Angst vor dem Risiko ist eine Bremse: Löse sie und fang einfach an | Umair Zaffar

Kognitive Transformation: Wie digitale Prozesse mit KI intelligent werden

Kognitive Transformation ist der Schritt nach der Digitalisierung: Prozesse und Systeme, die bereits digital laufen, werden mit KI intelligent. Nicht als Pilot in einer Nische, sondern in den Kernprozessen, mit Strategie, Governance und Engineering aus einer Hand. Diese Seite erklärt, was ich unter dem Begriff verstehe, wie der Weg aussieht und woran er in der Praxis scheitert.

Die meisten Unternehmen, mit denen ich arbeite, haben ihre Digitalisierung hinter sich. Anträge kommen über Portale, Akten liegen in Dokumentenmanagementsystemen, Prozesse laufen in Workflow-Engines. Und trotzdem sitzt an jeder Stelle, an der etwas gelesen, bewertet oder entschieden werden muss, ein Mensch, der Felder abtippt, Dokumente vergleicht und Regeln im Kopf anwendet. Digital heißt nicht intelligent. Der Prozess ist elektrisch geworden, aber er denkt nicht.

Genau diese Lücke meine ich, wenn ich von Kognitiver Transformation spreche. Ich benutze den Begriff seit einigen Jahren in Keynotes und in Projekten, weil „Digitale Transformation“ und „KI-Strategie“ beide am Thema vorbeigehen. Die eine ist abgeschlossen, die andere bleibt in vielen Häusern ein Foliensatz.

Was Kognitive Transformation bedeutet

Kognitive Transformation bedeutet, dass ein Unternehmen seine bereits digitalen Prozesse, Daten und Systeme so umbaut, dass Software lesen, verstehen, bewerten und in klar definierten Grenzen entscheiden kann. Die Transformation betrifft nicht ein Tool, sondern die Art, wie Arbeit durch das Unternehmen fließt: Welche Schritte eine Maschine vorbereitet, welche ein Mensch prüft, welche eine Maschine abschließt und wer am Ende dafür einsteht.

Drei Dinge gehören für mich zwingend dazu, sonst ist es keine Transformation, sondern ein Experiment: eine Strategie, die sagt, welche Prozesse zuerst intelligent werden und warum; eine Governance, die festlegt, was die Systeme dürfen und wie man sie kontrolliert; und Engineering, das die Systeme in die bestehende Landschaft integriert. Diese drei aus einer Hand, das ist der Kern dessen, was wir bei SIFAMO anbieten.

Abgrenzung zur Digitalen Transformation

Die Digitale Transformation hat Papier durch Daten ersetzt und Medienbrüche entfernt. Ihr Ergebnis ist ein Prozess, der ohne Ausdruck funktioniert, aber dieselbe Logik hat wie vorher. Der Sachbearbeiter sieht dieselben Felder, nur auf einem Bildschirm. Kognitive Transformation setzt genau dort an: Sie nimmt die Daten, die durch die Digitalisierung entstanden sind, und baut daraus Systeme, die den Inhalt verstehen. Ohne Digitalisierung geht das nicht. Wer noch Faxe empfängt, braucht kein Sprachmodell, sondern zuerst einen Scanner und eine Datenbank.

Abgrenzung zu KI-Piloten

Ein Pilot beweist, dass ein Modell eine Aufgabe grundsätzlich kann. Das ist 2026 keine Erkenntnis mehr. Die offene Frage ist eine andere: Kann das Unternehmen diese Fähigkeit in einen Kernprozess einbauen, mit Zugriff auf echte Daten, mit Verantwortlichen, mit Protokoll und mit einem Weg, es wieder abzuschalten? Piloten beantworten diese Frage nicht, sie umgehen sie. Deshalb habe ich bei vielen Kunden zwanzig Piloten gesehen und kein einziges System in Produktion.

Die drei Ebenen: Prozess, Daten, Entscheidung

Wenn wir ein Unternehmen auf seinen Weg zur Kognitiven Transformation hin untersuchen, schauen wir auf drei Ebenen. Auf jeder davon haben die aktuellen KI-Bausteine einen anderen Platz.

