Datenreife #4: Der Open-Source-Stack für Stufe 3-7
Neo4j, SHACL, TigerGraph, Ollama, MCP: Konkrete Tools für quantifizierbare Datenreife. Kostenvergleich Cloud vs. Lokal.
Weiterlesen →Publikationen
Blog-Artikel, LinkedIn-Beiträge und Konferenzvorträge
Blog
Artikel, die noch nicht auf LinkedIn veröffentlicht wurden
Datenreife #3: Markt & Trends - Wo stehen Google, Palantir & Co?
Google Stufe 6-7, Palantir Stufe 3-5: Wie Enterprise-Player die Datenreife-Leiter nutzen. McKinsey, IMD Studien zur AI Maturity 2025.
Weiterlesen →Datenreife #2: Ausblick - Stufe 6-10 und lernende Systeme
Von Data Prediction bis Lernen aus Feedback: Was nach dem Fundament kommt. GNNs, Pattern Detection - keine Zukunftsmusik.
Weiterlesen →Auf LinkedIn veröffentlichte Artikel (24)
Datenreife #1: Struktur vor KI - Warum 70% Business Value ohne KI entstehen
AI-Projekte scheitern an zwei Dingen: Vorbehalten der Betroffenen und Datenqualität. Das Palantir-Beispiel zeigt: LLMs sind Interface, nicht Fundament. Stufe 1-5 der Datenreife-Leiter.
Get Access! Mein erster MCP-Server
Ein MCP-Server für den Zugriff auf das CRM-System - Auswertungen, Beschreibungen, Social Media Postings. Gesamterstellungszeit: 16h.
Think AI #7: Es muss nicht immer mehr sein
Prompt-Komprimierung reduziert Ressourcenverbrauch um über 60% - bei besserer KI-Verständlichkeit. Semantische IDs und Graph-spezifische Formate statt JSON.
Apps, Websites und ein Blick in die Glaskugel
Was ist perspektivisch noch der Unterschied zwischen Website und App? Wenn KI-Suchmaschinen Websites nur als Datenquelle nutzen - was bedeutet das?
Prompt Engineering und Requirements Engineering
Eine unmögliche Kombination? Wie INCOSE-Qualitätsmerkmale beim Vibe-Coding helfen - und warum man nicht verraten sollte, dass es Requirements Engineering ist.
Vibe Coding #3: NoApp - System Engineering ohne Code
Claude Code auf "Allgemeiner Systems Engineer" umprogrammiert: 27 Dateien, 1587 Zeilen - und kein einziger Zeile traditioneller Code.
Think AI #6: ClaudeGraph - Wenn die KI zurückpritscht
Ein Jahr Vibe-Coding: Begeisterung, Ernüchterung und eine KI, die brutal ehrlich antwortet. Über gefakte Tests, Token-Verschwendung und den Wert kritischer Rückfragen.
Think AI #5: Grmpf! Die Nebenwirkungen
Lokale KI auf dem Laptop: Einfacher als gedacht - und doch kompliziert. Über DSGVO, Vertrauenswürdigkeit und die Schere zwischen Möglichkeit und Umsetzung.
Think AI #4: Automatisierung - Warum nicht gleich ein Programm?
Statt Zapier oder N8N die KI ein ganzes Programm schreiben lassen? ImPhoto zeigt: Software on Demand hat eine Nische.
Think AI #3: Vier Roadblocker für GenAI im Engineering
Volatilität, Qualität, Sicherheit, Kosten - die vier wesentlichen Hürden für den produktiven Einsatz von GenAI. Und warum ein Proof of Concept trotzdem Pflicht ist.
Vibe Coding #1: Was kann man dabei lernen?
Die KI eine Anwendung rein mit natürlichsprachigen Vorgaben schreiben lassen - erstaunlicherweise funktioniert das. Hier mein Kochrezept.
Think AI #2: Praktische Tipps zur KI-Unterstützung im Engineering
Klare Aufgaben, klare Daten, klare Regeln - die drei Faktoren für erfolgreiche KI-Unterstützung. Und warum "Garbage in, garbage out" keine Halluzination ist.
Systems Engineering and AI
In den letzten 6 Monaten habe ich mich intensiv mit der operativen Anwendung von GenAI im Systems Engineering Kontext beschäftigt.
Think AI #1: Paradigmenwechsel im Anforderungsmanagement
Spezifikationen abrufen, nicht schreiben! Die großen LLMs wissen mehr als jeder einzelne Mensch - nutzen Sie das Pareto-Prinzip für Ihre Commodity-Umfänge.
GenAI und Systems Engineering 2025
Jahreswechsel-Gedanken: Was bedeutet GenAI für Systems Engineering? Software, Software, Software - und warum LLMs mehr wissen als wir.
Lean SE - Leichtgewichtige Ansätze
Systems Engineering kann sehr schwergewichtig sein. Nicht jedes Projekt braucht das "große Besteck". Hier sind Ideen für leichtgewichtige Ansätze.
Systems Engineering Efficiency Potentials
Identifikation und Nutzung von Effizienzpotenzialen in Systems Engineering Prozessen.
Der Tod der Software
Wozu brauche ich Word, Excel, Outlook noch? Wenn die KI alles erstellt, verarbeitet und versendet - was bleibt von klassischer Software?
Vibe Coding #2: When AI is Programming AI
Nach sechs Wochen intensivem Vibe-Coding: 3500 Zeilen Code, $135 für Tokens - und die Erkenntnis, dass AI AI anleiten kann.
Summer School #5: The Summary
Das Ende meines Summer School Projekts wird zum Startpunkt für ein größeres Projekt. Plus wertvolle Einblicke in Ontology, AI und Systems Engineering.
Summer School #4: A Framework Proposal for SE Assistants
Wenn man verschiedene Use Cases für KI-Unterstützung adressiert, endet man beim Bau eines AI-Frameworks für Systems Engineering.
Summer School #3: Generate a Use Case with 9 Words
Mit einer Eingabe und zwei inhaltlichen Korrekturen hat die KI 33 Datenobjekte erstellt. Niedriger kann man den Einstieg nicht bekommen.
Summer School #2: Observations on Ontology
Die "Lesbarkeit" einer Ontologie beeinflusst die Qualität der KI-Ergebnisse erheblich. Was bedeutet Lesbarkeit für eine KI?
Summer School #1: AI for Systems Engineering
My Summer School project: Using AI to support Systems Engineering. Learning is always a good idea.
Konferenzen
Sysli - Systems Engineering light - REConf 2025
Leichtgewichtiges Systems Engineering mit KI-Unterstützung: Methodenwissen abrufen statt erlernen, automatische Dokumentation, schrittweise Einführung - ohne Overhead, mit vollem Nutzen.
PDF herunterladen →Eigenes Thema?
Lassen Sie uns über Ihre spezifischen Herausforderungen sprechen.
Gespräch vereinbaren