Wie ich über GeekNews eher zufällig einen Job gefunden habe

Während meines letzten Studienjahres entwickelte ich das Investment-AI-Produkt Cresco – und das führte zu einem unerwarteten Ergebnis.

Nach fünf Jahren Aktieninvestments hatte ich gespürt, dass es am Markt ein echtes Problem bei der Suche nach interessanten Titeln und ihrer Analyse gibt, und wollte dieses Problem mit AI lösen. Dabei hatte ich drei Ziele vor Augen.

• UX aus Kundensicht gestalten
• Kommerzielle Produkte aktiv nutzen und ihren Wert selbst unmittelbar erleben
• Darüber nachdenken, wie Produktentwicklung im AI-Zeitalter aussehen sollte

Diesen Rückblick auf den Prozess konnte ich auf GeekNews teilen und erhielt dadurch viel Aufmerksamkeit. (Vielen Dank)

https://de.news.hada.io/topic?id=25611

Heute möchte ich die Geschichte danach festhalten.

---

Aus einem Coffee Chat wurde plötzlich ein Praktikum

Eines Tages meldete sich ein Team bei mir und schrieb, dass es meinen Beitrag auf GeekNews mit Interesse gelesen habe, und bat um einen Coffee Chat. Mit Vorfreude und Nervosität zugleich ging ich ins Office, gespannt darauf, mit Menschen, die ich zum ersten Mal treffen würde, über AI-Technologie und Business zu sprechen. Vor Ort sprach ich ganz offen über die Fragen und Überlegungen, die ich bei Entwicklung und Betrieb des Produkts beschäftigt hatten, und bekam durch die Vorstellungen der Teammitglieder allmählich auch ein Gefühl dafür, was für ein Team es war.

Noch am selben Abend erhielt ich schließlich ein Angebot für ein Praktikum. Nach langem Überlegen nahm ich aus folgenden Gründen an.

• Die Besessenheit von Kundennutzen und echtem Impact sowie die hohe Talentdichte
• Eine Vision, die sich mit meinen eigenen Fragen deckte: Innovation für Privatanleger und die Finanzinfrastruktur
• Die Überzeugung, dass es nicht nur bei Worten bleibt, sondern dass Organisation und Produkt tatsächlich in diese Richtung aufgebaut werden

Auch ein Praktikum ist Praxis: direkt ins Projekt geworfen

Während des Praktikums übernahm ich ein AI-Agent-Projekt zur Lösung von CS-Ressourcenproblemen eines Content-Unternehmens. Von der Analyse des Kundenproblems bis zur eigentlichen Entwicklung musste ich den gesamten Prozess verantworten.

• Es begann damit, dass ich das Office des Kunden besuchte und beobachtete, welches eigentliche Problem sich hinter den Aussagen der zuständigen Person verbarg
• Damit AI tatsächlich CS-Aufgaben übernehmen konnte, brauchte sie Zugriff auf Daten und die Möglichkeit, Aktionen auszuführen. Deshalb arbeitete ich mit dem Entwicklungsteam zusammen, band die nötigen Daten an und vervollständigte eine Struktur, in der AI von der Abfrage bis zur Ausführung alles übernehmen konnte
• In diesem Prozess entdeckte ich ein noch grundlegenderes Problem: Der Kunde war nicht in der Lage, seine User-Daten richtig zu analysieren
• Deshalb band ich auch Produktdaten an und baute einen Agenten, mit dem Nicht-Entwickler selbst Content-Performance-Analysen und Funnel-Analysen durchführen konnten – ganz ohne spezialisierte Data Scientists

In den etwa zweieinhalb Monaten des Praktikums habe ich intensiv darüber nachgedacht, wie man Probleme sauber definiert und mit Technologie löst. Es war eine Zeit, in der ich wirklich begriff, was es heißt, nicht allein, sondern als Team zu arbeiten, und in der ich versuchte, die Perspektive anderer einzunehmen.

Kurz vor Vertragsende erhielt ich ein Angebot für eine Festanstellung, nahm es an und schloss mich Klivv offiziell an.

Wieder im Team – diesmal mit Throne

Aufbauend auf dem Wertpapierprodukt, das ich während des Studiums allein entwickelt hatte, arbeite ich nun gemeinsam mit dem Klivv-Team an Throne, einem Produkt zur Verbesserung der Experience von Privatanlegern.

• Ausgehend vom Aufbau einer Pipeline zum Laden von FnGuide- und FMP-Daten – Datenquellen, denen Wertpapierhäuser im In- und Ausland vertrauen – bauten wir ein Harness, mit dem der Agent komplexe Wertpapierdaten verstehen und nutzen kann
• Auf dieser Basis konnten wir den Umfang bis hin zur Analyse detaillierter Finanzabschlusskennzahlen erweitern, die mit einem einfachen LLM allein nicht zu bewältigen gewesen wären
• Wir bleiben nicht bei der Analyse stehen, sondern arbeiten kontinuierlich an Elementen zur Steigerung der Retention, etwa daran, Daten durch Visualisierung intuitiv verständlich darzustellen, und verfeinern das Produkt laufend

Nach einer Vorbereitungsphase, die man je nach Blickwinkel kurz oder lang nennen könnte, haben wir den Service offiziell gestartet. Da täglich neue Kunden hinzukommen und der Service direkt mit Investitionsentscheidungen verbunden ist, entwickeln wir ihn mit großem Verantwortungsbewusstsein weiter und arbeiten daran, die Experience zu verbessern, indem wir die täglich eingehenden Kundenanfragen sorgfältig prüfen.
Weil GeekNews meine erste Karrierechance mit ermöglicht hat, wollte ich das auf diesem Weg teilen. Auch in Zukunft möchte ich hier gelegentlich die Trial-and-Error-Erfahrungen und Learnings teilen, die ich als Junior beim Bauen von Produkten sammle.

Throne freut sich ebenfalls über viel Interesse!
https://throneinvest.ai