KI für inhabergeführte Unternehmen.
Klein anfangen, schnell in Produktion bringen. Wir finden den ersten Hebel, der sich rechnet, und bauen ihn – ohne große Beraterstäbe.
Wo Sie anfangen
- AI Readiness Assessment
Strukturierter Bericht: Datenlage, Systeme, Organisation, priorisierte AI-Hebel
- AI Agents
AI-Agenten und Workflows in Produktion, mit Zugriff auf echte Systeme und Daten
- Agentic Engineering
Messbar schnellere Entwicklungszyklen bei gleicher oder besserer Qualität; Playbook und trainiertes Team
- Fractional CTO
Technische Führung auf Zeit: Architekturentscheidungen, Teamaufbau, Vendor-Entscheidungen
Cases
| Ausgangslage | Was wir gebaut haben | Ergebnis | |
|---|---|---|---|
| EdTech-Unternehmen, Entwicklungsorganisation | Entwicklungsteam nutzte KI-Coding-Werkzeuge einzeln, ohne gemeinsamen Workflow. | Toolchain, angepasster Workflow und Qualitäts-Gates für KI-gestützte Entwicklung. | Das Team arbeitet agentisch als Standard, mit Kontrollen, die zur neuen Arbeitsweise passen. |
| EdTech-Unternehmen, Content-Produktion | Content-Produktion lief Schritt für Schritt manuell und war auf wenige Personen angewiesen. | n8n-Pipeline mit LLM-Schritten für Entwurf, Strukturierung und Formatierung, mit Freigabe durch Menschen. | Das Content-Team arbeitet an Qualität, nicht an mechanischen Zwischenschritten. |
| Eigene Produkte: FoodCheck und FitWise | Eigene Produktidee im Bereich Ernährung und Fitness, KI als Kern der Funktion. | Flutter-Apps mit OpenAI-Integration, eigene Backend-APIs, eigene AI Services. | Zwei eigene KI-Produkte in Produktion, vollständig selbst entwickelt und betrieben. |
| Enterprise-Commerce-Plattform, Hamburg | Enterprise-Commerce-Anbieter mit gewachsener, eng gekoppelter Architektur. | Headless-Architektur mit Kafka Event Streaming und gestufte AWS-Migration. | Die Plattform läuft entkoppelt über Kafka als Rückgrat, statt über einen zentralen Monolithen. |
| D2C-Food-Marke, Bremen | D2C-Food-Marke ohne permanente technische Führung, offene Shop- und ERP-Entscheidungen. | Shop-Evaluierung, neue Architektur und eine geführte ERP-Migration als Interim CTO. | Entscheidungen wurden getroffen und umgesetzt, nicht länger aufgeschoben. |
| E-Commerce, München | Mehrere Teams teilten sich ein Frontend und mussten Releases koordinieren. | Micro-Frontend-Architektur mit Next.js SSR, Backend-for-Frontend und eigener DevOps-Pipeline. | Teams liefern ihren Teil des Frontends unabhängig aus, ohne gemeinsames Release-Fenster. |
| E-Commerce-Marktplatz | Marktplatz mit über 1 Milliarde Produkten brauchte eine dedizierte Sucharchitektur. | Skalierbares Sucharchitektur-Konzept mit Migrationspfad aus der bestehenden Lösung. | Die Plattform hat eine Sucharchitektur, die für ihre tatsächliche Größe ausgelegt ist. |
| EdTech-Unternehmen, Kundenservice | Kundenservice beantwortete wiederkehrende Fragen manuell aus verstreutem Wissen. | AI Agent mit Zugriff auf die Wissensdatenbank, mit klarer Eskalation an Menschen. | Wiederkehrende Anfragen laufen produktiv über den Agent, komplexe Fälle bleiben beim Team. |
| Digitalberatung, Hamburg | Digitalberatung brauchte externe Architektur-Expertise für drei parallele Kundenprojekte. | Tech DD einer E-Commerce-Architektur, Greenfield-CMS-Konzept, Architektur für eine Kreditplattform. | Die Beratung konnte alle drei Kundenprojekte mit einer belastbaren technischen Grundlage fortführen. |
| Immobiliendienstleister | Immobiliendienstleister ohne dokumentiertes technisches Bild und ohne festgelegten Stack. | Tech-DD-Bericht, Greenfield-Zielarchitektur und eine konkrete Tech-Stack-Entscheidung. | Das Unternehmen hat eine dokumentierte Grundlage und einen festgelegten Stack zum Bauen. |
| Immobilienplattform, Berlin | Immobilienplattform in Berlin, technisches Risiko vor einer Entscheidung unklar. | Tech-DD-Bericht mit Risikobild und einer Ziel-Softwarearchitektur. | Die Entscheidung stand auf einer dokumentierten technischen Grundlage. |
EdTech-Unternehmen, Entwicklungsorganisation
Ausgangslage
Entwicklungsteam nutzte KI-Coding-Werkzeuge einzeln, ohne gemeinsamen Workflow.