  • Prozessebene: Hier geht es um den Fluss der Arbeit: Eingang, Verteilung, Bearbeitung, Freigabe. Große Sprachmodelle übernehmen das Lesen und Strukturieren unstrukturierter Eingänge, etwa E-Mails, Schadenmeldungen oder Anträge mit Anhängen. Agenten verketten Schritte, die bisher ein Mensch zwischen Systemen getragen hat. Auf dieser Ebene liegt der schnellste Nutzen, weil nichts entschieden, sondern vorbereitet wird.
  • Datenebene: Ohne saubere, zugängliche und rechtlich einsetzbare Daten bleibt jedes Modell blind. Retrieval Augmented Generation, kurz RAG, ist der Baustein, der Modellen Zugriff auf das Wissen des Unternehmens gibt: Richtlinien, Verträge, Fallhistorien, Produktdokumentation. Entscheidend ist, dass die Zugriffsrechte beim Abruf geprüft werden, nicht nur beim Einlesen, und dass personenbezogene Daten pseudonymisiert sind, bevor ein Modell sie sieht. Wir arbeiten mit IDs statt Namen und mit Datenzonen in Rot, Grau und Grün, die festlegen, was ein Modell überhaupt erreichen darf.
  • Entscheidungsebene: Hier wird aus Vorbereitung eine Festlegung: Anspruch anerkannt, Kredit abgelehnt, Bewerber eingeladen. Auf dieser Ebene sind Modelle Zuarbeiter, keine Entscheider, zumindest überall dort, wo es um Menschen geht. Das Modell liefert Bewertung, Begründung und Quellen, ein Mensch oder ein Regelwerk entscheidet, und jeder Schritt wird protokolliert. Agenten arbeiten hier nur mit minimalen Rechten: eigene Zugangsdaten, eine Liste erlaubter Werkzeuge und ein Budget an Schritten.

Die meisten Unternehmen beginnen auf der Prozessebene, unterschätzen die Datenebene und reden zu früh über die Entscheidungsebene. Die Reihenfolge ist aber nicht beliebig: Wer die Datenebene überspringt, bekommt ein Modell, das überzeugend klingt und falsch liegt.

Warum regulierte Branchen Kontrolle vor Modell brauchen

Banken, Versicherer und Behörden haben eine Besonderheit: Fast jede Entscheidung, die sie treffen, betrifft Menschen und muss gegenüber einer Aufsicht erklärbar sein. BaFin, DORA, MaRisk und der EU AI Act fragen nicht, wie gut das Modell ist. Sie fragen, wer es verantwortet, was es sehen darf, wie seine Entscheidung zustande kam und wer es stoppen kann.

Deshalb beginnen wir kein Projekt mit dem Modell. Wir beginnen mit vier Fragen: Wer ist der Eigentümer dieses Systems? Was darf es sehen und tun? Wie wissen wir im Nachhinein, was es getan hat? Wer kann es abschalten, und wie schnell? Das Modell wird zuletzt gewählt, weil Modelle alle paar Monate wechseln und die Antworten auf diese vier Fragen sich nicht ändern sollten.

Technisch führt das zu einem Governance Layer zwischen Fachanwendungen und Modellen: ein Register, in dem jedes Modell und jeder Agent mit Zweck, Risikoklasse, Eigentümer und Ablaufdatum steht; ein Policy Gateway als einziger Weg zu einem Modell, das Berechtigungen prüft, Daten pseudonymisiert und Werkzeuge begrenzt; ein Evidence Log, in dem jede Entscheidung Monate später rekonstruierbar ist; gestufte menschliche Aufsicht, die Entscheidungen mit hoher Wirkung vollständig prüft und den Rest in Stichproben; Quality Gates vor jedem Produktivgang; und ein Kill Switch, den der fachliche Eigentümer ohne Deployment ziehen kann. Ohne Registrierung gibt es keine Route zum Modell. Wie das im Detail aussieht, steht in meinem Beitrag zum Governance Layer und auf der Seite KI Governance.

Kognitive Transformation in vier Reifegraden

Ich beschreibe den Weg in vier Stufen. Sie sind keine Phasen, die ein Unternehmen als Ganzes durchläuft, sondern Zustände einzelner Prozesse. Ein Versicherer kann in der Schadenaufnahme auf Stufe drei stehen und in der Leistungsprüfung auf Stufe eins. Genau das ist gewollt.

