01
Kittl Agentic AI
Aktuelle praktische Produktionserfahrung: Verantwortung für das Agentic-AI-Projekt bei Kittl — von Architektur und technischer Leitung bis zur Produktion.
AI-NATIVE DELIVERY SYSTEM SPRINT
Machen Sie aus Coding Agents ein wiederholbares Delivery-System.
Für kleine Software- und AI-Produktteams, die Coding Agents bereits aktiv nutzen, aber bei Kontext, Richtungsentscheidungen, Checks und Abschluss eines Tasks noch stark von Founders oder Senior Engineers abhängen.
Wir nehmen einen wiederkehrenden Production-Workflow und machen die wiederholte menschliche Steuerung darum zu einem wartbaren, agentenfähigen System.
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 GitHubWENN DER AGENT SCHNELL IST, ABER DER MENSCH NOCH DAS SYSTEM BLEIBT
AI kann mehr Code schreiben. Das bedeutet noch nicht, dass der Workflow delegiert ist.
01
Kontext startet immer wieder neu
Architektur, Repository-Regeln, frühere Entscheidungen und Task Intent müssen bei sinnvoller Agent-Arbeit immer wieder rekonstruiert oder erklärt werden.
02
Senior Engineers müssen die Ausführung weiterhin Schritt für Schritt steuern
Der Agent produziert schnell, aber Founder oder Senior Engineers korrigieren wiederholt die Richtung, lösen Unklarheiten und führen die gleichen Checks aus.
03
Gute AI-Praktiken bleiben persönlich
Nützliche Prompts, Skills, Konventionen und Verification-Gewohnheiten bleiben in individuellen Setups statt zu einem gemeinsamen System zu werden.
Wenn Coding Agents noch nicht substanziell in echter Entwicklung eingesetzt werden, ist dieser Sprint wahrscheinlich nicht der richtige Einstieg.
DER SPRINT
Machen Sie aus wiederholter Senior-Steuerung ein System, das Agents wiederverwenden können.
Wir wählen einen wiederkehrenden Workflow, in dem menschliche Anleitung immer wieder neu anfällt, und machen den fehlenden Kontext, die Constraints, Checks und Escalation Points wiederverwendbar.
Die Intervention richtet sich nach dem tatsächlichen Workflow. Wir installieren keinen generischen „Agent Stack“.
Ziel ist nicht mehr AI-Nutzung. Ziel ist, mehr echte Engineering-Arbeit sicher zu delegieren und wiederholte Senior-Steuerung zu reduzieren.
- 01
Gemeinsamer Repository-Kontext und Skills
Für Architektur, Konventionen und frühere Entscheidungen.
- 02
Klarere Task- und Acceptance-Verträge
Für weniger interaktive Rekonstruktion während der Ausführung.
- 03
Tool-Zugriff nur dort, wo er echte manuelle Arbeit entfernt
CLI, APIs oder MCP-artige Verbindungen nur bei echtem Nutzen.
- 04
Deterministische Checks und Hooks
Tests, Linting und Typechecks vor menschlicher Aufmerksamkeit.
- 05
Stop-, Escalation- und Human-Judgment-Grenzen
Damit klar ist, was der Agent abschließen darf und was zurück an Menschen muss.
- 06
Ein wiederholbarer Delivery-Loop
Zum Beispiel: Task → Implementierung → Checks → Evidence → Human Decision.
Fünf Arbeitstage, ein wiederkehrender Workflow.
- 01
Workflow wählen und Baseline erfassen
Einen wiederkehrenden Workflow auswählen und sichtbar machen, wo Founder-/Senior-Zeit rund um den Agent wiederholt anfällt.
- 02
Kontext und Constraints lesbar machen
Implizites Wissen, Entscheidungen und Non-Negotiables in eine Form bringen, die der Workflow zuverlässig nutzen kann.
- 03
Checks und Agent Loop bauen
Die kleinsten sinnvollen Skills, Tools, Checks, Hooks oder Escalation-Mechanismen implementieren.
- 04
An echter Arbeit testen
Das neue System mit realen Tasks statt einem Demo-Repo testen.
- 05
Handoff
Working Setup, Evidence, offene Grenzen und ein kurzes Runbook übergeben.
FIT
Für kleine Teams, die bereits wirklich mit Coding Agents arbeiten.
