Enterprise AI Architect | AI Agents & Automation

7/2026 – offen

KI-Kontextschicht und agentische Workflows für ein deutsches KI-Startup: semantischer Recall über einen selbstpflegenden Vektorindex, Teams-/Jira-/Confluence-Integration, MCP-Server und sichere Schreibpfade.

Schwerpunkte:
- Azure Functions und Cosmos DB mit Managed Identity
- Delegierte Nutzerrechte statt Bot-Identität
- Approval-Karte vor jedem Write, Bulk-Write-Guard und Audit Trail
- Eval-Harness und EU-Hosting

Document Retrieval, Generative KI, Microsoft Azure, Workflows, Governance

9/2024 – 7/2026

Transformationsportfolios werden in Excel gesteuert und im Quartals-Offsite neu priorisiert — Budget folgt dem lautesten Stakeholder, nicht dem größten Wertbeitrag.

Lösung: Composite-Scoring-Engine (4 gewichtete Dimensionen) + Capability-Reifegrad-Modell (Prozess / People / Technologie / Daten) + KI-Empfehlungsschicht mit nachvollziehbarer Begründung + Live-Portfolio-Dashboards. Read/Write-Integration mit dem EAM-Katalog (LeanIX, ServiceNow APM, Ardoq). Deployment on-prem oder Private Cloud.

Ergebnis:
• 12 Live-Initiativen über 4 Dimensionen gescort, Portfolio €2,4M
• Scoping: 4–6 Wochen Workshop → Minuten (KI-vorgeschlagen)
• Repriorisierung: Quartals-Offsite → bei jeder Metadatenänderung
• Allokation transparent: 67% committed / 21% planned / 12% frei

Stack: Composite Scoring, Capability Radar, LLM-Empfehlungsschicht, LeanIX / ServiceNow APM / Ardoq APIs.

Document Retrieval, Enterprise Architect (EA), Generative KI, GPT

2/2022 – 9/2024

SAP-Produktivdaten fließen in Dev/QA/Training. Deterministische Masking-Tools (SAP TDMS, Delphix, Informatica) decken ~95% strukturierter Spalten ab — Lücken bleiben bei Freitext-NOTES, unklassifizierten Z-Tabellen und OCR-Scans. Ein General-LLM über 100% der Daten ist wirtschaftlich nicht tragbar.

Lösung: Feinjustierter deutscher PII-Redactor (LoRA-Adapter auf Qwen2.5-1.5B) als Drop-in-Layer NACH dem deterministischen Masking. Routet Freitext und unklassifizierte Spalten ans Modell, liefert strukturiertes JSON (redigierter Text, Entity-Klassen, Risiko-Level, Review-Flags) für 12 deutsche Entity-Typen. Läuft vollständig auf Kunden-Hardware (150 MB Adapter), DSGVO-konform by design.

Ergebnis:
• Entity-F1: 0,375 → 0,917 (2,4× besser als Baseline)
• JSON-Parse-Validität: 81% → 100%
• Risk-Level-Exact-Match: 0,50 → 0,94
• Training: ~90 Min auf einer RunPod A40; Inferenz auf einer Consumer-GPU

Stack: Qwen2.5-1.5B-Instruct, LoRA / PEFT / TRL, Pydantic-validiertes JSON, HuggingFace Hub, Apache 2.0.

Document Retrieval, Generative KI, Python, Solution Architekt