# Alexander C.S. Hendorf

> Unabhängiger KI- & Open-Source-Stratege — Einzelberatung

Ich verschaffe Klarheit, bevor KI-Vorhaben Anbieter, Plattformen und Investitionen festschreiben. Ich arbeite persönlich mit Ihren Entscheidern und Ihrem Engineering-Team. Kein Team, kein Account-Manager — ein Stratege, volle Verantwortung.

## Leistungen

- [KI-Strategie mit Umsetzungsfundament](https://hendorf.com/de/#services): Für Entscheider, die vor einer Investition belastbare Klarheit brauchen.
- [Umsetzungssteuerung für KI-Transformation](https://hendorf.com/de/#services): Für Verantwortliche, die Umsetzung absichern müssen. Ich steuere, Ihr Team setzt um.
- [Interimsmandat](https://hendorf.com/de/interim-ki-fuehrung/): Für Organisationen, die operative KI- oder Data-Führung auf Zeit brauchen.

## Aktuelle Studie: Die Governance-Lücke

Unternehmen glauben, sie führen KI ein. Tatsächlich verschieben sie Verantwortung ungeplant auf ihre Entwickler. Ich mache aus dieser Verschiebung eine Entscheidung: damit Sie KI skalieren, ohne dass Verantwortung, ROI und Risiko ungesteuert bleiben.

71 % sagen: Verantwortung für KI-verursachte Fehler ist ungeregelt und landet beim Entwickler; 40 % nennen unklare Governance als Engpass Nr. 1, noch vor der Technik; 6 % fühlen sich entlastet; 67 % erleben dichtere, anstrengendere Tage. Quelle: Python Software Verband e.V. · Erhebung unter 383 Software-Profis · Juni 2026.

Prüfraster: Accountability (Wer zeichnet KI-Code frei, und hält das einem Audit stand?); ROI-Realität (Rechnet sich das Tempo nach Review, Nacharbeit und Risiko?); Wertverschiebung (Wohin verlagert sich der Wert Ihrer Entwicklung, und folgt ihm das Rollenmodell?); Deskilling (Versteht Ihr Haus in drei Jahren den eigenen Code noch?); Shadow AI (Wer entscheidet über Werkzeuge, die längst im Einsatz sind?).

Angebot: [Boardroom-to-Code Session](https://hendorf.com/de/boardroom-to-code-s26/) — Diagnose → Entscheidung → Betriebsmodell.

## Case Studies

- **Quantitatives Asset Management**: Historisch gewachsene C#- und SAS-Silos trennten Research, Portfolio Management und Entwicklung. Lange Release-Zyklen, begrenzte ESG-Fähigkeit und fehlende Nachvollziehbarkeit gefährdeten Tempo, Steuerbarkeit und Compliance. → Migration der Organisation auf Python und Open Source. Deployment-Zyklen sanken von drei Monaten auf drei Wochen; 44 Mitarbeitende wurden in vier Kohorten qualifiziert. Gleichzeitig entstand ein Stack, der Nachvollziehbarkeit, Auditierbarkeit und regulatorische Anforderungen im Finanzumfeld trägt.
- **Öffentliche Infrastruktur**: Mehr als 30 Jahre Projektdaten, 70 % manuelle Verarbeitung und keine belastbare Datenbasis. Öffentlich finanzierte Informationen blieben in Silos gebunden; KI-Potenziale ließen sich operativ nicht nutzen. → Entwicklung einer Datenstrategie mit einem 120-seitigen Umsetzungsfahrplan. Ein KI-gestütztes Prognosemodell für die Personalplanung erreichte 90 % Genauigkeit; der Planungszyklus wechselte von einer jährlichen auf eine kontinuierliche Planung.
- **Automotive / Forschung und Entwicklung**: Mehr als 10.000 Forschungsdokumente aus drei Jahrzehnten: unstrukturiert, vertraulich und kaum erschließbar. Cloud- und API-Nutzung waren ausgeschlossen. → Aufbau eines NLP-basierten Wissensexplorers, der aus statischer Dokumentenablage eine Recherche in Sekunden machte. Themen, Kontexte und Quelldokumente wurden unmittelbar zugänglich — vollständig on-premise, ohne externe APIs und ohne LLMs. Das interne Team baute die Lösung anschließend weiter aus.

