Malte Poppensieker
EN Gespräch buchen
KI: Strategie und Umsetzung · London · Remote

Den meisten KI-Projekten
fehlt kein Modell.
Ihnen fehlt der Plan.
Ich fange beim Plan an.

Ich unterstütze Unternehmen dabei, sinnvolle KI-Anwendungen zu identifizieren, daraus tragfähige Lösungen zu entwickeln und diese produktiv umzusetzen. Dabei verbinde ich strategische Beratung, Produktentwicklung und technische Umsetzung – von der ersten Idee über den Prototyp bis zum produktiven Einsatz und der Weiterentwicklung.

Erzählen Sie mir das Problem Referenzen ansehen
Datenblatt
ich beginne
beim Plan
umfang
Strategie → Produktion
ergebnis
Analyse, Spec, Produkt
ausstieg
nach jedem Schritt
garantie
90 Tage Fehlerbehebung
teamgröße
1
Malte Poppensieker
01 - Wer ich bin

An einem KI-Projekt sitzen normalerweise drei Leute. Ich bin alle drei.

Ich bin Malte Poppensieker. Ich habe bei Capgemini beraten, bei Amazon Product Management gemacht, bei Nerdy - der größten Online-Nachhilfeplattform der USA - das internationale Geschäft geführt und danach eine KI-Lernplattform gegründet. Diplom in Wirtschaftsinformatik, MBA aus Cambridge.

Diese Kombination ist mein Mehrwert. Diese Arbeit braucht normalerweise einen Berater, einen Product Manager und einen Entwickler. Wer alle drei einkauft, merkt spätestens im zweiten Monat, dass die Strategie den Code nie ganz erreicht. Ich sitze vormittags in Ihrem Prozess-Workshop und nachmittags an der Systemarchitektur - Business Case, Anforderungen und System bleiben deshalb dieselbe Sache.

Sie müssen nicht tief in der Technik stecken, und Sie müssen kein Team aus Spezialisten zusammenstellen. Bringen Sie eine Idee mit, einen Prozess, der Ihr Team frustriert, oder ein Kundenproblem. Ich kläre, ob KI dort wirklich hilft, wir entscheiden gemeinsam, was das Produkt sein soll, und dann entwerfe, baue und liefere ich es. Und wenn in den ersten 90 Tagen etwas nicht funktioniert, repariere ich es.

  • Berater
  • Product Manager
  • KI-Entwickler
02 - Wie ich arbeite

Sechs Schritte. Im ersten versuche ich, mir den Auftrag auszureden.

Berater, Product Manager und Entwickler. In dieser Reihenfolge, in einem Vertrag. Remote aus London, in Ihren Standups, vor Ihrer Geschäftsführung, wenn es hilft.

  1. Das ehrliche Gespräch

    Dreißig Minuten, Video oder Telefon. Ich prüfe zwei Dinge: ob KI hier wirklich hilft und ob ich der Richtige bin. Oft ist die ehrliche Antwort eine Regel-Engine, ein besseres Formular oder ein aufgeräumter Prozess. Das sage ich Ihnen, bevor Sie Geld für ein Modell ausgeben.

  2. Analyse und Workshop

    Wir nehmen den Prozess oder die Idee gemeinsam auseinander, trennen, wo KI Wert schafft und wo nicht, und einigen uns, was gebaut wird. Die meisten KI-Projekte scheitern, weil niemand definiert hat, was "fertig" heißt. Sie gehen mit dem Anforderungsdokument heraus: lesbar auch für alle, die nicht programmieren, und umsetzbar von jedem.

  3. Ein Prototyp zum Klicken

    Kein Mockup in einer Präsentation. Ein interaktiver Prototyp, den wir gemeinsam durchgehen und so lange schärfen, bis er unmissverständlich das abbildet, was Sie brauchen.

  4. Architektur, gründlich gemacht

    Modellwahl, Datenflüsse, Evaluation, Guardrails, Kosten. Token-Ökonomie, Latenz, Fehlerfälle, der Preis eines Menschen in der Schleife - entschieden vor dem Bau, nicht entdeckt nach dem Launch. Genau dieser Schritt fehlt bei den Projekten, die im zweiten Monat sterben.

