AI Solution Architect

Produktionsreife GenAI-Systeme. Agentic Engineering für echte Teams.

Ich unterstütze Unternehmen dabei, AI-Agents kontrolliert in ihre Softwareentwicklung zu integrieren und produktionsreife RAG-, LLM- und agentische Systeme aufzubauen. Hands-on, vendor-unabhängig und mit mehr als 15 Jahren Erfahrung in komplexen Enterprise-Architekturen.

Verfügbar für Projekte und Interim-Mandate

Projekt besprechen Kostenlosen Selbsttest starten

Kamil Kubica, AI Solution Architect

Erfahrung aus Projekten für und mit Unternehmen wie

///

Kostenloser Selbsttest

Wo steht Ihre Entwicklung wirklich?

Standortbestimmung in 3 Minuten: Beantworten Sie Fragen zu Codebase, Tests, Tooling, Review-Prozess und Governance — und erfahren Sie, wo Ihr Team auf der Reifegrad-Leiter von L1 bis L6 steht.

Basierend auf Agentic-Engineering-Enablements in Konzernen und Mittelstandsunternehmen — von Greenfield bis 35 Jahre Legacy, vom Monorepo mit 20.000 Dateien bis zur Microservice-Landschaft mit 2.200 Repositories.

Sofortiges Ergebnis, ohne E-Mail-Pflicht
Verortung auf der Reifegrad-Leiter L1–L6
Konkreter Befund entlang von fünf Achsen

Readiness-Check starten

///

Die Realität in vielen Unternehmen

Die AI-Tools sind bereits da. Das System dahinter fehlt.

Entwickler nutzen Claude Code, Codex, GitHub Copilot und andere AI-Agents. Dadurch können einzelne Personen schneller Code erzeugen. Das bedeutet jedoch noch nicht, dass das gesamte Team schneller und zuverlässiger liefert.

Lieferfähigkeit

Mehr Code, aber nicht automatisch mehr Lieferfähigkeit

AI-Agents erzeugen in kurzer Zeit große Mengen Code. Reviews, Abstimmungen und Freigaben werden dadurch schnell zum neuen Engpass.

Kontext

Fehlender Kontext

Agents kennen die Architektur, die Domänensprache und die impliziten Regeln einer bestehenden Codebase nicht. Ohne Context Engineering entstehen Lösungen, die lokal plausibel wirken, aber nicht zum Gesamtsystem passen.

Qualität

Qualität lässt sich nicht skalieren

Wenn Standards nur in den Köpfen erfahrener Entwickler existieren, können Agents sie nicht zuverlässig einhalten. Technische Schulden entstehen dadurch schneller, als Teams sie kontrollieren können.

Produktivbetrieb

Der Prototyp schafft es nicht in Produktion

Bei GenAI-Produkten funktioniert die erste Demo häufig schnell. Im produktiven Betrieb scheitern Systeme jedoch an Datenqualität, Kosten, Sicherheit, fehlender Evaluation oder mangelnder Nachvollziehbarkeit.

///

Leistungen

Drei Wege, AI verlässlich in Produktion zu bringen.

Vom gemessenen Standort über agent-ready Teams bis zur agentischen Delivery-Pipeline — und zum vollständigen GenAI-System. Immer hands-on und vendor-unabhängig.

Agentic Readiness Assessment1 Woche · Festpreis 7.500 €

Wo Ihr Team wirklich steht — gemessen, nicht geschätzt.

Eine Woche, Festpreis. Ich lasse einen Coding-Agent an echten Tickets aus Ihrem Backlog arbeiten — in Ihrem Repository, auf Wunsch in Ihrer Umgebung. Gemessen wird, wie weit der Agent kommt und was ihn das kostet.

Am Ende steht kein PDF, sondern ein Experiment mit Messwerten: Ihre Verortung auf der Reifegrad-Leiter L1–L6, ein Befund entlang von fünf Achsen, eine 90-Tage-Roadmap — und erste Quick Wins, committed in Ihrem Repository.

Bestandteile

Probelauf mit echten Tickets am echten Repo
Messung von Autonomie, Abbruchpunkten und Kosten
Befund entlang von fünf Achsen: Codebase, Tests & Gates, Tooling, Review & Delivery, Governance
Reifegrad-Verortung, 90-Tage-Roadmap, Quick Wins als Commits
Ergebnispräsentation vor Engineering-Leitung und C-Level

Assessment buchen

Agentic Engineering Enablement

Von agent-ready Teams bis zur agentischen Delivery-Pipeline.

