Shanea Leven, Gründerin und CEO von Empromptu AI – Interview-Serie

Shanea Leven, Gründerin und CEO von Empromptu AI, ist eine erfahrene Produktleiterin mit umfassender Erfahrung bei der Entwicklung von Entwicklerplattformen und künstlicher Intelligenz (KI)-getriebenen Produkten bei großen Technologieunternehmen. Vor der Gründung von Empromptu im Jahr 2025 gründete sie CodeSee, eine KI-Entwicklerplattform, die Teams hilft, komplexe Codebasen zu visualisieren und zu verstehen, die 2024 von GitKraken übernommen wurde. Zu Beginn ihrer Karriere hatte sie leitende Produktmanagement-Rollen bei Unternehmen wie Docker, Cloudflare, eBay und Google (GOOGL ) inne, wo sie an Initiativen arbeitete, die von Google Assistant-Zahlungs-APIs bis hin zu Entwickler-Bildungsprogrammen reichten, die von Hunderttausenden von Lernenden verwendet wurden.

Empromptu AI ist eine Unternehmensplattform, die Unternehmen helfen soll, integrierte KI-Anwendungen einfacher zu entwickeln und bereitzustellen. Die Plattform kombiniert Anwendungsentwicklung, Datenintegration, Governance, Bewertungen, Speicher und Modell-Orchestrierung in einer einzigen Umgebung, sodass Unternehmen von schneller KI-Experimentierung zu produktionsreifen Systemen mit den erforderlichen Kontrollen und Zuverlässigkeit für den Unternehmenseinsatz übergehen können.

Sie haben über 15 Jahre damit verbracht, Entwicklerplattformen bei Unternehmen wie Google, eBay, Cloudflare und Docker aufzubauen, bevor Sie CodeSee gründeten, das später von GitKraken übernommen wurde, und jetzt Empromptu AI leiten. Wie haben diese Erfahrungen Ihre Perspektive darauf geprägt, warum so viele KI-Tools fehlschlagen, wenn sie die Demo-Phase verlassen, und welches spezifische Problem wollten Sie lösen, als Sie Empromptu gründeten?

Eines der Dinge, die man lernt, wenn man Entwicklerplattformen aufbaut, ist, dass die schwierigsten Probleme nie die sind, die in der Demo auftreten. Die Demo funktioniert immer. Der echte Test ist, was passiert, wenn Tausende von Entwicklern das System verwenden, wenn die Daten unvollständig sind, wenn die Integrationen fehlschlagen und wenn echte Unternehmen von ihnen abhängig sind.

Bei Google, Cloudflare, Docker und eBay habe ich Jahre damit verbracht, an Plattformen zu arbeiten, die auf globaler Ebene funktionieren mussten. Diese Umgebungen lehren einen schnell, dass Zuverlässigkeit, Governance und Beobachtbarkeit keine Funktionen sind, die man später hinzufügt. Sie sind die Architektur.

Als ich begann, KI-Anwendungen zu entwickeln, waren die Modelle schlecht, und als sie besser wurden, bemerkte ich, dass die Branche den gleichen Fehler machte, den wir in früheren Wellen der Software gesehen hatten. In Entwicklungstools gibt es ein Konzept, das zu haben schien, vergessen worden war. Wie schnell kann man zu “Hallo Welt” kommen? Heute ist die generative Version von “Hallo Welt” ein vollständig funktionierendes SaaS-Prototyp. Aber wir bauen nicht nur SaaS-Anwendungen mit Vibe-Coding; wir bauen ganze KI-Anwendungen. Eine KI, die KI baut, benötigt andere Systeme, um diese KI in die Produktion zu bringen.

