur, Produktentwicklung, UX, Abrechnung und Go-to-Market.
• Entwickelte und realisierte eine mandantenfähige Plattform mit REST-APIs, RBAC, CRM, Abrechnung und Benachrichtigungen für das Manager-Dashboard, die Admin-Konsole, das Buchungserlebnis und iOS-/Android-Anwendungen.
• Führte und betreute 7 Softwareentwickler, 1 DevOps-Ingenieur, 1 QA-Ingenieur und 1 UX/UI-Designer und arbeitete gleichzeitig praktisch in den Bereichen Backend, Frontend und Produktentwicklung.
• Entwickelte KI-Sprach- und Chat-Agenten mit Python/FastAPI, OpenAI- und Anthropic-APIs, RAG, pgvector und Tool-Calling; integrierte Twilio, Google Calendar/Meet, Stripe und Firebase.
• Verantwortete die Produktiv-Infrastruktur und automatisierte die Auslieferung in getrennten Umgebungen mit Docker, Nginx, GitHub Actions und Grafana; vertrat das Unternehmen bei Acceleratoren und internationalen Startup-Veranstaltungen.

Ausgewählter Tech-Stack: Python, FastAPI, Node.js, Vue 3, React/Next.js, React Native, PostgreSQL, Redis, Docker

• 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.

• Migration der unternehmensweiten Autorisierungsplattform von Styra DAS zu Open-Source OPA über die Integration mit Skipper (Zalandos Golang-basiertem Ingress-Proxy)
• k8s-Ressourcen optimieren und native Prometheus-Metriken mit OPA integrieren
• Migration von einer internen Monitoring-Lösung zu Prometheus CRs + Dash0

Tech Stack: Java/Kotlin, Golang, Python, Spring Boot, AWS, Kubernetes, Docker, OpenTofu, Prometheus, Grafana

• KI- und Data-Science-Lösungen geliefert, darunter LLM-basierte Chatbots und Datenpipelines, wodurch die operative Effizienz verbessert wurde.
• An Produktfunktionen mitgearbeitet, messbare Wirkung erzielt und starke Kundenbeziehungen gepflegt.

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.

• Wirkung: Arcate verwandelt verstreute Kundensignale in bewertete Produktentscheidungen für B2B-Produktteams. Jede Initiative wird nach dem gefährdeten Umsatz priorisiert. Jede Entscheidung ist vom Kundenzitat bis zur Vorstandspräsentation nachvollziehbar. Allein entwickelt und produktiv eingesetzt. Das Modell wurde in 60 Simulationsläufen mit Kendall's tau = 0,924 gegenüber der Einschätzung erfahrener Product Manager validiert.

• Kompetenzen: Künstliche Intelligenz, KI-Agenten, Large Language Model (LLM), RAG, Model Context Protocol (MCP), agentische Workflows, Supabase, TypeScript, Deno, PHP, Stripe, PostgreSQL, Produktstrategie, Positionierung, GTM

• Fähigkeiten:

• Signalerfassung: Slack, Intercom, Gong, Salesforce, HubSpot. Signale werden nach ihrer geschäftlichen Bedeutung klassifiziert, um Entscheidungen zu Umsatzrisiken zu priorisieren.

• Umsatzbewertung: Fermi-Leverage-Modell. Initiativen werden nach gefährdetem Kunden-ARR, Signalstärke und Bestätigung durch mehrere Accounts bewertet.

• Roadmap-Intelligence: Jede Entscheidung ist vom ursprünglichen Kundensignal bis zur bewerteten, vorstandstauglichen Entscheidung nachvollziehbar.

• Entwickelt:

• MCP-Server (v0.10.0): 12 Tools, JSON-RPC 2.0, Supabase Edge Functions, SHA-256-Authentifizierung für API-Schlüssel.

• Bewertungs-Engine: Logarithmisch gewichteter ARR, durch Quadratwurzel gedämpfte Signalstärke, Bestätigung von Signalen durch mehrere Accounts.

• Agentische Workflows: 18 automatisierte Pipelines für Release, Bereitstellung, Design-QA, Guard-QA und Signalerfassung über Slack-Agenten.

• KI-Fähigkeiten: 7 kodifizierte Fähigkeiten, darunter CEO Prioritizer, Design System Enforcer, MCP QA und Simulation Runner.

• Automatisierte Qualitätssicherung: Browserbasierte Screenshot-Validierung jedes Bildschirms anhand von Design Tokens bei jedem Build.

• Vollständige SaaS-Anwendung: Authentifizierung, Abrechnung, Medien-Pipeline, Design-System. Allein produktiv eingesetzt.

• Technologie-Stack: Supabase (Authentifizierung, DB, Edge Functions, Echtzeit), Stripe, Cloudinary, PHP, TypeScript, Deno

• 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

• Kontext: Teams aus dem Gesundheitswesen und Labor brauchten eine schnellere Dokumentenanalyse, Unterstützung bei der Behandlungsplanung und zuverlässige KI-Workflows für MR-/VR-gestützte Einsätze.
• Beitrag: Ich habe die KI-Plattform für das Gesundheitswesen, Modell-/Agenten-Workflows, die Bereitstellungsplattform für VR-Brillen, REST-APIs, Next.js/React-Oberflächen und CI/CD-Pipelines aufgebaut.
• Auswirkung: Ich habe eine produktionsreife Grundlage für ein KI-Produkt geliefert, die die Prüfung klinischer Dokumente verbessert, Laborautomatisierung unterstützt und die Bereitstellung von VR-Flotten über verschiedene Umgebungen hinweg beherrschbar gemacht hat.

Tech: TypeScript, Next.js, Node.js, React, Java, Spring Boot, Python, PyTorch, TensorFlow, Docker, PostgreSQL, OpenAPI, GitLab, GitHub Actions.

• Risk-Matrix-Engine mit Apex & LWC aufgebaut; Onfido für die Dokumentenprüfung integriert.

• Versicherungsdienstleister*

Herausforderung: Geschäftskritische Dokumente liefen über externe OCR-Dienstleister mit laufenden Kosten, Abhängigkeit und Datenschutzrisiken bei sensiblen Versicherungsdaten.

Umsetzung:

• Architektur und produktive Umsetzung einer On-Premise-OCR-Lösung mit vollständiger Datenhoheit
• Verfahren zur Erkennung von Dokumentstrukturen als Basis der automatisierten Weiterverarbeitung
• ML-, NLP- und LLM/VLM-basierte Informationsextraktion, insbesondere aus Rechnungen und Angeboten

Erfolg: Ablösung der externen Dienstleister: volle Datenhoheit, DSGVO-konforme Verarbeitung und 75 % geringere laufende OCR-Kosten p. a.

Verwendete Technologien: Python, Docker, Microservices, FastAPI, PyTorch, Torchvision, MongoDB, MySQL