Files
bewerb/gedaechtnis/inhalte.md
tlg fbab4d3c14 Entwurf FindYou: Wissenstransfer-Satz (Variante 3); Baustein im Gedächtnis korrigiert
- entwurf.md: Wissenstransfer als gelebte Praxis (regelmäßige Update-Meetings,
  direkter Austausch) statt Verengung auf KI-Workshops
- gedaechtnis/inhalte.md: Baustein entsprechend angepasst

Co-Authored-By: Claude Opus 4.8 (1M context) <noreply@anthropic.com>
2026-06-12 19:16:23 +02:00

1.8 KiB

Inhaltliche Bausteine (geprüft)

Bewährte, faktisch korrekte Inhalte und Formulierungen zu Erfahrungen/Skills. Was hier steht, ist verifiziert richtig. Wird am Ende jeder Session aktualisiert.

Korrekte Fakten

  • Standard-All-in-Stundensatz für Agenturprojekte: 105 € netto (Direktbeauftragung KMU: 120 € netto). Quelle: vorgaben/marketing.md §2.
  • Eine Sicherheitsüberprüfung SÜ2 dauert mindestens drei Monate, teils bis zu einem Jahr → Projekte mit SÜ/Sicherheitsüberprüfung fallen aus (in vorgaben/rahmenbedingungen.md als verankert).

Bewährte Bausteine

  • Product-Lifecycle-Baustein: „In mehreren Positionen habe ich komplexe technische Systeme von Grund auf begleitet, vom Aufstellen der Anforderungen über Lösungskonzepte und Implementierung bis zu Verifikation, Deployment und geordnetem Wissenstransfer bei der Übergabe."
  • Wissenstransfer an Kunden ist in jedem Projekt gelebte Selbstverständlichkeit: laufend über regelmäßige Update-Meetings und direkten Austausch während der Zusammenarbeit, nach Bedarf. Nicht auf die (kurzen) KI-Workshops/Schulungen verengen, das stellt es zu klein dar. Bewährter Satz: „Wissenstransfer ist für mich gelebte Praxis: In allen bisherigen Projekten habe ich mein Wissen laufend in regelmäßigen Update-Meetings und im direkten Austausch an die Teams meiner Kunden weitergegeben."

Nicht zutreffend / nicht behaupten

  • Nicht behaupten, täglich/laufend an einer produktionsreifen Agentic-AI-Plattform oder „der ersten produktionsreifen Plattform" zu arbeiten.
  • On-Premise-KI mit RAG (Projekt „Kischdle") ist Proof-of-Concept-/Evaluierungsniveau, kein produktiver ML-Wirkbetrieb → kein „tiefgehendes Production-ML/MLOps" behaupten.
  • Keine Kafka-Praxiserfahrung behaupten (nur übertragbares Verständnis ereignisgetriebener Architekturen vorhanden).