Ich mache bestehende Entwicklungsteams und Codebases agent-ready — nicht als isoliertes Training, sondern direkt in den Projekten, Repositories und Prozessen, mit denen das Team täglich arbeitet. Für Teams mit höherem Reifegrad entwickle ich daraus schrittweise eine agentische Delivery-Pipeline mit deterministischen Quality Gates.

Stufe 1 — Agent-ready

Context Engineering für bestehende Repositories
Regeln, Skills und spezialisierte Subagents
Guardrails, Berechtigungen und Quality Gates
MCP-Integrationen und Observability
Umsetzung eines realen Pilotprojekts

Stufe 2 — Delivery-Pipeline

Issue-getriggerte Agent-Workflows
Spezialisierte Agents für einzelne SDLC-Phasen
Cross-Model-Reviews und Backpressure bei fehlgeschlagenen Tests
Selbstlernendes System: aus jedem Lauf entstehen neue Regeln und Tests
Messung von Durchlaufzeit, Fehlerrate und autonomem Anteil

Enablement anfragen

GenAI-Systeme und AI-Plattformen

Von der Systemidee bis zum produktiven Betrieb.

Ich konzipiere und entwickle produktionsreife Anwendungen auf Basis von Large Language Models, Retrieval-Augmented Generation und agentischen Architekturen. Von der ersten Systemidee bis zum produktiven Betrieb.

Typische Systeme

RAG- und Wissensplattformen
Agentische Anwendungen
Multimodale AI-Anwendungen
Interne AI-Assistenten
AI-Funktionen in bestehenden Produkten

Typische Leistungen

Lösungs- und Systemarchitektur
Auswahl geeigneter Modelle und Anbieter
Daten-, Retrieval- und Ingestion-Pipelines
Evaluation und Qualitätssicherung
Technische Leitung und Umsetzung

Projekt besprechen

///

Ausgewählte Cases

Nicht erzählt, sondern gebaut.

Drei Beispiele dafür, was am Ende meiner Arbeit steht: Systeme in Produktion, mit echten Nutzern und echten Anforderungen.

Agentic Engineering Enablement

Agentic Engineering in Konzernteams

Ich habe Entwicklungsteams in MDAX-Konzernen sowie in den Bereichen Handel, Versicherung und Cloud-Hosting dabei unterstützt, agentische Entwicklungsprozesse strukturiert und sicher einzuführen. Die Zusammenarbeit fand direkt in den Repositories der Teams und anhand realer Entwicklungsaufgaben statt. Gemeinsam haben wir unter anderem Grundlagen für Context Engineering, Agent-Workflows, Guardrails und automatisierte Quality Gates geschaffen. Dabei ging es nicht darum, den Umgang mit einem einzelnen Tool zu vermitteln, sondern Arbeitsweisen, Regeln und technische Strukturen aufzubauen, die sich dauerhaft in den Entwicklungsalltag integrieren lassen.

Die Muster, die sich in diesen Teams bewährt haben, fließen heute direkt in meine Agentic-Engineering-Mandate ein.

Konkrete Ergebnisse aus diesen Mandaten

GenAI-System

Wegweiser Gesundheit: RAG-Plattform für das Gesundheitswesen

Wegweiser Gesundheit ist eine AI-gestützte Plattform, die Arbeitnehmerinnen und Arbeitnehmern dabei hilft, sich im deutschen Gesundheitssystem zurechtzufinden. Die Plattform wurde in Zusammenarbeit mit dem BGF-Institut entwickelt, durch das Bundesministerium für Arbeit und Soziales gefördert und von der AOK Rheinland/Hamburg unterstützt. Die technische Grundlage bildet eine Retrieval-Augmented-Generation-Architektur, die Antworten auf Basis geprüfter Quellen erzeugt. Gerade im Gesundheitsumfeld sind Quellenbezug, kontrollierter Umgang mit Unsicherheit und Nachvollziehbarkeit zentrale Bestandteile des Systems. Ich war für die Architektur und technische Umsetzung des GenAI-Systems verantwortlich.

