OpenAPI als Vertrag zwischen KI und Code
Eine OpenAPI-Definition kann mehr als nur Dokumentation sein. Sie kann verhindern, dass die KI in der Integration halluziniert.
WeiterlesenSchneller liefern mit KI, ohne Qualität zu verlieren.
KI ersetzt keine Entwickler, sie verschiebt den Hebel. Bei Standardlast spart sie Zeit, bei Architektur und Geschäftslogik wird sie gefährlich. Sie bekommen schnellere Lieferung dort, wo es passt, und einen Verantwortlichen, der weiss, wann er das Modell ignoriert.
Erstgespräch vereinbarenWarum gerade ich?
Tägliche KI-Praxis im echten Code. Claude Code und ChatGPT Codex sind seit 2025 fester Bestandteil meiner Werkzeugkette, nicht nur in Demos, sondern in produktiven Kunden- und eigenen Projekten.
Klare Sicht auf Stärken und Grenzen. Ich sage Ihnen konkret, wo KI heute Hebel bringt und wo sie scheitert. Kein Marketing, sondern Erfahrung aus der täglichen Anwendung.
20+ Jahre Entwicklungserfahrung als Korrektiv. Wenn ein Modell etwas Plausibles und Falsches vorschlägt, erkenne ich das. Sie bekommen kein Vibe-Coding, sondern KI als Werkzeug eines erfahrenen Entwicklers.
Eigene Projekte als Versuchslabor. Ich teste die Grenzen agentischer Workflows in eigenen Projekten, bevor ich sie in Kundenprojekte trage. Erkenntnisse fließen direkt zurück.
Volle Verantwortung bleibt bei mir. Sie bekommen einen Ansprechpartner, der das gelieferte Ergebnis fachlich vertritt. KI beschleunigt, sie nimmt mir aber das Einstehen für das Ergebnis nicht ab.
Leistungen rund um KI in der Entwicklung
KI-gestützte Entwicklung in Ihrem Projekt
Schreiblastiger Code, Tests, Fixtures und Schnittstellen-Boilerplate entstehen mit KI-Unterstützung. Sie bekommen mehr Output pro Tag, ohne Abstriche bei Reviews und Qualität.
LLM-Integration in Ihre Software
Klassifikation, Extraktion aus Dokumenten, semantische Suche, Eingabehilfen. Mit klaren Verträgen, JSON-Schemas und Guardrails statt freier Modell-Magie.
Beratung und Sparring fürs Team
Welche Tools, welche Konten, welche Daten dürfen rein? Wo ist KI im Workflow sinnvoll, wo gefährlich? Konkrete Antworten für Ihre Entwickler statt allgemeiner Folien.
Audit bestehender KI-Workflows
Sie nutzen bereits KI im Entwicklungsprozess oder im Produkt? Ich prüfe, wo Risiken stecken, was sich härten lässt und wo Sie unnötig Geschwindigkeit verschenken.
Wo hakt es gerade?
Drei typische Situationen aus Gesprächen mit Geschäftsführern und Tech-Leads. Vermutlich kommt Ihnen mindestens eine davon bekannt vor.
KI schreibt schnell, aber wer prüft?
Mit KI entsteht in kurzer Zeit viel Code. Die berechtigte Frage: Wer fängt halluzinierte APIs, plausibel-falsche Stellen und unsaubere Architektur ab, bevor sie in Produktion gehen?
Team nutzt KI ohne Regeln
Entwickler arbeiten längst mit KI-Tools. Welche Daten gehen wohin, welche Tools sind freigegeben, wo darf das Modell entscheiden, all das ist offen.
LLM ins Produkt einbinden
Ein Feature mit KI ist gewollt, aber nicht klar, wie es kontrolliert in die bestehende Software einzubinden ist, ohne dass es zur Blackbox wird.
Meine Lösung
Ein erfahrener Entwickler im Boot, der KI-Output liest wie eigenen Code. Reviews, Tests und klare Trennung zwischen generiertem und kritischem Code.
Meine Lösung
Sparring mit Ihrem Team, einfache Richtlinien und konkrete Workflows. Aus Schatten-KI wird kontrollierte Praxis, ohne den Tempogewinn zu verlieren.
Meine Lösung
Saubere Verträge, JSON-Schemas und definierte Komponenten zwischen Software und KI-Schicht. Das Modell agiert über feste Wege, nicht frei.
Wo KI Hebel bringt und wo nicht
Ehrliche Einordnung statt Versprechen. Genau diese Trennung entscheidet, ob KI in Ihrem Projekt Tempo oder Schaden bringt.
Stark: hier sparen Sie Zeit
- Schreiblastiger Code: DTOs, Mapper, Validierung, Builder
- OpenAPI-Dokumentation und generierte Frontend-Clients
- Boilerplate in Tests, Fixtures, Mocks und Seed-Daten
- Refactoring im Kleinen, Renames, Extract Method
- Erklärungen für fremden Code, gerade in Legacy-Modulen
Vorsicht: hier wird nicht abgekürzt
- Businesslogik und Geschäftsprozesse, oft plausibel aber falsch
- Sicherheitsrelevanter Code, Auth und Sessions
- Architekturentscheidungen über mehrere Module hinweg
- Halluzinierte APIs, Methoden und Bibliotheksversionen
- Fachliche Korrektheit nur über Tests und Reviews absichern
KI braucht Struktur, dann liefert sie
Ohne klare Vorgaben halluziniert ein Modell, mischt Verantwortlichkeiten und liefert plausibel Falsches. Es wirkt schnell, aber nicht verlässlich. Genau das ist der Grund, aus dem KI-Projekte oft nach kurzer Euphorie wieder leise eingestellt werden.