StufeWas die Maschine tutWas der Mensch tutWas sich ändert
DigitalisiertSpeichert, leitet weiter, zeigt anLiest, bewertet, entscheidet, tipptDer Prozess ist elektrisch, die Logik unverändert
AssistiertLiest, fasst zusammen, schlägt vor, füllt vorPrüft jeden Vorschlag, entscheidetBearbeitungszeit sinkt, die Qualität der Daten wird sichtbar
AugmentiertBearbeitet Standardfälle bis zur Freigabe, erkennt Ausnahmen, holt Daten aus mehreren SystemenEntscheidet Ausnahmen und alle Fälle mit Wirkung auf Menschen, prüft StichprobenRollen ändern sich, der Governance Layer wird Pflicht
Governed AutonomySchließt definierte Fälle innerhalb von Grenzen eigenständig ab, eskaliert bei AbweichungSetzt Grenzen, überwacht Signale, hält den Kill SwitchKontrolle liegt in Regeln und Protokoll, nicht in der Einzelprüfung

Von assistiert zu augmentiert verändert Rollen. Der Sachbearbeiter wird vom Bearbeiter zum Prüfer, und das Unternehmen braucht jetzt den Governance Layer, weil Systeme anfangen, Fälle ohne Einzelprüfung bis zur Freigabe zu tragen. Ohne Register und Protokoll wird dieser Schritt bei der ersten Prüfung gestoppt.

Governed Autonomy heißt bewusst nicht Autonomie. Das System schließt Fälle eigenständig ab, aber nur innerhalb von Grenzen, die in Code stehen, mit Signalen, die Abweichungen melden, und mit einem Menschen, der eingreifen kann und es auch tut. Für Entscheidungen über Menschen bleibt diese Stufe in regulierten Branchen die Ausnahme, und das ist richtig so.

Kognitive Transformation bei SIFAMO: der eigene Beweis

Wir haben nicht mit Kunden angefangen, sondern mit uns selbst. SIFAMO hat sich seit 2023 um KI herum neu aufgebaut, und zwar entlang genau des Pfads, den ich oben beschrieben habe.

Unser Recruiting war der erste Prozess. Er war digital, Bewerbungen kamen über Portale und lagen strukturiert vor, aber die Vorauswahl machten Menschen, die Lebensläufe gegen Anforderungen lasen. Heute bewertet ein KI-System die Hard Skills gegen das Profil mit rund 90 Prozent Präzision. Die Entscheidung, wen wir einladen und einstellen, treffen weiterhin Menschen. Das System ist registriert, jede Bewertung ist nachvollziehbar, und es hat nie einen echten Namen gesehen, weil wir mit IDs arbeiten.

Unser ERP war der zweite. Wir haben es um ein KI-Board erweitert, das Zahlen aus Projekten, Auslastung und Finanzen liest und Auffälligkeiten erklärt, bevor wir sie im Monatsabschluss finden.

Was wir dabei gelernt haben, steckt heute in jedem Kundenprojekt: Fang mit einem Prozess an, der digital ist und weh tut. Baue zuerst die Kontrolle, dann das Modell. Miss die Qualität an echten Fällen, nicht an Demos. Und sag dem Team ehrlich, was sich an seiner Arbeit ändert. Dass wir mit 28 Leuten in Berlin und Frankfurt eigenfinanziert und ohne Kredite gewachsen sind, liegt auch daran, dass wir diese Werkzeuge selbst jeden Tag benutzen.

Typische Fehlermuster

  • Pilotitis. Zwanzig Proofs of Concept, keiner in Produktion. Jeder beweist, was längst bewiesen ist, und keiner klärt Daten, Verantwortung und Kontrolle.
  • Modell zuerst. Die Modellwahl wird zur Grundsatzfrage, die Governance soll später kommen. Später kommt die Revision.
  • Daten als Nebensache. Das Modell soll aus Dokumenten antworten, in denen Berechtigungen, Versionen und Personendaten durcheinanderliegen. Das Ergebnis ist ein System, das überzeugend falsch liegt oder Daten preisgibt.
  • Grenzen im Prompt. „Greife nicht auf Produktion zu“ ist eine Anweisung, keine Grenze. Grenzen gehören in Gateway, Netzwerk und Berechtigungen.
  • Volle Prüfung als Versprechen. „Ein Mensch prüft jede Ausgabe“ hält bei Volumen keine zwei Wochen. Dann wird abgenickt. Gestufte Aufsicht mit Stichproben und blinder Nachprüfung ist ehrlicher und wirksamer.
  • Transformation ohne Fachbereich. KI wird als IT-Projekt geführt, und der Fachbereich bekommt am Ende ein Werkzeug präsentiert. Die Leute, deren Arbeit sich ändert, müssen von Anfang an definieren, was ein gutes Ergebnis ist.
  • Kein Eigentümer. Niemand will den Kill Switch halten, bis zum ersten Vorfall. Bei uns geht nichts live ohne einen Namen im Register.

So läuft ein Projekt mit uns

Ich arbeite als KI Berater mit einem Team aus Beratern, Architekten und Entwicklern, das die Systeme auch baut. Ein typisches Vorgehen hat fünf Schritte, und die Reihenfolge ist Teil der Methode.