In regulierten und sensiblen Anwendungsbereichen müssen Quellenbezug, Antwortqualität und Nachvollziehbarkeit von Anfang an Teil der Architektur sein. Sie lassen sich nicht zuverlässig nachträglich ergänzen.

wegweisergesundheit.de

Eigenes GenAI-Produkt

MyTinyTales: Multimodales GenAI-Produkt in eigener Regie

MyTinyTales erstellt personalisierte Kindergeschichten, in denen das eigene Kind zur Hauptfigur wird. Für jede Geschichte entstehen ein individuell generierter Text, eigene Illustrationen für die einzelnen Szenen, eine professionelle Sprachausgabe und ein personalisierter Avatar auf Basis eines hochgeladenen Fotos. Dahinter steht eine vollständige multimodale GenAI-Pipeline für Text, Bild und Sprache, dazu kindgerechte Guardrails, Nutzerverwaltung, Abonnementmodell und Payment. Ich habe das Produkt selbst konzipiert, gestaltet und entwickelt. Heute betreibe ich es mit zahlenden Kunden und verantworte den gesamten Lebenszyklus: von der Architektur und Modellintegration bis zu Qualität, Betrieb und Kosten pro generierter Geschichte.

Ich entwickle GenAI-Systeme nicht nur für Kunden. Ich betreibe selbst ein solches Produkt und kenne die praktischen Entscheidungen von der ersten Architektur bis zu Qualität, Support und laufenden Generierungskosten.

mytinytales.ai

///

Aus echten Enablement-Sessions

Was in Hands-on-Enablements am echten Code entsteht.

Von einem halben Tag auf 15 Minuten.

Ein Team, das Software-Migrationen durchführt, erledigte eine wiederkehrende Migrationsaufgabe nach dem Enablement in 15 Minuten statt in einem halben Tag.

20.000+ Dateien für agentische Entwicklung erschlossen.

Ein gewachsenes Monorepo wurde durch strukturierten Kontext, klare Arbeitsbereiche und Quality Gates so vorbereitet, dass Agents darin zuverlässig navigieren und definierte Aufgaben bearbeiten können.

35 Jahre Legacy-Code für agentische Workflows zugänglich gemacht.

Ein abgeschottetes Legacy-System mit 35 Jahren Entwicklungsgeschichte wurde über eine kontrollierte MCP-Schnittstelle für agentische Workflows erschlossen, ohne den bestehenden Sicherheitsrahmen zu verlassen.

Alle Ergebnisse entstanden in Hands-on-Sessions am echten Code der Teams, nicht in vorbereiteten Demos.

///

Über mich

Softwarearchitektur als Fundament. AI Engineering als Schwerpunkt.

Seit mehr als 15 Jahren entwickle ich komplexe Softwaresysteme, seit über zehn Jahren selbstständig als Software- und Solution-Architekt – für E-Commerce, Industrie, Aviation, Healthcare und Medien. Heute liegt mein Schwerpunkt auf GenAI-Systemen und agentischer Softwareentwicklung, aus eigenen Produkten und aus realen Kundenprojekten.

Ein leistungsfähiges Modell allein löst kein Engineering-Problem. Entscheidend sind Architektur, Kontext, Regeln, Qualitätssicherung und die Einbindung in das Gesamtsystem.

Kamil Kubica

15+ Jahre

Softwareentwicklung und Architektur

10+ Jahre

selbstständig als Software- und Solution-Architekt

Mehrere

produktive GenAI-Systeme konzipiert und betrieben

Enterprise

Erfahrung in Handel, Industrie, Healthcare, Medien und Aviation

///

Stimmen

Stimmen aus gemeinsamen Projekten.

“Exceptional AI consulting! Kamil's hands-on approach and deep technical expertise make complex AI practical and valuable. Always available when needed, even after hours. Highly recommend for strategic AI implementation!”

Benedikt Stemmildt

CTO, TalentFormation GmbH

“Kamil ist einer der komplettesten Berater, die ich je erlebt habe, fachlich stark und zwischenmenschlich genial. Ich empfehle ihn jedem, der mit Software wirklich etwas bewegen will, uneingeschränkt.”

Björn Kaiser

Division Manager, Otto Group

“Kamil hat die Frontend-Architektur des neuen INTERSPORT Shops geplant und umgesetzt und zugleich eine zentrale Komponenten-Library aufgebaut. Mit Gespür für UX, technischer Exzellenz und starkem Teamgeist.”

Ina Keller

Team Lead, INTERSPORT Digital GmbH

Projekt besprechen

Sie wollen AI nicht nur ausprobieren, sondern zuverlässig einsetzen?

Ob agentische Softwareentwicklung, RAG-Plattform oder vollständiges GenAI-System: Lassen Sie uns klären, welches Problem Sie lösen wollen und welcher Einstieg dafür sinnvoll ist.

Unverbindliches Erstgespräch buchen

Oder direkt per E-Mail: kamil@nice-solutions.de