Man kann eine funktionierende KI-Anwendung oder -Funktion schnell generieren, was aufregend und wirklich nützlich ist. Aber die vorherrschenden Systeme fehlen immer noch an der Infrastruktur, die für Produktionsumgebungen erforderlich ist. Dinge wie strukturierte Datenpipelines, Bewertungsframeworks, Governance-Steuerungen, Überwachung und langfristiges Kontextmanagement wurden verpasst, aber wir haben sie hinzugefügt, während wir alle erstaunlichen Teile des Vibe-Codings beibehalten haben.

Als mein Mitgründer und ich Empromptu gründeten, war das Problem, das wir lösen wollten, einfach: Wie können wir KI-Anwendungen von Anfang an produktionsbereit machen?

Anstatt Governance, Datenbereitschaft, Bewertung und Optimierung als separate Tools oder nachträgliche Prozesse zu behandeln, haben wir sie direkt in die Plattform integriert. Die Idee ist, dass Teams KI-Anwendungen schnell aufbauen können, aber mit der gleichen Zuverlässigkeit, Qualität und Kontrolle, die sie von Unternehmenssoftware-Systemen erwarten.

Sie haben sich ausgesprochen über die Lücke zwischen beeindruckenden KI-Demos und produktionsreifen Systemen. Aus Ihrer Perspektive, welche architektonischen Fehler machen Teams am häufigsten, wenn sie versuchen, einen KI-Prototyp in ein zuverlässiges Produkt umzuwandeln, das von echten Kunden verwendet wird?

Der häufigste Fehler, den Teams machen, ist, dass sie annehmen, das Modell sei das Produkt.

In frühen Prototypen erledigt das Modell die meiste sichtbare Arbeit. Man gibt ihm einen Prompt, es produziert eine Antwort, und wenn die Antwort gut aussieht, scheint das System zu funktionieren. Das erzeugt die Illusion, dass die Verbesserung des Modells die größte Herausforderung ist.

Aber in Produktionsystemen ist das Modell nur ein Teil einer viel größeren Architektur.

Der erste Fehler ist, Daten als Nachgedanke zu behandeln. In Prototypen testen Teams oft mit kleinen, sauberen Datensätzen. Sobald das System mit realen Betriebsdaten verbunden ist, ändert sich alles schnell. Daten kommen unvollständig, inkonsistent, dupliziert oder in unerwarteten Formaten an. Ohne eine strukturierte Datenpipeline, um Eingaben zu normalisieren und zu validieren, wird das System unzuverlässig, unabhängig davon, wie gut das Modell ist.

Der zweite Fehler ist das Fehlen von Bewertungsframeworks. Viele Teams starten KI-Features ohne zu definieren, was “gut” eigentlich bedeutet. Sie können manuell die Ausgaben während der Entwicklung überprüfen, aber sie bauen keine automatisierten Bewertungspipelines, die kontinuierlich Genauigkeit, Drift und Randfälle messen, sobald das System live ist. Ohne diese Schutzmechanismen werden Fehler oft von Kunden entdeckt, anstatt von Ingenieuren.

Ein drittes Problem ist das Fehlen von Governance- und Kontrollmechanismen. KI-Systeme sind probabilistisch, was bedeutet, dass sie unter leicht unterschiedlichen Bedingungen unterschiedlich verhalten können. In regulierten oder hochriskanten Umgebungen muss diese Unvorhersehbarkeit mit deterministischen Richtlinien, Genehmigungsworkflows und Audit-Logs eingeschränkt werden, die erfassen, wie Entscheidungen getroffen wurden.

Was dies wirklich darauf hinausläuft, ist, dass Produktions-KI-Systeme nicht nur Modelle sind. Sie sind operative Systeme.

Die Unternehmen, die heute mit KI erfolgreich sind, sind diejenigen, die Datenpipelines, Bewertung, Governance und Überwachung als Kerninfrastruktur behandeln, nicht als optionale Add-ons.

Viele KI-Coding-Plattformen versprechen, dass jeder eine Anwendung mit einfachen Prompts aufbauen kann. Warum funktionieren diese Tools oft gut für Demonstrationen, aber kämpfen, wenn Unternehmen versuchen, sie in realen Produktionsumgebungen bereitzustellen?

