Problem

Target-Benchmarking und Peer-Recherche in der Due Diligence sind repetitiv, manuell und über Teams hinweg inkonsistent.

Ansatz

KI-Agenten in n8n, die LLM-Reasoning mit Live-Websuche orchestrieren und strukturierte, quellenverlinkte Ergebnisse liefern.

Wirkung

Die Peer-Auswahl wurde wiederholbar und erklärbar statt analystenabhängig, und genau das machte Partner bereit, das Ergebnis vor dem Kunden zu vertreten. Unternehmensrecherche-Pipeline und Peer-Finder zusammen ließen mehrere Berater-Tage Arbeit auf unter 40 Minuten schrumpfen; das Tempo war der Nebeneffekt, die Belastbarkeit war der Punkt.

Getrennte Workflows übernehmen Target-Screening, Peer-Identifikation und Kennzahlen-Erhebung. Jeder Agent zerlegt die Recherchefrage, führt Suchen parallel aus, validiert Ergebnisse gegen mehrere Quellen und schreibt sie in eine einheitliche Vorlage, sodass zwei Teams, die denselben Markt recherchieren, nicht länger zwei verschiedene Antworten produzieren.

Go-live 2026 · genutzt bei der Übergabe, Juni 2026 · Nutzung nach der Übergabe nicht gemessen. Ich bin gegangen, bevor ich es instrumentieren konnte, und das sage ich lieber, als eine Zahl zu nennen, die ich nicht habe.

Problem

Teams beantworten lange Listen wiederkehrender Fragen aus hunderten Seiten Projektdokumenten. Langsam und fehleranfällig.

Ansatz

Ein Copilot-Studio-Agent: eine Excel-Fragenliste und PDF-Quellen hochladen, der Agent verarbeitet sie in Batches und schreibt die Antworten Zeile für Zeile zurück.

Wirkung

Reduziert die manuelle Dokumentenprüfung auf einen Bruchteil; wiederverwendbar über neue und bestehende Projekte.

Der Agent erzeugt SharePoint-Upload-Links, überwacht das Repository auf neue Dateien, verarbeitet Fragensätze in Batches gegen die Quelldokumente und erstellt Zusammenfassungen pro Batch. Der Fortschritt ist in Echtzeit über die OneDrive-synchronisierte Excel-Datei sichtbar, sodass Nutzer die Antworten erscheinen sehen, während der Agent arbeitet.

prägende Einschränkung der Kunde wollte keine neue UI übernehmen, also wurde die UI zur Tabelle, die er ohnehin schon nutzte. OCR auf gescannten Seiten blieb unzuverlässig: eine bekannte offene Kante, kein gelöstes Problem.

Problem

Jahre an RFP- und Angebotswissen liegen in verstreuten Dateien; Teams bauen Inhalte von Grund auf neu und fragen herum nach Präzedenzfällen.

Ansatz

Ein zentrales Repository mit LLM-basierter Metadaten-Extraktion und einer Parent/Child-Agenten-Pipeline für die Suche, zugänglich über eine Chat-Oberfläche.

Wirkung

MVP im Einsatz beim Team. Ehrliche Grenzen dieses MVP: eine 16 MB Dateigrenze, unzuverlässige OCR bei gescannten Dokumenten, keine semantische Suche und keine teamspezifische Zugriffskontrolle, was genau der Grund ist, warum das Redesign unten existiert. Die Suchzeit verbesserte sich; ich habe es nie instrumentiert, also nenne ich keine Zahl.

Das MVP läuft auf Copilot Studio mit SharePoint-Speicher und automatischen Benachrichtigungen. Das Redesign, das ich vor der Übergabe konzipiert habe, verlagert es in eine VS-Code-Erweiterung auf GitHub Copilot Chat, mit Claude als LLM und der Microsoft Graph API für semantische Suche über teamspezifische Repositories, was die Grenzen des MVP bei Dateigröße, OCR und Zugriffskontrolle aufhebt. Ich habe die Firma im Juni 2026 verlassen, ob dieses Redesign tatsächlich gebaut wurde, kann ich also nicht für mich beanspruchen.

Problem

M&A-Datensätze stecken voller unsauberer Firmennamen und unklarer Eigentümerstrukturen; manuelle Bereinigung frisst Analystenzeit.

Ansatz

Eine modulare Pipeline, die deterministische Regeln, ML-Matching und gezielte Websuche kombiniert, um Namen zu bereinigen und Mutter-Tochter-Beziehungen abzubilden.

Wirkung

Reduzierte den manuellen Aufwand und verbesserte die Konsistenz der Entitätsdaten über die M&A-Analytik hinweg.

Deterministische Regeln fangen die häufigen Normalisierungsfälle günstig ab, ein ML-Matcher löst Beinahe-Duplikate auf, und die Websuche übernimmt den langen Schwanz mehrdeutiger Entitäten. Jede Stufe eskaliert nur, was sie nicht selbst lösen kann, was die Pipeline schnell und nachvollziehbar hält. Dieselbe Architektur trägt nachgelagerte Benchmarking- und Peer-Recherche-Workflows.

Problem

Sich gut zu bewerben kostet Stunden pro Stelle, und gute Ausschreibungen rutschen durch, während man noch die letzte maßschneidert.

Ansatz

Eine Pipeline aus zwei Agenten. Ein Discovery-Agent scannt neue Ausschreibungen und bewertet jede gegen ein strukturiertes Archiv meiner Erfahrung, und schreibt bewertete Leads in einen Airtable-Tracker. Ein Bewerbungs-Agent nimmt dann einen eingereihten Lead und erstellt einen maßgeschneiderten Lebenslauf, ein Anschreiben und einen Unternehmens-One-Pager, legt alles in einen datierten Bewerbungsordner und aktualisiert den Tracker.

