AI Engineering: Spezialisierte Tools für effiziente Workflows

AI Engineering beginnt mit einem echten Workflow-Problem

Viele Gespräche über künstliche Intelligenz, kurz KI oder AI, starten mit der Frage, was heute technisch möglich ist. Welche Modelle und Features gibt es? Welche Prompts funktionieren? Welche Workflows lassen sich sinnvoll unterstützen?

Das ist interessant. Für unsere Arbeit reicht es aber nicht. Im Produktionsalltag beginnt die wichtigere Frage meistens an einer anderen Stelle:

• Wo verlieren Teams Zeit, weil Informationen ver- und nicht geteilt sind?
• Wo passieren Fehler, weil Prüfungen manuell und unübersichtlich sind?
• Wo werden Entscheidungen getroffen, aber nicht sauber nachvollziehbar kommuniziert/dokumentiert?

Genau dort wird AI für uns relevant.

Nicht als Selbstzweck. Nicht als Demo, die einmal beeindruckt. Sondern als Baustein in kleinen, spezialisierten Systemen, die einen konkreten Workflow verbessern.

Kurz gesagt: AI Engineering verbindet Modelle, Daten, Versionierung und klare Freigaben zu einem verlässlichen Workflow. Entscheidend ist dabei ob das System im Alltag nachvollziehbar funktioniert und für mehrere Mitarbeiter einfach zu benutzen ist.

Spezialisierte AI-Tools: kleine Werkzeuge, große Wirkung

In vielen Produktionen gibt es Aufgaben, für die bereits Spezialtools existieren. Diese sind jedoch oft mit Funktionen überladen und nicht für alle Teammitglieder einfach zu bedienen. Gleichzeitig sind die Aufgaben zu wichtig, um sie dauerhaft mit umständlichen Zwischenlösungen nebenbei zu erledigen.

Das können einfache Dinge sein:

• Dateien und Versionen prüfen
• Inhalte während einer Produktion verwalten
• Metadaten vergleichbar machen
• Freigaben und Review-Schritte dokumentieren
• Informationen aus verschiedenen Quellen zusammenführen
• Wiederkehrende Entscheidungen vorbereiten

Auf den ersten Blick klingt das nicht spektakulär. Genau darin liegt aber oft der Wert.

Denn gute Systeme sparen nicht nur Klicks. Sie reduzieren Unsicherheit. Sie schaffen Struktur. Sie machen sichtbar, was sonst in Chats, Ordnern, Tabellen oder Köpfen verteilt bleibt.

Für uns ist das ein natürlicher nächster Schritt: Wenn wir ohnehin tief in den Workflows unserer Produktionen stecken, können wir auch Werkzeuge bauen, die diese Workflows präziser unterstützen.

AI-Demo oder produktionsnahes System?

Eine AI-Demo ist schnell gebaut. Ein Eingabefeld, ein Modell, ein guter Output. Das kann ein hilfreicher Startpunkt sein. Aber es ist noch kein Werkzeug, auf das sich ein Team im Alltag verlassen kann.

Ein internes System muss andere Fragen beantworten:

• Woher kommen die Daten?
• Welche Daten sind vertraulich und wie müssen sie geschützt werden?
• Was darf automatisch passieren?
• Wo braucht es menschliche Freigabe?
• Wie wird ein Ergebnis überprüfbar?
• Was passiert, wenn Eingaben unvollständig sind?
• Wer besitzt den Prozess?
• Wie wird aus einem Output eine Entscheidung oder Aktion?

Beim AI Engineering betrachten wir deshalb nicht nur das Modell. Ebenso wichtig sind Datenquellen, Zugriffsrechte, Oberfläche, Prüfungen und nachvollziehbare Ergebnisse.

Entscheidend ist ein Workflow, der im echten Betrieb funktioniert.

SyncPlayer: Softwareentwicklung für einen konkreten Workflow

Ein Projekt, an dem wir das sehr konkret sehen, ist zum Beispiel unser SyncPlayer.

Der Ausgangspunkt war kein AI-Feature, sondern ein praktisches Problem: Medienversionen framegenau vergleichen, Unterschiede sichtbar machen sowie Notizen und Metadaten nutzbar halten.

Dafür brauchten wir ein Werkzeug, das im Produktionskontext schnell und zuverlässig funktioniert.

Dafür braucht es zuerst solide, simple Software:

• Medien laden und analysieren
• Unterschiedliche Versionen synchron abspielen
• Frames korrekt darstellen
• Metadaten vergleichbar machen
• Notizen erfassen
• Windows- und macOS-Builds stabil bekommen
• Release- und Update-Prozesse sauber denken

Mit der Overlay-Funktion lassen sich PNG-Referenzen für beide Videoseiten laden, ein- und ausblenden, in der Deckkraft regeln und über verschiedene Blend-Modi vergleichen.

Erst wenn die Basis stimmt, wird AI als Erweiterung wirklich interessant.