  5. Es wird gebaut

    Regelmäßige Demos, damit Sie bestätigen können, dass die Richtung stimmt. Laufende Iteration auf Ihr Feedback. Keine sechs Wochen Funkstille mit Überraschung am Ende.

  6. Launch, Deployment, Verantwortung

    Wenn Sie zufrieden sind, übernehme ich Launch und Deployment. Finden Sie in den 90 Tagen danach einen Fehler, behebe ich ihn kostenlos. Danach Übergabe an Ihr Team - oder ich behalte die Verantwortung. Ihre Entscheidung.

Sie können nach jedem Schritt aufhören. Manche nehmen das Anforderungsdokument und bauen selbst, auch das ist ein gutes Ergebnis. Und neunzig Tage nach dem Launch sind Bugs immer noch mein Problem.
90 Tage Fehlerbehebung
03 - Referenzen

Entwickler, Berater, Product Manager, Geschäftsführer. Chronologisch war es komplizierter.

Zwei Jahrzehnte fremde schwere Probleme: Enterprise-Beratung, Big-Tech-Produkt, zwei international ausgerollte Marktplätze und ein Startup, das ich gegründet und selbst programmiert habe.

Brainie

Gründer

Eine KI-gestützte Lernplattform für Mathematik. Ich habe die Didaktik mit Fachleuten definiert, das gesamte System entworfen, die Hauptteile selbst gebaut und ein Team externer Entwickler geführt.

Amazon

Product Manager

Produktmanagement in einer der anspruchsvollsten Produktorganisationen, die es gibt. Dort habe ich gelernt, Produkte zu definieren, die der Realität standhalten - und Nutzer begeistern.

Capgemini

Berater

Enterprise-Beratung: sich in die Prozesse fremder Unternehmen hineindenken und sie dann in etwas übersetzen, das sich tatsächlich bauen lässt. Deshalb müssen Sie mit mir nicht technisch sprechen.

Nerdy

General Manager

Die größte Online-Nachhilfeplattform der USA. Ich war voll verantwortlich für das Geschäft außerhalb der Vereinigten Staaten.

Gett

Global Head of Gett Together

Ich habe das weltweite Ridesharing-Geschäft aufgebaut. Neue Märkte, neue Operations, von 0 auf 100.

Universität Trier
Diplom Wirtschaftsinformatik
damit der Code trägt
University of Cambridge
MBA
damit der Business Case trägt
04 - Projekte

Die meisten davon gibt es, weil jemand sie mir einmal laut beschrieben hat.

Aktuelle KI-Projekte. Der schwierige Teil war jedes Mal die Entscheidung, was das Produkt sein soll - der Bau folgte daraus. Anonymisiert, wo Kunden darum gebeten haben.

Lernen

Mathe-Nachhilfe, die die Lösung verweigert

Die strategische Entscheidung war, die Antwort zu verweigern: Wer die Lösung verrät, lehrt nichts und konkurriert mit kostenlosen Chatbots. Also fragt das System sokratisch, findet heraus, welche Vorstufe wirklich fehlt, und passt den nächsten Schritt an. Ein Produkt mit zahlenden Kunden, keine Demo.

  • Produktdefinition
  • Adaptives Lernen
  • Python
  • React
Recht

Präzedenzfall-Suche für Gerichtsverfahren

Durchsucht einen riesigen Bestand abgeschlossener Verfahren und findet in Sekunden die Entscheidungen zu genau einer Rechtsfrage. Eine Trefferliste wäre einfach und nutzlos gewesen: Jedes Ergebnis zeigt sein Gewicht und seine spätere Behandlung - also ob es noch trägt.

  • Anforderungen
  • Retrieval at Scale
  • Rechtskorpus
Generativ

Charakter-Animation aus einem Prompt

Von der geschriebenen Absicht zur fertigen Bewegung, ganz ohne manuelles Keyframing. Das Schwierige war nie die Bewegung - sondern dass die Figur über alle Takes hinweg dieselbe bleibt. Konsistenz und Reproduzierbarkeit waren das Produkt, nicht die Bewegungsqualität.

