KI-Automatisierung, die im Alltag funktioniert.

Ich unterstütze Startups und Teams dabei, wiederkehrende Prozesse mit LLMs zu automatisieren: Dokumenten-Workflows, Bots, automatisiertes Reporting. Pragmatisch gebaut und verständlich dokumentiert.

Lint und Backend-Tests aus meinem Projekt Auroq. Denselben Lauf startet die CI bei jedem Push.

Ich bin Kira Bouschen, Wirtschaftsinformatikerin aus Berlin (M.Sc. an der HTW Berlin, Schwerpunkt KI). Bei Mercedes-Benz habe ich in einem Multi-Agenten-System-Projekt mitgearbeitet und dort agile Entwicklung im Scrum-Team von innen kennengelernt. Seitdem baue ich eigene KI-Anwendungen: Bots mit Langzeitgedächtnis, LangChain-Agenten, automatisierte Auswertungen aus Projektdaten.

Mein Studium verbindet Technik mit Geschäftsprozessen. Deshalb interessiert mich bei jedem Projekt zuerst der Prozess und danach das Tool. KI ist für mich ein Mittel, kein Selbstzweck.

Porträtfoto von Kira Bouschen

Drei Arbeitsfelder

Prozess- und Dokumenten-Automatisierung

Viele Teams verlieren Zeit mit wiederkehrenden Abläufen: Daten aus Dokumenten übertragen, Informationen zusammenführen, Status weitergeben. Ich analysiere solche Prozesse und automatisiere sie: mit LLMs dort, wo sie wirklich helfen, und mit klassischen Skripten, wo das die bessere Lösung ist.

Automatisiertes Reporting

Aus Rohdaten in Projekttools oder Datenbanken automatisch verständliche Berichte erzeugen. In einem Hochschulprojekt habe ich das mit der Blue-Ant-API umgesetzt, inklusive einer Prompt-Architektur, die Halluzinationen systematisch reduziert.

Bots & Assistenten

Telegram-Bots und interne Assistenten mit echtem Gedächtnis und Anbindung an bestehende Systeme (Kalender, To-do-Tools, APIs). Ich habe mehrere solcher Systeme selbst gebaut und betreibe sie im Alltag.

Woran ich gebaut habe

Vier Projekte, aufklappbar. Die Herkunft steht jeweils dabei, damit erkennbar bleibt, was Auftragsarbeit war und was nicht.

Auroq

Python FastAPI React PWA SQLite LLM
Eigenes Produkt, täglich im Einsatz Ein Assistent, der Microsoft To Do, Google Calendar, Todoist und Oura-Ring-Daten zusammenführt und daraus Tagesprioritäten ableitet. Details Weniger

Bedient wird er über einen Telegram-Bot oder über eine installierbare Web-App. Beide sprechen gegen dieselbe Datenschicht, sodass eine Eingabe unterwegs und eine am Rechner nicht auseinanderlaufen.

Über die Zeit ist daraus mehr geworden als ein Tagesplaner: 18 Bereiche, von Aufgaben und Arbeitszeit über Ernährung, Laborwerte und Workouts bis zu Packlisten und Vorräten. Jeder hat eigene Erfassungswege, aber eine gemeinsame Auswertung, die Zusammenhänge zwischen ihnen sucht. Es ist ein privates Projekt und deshalb das ehrlichste Arbeitsbeispiel, das ich zeigen kann: gewachsen an täglichem Gebrauch, nicht an einer Deadline.

Sechs Entscheidungen, die das Projekt tragen

Ein Datenmodell, drei Oberflächen

Telegram-Bot, REST-API und Progressive Web App teilen sich eine Datenschicht und einen Regelsatz. Neue Funktionen entstehen einmal und stehen überall zur Verfügung. Wo Bot und Web dieselbe Rechnung anstellen, hält eine gemeinsame Falltabelle beide Seiten zusammen, statt zweimal dasselbe zu testen.

Fünfzehn Fremdsysteme, eine Fehlerregel

Microsoft Graph, Google Calendar, Todoist, Oura, Withings, Apple Health, Open Food Facts, drei Bibliothekskataloge und weitere hängen an derselben Anbindungsschicht. Zeitüberschreitungen, abgelaufene Token und Ausfälle enden nie in einer irreführenden Fehlermeldung, und ein fremdes „nicht angemeldet“ wird nie zum eigenen.

Verschlüsselung als Betriebsentscheidung

Persönliche Inhalte liegen feldweise verschlüsselt auf der Platte, der Schlüssel liegt ausschließlich im Arbeitsspeicher und wird nach jedem Neustart neu eingegeben. Im Klartext bleibt nur, worüber die Datenbank rechnen können muss: Zahlen, Datumsangaben, Zuordnungsschlüssel. Was diese Entscheidung im Betrieb kostet, steht in der Dokumentation.

