Beratung · JanJo Consulting

Von der Idee zum messbaren Mehrwert.

Ich veröffentliche Peer-Review-Forschung dazu, ob Menschen KI-Systemen wirklich vertrauen — und bringe genau solche Systeme im industriellen Umfeld in Produktion. Beratung findet genau dort statt, wo beides zusammenkommt.

Ich nehme neben meiner Vollzeit-Forschungstätigkeit nur wenige Engagements gleichzeitig an. Das hält die Arbeit fokussiert — und heißt: ein frühes Gespräch ist das, auf das ich wirklich reagieren kann.

Ausgewählte Arbeiten

Drei Probleme — und was sich verändert hat.

Von verstreuten KI-Ideen zur finanzierten Roadmap

Ausgangslage: Ein DAX-notierter Industriekonzern hatte KI-Ambitionen über viele Business Units verteilt — aber keinen gemeinsamen Maßstab dafür, welche Ideen eine Investition verdienen. Jede Einheit argumentierte in ihrem eigenen Format.
Vorgehen: Entwicklung und Moderation eines Data & AI Opportunity Workshop Frameworks: ein wiederholbares Format, das in einem Engagement die strategischen Prioritäten einer Einheit in eine priorisierte Roadmap überführt — Nutzen und Machbarkeit direkt nebeneinander bewertet.
Ergebnis: In mehreren Business Units erprobt — als wiederholbarer Weg von breiter KI-Ambition zu einer sequenzierten, entscheidungsreifen Roadmap.

Nutzerfeedback in einem Maßstab lesen, den Menschen nicht schaffen

Ausgangslage: Produktteams saßen auf großen Mengen unstrukturierten Nutzerfeedbacks — Foren, Tickets, Umfragen —, das niemand in diesem Umfang lesen konnte. Erkenntnisse kamen zu spät, um Releases noch zu beeinflussen.
Vorgehen: Architektur einer end-to-end LLM-Pipeline, die Rohfeedback in strukturierte, handlungsfähige Erkenntnisse überführt — mit Domänenwissen, das im System kodifiziert ist statt nachträglich angeflanscht.
Ergebnis: Analysen, die zuvor Stunden manueller Arbeit gekostet haben, dauern jetzt Minuten. Auf den Ansatz ist ein europäisches Patent angemeldet.

Aus einer Nische eine unternehmensweite Fähigkeit machen

Ausgangslage: Datengetriebene UX existierte nur in isolierten Nischen — eine Handvoll Fachleute, keine gemeinsamen Standards und kein klarer Weg für Teams, die Unterstützung brauchten.
Vorgehen: Aufbau und Leitung einer unternehmensweiten Community of Practice: Rhythmus etabliert, gemeinsame Methoden verankert und Teams mit den Menschen verbunden, die ihnen wirklich helfen konnten.
Ergebnis: Wuchs innerhalb von zwölf Monaten von 7 auf über 150 Mitglieder und wurde zur internen Anlaufstelle für datengetriebene UX.

Die Engagements sind anonymisiert dargestellt. Sie illustrieren Vorgehen und Kompetenz — geistiges Eigentum der Kunden und vertrauliche Details sind nicht übertragbar.

Formate

Vier Wege, zu beginnen.

Data & AI Opportunity Workshop

Ein moderierter Workshop, der aus euren strategischen Prioritäten eine priorisierte KI-Roadmap macht — Nutzen und Machbarkeit direkt nebeneinander, mit klarer Sicht darauf, was zuerst finanziert wird. Ein Engagement, ein entscheidungsreifes Ergebnis.

Proof-of-Concept-Sprint

Ein zeitlich begrenzter Build, der eine Frage beantwortet: Funktioniert das wirklich — mit euren Daten, euren Rahmenbedingungen, euren Nutzern? Am Ende steht ein lauffähiger Prototyp und ein ehrlicher Weg in die Produktion — oder eine ehrliche Empfehlung, es zu lassen.

Advisory-Retainer

Ein fester Rhythmus statt eines Projekts. Review von Architektur und Roadmap, eine zweite Meinung vor teuren Festlegungen — und jemand, mit dem man dazwischen laut denken kann.

UX-Forschung für KI

Eine Multi-Methoden-Studie, die prüft, ob die KI, die ihr baut, das tatsächliche Problem eurer Nutzer löst — bevor die Entwicklungskosten versenkt sind. Dieselben Methoden wie in der Peer-Review-Forschung, angewandt auf euer Produkt.

Themen

Themen, in denen ich arbeite.

Agentische KI & LLM-Systeme End-to-end GenAI-Pipelines und KI-Agenten — von der Foundation-Model-Architektur bis in die Produktion.
KI- & Datenstrategie Frameworks, die der Realität standhalten — über mehrere Business Units hinweg entwickelt, an euren Kontext angepasst.
Vertrauen & erklärbare KI Praxisnahe Design-Richtlinien für KI, der Nutzer wirklich vertrauen — fundiert auf Peer-Review-Forschung.
Affective Computing Digitale Empathie und emotionssensitive Gestaltung — wo es ebenso zählt, wie sich etwas anfühlt, wie ob es funktioniert.

Wie wir arbeiten

Ein einfacher Ablauf.

1 · Gespräch. Erzähl mir, was du erreichen willst und woran es gerade hängt.

2 · Diagnose. Ein kurzer, schriftlicher Lagebericht und der sauberste Weg nach vorn.

3 · Engagement. Entweder ein Advisory-Rhythmus oder ein fokussierter Build-Sprint — je nach Bedarf.

Gespräch starten