Hallo, ich bin

Christoph Lengowski

QA für AI-Systeme | Product & Requirements

Ich verbinde QA-Leadership, AI-Qualität, Requirements Engineering und produktionsnahe Delivery. Ich baue Systeme, Workflows und Assets, die von der ersten Anforderung bis zum Release belastbar bleiben.

LLM QARequirements EngineeringProduct Delivery5+ Jahre Erfahrung

Kontakt aufnehmen Projekte ansehen CV herunterladen

Was ich mitbringe

Erfahrung an der Schnittstelle von Quality Engineering, Delivery-Verantwortung und AI-gestützter Produktentwicklung.

Quality Engineering

Aufbau und Steuerung von QA-Prozessen in komplexen Projekten. Teststrategie, Testkonzepte und Qualitätsreporting auf Managementebene.

Testautomatisierung

Design und Implementierung von Testautomatisierungsframeworks mit Playwright. CI/CD-Integration und nachhaltige Teststabilität.

Produktentwicklung

Eigene SaaS-Produkte konzipiert und gebaut. Architektur, UX, Go-to-Market - vom Problem zum produktionsreifen Produkt.

KI & Automatisierung

Integration von KI-Workflows in reale Produkte und Prozesse. Prompt Engineering, LLM-gestützte Features und intelligente Automatisierung.

Agile Delivery

Steuerung agiler Vorhaben, Release-Management und Stakeholder-Kommunikation. Struktur schaffen in dynamischen Umfeldern.

Profil

Über mich

Ich arbeite an der Schnittstelle von QA-Leadership, AI-Qualität, Requirements Engineering und produktnaher Umsetzung.

Ich bin Senior IT Consultant und Teamleiter Quality Assurance in einem führenden IT-Beratungsunternehmen. In komplexen Projektumfeldern verantworte ich Teststrategie, Testautomatisierung und Qualitätssteuerung mit einem klaren Blick auf Delivery, Risiken und Stakeholder.

Gleichzeitig arbeite ich nicht nur auf Konzeptebene: Ich konzipiere und baue eigene digitale Produkte, entwickle AI-gestützte Workflows und übersetze unklare Anforderungen in umsetzbare Architekturen, Features und Qualitätsmechanismen.

Dadurch verbinde ich zwei Perspektiven, die für viele Teams selten zusammenkommen: QA-Leadership in anspruchsvollen Delivery-Kontexten und hands-on Produktentwicklung mit modernen Web-, AI- und Automatisierungs-Stacks.

Aktuell im Fokus

AI-Qualität mit belastbaren Release GatesRequirements-Workflows für unklare ProduktideenProduktionsnahe Web-Apps mit Next.js und ReactWiederverwendbare QA- und Delivery-Assets

Erfahrung

5+ Jahre Delivery & QA

Rolle

QA Lead & Teamleiter

Fundament

M.A. + Scrum/ISTQB

Builder-Profil

AI- & SaaS-Produkte

Kurzprofil

QA-Teamleitung und Delivery-Verantwortung in komplexen Public-Sector-Projekten
Hands-on Produktentwicklung für AI-gestützte SaaS- und Workflow-Produkte
Starke Verbindung aus Requirements, Qualitätssteuerung und technischer Umsetzung
Fokus auf Systeme, die auch unter realen Betriebsbedingungen belastbar bleiben

Was Teams an mir schätzen

Ich bringe Struktur in unklare Problemräume und mache Risiken früh sichtbar.
Ich denke Qualität nicht als Kontrollpunkt, sondern als Teil der Delivery.
Ich kann zwischen Fachlichkeit, Stakeholdern und technischer Umsetzung sauber übersetzen.

Berufserfahrung

Stationen, die mein Profil geprägt haben.

2022 - Heute

Teamleiter Quality Assurance

IT-Beratungsunternehmen (auf Anfrage)

Key Impact

QA-Leadership in einem Public-Sector-Großprojekt mit Teamverantwortung, Teststrategie und Automatisierung auf Delivery-Niveau.

Fachliche Leitung eines QA-Teams. Verantwortung für Teststrategie, Testautomatisierung und Qualitätssteuerung in einem Public-Sector-Großprojekt.

