Ich baue die Systeme,
auf denen Unternehmen laufen.

KI-gestützte Betriebssysteme, Workflow-Orchestrierung und Geschäftsautomatisierung – gebaut, um im Produktivbetrieb zu bestehen, nicht in der Demo.

Entwickler & Gründer
Sean Duncombe

Gebaut & im Aufbau

PodcastAINeuroframe
Engineering-Dossiers

Produktionssysteme, von Anfang bis Ende dokumentiert.

Alle Projekte →
Leitprojekt

Einen Anruf zu buchen brauchte drei Abos.

Es begann als Ersatz für Typeform, Calendly und Zapier auf dieser Seite. Heute betreibt derselbe Motor die Terminbuchung von neuroframe.com: Verfügbarkeit live aus Google Calendar, doppelbuchungssichere Termine mit Google Meet, und jeder Lead landet in Sheets.

Der gesamte Aufbau ist als Engineering-Dossier dokumentiert: die Komponenten, die Entscheidungen, und was auf dem Weg in die Produktion kaputtging.

  1. 01Ein Besucher wählt eine Zeitdiese Seite, oder neuroframe.com
  2. 02Verfügbarkeit wird live gelesenGoogle Calendar free/busy
  3. 03Der Termin wird genau einmal erstelltidempotent bei Wiederholung
  4. 04Die Einladung ist die BestätigungGoogle Meet · natives RSVP
  5. 05Der Lead ist erfasstGoogle Sheets
Namegen

Du findest den perfekten Namen. Die Domain ist weg.

Namegen geht vom Problem aus, nicht von einem Schlagwort. Kandidaten stammen aus kuratierten Lexika oder vom eigenen KI-Schlüssel des Besuchers und passieren harte Qualitätsfilter, bevor sie bewertet, im Hörtest geprüft und gegen freie Domains und Markenrisiken abgeglichen werden.

Zurück kommt eine Shortlist, auf der man aufbauen kann, zwölf bis vierundzwanzig Namen, nie eine Halde. Die gesamte Pipeline ist als Engineering-Dossier dokumentiert, und die KI-Rechnung trägt der Besucher, nie der Host.

  1. 01Du beschreibst das ProblemEntität + Problem, keine Schlagwörter
  2. 02Kandidaten werden generiertkuratierte Lexika oder dein KI-Schlüssel
  3. 03Harte Filter sieben ausFilter · Bann · Markenqualität · Score
  4. 04Jeder Überlebende wird geprüftHörtest · Domains · Markenrisiko
  5. 05Eine Shortlist kommt zurück12 bis 24 Namen, die sich lohnen
Knowledge Center

Jede Seite hing an der API von jemand anderem.

Neuroframes Inhalte liefen auf einem Headless-CMS. Jedes Rendern hing an einem externen Dienst: Ausfälle, die wir nicht verursachten, Layouts im Kampf mit dem Blockmodell, und Kosten, die mit einer auf Tausende strukturierter Artikel ausgelegten Bibliothek stiegen.

Also übernahmen wir die Kontrolle: Inhalte in Git, ein typisierter Wissensbaum und eine Rendering-Pipeline auf eigenen Servern, ohne externe API im Pfad. Das Dossier dokumentiert die Entscheidungen; das Knowledge Center zeigt das Ergebnis.

  1. 01Inhalte leben in Gitversioniert und geprüft mit dem Code
  2. 02Ein Register typisiert jede FlächeTaxonomie + URL-Architektur
  3. 03Der Build validiert die SeitenGates vor jeder Veröffentlichung
  4. 04Seiten rendern auf unseren ServernSSR · keine externe API
  5. 05Die Bibliothek wächst zusammendrei Sprachen, ein Baum

Open-Source-Anwendungen

Alle Apps →

Operative Systeme.
Keine KI-Demos.

Prompts an ein Modell hängen kann jeder. Engineering heißt zu entscheiden, wo KI hingehört, wo deterministische Software hingehört und wo Menschen bleiben, und dann ein System zu bauen, das dem Unternehmen gehört und auf das es sich verlassen kann.

  1. 1

    Beim Geschäftsproblem anfangen.

    Nicht bei der Technologie. Der Workflow, der Stunden frisst, der Prozess, der bricht, die Entscheidung, die niemand trägt.

  2. 2

    Das System entwerfen.

    Der ganze Betrieb: wo Daten leben, was mit was spricht, und was passiert, wenn etwas ausfällt.

  3. 3

    Die richtige Komponente wählen.

    KI, wo Urteilsvermögen skalieren muss, deterministischer Code, wo Korrektheit zählt, Menschen, wo sie unersetzlich sind.

  4. 4

    Bauen, um die Produktion zu überleben.

    Im Besitz des Unternehmens, langweilig im Betrieb, und noch am Laufen, wenn die Demo längst gekippt wäre.

Bauen wir etwas, das hält.

Termin buchen