askUnion
Intelligenter Wissensmanagement Assistent
für Onboarding und zum Teilen von internem Unternehmenswissen
Ein research-getriebenes und umsetzungsnah
entwickeltes KI-Produkt über Product Discovery,
UX Research, Prototyping und Full-Stack-Development,
aus einem Praxisprojekt zwischen TU Darmstadt und
Union Investment.
Rolle
Product Owner &
Full-Stack Developer
Zeitraum
Nov 2025
- Feb 2026
Stack
React, TypeScript, Python, FastAPI, Azure OpenAI, Azure AI Search
ÜBERBLICK
Kontext
askUnion entstand in einem Praxisprojekt zwischen TU Darmstadt und Union Investment mit dem Ziel, einen internen KI-gestützten Wissensassistenten für reale organisationale Nutzung zu entwickeln.
ÜBERBLICK
Meine Rolle
Product-Owner-Verantwortung + UX-Research-Lead + cross-funktionale Delivery (Konzept + Prototyp + Frontend/Architektur-Beiträge + Reliability-/Security-Entscheidungen).
ÜBERBLICK
Herausforderung
Wissen war über Dokumente, Personen und voneinander getrennte Abläufe verteilt. Die Herausforderung bestand darin, ein System zu gestalten, das internes Wissen leichter auffindbar, teilbar und wiederverwendbar macht, ohne neue Reibung für Mitarbeitende oder Expert:innen zu erzeugen.
ÜBERBLICK
Kernbeitrag
Ich habe qualitative Research in eine konkrete Produktausrichtung übersetzt (Journey Mapping, „How might we“, Flows/Features) und anschließend dabei geholfen, eine professionelle Web-App unter Enterprise-Bedingungen umzusetzen (Identität, Access Control, Deployment, Reliability Fixes).
ÜBERBLICK
Ergebnis
Das Ergebnis war ein funktionsfähiger MVP in einer Azure-Testumgebung mit Chat, Session History und strukturiertem Knowledge Sharing, ergänzt um klar definierte nächste Entwicklungsschritte für Vertrauen, Qualität und Skalierung.
Vorher und Nachher Vergleich
VORHER
Ausgangssituation
Neue Mitarbeitende und Wissenssuchende verloren Zeit bei der Suche nach Antworten, weil Informationen verteilt, uneinheitlich strukturiert und teilweise veraltet waren. Wenn Dokumentation nicht weiterhalf, war der verlässlichste Weg, Kolleg:innen zu fragen, das erzeugte jedoch soziale Reibung („Ich möchte niemanden stören“), erhöhte die Abhängigkeit von einzelnen Expert:innen und machte die Effizienz des Onboardings stark variabel.
*Die hier gezeigten vier Diagramme sind für Präsentationszwecke stark reduziert und zeigen unsere ursprünglichen Research-Diagramme nicht vollständig.*
NACHHER
Angestrebter Zielzustand mit askUnion
Ein geführtes System, in dem Mitarbeitende Fragen in einer auf internen Quellen basierenden Chat-Oberfläche stellen können, ehrliche Antworten mit offener Kommunikation über Vertrauen und Unsicherheit, erhalten und, wenn das System nicht verlässlich antworten kann, an passende Expert:innen weitergeleitet werden, sodass die Antwort erfasst und wiederverwendet werden kann. Dadurch werden wiederholte Unterbrechungen und Wissensverlust schrittweise reduziert.
Was ich verantwortet habe vs. was wir als Team umgesetzt haben
MEINE ROLLE
In diesem Projekt habe ich persönlich verantwortet:
-
PO-Verantwortung, Backlog-Struktur
-
Durchführung und Synthese von UX Research (qualitative Interviews + zentrale Needs/Pain Points, Personas)
-
User Journey Maps als Decision Tool
(um Research in Opportunity Areas zu überführen), Empathy Maps -
Product-Direction-Inputs
(Feature Direction, funktionale und nicht-funktionale Anforderungen, Priorisierung von User Stories) -
Figma Prototyping & Flow Design
-
React/TypeScript Frontend-Implementierung
-
Backend/API-Integration
(Session Behaviour, Security-/Authorisation-Entscheidungen, Reliability Fixes, Dokumentation) -
Deployment & CI/CD
-
Architektur / Dokumentation
-
Ich habe gemeinsam mit unserem Scrum Master die Abschlusspräsentation vor über 200 Personen gehalten und dabei u. a. das Vorher-Nachher-Narrativ mit der User Journey Map, die Tech-Stack-Entscheidung, die Architektur, den Expert Loop, die Reflexion und weitere Themen vorgestellt
MEINE ROLLE
Team Aktivitäten
-
parallele UX-Research-Arbeit
-
parallele Architektur-Arbeit
-
Engineering-Implementierung über Frontend und Backend hinweg
-
Stakeholder Alignment
Research und Erkenntnisse,
die Produktentscheidungen geprägt haben
RESEARCH
Das System muss soziale Reibung reduzieren
Mitarbeiter zögern, Kolleg:innen zu fragen, weil sie Angst haben jemanden zu unterbrechen und weil sie oft nicht leicht einschätzen können, wer überhaupt die richtige Ansprechperson ist.