## Glossar

Kuratiertes AI-Glossar für Entscheider in regulierten Branchen. Jeder Eintrag: Definition, Vendor-Narrativ vs. technische/regulatorische Realität und die richtige Boardroom-Frage. (31 Einträge)

- [Agentic AI](https://hendorf.com/de/glossary/agentic-ai/): AI-Systeme, die mehrstufige Aufgaben über mehrere Tool-Aufrufe hinweg autonom planen und ausführen.
- [AI Act (EU AI Act)](https://hendorf.com/de/glossary/ai-act/): EU-Verordnung 2024/1689 zur Regulierung von AI-Systemen, mit gestaffelter Anwendung bis 2027 und separaten Pflichten für General-Purpose-AI-Modelle.
- [AI Red Teaming](https://hendorf.com/de/glossary/ai-red-teaming/): Strukturiertes, adversarisches Testen eines AI-Systems auf Sicherheits-, Bias-, Halluzinations- und Missbrauchs-Muster.
- [Context Window](https://hendorf.com/de/glossary/context-window/): Maximale Anzahl an Tokens, die ein Sprachmodell pro Anfrage gleichzeitig verarbeiten kann.
- [Differential Privacy](https://hendorf.com/de/glossary/differential-privacy/): Mathematischer Datenschutz-Standard, der den Einfluss eines einzelnen Datensatzes auf ein Berechnungs-Ergebnis durch ein quantifiziertes Maß (Epsilon) begrenzt.
- [Distillation](https://hendorf.com/de/glossary/distillation/): Verfahren, ein kleineres Modell so zu trainieren, dass es das Verhalten eines größeren annähert — bei deutlich geringeren Inferenz-Kosten.
- [DORA (Digital Operational Resilience Act)](https://hendorf.com/de/glossary/dora/): EU-Verordnung 2022/2554 zur digitalen operationellen Resilienz von Finanzunternehmen, anwendbar seit 17. Januar 2025.
- [Edge AI](https://hendorf.com/de/glossary/edge-ai/): Ausführung von AI-Modellen direkt auf Endgeräten statt in zentralen Rechenzentren oder Cloud-APIs.
- [Embedding](https://hendorf.com/de/glossary/embedding/): Numerische Vektorrepräsentation eines Texts, Bildes oder Datenobjekts in einem hochdimensionalen Raum, in dem semantisch ähnliche Objekte nahe beieinander liegen.
- [Evaluation (Eval)](https://hendorf.com/de/glossary/evaluation/): Systematische, reproduzierbare Messung der Qualität eines AI-Systems gegen definierte Kriterien.
- [Federated Learning](https://hendorf.com/de/glossary/federated-learning/): Trainings-Verfahren, bei dem ein gemeinsames Modell über mehrere dezentrale Datenquellen hinweg trainiert wird, ohne dass die Trainingsdaten die Quellen verlassen.
- [Fine-Tuning](https://hendorf.com/de/glossary/fine-tuning/): Verfahren, die Gewichte eines vortrainierten Foundation Models auf einem domänenspezifischen Datensatz nachzutrainieren.
- [Foundation Model](https://hendorf.com/de/glossary/foundation-model/): Großes, allgemein vortrainiertes AI-Modell, das als Basis für eine Vielzahl nachgelagerter Anwendungen dient.
- [Guardrails](https://hendorf.com/de/glossary/guardrails/): Mechanismen vor, während oder nach der Modell-Inferenz, die unerwünschte Eingaben oder Ausgaben filtern, einschränken oder eskalieren.
- [Halluzination](https://hendorf.com/de/glossary/halluzination/): Output eines Sprachmodells, der plausibel formuliert, aber faktisch falsch oder nicht durch die Quellen gedeckt ist.
- [Harness](https://hendorf.com/de/glossary/harness/): Strukturierte Software-Schicht um ein AI-Modell, die Tool-Aufrufe, Eval-Routinen, Guardrails und Output-Verarbeitung orchestriert.