Viele dieser Plattformen funktionieren gut für Demonstrationen, weil sie für den Moment der Erstellung optimiert sind, nicht für den Lebenszyklus eines realen Systems.

Aber es gibt einen grundlegenden Unterschied zwischen der Verwendung von KI, um eine Landingpage zu generieren, und der Verwendung von KI, um eine KI-Anwendung aufzubauen.

Eine Landingpage ist in erster Linie statische Software. Sobald sie korrekt gerendert wird, ist die Arbeit im Wesentlichen erledigt. Das System muss keine probabilistischen Entscheidungen treffen, keine ständig ändernden Daten aufnehmen oder sich nicht vorhersehbarem Benutzerverhalten anpassen.

KI-Anwendungen sind völlig anders. Sie sind dynamische Systeme, die auf Datenpipelines, Modellverhalten, Bewertungsframeworks und kontinuierlicher Überwachung angewiesen sind. Die Anwendung muss Kontext verwalten, erkennen, wenn Ausgaben abweichen, Randfälle verarbeiten und sicher betreiben, wenn das Modell auf Situationen stößt, die es noch nicht gesehen hat.

Die meisten prompt-getriebenen Coding-Tools gehen nicht auf diese Schichten ein, da sie darauf ausgelegt sind, schnell etwas Funktionsfähiges zu erstellen. Sie generieren Code, der ein sichtbares Ergebnis produziert, was perfekt für eine Demo-Umgebung ist. Aber Produktions-Systeme erfordern eine viel größere Menge an Fähigkeiten: strukturierte Datenverarbeitung, Governance-Steuerungen, Bewertungspipelines, Beobachtbarkeit und Mechanismen für die sichere Aktualisierung des Verhaltens über die Zeit.

Wenn Unternehmen also versuchen, diese Systeme in realen Umgebungen bereitzustellen, wird die Lücke offensichtlich. Der Prototyp funktionierte, weil die Umgebung kontrolliert war. Die Produktion ist chaotisch.

Empromptu konzentriert sich darauf, bestehende Software in KI-native Systeme umzuwandeln, anstatt Unternehmen zu zwingen, alles von Grund auf neu aufzubauen. Was bedeutet diese Umwandlung tatsächlich auf der Ebene der Infrastruktur und des Produkts?

Auf der Produkt-Ebene ist jede Anwendung vollständig selbst enthalten und containerisiert. Wir erstellen alles, was benötigt wird, von Front-Ends, Back-Ends, Datenbanken, Modellen, Bewertungen, LLMs, Regeln und allem, was super flexibel ist, abhängig von den Bedürfnissen des Unternehmens.

Wir haben verschiedene Optionen für KI-Apps:

“Headless”, sodass wir, wenn ein Kunde bereits ein Front-End hat, es mit unserem System verbinden und die Daten zurücksenden können

Vollständig containerisiert, sodass sie auf unserer Infrastruktur oder innerhalb der Infrastruktur des Kunden bereitgestellt werden können, sodass sie standardmäßig On-Premises sind.

Wir können sie auch einfach generieren und direkt in die Cloud bereitstellen, für die bequemste Option.

Wenn ein Kunde Code hat, können wir ihn direkt in unser System importieren und agentifizieren, wenn er noch nicht agentifiziert ist. Zum Beispiel sehen wir dies bei einer Reihe von Kunden, die versucht haben, ihre Apps auf beliebten Plattformen wie Lovable, Replit, Bolt oder Base44 aufzubauen. Oft funktionieren sie nicht. Aber Kunden haben bereits viel Zeit und Energie in diese Anwendung investiert, also nehmen wir sie auf, schreiben sie um und machen alle KI-Funktionen.