  • Produktentscheidung
  • Generative Pipeline
  • Animation
Monitoring

Ein Nachrichten-Scanner mit Meinung

Liest laufend über 140 Quellen und holt genau das heraus, was seinen Besitzer wirklich interessiert. Die Interessengebiete werden in normaler Sprache beschrieben, nicht als Stichwörter - und nichts erscheint nackt: Jeder Treffer bringt mit, warum er zählt und aus welcher Passage das kommt.

  • Produktdefinition
  • Monitoring
  • Filterung
Content Ops

Menschliche Prüfung, in Maschinengeschwindigkeit

Generierung und Veröffentlichung mussten getrennte Systeme sein, nicht zwei Einstellungen eines Systems: Nichts erreicht Lernende ungeprüft. Eine bewusste Deckelung des Durchsatzes - und der Grund, warum die Inhalte mit Garantie verkauft werden können.

  • Workflow-Design
  • Human in the Loop
  • Content Ops
Auf Wunsch des Kunden ohne Bildmaterial.
Finanz-Agent

Abstimmung, die niemand mehr machen muss

Der Agent holt die Rechnungen selbst - aus Portalen, Postfächern, Dateiablagen -, gleicht sie gegen die Bankbuchung ab und bucht das Ergebnis. Die eigentliche Designarbeit war die Konfidenzschwelle: Eine falsche Automatik kostet weit mehr als eine unnötige Rückfrage. Von zwanzig Stunden pro Woche auf zwei.

  • Prozessanalyse
  • KI-Agent
  • Finance Ops
Medien-Pipeline

2.400 Erklärvideos, ohne Animationsteam

Entscheidend war, kein Videomodell zu benutzen: Die Bilder werden programmatisch aus der Mathematik selbst gerendert und sind dadurch richtig statt nur plausibel. KI dort, wo sie verlässlich ist; Code dort, wo Korrektheit zählt.

  • Architektur
  • Generierungs-Pipeline
  • Automatisierung
Lernen

RolleKI-Entwickler, Product Manager & Berater

Brainie - ein KI-Mathetutor für die Klassenstufen 7 bis 10, am Lehrplan der Bundesländer ausgerichtet. Ein laufendes Abo-Produkt mit zahlenden Kunden, keine Demo.

Ich habe es gegründet, die Didaktik mit Fachleuten definiert, das System entworfen und große Teile davon selbst gebaut.

Vom Problem zum Produkt

Ein KI-Tutor, der die Antwort verweigert

Problem

Nachhilfe funktioniert, kostet aber rund 40 Euro die Stunde und ist um 21 Uhr am Abend vor der Klausur nicht verfügbar. Aufgezeichnete Inhalte sind günstig und immer da - und werden weitgehend ignoriert, weil sie nicht auf die konkrete Person eingehen können, die davorsitzt.

Warum KI

Die Lücke sind nicht die Inhalte, sondern ein geduldiger Dialog, der sich in Echtzeit anpasst. Genau das können Sprachmodelle wirklich - und genau deshalb schließt eine Videobibliothek diese Lücke nie.

Produktentscheidung

Das System gibt niemals die Antwort. Diese eine Einschränkung hat alles geprägt: Sie trennt das Produkt von einem allgemeinen Chatbot mit Fach-Prompt, sie macht die Didaktik gegenüber Eltern begründbar, und auf ihr ruhen die Preisgestaltung und die Notengarantie. Dahin zu kommen hieß, zu entscheiden, was eine Lerneinheit ist - nicht bloß, welches Modell man aufruft.

Was ich gebaut habe

Interaktive Erklärungen zu Brüchen, Gleichungen, Funktionen und Geometrie. Ein adaptiver Pfad je Lernendem. Aufgaben, bei denen der Lösungsweg und das Tempo frei wählbar sind. Mathematische Werkzeuge für Formeln, Geometrie und Graphen, die direkt mit dem Modell darunter sprechen. Der Tutor gibt immer hilfreiches Feedback - und nie die Lösung.

