Logo von Kamil Kubica, AI Solution Architect

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

Erfahrung aus Projekten für und mit Unternehmen wie

Logo der AOK, Referenzprojekt
Logo von Brückner Maschinenbau, Referenzprojekt
Logo von Chip, Referenzprojekt
Logo der Deutschen Bahn, Referenzprojekt
Logo von Intersport, Referenzprojekt
Logo von Otto, Referenzprojekt
Logo von ProSieben, Referenzprojekt
///

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.

Von agent-ready Entwicklungsteams über eine agentische Delivery-Pipeline bis zum vollständigen GenAI-System. Immer hands-on und vendor-unabhängig.

Agentic Engineering Enablement

Ich mache Teams und Codebases agent-ready.

Ich mache bestehende Entwicklungsteams und Codebases agent-ready. Nicht in Form eines isolierten Trainings, sondern direkt in den Projekten, Repositories und Prozessen, mit denen das Team täglich arbeitet.

Typische Bestandteile

  • Analyse bestehender Entwicklungsprozesse
  • Agentic-Readiness-Assessment der Codebase
  • Context Engineering für bestehende Repositories
  • Regeln, Skills und spezialisierte Subagents
  • Quality Gates und automatisierte Reviews
  • Guardrails und Berechtigungskonzepte
  • MCP-Integrationen
  • Observability für Agent-Runs
  • Umsetzung eines realen Pilotprojekts
Agentic Software Factory

Aus Agent-Workflows wird eine Delivery-Pipeline.

Für Teams mit einem höheren Reifegrad entwickle ich aus einzelnen Agent-Workflows schrittweise eine agentische Delivery-Pipeline. Agents übernehmen definierte Phasen des Software Development Lifecycles: von Analyse und Planung über Tests und Implementierung bis zu Review, Abnahme und Commit.

Deterministische Quality Gates sorgen dafür, dass Fehler automatisiert erkannt und korrigiert werden, bevor sie menschliche Reviews erreichen.

Mögliche Bestandteile

  • Issue-getriggerte Agent-Workflows
  • Plan-first- und Test-first-Pipelines
  • Spezialisierte Agents für einzelne SDLC-Phasen
  • Cross-Model-Reviews
  • Automatisierte Architektur- und Qualitätsprüfungen
  • Backpressure bei fehlgeschlagenen Tests
  • Agentische Pull-Request-Erstellung
  • Messung von Durchlaufzeit, Fehlerrate und autonomem Anteil
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
  • Personalisierte Content-Plattformen
  • Multimodale AI-Anwendungen
  • Sprach- und Conversational-AI-Systeme
  • Interne AI-Assistenten
  • Generative Bild- und Medienplattformen
  • AI-Funktionen in bestehenden Produkten

Typische Leistungen

  • Lösungs- und Systemarchitektur
  • Auswahl geeigneter Modelle und Anbieter
  • Daten-, Retrieval- und Ingestion-Pipelines
  • Domain Modeling und API-Design
  • Evaluation und Qualitätssicherung
  • Security- und Datenschutzkonzepte
  • Kosten- und Performanceoptimierung
  • Technische Leitung und Umsetzung
///

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.

Context EngineeringAgent-ready RepositoriesGuardrails und BerechtigungskonzepteQuality GatesSkills und SubagentsMCP-IntegrationenSichere Agent-Workflows
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.

Retrieval-Augmented GenerationGeprüfte WissensquellenQuellenbasierte AntwortenUmgang mit UnsicherheitDatenschutz und NachvollziehbarkeitProduktionsreife GenAI-Architektur
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.

LLM-basierte TextgenerierungAI-BildgenerierungText-to-SpeechPersonalisierte AvatareMultimodale PipelinesGuardrails für kindgerechte InhalteAbonnement und PaymentProduktbetrieb und Kostenoptimierung
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

Kamil Kubica, AI Solution Architect

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!

BS

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.

BK

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.

IK

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