Zum Inhalt springen

Hallo, ich bin

Christoph Lengowski

Ich verbinde Product Ownership, Requirements Engineering, QA Leadership und AI Delivery – für klare Entscheidungen, testbare Anforderungen und belastbare KI- und Delivery-Systeme.

AI Product OwnershipAI Requirements EngineeringAI Evaluation & GuardrailsRapid AI PrototypingRAG & Agentic AI
8QA-Teammitglieder geführt
RAGLokaler KI-/RAG-Prototyp
5+Jahre Delivery-Verantwortung
Kontakt aufnehmenProjekte ansehen
Christoph Lengowski

Enterprise AI mit Produktfokus

Von der vagen KI-Idee zum bewertbaren Produktkonzept – mit Business Value, klaren Anforderungen und technischer Umsetzbarkeit.

AI Evaluation & Quality-by-Design

Qualitätsziele, Evaluationskriterien und Guardrails für KI-Systeme definieren. Risiken, Fehlermodi und probabilistische Ergebnisse werden früh messbar gemacht – nicht erst nach dem Rollout.

AI Guardrails & Delivery Readiness

Konzeption nachvollziehbarer Prüf-, Freigabe- und Feedbackschleifen für KI-Produkte. Erfahrung aus Testautomatisierung und CI/CD fließt in reproduzierbare Evaluationen und sichere Delivery-Prozesse ein.

AI Requirements Engineering

Übersetzung vager Business-Ideen in priorisierte Use Cases, Daten- und Kontextanforderungen, passende RAG-, LLM- oder Agentic-Architekturen sowie klare KPIs für probabilistische Ergebnisse.

Rapid AI Prototyping & PoCs

Schnelle, fokussierte Prototypen mit lokalen LLMs, RAG und Workflow-Automation validieren Nutzen, Datenzugang und technische Risiken, bevor Teams in Skalierung und Integration investieren.

AI Product Ownership

KI-Initiativen entlang von Business Value, Risiko und Machbarkeit priorisieren. Fachbereich, Entwicklung und Stakeholder auf ein überprüfbares Zielbild, klare Entscheidungen und realistische Delivery-Schritte ausrichten.

RAG & Knowledge Products

Konzeption und praktische Evaluation von RAG- und Knowledge-Management-Produkten. Eigene PoCs mit Docker, Open WebUI, Ollama und LightRAG schaffen fundierte Entscheidungen zu Retrieval, Datenqualität und Systemgrenzen.

Zertifizierungen

Verifizierte Qualifikationen für Product Ownership, Requirements Engineering, AI-Qualität, Testmanagement und strukturierte Delivery.

ISTQB logo
2026

Certified Tester GenAI

Certible
Nachweis ansehen
  • KI-gestütztes Testen: Verständnis für Einsatzmöglichkeiten generativer KI im Softwaretest
  • Prompting & Testdesign: Strukturierte Ableitung von Testszenarien, Testdaten und Prüfideen mit GenAI-Unterstützung
  • Risikobewusstsein: Kritische Bewertung von KI-Ergebnissen, Qualitätssicherung und verantwortungsvoller Tool-Nutzung
ISTQB logo
2026

ISTQB Advanced Level Test Management (CTAL-TM)

ISTQB
Nachweis ansehen
  • Strategische Testplanung: Erstellung und Steuerung von Teststrategien sowie Risikomanagement für komplexe Systeme
  • Teamführung & Governance: Leitung von Testteams, KPI-Monitoring und Optimierung von Testprozessen
  • Wirtschaftlichkeit: Fokus auf Testaufwandsschätzung und Budgetkontrolle zur Maximierung des ROI der Qualitätssicherung
ISTQB logo
2025

ISTQB Foundation Level

ISTQB
Nachweis ansehen
  • Standardisierte Methodik: Fundiertes Wissen über den fundamentalen Testprozess und international anerkannte Testbegriffe
  • Ganzheitliches Testdesign: Anwendung von Black-Box- und White-Box-Testentwurfsverfahren zur effektiven Fehlerfindung
  • Qualitätsbewusstsein: Sicherstellung hoher Softwarequalität durch frühzeitige Einbindung von Testaktivitäten im SDLC
Professional Scrum Master I badge
2021

