Ausgewählte AI-Projekte aus der beruflichen Praxis: was gebaut wurde und wie.
▸ projekt 01
Produktsuche, die berät statt filtert
- branche
- E-Commerce
- stack
- RAG · Vektorsuche · LLM-Dialog
Eine Suche für einen Online-Shop, die im Dialog mit den Kund:innen das passende Produkt findet. Statt sich durch Filterlisten zu klicken, beschreiben sie in eigenen Worten, was sie brauchen. Eine RAG-Pipeline holt die passenden Kandidaten aus dem Katalog, das LLM führt das Gespräch und begründet die Empfehlung auf Basis der echten Produktdaten, nicht aus dem Modellwissen.
✓ zeigt: RAG macht aus einem Produktkatalog eine Beratung: dialoggeführt statt Filterlogik.
▸ projekt 02
Geführte Produktfindung mit dynamischen Folgefragen
- branche
- E-Commerce
- stack
- RAG · LLM-generierte Fragen · Single-Choice-Dialog
Der umgekehrte Ansatz: Hier fragt der Shop. Das System stellt null bis n Folgefragen, jede mit Single-Choice-Antworten, und die Kund:innen schränken Schritt für Schritt ein, was sie suchen. Der Punkt dabei: Fragen und Antwortoptionen erzeugt das LLM vollständig zur Laufzeit aus den Produkten, die noch im Rennen sind. Kein gepflegter Fragenkatalog, kein starrer Filterbaum: der Dialog entsteht aus dem Sortiment.
✓ zeigt: LLMs können nicht nur antworten, sondern die Interaktion selbst entwerfen. Fragen und Optionen entstehen aus den Daten.
▸ projekt 03
Agent-Orchestrator für Ticket-Prozesse
- branche
- Prozessautomatisierung
- stack
- Cursor Cloud Agents · Linear · GitHub · Webhooks
Ein Orchestrator, der Tickets vollautomatisch abarbeitet: Webhooks aus diversen Systemen stoßen den Prozess an, Cursor Cloud Agents übernehmen die Umsetzung, Linear führt die Tickets, GitHub die Pull Requests. Repetitive Prozesse laufen ohne manuellen Anstoß durch, und jeder Schritt bleibt nachvollziehbar, vom auslösenden Event über den Agent-Run bis zum PR.
✓ zeigt: Agenten entfalten ihren Wert in der Prozesskette: angebunden an bestehende Systeme, automatisiert und auditierbar.
▸ projekt 04
Ticket-Sicht, die den ganzen Kontext kennt
- branche
- Developer-Tooling
- stack
- LLM · Jira · GitHub · Slack
Ein Webinterface, das per Schnittstelle Daten aus Jira, GitHub und Slack zusammenführt und Entwickler:innen eine vollständigere Sicht auf ihre Tickets gibt. Ein LLM bekommt diesen gesammelten Kontext und beantwortet daraus die Fragen, die sonst mühsames Zusammensuchen kosten: Was ist konkret zu tun, wurde etwas vergessen, was sind die nächsten Schritte.
✓ zeigt: LLMs werden nützlich, wenn man ihnen den Kontext beschafft. Die Integrationsarbeit über die Systeme hinweg ist der eigentliche Hebel.