Sajed Motevallian

Illustrative AI use case · German bankingIllustrativer KI-Use-Case · Banken in Deutschland

How does an AI idea become a decision-ready product?Wie wird aus einer KI-Idee ein entscheidungsreifes Produkt?

Ten structured decisions to take before writing any code – applied to AI-assisted annual credit reviews at a regional bank.Zehn strukturierte Entscheidungen, bevor die erste Zeile Code entsteht – angewendet auf KI-gestützte Jahresüberprüfungen im Firmenkundenkredit einer Regionalbank.

Sajed Motevallian
Sajed MotevallianAI Transformation Consultant
Scroll to beginScrollen zum Start

01 · Situation01 · Ausgangslage

AI in German banking: no longer “if”, but “how”KI im deutschen Bankwesen: nicht mehr „ob“, sondern „wie“

Most banks already experiment with AI. The hard part is turning an idea into something a bank can approve, govern and measure – before money is spent on technology.Die meisten Banken experimentieren bereits mit KI. Die eigentliche Hürde: aus einer Idee etwas zu machen, das eine Bank freigeben, steuern und messen kann – bevor Geld in Technologie fließt.

87%

of 102 surveyed executives at German banks and financial institutions say their institution already partly relies on AI tools in lending.

von 102 befragten Führungskräften deutscher Banken und Finanzinstitute geben an, dass ihr Institut im Kreditgeschäft bereits teilweise auf KI-Tools setzt.

Cofinpro survey via IT-Finanzmagazin, Oct 2026 · self-reported, not representativeCofinpro-Studie via IT-Finanzmagazin, Okt. 2026 · Selbstauskunft, nicht repräsentativ

2023

Since its 7th amendment, MaRisk explicitly applies its model rules to AI – the governance expectations are already set.

Seit der 7. Novelle gelten die Modellanforderungen der MaRisk ausdrücklich auch für KI – die Governance-Erwartungen stehen.

PwC Risk Blog, Jul 2023 · MaRisk 06/2026, AT 4.3.4PwC Risk Blog, Juli 2023 · MaRisk 06/2026, AT 4.3.4

2 Dec 2027

EU AI Act high-risk obligations for credit scoring of natural persons apply – after the 2026 Digital Omnibus.

Ab dann gelten die Hochrisiko-Pflichten des EU AI Act für die Kreditwürdigkeitsprüfung natürlicher Personen – nach dem Digital Omnibus 2026.

Regulation (EU) 2026/1744 via Mondaq · AI Act Annex III 5(b)Verordnung (EU) 2026/1744 via Mondaq · AI Act Anhang III 5(b)

At the same time, German banks are hiring ahead of a retirement wave (Börsen-Zeitung, Oct 2026) – making analyst capacity a growing constraint. (Our reading.)Gleichzeitig stellen deutsche Banken vor einer Ruhestandswelle vorsorglich ein (Börsen-Zeitung, Okt. 2026) – Analystenkapazität wird zum Engpass. (Unsere Einschätzung.)

02 · Approach02 · Vorgehen

A structured answer: the AI Product & System CanvasEine strukturierte Antwort: der AI Product & System Canvas

Created by Mikhail Rozhkov (Nebius) and inspired by Alexander Osterwalder's Business Model Canvas, the canvas breaks an AI initiative into 15 connected decisions across three layers. Its core idea: early decisions constrain later ones – so business intent comes first and technology last.Der von Mikhail Rozhkov (Nebius) entwickelte und vom Business Model Canvas von Alexander Osterwalder inspirierte Canvas zerlegt eine KI-Initiative in 15 verbundene Entscheidungen auf drei Ebenen. Die Kernidee: Frühe Entscheidungen begrenzen spätere – deshalb kommt die geschäftliche Absicht zuerst und die Technologie zuletzt.

WHY · Components 1–5Komponenten 1–5

Business foundationGeschäftliches Fundament

Problem · metrics · value · cost · go-to-market

Problem · Kennzahlen · Nutzen · Kosten · Markteinführung

Why build it – and is it worth it?Warum bauen – und lohnt es sich?

WHAT · Components 6–10Komponenten 6–10

Product blueprintProdukt-Blueprint

Product shape · AI engine · solution metrics · validation · user experience

Produktform · KI-Engine · Lösungskennzahlen · Validierung · Nutzererlebnis

What exactly are we building, and how should it behave?Was genau bauen wir – und wie soll es sich verhalten?

HOW · Components 11–15Komponenten 11–15

System designSystemdesign

Data pipelines · MLOps · compute infrastructure · deployment & serving · monitoring

Datenpipelines · MLOps · Recheninfrastruktur · Deployment & Serving · Monitoring

Not covered on this pageNicht Teil dieser Seite

Framework: AI Product & System Canvas by Mikhail Rozhkov (Nebius), taught in the Nebius Academy AI Leader programme. Referenced with attribution; this page is independent work and not affiliated with or endorsed by Nebius.Framework: AI Product & System Canvas von Mikhail Rozhkov (Nebius), vermittelt im Nebius-Academy-Programm „AI Leader“. Mit Quellenangabe verwendet; diese Seite ist eine unabhängige Arbeit und steht in keiner Verbindung zu Nebius.

03 · Challenge03 · Herausforderung

The client: a regional bank under capacity pressureDer Mandant: eine Regionalbank unter Kapazitätsdruck fictionalfiktiv

~€5bntotal assetsBilanzsumme
~€1.1bncorporate loansFirmenkundenkredite
~800corporate annual reviews per yearJahresüberprüfungen pro Jahr
~6hanalyst time per credit memoAnalystenzeit je Kreditvorlage

Sized on German savings-bank averages (DSGV, 2025): 342 institutions, €1,620bn total assets, €363bn loans to companies and self-employed. Per-memo time is an assumption.Dimensioniert auf Basis von Sparkassen-Durchschnittswerten (DSGV, 2025): 342 Institute, 1.620 Mrd. € Bilanzsumme, 363 Mrd. € Firmenkredite. Die Zeit je Vorlage ist eine Annahme.