Professional Scrum Master I

Scrum.org
Nachweis ansehen

Nachweis-ID: 703391

  • Servant Leadership: Moderation von Scrum-Events und Beseitigung von Hindernissen zur Maximierung der Teamproduktivität
  • Agile Transformation: Förderung von Transparenz, Überprüfung und Anpassung innerhalb der Organisation
  • Coaching: Unterstützung des Teams bei Selbstorganisation sowie Einhaltung der Scrum-Werte und -Prinzipien
Professional Scrum Product Owner I badge
2024

Professional Scrum Product Owner I

Scrum.org
Nachweis ansehen

Nachweis-ID: 991278

  • Maximierung des Business Value: Strategische Priorisierung des Product Backlogs zur Wertoptimierung des Produkts
  • Stakeholder-Management: Effektive Kommunikation zwischen Business-Anforderungen und technischer Umsetzung
  • Produktvision: Entwicklung klarer Produktziele und messbarer Abnahmekriterien
IREB CPRE Foundation Level badge
2021

IREB CPRE Foundation Level

IREB

Nachweis-ID: 21-CPREFL-197026-20

  • Präzise Anforderungsanalyse: Professionelle Ermittlung, Dokumentation und Validierung funktionaler und qualitativer Anforderungen
  • Konfliktmanagement: Moderation zwischen unterschiedlichen Stakeholder-Interessen zur Vermeidung von Fehlentwicklungen
  • Spezifikations-Exzellenz: Erstellung klarer, prüfbarer Anforderungen als Grundlage für eine reibungslose Implementierung
PRINCE2 wordmark
2021

PRINCE2 Foundation

PRINCE2 / PeopleCert

Nachweis-ID: GR656228305CL

  • Strukturiertes Projektmanagement: Verständnis für prozessorientierte Methoden zur Steuerung von Projekten in kontrollierten Umgebungen
  • Business-Case-Fokus: Kontinuierliche Prüfung der geschäftlichen Rechtfertigung über den gesamten Projektlebenszyklus
  • Rollen & Verantwortlichkeiten: Definition klarer Organisationsstrukturen und Eskalationswege für einen effizienten Projektablauf
Profil

Über mich

Ich verbinde Product Ownership, Requirements Engineering, QA Leadership und technische AI Delivery zu belastbaren Produktentscheidungen.

Als Senior IT Consultant arbeite ich an der Schnittstelle von Fachbereich, Product Ownership, Requirements Engineering und Qualitätssicherung. Im Public-Sector-Umfeld strukturiere ich Backlogs, Epics, User Stories und Akzeptanzkriterien, unterstütze fachliche Entscheidungen und übersetze sie in Testkonzepte, Quality Gates und nachvollziehbare Delivery-Schritte.

Für AI-gestützte Delivery und Wissenssysteme entwickle ich eigene RAG-, Agenten- und Evaluationsprototypen. Dabei verbinde ich lokale LLMs, Retrieval, strukturierte Workflows und Guardrails mit denselben Qualitätsfragen, die auch klassische Softwareprojekte tragen: klare Anforderungen, kontrollierter Zugriff, Traceability, messbare Kriterien und Human Review.

Mit meinem privaten Personal Context Hub pflege ich außerdem berufliche Erfahrungen, Projekte, Entscheidungen und Lernfelder als strukturierte, versionierte Markdown-Wissensbasis. Das ist für mich praktische Context-Engineering-Arbeit: Informationen so aufzubereiten, dass sie für Portfolio, Bewerbungen, strategische Entscheidungen und die Zusammenarbeit mit KI-Systemen konsistent wiederverwendbar werden.

Agenten & AI-Systeme

Bei KI-Produkten denke ich Nutzen, Systemgrenzen, Evaluation und Betrieb gemeinsam: mit klaren Eingabepfaden, Guardrails, Rückverfolgbarkeit und überprüfbaren Qualitätskriterien.