Dann kann man fragen: Welche Funktion benötigt es noch? Welche Prüfung lässt sich unterstützen? Welche Entscheidungen brauchen mehr Kontext?

Und genau diese Fähigkeit ist für zukünftige Kundenprojekte spannend.

Kundenspezifische Software statt Daten-Sammelsurium

Die nächste Stufe sehen wir nicht in einem großen, universellen Tool, das alles können soll. Viel interessanter sind spezialisierte Systeme für konkrete Arbeitskontexte.

Zum Beispiel für Teams, die regelmäßig Content erstellen, prüfen, organisieren oder visualisieren müssen.

Ein Unternehmen könnte ein internes Tool brauchen, das aus vorhandenen Informationen einfache Content-Bausteine vorbereitet.

Ein anderes Team braucht vielleicht ein System, das Projektdaten verständlich visualisiert.

Wieder ein anderes möchte eingehende Informationen strukturieren, zusammenfassen und in klare nächste Schritte übersetzen.

Die Gemeinsamkeit ist nicht die Branche. Die Gemeinsamkeit ist der Bedarf nach Struktur.

Gute AI-gestützte Tools helfen nicht nur dabei, schneller Output zu erzeugen. Sie helfen dabei, bessere Fragen zu stellen, Informationen sauberer zu sortieren und Entscheidungen besser vorzubereiten.

Warum AI Engineering zu DNM passt

DNM kommt aus der Gestaltung bewegter Bilder, digitaler Inhalte und medialer Räume. Unsere Arbeit war schon immer eine Verbindung aus Gestaltung, Technologie und konkretem Produktionswissen.

AI Engineering erweitert diese Verbindung. Wir denken nicht nur darüber nach, wie etwas aussieht, sondern auch darüber, wie ein Prozess funktioniert. Welche Informationen werden gebraucht? Welche Schritte wiederholen sich?

Wo müssen Menschen entscheiden? Und wo kann Software helfen, den Weg dorthin klarer zu machen? Das ist für uns keine Abkehr von Gestaltung. Es ist eine Erweiterung davon.

Denn auch ein gutes internes Tool ist Gestaltung: Gestaltung von Abläufen, Interfaces, Daten, Entscheidungen und Verantwortung.

Wann ist ein AI-Tool im Alltag erfolgreich?

Der Maßstab für solche Systeme ist nicht, ob sie auf den ersten Blick beeindruckend wirken.

Der Maßstab ist, ob sie im Alltag helfen.

Wird ein Prozess klarer? Werden Fehler früher sichtbar? Wird weniger Zeit mit Übertragung und Suche verloren? Sind Entscheidungen besser nachvollziehbar? Können Teams schneller zu dem kommen, was wirklich Wert erzeugt?

Wenn die Antwort ja ist, wird AI praktisch.

Interne Tools und neue Dienstleistungen: Was wir als Nächstes prüfen

Wir prüfen weiter, welche internen Tools sich für uns selbst bewähren und welche Ansätze auch für Kunden sinnvoll sein können.

Dazu gehören drei Richtungen:

1. Interne Systeme, die unsere eigenen Produktionsprozesse strukturieren.
2. Kundenspezifische Tools, die Teams bei Content, Informationen und Entscheidungen unterstützen.
3. Produktfähige Lösungen, bei denen geprüft werden muss, ob aus einem internen Werkzeug ein belastbares Angebot entstehen kann.

Wichtig ist dabei die Reihenfolge.

Nicht jedes gute interne Tool ist automatisch ein Produkt. Und nicht jedes AI-Experiment ist automatisch ein System.

Deshalb prüfen wir genau, wo ein Tool nur für uns sinnvoll ist, wo ein Kundensystem entstehen kann und wo echte Produktfähigkeit denkbar wird.

Dabei wollen wir die Toolentwicklung nicht nur intern bewerten. Wir möchten mit Kunden darüber sprechen, an welchen Stellen ähnliche Probleme entstehen und wo spezialisierte Werkzeuge konkret helfen können.

Wenn daraus belastbare Einsatzfelder entstehen, können wir unsere Dienstleistungen gezielt um die Entwicklung kundenspezifischer Tools und Systeme erweitern.

AI wird für uns dort relevant, wo sie konkrete Arbeit besser strukturiert.

Nicht als Ersatz für kreative Entscheidungen. Nicht als Shortcut für alles. Sondern als Teil spezialisierter Werkzeuge, die echte Workflows verstehen.

Wenn aus einem wiederkehrenden Problem ein kleines, robustes System wird, entsteht oft mehr Wert als aus der nächsten großen Demo.

Genau in dieser Richtung entwickeln wir weiter.

Wenn ihr in eurem Team Prozesse habt, bei denen regelmäßig geprüft, sortiert, übertragen, visualisiert oder entschieden werden muss, lohnt sich vielleicht die Frage:

Braucht es dafür wirklich noch mehr manuelle Arbeit? Oder ein kleines System, das genau diesen Workflow besser unterstützt?