Wirkung

Jede Bewerbung ist wirklich maßgeschneidert, nichts fällt durchs Raster, und die gesamte Pipeline ist auf einem Dashboard sichtbar. Läuft täglich in meiner eigenen Suche.

Gebaut als Claude Agent Skills mit Airtable als System of Record: eine Searches-Tabelle speist den Discovery-Agenten, bewertete Leads landen in einer Prüf-Queue, und das Verschieben eines Leads in die „Queue“ löst den Bewerbungs-Workflow aus. Wenn Sie als Recruiter eine maßgeschneiderte Bewerbung von mir lesen, hat dieses System die erste Fassung mit einiger Wahrscheinlichkeit entworfen.

Problem

Auf B2 hängen Lernende fest, weil sie Wörter wiedererkennen, aber nicht produzieren. Klassische Karteikarten trainieren genau die Hälfte, die ohnehin schon funktioniert.

Ansatz

Eine adaptive Session statt getrennter Lern- und Übungsmodi. Ein Leitner-System mit fünf Fächern entscheidet pro Wort, welche Übung kommt: Karteikarte, Artikel antippen, Wort tippen, und am Ende eine Aufgabe im Format der B2-Produktion. Jedes Wort hat zwei Achsen, passiv und aktiv, und gilt erst als gelernt, wenn es selbst geschrieben wurde.

Stand

Live unter lernvokabeln.com. 712 Wörter aus Kompass DaF B2.1, Lektion 1 bis 5. Als PWA installierbar, funktioniert offline. Nutzung nicht gemessen: es gibt kein Konto und kein Tracking, also habe ich keine Zahlen und nenne deshalb auch keine.

Kein Framework, kein Build-Schritt, kein Backend. Der gesamte Fortschritt liegt im localStorage des Geräts, und das ist eine Entscheidung mit einer bekannten offenen Kante: wer das Gerät wechselt, fängt von vorn an. Ein Konto würde das lösen und zugleich das Versprechen brechen, dass die App nichts über den Nutzer weiß. Quelloffen unter github.com/karthikjpio/Lernvokabeln.

Problem

Recruiter überfliegen. Sie haben eine konkrete Frage („Hat er X gemacht?“) und eine statische Seite zwingt sie zum Suchen.

Ansatz

Ein Chat-Widget in der Ecke der Startseite. Zwei Stufen wären vorgesehen: eine abhängigkeitsfreie, keyword-basierte Wissensbasis, die in die Seite eingebacken ist, und ein n8n-LLM-Workflow hinter einem Webhook, auf den es transparent hochschaltet, sobald der Endpunkt gesetzt ist.

Status

Konzipiert, nicht gebaut. Das Widget steht nicht auf der Startseite, also steht hier planned. Eine frühere Fassung lief auf einer lokalen Stufe mit tippfehler-tolerantem Keyword-Matching über eine handgeschriebene Wissensbasis; sie wurde entfernt, als die Startseite verschlankt wurde. Wenn das Widget wieder da ist, ändert sich diese Zeile, vorher nicht.

Abhängigkeitsfreies JavaScript, Fuzzy-Matching, bewusst sanfter Abbau. Mir ist diese Zeile auf planned lieber, als Sie in eine Ecke der Seite zu schicken, in der nichts ist.

Problem

Meine Due-Diligence-Agenten leben hinter den Mauern einer Firma, deshalb kann ich Ihnen den Code nicht zeigen. Diesen hier werden Sie selbst ausführen können.

Ansatz

Geben Sie ihm ein Zielunternehmen; er identifiziert Peers, sammelt vergleichbare Kennzahlen per Live-Websuche, validiert über Quellen hinweg und gibt eine quellenbelegte Vergleichstabelle plus ein kurzes Benchmarking-Memo aus.

Status

Konzipiert, nicht begonnen. Kein Datum, weil ich schon einmal eines genannt und verpasst habe. Der Repo-Link erscheint hier, sobald der Code öffentlich ist, und keinen Tag früher.

Problem

Data-Room-Q&A-Tools, die die Seite, aus der eine Antwort stammt, nicht zitieren können, sind in der Due Diligence unbrauchbar.

Ansatz

PDFs und eine Fragenliste (CSV/Excel) einwerfen; es beantwortet jede Frage mit seitengenauen Zitaten und markiert die, die es nicht in den Dokumenten belegen kann. Ablehnen schlägt Halluzinieren.

Status

Konzipiert, nicht begonnen. Kein Datum, weil ich schon einmal eines genannt und verpasst habe. Der Repo-Link erscheint hier, sobald der Code öffentlich ist, und keinen Tag früher.

Problem

LLMs geben einem bereitwillig eine Marktgröße, ohne dass man die Rechnung prüfen kann.

Ansatz

Beschreiben Sie einen Markt; der Agent baut eine Top-down- und Bottom-up-Schätzung als expliziten Annahmenbaum: jede Zahl belegt oder als Annahme markiert, die Sie bearbeiten können, wobei sich die Schätzung aus Ihren Eingaben neu berechnet.

Status

Konzipiert, nicht begonnen. Kein Datum, weil ich schon einmal eines genannt und verpasst habe. Der Repo-Link erscheint hier, sobald der Code öffentlich ist, und keinen Tag früher.