Und wir können dies tun, weil wir eine Reihe von benutzerdefinierten, proprietären Technologien haben, wie z.B.:

• Adaptive Kontext-Engine, um Kontext zu verwalten
• Unendlicher Speicher, um lang laufende Code-Anwendungen aufzunehmen
• Benutzerdefinierte Datenmodelle und Gold-Datenpipelines, um sicherzustellen, dass wir alle erforderlichen Datenreinigung und synthetische Kennzeichnung durchführen können

Ihre Plattform betont Kontext, Bewertung, Governance und strukturierte Daten als Kernkomponenten von KI-Systemen. Warum werden diese Elemente so häufig übersehen, wenn Teams sich beeilen, KI-Features zu ihren Produkten hinzuzufügen?

Weil sie schwer zu machen sind! Mein Mitgründer, Dr. Sean Robinson, leitet unser Forschungslabor und ist ein computergestützter Astrophysiker, der eine Reihe von Technologien erfunden hat, die von meinen verrückten Ideen inspiriert sind, aber auch von den Bedürfnissen unserer Kunden und der Richtung, in die der Markt geht. Unsere kombinierte Erfahrung bei der Entwicklung vieler agenter Anwendungen, dem Aufbau von Satelliten im Weltraum und der Arbeit bei den größten Technologieunternehmen der Welt gibt uns Einblicke, die uns helfen, komplexe Probleme besser als andere zu lösen.

Sie arbeiten mit vielen Gründern, die noch nie Code geschrieben haben. Welche sind die größten Missverständnisse, die nicht-technische Gründer haben, wenn sie zum ersten Mal versuchen, KI-Anwendungen aufzubauen?

Ich denke, es gibt zwei große Missverständnisse:

Das erste ist, dass KI Magie ist. KI ist keine Magie. Es ist einfach gute Ingenieurskunst. Und schließlich erreicht man ein Limit, was man auf diesen Plattformen ohne echten Ingenieur tun kann.

Das zweite ist, dass sie großartige technische Produktmanagement-Fähigkeiten haben. Ich habe eine Ausbildung in technischem Produktmanagement und die Fähigkeit, eine Vision, manchmal eine sehr große Vision, in kleine, versandbare Stücke mit der richtigen technischen Spezifikation zu übersetzen, um genau zu sagen, was man will. Das ist tatsächlich eine sehr schwierige Fähigkeit, die Zeit erfordert.

Beispielsweise, wenn man eine App aufbaut, die ein PDF hochlädt und es speichert, damit man später darauf zugreifen kann, ist das ein Konzept, das als Persistenz bezeichnet wird. Dieses PDF wird in Code umgewandelt und in eine Datenbank gespeichert.

Aber wenn man nicht weiß, dass dies als Persistenz bezeichnet wird, wie kann man dann tippen? Stellen Sie sicher, dass diese Daten persistieren. Technische Wortwahl ist wie die Sprache einer anderen Sprache. Es gibt einen Unterschied zwischen der Verwendung von natürlicher Sprache und technischer Sprache.

Viele Startups gehen davon aus, dass die Lösung für den Aufbau von KI-Produkten darin besteht, einfach mehr Ingenieure einzustellen. Warum glauben Sie, dass dieser Ansatz oft fehlschlägt, und worüber sollten Gründer nachdenken, wenn sie KI-gesteuerte Produkte aufbauen?

Das Einstellen von mehr Ingenieuren ist manchmal die richtige Antwort. Wenn man ein tief technisches Produkt aufbaut oder an der Spitze der Modellforschung arbeitet, benötigt man unbedingt starke Ingenieur-Teams. Es gibt keinen Ersatz für gute Ingenieure, wenn es darum geht, schwierige Probleme zu lösen.

Aber der Fehler, den viele Startups machen, ist, dass sie annehmen, dass mehr Ingenieure automatisch die Herausforderung des Aufbaus eines KI-Produkts lösen.

