Content-JoeSchreibt Posts und Captions im Sprachprofil der Kundin.
Markt-RadarBeobachtet den Wettbewerb und liefert Themen mit Begründung.
Karussell-WerkstattBaut Karussells im Look der Kundin aus einem Thema.
B-Roll-WerkstattVerwaltet Material und schneidet es auf Skripte.
Schnitt-StudioTalking Head rein, fertiger Clip raus.
Content-PlanPlanung, Veröffentlichung und Rückmeldung der Zahlen.
Voice-DNADas Sprachgedächtnis, aus dem alle Texte entstehen.
DashboardWas in 30 Tagen lief und was daraus folgt.
Was ich daran gebaut habe
- Architektur, Backend und Frontend
- Server, Deployment und Betrieb
- Render-Worker mit ffmpeg und Whisper
- Alle KI-Pipelines und Prompts
- Anbindung der Social-Plattformen
- Abo-, Login- und Abrechnungslogik
Was ich dabei gelernt habe
Der schwierige Teil an KI-Produkten ist der Betrieb. Ich kenne die Stellen, an denen LLM-Pipelines still kaputtgehen: abgeschnittene Token-Limits, leere Schleifen-Durchläufe, Parser, die einen Fehler schlucken und trotzdem „fertig“ melden. Jede dieser Fallen hat mich einmal Produktivbetrieb gekostet und steht heute in meinen Regeln.
Warum das kaufmännisch aufgeht
Ich kenne die Stückkosten pro Kundin und Monat auf den Cent und weiß, welcher Anbieter darin der Engpass ist. Ein KI-Produkt, das technisch funktioniert und pro Nutzer Geld verbrennt, bleibt ein Experiment. Das ist mir wichtig, weil ihr bei Unternehmenskunden genauso rechnen müsst.