  • Ich übersetze Fachlogik, Rollen und Entscheidungspunkte in nutzbare AI-Interaktionen statt in generische Chat-Flows.
  • Ich denke Guardrails, Validierung, Datenflüsse und Nachvollziehbarkeit von Anfang an mit.
  • Ich baue Agenten als eingebettete Workflow-Komponenten, nicht als isolierte Gimmicks.
  • Ich strukturiere und versioniere Kontext als wiederverwendbare Wissensbasis statt Informationen in einzelnen Chats und Dokumenten zu verlieren.
Erfahrung
5+ Jahre Product Delivery
Rolle
Senior IT Consultant · Product · QA · AI
Fundament
M.Sc. + PSPO/IREB/ISTQB
AI-PoC-Praxis
Rapid AI Prototyping
Christoph Lengowski

Kurzprofil

  • AI Product Ownership an der Schnittstelle von Business, Fachbereich und Entwicklung
  • IREB-geprägtes AI Requirements Engineering für klare Use Cases und messbare Ergebnisse
  • Hands-on Aufbau eigener RAG-, LLM- und Workflow-Prototypen
  • Evaluation, Guardrails und Quality-by-Design als Differenzierungsmerkmal
  • Fokus auf KI-Produkte, die vom PoC bis zur Betriebsrealität belastbar bleiben

Was Teams an mir schätzen

  • Ich bringe Struktur in unklare Problemräume und mache Risiken früh sichtbar.
  • Ich denke AI-Qualität nicht als späten Kontrollpunkt, sondern als Teil von Produktziel, Requirements und Architektur.
  • Ich prototypisiere früh, damit Produktentscheidungen auf Evidenz statt auf KI-Versprechen basieren.

Berufserfahrung

Stationen, die mein Profil geprägt haben.

12/2023 - Heute

AI Delivery / Quality Assurance Lead / IT Consultant

Materna Information & Communications SE

Kernergebnis

Arbeitsnahe AI-Assistenz- und Knowledge-Workflows prototypisch umgesetzt, Einsatzgrenzen und Guardrails bewertet sowie belastbare QA- und Delivery-Strukturen verantwortet.

AI-Delivery- und QA-Verantwortung in einem komplexen Public-Sector-Projekt: von Copilot-Studio- und Knowledge-Workflow-PoCs über AI Enablement bis zu Testgovernance, Release-Readiness und fachlicher Teamleitung.

  • Copilot-Studio-Agenten mit SharePoint Knowledge Sources für QS-, Requirements- und Dokumentationsprozesse prototypisch umgesetzt
  • AI Enablement durch interne Schulungen, Workshops und Beratung zu praktikablen Einsatzszenarien unterstützt
  • Fachliche Leitung eines QA-Teams mit bis zu 8 Testern
  • Definition einer risikobasierten Teststrategie und belastbarer Testkonzepte
  • Strukturierung automatisierbarer Testfälle in Jira/Xray und Cucumber als Grundlage für Playwright-Handoffs
  • Enge Zusammenarbeit mit Entwicklern bei Playwright-Umsetzung und Jenkins-/Bitbucket-gestützten Delivery-Workflows
  • Stakeholder-Management und Qualitätsgovernance auf Projektleitungsebene
12/2021 - 12/2023

IT Consultant

Materna Information & Communications SE

Kernergebnis

Belastbare Requirements- und Delivery-Strukturen für reale Digitalisierungsprojekte aufgebaut und die Umsetzung fachlich eng begleitet.

Beratung und operative Mitarbeit in Digitalisierungsprojekten mit klarem Schwerpunkt auf Requirements Engineering. Verantwortung für Anforderungsaufnahme, fachliche Abstimmung, Backlog-Strukturierung und Priorisierung als Bindeglied zwischen Kunde, Fachlichkeit und Entwicklung.

  • Anforderungsaufnahme und fachliche Analyse mit direkter Übersetzung in umsetzbare Backlog-Items
  • Abstimmung mit Kunden, Fachbereichen und Entwicklern über Anforderungen, Scope und Prioritäten hinweg
  • Pflege, Strukturierung und Priorisierung des Product Backlogs
  • Erstellung fachlicher Spezifikationen und Umsetzungsgrundlagen für das Delivery-Team
  • Punktuelle fachliche Tests und Reviews aus Anforderungssicht
Q4 2021 - 12/2021

IT Consulting Trainee

Materna Information & Communications SE

Kernergebnis

Fundament für den Einstieg in Public-Sector-Projekte durch Schulungen, Zertifizierungen und systematisches Projektverständnis gelegt.

