AI Consulting Accelerator
LaufendKI-gestützter Beratungs-Workflow, der Discovery, Analyse und Delivery in Industriestandards (IREB, BABOK, BPMN, PMBOK, Scrum) verankert. Das System generiert strukturierte, quellenbasierte Entwürfe aus unstrukturiertem Kundeninput — mit 13 benannten, versionierten Skills, zustandsbehafteten Engagements und einem Organizational-Memory-Layer, der internes Projekt- und Framework-Wissen als zitierte Referenzen einbringt. Lokal vollständig implementiert und getestet; AWS-Deployment steht bevor.
Technologien
Problem
Business Analysts, Requirements Engineers und Projektleiter verbringen Zeit mit manuellem Framework-Lookup und dem Strukturieren von Artefakten von Grund auf. Erarbeitetes Wissen aus früheren Projekten fließt nicht automatisch in neue Engagements ein — Muster werden nicht erkannt, und Begriffslücken verhindern, dass Business-Probleme mit technischen Lösungen zusammenfinden.
Ansatz
Dreistufiger Workflow (Discovery → Analysis → Delivery) mit zwei Gedächtnisschichten: semantisches Gedächtnis (RAG über 23 indexierte Frameworks, ca. 5.380 Chunks mit Quellenangabe) und prozedurales Gedächtnis (13 benannte, versionierte Skills — per Name aufgerufen, nicht per Ähnlichkeit). Ein Organizational-Memory-Layer verbindet fünf Quellen (Frameworks, Skills, Projekte, Radar-Reports, Competitor-Signale) über einen einzigen Embedding-Call mit Source-Caps und Relevanz-Gating, das ehrliche "Nichts gefunden"-Antworten garantiert.
Ergebnis
Lokal vollständig implementiert und getestet: 21 Kernfeatures, 70 Pytest-Tests, 16 Golden Cases in DE und EN. Abgedeckte Artefakte: Framework-Q&A mit Quellenangabe, Business-Problem-Structurer, Requirements-Structurer (BR/FR/NFR, INVEST User Stories), Stakeholder-Analyse (RACI), Roadmap-Generator, zustandsbehaftete Discovery-Rounds, Engagement-Lifecycle (umbenennen, archivieren, löschen) und Report-Export als Markdown, Word und PDF. Deployment-Scripts validiert; AWS-Deployment folgt.
Learnings
Skill-Aufruf per Name (nicht per Ähnlichkeit) verhindert Mehrdeutigkeiten und garantiert konsistente Ausgabe-Contracts. Die Vocabulary-Bridge — business-sprachliche description-Metadaten in SKILL.md kombiniert mit query-seitiger Keyword-Expansion — schließt den Vocabulary-Gap zwischen Business und Technik ohne aufwändige ML-Pipeline. Per-Source-Caps in Multi-Source-Retrieval verhindern, dass dichte Reports handlungsrelevante Skills verdrängen. Sprachliche Drift erfordert sowohl serverseitige Spracherkennung als auch explizite Ausgabesprachen-Anweisungen im Prompt.
Relevanz
Zeigt KI-gestütztes End-to-End-Produktdenken, RAG-Architektur mit Verankerung in Industriestandards, saubere Trennung von semantischem und prozeduralem Gedächtnis sowie Deployment-Readiness auf AWS — direkt relevant für Beratungsorganisationen, die BA/RE-Prozesse mit KI-Unterstützung skalieren möchten.