Architektur

Python/Django und PostgreSQL im Backend, React im Frontend. LLM-gestützte Diagnose und Inhaltsgenerierung, mit menschlicher Prüfung, bevor etwas bei Lernenden ankommt. Videopipeline auf Celery und Manim.

Ergebnis

Ein laufendes Produkt mit zahlenden Abonnenten. Bei der Anmeldung prognostiziert das System eine Zielnote und ein Datum, und diese Prognose trägt eine Geld-zurück-Garantie - die Modellierung muss stimmen, weil das Geschäftsmodell daran hängt.

Leistungen und Technologien
  • Künstliche Intelligenz
  • Python
  • React
  • Machine Learning
  • LLM Prompt Engineering
Recht

RolleKI-Entwickler & Product Manager

Ein Retrieval-System, das einen großen Bestand abgeschlossener Gerichtsverfahren durchsucht und die Entscheidungen zu genau einer Rechtsfrage findet - in Sekunden statt in Stunden.

Ich habe mit einem nicht-technischen Gründerteam gearbeitet, von den Anforderungen bis zum laufenden System.

Vom Problem zum Produkt

Recherche, die man zitieren kann

Problem

Die einschlägigen Entscheidungen zu einer konkreten Rechtsfrage zu finden, dauert lange. Das eigentliche Risiko ist aber nicht die übersehene Entscheidung, sondern die zitierte, die inzwischen angezweifelt oder aufgehoben wurde.

Warum KI

Stichwortsuche scheitert hier strukturell: Derselbe Rechtsgedanke wird über Jahrzehnte hinweg mit unterschiedlichen Worten formuliert. Bedeutung statt Zeichenketten zu vergleichen ist genau das, wofür Embeddings und Retrieval da sind. Hier war KI eindeutig das richtige Werkzeug, und das habe ich früh gesagt.

Produktentscheidung

Eine Rangliste von Dokumenten wäre einfach und nutzlos gewesen. Juristinnen und Juristen müssen wissen, wie viel Gewicht eine Entscheidung hat und was danach mit ihr passiert ist. Also zeigt jedes Ergebnis sein Gewicht zur Rechtsfrage, seine spätere Behandlung und die tatsächlich tragende Passage. Nichts muss auf Treu und Glauben übernommen werden.

Was ich gebaut habe

Retrieval über 1.200+ Entscheidungen, mit Filtern nach Gerichtsbarkeit, Instanz und Datum. Sortierte Ergebnisse mit Behandlungshistorie. Zitierfähigkeit auf Passagenebene. Ein Leseansicht, die tragenden Grundsatz, herangezogene Passage und spätere Behandlung auf einen Bildschirm bringt.

Architektur

Python, Django und AWS Lambda, mit LangChain-Orchestrierung über einem Vektorindex des Korpus. React im Frontend.

Ergebnis

Von der Frage zur zitierfähigen Position in einem Durchgang. Vom Prototyp zum laufenden System, gemeinsam mit einem Gründerteam ohne technischen Hintergrund - Anforderungen, Produktdesign und Code lagen bei mir.

Leistungen und Technologien
  • Retrieval Augmented Generation
  • Python
  • LangChain
  • Django
  • Künstliche Intelligenz
Generativ

RolleKI-Entwickler

Ein vollautomatischer Animationsprozess, gesteuert von einem einzigen geschriebenen Prompt - von der Absicht in normaler Sprache zur fertigen Bewegung, ohne manuelles Keyframing.

Das Schwierige war nie, Bewegung zu erzeugen; es war, dass die Figur über alle Takes hinweg erkennbar dieselbe bleibt. Feste Referenzblätter und mit Seed reproduzierbare Takes haben das gelöst.

Vom Problem zum Produkt

Konsistenz, nicht Neuheit

Problem

Charakter-Animation ist teuer, weil sie von Hand posiert wird. Jede Sekunde Bewegung ist der Nachmittag eines Menschen - für alle, die in Menge produzieren wollen, ist das unerreichbar.

Warum KI

Generatives Video kann aus einer Beschreibung plausible Bewegung erzeugen, und das ersetzt das Keyframing. Diese Fähigkeit ist real und neu genug, um darauf aufzubauen.