- [Inference Cost / TCO](https://hendorf.com/de/glossary/inference-cost-tco/): Laufende Kosten der Modellnutzung pro Anfrage; TCO erweitert das um Entwicklung, Eval, Hosting, Monitoring und Compliance über den Lebenszyklus.
- [Loop Engineering](https://hendorf.com/de/glossary/loop-engineering/): Statt einen AI-Agenten Schritt für Schritt zu prompten, entwirft man das System, das ihn beauftragt — und das Aufgaben findet, verteilt, prüft und festhält.
- [Mixture of Experts (MoE)](https://hendorf.com/de/glossary/mixture-of-experts/): Architekturmuster, in dem ein Modell aus mehreren spezialisierten Subnetzen besteht, von denen pro Token nur eine kleine Auswahl aktiviert wird.
- [Model Card](https://hendorf.com/de/glossary/model-card/): Strukturiertes Dokument, das Trainingsdaten, beabsichtigte Anwendung, Limitierungen, Bias-Muster und Lizenz eines AI-Modells beschreibt.
- [Model Governance](https://hendorf.com/de/glossary/model-governance/): Prozesse, Rollen und Dokumentation, die den Lebenszyklus eines AI-Modells im Unternehmen steuern.
- [Multimodal](https://hendorf.com/de/glossary/multimodal/): Eigenschaft eines AI-Modells, mehrere Eingabe- und Ausgabemodalitäten zu verarbeiten — typischerweise Text, Bild, Audio und Video.
- [On-Premises AI](https://hendorf.com/de/glossary/on-premises-ai/): Betrieb von AI-Modellen und Infrastruktur in der eigenen oder einer dedizierten Umgebung statt in API-Diensten der Modellanbieter.
- [Open Weights vs. Open Source](https://hendorf.com/de/glossary/open-weights-vs-open-source/): Open Weights bezeichnet die Veröffentlichung der Modellparameter; Open Source erfordert zusätzlich Trainingscode, Daten-Spezifikation und eine offene Lizenz.
- [Prompt Injection](https://hendorf.com/de/glossary/prompt-injection/): Angriffstechnik, bei der Eingaben so gestaltet werden, dass das Modell die ursprünglichen Systemanweisungen ignoriert oder umgeht.
- [RAG (Retrieval-Augmented Generation)](https://hendorf.com/de/glossary/rag/): Architekturmuster, bei dem ein Sprachmodell relevante Dokumente aus einer Wissensbasis abruft und als Kontext in den Prompt integriert.
- [Reasoning Model](https://hendorf.com/de/glossary/reasoning-model/): Klasse von Sprachmodellen, die vor der Antwort eine längere interne Denkkette erzeugen und bei mehrstufigen Aufgaben besser performen als klassische LLMs.
- [Souveräne KI (Sovereign AI)](https://hendorf.com/de/glossary/souveraene-ki/): AI-Infrastruktur, die unter nationaler oder europäischer Kontrolle steht — über Daten, Betrieb, Modelle und Trainingsdaten hinweg.
- [Synthetic Data](https://hendorf.com/de/glossary/synthetic-data/): Künstlich erzeugte Daten, die statistische oder strukturelle Eigenschaften echter Daten nachbilden.
- [Tokenmaxxing](https://hendorf.com/de/glossary/tokenmaxxing/): Statuswettbewerb, in dem Engineers und Teams um den höchsten Token-Verbrauch konkurrieren — oft als Stellvertreter für Produktivität, nicht als Ergebnismaß.
- [Vektor-Datenbank](https://hendorf.com/de/glossary/vektor-datenbank/): Datenbank, die für Speicherung und Suche hochdimensionaler Vektoren (Embeddings) optimiert ist.

