Weiterbildung zum KI Berater: Mein Capstone-Projekt als AI Consultant

Weiterbildungen gibt es viele.Spannend wird es für mich erst dann, wenn aus Wissen ein belastbarer Case wird.

Genau das war für mich der entscheidende Punkt an meiner Weiterbildung am Innolea Institut. Es ging nicht nur um AI, Gen AI oder die Rolle eines modernen AI Consultant. Es ging darum, ein Thema so weit zu durchdenken, dass daraus ein echter Beratungsansatz entsteht: mit Problemdefinition, Use-Case-Priorisierung, Pilotlogik, KPI-System und Business Case. Das finale Ergebnis meines Capstone-Projekts trägt den Titel „Die erste Sekunde entscheidet“ und beschreibt einen Pilot für mehr Starts, bessere Watchtime und konsistente Qualität im Streaming-Umfeld.

Das Capstone-Projekt: Smart Thumbnails

Mein Capstone-Projekt heißt Smart Thumbnails.

Die Grundidee ist klar: Statt einen einzelnen Frame manuell auszuwählen, soll ein KI-gestützter Prozess automatisch geeignete Frame-Kandidaten extrahieren, sie anhand historischer Impression- und Engagement-Daten bewerten, relevante Guardrails prüfen und die beste Variante in einen kontrollierten Freigabeprozess geben. Danach folgt A/B-Testing und ein Lern-Loop. In der Präsentation ist dieser Ablauf als fünfstufiger Prozess aufgebaut: Frame Extraction, Ranking, Guardrails, Quality Gate und A/B-Test & Learning.

Das ist für mich ein gutes Beispiel dafür, wie KI Beratung in der Praxis aussehen sollte:nicht als Tool-Demo, sondern als saubere Verbindung aus Business-Frage, Datenlogik, Testing und Governance.

Warum ich genau diesen Use Case gewählt habe

Im Projekt ging es nicht darum, irgendeinen fancy AI-Case zu bauen.Ich habe mehrere Use Cases gegeneinander gestellt und priorisiert.

Smart Thumbnails landete dabei in dem Bereich, der hohen Business Value mit realistischer Umsetzbarkeit verbindet. In der Präsentation wird der Use Case außerdem als möglicher Enabler für spätere Themen wie Interest-Based Programming oder einen Hype Detector beschrieben.

Das ist aus meiner Sicht zentral für gute AI-Consulting-Arbeit: Ein Use Case sollte nicht isoliert Sinn ergeben. Er sollte idealerweise auch Strukturen schaffen, auf denen spätere Lösungen aufbauen können.

Die eigentliche Stärke liegt im Pilotdesign

Ein Punkt, der mir bei vielen AI-Projekten zu kurz kommt, ist das Pilotdesign. Es reicht nicht, eine Idee zu haben. Man muss sie so herunterbrechen, dass am Ende eine echte Entscheidung möglich ist.

Deshalb ist mein Capstone bewusst als 12-Wochen-Pilot in DACH für Bundesliga Highlights & Recaps aufgebaut. Der Plan ist dreistufig:

Woche 1–4: SetupTracking und A/B-Infrastruktur aufsetzen, Human QA Gate konfigurieren, Go-/No-Go-Kriterien fixieren.

Woche 5–8: A/B liveKI-Varianten gegen manuelle Thumbnails testen, CTR, Starts und Watchtime täglich beobachten.

Woche 9–12: EntscheidungAnalyse gegen Baseline, Go-/No-Go-Entscheidung und bei Erfolg Rollout-Plan.

Genau so sollte ein sauberer Pilot aus meiner Sicht aussehen: klein genug, um kontrollierbar zu bleiben, aber relevant genug, um belastbare Zahlen zu liefern.

Messen, was wirklich zählt

Ein KI-Projekt ist nicht gut, weil ein Modell irgendetwas ausgibt. Es ist dann gut, wenn vorab klar ist, woran Erfolg oder Scheitern gemessen wird.

Im Capstone habe ich deshalb zwischen Primär-, Sekundär-, Guardrail- und Lernmetriken unterschieden. Zu den wichtigsten Kennzahlen gehören:

• Starts / Impression als Kernindikator für den Thumbnail-Effekt

• Ø Watchtime nach Klick, damit steigende CTR nicht einfach nur Clickbait bedeutet

• Assets pro Stunde als Produktivitätskennzahl

• Absprungrate nach Klick als Guardrail

• Brand-/Rechte-Vorfälle als Sicherheitskennzahl

• Modell-Accuracy als lernende Metrik über Kontrollgruppen und Holdouts

  
  

Das klingt erstmal technisch, ist aber in Wahrheit ziemlich simpel:Ich wollte ein Modell entwickeln, das nicht nur klickbarer wirkt, sondern auch im Betrieb sinnvoll, kontrollierbar und markenkonform bleibt.

AI ist nur dann sinnvoll, wenn Kontrolle eingebaut ist

Ich halte nichts von blindem Automatisierungsoptimismus.