Produktentscheidung

Die naive Variante - Prompt rein, Clip raus - ist Spielzeug, weil die Figur in jedem Take etwas anders aussieht und sich nichts iterieren lässt. Konsistenz und Reproduzierbarkeit waren das Produkt, nicht die Bewegungsqualität. Also bekommt jede Figur ein festes Referenzblatt, jeder Take einen Seed, und die Steuerung läuft über Regler - Bewegungsstärke, Referenztreue, Dauer - statt über umgeschriebene Prompts und Hoffnung.

Was ich gebaut habe

Eine Prompt-zu-Bewegung-Pipeline mit Referenzblättern je Figur, einer Stilschicht beim Rendern, Bewegungsreglern und Take-Verwaltung mit Seeds, sodass sich jedes Ergebnis gezielt reproduzieren oder neu würfeln lässt.

Architektur

Generative Videomodelle hinter einer Python-Orchestrierungsschicht, mit Render-Queue und einer Studio-Oberfläche darüber.

Ergebnis

Aus einer Anweisung wie "vier federnde Schritte auf die Kamera zu, die Antenne wackelt bei jeder Landung" wird fertige Bewegung, ohne ein einziges Keyframe - und die Figur sieht im nächsten Take immer noch aus wie sie selbst.

Leistungen und Technologien
  • Künstliche Intelligenz
  • KI-Entwicklung
  • Generative Gestaltung
  • KI-Videogenerierung
Monitoring

RolleKI-Entwickler & Product Manager

Ein Monitoring-System, das laufend über 140 Nachrichtenquellen liest und nur das herausholt, was seinen Besitzer wirklich interessiert.

Die Interessengebiete werden in normaler Sprache beschrieben statt als Stichwörter. Das System liest jeden Artikel, beurteilt die Relevanz gegen diese Gebiete und erklärt, warum ein Fund zählt - mit der Quellpassage im Anhang.

Vom Problem zum Produkt

Signal statt Menge

Problem

Stichwort-Alerts scheitern in beide Richtungen gleichzeitig. Sie übersehen den Artikel, auf den es ankommt, weil er andere Worte benutzt, und sie begraben die Leserin unter Artikeln, die den Begriff bloß erwähnen. Das Ergebnis ist ein Feed, dem niemand traut und den deshalb niemand liest.

Warum KI

Ob etwas zu einem Interesse wie "regulatorischer Druck auf Private Credit" gehört, ist eine Beurteilung von Bedeutung, kein Zeichenkettenvergleich. Diese Beurteilung über tausend Artikel am Tag zu treffen, ist genau die Art Arbeit, die erst seit Kurzem möglich ist.

Produktentscheidung

Zwei Entscheidungen haben das Produkt bestimmt. Erstens werden Interessengebiete in normaler Sprache beschrieben, sodass man ein Interesse formuliert, statt zu raten, welche Worte eine Journalistin wählen wird. Zweitens erscheint nichts nackt: Jeder Fund trägt ein kurzes Warum und die Passage, aus der es stammt. Ein unbegründetes KI-Urteil wird beim ersten Fehlalarm ignoriert - die Begründung zu zeigen, macht es erst benutzbar.

Was ich gebaut habe

Laufende Erfassung über 140+ Quellen nach Zeitplan. Relevanzurteil je Artikel gegen die Interessengebiete, Sentiment-Bewertung und eine geschriebene Begründung mit Quellpassage. Eine Prüfoberfläche mit Priorisierung, Alarmen und Abdeckungsübersicht.

Architektur

Python, LLM-Klassifikation und -Zusammenfassung, Vektorsuche über die erfassten Inhalte, geplante Erfassung mit Duplikaterkennung.

Ergebnis

Über tausend Artikel am Tag werden zu einer Handvoll, die sich zu lesen lohnt - jeder davon zurückverfolgbar bis zu dem Satz, der ihn ausgelöst hat.

