Praxis
Eigene Projekte statt Kundenlogos
Kundenprojekte sind vertraulich. Deshalb zeige ich, was ich in meinen eigenen Firmen und Projekten mit KI umgesetzt habe — mit dem, was funktioniert hat, und mit dem, was nicht.
Deshalb steht bei jedem Fall auch, wo es gehakt oder mich überrascht hat. Wer KI ernsthaft einsetzt, kennt solche Grenzen.
Die Buchhaltungsroutine erledigt sich selbst
- Prozess
- Belege, Buchungen, FinanzOnline
- Werkzeuge
- Claude, n8n
- Rhythmus
- Monatlich, mit Bericht
Ausgangslage
Jeden Monat dieselben kleinen Aufgaben: Rechnungen als PDF bei Lieferanten abholen, Rechnungen aus E-Mails in die Buchhaltung hochladen, wiederkehrende Buchungen anlegen und die Meldung zur Zahlung von Selbstbemessungsabgaben in FinanzOnline abgeben. Jede für sich trivial, zusammen lästig — und mit Fristen, die gern am Abend drängen.
Umsetzung
Dafür habe ich mit Claude Workflows in n8n gebaut; über eine MCP-Schnittstelle arbeitet Claude dort direkt. Für die FinanzOnline-Meldung reichte eine kurze Anweisung: Claude hat sich die Spezifikation selbst angesehen und daraus einen sauberen, funktionierenden Workflow gemacht. Als einmal etwas Unerwartetes auftrat, genügte ein kurzer Hinweis, und es war behoben. Mein Maßstab: Der Aufwand muss in einem vernünftigen Verhältnis zur Ersparnis stehen.
Ergebnis
Am Ersten des Monats bekomme ich per E-Mail einen Bericht darüber, was erledigt wurde. Das gibt mir Vertrauen in die Automatisierung. Ich gewinne Zeit für interessantere Arbeit, vor allem aber muss ich an diese Aufgaben und ihre Fristen nicht mehr denken.
Was ich daraus mitnehme
Die Nachvollziehbarkeit von n8n ist großartig, jeder Schritt ist sichtbar. Langfristig halte ich schlankere, eigene Dienste trotzdem für den besseren Weg: Sie sind sicherer und flexibler.
Für wen das relevant ist
Ich glaube, jedes Unternehmen hat solche Routinen. Sie fallen oft nicht auf, weil sie auf einzelne Personen verteilt sind, die womöglich wenig Anlass haben, daran etwas zu ändern. Am ehesten haben kleine Unternehmen und die Geschäftsführung selbst ein Interesse daran.
Solche Routinen finden wir im AI Opportunity Sprint
160.000 Zeilen MATLAB, Schritt für Schritt modernisiert
- Codebasis
- Rund 830 Dateien, 160.000 Zeilen
- Werkzeuge
- Claude, MATLAB
- Ziele
- Modernisierung, neue Demos, Optimierung für GPU und Apple Silicon
Ausgangslage
BeamLab, die Software der CodeSeeder KG, ist eine kommerzielle MATLAB-Toolbox zur Simulation optischer Wellenleiter. Sie ist über mehr als ein Jahrzehnt gewachsen: rund 830 Dateien mit etwa 160.000 Zeilen, eine eigene Dokumentations- und Installer-Pipeline, ein eigenes Lizenz- und Verschlüsselungssystem. Weiterentwickeln mit begrenzten Ressourcen und hohen Anforderungen an die Richtigkeit — klassisch schwieriges Gelände.
Umsetzung
Mit Claude modernisieren wir die Codebasis Schritt für Schritt: Die Mindestversion haben wir von MATLAB R2010b auf R2017a angehoben und Altlasten wie Kompatibilitätshilfen für bsxfun und verLessThan entfernt. Dazu kommen neue Demos sowie Validierung und Optimierung für GPUs und Apple Silicon.
Ergebnis
Die anspruchsvolle, gewachsene Codebasis lässt sich mit begrenzten Ressourcen weiterentwickeln. Eine spezialisierte Demo für photonische Kristallfasern hat Claude unter meiner Anleitung implementiert und validiert. Weitere Demos übernimmt Claude inzwischen komplett, von der Recherche über Implementierung und Validierung bis zur Dokumentation.
Was ich daraus mitnehme
Bei der Interpretation eines optischen Bauteils aus einer Abbildung war das Modell mehrfach überzeugt, alles erkannt zu haben — und lag doch daneben. Erst als ich die Struktur in Worten beschrieben hatte, setzte das Modell sie auf Anhieb korrekt um. Die Lehre: Bei technischen Abbildungen das Entscheidende selbst überprüfen, statt sich auf die Bilderkennung und die Zuversicht des Modells zu verlassen.
Für wen das relevant ist
Für Unternehmen mit gewachsenen Codebasen, Wechsel im Team und dem Druck, trotzdem weiterzuentwickeln und zu modernisieren.