Strukturiertes Trainee-Programm zum Einstieg in das Projektumfeld mit Fokus auf methodische Grundlagen, Delivery-Kontexte und Beratungsarbeit in der IT.

  • Intensives Onboarding in Projektkontexte, Delivery-Abläufe und Beratungsarbeit
  • Umfassende Schulungen zu Scrum, Requirements Engineering und Projektmethodik
  • Erwerb zentraler Zertifizierungen als methodische Grundlage
  • Schneller Übergang aus dem Programm in die operative Projektarbeit

Projekte

Ausgewählte Projekte und PoCs, die meinen Weg von AI Requirements und Produktkonzept bis Evaluation, Guardrails und technischer Validierung zeigen.

01Schlüsselprojekt

Modernisierung eines Verwaltungsverfahrens im Public Sector

Requirements Engineering und Testmanagement für die Modernisierung eines fachkritischen Verwaltungsverfahrens

AI Product Ownership plus Hands-on PoC-Praxis

Business-orientierte Use-Case-Priorisierung, AI Requirements Engineering, Evaluation und Guardrails – verbunden mit Delivery-Erfahrung und praktischer RAG-, LLM- und Workflow-Validierung.

Legacy -> Web

Migration von Oracle Forms/Reports auf moderne Webarchitektur

MVP

Definition und Priorisierung produktnaher Umfänge

API-first

Fachliche Vorbereitung für React, Spring Boot und OpenAPI

Public Sector

Digitale Verwaltung mit hohen Anforderungen an Nachvollziehbarkeit

Modernisierung eines fachkritischen Verwaltungsverfahrens durch die Ablösung einer Oracle-Forms-/Oracle-Reports-Landschaft und die Einführung einer modernen Webarchitektur. Mein Fokus liegt auf Anforderungsmanagement, Prozessanalyse, MVP-Ausgestaltung und Qualitätssicherung an der Schnittstelle zwischen Fachbereich, Entwicklung, Architektur und Test.

Meine Rolle

Testmanager / Requirements Engineer / MVP-Co-Lead

Tech-Stack

React · Spring Boot · OpenAPI · Oracle Forms

Herausforderung

Ein fachkritisches Legacy-Verfahren muss in eine moderne Webarchitektur überführt werden, ohne fachliche Sonderfälle, regulatorische Anforderungen, Nachvollziehbarkeit oder Benutzerfreundlichkeit zu verlieren. Gleichzeitig braucht der MVP klare Grenzen, testbare Anforderungen und eine belastbare Qualitätsstrategie.

Lösung

Ich unterstütze die fachliche MVP-Ausgestaltung durch Requirements Engineering, Prozessanalyse und enge Abstimmung mit Fachbereich, Entwicklung, Architektur und Qualitätssicherung. Dazu gehören User Stories, Akzeptanzkriterien, Gap-Analysen, fachliche Validierungsregeln, risikobasierte Testfälle und die Vorbereitung einer API-first-Zielarchitektur auf Basis von React, Spring Boot und OpenAPI.

Projektkontext

  • Modernisierung eines fachkritischen Verwaltungsverfahrens
  • Ablösung einer Oracle-Forms-/Oracle-Reports-Landschaft durch eine moderne Webarchitektur
  • Public-Sector-Umfeld mit hohen Anforderungen an Regulierung, Nachvollziehbarkeit und Barrierefreiheit

Projektumfang

  • Anforderungsmanagement und fachliche Dokumentation bestehender Geschäftsprozesse
  • Ableitung von Anforderungen aus Legacy-Systemen und bestehenden Fachlogiken
  • Erstellung und Priorisierung von User Stories, Akzeptanzkriterien und MVP-Umfängen
  • Modellierung von Prozesslogiken, Validierungsregeln, Sonderfällen und regulatorischen Anforderungen
  • Definition von Teststrategie, Testkonzept und risikobasierten Testfällen für den MVP
  • Schnittstellenarbeit zwischen Fachseite, Entwicklung, Architektur und Qualitätssicherung