Aufbau und Leitung eines QA-Teams
Definition der Teststrategie und Testkonzepte
Implementierung von Playwright-basierter Testautomatisierung
Jenkins CI/CD Pipeline-Aufbau und Reporting
Stakeholder-Management auf Projektleitungsebene

2020 - 2022

IT Consultant

IT-Beratungsunternehmen (auf Anfrage)

Key Impact

Fundament für Delivery, Requirements und QA-Steuerung in realen Digitalisierungsprojekten aufgebaut.

Beratung und operative Mitarbeit in Digitalisierungsprojekten. Testmanagement, Requirements Engineering und agile Projektsteuerung.

Testmanagement mit Jira, Xray und Confluence
Anforderungsanalyse und fachliche Spezifikation
Agile Projektsteuerung nach Scrum
Qualitätssicherung und Abnahmetests

Projekte

Ausgewählte Projekte aus Public Sector, QA-Leadership und Produktentwicklung, die zeigen, wie ich komplexe Delivery-Umfelder stabilisiere.

01Top-Projekt

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

QA Lead / Testmanager für eine komplexe E-Government-Plattform

QA-Lead-Erfahrung in großem E-Government-Programm

Public Sector, Teamführung, Teststrategie, Automatisierung und Release-Qualität in einem komplexen Programm.

QA-Teammitglieder fachlich geführt

Systembereiche verantwortet

CI/CD

Testautomatisierung in Jenkins verankert

Public Sector

E-Government-Erfahrung in kritischem Verwaltungsumfeld

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 / Testmanager / IT Consultant

Tech Stack

Playwright · Jenkins · Jira · Xray

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 Teamsteuerung, Teststrategie, Defect-Management und Stakeholder-Reporting systematisch abgesichert werden.

Lösung

Ich habe eine strukturierte Testorganisation aufgebaut, ein QA-Team fachlich geführt und Testmanagement, Testautomatisierung sowie KPI-basiertes Reporting eng mit Entwicklung, Projektleitung und Auftraggeber verzahnt. Dadurch wurde Qualität zu einem steuerbaren Bestandteil der Delivery statt zu einem reaktiven Engpass kurz vor Releases.

Projektkontext

Weiterentwicklung einer komplexen E-Government-Plattform für digitale Akten und Vorgangsbearbeitung
Verantwortung über Web Client, Outlook Client, Admin Client und Backend-Services hinweg
Arbeit im Umfeld öffentlicher Verwaltung mit hohen Anforderungen an Qualität, Sicherheit und Nachvollziehbarkeit

Projektumfang

Fachliche Führung eines QA-Teams mit bis zu 8 Personen
Aufbau und Steuerung des gesamten Testmanagement-Prozesses
Erstellung von Testkonzepten und Teststrategien
Planung, Priorisierung und Durchführung von Release- und Regressionstests
Steuerung des Defect-Management-Prozesses
Begleitung von Teststellungen sowie Durchführung von Workshops und Schulungen

Key Achievements

Aufbau einer strukturierten Testorganisation in einem großen E-Government-Programm
Einführung und Ausbau von Playwright-basierter Testautomatisierung
Integration automatisierter Tests in Jenkins CI/CD-Pipelines
Verbesserung der Release-Stabilität durch systematische Qualitätssteuerung
Aufbau von Test-KPIs und Reporting für Projektleitung und Stakeholder
Reduktion von Reibung im Defect-Management durch klare Prozesse und Priorisierung

Tech Stack

PlaywrightJenkinsJiraXrayConfluence.NET / C#SQL ServerWebservicesSharePointOutlook Add-in

02Featured ProjectWebsite ansehen

Nutrikompass

KI-gestützte Plattform für therapeutische Ernährungsplanung und sichere Clinical Workflows

Tech Stack

Next.js · TypeScript · tRPC

Nutrikompass unterstützt therapeutische Einrichtungen bei Planung, Prüfung und Übergabe individueller Ernährungspläne für Jugendliche mit Essstörungen. Die Plattform verbindet operative Workflows wie Patientenverwaltung, Einkaufslisten und PDF-Exporte mit KI-gestützter Planerstellung, RAG-Wissensbasis, Security Guardrails, LLM-Evaluation und vorbereiteter FHIR-Interoperabilität.

Herausforderung

In therapeutischen Versorgungskontexten müssen Ernährungspläne fachlich plausibel, organisatorisch nutzbar und sicher gegenüber KI-Risiken sein. Teams brauchen deshalb mehr als einen Generator: nötig sind nachvollziehbare Freigabeflows, Datenschutz, saubere Rollenmodelle und Schutz vor Halluzinationen, Prompt Injection und unsicheren Datenflüssen.

