AI Engineering
Der Sprung vom beeindruckenden Prototyp zum belastbaren Produktivsystem ist der Punkt, an dem die meisten KI-Vorhaben stehenbleiben. Genau dort liegt mein Schwerpunkt: Integration, Nachvollziehbarkeit, Betrieb und Datenschutz.
Ausgangslage
Ein Chat-Fenster an ein Sprachmodell zu hängen, gelingt an einem Nachmittag. Was danach kommt, ist klassische Engineering-Arbeit – und die entscheidet darüber, ob aus dem Versuch ein System wird.
Diese Fragen sind nicht neu – es sind dieselben, die ich seit 20 Jahren in Payment-, Logistik- und Flugsicherungssystemen beantworte. Neu ist nur die Komponente, die sie stellt.
Was am Ende eines Projekts bei Ihnen steht:
Bausteine
Kombinierbar – meist beginnt ein Vorhaben mit einem davon und wächst.
Auskunft aus Ihren eigenen Dokumenten, Handbüchern und Fachdaten – mit Quellenangabe zu jeder Aussage statt frei formulierter Vermutungen.
Anbindung von Sprachmodellen an bestehende Java-, REST- und Kafka-Landschaften – als regulärer Dienst mit Zeitlimits, Wiederholungslogik und Ausweichpfad.
Modelle im eigenen Rechenzentrum oder in einer privaten Cloud betreiben. Keine Fachdaten, die das Haus verlassen – auch nicht zu Trainingszwecken.
Klassifikation, Extraktion und Prüfung von Fachdokumenten – dort besonders wirksam, wo bisher Menschen strukturierte Felder aus Freitext abtippen.
Einführung von Assistenzwerkzeugen im Entwicklungsteam – mit klaren Leitplanken, damit Geschwindigkeit nicht zulasten der Qualität geht.
Qualität wird gemessen, nicht behauptet. Vor dem Produktivgang stehen Testfälle, Schwellwerte und ein definiertes Verhalten im Zweifelsfall.
Architektur
Kein Sonderweg neben der bestehenden IT, sondern ein Dienst wie jeder andere – mit Schnittstellenvertrag, Protokollierung und Betriebsüberwachung.
Dokumente und Fachdaten werden regelmäßig eingelesen, segmentiert und mit Metadaten für Rechte und Herkunft versehen.
Vektorsuche und Volltextsuche liefern gemeinsam die Belege, die für eine Antwort tatsächlich relevant sind.
Das Modell formuliert ausschließlich auf Basis der gefundenen Belege – bei fehlender Grundlage lautet die Antwort „nicht belegbar“.
Anfrage, verwendete Quellen und Antwort werden protokolliert. Jede Aussage ist bis zur Ursprungsstelle zurückverfolgbar.
Ein Sprachmodell erzeugt plausible Sprache – nicht geprüfte Wahrheit. In einem Fachsystem ist eine überzeugend formulierte Falschauskunft gefährlicher als gar keine Auskunft.
Deshalb ist in jedem System, das ich baue, die Antwort an nachweisbare Quellen gebunden, und der Fall „ich weiß es nicht“ ist ein ausdrücklich vorgesehenes, getestetes Ergebnis – kein Fehler.
Eine rechtliche Beratung ersetzt das nicht – aber es sorgt dafür, dass Ihre Datenschutzbeauftragten belastbare Antworten bekommen.
Vorgehen
Welcher Arbeitsschritt kostet heute wie viel Zeit? Ohne messbaren Ausgangswert lässt sich später kein Nutzen belegen.
Ein zeitlich begrenzter Versuch auf echten Daten – mit ehrlicher Aussage, wenn der Fall sich nicht lohnt.
Integration, Rechte, Protokollierung, Tests und Betriebsüberwachung. Ab hier gelten Ihre normalen Qualitätsregeln.
Auswertung der realen Nutzung, Nachschärfen der Evaluationsfälle und Übergabe an Ihr Team.
Beschreiben Sie mir den Arbeitsschritt, den Sie verbessern möchten. Sie bekommen eine Einschätzung zu Machbarkeit, Aufwand und Risiken – ohne Verkaufsdruck.