In Wirklichkeit sind die schwierigsten Probleme in KI-Produkten oft nicht rein technische Probleme. Sie sind Systemprobleme, genau wie jedes andere Ingenieurproblem. Ingenieure werden speziell dazu ausgebildet, in Systemen zu denken. Aber generative Entwicklung ist anders als deterministische Entwicklung. Viele von uns haben diesen Wechsel gemacht, als wir von objektorientierter Programmierung zu funktionaler Programmierung wechselten. Sind sie beide Programmierung? Ja, absolut, aber sind sie unterschiedlich? Sind sie eine andere Art des Denkens? Ja, natürlich.

KI-Anwendungen befinden sich an der Schnittstelle von Daten, Produkt-Design, operativen Workflows und Modell-Verhalten. Man kann ein unglaubliches Team von Ingenieuren einstellen, aber wenn die Datenpipelines unzuverlässig sind, die Bewertungskriterien unklar sind oder das System an Governance und Überwachung fehlt, wird das Produkt immer noch kämpfen, wenn es realen Benutzern begegnet.

Ein weiteres Problem ist, dass viele Teams direkt in den Aufbau einsteigen, bevor sie definiert haben, wie das KI-System in der Produktion verhalten soll. Fragen wie, wie das System bewertet wird, wie Randfälle gehandhabt werden, wie Entscheidungen protokolliert werden und wie Modelle über die Zeit aktualisiert werden, kommen oft viel später. Dann ist die Architektur bereits schwer zu ändern.

Über das sollten Gründer wirklich nachdenken: das operative Modell ihres KI-Systems.

Wer besitzt die Datenpipeline?

Wie wird die Modellleistung kontinuierlich gemessen, nicht nur während der Entwicklung?

Was passiert, wenn das System auf eine Situation stößt, die es noch nicht gesehen hat?

Wie aktualisiert man das Verhalten sicher, ohne die nachgelagerten Workflows zu brechen?

Manchmal bedeutet das Lösen dieser Probleme, mehr Ingenieure einzustellen. Aber es kann auch bedeuten, die richtige Infrastruktur zu wählen, starke Produktbeschränkungen zu definieren und Systeme aufzubauen, die es kleinen Teams ermöglichen, zuverlässig im großen Maßstab zu operieren.

Die Unternehmen, die heute mit KI erfolgreich sind, sind nicht unbedingt diejenigen mit den größten Ingenieur-Teams. Sie sind diejenigen, die KI als lang laufendes System behandeln, das Disziplin bei den Daten, Bewertung, Governance und kontinuierliche Verbesserung von Anfang an erfordert.

Sie haben argumentiert, dass einige der aktuellen Geschäftsmodelle in KI-Entwickler-Tools nicht mit dem Aufbau von dauerhaften Produkten übereinstimmen. Welche Anreize im aktuellen KI-Tooling-Ökosystem denken Sie, führen Unternehmen in die falsche Richtung?

Einer der größten Anreiz-Unterschiede ist derzeit, dass viele KI-Entwickler-Tools auf Wachstumsmetriken und nicht auf Produkt-Haltbarkeit optimiert sind.

Viele Unternehmen in diesem Bereich werden für die Geschwindigkeit belohnt, mit der Benutzer etwas Beeindruckendes erstellen können. Wenn ein Tool eine funktionierende App, ein Feature oder eine Demo in wenigen Minuten generieren kann, treibt das Anmeldungen, soziales Teilen und Investoren-Begeisterung an. Von einem Produkt-Adoptions-Standpunkt aus macht das Sinn.

Aber diese Anreize hören oft an dem Punkt auf, an dem die Erstellung stattfindet.

Die harte Arbeit in KI-Software geschieht nach diesem Punkt. Das ist der Zeitpunkt, an dem Vertrauen aufgebaut wird. Wenn man auf Qualität vertrauen kann. Dass der Benutzer zurückkehren möchte, ohne die KI-Frustation von schlechten Ausgaben.