Lösung

Ich habe eine produktionsnahe Next.js-Plattform mit tRPC, Prisma und Supabase aufgebaut, die klinisches Kontextwissen per RAG einbindet und KI-Ausgaben mit mehrstufigen Sicherheitsmechanismen absichert. Ergänzt wird das System durch automatisierte klinische Benchmarks, Security-Tests, session-basierte Härtungen, Stripe-Billing und eine FHIR-Export-Schicht für spätere Interoperabilität.

Produktionsnahe SaaS-Architektur mit Next.js, tRPC, Prisma und Supabase
RAG-Wissensbasis mit pgvector, Ingestion-CLI und faktenbasierter Kontextanreicherung
AI Evaluation Framework mit 5 klinischen Benchmarks und LLM-as-a-Judge
Mehrstufige KI-Sicherheitsarchitektur mit Prompt-Injection-Guardrails und Output-Sanitizing
FHIR-Export-Mappings, Audit-Logs und Datenschutz-/Session-Härtungen für sensible Daten
Einkaufslisten, PDF-Exporte, Stripe-Billing und E2E-/Security-Tests für reale Betriebsfähigkeit

Learnings

“Sichere KI-Produkte entstehen nicht durch ein einzelnes Modell, sondern durch das Zusammenspiel von Fachlogik, Security, Datenzugriff und Evaluationsdisziplin. Gerade in sensiblen Domänen muss Produktentwicklung von Anfang an auf belastbare Betriebsrealität ausgelegt sein.”

Tech Stack

Next.jsTypeScripttRPCPrismaSupabasepgvectorNextAuthStripeOpenAI APIFHIR ExportPlaywrightNetlify

Website ansehen

03Featured Project

AI-QA-Framework

Requirements-driven QA-Framework für LLM-Systeme mit Release Gates

Tech Stack

Python · Pytest · Playwright

Ein Python-basiertes Open-Source-Framework für produktionsnahe Qualitätssicherung von LLM-Anwendungen. Im Fokus stehen nicht nur Einzeltests, sondern ein belastbarer QA-Workflow mit 46 automatisierten Tests, Traceability zu Qualitätsanforderungen, RAG-Evaluation, Multi-Model-Support und CI-gestützten Release Gates für AI Features.

Herausforderung

LLM-Systeme scheitern selten an einem einzelnen Bug, sondern an schwer greifbaren Qualitätsrisiken: nicht-deterministische Antworten, fehlende Nachvollziehbarkeit, Halluzinationen, Bias, Prompt Injection und regressionsanfällige UI-Flows. Klassische Assertions reichen dafür nicht aus.

Lösung

Ich habe ein requirements-getriebenes Testframework mit 7 Qualitätsdimensionen aufgebaut: Security, Consistency, Hallucination, Performance, Bias, RAG und UI. Es kombiniert Semantic Evaluation, Multi-Provider-Tests für Claude, GPT und Gemini, generische Playwright-Checks für Chatbots, HTML-Reports und GitHub-Action-basierte Quality Gates vor dem Release.

46 automatisierte Tests in 7 Qualitätsdimensionen für LLM-Risiken
Requirements-driven QA mit Traceability und klaren Release Gates
Multi-Model-Support für Claude, OpenAI GPT und Google Gemini
8 RAG-Tests für Grounding, Kontexttreue und Widersprüche
17 generische Playwright-UI-Tests für Chatbot-Oberflächen
HTML-Reports und Dashboard-Auswertung für Trends und Regressionen

Learnings

“AI-Qualität wird erst dann steuerbar, wenn Testing, Anforderungen und Release-Entscheidungen zusammenhängen. Nicht das Modell allein entscheidet über Qualität, sondern die Disziplin, mit der Risiken messbar und releasefähig gemacht werden.”

Tech Stack

PythonPytestPlaywrightClaude APIOpenAI APIGemini APIGitHub ActionsChart.js

GitHub

04Case Study

Guided Requirements Tool

KI-gestützte Anforderungserhebung mit strukturiertem Interview-Flow

Tech Stack

Next.js 16 · React 19 · TypeScript

Ein Full-Stack-Produkt für Product Owner und Fachbereiche, das aus vagen Ideen in wenigen Minuten belastbare User Stories, Akzeptanzkriterien, NFRs und einen ersten Delivery-Plan erstellt. Technisch kombiniert das Tool einen mehrstufigen Interview-Flow, Claude-basierte Zusammenfassungen, parsergestützte Ergebnisaufbereitung und PDF-Export in einer produktionsnahen Next.js-Architektur.

