Schwerpunktthema

AI Product Engineering

Vom Prototyp in die Produktion: AI Product Engineering beschreibt, wie man KI-Features baut, die in bestehender Unternehmenssoftware Arbeit übernehmen und im Betrieb zuverlässig funktionieren.

KI-Features, die über den Prototyp hinaus tragen

Ein KI-Feature in der Demo zum Laufen zu bringen, ist schnell gemacht. Im Produktivbetrieb schreibt es Daten, löst Workflows aus oder bereitet Entscheidungen vor. Ein Fehler wirkt direkt auf Nutzer:innen oder nachgelagerte Systeme. Den Unterschied machen Architekturentscheidungen, die früh getroffen werden: ein Agent Contract mit festem Ausgabeschema, Evals als Qualitätstor, Observability im Betrieb und klare Grenzen dafür, was ein Agent selbstständig tun darf.

Wir unterstützen Teams von der Auswahl passender Use Cases im AI Opportunity Mapping bis zur Architektur und Entwicklung produktionsreifer KI-Features: Data & AI

Unsere Leistungen

Wir beraten ehrlich, denken innovativ und entwickeln leidenschaftlich gern. Das Ergebnis sind erfolgreiche Softwarelösungen, Infrastrukturen und Geschäftsmodelle.

Häufige Fragen

Sie haben Fragen zu AI Product Engineering? Hier finden Sie Antworten auf Fragen, die wir häufig gestellt bekommen.

Was ist AI Product Engineering?

AI Product Engineering beschäftigt sich mit der Frage, wie man Software baut, die agentische KI als Feature enthält und in Produktion zuverlässig funktioniert. Gemeint sind KI-Funktionen in bestehender Unternehmenssoftware, die echte Arbeit übernehmen: Sie schreiben Daten, lösen Workflows aus oder bereiten Entscheidungen vor. Ein Beispiel ist die automatische Vorsortierung von Schadensmeldungen, die Sachbearbeiter:innen anschließend prüfen und freigeben.

Mehr dazu im Blogpost AI Product Engineering

Was unterscheidet AI Product Engineering von Agentic Software Engineering?

Beim Agentic Software Engineering wird Software mit Hilfe von KI gebaut, etwa mit Coding Agents. Ein Mensch bleibt dabei im Loop und prüft jede Antwort. Beim AI Product Engineering ist die KI selbst Teil des Produkts. Im Produktivbetrieb fällt diese ständige Kontrolle oft weg und ein Fehler wirkt direkt auf Nutzer:innen oder nachgelagerte Systeme. Daraus ergeben sich andere Anforderungen an Architektur, Tests und Betrieb.

Mehr dazu im Blogpost AI Product Engineering und auf der Themenseite Agentic Software Engineering

Was ist ein Agent Contract?

in Agent Contract legt fest, welche strukturierten Daten ein KI-Feature zurückgibt, bevor der erste Prompt geschrieben wird. Schema, Prompt, Modell, erlaubte Tools und Eval-Set werden gemeinsam versioniert, jede Änderung ergibt eine neue Vertragsversion. Statt Freitext liefert das Modell feste Felder, etwa Kategorien oder Beträge und ein Feld für «Unsicherheit» leitet unklare Fälle an Menschen weiter. Das Schema begrenzt allerdings nur die Form der Ausgabe, nicht ihren Inhalt.

Mehr dazu in den Blogposts AI Product Engineering und AI Systems Architecture beginnt dort, wo Modelloutput Teil der Produktlogik wird

Wie behält man ein KI-Feature im Betrieb im Blick?

Mit Observability. Geloggt und überwacht werden unter anderem Klassifikationen, Schema-Fehler, menschliche Korrekturen, Fehlerquoten je Falltyp sowie Latenz und Kosten. Das ist wichtig, weil Modellupdates des Anbieters die Qualität unbemerkt verschlechtern können. Korrekturen durch Fachexpert:innen fließen als neue gelabelte Fälle zurück ins Eval-Set, sinkende Trefferquoten lösen einen Alarm aus.

Mehr dazu im Blogpost AI Product Engineering