Projekte

AI-gestütztes Aktienresearch – direkt aus echten SEC-Filings

Eines meiner Gründerprojekte: Eine AI-Plattform für Aktienresearch, die SEC-Filings, Earnings-Call-Transkripte und offizielle Dokumente in zitierfähige und überprüfbare Reports für Privatanleger verwandelt – komplett ohne Beraterzulassung oder institutionellen Zugang.

Die Plattform bietet zwei Modi: Einen ca. 20-sekündigen Snapshot für das schnelle Screening und einen ca. 3-minütigen Deep Dive, der das Geschäftsmodell, den Moat, die Tonalität des Managements, Q&As aus den Calls und versteckte Risiken beleuchtet. Dazu kommen Features wie der Ticker Compare, automatisierte monatliche Portfolio-Recaps und Report-Diffs im Quartalsvergleich.

Der Fokus liegt voll auf Vertrauen statt Halluzination: Daten kommen via SEC EDGAR (10-K, 10-Q, 8-K) und Azure Document Intelligence, Marktdaten über Yahoo Finance/Finnhub. Unter der Haube arbeiten mehrere Agenten (Claude, Gemini, GPT) parallel, gleichen sich ab und verankern jede wichtige Aussage direkt mit der Quelle.

Die AI-Engine für unternehmenskritische Prozessautomatisierung

Eine mandantenfähige SaaS-Plattform für AI-getriebene Prozessautomatisierung: Von smarten Assistenten über Dokumenten-Workflows bis hin zur echten Integration in Backoffice-Abläufe (keine reinen Demo-Flows).

Aufgesetzt auf AWS mit event-driven Microservices (Lambda, ECS/Fargate, SNS/SQS) und Multi-Model-LLM-Integration (OpenAI, Azure, Bedrock, Mistral). Entwickelt für richtig hohe Last (>1.000 parallele Connections, tausende Requests pro Sekunde) bei voller Kosten- und Stabilitätskontrolle.

Security und Compliance by Design: Ich habe ISO 27001 und SOC 2 für die Plattform umgesetzt, Datensouveränität war von Tag eins an Prio 1.

Enterprise-Tooling für verlässliche LLM-Pipelines

Ich habe ein internes Testing- und Evaluations-Framework (Testbed) gebaut, das LLM-Systeme messbar und wiederholbar macht: Deterministische Testfälle, harte Metriken, qualitative/quantitative Evals und Regression-Testing für RAG und Multi-Step-Pipelines.

Dazu kam der „Prompt Wizard“, um Iterationen zu beschleunigen und gleichzeitig saubere Versionierung und Testbarkeit sicherzustellen. „Works on my machine“ gibt es hier nicht mehr.

Das Ziel: Prompt Engineering aus der Experimentier-Ecke holen und zur echten Engineering-Disziplin machen – damit Teams skalieren können, ohne dass die Performance nach dem ersten Release einbricht.

Automatisches Produkt-Matching, das die manuelle Angebotserstellung ersetzt

Für die RP Group (Notbeleuchtung) habe ich ein Machine-Learning-System entwickelt, das eingehende Kundenanfragen automatisch den passendsten Produkten zuordnet. Das spart enorm viel Zeit, die Experten sonst für die manuelle Auswahl brauchen.

Die Datengrundlage entstand durch LLM-gestützte Extraktion (via entAIngine API) und massives Domain-Feature-Engineering (25+ Features). Danach wurden fünf Modelle gegeneinander gebenchmarkt und optimiert.

Das Gewinner-Modell: Ein getunter Random Forest mit 70,7 % Top-1 Accuracy (MRR 0,835; AUC-ROC 0,923). Starke Ranking-Qualität bei voller Interpretierbarkeit und sauberem Deployment.

Spar über 2 Stunden pro Gutachten dank AI-Recherche

Eine AI-Plattform für Immobiliengutachter, die die nervigsten und zeitfressendsten Teile der Bewertung automatisiert: Recherche, Standortanalysen und das eigentliche Schreiben des Berichts.

Das System drückt stundenlange Handarbeit auf 2–3 Minuten pro Objekt runter und liefert strukturierten Output (Makro-/Mikro-Standort, Marktkontext und direkt verwertbare Report-Bausteine).

Komplett auf Profi-Workflows ausgelegt: Multi-Source-Datenintegration und Qualitätskontrollen sorgen für konsistente, überprüfbare Ergebnisse.

Multi-Agent-Systeme bauen, komplett ohne Code

Eine No-Code-Plattform, die Operations-Teams (Customer Service, HR, Ops) befähigt, eigene Multi-Agent-Workflows zu designen und zu launchen – ohne dass sie dafür Entwickler brauchen.

Der Fokus lag auf Orchestrierung und Zuverlässigkeit: Klare Rollenverteilung zwischen Agenten, saubere Handoffs und eingebaute Evals, damit Iterationen nicht im Chaos enden.

Due Diligence und Portfolio-Intelligence in einem Produkt

Eine Plattform speziell für VCs, die Deep Research mit Investment-Automatisierung verknüpft, um Due Diligence und Marktanalysen radikal zu beschleunigen.

Vorkonfigurierte Agenten übernehmen Competitive Analysis, Portfolio Tracking, Deal-Flow-Automatisierung und Market Mapping. Aus verstreuten Research-Fetzen wird echtes institutionelles Wissen.

Sichere Daten-Kollaboration ohne Offenlegung von Secrets

Ein von der EU (Horizon 2020) gefördertes Projekt: Die Plattform erlaubt es Organisationen, Analysen auf sensiblen Daten laufen zu lassen, ohne dass die Daten den Besitzer wechseln. Das Motto: „Bring the code to the data“ – mit maximaler Auditierbarkeit.

Ich habe die end-to-end Workflows (Agreement → Execution → Evaluation) und die Microservice-Architektur entworfen, abgesichert durch einen unveränderlichen Audit-Trail auf der Blockchain.

Mit Confidential Computing (TEEs / Intel SGX) und starker Verschlüsselung wurde Privacy-Preserving-Processing über Unternehmensgrenzen hinweg realisiert und erfolgreich mit EU-Stakeholdern validiert.