Herausforderung

Zwischen Fachlichkeit und Umsetzung entsteht oft Reibung: Stakeholder kennen ihr Problem, formulieren Anforderungen aber zu grob oder zu unstrukturiert. Genau dort verlieren Teams Zeit, Scope-Klarheit und Qualität.

Lösung

Ich habe einen geführten Interview-Prozess mit 3 Phasen, kontextabhängigen Folgefragen und KI-gestützter Verdichtung gebaut. Das System generiert strukturierte Artefakte statt Freitext: priorisierte User Stories, Akzeptanzkriterien, NFRs, offene Punkte und einen ersten Sprint-Zuschnitt.

Next.js-16-App mit React 19, TypeScript und Tailwind CSS v4
Geführter 3-Phasen-Interview-Flow statt leerem Anforderungsformular
Claude-basierte Zwischenzusammenfassungen zur Qualitätssicherung pro Phase
Generierung von User Stories, Akzeptanzkriterien, NFRs und Sprint-Reihenfolge
Parser- und Ergebnislogik für reproduzierbar strukturierte Outputs
PDF-Export für direkt teilbare Requirements-Dokumente

Learnings

“Gute Anforderungen entstehen nicht durch mehr Text, sondern durch bessere Gesprächsführung. KI wirkt dann am stärksten, wenn Prompting, UX und Ergebnisstruktur zusammen gedacht werden.”

Tech Stack

Next.js 16React 19TypeScriptClaude APIPrompt EngineeringPDF ExportZustandshadcn/uiTailwind CSS v4

GitHub

05Case Study

Anni Platform

KI-Avatar-Begleiterin für Pflege- und Betreuungskontexte

Tech Stack

TypeScript · Node.js · Express

Ein TypeScript-Monorepo für einen sprachbasierten KI-Begleiter im Altenheim-Kontext. Die Plattform trennt Backend-API, Web-Frontend und geteilte Domänenmodelle sauber und zeigt, wie ich Produktideen mit gesellschaftlichem Nutzen in eine wartbare technische Architektur übersetze.

Herausforderung

Conversational AI für sensible Zielgruppen braucht mehr als einen Chatbot: klare Systemgrenzen, sichere API-Schicht, saubere Modellierung gemeinsamer Daten und eine Architektur, die später um Sprache, Authentifizierung und Betriebsanforderungen erweitert werden kann.

Lösung

Ich habe eine modulare Plattformstruktur mit Express-API, React/Vite-Frontend, Shared Package, Zod-Validierung, Drizzle-Datenzugriff und Security-Middleware aufgebaut. Dadurch ist das Produkt technisch sauber separiert und für weitere Ausbaustufen vorbereitet.

Monorepo mit apps/server, apps/web und packages/shared
Express-5-API mit Helmet, CORS, Rate Limiting und JWT-Authentifizierung
Drizzle ORM plus PostgreSQL für typsicheren Datenzugriff
React-19-Frontend mit Vite für schnelle Iteration
Gemeinsame Typen und Utilities über ein Shared Package
Claude-SDK-Integration als Basis für KI-gestützte Interaktionen

Learnings

“Frühe Architekturarbeit ist besonders wertvoll, wenn aus einer Produktidee später ein sensibles, mehrteiliges System werden kann. Gute Trennung heute spart Reibung bei jeder nächsten Ausbaustufe.”

Tech Stack

TypeScriptNode.jsExpressReactViteDrizzle ORMPostgreSQLAnthropic SDKZodMonorepo

GitHub

06Case Study

QA-Testkonzept Skill

Wissensprodukt für ISTQB-konforme Testkonzepte im deutschen Markt

Tech Stack

Prompt Engineering · Claude Skills · ISTQB

Ein wiederverwendbares AI-Skill-Produkt, das aus Projektkontexten strukturierte QA-Testkonzepte erzeugt, bestehende Dokumente reviewt und auf ISTQB-Pflichtbestandteile prüft. Das Projekt zeigt, wie ich Fachmethodik, Prompt Design und wiederverwendbare Wissensartefakte zu einem klaren Deliverable verbinde.

