01/12
Architektur
Rapid Prototyping
Bis Freitag etwas zum Anklicken.
Ein funktionierender Prototyp beendet Diskussionen, die Folien nicht beenden. Ich baue schnell, um Entscheidungen möglich zu machen – und sage klar, welche Teile Prototyp sind und welche produktionsreif.
In der PraxisBei Bosch eine selbst entwickelte Harness-Anwendung, mit der sich Agent-to-Agent-Kommunikation ohne eine einzige Zeile Code prototypen lässt – mit Export als MCP- oder n8n-Workflow-Artefakte. Davor: Proofs of Concept bei R+V, Clientfocus und Hewlett-Packard.
02/12
Architektur
Solution- & Enterprise-Architektur
Systeme, die auch in fünf Jahren noch Sinn ergeben.
Integration, Service-APIs, Plattformen, auf die sich viele Teams verlassen. Gute Architektur heißt vor allem: früh Nein sagen und aufschreiben, warum.
In der PraxisArchitekt einer der beiden Kernkomponenten von NEO bei Bosch; ITSM-Transformationen für KfW, Audi, Volkswagen, Clariant, T-Systems und DB Systel – fachliche Lösungen on-premises und air-gapped sowie Schnittstellenintegrationen.
03/12
Mit Menschen
Pre-Sales & Discovery
Das Problem verstehen, bevor man eine Lösung verkauft.
Workshops, Gespräche mit Stakeholdern, technische Demos. Ich übersetze zwischen denen, die etwas brauchen, und denen, die es bauen – ehrlich, auch wenn die Antwort lautet: „Dafür brauchen Sie keine KI.“
In der PraxisBei Bosch: interne Trainings. Davor: 11+ Jahre Pre-Sales beim Anbieter in ganz EMEA bei Clientfocus, WSP und Hewlett-Packard.
04/12
Mit Menschen
KI-Trainings & Enablement
Teams, die KI verstehen, entscheiden besser über KI.
Ich erkläre KI ohne Hype und ohne Angst – für Entwickler, Führungskräfte und alle dazwischen, auf Deutsch und Englisch.
In der PraxisBei Bosch Digital: mehrere KI-Trainings und -Präsentationen; Mitinitiator eines KI-Use-Case-Barcamps. Davor bei Hewlett-Packard: Schulungsprogramme für Service-Management-Teams in ganz Europa sowie Live-Produktpräsentationen auf den HP-Software-Summits in Barcelona und Hamburg.
05/12
KI, ML & Daten
Agentische Workflows
Sprachmodelle, die in Schritten arbeiten – planen, handeln, prüfen – statt nur zu antworten.
In einem agentischen Workflow wählt das Modell seinen nächsten Schritt selbst: ein Werkzeug aufrufen, das Ergebnis lesen, neu entscheiden. Diese Freiheit ist mächtig und teuer. Deshalb lege ich fest, wo Autonomie sich lohnt und wo ein fester Ablauf die sicherere, günstigere Antwort ist.
Meine Regel: so viel Workflow wie möglich, so viel Agent wie nötig.
In der PraxisBosch Agent-Harness: Workflow-Design auf Basis von JSON, umgesetzt mit FastAPI, Python und Node.js. Bosch NEO: eine KI-Resolution-Engine, die fehlgeschlagene Transaktionen analysiert und den nächsten Schritt vorschlägt.
06/12
KI, ML & Daten
Agent-to-Agent-Kommunikation
Spezialisierte Agenten, die sich Arbeit übergeben – über Verträge, nicht über Geplauder.
Wenn mehrere Agenten zusammenarbeiten, sind die Schnittstellen zwischen ihnen wichtiger als jeder einzelne Prompt: wer wen fragen darf, was weitergegeben wird, wie ein Fehler sichtbar wird. Agent-to-Agent-Nachrichten (A2A) behandle ich wie Service-APIs – typisiert, versioniert, protokolliert.
In der PraxisBaut auf Jahren als Service-API-Architekt bei Bosch auf: Infrastruktur, RHEL-Betrieb, Incident-, Service-Request- und Change-Management, Entwicklung und Deployment.
07/12
KI, ML & Daten
MCP-Architektur & Function Calling
Modellen Zugang zu echten Systemen geben, ohne die Schlüssel abzugeben.
Das Model Context Protocol (MCP) standardisiert, wie Modelle Werkzeuge und Daten erreichen. Ich entwerfe MCP-Server und Funktionssätze, die klein, gut beschrieben und freigegeben sind – damit ein Modell nur tun kann, was das Unternehmen genehmigt hat, und jeder Aufruf nachvollziehbar bleibt.
In der PraxisFunction Whitelisting in der Resolution Engine bei Bosch.
08/12
KI, ML & Daten
Agent-Harness-Entwicklung & Richtlinien
Der Rahmen um das Modell: Schleife, Kontext, Werkzeuge, Rechte, Protokolle, Abbruchregeln.
