Dr. Oliver Borchers
Hallo, schön, dass Sie da sind.
Ich bin Oliver Borchers und unterstütze mit zehn Jahren Erfahrung Geschäftsführer und Führungskräfte dabei, KI-Vorhaben richtig umzusetzen: welches Problem es wert ist, was entwickelt wird und was nicht.
In meiner Promotion an der Universität Mannheim habe ich untersucht, was sich mit Deep Learning aus Produktrezensionen und Twitter-Posts über Marken und Kundenerlebnisse herausfinden lässt.
Danach bin ich aus der Forschung in die Praxis gewechselt: erst als Entwickler für Sprachverarbeitung bei Oxolo, dann als CTO. Heute bin ich Head of AI Engineering der IU Group und verantworte die agentischen KI-Systeme im Kundenservice. Außerdem pflege ich Open-Source-Projekte, darunter fse mit über 300.000 Downloads.
Werdegang
-
IU Group
seit Juni 2026
Head of AI Engineering
- Ich verantworte die KI-Agenten im Kundenservice der IU Group.
- Ich führe fachlich einen Teil des rund 15-köpfigen Teams.
- Die Serviceteams in zwölf Geschäftsbereichen arbeiten mit unserer agentischen Kundenservice-Plattform.
- Mit dem Team habe ich KI-gestützte Abläufe entwickelt, mit denen die erste Rückmeldung auf Serviceanfragen rund fünfmal so schnell kommt.
- Anfragen landen öfter direkt beim richtigen Team und werden rund 40 % seltener weitergeleitet.
- Außerdem haben wir eine wiederverwendbare Grundlage für interne KI-Anwendungen entwickelt.
Juli 2025 bis Juni 2026
Staff AI Engineer
- Ich habe die Agent-Plattform hinter der Kundenservice-Automatisierung konzipiert und entwickelt, vom ersten Prototyp bis in den Produktivbetrieb.
-
Floy
Januar bis Juni 2025
Tech Lead Foundations
- Ich habe das fünfköpfige Foundations-Team für Data, DevOps, Cloud und Medical Imaging geführt.
- Für die KI-Teams haben wir Plattform und Data Pipelines bereitgestellt, damit sie schneller eigene Trainingsdatensätze aufbauen können.
- Den Durchsatz der Bilddaten-Pipeline für die Radiologie haben wir verzehnfacht.
- Wir haben 25 Dienste und fünf Datenbanken ohne Ausfallzeit zu AWS migriert.
- Ich habe Floy in das AWS Migration Acceleration Program (MAP) gebracht.
- Die Migration haben wir nach DSGVO-, SOC-2- und Medizindaten-Anforderungen umgesetzt.
-
Oxolo
Januar 2022 bis Dezember 2024
CTO
- Wir haben zuerst einen KI-Begleiter für Kinder mit 3D-Avataren und einer Rendering-Pipeline entwickelt, danach eine deutsche GenAI-Videoplattform im Wettbewerb mit Synthesia und Hour One.
- Ich habe die technische Umsetzung des Pivots zu generativem KI-Video und die Entwicklung der GenAI-Video-SaaS-Plattform verantwortet.
- Die Plattform wuchs von null auf über 600.000 Nutzer in 80 Ländern.
- Ich habe die technische Due Diligence der Series A über 13 Mio. EUR geleitet (Investoren: DN Capital und Headline) und das Board-Reporting verantwortet.
- Ich habe das Engineering- und KI-Team auf 25+ Engineers skaliert und gemeinsam mit dem Head of AI und dem Head of Engineering Einstellungsprozesse und Engineering-Standards aufgebaut.
- Wir haben die API mit 99,99 % Verfügbarkeit bei über 5 Mio. Requests pro Monat betrieben.
- Die AWS-Kosten haben wir halbiert.
- Ich habe die SOC-2-Readiness und die DSGVO-Compliance verantwortet.
November 2020 bis Januar 2022
NLP Engineer bis Lead NLP Engineer
- Mit dem Team habe ich die zentrale NLP-Pipeline der ursprünglichen KI-Chat-Anwendung entwickelt.
- Ab April 2021 habe ich ein Team aus drei Engineers geführt und Entwicklungsstandards gesetzt.
-
Universität Mannheim
Januar 2017 bis November 2020
Doktorand und Postdoc
- Doktorand am Lehrstuhl Marketing & Innovation, Januar 2017 bis April 2020
- Postdoc, April bis November 2020
- Promotion summa cum laude, ausgezeichnet mit dem Dissertationspreis der Stiftung Marketing
-
UNC Kenan-Flagler Business School
Oktober bis Dezember 2019
Forschungsaufenthalt
- Während meiner Promotion zu Gast an der Business School der University of North Carolina
-
Universität Siegen
2011 bis 2016
Studium
- B.Sc. Business Economics, 2011 bis 2015
- M.Sc. Entrepreneurship and SME Management, 2015 bis 2016
Promotion
Meine Dissertation heißt „Mining Unstructured Data for Market Insights: A Study of Representation Learning and its Value for Marketing“. Sie untersucht, wie Deep Learning Markterkenntnisse aus unstrukturierten Daten gewinnt.
Representation Learning heißt, dass ein Modell selbst lernt, Texte und Wörter als Zahlenvektoren darzustellen, mit denen sich anschließend rechnen lässt.
-
Deep Autoencoder
Marken in Produktrezensionen
Deep Autoencoder lesen Amazon-Produktrezensionen und leiten daraus Markenassoziationen und Wettbewerbskarten ab.
-
Word Embedding
Wie KI vergessen kann
Dory ist ein zeitliches neuronales Word Embedding, das alte Assoziationen vergisst und neue erinnert. So lässt sich verfolgen, wie sich Markenassoziationen über die Jahre verändern.
-
BERT
Kundenerlebnis als Kennzahl
Der Customer Experience Score (CXS) wird mit BERT anhand von Twitter-Posts gemessen und mit Finanzkennzahlen verknüpft.
Open Source
- fse GitHub-Sterne: 626
fast sentence embeddings, über 300.000 Downloads. Das Paket steht auf PyPI, die Hugging-Face-Organisation fse stellt 15 Vektormodelle bereit.
- proqi GitHub-Sterne: 45
Werkzeug fürs Terminal, in dem man die nächsten Anweisungen an Coding-Agenten vorbereitet, während diese noch arbeiten. Maintainer seit August 2026.
- fractional-cto GitHub-Sterne: 35
Öffentlicher, MIT-lizenzierter Claude-Code-Marktplatz.
- pydantypes GitHub-Sterne: 23
Python-Bibliothek mit validierten Pydantic-Typen für Kennungen, ARNs, URIs und Ressourcennamen aus Cloud-, DevOps-, Daten- und KI-Code.
Veröffentlichungen
- 2019
fse: Fast Sentence Embeddings
Software
- 2019
Dynamics in the evolution of consumers' brand associations: A temporal neural word embedding for UGC
Marketing Dynamics Conference, College Park
- 2019
Dory: A temporal neural word embedding for the study of brand association evolution from user-generated content
41st ISMS Marketing Science Conference
- 2019
A model for temporal neural word embedding
48th EMAC Conference, Hamburg
- 2018
Automatisierte Marktanalysen von Produktbewertungen mithilfe Künstlicher Intelligenz
Bericht
- 2018
Deep neural language models: The elicitation of brand similarity from customer reviews
47th EMAC Conference, Glasgow
- 2018
Vector space models of brands
40th ISMS Marketing Science Conference, Philadelphia