Herausforderung

Viele Testkonzepte sind fachlich unvollständig oder unnötig generisch. Gerade in regulierten oder komplexen Projektumfeldern braucht es strukturierte Qualitätssicherung, die methodisch sauber und gleichzeitig effizient erstellbar ist.

Lösung

Ich habe einen Skill mit Intake-Logik, Dokumentenreview, Compliance-Checkliste und zielgruppenspezifischer Ausgabe für Behörden-, Banken-, SaaS- und ERP-Kontexte aufgebaut. Statt generischer KI-Texte entsteht ein reproduzierbarer QA-Workflow mit klarer Struktur.

Abdeckung aller 10 ISTQB-Pflichtabschnitte
Strukturierter Intake für neue Projekte
Review-Logik mit Ampelbewertung und Compliance-Checkliste
Ausgabe je nach Kontext als Markdown oder DOCX
Optimiert für deutsche IT-Projekte in Behörden, Banken, SaaS und ERP
Fokus auf wiederverwendbares Expertenwissen statt Einmal-Prompt

Learnings

“Nicht jedes wertvolle Tech-Asset ist eine klassische App. Gerade Skills und Wissensprodukte skalieren Erfahrung, reduzieren Qualitätsschwankungen und machen Fachwissen operativ nutzbar.”

Tech Stack

Prompt EngineeringClaude SkillsISTQBQA GovernanceMarkdownDOCX Workflows

GitHub

07Case Study

Feierabendtrader

Swing-Trading Breakout-Scanner mit Yahoo Finance, Claude Haiku und TradingView

Tech Stack

Next.js 15 · React 19 · TypeScript

Lokale Next.js-App, die auf Knopfdruck 5–10 begründete Swing-Trading Breakout-Setups aus dem US-Aktienmarkt liefert. Das Projekt verbindet kostenloses Marktdaten-Screening, KI-gestützte Analyse mit Claude Haiku (~0,005 $ pro Scan) und TradingView-Charts in einem schlanken, lokal lauffähigen Tool – ohne Auth, Datenbank oder Hosting-Abhängigkeit.

Herausforderung

Manuelles Stock-Screening ist zeitaufwendig und subjektiv. Existierende Tools sind oft teuer, abonnementpflichtig oder liefern keine nachvollziehbare Begründung für ihre Setups.

Lösung

Ich habe einen mehrstufigen Screening-Funnel gebaut: Yahoo Finance filtert ~80 Kandidaten auf ~20, Claude Haiku analysiert diese und gibt die besten 5–10 Breakout-Setups mit Entry-Zone, Stop-Loss, CRV und Begründung zurück. Alles läuft lokal, ohne Infrastrukturaufwand.

Next.js-15-App mit React 19, TypeScript und Tailwind CSS 4
Mehrstufiger Screening-Funnel via Yahoo Finance (kostenlos, ~80→20 Kandidaten)
Claude-Haiku-Analyse für 5–10 priorisierte Breakout-Setups mit Begründung
Setup-Cards mit Breakout-Level, Entry-Zone, Stop-Loss, CRV und TradingView-Chart
Marktzeiten-Badge, localStorage-Cache (24 h) und Funnel-Metriken
Zod-Validierung für typsichere API-Responses

Learnings

“KI-gestützte Finanztools müssen nicht teuer sein. Gezieltes Prompting mit klarer Datengrundlage reicht, um aus ~80 Rohkandidaten in Sekunden qualifizierte, erklärte Setups zu generieren – ohne Cloud-Abhängigkeit.”

Tech Stack

Next.js 15React 19TypeScriptTailwind CSS 4Claude HaikuAnthropic APIyahoo-finance2TradingView WidgetZod

GitHub

Artikel über meine Arbeit

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

Alle Artikel ansehen

13.03.20266 Min. Lesezeit

Was ich in mehreren Jahren QA wirklich gelernt habe

Qualität entsteht nicht erst beim Testen. Sie entsteht im System, im Prozess und im Denken eines Teams.

QA StrategyTest AutomationQuality Systems

Artikel lesen

01.03.20267 Min. Lesezeit

Wie ich ohne klassische Entwicklerlaufbahn eine SaaS gebaut habe - mit KI und QA-Mindset

NutriKompass entstand aus einem konkreten Alltagsproblem in einer therapeutischen Einrichtung und aus der Frage, wie weit man heute mit KI, Produktdenken und QA-Erfahrung kommen kann.