## Qualifikationen

- KI-Bundesverband | Leiter AG Open Source
- Python Software Foundation Fellow
- Pioneers Hub Initiator
- PySV Vorstand
- 50+ Technologien in Enterprise- und Open-Source-Ökosystemen im Einsatz
- 100+ Konferenzvorträge in 15+ Ländern (ESA, UN AI for Good Genf, WHU, PyData, EuroPython)
- Erwähnt in Handelsblatt, ZEIT, Tagesspiegel
- Unternehmen: opotoc GmbH

## Vortragsthemen

- AI Agents: Vom Hype zum Wertbeitrag
- KI & Open Source in regulierten Branchen
- KI-Strategie jenseits von Tools

## Blog

- [Die neue KI-Architektur 2026: Harness, Evaluation, Open Source](https://hendorf.com/de/blog/ai-architecture-2026-harness-evaluation-open-source/): Drei Architekturverschiebungen entscheiden 2026 über Programme: vom Modell zum Harness, vom Test zur Architektur, von der Sparvariante zum Souveränitätshebel.
- [Beherrschen statt besitzen: wo KI-Souveränität 2026 wirklich entsteht](https://hendorf.com/de/blog/open-source-sovereignty-2026/): Sechs Achsen, an denen sich zeigt, was wirklich souverän läuft: Daten, Inferenz, Post-Training, Evaluation, Compliance, Betrieb.
- [Reguliert, vernetzt, ausgebremst: Was KI-Projekte in fünf Branchen blockiert](https://hendorf.com/de/blog/problem-clinic-pyconde-2026/): Insights aus vertraulicher Runde unter Chatham House Rule: Die härtesten Blocker liegen vor der Technik – fehlende gemeinsame Sprache, Maßstab, Mandat.
- [Evaluation schlägt Architektur: Die Disziplin, die über produktive KI entscheidet](https://hendorf.com/de/blog/evaluation-is-architecture/): Die wichtigste Architektur-Entscheidung für LLM-Systeme 2026: nicht das Modell, sondern die Evaluation. Drei Verschiebungen trennen produktive KI von Piloten.
- [Agenten in Produktion: Warum Evaluation wichtiger ist als Modellwahl](https://hendorf.com/de/blog/agents-in-production-2026/): PyCon DE & PyData 2026: Die Agent-Talks wurden nüchterner: weniger Modell-Magie, mehr Harness, Context Budgets, Fallbacks und eval-gekoppelte Releases.
- [Stop Waiting, Start Shipping: der offene KI-Stack ist 2026 die erwachsene Wahl](https://hendorf.com/de/blog/stop-waiting-start-shipping/): Sebastian Raschka im Fireside Chat: Warum die Harness wichtiger ist als das Basismodell, und warum erfahrene Engineers 2026 wertvoller werden.
- [Agentic AI & Automation: Drei Monate Coding-Agenten in Operations](https://hendorf.com/de/blog/agentic-ai/): Drei Monate Coding-Agenten in PyCon DE & PyData Operations: Wo sie tragen, wo sie scheitern, und warum Governance wichtiger ist als die Tool-Wahl.
- [Cross-Pollination & AI: Skalierung im Zeitalter der Autonomie](https://hendorf.com/de/blog/cross-pollination-ai/): KI durchdringt jede Schicht der Organisation. Im Zeitalter der Autonomie gewinnen die mit dem stärksten Austausch über Grenzen hinweg.
- [Enterprise AI & Open Source: Was drei Praktiker über tragfähige Architektur gesagt haben](https://hendorf.com/de/blog/enterprise-ai-open-source/): Aus einem Fireside Chat mit Merck, Quoniam und Explosion/spaCy: Open Source als pragmatischer Enterprise-Standard, Standardisierung als Hochleistungs-Hebel.
- [Data Quality Assurance: Fundament für zuverlässige KI-Systeme](https://hendorf.com/de/blog/data-quality-assurance/): Datenqualität entscheidet, ob KI-Systeme produktiv tragen. Muster aus Enterprise-Mandaten, aufbereitet für Wissenschafts-Spinouts.
- [Overfitted Promises: KI in der Coding-Forschung – Hype vs. Evolution](https://hendorf.com/de/blog/overfitted-promises/): KI-Coding-Tools heute funktionieren eher wie Alchemie als etablierte Wissenschaft, eine Phase. Wo sie sich auszahlen und welche Heuristiken tragen.
- [Warum KI-Projekte scheitern](https://hendorf.com/de/blog/warum-ki-projekte-scheitern/): KI-Projekte scheitern selten an der Technologie. Sie scheitern an Menschen, Organisationen und fehlender Governance: drei Akte und die richtigen Hebel.
- [The Economics of Prediction Machines: KI als Wirtschaftsfaktor verstehen](https://hendorf.com/de/blog/economics-of-prediction-machines/): KI ist nicht IT. KI ist F&E. Wenn die Prognosekosten kollabieren, gewinnen Unternehmen, die Prognosefähigkeit als Strategie behandeln.
- [KI für Entscheider: Warum Sie AI nicht kaufen können, sondern bauen müssen](https://hendorf.com/de/blog/ki-fuer-entscheider/): KI ist kein Produkt zum Kaufen, sondern eine organisatorische und technologische Fähigkeit. Sechs Jahre LLM-Beschleunigung haben daran nichts geändert.
- [Was zwei Jahre Deep-Learning-Experimente über KI in der Praxis lehren](https://hendorf.com/de/blog/deep-learning/): Zwei Jahre PyTorch-Experimente (Style Transfer, Textgenerierung, Sprachsynthese) und die Lehren über Datenqualität und die Lücke zu Produktion.
- [Agile Analytics Rock the Enterprise: Open Source als Gamechanger](https://hendorf.com/de/blog/agile-analytics-enterprise/): Versicherungs-Fallstudie aus 2018: Aus proprietären Silos in einen offenen Python-Stack, und die Change-Disziplin, die Technologie alleine nicht liefert.

## Links

- Website: https://hendorf.com
- LinkedIn: https://linkedin.com/in/hendorf
- GitHub: https://github.com/alanderex
- Speaker-Seite: https://hendorf.com/de/speaker/
- Kontakt: https://hendorf.com/de/#contact