Wirkung

  • Analyse bestehender Geschäftsprozesse und Ableitung belastbarer Anforderungen aus Legacy-Systemen
  • Erstellung und Priorisierung von User Stories, Akzeptanzkriterien und MVP-Umfängen
  • Modellierung von Fachlogiken, Validierungsregeln und Sonderfällen für digitale Antragsverfahren
  • Definition von Teststrategie, Testkonzept und risikobasierten Testfällen für den MVP
  • Schnittstellenfunktion zwischen Fachseite, Entwicklung, Architektur und Qualitätssicherung
  • Berücksichtigung von Accessibility, Nachvollziehbarkeit und regulatorischen Anforderungen im Public Sector
Systemarchitektur

Systemfluss

Legacy-Fachprozesse
Requirements & MVP-Scope
React / Spring Boot
OpenAPI-Schnittstellen
Risikobasierte Tests
Quality Gates

Kernkomponenten

  • React-Frontend und Spring-Boot-Backend
  • OpenAPI-basierte Schnittstellenverträge
  • Requirements-, Test- und Traceability-Artefakte
  • Reporting über Jasper Reports

Zentrale Entscheidungen

  • Fachliche Kontinuität vor technischer Ablösung absichern
  • MVP-Scope gemeinsam mit Testbarkeit definieren
  • Schnittstellen API-first beschreiben

Absicherungen

  • Kundenspezifische Details in öffentlichen Darstellungen anonymisieren
  • Regulatorische Sonderfälle und Nachvollziehbarkeit explizit testen
  • Legacy- und Zielverhalten risikobasiert vergleichen

Tech-Stack

ReactSpring BootOpenAPIOracle FormsOracle ReportsREST APIsJWT/OAuth2JiraConfluenceXrayAgile EntwicklungRequirements EngineeringTestmanagementUser StoriesAkzeptanzkriterienMVP-Definition
02Schlüsselprojekt

E-Gov Workflow-Plattform – QA-Leadership in einem Public-Sector-Großprojekt

QA Lead / Test Manager für eine komplexe E-Government-Plattform

Eine große E-Government-Plattform für digitale Akten- und Vorgangsbearbeitung in der öffentlichen Verwaltung. In diesem komplexen Programm war ich für die Planung, Steuerung und Weiterentwicklung der gesamten Qualitätssicherung verantwortlich und habe den QA-Bereich operativ wie methodisch auf ein belastbares Niveau gebracht.

Meine Rolle

QA Lead / Test Manager / IT Consultant

Tech-Stack

Playwright · Cucumber / Gherkin · Jenkins · Bitbucket

Herausforderung

Das Projekt lief in einem hochkomplexen Verwaltungsumfeld mit mehreren Clients, Backend-Services, hoher Nachvollziehbarkeit und anspruchsvollen Release-Anforderungen. Qualität musste nicht nur getestet, sondern über risikobasierte Teststrategie, Defect Governance, Teststeuerung und Stakeholder-Reporting systematisch abgesichert werden.

Lösung

Ich habe eine strukturierte Testorganisation aufgebaut, ein QA-Team fachlich geführt und Testmanagement, fachliche Konzeption automatisierbarer Tests sowie KPI-basiertes Reporting eng mit Entwicklung, Projektleitung und Auftraggeber verzahnt. Dabei habe ich mit Jira/Xray und Cucumber-basierten Testartefakten gearbeitet, deren Übergabe in die Playwright-Umsetzung mit Entwicklern begleitet und die resultierende Automatisierung in Jenkins- und Bitbucket-gestützte Delivery-Workflows eingebettet. Ergänzend habe ich AI gezielt über Context Engineering und Prompting genutzt, um Testfälle und Testdaten schneller zu erzeugen, zu erweitern und gegen Anforderungen zu plausibilisieren. So wurde Qualität zu einem steuerbaren Bestandteil der Delivery mit klarer Release-Readiness statt zu einem reaktiven Engpass kurz vor Releases.

