Entscheidungen verantworten.
Daten, Kosten und Veröffentlichung brauchen klare menschliche Zuständigkeit.
Vier echte Geschichten aus der Entwicklung von JOLIBEN. Entscheidungen unter Unsicherheit, fehlgeschlagene Prüfungen, korrigierte Annahmen und nachgewiesene Ergebnisse. So arbeite ich an KI-Produkten.
Daten, Kosten und Veröffentlichung brauchen klare menschliche Zuständigkeit.
Geplant, implementiert, getestet und produktiv sind unterschiedliche Zustände.
Fehlversuche und verworfene Wege sind Teil des Lernprozesses.
Jeder Fall trennt Herausforderung, menschliche Entscheidungen, nachweisbare Ergebnisse und offene Grenzen. Ohne erfundene Erfolgszahlen oder interne Quelldaten.
Eine KI-Planung ist noch keine Berechtigung zur Umsetzung.
Aus einem natürlich formulierten Wunsch soll ein sinnvoller Auftrag werden, ohne dass damit Kosten, Datenübermittlung oder Ausführung stillschweigend autorisiert werden.
Projektkontext, Daten- und Kostenprüfung, lesbaren KI-Plan, Projektwahl und bewusste Aufgabenanlage trennen. Eine Aufgabe ist noch keine Worker-Freigabe.
Implementierte Operator-UI, bestandene ausgewählte Tests, Browserprüfungen und ein real angelegter Task mit 20/20 Source-/Task-Provenienzprüfungen.
Gute KI-Bedienung macht Verantwortung sichtbar, statt sie hinter einem attraktiven Knopf verschwinden zu lassen.
Ein grünes Interface bedeutet nicht automatisch, dass die Historie gesund ist.
Die Inbox lieferte HTTP 500. Die Diagnose meldete 42 globale Continuation-Konflikte. Das war jedoch kein Beweis für 42 defekte Einzelaufgaben.
Irreführende Warnungen an Einzelaufgaben verwerfen, globale Warnung und Aufgabenanzeige trennen und die strengen Ausführungsprüfungen unangetastet lassen.
344/344 ausgewählte Tests bestanden. HTTP 500 wurde zu HTTP 200, direkt und über Reverse Proxy. Die Inbox wurde im echten Browser bestätigt.
Saubere Abgrenzung ist wichtiger als das Wegretuschieren roter Meldungen. Der globale Historienkonflikt bleibt dokumentiert und ungelöst.
Eine nachweisbare Ende-zu-Ende-Kette, kein Versprechen unbegrenzter Autonomie.
Wie weist man nach, dass die von KI unterstützte Änderung wirklich genau das angeforderte, geprüfte, übernommene und produktiv sichtbare Ergebnis ist?
Task-Identität, Freigabe, einen begrenzten KI-Lauf, Kandidatentests, Human Review, Commit und Runtime-Nachweis zu einer kontrollierten Kette verbinden.
SELF_BUILD_PROOF_001=PASS im begrenzten Canary; die technische Identitätskette von Aufgabe über Commit bis Runtime wurde nachgewiesen.
Kleine, belegbare Schritte machen große Visionen glaubwürdig. Eine durchgehend selbstbedienbare Oberfläche bleibt eine eigene Aufgabe.
Funktionierende Software reicht nicht, wenn die Arbeit mit einer einzigen Maschine verschwinden kann.
Code und Laufzeitdaten hingen von einem Server ab. Ein Git-Repository allein kann keine produktiven Laufzeitdaten wiederherstellen.
Keinen Core-Quellcode öffentlich machen. Zuerst den kuratierten privaten Snapshot mit frischem Clone prüfen; zusätzlich verschlüsselte Voll- und Änderungssicherungen aufbauen.
827/827 private Codedateien nach frischem Clone abgeglichen. Erste verschlüsselte Vollsicherung geprüft und geplante automatische Sicherungsläufe beobachtet.
Quellcode-Versionierung und Disaster Recovery sind zwei verschiedene Pflichten. Externe Kopien und ein kompletter Restore-Test stehen noch aus.
Ich verbinde IT-Hintergrund mit unternehmerischer Verantwortung. Ich strukturiere Produktbedürfnisse, definiere Grenzen, treffe Abwägungen, steuere KI-gestützte Umsetzung und bewerte Ergebnisse. KI-generierten Code gebe ich nicht als selbst programmierten Code aus.
Entdecke dieselbe Arbeitsweise in Produktkonzepten für kreative Bewertung, Kanzleiarbeit und E-Commerce.
Drei Produktvisionen entdecken →