Diese Erkenntnis begründet:
(a) den Ansatz “ask the system first” und
(b) ein Experten-Routing Ansatz.
RESEARCH
Das System muss verstreutes Wissen nutzbar machen
Da Informationen über mehrere Quellen hinweg verteilt sind und oft in unterschiedlichen Formaten vorliegen, muss das System zentral zugängliche Antworten bereitstellen, die Vertraulichkeit, Kontext und Relevanz berücksichtigen.
RESEARCH
Das System muss ehrlich mit Unsicherheit umgehen
Weil falsche Antworten im Enterprise-Kontext reale Risiken erzeugen können, muss das System klar kommunizieren, wenn es auf Basis interner Quellen nicht verlässlich antworten kann. Diese Erkenntnis begründet direkt den Experten Loop und die Notwendigkeit von menschlichem Verifizierungs- und Aufsichts Ansatz.
Produkt Konzept
as a System
Dieses Loop-Design ist konsistent mit etablierten Konzepten rund um RAG + Enterprise Retrieval:
Azure AI Search ist ausdrücklich als Vektor Datenbank bzw. Grounding Layer für retrieval-augmented generation-Anwendungen und Unternehmens Wissen Basen positioniert. [QUELLE]
PRODUKT KONZEPT
Frage Stellen Flow
Mitarbeitende stellen Fragen in einer Chat-Oberfläche. Das System ruft relevante interne Inhalte ab und generiert eine fundierte Antwort.
PRODUKT KONZEPT
Wissen Teilen Flow
Mitarbeitende können neues Wissen teilen - als Dokumente oder Text - zusammen mit Metadaten (z. B. Sichtbarkeitsstufe, Abteilung), sodass es wiederverwendbar wird, anstatt in privaten Chats oder individuellem Wissen hängen zu bleiben.
PRODUKT KONZEPT
Experten Loop
Wenn askUnion nicht zuverlässig auf Basis vorhandener interner Quellen antworten kann, leitet es die Nutzer:innen an eine passende Expertin bzw. einen passenden Experten weiter. Die Antwort kann anschließend wieder in das System zurückgeführt werden, wodurch langfristig organisationales Wissen aufgebaut und wiederholte Unterbrechungen reduziert werden.
Implementation
& Engineering
Verantwortung
askUnion war nicht nur ein Prototyp. Ich habe an der Schnittstelle von Product und Engineering daran mitgearbeitet, einen funktionalen MVP in einem echten Unternehmens Setup bereitzustellen. Zu meinen Implementierungsbeiträgen gehörten die Frontend-Implementierung in React/TypeScript, die Backend Architektur von Routes und die integration mit FastAPI, REST basierende Kommunikation für Chat, Uploads und Session Handling, geschützte Routen mit Entra ID SSO, sowie Delivery-Arbeit wie Deployment, CI/CD, Delivery Entscheidungen, Zuverlässigkeit (Reliability) und entwicklerorientierte Dokumentation. Das Projekt erforderte außerdem die Arbeit innerhalb von Unternehmens-Beschränkungen, wie Berechtigungen, Network Hardening und Deployment Sicherheit.
IMPLEMENTATION
Frontend für Full-Stack
App Architektur
-
React + TypeScript (Vite) Frontend
-
FastAPI Backend
-
Nutzung des Union Investment Design Systems für einheitliche UI in Unternehmen
-
Chat flow, Share flow, Session Handling,
responsive UI -
Strukturierte Trennung zwischen UI, Backend-Services, Retrieval-Logik und Storage
IMPLEMENTATION
REST APIs, Routing und
Integration
-
REST Flows für Chat, Upload und
Session Management -
API Koordination zwischen Frontend und Backend,
-
Routenstruktur und dokumentierte API über Swagger UI für Entwicklung und Testing
IMPLEMENTATION
Auth & Security
-
Microsoft Entra-ID Single Sign-on (SSO)
mit OAuth2 Access Token (Bearer Token)
und Platform-Level Protection -
Geschützte Routen im Frontend
-
Application-level JWT Validierung & Scope Enforcement mit korrektem 401 und 403 Verhalten
-
Enterprise level Authentication und Authorisation
IMPLEMENTATION
DevOps, Deployment, Delivery
-
CI/CD setup
-
Azure App Service Deployment
-
Branching Strategy, Troubleshooting,
Verbesserungen zur Unterstützung verlässlicher Delivery, sowie Dokumentation, die das System wartbarer und für andere Entwickler:innen leichter verständlich machte
Retrieval & Data Handling
RETRIEVAL & DATA HANDLING
Retrieval & Data Handling
Die Retrieval-Ebene wurde so konzipiert, dass internes Wissen nicht nur besser durchsuchbar, sondern tatsächlich nutzbarer wird. askUnion kombinierte indexbasiertes Dokumenten-Retrieval, Session Persistence und LLM-basierte Antwortgenerierung zu einem Workflow, der fundierte Antworten und zukünftige Wiederverwendung von Wissen unterstützen konnte.
