AI-native Workflow-Design & Orchestrierung
-
Design und Betrieb autonomer AI-Agenten und Multi-Agent-Systeme für operative Aufgaben in Marketing, HR, Finance und Sales Support
-
Orchestrierung von LLM-basierten Workflows mit Claude Enterprise Agents – tool-agnostisch, ergebnisorientiert
-
Aufbau von Agentic Pipelines über Paperclip: Agenten-Koordination, Task-Delegation und Workflow-Steuerung als primärer Orchestrierungs-Layer
-
Aufbau und Betrieb von Agentic Pipelines, die nicht nur Daten verarbeiten, sondern situativ entscheiden und eskalieren
-
Systemintegration über APIs und Webhooks; klassische Automatisierungsplattformen (Make, n8n) als ergänzendes Werkzeug, wo native AI-Orchestrierung noch nicht greift
AI-Qualität, Governance & Evals
-
Aufbau systematischer Evaluierungs-Frameworks für AI-Outputs in produktiven Prozessen – kein Deployment ohne Qualitätskontrolle
-
Definition und Betrieb von Guardrails und Eskalationslogiken für autonome AI-Aktionen mit Kundenkontakt
-
Transparentes Reporting über AI-Performance, Fehlerquoten und Effizienzgewinne an Head of AI, CTO und CEO
-
Enge Abstimmung mit Legal und Compliance bei AI-Aktionen mit regulatorischer Relevanz
Knowledge Architecture & institutionelles Gedächtnis
-
Aufbau und strategische Pflege der unternehmensweiten Knowledge-Base in Langdock als AI-Betriebsgedächtnis
-
Strukturierung von Unternehmenswissen so, dass Agenten zuverlässig darauf zugreifen und eigenständig Entscheide ableiten können
-
Sicherstellung von Aktualität, Qualität und Zugriffsstruktur der Knowledge-Layer – inkl. Versionierung und Ownership-Logik
Internes AI-Betriebssystem
-
Aufbau eines internen AI AgentOS: jede Person in Operations kann AI-Workflows eigenständig steuern und anpassen – ohne Tech-Abhängigkeit
-
Entwicklung interner Standards, Playbooks und Governance-Strukturen für den unternehmensweiten AI-Einsatz
-
Identifikation und Förderung interner AI-Champions; du baust Kompetenz auf, nicht Abhängigkeit von dir