Häufig 2–10 Personen, aber Headcount ist nicht entscheidend. Entscheidend ist, ob wiederholte Senior-Steuerung bereits Teil der Kosten der Agent-Nutzung geworden ist.
GOOD FIT
- Coding Agents sind Teil des täglichen Engineering.
- Founder, CTO oder Senior Engineers wiederholen regelmäßig Kontext oder Korrekturen.
- Es gibt mindestens einen wiederkehrenden Workflow.
- Es existiert ein echtes Production Repo.
- Das Team will Implementation statt generischem AI-Training.
NOT A FIT
- frühe AI-Experimente
- kein wiederkehrender Workflow
- primär Product-Market-Fit-Problem
- generisches Prompting-Training oder company-wide AI Transformation
DIREKT 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.
FIXED-SCOPE SPRINT
Ein Production Repo. Ein wiederkehrender Workflow. Fünf Arbeitstage.
€2.500 fix
+ VAT, falls anwendbar
5 Arbeitstage · 1 Production Repo · 1 wiederkehrender Workflow · Implementierung in der echten Umgebung · Live Trial · Handoff.
Wenn wir zunächst keinen wiederkehrenden Workflow identifizieren können, bei dem diese Intervention sinnvoll helfen könnte, ist dieser Sprint nicht der richtige Fit.
Kein laufender Retainer erforderlich. Weitere Arbeit wird nur separat vereinbart, wenn es einen klaren Grund dafür gibt.
Fragen vor dem Sprint
Ist das AI-Training?
01Nein. Der Sprint setzt voraus, dass Ihr Team Coding Agents bereits nutzt. Wir arbeiten am Engineering-System rund um einen realen Workflow, statt generisches Prompting zu vermitteln.
Welche Coding Agents oder Tools unterstützen Sie?
02Der Sprint ist tool-neutral. Die konkrete Intervention richtet sich nach den Tools, die Ihr Team bereits nutzt, und kann Repository-Kontext, Agent Skills, CLI-/API-Integrationen, MCP-artige Verbindungen, Checks, Hooks oder Workflow-Änderungen umfassen, wenn sie dem ausgewählten Workflow tatsächlich helfen.
Ist der Sprint nur für Teams mit 2–10 Personen?
03Nein. Das ist ein häufig passender Rahmen, aber keine harte Grenze. Entscheidend ist, ob wiederholte Founder- oder Senior-Steuerung bereits einen spürbaren Teil der Kosten der Agent-Nutzung ausmacht.
Müssen wir auf eine neue Plattform migrieren?
04Nein. Wir verbessern bevorzugt die bestehende Engineering-Umgebung. Ein Tool- oder Plattformwechsel kommt nur infrage, wenn er für den ausgewählten Workflow konkret begründet ist.
Welchen Zugriff benötigen Sie?
05Nur den abgegrenzten Zugriff, der nötig ist, um den ausgewählten Repository-Workflow zu verstehen und zu verbessern. Bestehende Security Controls und menschliche Approval-Grenzen bleiben bestehen.
Garantieren Sie eine Produktivitätssteigerung?
06Nein. Wir versprechen keinen festen Prozentsatz. Der Sprint ist bewusst begrenzt, damit Ihr Team an einem konkreten Workflow prüfen kann, ob eine reale Systemänderung wiederholten menschlichen Aufwand reduziert.
Was, wenn unser Bottleneck breiter ist als Agent-Babysitting?
07Dann ist der AI Engineering Workflow Sprint wahrscheinlich der bessere Fit. Er ist für breitere Delivery-Bottlenecks rund um Kontext, Requirements, Architektur, Rework, Verifikation, Review oder Koordination gedacht.
Was passiert nach fünf Arbeitstagen?
08Der Sprint endet mit einem Handoff. Ihr Team behält das implementierte Setup, die Evidence und das Runbook. Es entsteht kein automatisches laufendes Consulting-Verhältnis.
Kontakt
Zeigen Sie uns den Agent-Workflow, der noch zu viel menschliche Steuerung braucht.
Nennen Sie kurz Teamgröße, bereits genutzte AI-/Coding-Tools und einen wiederkehrenden Workflow, in dem Kontext, Korrekturen, Checks oder Human Intervention ständig wiederkehren.