Deshalb spielt im Capstone das Thema Responsible AI eine wichtige Rolle. In der Präsentation sind konkrete Gegenmaßnahmen benannt: automatisierte Guardrails, menschliche Freigabe, Drift-Alerts, Retraining, Bias-Monitoring und ein klar begrenzter Scope. Zusätzlich wird das Ganze als EU-AI-Act-konform, DSGVO-first und ohne personenbezogenes Targeting beschrieben.

Für mich ist das kein Anhängsel, sondern Teil seriöser KI Beratung.Wer Unternehmen bei AI oder Gen AI begleitet, muss nicht nur zeigen, was möglich ist, sondern auch, wie Kontrolle, Verantwortung und Sicherheit praktisch organisiert werden.

Der Business Case: bewusst mit Annahmen, aber nicht im Blindflug

Zum Capstone gehörte auch ein Business Case.Und genau hier trennt sich für mich saubere Beratung von Wunschdenken.

Die Präsentation rechnet ein Voll-Roll-out-Szenario mit mehreren Effekten durch: CTR-Uplift, Produktivitätsgewinn, mögliche Retention-Effekte, initiale Setup-Kosten und laufende Betriebskosten. Genannt werden unter anderem 250.000 Euro Initialkosten, 10.000 Euro laufende Kosten pro Monat, ein erwarteter monatlicher Nutzen von rund 47,5k bis 65k Euro je nach Modellierung sowie ein Break-even zwischen Monat 10 und Monat 19 je nach Szenario. Für das optimistische Szenario wird ein 24-Monats-ROI von 161 % gezeigt. Gleichzeitig macht die Präsentation an mehreren Stellen klar, dass Teile dieses Modells auf Benchmarks und Annahmen beruhen und genau deshalb erst ein Pilot vorgeschaltet wird.

Genau das finde ich wichtig:

Ein früher Business Case muss nicht perfekt sein. Aber er muss sauber genug sein, um eine Entscheidung vorzubereiten.

Was ich aus der Weiterbildung am Innolea Institut mitnehme

Mein wichtigstes Learning aus der Weiterbildung ist ziemlich einfach:

KI bringt wenig, wenn das Problem unscharf ist.

Das Capstone-Projekt hat mir noch einmal bestätigt, wie ich als KI Berater arbeiten will:

Erst das Problem sauber machen.Dann Use Cases priorisieren.Dann Datenlage und Risiken ehrlich bewerten.Dann einen kleinen, messbaren Pilot bauen.Und erst danach über Skalierung sprechen.

Genau darin liegt für mich der Unterschied zwischen Hype und echter AI Consulting-Arbeit.

Ich nehme aus der Weiterbildung vor allem vier Dinge mit:

1. Gute KI-Beratung startet nicht beim Tool, sondern beim Engpass. Im Projekt war das Problem nicht „fehlende KI“, sondern ein manueller, inkonsistenter und kaum lernfähiger Prozess.

2. Ein guter Use Case braucht Business Value und Feasibility.Darum habe ich verschiedene Ideen bewertet und Smart Thumbnails priorisiert.

3. Gen AI ist nicht automatisch die einzige Antwort.Das Projekt verbindet eher Computer Vision, Ranking, Testing und Governance als reine Text- oder Bildgenerierung.

4. Der Mensch bleibt im Loop.Das Human Quality Gate ist keine Schwäche des Systems, sondern ein Qualitätsmerkmal.

Warum das auch für meine Arbeit auf DIES!DAS! VERSCHIEDENE DINGE! relevant ist

Ich will Unternehmen nicht mit Buzzwords beeindrucken.Ich will mit ihnen herausfinden, wo AI, Gen AI und Automatisierung im Alltag tatsächlich Wirkung entfalten.

Das Capstone-Projekt ist dafür ein gutes Beispiel.Nicht, weil damit schon alles bewiesen wäre. Sondern weil es zeigt, wie ich an Themen herangehe:

• pragmatisch statt verspielt

• strukturiert statt laut

• pilotfähig statt powerpointschön

• und immer mit Blick auf Wirkung, Risiko und Umsetzbarkeit

Genau so verstehe ich meine Arbeit als KI Berater, AI Consultant und Sparringspartner für Unternehmen, die KI nicht nur verstehen, sondern sinnvoll einsetzen wollen.

Fazit

Die Weiterbildung am Innolea Institut war für mich kein Zertifikat zum Abhaken.Sie war ein Praxistest.

Mein Capstone-Projekt hat mir noch einmal gezeigt, dass gute KI Beratung nicht bei Tools anfängt, sondern bei echten Problemen. Wer mit AI, Gen AI und Automatisierung arbeiten will, braucht keinen Hype. Er braucht klare Fragen, belastbare Metriken, einen kontrollierten Pilot und den Mut, Entscheidungen auf einer sauberen Grundlage zu treffen.

Genau daran will ich arbeiten.