Erfolgsgeschichten
Strategie bis Implementierung — so sieht das in der Praxis aus.
Zykluszeit-Reduktion nach AI-Integration in SDLC.
Anforderungen, Coding, QA-Automatisierung, Release Ops.
Zeit von Idee zu funktionierendem Erkennungssystem.
AI-native SDLC für eine Sportstech-Plattform
Ich arbeitete mit einem regulierten Sportstech-Betreiber, um AI in jede Phase des Software-Entwicklungslebenszyklus einzubetten. Ich formte die AI-Strategie mit der Führung, dann embedete ich mich bei den Engineering-Teams, um sie umzusetzen.
Highlights
- Definierte die AI-Adoption-Roadmap mit dem CTO, baute dann mit den Teams.
- Einheitlicher AI-Workspace, abgestimmt auf domänenspezifische Microservices.
- Spec-driven Development orchestriert in Linear hält Produkt, Engineering und QA ausgerichtet.
Was Ich Gebaut Habe
- Cursor Fine-Tuning Pipeline ausgerichtet auf Codekonventionen und Architektur des Unternehmens.
- AI-gestützte Requirements Templates, die Wettkonzepte in ausführbare Specs konvertieren.
- Automatisiertes QA-Harness mit synthetischer Datengenerierung und Regressionspaketen.
- Deployment-Guardrails, damit AI-geschriebener Code sicher durch Review, Test und Release geht.
Ergebnisse
- 50% schnellere Liefergeschwindigkeit bei priorisierten Squads.
- QA-Automatisierung für mission-critical Journeys.
- Konsistente Entwickler-Adoption, weil Workflows in bestehenden Tools blieben.
Wie Es Ablief
Discovery
Begleitete Produkt-, Engineering- und Compliance-Teams, um zu mappen, wo AI Reibung beseitigen kann.
Build
Cursor fein abgestimmt, Prompt-Libraries geschrieben, mit Engineers gepairt, um Outputs in ihrer echten Codebase zu validieren.
Scale
Enablement-Playbooks, Observability-Dashboards und kontinuierliche Tuning-Kadenzen ausgerollt.
Romance-Scam-Erkennung — vom Konzept zum funktionierenden Prototyp
Ein Early-Stage-Investor musste ein Konzept validieren: Kann AI Romance Scams erkennen, bevor Geld fließt? Ich recherchierte nicht nur — ich baute einen funktionierenden Prototyp, um die These in sechs Wochen zu beweisen (oder zu widerlegen).
Highlights
- Baute eine Prototyp-Scoring-Engine, die Täter-Muster nahezu in Echtzeit klassifiziert.
- Schnelle Experimente mit LLMs plus Verhaltensgraphen, um Erkennungsansätze zu testen.
- Kartierte die vollständige Angriffsfläche — menschlich, technisch und regulatorisch — in weniger als sechs Wochen.
Was Ich Gebaut Habe
- Funktionierender Prototyp, der Romance-Scam-Risiko aus Nachrichtenmustern rankt.
- Signalkatalog aus gescrapten Daten, Partnerdaten und Benutzerinterviews.
- Threat-Model für Dating-Apps, Messaging-Plattformen und Zahlungswege.
- Technische Machbarkeitsanalyse mit klaren nächsten Schritten.
Ergebnisse
- Prototyp bewies, dass der Kern-Erkennungsansatz funktioniert.
- Klare Differenzierungs-Story verankert in neuartigen Verhaltenssignalen.
- Investor hatte genug Beweis, um mit phasenweisem Build fortzufahren.
Wie Es Ablief
Research
Sammelte qualitative Interviews, Dark-Web-Intel und Incident-Daten, um den Problemraum zu verstehen.
Build
Baute leichte Erkennungsmodelle, testete Genauigkeit vs. False Positives, verbesserte iterativ.
Validate
Demonstrierte Prototyp, dokumentierte Erkenntnisse, skizzierte Weg nach vorne.