Ein weiteres Problem ist, dass viele Tools auf Code-Generierung und nicht auf System-Design optimiert sind. Code-Generierung ist hilfreich, aber der Aufbau eines KI-Produkts erfordert mehr als die Erstellung von Code. Es erfordert die Definition, wie das System Kontext verwalten, Entscheidungen bewerten, Fehler handhaben und Verhalten sicher über die Zeit ändern soll.

Die Unternehmen, die ihre Anreize auf die Unterstützung von Kunden bei der zuverlässigen Ausführung von KI-Systemen und nicht nur auf deren schnelle Erstellung ausrichten, sind diejenigen, die in diesem Ökosystem langfristigen Wert schaffen werden.

<strong Einige Ihrer Kunden sind Unternehmer, die sehr spezifische Produkte aufbauen, wie z.B. spezialisierte Gesundheits-Tools oder Nachhaltigkeits-Unternehmen, oft ohne traditionelle Ingenieur-Teams. Welche Muster haben Sie bei den Gründern gesehen, die erfolgreich diese Ideen in funktionierende KI-Produkte umsetzen?

Eines der interessantesten Muster, die wir sehen, ist, dass die Gründer, die erfolgreich sind, nicht unbedingt die technischsten sind. Sie sind diejenigen, die das Problem, das sie lösen, extrem gut verstehen.

Viele der Unternehmer, die Empromptu verwenden, sind Domänen-Experten. Sie kommen möglicherweise aus der Gesundheitsbranche, der Finanzbranche, der Nachhaltigkeit oder einer anderen spezialisierten Branche. Was sie mitbringen, ist tiefes Wissen über die Workflows, Vorschriften und Entscheidungen, die in dieser Umgebung existieren. Dieser Kontext ist unglaublich wertvoll, wenn man ein KI-Produkt entwirft, da er definiert, was das System tatsächlich tun soll.

Die Gründer, die erfolgreich sind, gehen weniger wie Technologie-Experimente und mehr wie Produkt-Systeme an KI heran. Sie beginnen mit sehr konkreten Fragen. Welche Entscheidungen soll die KI den Benutzern helfen zu treffen? Welche Datenquellen benötigt sie? Was sieht eine korrekte Antwort in diesem Bereich aus? Welche Schutzmechanismen müssen existieren, damit das System verantwortungsvoll handelt?

Ein weiteres Muster ist, dass sie sorgfältig über Struktur nachdenken. Erfolgreiche Teams erkennen schnell, dass KI-Ausgaben nur so gut sind wie der Kontext und die Daten, die sie speisen. Sie investieren Zeit, um Datenpipelines zu definieren, Wissensquellen zu organisieren und klare Bewertungskriterien für das zu definieren, was “gut” bedeutet.

Wir sehen auch erfolgreiche Gründer, die menschliche KI-Zusammenarbeit anstelle von sofortiger Automatisierung bevorzugen. Sie entwerfen Workflows, in denen die KI repetitive Analyse oder Daten-Synthese übernimmt, während Menschen für Urteilsvermögen und endgültige Entscheidungen verantwortlich bleiben. Diese Balance macht Systeme viel zuverlässiger, insbesondere in Bereichen wie Gesundheitswesen oder Finanzen.

Auf viele Arten ist der größte Wandel die Einstellung. Die Gründer, die erfolgreich sind, denken nicht über KI als Feature nach, das sie hinzufügen. Sie denken über KI als neue Betriebs-Ebene nach, wie ihr Produkt funktioniert.

Wenn KI-Systeme immer mehr in die Kerngeschäftsprozesse integriert werden, welche Fähigkeiten werden die nächste Generation von KI-Anwendung-Plattformen definieren?

Ich weiß, das ist verrückt, und ich sage vielleicht etwas Sakrilegisches, aber Menschen werden in der Lage sein, ihre eigenen benutzerdefinierten Modelle mit Vibe-Coding zu erstellen. Etwas, das unser Forschungslabor “Experten-Nano-Modelle” nennt, wird helfen, Kosten zu kontrollieren.

Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, sollten Empromptu AI besuchen.