3 SYSTEME LIVE · IN BETRIEB

Ich baue Demand Engines, die auf Agenten laufen.

20+ Jahre im B2B-Marketing. Heute designe, baue und betreibe ich agentische Systeme — n8n, OpenClaw, Antigravity, LangGraph —, die Pipeline-Output im Takt eines ganzen Teams produzieren.

15 Workflows gebaut10 in Produktion3 Live-Systeme< €25/month total infrastructure cost
FALL 01 · IN PRODUKTION

Agentic ABM  Engine:
Account-Based Marketing 
angewendet auf meine eigene Jobsuche

Als ich meine Jobsuche begann, habe ich, anstatt schlecht passenden Chancen hinterherzujagen, eine Account-Based-Marketing-Engine gebaut, orchestriert über HubSpot und agentische KI.

~350 Stellenanzeigen wöchentlich gescannt (5 rotierende Queries täglich, Google Jobs via SerpAPI)
Automation workflow — job scanning and scoring pipeline
→ mehrschichtige Disqualifikation: Ausschlüsse nach Rollentyp, Unternehmens-Blockliste, geografisches ICP über ~30 Gemeinden
→ LLM-Fit-Scoring gegen mein Profil, strukturierter Output pro Stellenanzeige: Score, Begründung, Stärken, Schwächen
→ harte 85+-Fit-Schwelle zwischen jeder Rolle und meinem Profil — darunter kommt nichts durch
→ dedupliziert gegen Notion
Notion CRM view for deduplicated application tracking
→ 5–7 hyperpersonalisierte Bewerbungen pro Woche eingereicht
System 01 workflow — autonomous job matching engine
→ Human-in-the-Loop-Freigabe vor Einreichung
Automation workflow — resume and cover letter processing
→ Bewerbungen werden als Deals in einer custom HubSpot-Pipeline verwaltet, wobei jede Recruiter- und Interviewer-Interaktion als CRM-Aktivität getrackt wird
Custom HubSpot Deals pipeline tracking job applications
DAS DETAIL, DAS ZÄHLT An manchen Tagen liefert die Engine null qualifizierte Stellenanzeigen. Das ist die Schwelle, die ihre Arbeit macht. Kein Junk kommt in die Pipeline — dieselbe Disqualifikations-Disziplin, die ich bei jedem MQL-Funnel anwenden würde.
n8n · SerpAPI · OpenRouter · Notion API · Google Sheets · Playwright
FALL 02 · IN BUILD (2 VON 5 STAGES LIVE)

Content-to-Demand Engine

Eine deutschsprachige B2B-Content-Pipeline für Themen rund um agentische KI — designed, um im Takt eines Teams zu laufen, mit einer Redaktion von einer Person.

HEUTE LIVE
Automatisierte Themenrecherche mit Dual-Scoring — ein heuristischer Viral-Score plus eine unabhängige LLM-Evaluation
System 02 workflow — AI research and intelligence engine
→ Skript-Generierung über einen selbst gehosteten LangGraph-Service, mit strukturiertem Output und automatischer Verwerfungslogik: Skripte, die die Messlatte nicht erreichen, werden mit dokumentiertem Grund abgelehnt, niemals veröffentlicht
→ geroutet an Notion für manuelle Prüfung, Status wird zurück in das Research-Sheet synchronisiert
Automation workflow — Notion review and status sync
IN ENTWICKLUNG: visuelle Produktion, Publishing-Automation, Analytics-Feedback-Loop.
WARUM ES UNFERTIG AUF DIESER SEITE STEHT Weil genau so der Betrieb einer Demand Engine aussieht. Architektur zuerst, Quality Gates auf jeder Stage, dann Skalierung — und ehrliche Labels dafür, was live ist versus was als Nächstes kommt.
n8n · LangGraph · LangSmith · Qdrant · OpenRouter (DeepSeek für Volumen, Claude für Skripte) · Notion
FALL 03 · FOUNDATION

Self-hosted-Infrastruktur — volle Datenkontrolle, agentischer Stack unter 21,50 €/Monat.

Alles oben läuft auf Infrastruktur, die ich selbst gebaut habe und betreibe. Self-hosted n8n hinter einem Cloudflare Tunnel, verbunden mit Claude via MCP. Multi-Modell-Routing über direkte APIs und OpenRouter — Claude für qualitätskritischen Output, GPT-4o-mini für Volumen-Tasks, DeepSeek für Kosteneffizienz. Automatisiertes Site-Deployment via Wrangler CLI. 