Was wir gebaut haben
Toolchain, angepasster Workflow und Qualitäts-Gates für KI-gestützte Entwicklung.
Ergebnis
Das Team arbeitet agentisch als Standard, mit Kontrollen, die zur neuen Arbeitsweise passen.
EdTech-Unternehmen, Content-Produktion
Ausgangslage
Content-Produktion lief Schritt für Schritt manuell und war auf wenige Personen angewiesen.
Was wir gebaut haben
n8n-Pipeline mit LLM-Schritten für Entwurf, Strukturierung und Formatierung, mit Freigabe durch Menschen.
Ergebnis
Das Content-Team arbeitet an Qualität, nicht an mechanischen Zwischenschritten.
Eigene Produkte: FoodCheck und FitWise
Ausgangslage
Eigene Produktidee im Bereich Ernährung und Fitness, KI als Kern der Funktion.
Was wir gebaut haben
Flutter-Apps mit OpenAI-Integration, eigene Backend-APIs, eigene AI Services.
Ergebnis
Zwei eigene KI-Produkte in Produktion, vollständig selbst entwickelt und betrieben.
Enterprise-Commerce-Plattform, Hamburg
Ausgangslage
Enterprise-Commerce-Anbieter mit gewachsener, eng gekoppelter Architektur.
Was wir gebaut haben
Headless-Architektur mit Kafka Event Streaming und gestufte AWS-Migration.
Ergebnis
Die Plattform läuft entkoppelt über Kafka als Rückgrat, statt über einen zentralen Monolithen.
Ausgangslage
D2C-Food-Marke ohne permanente technische Führung, offene Shop- und ERP-Entscheidungen.
Was wir gebaut haben
Shop-Evaluierung, neue Architektur und eine geführte ERP-Migration als Interim CTO.
Ergebnis
Entscheidungen wurden getroffen und umgesetzt, nicht länger aufgeschoben.
Ausgangslage
Mehrere Teams teilten sich ein Frontend und mussten Releases koordinieren.
Was wir gebaut haben
Micro-Frontend-Architektur mit Next.js SSR, Backend-for-Frontend und eigener DevOps-Pipeline.
Ergebnis
Teams liefern ihren Teil des Frontends unabhängig aus, ohne gemeinsames Release-Fenster.
Ausgangslage
Marktplatz mit über 1 Milliarde Produkten brauchte eine dedizierte Sucharchitektur.
Was wir gebaut haben
Skalierbares Sucharchitektur-Konzept mit Migrationspfad aus der bestehenden Lösung.
Ergebnis
Die Plattform hat eine Sucharchitektur, die für ihre tatsächliche Größe ausgelegt ist.
EdTech-Unternehmen, Kundenservice
Ausgangslage
Kundenservice beantwortete wiederkehrende Fragen manuell aus verstreutem Wissen.
Was wir gebaut haben
AI Agent mit Zugriff auf die Wissensdatenbank, mit klarer Eskalation an Menschen.
Ergebnis
Wiederkehrende Anfragen laufen produktiv über den Agent, komplexe Fälle bleiben beim Team.
Ausgangslage
Digitalberatung brauchte externe Architektur-Expertise für drei parallele Kundenprojekte.
Was wir gebaut haben
Tech DD einer E-Commerce-Architektur, Greenfield-CMS-Konzept, Architektur für eine Kreditplattform.
Ergebnis
Die Beratung konnte alle drei Kundenprojekte mit einer belastbaren technischen Grundlage fortführen.
Ausgangslage
Immobiliendienstleister ohne dokumentiertes technisches Bild und ohne festgelegten Stack.
Was wir gebaut haben
Tech-DD-Bericht, Greenfield-Zielarchitektur und eine konkrete Tech-Stack-Entscheidung.
Ergebnis
Das Unternehmen hat eine dokumentierte Grundlage und einen festgelegten Stack zum Bauen.
Ausgangslage
Immobilienplattform in Berlin, technisches Risiko vor einer Entscheidung unklar.
Was wir gebaut haben
Tech-DD-Bericht mit Risikobild und einer Ziel-Softwarearchitektur.
Ergebnis
Die Entscheidung stand auf einer dokumentierten technischen Grundlage.