RETRIEVAL & DATA HANDLING
RAG-basierte
Antwortgenerierung
Mitarbeitende stellen Fragen in einer Chat-Oberfläche, das System ruft relevante interne Inhalte ab und ein LLM generiert auf Basis dieses abgerufenen Kontexts eine fundierte Antwort. Dadurch wurde der Assistent hilfreicher als eine statische Suche, während die Antwortgenerierung zugleich an interne Quellen gebunden blieb.
RETRIEVAL & DATA HANDLING
Dokumentenstruktur-bewusstes Chunking
Die Qualität des Retrievals hängt stark davon ab, wie Dokumente gechunkt werden. Ein strukturorientierter Ansatz erhöht die Wahrscheinlichkeit, dass Bedeutung, Kontext und Nähe erhalten bleiben, was besonders wichtig ist, wenn Antworten aus Enterprise-Dokumenten statt aus kurzen Einzeltexten generiert werden.
RETRIEVAL & DATA HANDLING
Datenverarbeitung und Session Persistence
Wissens-Uploads und Chat-Sessions wurden persistiert, sodass das System sowohl Knowledge Sharing als auch Gesprächskontinuität unterstützen konnte. Die Ingestion Pipeline transformierte Dokumente in Chunks und Embeddings, während die Chat-Ebene eine nutzbare Session History als zentrale Produktfunktion erhielt.
RETRIEVAL & DATA HANDLING
Hybride Retrieval Strategie
Der Retrieval-Ansatz (Abruf-Ansatz) kombinierte semantisches und keyword-basiertes Matching über eine indexierte Wissensbasis. Diese „Best of both worlds“-Strategie ist insbesondere im Enterprise-Kontext relevant, wo sowohl exakte Formulierungen als auch latente semantische Ähnlichkeit eine Rolle spielen.
Screens
Meine zentralen Entscheidungen
Dieses Projekt wurde stärker als zentrale Produkt- und Enginerrung Trade-Offs gemacht wurden. Die von mir angelegten Decision Logs halfen nicht nur festzuhalten, was sich verändert hat, sondern auch, warum diese Veränderungen für Vertrauen, Zuverlässigkeit und Delivery unter Enterprise-Bedingungen wichtig waren.
MY KEY DECISIONS
Defence-in-depth
Authorisation
Anstatt mich nur auf Platform Authentication zu verlassen, kombinierte ich App Service Protection mit JWT-Validierung und delegiertem Scope Enforcement innerhalb von FastAPI.
Relevanz: Enterprise Trust hängt davon ab, dass Access Control sowohl real als auch nachvollziehbar ist, einschließlich geschützter Routen und klarem 401- und 403-Verhalten.
MY KEY DECISIONS
Produktionsausfall und
Dependency Drift
Ein Vorfall in Production zeigte, dass das Backend bereits vor jeder Netzwerkanfrage aufgrund von Dependency-Konflikten und SDK Drift ausfallen konnte. Ich habe die Ursache behoben durch Trennung in dev-only Tools, habe die Blob SDK version fest vorgeschrieben und das Deployment erneut validiert.
Relevanz: Operative Glaubwürdigkeit hängt davon ab, Fehlerursachen unter Druck diagnostizieren, stabilisieren und erneut deployen zu können.
MY KEY DECISIONS
Session Integrity vor
“Click Freedom”
Wenn Nutzer:innen während einer laufenden Anfrage die Session wechselten, konnten Antworten in der falschen Unterhaltung landen. Ich priorisierte daher ein vorhersehbares Session-Verhalten und machte den Session Container zur Single Source of Truth, wobei Session-Wechsel blockiert wurden, solange eine Anfrage noch nicht vollständig gesendet wurde.