SaaSAI WorkflowQA Mindset

Artikel lesen

Reusable Assets & Accelerators

Nicht nur Einzelprojekte: Ich baue wiederverwendbare Bausteine, die Teams schneller zu belastbaren Ergebnissen bringen.

Reusable AssetLLM QARelease GatesPlaywright

AI QA Release Gates

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

Besonders sinnvoll für

Teams, die AI-Features nicht nur prototypen, sondern messbar qualifizieren, regressionssicher machen und sauber 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

Guided Requirements Workflow

Ein strukturierter Interview-Flow, der vage Ideen in priorisierte User Stories, Akzeptanzkriterien, NFRs und erste Delivery-Strukturen übersetzt.

Besonders sinnvoll für

Product Owner, Fachbereiche und Teams, die schneller von unklaren Anforderungen zu umsetzbaren Artefakten kommen müssen.

Typische Deliverables

Geführter Discovery-Flow in 3 Phasen
Strukturierte User Stories und NFRs
Teilbares PDF-Artefakt für Abstimmung und Start

Repository ansehen

Reusable AssetISTQBSkill ProductDOCX Workflows

QA-Testkonzept Skill

Ein Wissens- und Workflow-Asset für ISTQB-konforme Testkonzepte, Dokumentenreviews und kontextabhängige QA-Deliverables.

Besonders sinnvoll für

Organisationen mit hoher Dokumentationslast, regulierten Kontexten oder Bedarf an methodisch sauberer QA-Struktur.

Typische Deliverables

Intake-Logik für neue Projekte
Review und Vollständigkeitscheck bestehender Testkonzepte
Markdown- oder DOCX-Ausgabe je nach Zielkontext

Repository ansehen

Capabilities & Technologien

Die Mischung aus QA, AI, Requirements und Delivery, mit der ich Projekte operativ stabil mache.

AI Quality Systems

Qualität für klassische Webprodukte und LLM-Systeme: von Teststrategie über Evaluationslogik bis zu Release Gates.

LLM QARelease GatesPlaywrightRAG EvaluationSecurity TestingTraceabilityTest StrategyQA Governance

Product Engineering

Moderne Produkt-Stacks für produktionsnahe Webanwendungen, interne Tools und spezialisierte SaaS-Produkte.

Next.js 16React 19TypeScripttRPC / APIsPrisma / DrizzlePostgreSQL / pgvectorTailwind / shadcnMonorepo Architecture

Automation & Delivery

Wiederholbare Delivery mit CI/CD, Multi-Provider-AI, dokumentenbasierten Outputs und betrieblicher Härtung.

GitHub ActionsPrompt EngineeringClaude / GPT / GeminiPDF / DOCX OutputsStripe / ResendNextAuth / Auth FlowsVercel / NetlifyOperational Hardening

Requirements & Leadership

Struktur für unklare Anforderungen, komplexe Stakeholder-Lagen und belastbare Projektentscheidungen.

Requirements EngineeringGuided DiscoveryStakeholder FacilitationScrum / KanbanPRINCE2 / IREB / ISTQBProduct ThinkingAgile DeliveryConsulting Leadership

Zertifizierungen

Verifizierte Abschlüsse international anerkannter Institutionen

2022

ISTQB Foundation Level

ISTQB

2023

Professional Scrum Master I

Scrum.org

2023

Professional Scrum Product Owner I

Scrum.org

2023

IREB CPRE Foundation Level

IREB

2024

PRINCE2 Foundation

AXELOS

Arbeitsweise

Prinzipien, die meine Arbeit leiten.

Qualität als Haltung

Qualität ist kein Prozessschritt, sondern eine Denkweise. Ich integriere Qualitätssicherung in jede Phase - von der Anforderung bis zum Release.

Produktdenken

Ich denke in Nutzerproblemen und Lösungen, nicht in Features. Jede technische Entscheidung muss dem Produkt dienen.

Ownership

Ich übernehme Verantwortung für Ergebnisse, nicht nur für Aufgaben. Wenn etwas nicht funktioniert, finde ich einen Weg.

Kontakt

Interesse an einer Zusammenarbeit? Ich freue mich auf Ihre Nachricht.

oder direkt erreichen

E-Mail LinkedIn GitHub