Infrastructure cost breakdown for the self-hosted agentic stack

Ich baue KI-Agenten, die repetitive Arbeit in Infrastruktur verwandeln, und lasse menschliches Urteilsvermögen dort, wo es den größten Wert schafft. Ein Beispiel ist mein Paperwork-Workflow: Jeder eingehende Brief wird gescannt, OCR-prozessiert, von einem KI-Agenten verstanden und automatisch nach deutschen Business-Naming-Conventions umbenannt.

Automation workflow — Notion review and status sync

Basierend auf seinem Verständnis jedes gescannten Briefs erstellt OpenClaw autonom Follow-up-Tasks, aktualisiert Priorities, plant die passenden Aktionen in meinem Kalender und hält mich über einen Telegram-Chatbot unter Kontrolle, wo ich jede Entscheidung vor der Ausführung reviewen, anpassen oder überschreiben kann.

Automation workflow — Notion review and status sync


DIE ZAHL, DIE ZÄHLT Der gesamte Stack — 15 Workflows, 3 Systeme, Hosting, Domains, Tokens — kostet weniger als 22 € im Monat. Kosten pro Output sind eine Design-Entscheidung, kein nachträglicher Einfall.
Ubuntu · n8n (self-hosted) · Cloudflare Tunnel / Pages / Workers · MCP · PM2 · ocrmypdf
URTEILSKRAFT

Was ich behalte, was ich weglasse

Tools machen nicht die Demand Engine. Urteilsvermögen im Umgang mit Tools tut es. Ein paar Entscheidungen hinter diesen Systemen, und warum:

01 DeepSeek für Volumen, Claude für Worte. Topic-Scoring und Klassifizierung laufen über DeepSeek via OpenRouter zu einem Bruchteil der Kosten; Skript- und Copy-Generierung läuft über Claude, wo Qualität der Engpass ist. Routing nach Task schlägt Loyalität zu einem einzelnen Modell.
02 Harte Schwellenwerte statt weichem Urteilsvermögen. Das 85+-Fit-Gate und die Skript-Verwerfungslogik sind Code, keine Stimmung. Wenn das Output-Volumen sinkt, erweitere ich die Discovery — ich senke nie die Messlatte.
03 Menschliche Prüfung bei jedem ausgelieferten Asset. KI erstellt Entwürfe im großen Maßstab; ich genehmige, was meinen Namen trägt. Dasselbe Muster, das ich für jede Marke durchsetzen würde, die in einem regulierten Markt operiert.
04 Self-hosted, wo es zählt. Daten fließen durch meine eigene Infrastruktur, nicht durch eine Kette von Third-Party-SaaS-Tools. Kontrolle und Kosten, beides von Anfang an so konzipiert.
05 Kontinuierliches Lernen läuft über eine eigene Pipeline. Spezialisierte Literatur wird in NotebookLM digitalisiert, Insights werden über Notebooks hinweg verbunden und fließen in meine Workflows ein — sodass die Systeme, die ich baue, auf aktuellem, strukturiertem Domain-Wissen aufbauen, nicht nur auf Trainingsdaten.
PROFIL
Erfahrung

20+ Jahre in B2B-SaaS, E-Commerce, Konsumgütern und Retail — Samsung Electronics, New Balance, Tommy Hilfiger, Henkel. Growth Marketing, Demand Generation, Marketing Automation und CRM seit 2018 in Deutschland. MBA (Marketing), Cardiff University. Deutscher Staatsbürger · Deutsch, Englisch, Spanisch.

Zertifizierter Stack

HubSpot (Marketing, Sales, Service, Reporting — jährlich erneuert seit 5 Jahren) · Salesforce Sales Operations · Tableau BI Analyst · Meta Digital Marketing · Google Digital Marketing & E-Commerce · IBM Generative AI for Growth Marketing + Python for Data Science & AI

Soll das auf Ihre Pipeline?

Diese Systeme laufen aktuell für einen Markt von einer Person. Ihr nächster Auftrag ist Ihr Demand-Funnel.

Call buchen
Terminiert über HubSpot — natürlich.