Mit Struktur kippt das Bild. Saubere Verträge, definierte Komponenten und feste Review-Punkte machen aus einem unberechenbaren Modell ein verlässliches Werkzeug. Erst dann lässt sich das volle Potenzial kontrolliert ausschöpfen, ohne Kontrollverlust und ohne unvorhersehbare Risiken.
Genau diese Struktur baue ich in Ihrem Projekt auf, damit aus KI nicht nur ein Versprechen wird, sondern messbare Ergebnisse.
Wie ich KI in Ihrer Software einbinde
Ein Vorgehen, das LLM-Aufrufe in feste Bahnen lenkt. Drei Schritte, mit denen das Modell nicht frei agiert, sondern über definierte Komponenten geführt wird.
Schritt 1 Kontext
Verbindlicher Kontext
Strukturierte Daten, Regeln und Vorgaben gehen als verbindlicher Kontext in jeden Aufruf. Keine freie Interpretation, keine offenen Enden.
Schritt 2 Generierung
Definierte Komponenten
Die KI agiert über fest definierte Komponenten und CLI-Befehle, nicht frei im Code. Das Ergebnis ist nachvollziehbar und reproduzierbar.
Schritt 3 Review
Mensch entscheidet
Jedes Ergebnis wird geprüft und freigegeben. Die KI beschleunigt, die fachliche Verantwortung bleibt da, wo sie hingehört.
Datenschutz und DSGVO
KI im Unternehmen heißt nicht automatisch, dass Daten unkontrolliert abfließen. Es gibt mehrere konforme Wege. Welcher passt, hängt von Ihren Daten und Anforderungen ab. Ich helfe bei Auswahl, Bewertung und sauberer Integration.
Selbst gehostete Modelle
Open-Source-LLMs auf eigener oder dedizierter Infrastruktur. Daten verlassen das Unternehmen nicht. Volle Kontrolle, höhere Initial-Aufwände, dafür rechtlich und kostenseitig vorhersehbar.
Enterprise-Abos mit AVV
Kommerzielle Anbieter mit Auftragsverarbeitungsvertrag, klarer Datenresidenz und ohne Training auf Ihren Eingaben. Korrekt konfiguriert eine pragmatische Wahl.
Deutsche und EU-Anbieter
Hosting in Deutschland oder der EU, klare Rechtsräume, oft mit branchenspezifischen Modellen oder Zertifizierungen. Geringere juristische Reibung, gerade bei sensiblen Daten.
Aus dem eigenen Lab
Ich rede nicht nur über KI in der Entwicklung, ich baue damit. Eigene Projekte, in denen ich die Grenzen agentischer Workflows kontrolliert auslote, bevor ich solche Ansätze in Kundenprojekte trage.
Lab, nicht produktiv
KI-Agent
Security-Audit-Agent für Webshops
Ein KI-Agent, der Onlineshops und Websites auf Schwachstellen prüft und einen strukturierten Bericht erstellt. Bewusst als Lab-Projekt gehalten, um die Grenzen agentischer Workflows kontrolliert zu erkunden, bevor ich solche Ansätze in Kundenprojekte trage.
Java Node.js NestJS Angular React Next.js Vue.js Ollama Agentic Workflow LLM Tooling
Deutscher Anbieter mit AVV
CRM
Eigenes CRM zur Prozessautomatisierung
Ein selbst entwickeltes CRM, das meine eigenen Arbeitsprozesse automatisiert. Anfragen, Angebote, Wiedervorlagen und Dokumente laufen kontrolliert durch das System. KI-Aufgaben gehen über einen deutschen Anbieter mit Auftragsverarbeitungsvertrag und ohne Training auf den Eingaben, über definierte Schnittstellen statt freier Aufrufe.
Node.js NestJS Angular React Next.js Vue.js TypeScript Workflow-Automation LLM aus Deutschland AVV
Artikel zum Thema KI
Was agentische KI im Mittelstand heute leistet, und was noch nicht
Agentische KI ist das Schlagwort der Stunde. Was ich beim Bau eigener Agenten beobachte, ist nüchterner als der Hype.
Weiterlesen
Was eine KI im Pull Request leistet, und was sie nicht ersetzt
KI im Code-Review wird zu Recht populärer. Drei Muster zeigen, wo sie liefert, und wo der Mensch zwingend bleibt.
Weiterlesen
Vibe-Coding ist ein gutes Werkzeug, aber kein Berufsbild
Wer im Vibe-Modus an einem Wochenend-Projekt sitzt, lernt schnell. Wer seinen Job darauf aufbaut, wird in zwei Jahren Probleme haben.
Weiterlesen