Succesverhalen
Strategie tot implementatie — zo ziet dat er in de praktijk uit.
Cyclustijd reductie na AI integratie in de SDLC.
Requirements, coding, QA automatisering, release ops.
Tijd van idee naar werkend detectiesysteem.
AI-native SDLC voor een sportstech platform
Ik werkte met een gereguleerde sportstech operator om AI in elke stap van hun software development lifecycle te integreren. Ik vormde de AI-strategie met leiderschap en embedde me vervolgens bij de engineering teams om het te implementeren.
Hoogtepunten
- Definieerde de AI-adoptie roadmap met de CTO, bouwde het vervolgens met de teams.
- Uniforme AI-werkruimte afgestemd op hun domeinspecifieke microservices.
- Spec-driven development georchestreerd in Linear houdt product, engineering en QA uitgelijnd.
Wat Ik Bouwde
- Cursor fine-tuning pipeline afgestemd op de codeconventies en architectuur van het bedrijf.
- AI-ondersteunde requirements templates die betting concepten converteren naar uitvoerbare specs.
- Geautomatiseerde QA harness combinatie van synthetische data generatie met regressie packs.
- Deployment guardrails zodat AI-geschreven code veilig door review, testing en release gaat.
Resultaten
- 50% snellere leveringssnelheid bij geprioriteerde squads.
- QA automatisering die mission-critical journeys dekt.
- Consistente developer adoptie omdat workflows in bestaande tools bleven.
Hoe Het Ging
Discovery
Product, engineering en compliance teams gevolgd om te mappen waar AI frictie kon wegnemen.
Build
Cursor gefinetuned, prompt libraries geschreven, met engineers gepaird om outputs in hun daadwerkelijke codebase te valideren.
Scale
Enablement playbooks, observability dashboards en continue tuning cadences uitgerold.
Romance-scam detectie — van concept naar werkend prototype
Een early-stage investor moest een concept valideren: kan AI romance scams detecteren voordat geld beweegt? Ik deed niet alleen onderzoek — ik bouwde een werkend prototype om de thesis te bewijzen (of weerleggen) in zes weken.
Hoogtepunten
- Bouwde een prototype scoring engine die daderpatronen bijna realtime classificeert.
- Snelle experimenten met LLMs plus gedragsgrafen om detectieaanpakken te testen.
- Mappte het volledige aanvalsoppervlak — menselijk, technisch en regulatoir — in minder dan zes weken.
Wat Ik Bouwde
- Werkend prototype dat romance-scam risico rangschikt van berichtpatronen.
- Signaalcatalogus van scraped intelligence, partnerdata en gebruikersinterviews.
- Threat model voor dating apps, messaging platforms en betaalstromen.
- Technische haalbaarheidsanalyse met duidelijke vervolgstappen.
Resultaten
- Prototype bewees dat de kern detectieaanpak werkt.
- Duidelijk differentiatie verhaal verankerd in nieuwe gedragssignalen.
- Investor had genoeg bewijs om door te gaan met gefaseerde build.
Hoe Het Ging
Research
Kwalitatieve interviews, dark-web intel en incidentdata verzameld om de probleemruimte te begrijpen.
Build
Lichte detectiemodellen gebouwd, precisie vs false positives getest, iteratief verbeterd.
Validate
Prototype gedemonstreerd, bevindingen gedocumenteerd, pad voorwaarts geschetst.