Leistungen und Technologien
  • Künstliche Intelligenz
  • Python
  • Retrieval Augmented Generation
  • LLM Prompt Engineering
  • KI-Agenten-Entwicklung
Content Ops

RolleKI-Entwickler & Product Manager

Ein Workflow, der komplexe Lerninhalte vorgeneriert und durch eine strukturierte menschliche Prüfung schickt: Die Qualität bleibt in Menschenhand, die Menge ist kein Engpass mehr.

Fachleute geben frei, bearbeiten oder lehnen ab - in eigens gebauten Werkzeugen mit Live-Vorschau für LaTeX, Geometrie und Graphen.

Vom Problem zum Produkt

Die Qualität bleibt menschlich

Problem

Einen Lehrplan abzudecken braucht weit mehr Aufgaben, Erklärungen und Rechenwege, als Fachleute von Hand schreiben können. Aber in der Bildung ist ein falsches Rechenbeispiel schlimmer als ein fehlendes - es lehrt den Fehler, und zwar überzeugend.

Warum KI

Menge. Die Generierung bringt von jedem Element einen Entwurf in einer Geschwindigkeit zustande, die kein Autorenteam erreicht - und macht damit aus einem Schreibproblem ein Prüfproblem.

Produktentscheidung

Generierung und Veröffentlichung mussten getrennte Systeme sein, nicht zwei Einstellungen eines Systems. Alles Generierte landet in einer Prüfliste und wird erst aktiv, wenn ein Mensch das sagt. Das deckelt den Durchsatz bewusst - und ist der Grund, warum die Inhalte mit einer Garantie verkauft werden können. Auch die Prüfenden brauchten echtes Werkzeug: Rohe Modellausgabe zu lesen ist langsam und fehleranfällig, deshalb rendert der Editor LaTeX live.

Was ich gebaut habe

Massengenerierung von Erklärungen, Aufgaben und Lösungsschritten - inklusive interaktiver Geometrie- und Graphenelemente, Bilder und komplexer Formeln. Eine Prüfliste mit explizitem Status. Eigens gebaute Prüfwerkzeuge mit Live-LaTeX-Vorschau, Aufgaben- und Erklärungseditor und vollständigem Änderungsprotokoll.

Architektur

Python und Django, React im Frontend, LLM-Generierung und eine Workflow-Engine mit Status und Protokollierung.

Ergebnis

Die Qualität bleibt in Menschenhand, und die Menge ist nicht mehr der Engpass. Ich habe den Workflow mit dem Prüfteam definiert und die Generierungsschicht, die Prüfliste und die Werkzeuge gebaut.

Leistungen und Technologien
  • Künstliche Intelligenz
  • Python
  • Django
  • React
  • KI-Produktmanagement
Finanz-Agent
Auf Wunsch des Kunden ohne Bildmaterial.

RolleKI-Entwickler & Product Manager

Ein Agent, der den Rechnungsabgleich von Anfang bis Ende übernimmt. Er holt die Rechnungen selbst - aus Lieferantenportalen, E-Mail-Postfächern und internen Dateiablagen -, gleicht jede gegen die Bankbuchung ab und bucht das Ergebnis direkt in die Buchhaltung.

Die eigentliche Designarbeit war die Konfidenzschwelle: Eine falsche automatische Zuordnung kostet weit mehr als eine unnötige Rückfrage, also klärt der Agent nur, was eindeutig ist.

Vom Problem zum Produkt

Holen, zuordnen, buchen

Problem

Rechnungsabgleich besteht überwiegend daraus, das Offensichtliche zu bestätigen - mit gelegentlich einer echten Ermessensentscheidung irgendwo im Stapel. Schlimmer noch: Die meisten Werkzeuge setzen voraus, dass jemand die Rechnungen bereits zusammengetragen hat. Und genau dieses Zusammentragen, über Portale, geteilte Postfächer und Dateiablagen hinweg, ist die eigentliche Arbeit.

Warum KI

Zwei Dinge widersetzen sich hier festen Regeln. Ein beliebiges Lieferanten-PDF zu lesen und Betrag, Datum und Referenz herauszuziehen, ist ein Problem des Dokumentenverständnisses. Zu erkennen, dass "INV-4417 / Müller GmbH" zu einer Bankzeile mit abgeschnittenem Verwendungszweck gehört, ist unscharfes Zuordnen über unsauberem Text. Beides ist eindeutig KI. Das Buchen selbst ist es nicht - das blieb klassischer Code.

