Hi, ich bin Johannes. Als Produktmanager arbeite ich daran, wie Teams mit agentischen Workflows von der Idee zum funktionierenden Produkt kommen. Menschen nutzen das Produkt am Ende – und Menschen bauen es gemeinsam. Genau deshalb reizt mich AI: Sie nimmt uns die mechanische Arbeit ab und gibt uns mehr Zeit für das, was Menschlichkeit wirklich ausmacht – interagieren, kooperieren, entscheiden. Wenn das passende Werkzeug fehlt, baue ich es selbst; zuletzt ein lokales Transkriptions-Tool, das ich und meine Kollegen täglich nutzen.
Schwerpunkt
Agentische Workflows
Haltung
Menschzentriert, AI first
Basis
Deutschland · remote
Meeting-Transkription für macOS, die den Rechner nie verlässt.
Transkription, Sprechererkennung und – wenn gewünscht – die Zusammenfassung laufen vollständig on-device. Kein Cloud-Zwang heißt hier nicht „optional abschaltbar", sondern: die Architektur braucht die Cloud nicht. Wer trotzdem ein API-Modell will, kann es einschalten. Die Entscheidung liegt beim Nutzer, nicht im Produkt.
Privacy by design
Audio, Transkript und Sprecherprofile bleiben lokal – auch bei Kundengesprächen und internen Themen.
End-to-End-Workflow
Kalender rein, Claude Code raus: aus dem Meeting entstehen direkt Aufgaben und Code, nicht nur Notizen.
Selbst gebaut
Nativ für macOS, entwickelt mit Claude Code. Im täglichen Einsatz bei mir und Kollegen.
Johnny AI — macOS, native. Bildunterschrift hier ergänzen.
01
Aufnehmen
Transkription via NVIDIA Parakeet, Sprechererkennung automatisch – beides on-device.
02
Verdichten
Zusammenfassung optional: lokal über Ollama oder per API.
03
Verknüpfen
Kalenderintegration bringt Teilnehmer und Kontext ins Transkript.
04
Weitergeben
Transkript und Summary direkt als lokale Datei zur Weiterverarbeitung – Ergebnis statt Notiz.
KI soll die Arbeit übernehmen, die nicht menschlich ist – damit Raum bleibt für die, die es ist.
Das ist für mich keine Floskel, sondern der Maßstab für Produktentscheidungen. Automatisieren, was repetitiv, mechanisch und zermürbend ist. Und alles schützen, was Urteilsvermögen, Kontext und Beziehung braucht.
Im Produkt
Ich baue für die Menschen, die das Produkt am Ende benutzen – gegen echte Probleme, nicht gegen Roadmap-Zeilen. Wenn ich nicht benennen kann, wem es konkret hilft, ist es nicht fertig gedacht.
In der Zusammenarbeit
Je mehr Arbeit an Modelle geht, desto wichtiger wird, wie wir miteinander umgehen. Zuhören, Kontext teilen, Entscheidungen erklären – das lässt sich nicht delegieren, und genau darin liegt der Unterschied.
Erst die Frage, wem das Produkt das Leben leichter macht, und wie – dann die Technik. Nie umgekehrt.
Eine funktionierende Version klärt Fragen, die keine Präsentation beantwortet. Ich baue lieber am zweiten Tag als im zweiten Quartal.
Anforderungen so schreiben, dass ein Coding-Agent sie ausführen kann. Diese Präzision hilft am Ende allen im Team.
Mein Produktprozess, AI-native
Nicht „KI als Tool im Prozess", sondern ein Prozess, der davon ausgeht, dass Agenten Teile der Arbeit selbst erledigen.
Anforderungen sammeln
Interviews · LLM-Auswertung
So nah an den späteren Nutzern wie möglich: Gespräche, Beobachtung, Support-Signale. Das Modell verdichtet und strukturiert, ich entscheide, welche Probleme wirklich zählen.
Prototyp bauen
Claude Code · klickbar
Kein produktiver Code, sondern eine Attrappe, die aussieht und sich anfühlt wie die echte Software: Klickpfade, Zustände, Business-Logik. In Minuten spürt man, was an welcher Stelle Sinn ergibt – und was nicht.
PRD im Gleichschritt
Spec ↔ Prototyp
Prototyp und Spezifikation bewegen sich immer gemeinsam. Jede Iteration am Prototyp schreibt sich in die Spec zurück, sodass am Ende ein PRD steht, das den Prototyp 1:1 abbildet – implementierbar, ohne weitere Klärungsschleifen.
Agent-Harness
Regeln · Guardrails · Tests
Damit ein Agent verlässlich abliefert, braucht er mehr als eine gute Spec: verbindliche Konventionen, Architekturvorgaben, Definition of Done, automatische Tests und Checks vor jedem Merge. Das Harness ist die Voraussetzung dafür, dass Qualität nicht vom Zufall des einzelnen Runs abhängt.
Agentisch umsetzen
Coding-Agenten · Review
Aus PRD und Harness baut und testet der Agent. Meine Rolle verschiebt sich vom Beschreiben zum Prüfen: bewerten, ob das Ergebnis der Absicht entspricht, und nachsteuern, wo es abweicht.
Zurück zu den Nutzern
Feedback · Iteration
Bewertet wird dort, wo die Software später läuft – bei den Leuten, die sie benutzen. Deren Reaktionen gehen direkt in die nächste Runde aus Prototyp und PRD. Die Schleife endet nicht, sie wird nur kürzer.
Woran ich gerade arbeite
—Johnny AI: Sprechererkennung schärfen, Kalender-Kontext ausbauen
—Evals für Agenten-Workflows: wie messe ich, ob ein Agent gut arbeitet?
—Discovery mit LLMs: Interviews auswerten, ohne die Nuancen zu verlieren
Womit
Der Blick aufs Abfahrtsschild, bevor man am Bahnsteig steht.
Standortbasiert: nächste Haltestelle, nächste Abfahrten, Störungen – auf einen Blick, ohne Suchen und Filtern. Die einzige Frage, die die App beantwortet: rennen oder Zeit haben?
Kein Kurs für alle, sondern Übungen für die Fehler, die ich wirklich mache.
Personalisierte App zum Üben russischer Fälle: Multiple-Choice, 200 Übungen in drei Leveln. Aus eigenem Bedarf entstanden – und deshalb genau auf die Fehler zugeschnitten, die ich wirklich mache.
Zu Ende gedacht, bewusst nicht gelauncht – manchmal ist das die richtige Produktentscheidung.
Deutschsprachige Hypno-Meditation-App (iOS/Web) im Freemium-Modell, gebaut auf React, Supabase und Stripe. PRD, Finanzmodell und funktionaler Prototyp standen – bewusst nicht weitergeführt. Der Wert lag im Durchdenken von Markt und Modell, nicht im Launch.