Natürliche Sprache als Eingabe

„500 ml Wasser, Bauchweh 6/10 und Pasta gegessen“ wird in einem einzigen Modellaufruf in bis zu fünf Aktionen zerlegt und gegen dieselben Funktionen ausgeführt wie die Befehle. Sprachnachrichten laufen über Whisper in denselben Weg, ein Essensfoto über ein Bildmodell. Eine gescheiterte Auswertung liefert keine Schätzung, sondern eine Rückfrage.

Offline verfügbar, aber nur wo es darf

Die Web-App funktioniert ohne Netz, der Zwischenspeicher ist aber eine ausdrückliche Freigabeliste: nur die Tagesansicht, nichts aus Auswertung, Zyklus oder Notizen. Drei Eingaben werden offline nachgereicht, alles andere scheitert sofort und sichtbar. Ein stiller Datenverlust wäre teurer als eine klare Fehlermeldung.

Mehrbenutzerfähig bis in den Scheduler

Jeder Nutzer hat eigene Token, eigene Datenbank und einen eigenen Satz geplanter Jobs. Damit sich nicht irgendwann doch eine Abfrage ohne Nutzerbezug einschleicht, prüft ein Test den Quelltext selbst und lässt die Zahl solcher Stellen nicht wieder steigen.

Umfang

über 8.000 automatisierte Tests: Backend, Komponenten, End-to-End
300+ REST-Endpunkte über 32 Router
63 Tabellen im Datenmodell
15 angebundene Fremddienste

Technik

Backend Python 3.12 · FastAPI · SQLite (WAL) · APScheduler · Fernet
Frontend React · TypeScript · Vite · Tailwind · Service Worker, Web Push
KI Groq und OpenAI-kompatible Anbieter hinter einer Abstraktionsschicht · Whisper · Bildanalyse
Betrieb systemd auf eigenem Server · GitHub Actions bei jedem Push · nächtliches Backup

KI-Reporting aus Projektmanagement-Daten

Groq Llama 3.3 REST
Hochschulprojekt mit echten Anforderungen Automatische Auswertungen aus Blue-Ant-Projektdaten, mit einer Provider-Abstraktionsschicht und einem Aufbau gegen Halluzinationen. Details Weniger

Aus den Rohdaten eines Projektmanagement-Systems entstehen lesbare Berichte, ohne dass jemand Zahlen abschreibt. Die Anbindung an den Modellanbieter liegt hinter einer eigenen Schicht, sodass ein Wechsel eine Konfigurationsfrage bleibt und keine Änderung am Berichtscode erzwingt.

Der wichtigere Teil war die Prompt-Architektur: Kennzahlen werden berechnet und dem Modell vorgegeben, statt sie es schätzen zu lassen. Das Modell formuliert, es rechnet nicht.

Themen: LLM-Integration, REST-APIs, zuverlässige Ausgaben.

CBT-Companion-Bot

Python Gemini
Eigenes Projekt Ein Telegram-Bot für strukturierte Selbstreflexions-Sessions, dessen Gedächtnis über Wochen trägt. Details Weniger

Das Gedächtnis hat drei Stufen: der laufende Verlauf, eine Verdichtung der Sitzung und ein langlebiger Kern. So bleibt der Kontext über Wochen erhalten, ohne dass die Anfragen immer länger und teurer werden.

Themen: Konversationsdesign, Langzeitgedächtnis, Python/Gemini.

Research-Synthesizer

LangChain LangGraph
Eigenes Projekt Ein Agent, der wissenschaftliche Quellen durchsucht, zusammenfasst und korrekt zitiert. Details Weniger

Suche, Auswahl, Zusammenfassung und Zitation sind eigene Schritte in einem mehrstufigen Ablauf. Jede Aussage bleibt an ihre Quelle gebunden, damit eine Zusammenfassung überprüfbar bleibt und nicht nur plausibel klingt.

Themen: Agentic AI, RAG, mehrstufige Workflows.

Wie ich vorgehe

Erst der Prozess, dann die Technik.

Nicht jedes Problem braucht KI. Wenn ein einfaches Skript reicht, sage ich das.

Verständliche Übergabe.

Dokumentation und eine Einführung gehören für mich zu jedem Projekt dazu.

Aktuelle Werkzeuge, solides Handwerk.

Ich arbeite täglich mit modernen KI-Entwicklungstools. Architektur, Testing und Datenschutz bleiben trotzdem die Basis.

Klingt nach Ihrem Thema?

Schreiben Sie mir kurz, worum es geht. Sie bekommen eine ehrliche erste Einschätzung zurück.

info@kbouschen.com