Solche Vorhaben begleite ich mit AI Advisory
Von 73 auf 99 Punkte: Websites ohne Plugin-Wildwuchs
- Vorher
- Leistung mobil 73, Desktop 92, Barrierefreiheit 89
- Nachher
- 99 in allen drei Werten
- Prüfung
- PageSpeed automatisch gemessen, Mängel direkt behoben
Ausgangslage
Alte WordPress-Installationen mit vielen Plugins: Ladezeit und Darstellung am Handy zu verbessern war mühsam, und Änderungen hingen an externen Plugin-Entwicklern, entsprechend lang waren die Zyklen. PageSpeed vorher: Leistung 73 mobil und 92 am Desktop, Barrierefreiheit 89.
Umsetzung
Ich habe die Seiten auf Basis der bisherigen Inhalte neu aufgebaut und die Funktionen schlank und maßgeschneidert umgesetzt statt per Plugin. PageSpeed wird automatisch gemessen, gefundene Mängel werden direkt behoben. Diese Website ist auf dieselbe Weise entstanden, mit Prüfungen bei jedem Build: Kontrast, JavaScript-Budget und Sicherheitsrichtlinie. Die Fußzeile zeigt für jede Seite Größe, JavaScript, Cookies und Drittanbieter.
Ergebnis
Ein modernes Redesign samt neuem Logo, heute bei 99 Punkten, mobil wie am Desktop und bei der Barrierefreiheit. Überrascht hat mich, wie weit sich alles maßschneidern lässt und wie viel das Modell gleichzeitig im Blick behält: Ladezeit, Rechtliches, Suchmaschinen und Zielgruppe.
Was ich daraus mitnehme
Beim Übernehmen der alten Inhalte haben Hilfsagenten die Seiten zwar abgerufen, aber trotz klarer Anweisung nicht vollständig zurückgeliefert; die kleinen Unterschiede sind erst spät aufgefallen. Die Lehre: Wenn etwas exakt oder nachvollziehbar sein soll, hätte ich ausdrücklich verlangen müssen, die Inhalte programmatisch zu übernehmen: per Skript auslesen, filtern, konvertieren.
Für wen das relevant ist
Jedes Unternehmen hat eine Website, oft mehrere. Überarbeitungen und Landingpages sind mit Agenturen aufwendige, teure Projekte — von eigenen Funktionen ganz abgesehen.
Ob sich das bei Ihnen lohnt, klären wir im kostenlosen Erstgespräch
Vor 42 Future Works war ich acht Jahre Research Engineer am AIT Austrian Institute of Technology. Ein Projekt aus dieser Zeit zeigt klassisches Machine Learning abseits der Sprachmodelle.
Heizenergie vorhersagen: Welche Modelle tragen?
- Projekt
- IEA EBC Annex 71
- Werkzeuge
- KNIME
- Methode
- Merkmale aufbereiten, Modelle vergleichen, Merkmale eliminieren
Ausgangslage
Im internationalen Forschungsprojekt IEA EBC Annex 71 ging es darum, die Energieeffizienz von Gebäuden mit optimierten Messverfahren vor Ort zu bewerten. Meine Frage darin: Welche Modelle eignen sich, um den Heizenergieverbrauch vorherzusagen?
Umsetzung
Auf umfangreichen Messdaten habe ich in KNIME Merkmale aufbereitet, verschiedene Modelle gebaut und verglichen und anschließend durch schrittweises Weglassen von Merkmalen geprüft, welche Größen wirklich zählen.
Ergebnis
Eine Bewertung, welche Modelle und Merkmale sich für die Vorhersage eignen.
Was ich daraus mitnehme
Wegen der Trägheit von Gebäuden reichten für die kurzfristige Vorhersage relativ einfache Modelle und Merkmale. Das Ergebnis waren sehr transparente, gut interpretierbare Modelle — nicht jedes Problem braucht das komplexeste Verfahren.
Für wen das relevant ist
Vorausschauende Modelle helfen überall, wo geregelt oder geplant wird — bei Gebäuden, Anlagen oder Kapazitäten. Viele Unternehmen haben aus Erfahrung ein gutes Gespür, prüfen aber selten, ob und wie gut sich ihre Kennzahlen vorhersagen lassen.
Das Handwerk dafür vermittle ich im Training Zeitreihenanalyse und Forecasting
Weitere Fälle folgen
Weitere KI-Projekte muss ich erst aufbereiten und freigeben. Ich ergänze sie hier, sobald sie so weit sind — in derselben Form, mit Ergebnis und Grenze.
Erstgespräch
Gibt es so etwas auch bei Ihnen?
Im Erstgespräch schauen wir, wo in Ihrem Unternehmen solche Routinen und Fragen stecken — und ob sich KI dafür lohnt.
30 Minuten, per Teams. Ich bestätige Ihren Wunschtermin persönlich.