Hi, ich bin José.
Ich studiere Wirtschaftsinformatik im Master an der HTW Berlin und beschäftige mich am liebsten damit, wie man Probleme mit Technologie sinnvoll lösen kann.
Dabei geht es mir nicht darum, immer die komplizierteste Lösung zu finden. Ich möchte Dinge entwickeln, die funktionieren und anderen wirklich etwas bringen.
Angefangen habe ich mit einem dualen Informatikstudium in der IT einer Unternehmensgruppe. Aus ihr heraus wurde die Tec:IT gegründet, und ich habe die Gründung in einem kleinen Team begleitet. Mittlerweile arbeite ich bei Park & Pay im IT-Projektmanagement, betreue digitale Plattformen und entwickle auch eigene Lösungen. Zum Beispiel eine Analyseplattform, mit der rund 55.000 Parkvorgänge und Forderungen monatlich ausgewertet werden.
Da ich auch außerhalb der Arbeit gerne neue Ideen ausprobiere, habe ich zusammen mit einem Kommilitonen 
gegründet. Dort entwickeln wir eigene Apps, Websites und KI-gestützte Produkte.
Und wenn ich gerade nicht am Rechner sitze, bin ich wahrscheinlich beim Sport oder mit etwas anderem beschäftigt, das mich neugierig gemacht hat.
Fallstudie 01 · KI & Schnittstellen
KillTheSearchBar
Suchen beginnt mit einem Gespräch. Ein sprachbasierter Prototyp für die Suche nach lokalen Dienstleistungen.
- Bereich
- KI & Schnittstellen
- Zeitraum
- Mai 2026
- Team
- Dreierteam, rund die Hälfte der Commits von mir
- Architektur
- Next.js-Frontend, FastAPI-Relay, Elasticsearch, Scraper
- Technologien
- Next.jsPython · FastAPIOpenAI RealtimeElasticsearch
- Sprache
- KI-Anbindung
- Suche
- Antwort
„Ich suche eine Fahrradwerkstatt in meiner Nähe.“
- Radwerkstatt am Kanal0,6 km · heute bis 19 Uhr
- Speichen & Co.1,1 km · Termin morgen
- Fahrradhof Nord2,4 km · Abholservice
Nachgebaut · Beispielwerte
01 · Ausgangslage
Ein Next.js-Frontend nimmt die Sprache auf, ein FastAPI-Relay verbindet sie per WebSocket mit OpenAI Realtime, und Elasticsearch liefert die Treffer aus einem Bestand, den ein eigener Scraper aufbaut. Entstanden ist der Prototyp im Dreierteam.
02 · Ablauf
4 Stationen, ein durchgehender Weg.
- 01Sprache
- 02KI-Anbindung
- 03Suche
- 04Antwort
03 · Einblick
Echte Aufnahmen zeigt die Fallstudie erst, wenn sie ohne interne Daten möglich sind. Bis dahin erzählt die Bühne oben den Ablauf.
04 · Geschichte
Die Idee
Lokale Dienstleister findet man heute über ein Suchfeld und eine Liste. Der Prototyp dreht das um: Man sagt, was man braucht, und bekommt eine Antwort.
Wie es gebaut ist
Das Next.js-Frontend nimmt die Sprache auf und schickt sie über einen WebSocket an ein FastAPI-Backend. Das Backend ist ein schmales Relay zu OpenAI Realtime und fragt Elasticsearch nach passenden Betrieben. Den Bestand dafür baut ein eigener Scraper auf, der über ein kleines Werkzeug-Dashboard gestartet wird. Alles läuft per Docker Compose.
Mein Anteil
Ein Teamprojekt zu dritt. Rund die Hälfte der Commits stammt von mir.
Entscheidungen
Das Backend ist ein Relay: Der Browser spricht nur mit dem eigenen FastAPI-Server über einen WebSocket, der Schlüssel für OpenAI Realtime bleibt auf dem Server. Die Treffer kommen nicht aus dem Sprachmodell, sondern aus Elasticsearch, gefüllt von einem eigenen Scraper. Die Antwort beruht so auf echten Einträgen. Frontend, Backend und Suche starten gemeinsam per Docker Compose.
OS X Josemite 10.10 · Berlin
Tippe help für eine Übersicht.