Das Modell denkt; der Harness entscheidet, was tatsächlich passiert. Ich baue Harnesses und schreibe die Richtlinien, mit denen Teams ihre eigenen einheitlich bauen – damit sich zehn Agenten in einem Unternehmen wie eine Architektur verhalten und nicht wie zehn Experimente.
In der PraxisBei Bosch: eine selbst entwickelte Harness-Anwendung – Agent-to-Agent-Prototypen ohne Code, exportiert als MCP- oder n8n-Workflow-Artefakte.
09/12
KI, ML & Daten
Leitplanken & sichere Funktionen
Vorher festlegen, was eine KI niemals tun darf.
Ein Modell kann gleichzeitig überzeugend und falsch sein. Leitplanken machen das harmlos: freigegebene Funktionen, geprüfte Ein- und Ausgaben, menschliche Freigabe für alles Unumkehrbare und ein Prüfpfad, der hinterher erklärt, warum etwas passiert ist.
Ein blinder Fleck, den ich ernst nehme: Leaking über das Reasoning. Eine Leitplanke blockiert die Antwort – der Anwender bekommt sie nie zu sehen. Im Reasoning des Modells kann genau diese Antwort aber trotzdem stehen. Das Reasoning landet in einer Logdatei, ein anderer Agent liest das Log, verarbeitet den Inhalt und gibt ihn weiter. Heutige Prüfmethoden betrachten meist nur die finale Antwort; Reasoning-Spuren und Logs decken sie nicht oder nur zum Teil ab.
Deshalb behandle ich Reasoning und Logs ebenfalls als Ausgaben: dieselben Prüfungen, Schwärzung, bevor etwas geschrieben wird, und kein Agent liest das rohe Reasoning eines anderen.
In der PraxisFreigegebene Funktionen und Alarmierung über Teams / Outlook bei Bosch; Warn-Flags in der Evolution Engine.
10/12
KI, ML & Daten
Data Science & Machine Learning
Erst die Daten verstehen – dann das Modell wählen.
Vor jedem Modell stehen die Daten: bereinigen, normalisieren, das Signal finden. Für große Log-Mengen baue ich das Fundament darunter: ClickHouse als analytische Datenbank, Log-Vaults für die sichere Langzeitablage und einen Parquet-Transformer, der rohe Logdateien in spaltenorientierte, komprimierte und schnell abfragbare Dateien umwandelt.
Darauf setze ich klassisches Machine Learning ein, wo es ein Sprachmodell schlägt, und neuronale Netze dort, wo nicht.
In der PraxisNeuronale Persönlichkeitsmodelle, je Individuum trainiert, in der Evolution Engine; normalisierte Log-Analyse bei Bosch.
11/12
KI, ML & Daten
Eigenes RAG
Antworten, die auf Ihren eigenen Dokumenten beruhen – mit Quellen.
Retrieval-Augmented Generation lässt ein Modell Ihr Wissen zitieren, statt zu raten. Die Suche baue ich selbst – Chunking, Embeddings, Ranking –, damit immer klar ist, warum eine Antwort erscheint und woher sie kommt.
In der PraxisEigene Implementierung, kein Black-Box-Produkt.
12/12
KI, ML & Daten
Lokaler Betrieb (air-gapped)
Lokal oder nicht lokal – das ist hier die Frage.
Wie schützt man Unternehmensdaten – und lohnt es sich, eigene, lokal betriebene Systeme zu besitzen? Immerhin kostet eine einzige RTX-6000-Karte rund 17.798 € (Stand 10/2026).
Meine Antwort ist ein klares Ja für mittelständische Unternehmen, die ihr geistiges Eigentum für sich behalten wollen oder müssen. Man sollte sich aber bewusst sein: Die Grundvoraussetzung ist eine Analyse der Daten. Eine gute Lösung verbindet KI mit deterministischen Werkzeugen und einer sehr gut durchdachten MCP-Landschaft, die die Modelle sauber an die Systeme anbindet. Dazu gehört ein GPU- und VRAM-Management, das die Last sinnvoll verteilt, und nächtlich geplante Jobs, deren Ergebnisse am nächsten Tag ganz ohne GPU und VRAM genutzt werden können.
Technisch und auf Architekturebene betreue ich Modelle über ihren ganzen Lebenszyklus – Plan, Build, Run: vom LoRA-Finetuning bis zum Betrieb auf GPU-Docker-Stacks, auf Wunsch komplett offline.
In der PraxisIm Unternehmen werden unterschiedlichste Modelle (GLM, Mistral, Claude von Anthropic, GPT, Gemini) über einen Security-Layer angebunden und in Workflows mit n8n oder OpenText eingesetzt. In eigenen Projekten läuft die Evolution Engine vollständig offline, und meine Content-Pipeline übersetzt mit einem lokalen Modell.