Produktentscheidung

Wo die Konfidenzschwelle liegt - und sie ist nicht symmetrisch. Eine falsche automatische Buchung verdirbt das Hauptbuch und kostet Stunden zum Aufräumen; eine unnötige Rückfrage kostet jemanden dreißig Sekunden. Also ist der Agent bewusst vorsichtig, und jede Rückfrage kommt mit den Kandidaten und der Begründung des Agenten bereits im Anhang. Die Person entscheidet, statt eine Recherche zu beginnen.

Was ich gebaut habe

Abholung aus Lieferantenportalen, E-Mail-Postfächern und internen Dateiablagen. Zuordnung über Betrag, Datum, Referenz und Geschäftspartner. Automatische Buchung in die Buchhaltung bei eindeutigen Treffern. Eine Eskalationsliste mit Begründung für alles andere.

Architektur

Ein Openclaw-basierter Agent für Extraktion und Zuordnung, eine Regel-Engine für die deterministischen Prüfungen und eine Integrationsschicht in die Buchhaltung.

Ergebnis

Die eindeutige Mehrheit läuft durch, ohne dass jemand sie anfasst, und die verbleibende Arbeit des Finanzteams besteht aus Entscheidungen statt aus Datensammeln. Der Wochenaufwand für Rechnungsbeschaffung und Abgleich ging von zwanzig auf zwei Stunden zurück.

Leistungen und Technologien
  • KI-Agenten-Entwicklung
  • Künstliche Intelligenz
  • Automatisierung
  • LLM Prompt Engineering
  • Buchhaltung
Medien-Pipeline

RolleKI-Entwickler & Product Manager

Eine vollautomatische Pipeline, die Erklärvideos von Anfang bis Ende produziert - Skript, Sprecher, animierte Bilder, Rendering - ohne Animationsteam. Über 2.400 Videos sind damit entstanden.

Ich habe die Architektur entworfen und sie gebaut.

Vom Problem zum Produkt

Menge ohne Studio

Problem

Erklärvideos klassisch zu produzieren heißt: eine Autorin, ein Sprecher und eine Animatorin für jedes einzelne Video. Der Ausstoß ist gedeckelt auf das, was ein kleines Team pro Woche von Hand schafft - einen ganzen Lehrplan so abzudecken, war nie realistisch.

Warum KI

Skript und Sprache sind Generierungsprobleme, die Sprach- und Sprechmodelle gut lösen. Reihenfolge und Timing sind Orchestrierung. Diese Teile brauchten tatsächlich KI.

Produktentscheidung

Die Bilder nicht. Generatives Video ist beeindruckend und zu oft falsch - und in einem Mathe-Erklärvideo ist eine plausibel aussehende, aber falsche Grafik schlimmer als gar kein Video. Also werden die Bilder deterministisch aus der zugrunde liegenden Mathematik gerendert, mit Manim. KI dort, wo sie verlässlich ist; Code dort, wo Korrektheit zählt. Diese Trennung ist der Grund, warum man der Pipeline in der Menge trauen kann.

Was ich gebaut habe

Thema rein, fertiges Video raus: LLM-Skripterstellung mit Prüfung, programmatische Animation, synthetische Sprache, Rendering und Veröffentlichung. Eine Job-Queue, damit der Durchsatz mit der Rechenleistung skaliert.

Architektur

Durchgehend Python. LLM-Generierung, Manim für die Animation, ElevenLabs für die Stimme, Celery und n8n für Orchestrierung und Wiederholungen.

Ergebnis

Über 2.400 produzierte Videos. Der Ausstoß ist durch Rechenleistung begrenzt, nicht durch Personal - und die Qualität hielt, weil der Teil, der exakt sein musste, nie einem Modell überlassen wurde.

Leistungen und Technologien
  • Künstliche Intelligenz
  • Python
  • LLM Prompt Engineering
  • KI-Entwicklung
  • ElevenLabs
Hier ist Platz für Ihres. Bringen Sie das Problem. Die anderen drei Jobtitel bringe ich mit.
Projekt starten
05 - Was ich mache

Die Hälfte dieser Arbeit passiert, bevor jemand einen Editor öffnet.

