01
Kittl Agentic AI
Aktuelle praktische Produktionserfahrung: Verantwortung für das Agentic-AI-Projekt bei Kittl — von Architektur und technischer Leitung bis zur Produktion.
AI ENGINEERING SYSTEMS
Machen Sie AI-gestützte Softwareentwicklung zu einem belastbaren Engineering-System.
Coding Agents können die Implementierung massiv beschleunigen. Die schwierigere Frage ist, was um sie herum passiert: Kontext, Architektur, Verifikation, Review, Feedback-Loops und menschliches Urteilsvermögen.
LAUENSTEIN One gestaltet und verbessert diese Engineering-Systeme, damit Teams mehr Arbeit an AI delegieren können, ohne den Bottleneck nur an eine andere Stelle zu verschieben.
STARTEN SIE MIT IHREM BOTTLENECK
Wählen Sie die Situation, die Ihrem Team am nächsten kommt.
AI-gestütztes Engineering erzeugt je nach Reifegrad unterschiedliche Engpässe. Starten Sie mit dem Problem, das Sie bereits spüren — nicht mit dem nächsten Tool.
01 · KLEINES AI-NATIVES TEAM
Unsere Coding Agents sind nützlich, benötigen aber noch zu viel Senior-Steuerung.
Kontext, Korrekturen, Checks und Agent-Steuerung hängen noch an Founders oder Senior Engineers. Machen Sie aus einem wiederkehrenden Workflow ein wiederholbares Delivery-System.
Agent-Workflow systematisieren02 · WACHSENDES ENGINEERING-TEAMAI beschleunigt die Implementierung, aber unser restlicher Delivery-Workflow hält nicht Schritt.
Die eingesparte Zeit taucht in Requirements, Kontext, Architektur-Iterationen, Rework, Verifikation, Review oder Koordination wieder auf. Finden und beheben Sie den nächsten Bottleneck.
Delivery-Workflow verbessern03 · REIFES AI-ASSISTED TEAMUnser Bottleneck liegt inzwischen bei Verifikation, Review Readiness und Senior Attention.
Die Implementierung ist schnell genug. Teuer ist die Entscheidung, ob ein AI-gestützter Change wirklich bereit für den menschlichen Sign-off ist.
Review-Aufwand reduzierenNicht sicher, auf welcher Ebene Ihr Bottleneck liegt? Beschreiben Sie den Workflow und wir helfen, den sinnvollsten Startpunkt zu bestimmen.
PRODUKTIVE AI-ENGINEERING-ERFAHRUNG
Production AI Engineering — keine Prompt-Demos.
02
AI-gestützter Technical Sign-off
Entwicklung eines AI-gestützten Engineering-Sign-off-Workflows, der in etwa fünf Product-Teams und 23 Projekten eingesetzt wurde.
03
AI Change Verification — Open Source
Wir haben einen evidence-accountable Verification-Workflow für AI-assisted Code Changes vor dem Human Review entwickelt und als Open Source veröffentlicht — mit deterministischer Evidenz, expliziter Behandlung ungelöster Risiken und klarer menschlicher Entscheidungshoheit.
AI Change Verification auf GitHubDIREKT MIT DEN ENGINEERS ARBEITEN
Die Engineers, die die Arbeit umsetzen
AI & Software Engineering Lead
Yaroslava Suspitsina
Senior Software Engineer mit Fokus auf produktive AI-Systeme, agentische Architektur und Engineering-Workflows. Sie arbeitet derzeit bei Kittl und hat dort das Agentic-AI-Projekt von Architektur und technischer Leitung bis zur Produktion verantwortet. Außerdem entwickelte sie AI-gestützte Review-, Testing- und Quality-Workflows für mehrere Product-Teams.
- Aktuelle Verantwortung für das Kittl-Agentic-AI-Projekt und dessen Produktionseinführung.
- AI-gestützter Technical-Sign-off-Workflow für etwa fünf Product-Teams und 23 Projekte.