Relevanz: Zuverlässigkeit, Kontinuität und User Trust in Chat-History und Session-UX-Verhalten.
*Dieses Bild ist ein Konzept und lediglich ein Prototyp in Figma, um das Expert-Loop-Dashboard zur Einsicht unbeantworteter Fragen zu demonstrieren.*
MY KEY DECISIONS
Expert Loop zur Vermeidung glaubwürdiger falscher Antworten
Das Produkt wurde bewusst so gestaltet, dass Unsicherheit zu menschlicher Eskalation führen kann, anstatt zu falscher Sicherheit. Wenn askUnion auf Basis interner Quellen nicht zuverlässig antworten konnte, leitete das Systemkonzept Nutzer:innen an eine passende Expertin bzw. einen passenden Experten weiter und schuf gleichzeitig einen Weg, um dieses Wissen zurück ins System zu überführen.
Relevanz: Risikoreduktion, Vertrauensaufbau, weiterhin persönlicher Kontakt sowie bessere langfristige Wissenssicherung mit Kontext zu Antworten, ohne das Risiko, Wissen zu verlieren.
Ergebnisse
askUnion führte zu einem funktionierenden MVP in einer Azure-Testumgebung, nicht nur zu einem Konzept.
Das umgesetzte Produkt umfasste Chat, Session History und einen strukturierten Knowledge-Sharing-Flow
als Kernfunktionen, die reale Probleme adressierten.
Das Projekt zeigte außerdem, dass Security, Access Control und Enterprise Trust von Anfang an als Product Constraints behandelt werden mussten. Das wurde nicht nur in der Architektur sichtbar, sondern auch in Entscheidungen rund um Protected Routes, Authorisation Behaviour und Reliability Fixes.
Für mich persönlich wurde das Projekt zu einem starken Beweisstück dafür, wie ich arbeite: Research zuerst, Product Direction über konkrete Entscheidungen und eine Umsetzung, die in realen operativen Constraints verankert bleibt. Es verband UX Research, Product Thinking, Frontend-Implementierung, Backend-Integration und professionelle Delivery in einem Projekt.
Mit mehr Zeit würde ich das System in den Bereichen weiterentwickeln, die gemäß unserem User Research, insbesondere anhand der User Journey Map, am wichtigsten waren, um die letzten Pain Points zu lösen: ein stärkerer Feedback Loop, expert-guided Knowledge Capture, Management & Overview/Management Dashboards für Admins, stärkere Retrieval-Qualitätskontrollen sowie explizitere Sichtbarkeits- und Vertrauensmechanismen für Enterprise Knowledge Workflows.
Ich habe über 300 Stunden Arbeitszeit in dieses Projekt investiert.
Reflektion
NÄCHSTE SCHRITTE
Feedback Loop
Einen echten Feedback Loop umsetzen, der Entwickler:innen dabei hilft, Entscheidungen zu priorisieren, mit strukturierten Labels („incorrect“, „missing context“, „outdated policy“), die zusätzlich zu einfachen Thumb-Reaktionen aus gespeicherten Kommentaren extrahiert werden.
NÄCHSTE SCHRITTE
Expert Loop
Den aktuell E-Mail-basierten Expert Loop direkt in askUnion integrieren, sodass Expert:innen eine E-Mail erhalten und anschließend zu askUnion weitergeleitet werden, um ihr Wissen direkt dort einzutragen. Dadurch kann sichergestellt werden, dass möglichst wenig Wissen verloren geht, keine neuen Wissenssilos entstehen, Expert:innen den genauen Kontext über die Nachrichten sehen und zusätzlich Motivation durch Gamification innerhalb der askUnion App entsteht.
NÄCHSTE SCHRITTE
Source Transparency
Knowledge Uploads und Chat-Sessions wurden persistiert, sodass das System sowohl Knowledge Sharing als auch Gesprächs-kontinuität unterstützen konnte. Die Ingestion Pipeline transformierte Dokumente in Chunks und Embeddings, während die Chat-Ebene eine nutzbare Session History als zentrale Produktfunktion erhielt.
NÄCHSTE SCHRITTE
Retrieval Qualität &
Zugriffs-Rollen
Verfeinertes Retrieval Security Filtering und ein striktes Token Budgeting ergänzen, zum Beispiel durch rollenbasiertes Retrieval und Klassifikation.
NÄCHSTE SCHRITTE
Admin Dashboard
Wir benötigen eine Administrations- und Analytics-Schicht, um Wissen zu entfernen und hinzuzufügen, Feedback für Verbesserungen sichtbar zu machen, Rollen zu verwalten und weitere administrative Aufgaben abzubilden.