  • 1. Assessment. Wir nehmen Prozesslandschaft, Datenlage und bestehende KI-Systeme auf, auch die, von denen die IT nichts weiß. Ergebnis: ein Inventar, eine Einordnung nach EU AI Act und eine ehrliche Aussage, wo jeder Prozess auf dem Reifegradpfad steht.
  • 2. Use-Case-Portfolio. Aus Dutzenden Ideen werden drei bis fünf, bewertet nach Nutzen, Datenlage, Risikoklasse und Integrationsaufwand. Wir sagen auch, was wir nicht bauen würden, und warum.
  • 3. Governance Layer. Bevor der erste Use Case produktiv geht, stehen Register, Policy Gateway, Evidence Log, Aufsichtsstufen und Kill Switch. Nicht als Großprojekt, sondern in dem Umfang, den die ersten Use Cases brauchen, und so gebaut, dass alle weiteren denselben Weg nehmen.
  • 4. Erstes Produktivsystem. Ein Prozess, echte Daten, echte Nutzer, mit Quality Gates vor dem Go-live und gemessener Qualität danach. Meist auf der Stufe „assistiert“ oder „augmentiert“. Dieses System ist die Vorlage für alles Weitere.
  • 5. Skalierung. Weitere Use Cases laufen durch dieselbe Schicht, Teams im Fachbereich und in der IT übernehmen Betrieb und Weiterentwicklung. Unser Ziel ist, dass das Wissen im Unternehmen bleibt und nicht bei uns.

Keynotes zur Kognitiven Transformation

Als KI Speaker halte ich Keynotes zu genau diesem Weg: von der Digitalisierung zur Kognitiven Transformation, für Vorstände, Fachbereiche und Konferenzen in Frankfurt, Berlin und Dubai. Oft ist das der bessere Einstieg als ein Angebot.

Über Umair Zaffar

Ich bin Gründer und CEO der sifamo GmbH, einer KI-Beratung für regulierte Branchen mit Standorten in Berlin und Frankfurt am Main. Gegründet 2019, eigenfinanziert und ohne Kredite, heute 28 Leute. Ich komme aus der Enterprise-Architektur und habe über zehn Jahre große Plattformen für Banken, Versicherer und die öffentliche Verwaltung gebaut, bevor wir uns 2023 auf KI in Produktion konzentriert haben. Zu unseren Kunden zählen Commerzbank, VW Bank, Bosch, DHL, Zurich, VGH und die Bundesverwaltung. Wie ich als KI Experte arbeite, steht auf der gleichnamigen Seite; die Geschichte der Firma auf meiner Gründerseite.

Häufige Fragen

Ist Kognitive Transformation nur ein neues Wort für KI-Strategie?

Nein. Eine KI-Strategie ist ein Dokument. Kognitive Transformation ist der Umbau von Prozessen, Daten und Entscheidungen, mit Governance und Engineering, bis Systeme in Produktion laufen. Die Strategie ist der erste von fünf Schritten, nicht das Ergebnis.

Müssen wir erst die Digitalisierung abschließen?

Für die Prozesse, die intelligent werden sollen, ja. Ein Prozess, der auf Papier läuft, hat keine Daten, aus denen ein Modell lesen könnte. Für das Unternehmen insgesamt nein: Es reicht, mit den Prozessen zu beginnen, die bereits digital sind und am meisten Aufwand verursachen.

Wie lange dauert der Weg bis zum ersten Produktivsystem?

Assessment und Use-Case-Portfolio dauern in der Regel wenige Wochen. Der Governance Layer im Umfang der ersten Use Cases und das erste Produktivsystem brauchen danach einige Monate, abhängig von Datenlage und Integrationsaufwand. Wichtiger als die Dauer ist, dass das erste System durch alle Gates läuft.

Brauchen wir dafür eigene Modelle?

In fast allen Fällen nicht. Die Arbeit steckt in Daten, Integration und Kontrolle, nicht im Modell. Der Governance Layer ist bewusst anbieterunabhängig: Ein Modellwechsel ist eine Änderung im Register plus ein Lauf durch die Quality Gates, kein Neubau.

Ihr wollt wissen, wo eure Prozesse auf dem Weg zur Kognitiven Transformation stehen und welcher Schritt als nächster sinnvoll ist? Schreibt mir über die Kontaktseite, per E-Mail an contact@sifamo.com oder direkt auf LinkedIn. Wer zuerst die regulatorische Seite klären will, findet den Einstieg auf meiner Seite zum EU AI Act.