Highlights

  • Aufbau einer strukturierten Testorganisation in einem großen E-Government-Programm
  • Risikobasierte Teststrategie für mehrere Systembereiche aufgebaut
  • Einführung und Ausbau von Playwright- und Cucumber-basierter Automatisierung in enger Zusammenarbeit mit der Entwicklung
  • Defect Governance und KPI-basiertes Qualitätsreporting etabliert
  • Einbettung automatisierter Tests in Jenkins- und Bitbucket-gestützte Delivery-Workflows begleitet
  • Gezielter Einsatz von AI für Testfall- und Testdatenarbeit durch Prompting und Context Engineering
  • Release- und Regressionsteuerung in einem komplexen Public-Sector-Umfeld verantwortet
  • Verbesserung der Release-Stabilität durch systematische Qualitätssteuerung
  • Aufbau von Test-KPIs und Reporting für Projektleitung und Stakeholder
  • Barrierefreiheits- und Datenschutzanforderungen als Teil des QA-Scopes abgedeckt

Learnings

“Große IT-Programme werden nicht allein durch gute Tests stabil, sondern durch belastbare QA-Führung, klare Qualitätsmetriken und eine enge Verzahnung von Team, Delivery und Stakeholdern. Genau diese Kombination habe ich in diesem Programm aufgebaut und verantwortet.”

Tech-Stack

PlaywrightCucumber / GherkinJenkinsBitbucketJiraXrayConfluence.NET / C#SQL ServerWebservicesSharePointOutlook Add-in
03Schlüsselprojekt

Enterprise AI Integration – RAG-Wissenssystem und Delivery-Automatisierung

Von AI Use Case Discovery bis zu integrierten Enterprise-Workflows

Konzeption und Aufbau eines internen Enterprise-AI-Ansatzes, der AI Use Case Discovery, PoC-/MVP-Ausgestaltung und ein RAG-Wissenssystem mit automatisierten Delivery-Workflows verbindet. Geeignete Anwendungsfälle wurden nach Nutzen, Machbarkeit, Daten- und Quellenqualität sowie messbaren Erfolgskriterien bewertet und schrittweise in bestehende QA- und Requirements-Prozesse überführt.

Meine Rolle

AI Integration / IT Consultant

Tech-Stack

LightRAG · Open WebUI · n8n · Lokale LLM-Infrastruktur

Herausforderung

Enterprise-AI-Initiativen benötigen mehr als eine technisch funktionierende Demo: Use Cases müssen einen überprüfbaren Nutzen haben, Quellen müssen aktuell und belastbar sein, und der PoC braucht klare Grenzen für eine realistische MVP-Entscheidung. Ohne Erfolgskriterien und Prozessintegration bleiben auch gute Einzelideen schwer bewertbar.

Lösung

Ich habe AI Use Cases strukturiert erhoben und nach Geschäftsnutzen, Umsetzbarkeit, Quellenlage und Risiken priorisiert. Für geeignete Fälle habe ich PoC- und MVP-Scope sowie messbare Kriterien wie Antworttreue, Quellenabdeckung, Reviewaufwand und Bearbeitungszeit definiert. Darauf aufbauend entstand ein internes RAG-Wissenssystem mit kuratierter Projektdokumentation und n8n-Workflows, die Jira, Confluence und SharePoint in laufende Delivery-Prozesse einbinden. Die Quellen- und Retrieval-Qualität wurde durch Bereinigung, Terminologieabgleich und fachliche Review-Schleifen verbessert.

Highlights

  • AI Use Case Discovery entlang von Nutzen, Machbarkeit, Datenlage und Risiken strukturiert
  • PoC-/MVP-Scope mit klaren Annahmen, Grenzen und Reviewpunkten ausgestaltet
  • Messbare Erfolgskriterien für Qualität, Quellenabdeckung, Aufwand und Durchlaufzeit definiert
  • Quellenqualität bewertet und Projektdokumentation als belastbare Wissensbasis kuratiert
  • RAG-Wissenssystem mit LightRAG, Open WebUI und lokaler LLM-Infrastruktur aufgebaut
  • n8n sowie Jira, Confluence und SharePoint in bestehende Delivery-Workflows integriert

Learnings

“Enterprise AI wird entscheidbar, wenn Use-Case-Nutzen, Quellenqualität und Erfolgskriterien bereits vor dem PoC geklärt werden. Die technische Lösung ist nur ein Teil; belastbare Reviews und ein realistischer MVP-Scope bestimmen, ob daraus ein nutzbarer Workflow entsteht.”

