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 REVIEW & VERIFICATION SPRINT
AI kann Code schneller erzeugen, als Ihr Team ihn sicher verifizieren kann.
Wir verbessern einen Produktions-Workflow, damit weniger Senior-Aufmerksamkeit für Kontextrekonstruktion, wiederholbare Prüfungen und vermeidbare Nacharbeit verloren geht.
We build the verification layer between AI-generated changes and production.
Context, deterministic checks, AI-assisted pre-review and clear human sign-off — designed around your existing workflow.
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
Production AI/ML Engineering
Direkte Umsetzung umfasst außerdem einen AI/ML Engineer mit Erfahrung in Machine Learning, NLP/RAG, Computer Vision und produktionsnahen AI-Systemen sowie einem MSc in Computer Science.
WO DIE ERSPARNIS VERSCHWINDET
Das Problem ist oft nicht, die Änderung zu erzeugen. Es ist, sicher genug zu werden, um sie freizugeben.
01
Mehr Code erreicht das Review. Senior-Aufmerksamkeit skaliert nicht mit.
AI kann das Änderungsvolumen erhöhen, während dieselben Engineers Intention, Architektur und Risiko verstehen müssen.
02
Plausibler Code braucht weiterhin Kontext.
Eine Änderung kann korrekt aussehen, während Reviewer noch Repository-Regeln, Annahmen, Edge Cases und den Zweck der Implementierung rekonstruieren müssen.
03
Gesparte Coding-Zeit kann als Nacharbeit zurückkommen.
Schwacher Kontext, zu große Änderungen und Verifikationslücken verlagern Kosten in Review-Runden, Debugging und Cleanup.
Wenn keiner dieser Punkte Ihr Team heute spürbar Zeit kostet, ist dies wahrscheinlich nicht der richtige Pilot.
DER SPRINT
Reduzieren Sie den menschlichen Aufwand, AI-gestützten Änderungen zu vertrauen.
Wir nehmen einen Produktions-Workflow, in dem AI-gestützte Änderungen bereits Review- oder Nacharbeitskosten erzeugen, und verbessern den Weg bis zum Senior Sign-off.
Die Intervention richtet sich nach dem tatsächlichen Engpass. Wir installieren keinen generischen „AI Review Stack“.
Wir ersetzen Engineering-Urteilskraft nicht durch eine weitere AI-Schicht. Wir machen das teure menschliche Urteil leichter anwendbar.
- 01
Besserer Repository-Kontext
Wenn Agents wiederholt Architektur, Regeln oder frühere Entscheidungen übersehen.
- 02
Kleinere, klarere Änderungsgrenzen
Wenn generierte Diffs zu aufwendig zu verstehen sind.
- 03
Frühere deterministische Verifikation
Durch relevante Tests, Typechecks, Linting, statische Analyse, Reproduktionsschritte oder CI-Gates.
- 04
AI-gestütztes Pre-Review, wo sinnvoll
Für günstige, wiederholbare Probleme vor dem Senior Review.
- 05
Explizite menschliche Verantwortung und Freigabe
Damit Verantwortlichkeit klar bleibt.
- 06
Vorher-/Nachher-Evidenz
Mit ein bis drei praktischen Workflow-Messungen.
Ein Workflow. Drei Schritte. Zehn Arbeitstage.
- 01
Ermitteln, wo Senior-Aufmerksamkeit verloren geht
Wir wählen einen Workflow, machen den Review- und Nacharbeitsaufwand sichtbar und vereinbaren eine praktische Baseline.
- 02
Die kleinste nützliche Intervention umsetzen
Wir verändern Kontext, Workflow-Grenzen, Verifikations-Gates, Pre-Review oder Sign-off nur dort, wo es der Engpass erfordert — nicht Ihr gesamtes Engineering-System.
- 03
Messen und übergeben
Wir vergleichen die vereinbarte Evidenz, dokumentieren den Workflow und hinterlassen wartbare, source-controlled Artefakte mit klarer Teamverantwortung.
Die Engineers, die die Arbeit umsetzen
Sie arbeiten von der Diagnose bis zur Umsetzung und Übergabe direkt mit beiden Engineers.
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 Übergang von Sales zu Junior-Ressourcen. Die hier gezeigten Personen arbeiten am Pilot.
FOUNDING PILOT
Ein begrenzter Workflow. Eine klare Übergabe.
€4.500 fix
zzgl. gesetzlicher Umsatzsteuer, falls anwendbar
Ein Produktions-Workflow · 10-tägiges Lieferfenster · direkter Zugang zu beiden Engineers · Umsetzung + Übergabe + Vorher-/Nachher-Ergebnis-Memo.
Senden Sie uns den Workflow, der derzeit den meisten Review-, Nacharbeits- oder Kontextaufwand erzeugt. Wenn er für einen begrenzten Pilot passt, definieren wir Umfang und Baseline vor Beginn.
Fragen vor einem Pilotprojekt
Warum setzen wir das nicht intern um?
01Das können Sie. Der Pilot richtet sich an Teams, die einen begrenzten externen Eingriff nutzen möchten, um den Engpass zu diagnostizieren, den ersten Workflow umzusetzen und wartbar zu hinterlassen, statt dafür zunächst eigene Senior-Zeit zu binden. Eine langfristige Abhängigkeit ist nicht erforderlich.
Ersetzen Sie menschliches Code Review?
02Nein. Die menschliche Verantwortung bleibt klar. Ziel ist, günstige, wiederholbare Verifikation früher zu erledigen, damit Senior Reviewer ihre Aufmerksamkeit auf Intention, Architektur und Risiko richten können.
Welchen Repository- oder Kundendatenzugriff benötigen Sie?
03Den geringsten für den vereinbarten Workflow erforderlichen Zugriff. Produktions- oder sensible Kundendaten sind standardmäßig nicht erforderlich; der Zugriff folgt Ihren bestehenden Sicherheits- und Datenverarbeitungsregeln.
Was passiert, wenn sich die Metrik nicht verbessert?
04Es gibt keinen garantierten Produktivitätsprozentsatz. Ein begrenztes negatives Ergebnis ist trotzdem nützliche Evidenz: Sie wissen, was nicht skaliert werden sollte, und behalten Umsetzung, Dokumentation und Ergebnis-Memo.
Was passiert nach den zehn Arbeitstagen?
05Der Pilot endet mit einer Übergabe. Wenn die Evidenz einen weiteren Workflow oder einen breiteren Rollout unterstützt, wird dieser separat definiert. Es gibt keine automatische Beratungsverpflichtung.
Kontakt
Zeigen Sie uns, wo Verifikation teuer wird.
Ein paar Sätze reichen. Teilen Sie Teamgröße, verwendete AI-Coding-Tools und die Stellen, an denen Review, Nacharbeit oder Kontextrekonstruktion Zeit kosten.