Ansatz
Ich arbeite über die Menschen hinweg, die KI entwickeln, mit KI arbeiten und KI erleben — zwischen Research, Strategie, Lernen und Prototyping, und wieder zurück.
Mein Gesamtansatz: Das große Ganze
Agenten antworten nicht nur; sie planen, nutzen Werkzeuge und handeln. Ich helfe Organisationen zu entscheiden, wie viel Autonomie jede Aufgabe haben sollte, und baue die Schutzmaßnahmen, die den sicheren Einsatz ermöglichen.
Wo ich arbeite
Die Menschen, die KI bauen, die damit arbeiten sollen und die am Ende betroffen sind, hängen zusammen. Entscheidungen in einer Gruppe werden zu Problemen in einer anderen.
Produktteams, Entwicklerinnen und Entwickler, Designerinnen und Designer, Führungskräfte und Governance-Teams, die KI-Systeme bauen oder einführen.
Beschäftigte, Führungskräfte und Teams, die plötzlich KI in ihre tägliche Arbeit bringen sollen.
Kundinnen und Kunden, Bürgerinnen und Bürger und Nutzerinnen und Nutzer von Produkten und Diensten, die zunehmend KI enthalten.
KI entwickeln, mit KI arbeiten und KI erleben sind ein System. Ich arbeite über alle drei hinweg.
Warum das zähltEine KI-Strategie zählt erst, wenn sie verändert, wie gearbeitet wird. In diesen vier Bereichen sorge ich dafür.
Ich übersetze KI-Ambitionen in eine Roadmap: Use Cases, bewertet nach Nutzen, Daten, Risiko und Aufwand, mit einer klaren Empfehlung, was gebaut, eingekauft, pilotiert oder zurückgestellt wird.
In der Praxis: Wie ich KI-Use-Cases bewerte (auf Englisch)
Ich übersetze EU AI Act, Datenschutz und Informationssicherheit in Richtlinien und Entscheidungshilfen, die Menschen genau dann nutzen können, wenn es darauf ankommt.
In der Praxis: Responsible AI und Governance
Ich baue funktionierende KI-Prototypen selbst und kläre mit der IT, wie sie sich in bestehende Cloud- und On-Premise-Systeme einfügen, von der Idee bis zur Einführung.
In der Praxis: Prototypen für KI-Agenten (auf Englisch)
Ich berate Leitung und Fachbereiche und gestalte rollenbasierte Lernpfade, mit denen Menschen KI sicher in ihrer eigenen Arbeit einsetzen.
In der Praxis: KI-Lernen und Befähigung (auf Englisch)
Wie ich KI-Use-Cases bewerte (auf Englisch)Agentische KI, mit dem Menschen drin
So arbeite ich
Eine Methode, die von KI-Ambition zu verändertem Verhalten führt. Jede Stufe erzeugt etwas, worauf Menschen reagieren können, und Tests fließen immer in die nächste Runde des Verstehens zurück.
Und wieder zurück. Was wir beim Skalieren lernen, wird zum nächsten Audit.
Bevor ein weiteres Tool, ein Kurs oder eine KI-Initiative empfohlen wird: das System darum herum untersuchen.
Research in praktische Veränderungspfade übersetzen. Verschiedene Menschen brauchen verschiedene Pfade: Entwicklerinnen, Verwaltung, Produktmanagement, Führung und Leitung sollten nicht dieselbe KI-Befähigung bekommen.
Nicht monatelang über abstrakte KI-Möglichkeiten diskutieren. Genug von der Zukunft bauen, dass Menschen sie erleben können. Mit KI-gestützten Entwicklungswerkzeugen wie Cursor und generativer KI verkürze ich den Weg von der Idee zur Evidenz.
Beispiel: EquitAI, ein KI-Agenten-Prototyp für Bewerbungen (auf Englisch)
Untersuchen, wie Menschen tatsächlich auf das reagieren, was die KI tut.
Die Frage ist nicht „Funktioniert die KI?“ Sondern: „Können Menschen mit dem arbeiten, was die KI tut?“
Das Ziel sind nicht endlose Piloten. Evidenz aus Research und Experimenten nutzen, damit die Organisation besser darin wird, KI einzuführen — statt nur ein weiteres Tool auszurollen.