- Agentische Architektur, Testing, CI-Quality-Automation, Playwright, Debugging und Engineering Enablement.
AI/ML Engineer
Valerii Safonov
AI/ML Engineer mit Erfahrung in Machine Learning, quantitativer Modellierung, NLP/RAG, Computer Vision und produktionsnahen AI-Systemen. MSc in Computer Science mit Schwerpunkt Machine Learning und praktische AI-Engineering-Erfahrung seit mindestens 2020.
- MSc in Computer Science mit Schwerpunkt Machine Learning.
- Praxis in quantitativer Modellierung, NLP/RAG, Computer Vision und Production Engineering.
- Frühere angewandte Arbeit zur Erkennung und Bewertung von Technologietrends mit Verantwortung für Daten, Architektur und Engineering-Methoden.
Kein Handoff von Sales an ein Junior-Delivery-Team. Die hier gezeigten Personen arbeiten am Engagement.
DAS SYSTEM RUND UM DAS MODELL
Das Modell ist nur ein Teil des Engineering-Systems.
Bessere Coding Agents führen nicht automatisch zu besserer Delivery. Wenn die Implementierung schneller wird, gewinnt das umgebende Engineering-System an Bedeutung: der Kontext, den Agents einsehen können, die Constraints, denen sie folgen können, die Checks, die sie ausführen können, das Feedback, das sie verarbeiten können, und die Entscheidungen, die weiterhin bei Menschen liegen.
Genau an dieser Ebene arbeiten wir — von agentenlesbarem Repository-Kontext und wiederholbaren Workflows bis zu deterministischer Verifikation, Review Readiness und klaren menschlichen Entscheidungsgrenzen.
Wir sind tool-neutral. Wir verkaufen kein generisches AI-Training, keine breit angelegte „AI Transformation“ und keine unnötige Plattformmigration.
01
Kontext, den Agents tatsächlich nutzen können
Repository-Wissen, Task Intent, Architektur und Constraints sollten einsehbar sein statt immer wieder aus dem Gedächtnis erklärt zu werden.
02
Wiederholbare Agent-Workflows
Nützliche individuelle Praktiken sollten zu wartbaren Engineering-Workflows werden.
03
Evidence vor teurer menschlicher Aufmerksamkeit
Günstige deterministische Checks und relevante Evidence sollten möglichst vor Senior Judgment stattfinden.
04
Menschen verantworten folgenreiche Entscheidungen
Architektur, Product Intent, Ausnahmen und echte Trade-offs bleiben explizite menschliche Verantwortung.
WIE WIR ARBEITEN
Ein klar begrenztes Engineering-Problem nach dem anderen.
Kein laufender Retainer erforderlich. Weitere Arbeit erfolgt nur, wenn es dafür einen separaten Grund gibt.
01
Mit dem echten Workflow starten
Wir grenzen einen Production-Workflow ab, in dem rund um AI-gestützte Entwicklung wiederholt menschliche Zeit verloren geht.
02
Den tatsächlichen Constraint finden
Wir erfassen den Ausgangszustand und trennen den echten Bottleneck von Annahmen darüber, was AI verbessern sollte.
03
Das System ändern, nicht die Präsentation
Wir implementieren die kleinste sinnvolle Intervention in der realen Engineering-Umgebung und testen sie an echter Arbeit.
04
Evidence und Ownership hinterlassen
Der Sprint endet mit einer funktionierenden Änderung, Before/After-Evidence, offenen Punkten und einem wartbaren Handoff.
KONTAKT
Zeigen Sie uns, wo AI-gestützte Delivery noch menschliche Aufmerksamkeit kostet.
Beschreiben Sie kurz Ihr Team, die bereits genutzten AI-/Coding-Tools und den Teil des Workflows, der noch teuer, repetitiv oder unsicher ist.
Wir sagen Ihnen, welcher Sprint am ehesten passt — oder wenn wir keinen guten Fit sehen.