Tech-Stack

LightRAGOpen WebUIn8nLokale LLM-InfrastrukturRAG-ArchitekturJiraConfluenceSharePointKnowledge Graph
Eigene Projekte

Weitere eigene Projekte

12 Projekte

Artikel über meine Arbeit

Kurze Texte darüber, wie ich QA, Requirements, Delivery und ergänzende AI-Praxis in der Realität zusammen denke.

Alle Artikel ansehen
12.07.20267 Min. Lesezeit

Enterprise-RAG: Gute Antworten reichen nicht

Ein RAG-System wird nicht vertrauenswürdig, weil seine Antworten plausibel klingen. Entscheidend sind kontrollierter Zugriff, belastbare Evidenz, verifizierte Quellen und messbare Qualitätsgrenzen.

Enterprise RAGAI EvaluationGuardrailsAccess Control
Artikel lesen
21.06.20266 Min. Lesezeit

Von der Demo zur Delivery: QA-Governance für AI-Workflows

AI kann Requirements, Testfälle und Dokumentenanalyse stark beschleunigen. Produktionsreif wird der Workflow aber erst, wenn Qualität, Traceability und Betriebsgrenzen mitgebaut werden.

AI WorkflowsQA GovernanceRequirementsLLM
Artikel lesen
29.04.20265 Min. Lesezeit

KI-Agenten verschieben den Qualitätsengpass

KI-Agenten verschieben den Engpass in Softwareprojekten: Code entsteht schneller, aber fachliche Klarheit, Qualität und Steuerbarkeit werden dadurch noch entscheidender.

KI-AgentenQualitätssicherungRequirements EngineeringQA
Artikel lesen

Reusable Assets & Accelerators

Wiederverwendbare Workflows und Delivery-Bausteine, die Teams schneller von vagen Anforderungen zu reviewbaren Ergebnissen bringen.

Reusable AssetLLM QARelease GatesPlaywright

AI QA Release Gates

Ein wiederverwendbares QA-Framework für AI-Features mit Traceability, Multi-Model-Tests und klaren Freigabekriterien vor dem Release.

Besonders sinnvoll für

Teams, die AI-Features nicht nur prototypen, sondern als belastbaren Delivery-Baustein messbar qualifizieren und sicher releasen wollen.

Typische Deliverables

  • Test-Suite für Security, Bias, RAG, Performance und UI
  • Requirements-to-Test Traceability
  • HTML-Reports und Release-Gate-Logik
Repository ansehen
Reusable AssetRequirementsInterview FlowPDF Output

Requirements & Quality Workspace

Ein kombinierter Discovery- und Quality-Workspace, der vage Ideen in reviewbare Requirements, Traceability, Teststrategie und exportierbare Delivery-Artefakte übersetzt.

Besonders sinnvoll für

Product Owner, Fachbereiche und Teams, die unklare Anforderungen nicht nur strukturieren, sondern direkt in testbare und reviewbare Umsetzungsartefakte überführen möchten.

Typische Deliverables

  • Geführter Discovery-Flow mit Analyse und Qualitätsreview
  • Strukturierte Requirements, Traceability und Teststrategie-Artefakte
  • Jira- und PDF-Exports für Abstimmung, Review und Delivery-Start
Live ansehen
Reusable AssetClaude Code SkillsE2E TestingISTQBQA Automation

Claude Code QA Skills

Drei Skills für ISTQB-Testkonzepte, Playwright-Testausführung mit Fehleranalyse und strukturierte Coverage-Optimierung in AI-gestützten Delivery-Setups.

Besonders sinnvoll für

QA-Teams und Projekte, die Testdokumentation, Testausführung und Coverage-Analyse als wiederholbaren Delivery-Workflow automatisieren wollen.