  • KI-Machbarkeit und Strategie
  • Prozessanalyse und Automatisierungsdesign
  • Produktdefinition und Anforderungsanalyse
  • Lösungsarchitektur für KI-native Systeme
  • Komplette Umsetzung: Bau, Integration, Deployment
  • Übergabe an Ihr Team - oder weiter in meiner Hand
Was ich baue

Sieben Dinge, immer wieder. Ihres ist ziemlich sicher dabei.

  • KI-Agenten, die in bestehenden Systemen arbeiten
  • Pipelines zur Content-Generierung
  • Content-Destillierer und Scanner
  • Chatbots
  • Automatisierter Kundenservice
  • Wissens- und Retrieval-Systeme (RAG)
  • Komplexe KI-native Anwendungen
Technologie

Werkzeuge sind der langweiligste Teil. Hier sind sie trotzdem.

Ich nehme die langweilige Option, solange nichts dagegen spricht - Ihr Team muss das hier pflegen, wenn ich längst weg bin.

  • Python
  • Django
  • React
  • React Native
  • Serverless
  • Anthropic/OpenAI/Gemini/Deepseek/Moonshot
  • Elevenlabs
  • LangChain
  • LangGraph
  • Vektordatenbanken
  • Openclaw
  • AWS
  • Google Cloud
06 - Vier Wege anzufangen

Der erste Schritt ist kostenlos. Und der, bei dem ich Sie vielleicht wieder wegschicke.

Sie können nach jedem Schritt aufhören. Manche nehmen die Analyse oder das Anforderungsdokument und bauen selbst. Und das ist auch in Ordnung.

Möglichkeit eins

Sondierungsgespräch

Dreißig Minuten, Video oder Telefon, ohne Folien. Sie beschreiben das Problem; ich sage Ihnen ehrlich, ob KI hier hilft und ob ich der Richtige bin. Wenn ich kein Fit bin, sage ich das.

Kostenlos
Gespräch buchen
Möglichkeit zwei · meistens

Prozessanalyse und Potenzialbewertung

Wir nehmen auf, wie Ihr Geschäft tatsächlich läuft: was passiert, wo die Zeit hingeht, was es kostet. Sie erhalten eine schriftliche Analyse, wo KI Wert schafft und wo nicht - jedes Potenzial bewertet nach Aufwand, Betriebskosten und Risiko, inklusive der Fälle, von denen ich abrate.

3.100 €
Möglichkeit drei

Anforderungs-Workshop

Eine Arbeitssitzung, allein oder mit dem ganzen Team. Wir klären, was das Produkt tatsächlich können muss, und Sie gehen mit einem detaillierten Anforderungsdokument heraus. Ihres - egal, wer es am Ende baut.

1.550 €
Möglichkeit vier

Komplette Entwicklung

Prototyp, Architektur, Bau, Launch - mit regelmäßigen Demos und 90 Tagen kostenloser Fehlerbehebung nach Go-live. Eine Person, verantwortlich von der ersten Zeile bis zum Deployment.

Festpreis, nach dem Workshop

Die Idee haben Sie
schon länger. Finden wir heraus, ob sie trägt.

Ein Gespräch, dreißig Minuten, ohne Folien. Beschreiben Sie es in normalen Worten. Danach wissen Sie, ob KI hier die richtige Antwort ist und was es braucht. Ob ich es am Ende baue oder nicht.

malte [at] ki-produktentwicklung.de 30-Minuten-Gespräch buchen
standort
London, Vereinigtes Königreich
sprachen
Deutsch · Englisch
verfügbarkeit
Nach Bedarf verfügbar - offen für Anfragen

Mini-Malte

Maltes Antworten, sofort

Ich bin Mini-Malte - Maltes Vertretung. Fragen Sie mich alles, was Sie ihn fragen würden: sein Werdegang, wie ein Projekt wirklich läuft, was es kostet. Oder beschreiben Sie einfach, was Sie gebaut haben wollen.