Methode
Meine Methode, mit der Technik und dem menschlichen Prüfpunkt in jeder Stufe. An einem Beispiel entlang: ein mehrsprachiger Assistent, der Bewerberfragen in einem Antragsverfahren mit hohem Volumen beantwortet.
Beispiel: Viele Bewerber-E-Mails sind wiederkehrende Fragen zu Unterlagen und Fristen.
Beispiel: Assistent mit begrenztem Risiko und Transparenzhinweis, EU-gehostetes Modell, nur offizielle Leitlinien als Quelle, keine Rolle bei Zulassungsentscheidungen.
Beispiel: Der Assistent antwortet in der Sprache der Antragstellerin oder des Antragstellers, zitiert die offizielle Seite und übergibt an einen Menschen, wenn er unsicher ist.
Beispiel: Eine falsche Frist zählt als kritischer Fehler. Getestet wird an echten Fragen, bevor Antragstellende ihn sehen.
Beispiel: Sachbearbeitung lernt Escalations und meldet veraltete Antworten; der Assistent wird monatlich geprüft.
Was wir im Betrieb lernen, fließt in den nächsten Audit ein.
Illustratives Beispiel, kein Kundenprojekt.
Was diese Praxis anders macht
Diese Aktivitäten hängen eng zusammen, aber Organisationen führen sie meist als getrennte Workstreams. Meine Stärke ist nicht, mehrere Disziplinen zu kennen. Es ist, zwischen ihnen wechseln zu können.
Research, Strategie, Lernen,Prototyping, Testen,Einführung.Und wieder zurück.
An einem Tag kann ich Beschäftigte interviewen, warum eine KI-Einführung stockt, das Einführungsproblem kartieren, einen Workshop zu möglichen Use Cases leiten, die Erkenntnisse in einen Lernpfad oder Workflow übersetzen, eine KI-gestützte Interaktion prototypisieren und diesen Prototyp wieder zu Menschen bringen, um zu prüfen, ob er wirklich funktioniert.
Dieser Wechsel zwischen Verstehen, Strategie und Machen ist das bestimmende Merkmal der Arbeit.
Research, KI-Einführung, organisationales Lernen, Service Design, Responsible AI, Barrierefreiheit und hands-on Prototyping lassen mich all das gleichzeitig im Blick behalten.
Was muss diese Person verstehen, vertrauen, lernen oder anders machen?
Wo passt KI wirklich in ihre Arbeit?
Wie sollte ein Mensch mit der KI interagieren?
Was sollten wir bauen oder prototypisieren?
Was muss sich ändern, damit Einführung gelingt?
Welche Grenzen, Aufsicht und Entscheidungen sind nötig?
Welche Chancen lohnen sich, und wie kommen wir vom Experimentieren zur Fähigkeit?
Die meisten KI-Programme starten bei der Technik. Menschzentrierte Transformation kann auch beim Problem starten. Ich verbinde beides.
Beide Richtungen zu verbinden vermeidet zwei teure Extreme: KI zu bauen, nur weil die Technik da ist, und über menschliche Bedürfnisse zu sprechen, ohne zu verstehen, was neue KI tatsächlich möglich macht.
Was sich dadurch ändert
Das sind die Mechanismen, über die die Arbeit Wert schafft. Konkrete Ergebnisse hängen von der Organisation ab und sind in einzelnen Fallstudien dokumentiert.
Aktuelle Fragen
Bei klassischer Software sehen Menschen jeden Schritt. Bei Agenten formulieren sie eine Absicht — und vieles davon läuft außer Sicht. Die Experience-Aufgabe verschiebt sich vom Gestalten von Screens zum Gestalten von Aufsicht.
Planung, automatisierte Aktionen, andere Systeme, Entscheidungen und weitere autonome Aktion sind oft unsichtbar für die Person. Der menschliche Checkpoint ist der Punkt, an dem sie wieder eingreift.
KI könnte übersetzen, was Menschen brauchen, in die Handlungen, die eine Organisation verlangt — statt dass Menschen zuerst deren Abteilungen, Formulare und Kategorien lernen müssen.
„Ich muss das erledigen.“
Aber Automatisierung bringt eigene Probleme:
Komplexität entfernen, ohne Handlungsmacht zu nehmen.