Typische Deliverables

  • ISTQB-konforme Testkonzepte mit Intake und Compliance-Check
  • Strukturierte E2E-Testausführung mit Fehlerkategorisierung
  • Coverage-Gap-Analyse mit automatischer Testerstellung
Repository ansehen

Capabilities & Technologien

Produktstrategie und AI Requirements Engineering treffen auf praktische RAG-, LLM- und PoC-Erfahrung sowie Quality-by-Design für KI-Systeme.

AI Evaluation & Guardrails

Evaluation, Guardrails und Quality-by-Design für zuverlässige KI-Systeme – auf Basis erprobter Erfahrung mit Risikosteuerung, Traceability und belastbaren Quality Gates.

QA LeadershipTest ManagementRelease GatesRisk-Based TestingDefect GovernanceQuality ReportingStakeholder SteeringSecurity TestingTraceability

Rapid AI Prototyping

Hands-on PoC-Entwicklung mit RAG, lokalen LLMs, APIs und Workflow-Automation, um Produktideen, Datenzugang und technische Risiken früh zu validieren.

PlaywrightCucumber / GherkinAPI TestingREST APIsTest Data DesignTool IntegrationNext.js 16TypeScripttRPC / APIsWorkflow Prototypes

Delivery & Release Governance

Release-nahe Delivery mit Jenkins, Bitbucket, Jira/Xray, CI/CD-Koordination, Workflow-Automation und operativer Härtung im Projektalltag.

JenkinsBitbucketGitHub ActionsJira / XrayConfluenceCI/CDWorkflow AutomationReview LoopsRelease ReadinessOperational Hardening

AI, RAG & Knowledge Workflows

AI Enablement von Use Case Discovery und PoC-/MVP-Ausgestaltung bis zu RAG-Wissenssystemen, Copilot-Studio-Agenten und lokalen LLM-Workflows mit Docker, Ollama, Open WebUI und LightRAG. Mit Fokus auf Quellenqualität, Evaluation, Guardrails und praktische Nutzbarkeit.

RAG-ArchitekturAI Use Case PriorisierungMicrosoft Copilot StudioSharePoint Knowledge SourcesAgent WorkflowsAI EnablementAI Product & Use Case DiscoveryPoC-/MVP-AusgestaltungLLM Evaluation & GuardrailsMCP (Model Context Protocol)AI-Assisted RequirementsGitHub Copilot Fundamentalsn8nLightRAGOpen WebUIOllamaDocker ComposeAI Agent DevelopmentPrompt EngineeringRed-Teaming

AI Product & Requirements

AI Product Ownership, IREB-geprägtes Requirements Engineering, Use-Case-Priorisierung und Stakeholder-Steuerung für nachvollziehbare KI-Produktentscheidungen.

Requirements EngineeringSpecification FacilitationStakeholder FacilitationAgile DeliveryProduct ThinkingAI Product OwnershipAI Implementation ConsultingAI Enablement & AdoptionUse Case WorkshopsConsulting LeadershipStrategic Automation

Arbeitsweise

Drei Prinzipien, die meine QA-, Requirements- und AI-Praxis unterscheidbar machen.

Qualität als Delivery-Faktor

Ich baue Teststrategie, Anforderungsreview und Release-Kriterien von Anfang an in Delivery-Flows ein – nicht als Kontrollpunkt am Ende, sondern als steuerbare Größe im gesamten Prozess.

Fachlichkeit vor Feature

Bevor ich automatisiere oder ein Werkzeug baue, kläre ich: Welches Delivery-Problem wird damit kleiner? Was muss dafür wahr sein, damit es im Betrieb hält?

AI mit Kontext, nicht statt Kontext

Ich nutze AI gezielt dort, wo ich die Anforderungen, den Kontext und die Grenzfälle kenne – als Hebel für schnellere, testbare Artefakte, nicht als Ersatz für Fachlichkeit.

Kontakt

Sie möchten einen KI-Anwendungsfall strukturieren, priorisieren oder als belastbaren Prototyp evaluieren? Lassen Sie uns über Ziel, Nutzen und einen realistischen nächsten Schritt sprechen.

oder direkt erreichen

E-MailLinkedInGitHub