My roleMeine Rolle

As an AI Transformation Consultant, I work with the Head of Credit Back Office and the CRO office to frame the problem with the canvas – before any vendor, model or architecture is chosen.

Als AI Transformation Consultant arbeite ich mit der Leitung Marktfolge Aktiv und dem Bereich des CRO, um das Problem mit dem Canvas zu strukturieren – bevor Anbieter, Modell oder Architektur feststehen.

How this case was builtWie dieser Case entstanden ist

Every component rests on two kinds of evidence: desk research actually carried out (regulatory texts, market studies, sector statistics – see Sources) and an engagement design, i.e. the interviews, workshops and tests a real engagement would use to confirm each assumption. Because the client is fictional, engagement steps are described, not reported as performed.

Jede Komponente stützt sich auf zwei Arten von Evidenz: tatsächlich durchgeführte Desk Research (Regulierungstexte, Marktstudien, Sektorstatistiken – siehe Quellen) und ein Engagement-Design, also die Interviews, Workshops und Tests, mit denen ein echtes Projekt jede Annahme bestätigen würde. Da der Mandant fiktiv ist, werden diese Schritte beschrieben, nicht als durchgeführt berichtet.

Desk researchDesk ResearchEngagement designEngagement-Design

04 · Solution · WHY · 01 / 1004 · Lösung · WARUM · 01 / 10

Business problemGeschäftsproblem

Canvas formatCanvas-FormatAt ~[scale], [current workflow] causes [pain/cost/risk]. This matters because [why now]. Target: [outcome]. Constraint: [limit/guardrail].Bei ~[Umfang] verursacht [aktueller Ablauf] [Aufwand/Kosten/Risiko]. Relevant, weil [warum jetzt]. Ziel: [Ergebnis]. Rahmenbedingung: [Grenze].

At
~800 corporate annual reviews per year (legal-entity borrowers of a ~€5bn regional bank), credit analysts manually gather annual statements, interim management accounts and credit-bureau reports, re-key the figures and write each credit memo (~6 hours).
Causes
~€0.3M per year in analyst effort (~3 FTE), seasonal review backlogs and memo quality that varies by author.
Matters because
German banks are hiring ahead of a retirement wave, and the private banks' employers' association expects AI to take over standardised back-office tasks. 87% of surveyed institutions already partly use AI in lending. And the governance rules are settled: MaRisk has explicitly covered AI models since 2023.
Target
Analysts spend their time on judgement rather than collection and drafting; reviews are completed on time with consistent quality.
Constraint
Assist-only: the analyst owns the risk assessment and, where a credit decision is involved, the back-office vote. Legal-entity borrowers only, personal guarantors excluded. Data stays in bank-controlled systems.
Bei
rund 800 jährlichen Kreditüberprüfungen von Firmenkunden (juristische Personen, Regionalbank mit ~5 Mrd. € Bilanzsumme) sammeln Kreditanalysten Jahresabschlüsse, BWAs und Auskunfteiberichte manuell, übertragen die Zahlen von Hand und schreiben jede Kreditvorlage selbst (~6 Stunden).
Folge
~0,3 Mio. € Analystenaufwand pro Jahr (~3 VZÄ), saisonale Rückstände und eine Vorlagenqualität, die vom Verfasser abhängt.
Relevant, weil
Banken vor einer Ruhestandswelle vorsorglich einstellen und der Arbeitgeberverband der privaten Banken erwartet, dass KI standardisierte Marktfolge-Tätigkeiten übernimmt. 87 % der befragten Institute setzen im Kreditgeschäft bereits teilweise KI ein. Und der Governance-Rahmen steht: Die MaRisk adressieren KI-Modelle seit 2023 ausdrücklich.
Ziel
Analysten nutzen ihre Zeit für die Beurteilung statt für Sammeln und Schreiben; Überprüfungen sind fristgerecht und in einheitlicher Qualität erledigt.
Rahmenbedingung
Nur Assistenz: Der Analyst verantwortet die Risikobeurteilung und – sofern eine Kreditentscheidung ansteht – das Marktfolgevotum. Nur juristische Personen, keine Beurteilung von Bürgen. Die Daten bleiben in bankkontrollierten Systemen.

04 · Solution · WHY · 02 / 1004 · Lösung · WARUM · 02 / 10

Business metricsGeschäftskennzahlen

Canvas formatCanvas-FormatPrimary: … ≥/≤ …; Secondary: … ≥/≤ …; Timeframe: …; Stop: if … by … then …Primär: … ≥/≤ …; Sekundär: … ≥/≤ …; Zeitrahmen: …; Stopp: wenn … bis … dann …

Primary
Average analyst time per annual-review memo, measured across all eligible reviews whether the assistant was used or not: ≤4.5h (−25%) in the pilot, ≤4.2h (−30%) sustained. Overdue annual reviews −50% vs baseline.
Secondary
Adoption on ≥70% of eligible reviews in the pilot and ≥85% department-wide by month 12. Memos returned for rework stay at or below baseline.
Timeframe
Baseline (4-week time log plus 12 months of workflow timestamps) → 12-week pilot → 12 months sustained.
Stop
If by week 8 the time saving is below 10% or rework rises above baseline, then pause and rescope.
Primär
Durchschnittliche Analystenzeit je Überprüfungsvorlage, gemessen über alle geeigneten Fälle – mit oder ohne Assistent: ≤4,5 h (−25 %) im Pilot, ≤4,2 h (−30 %) nachhaltig. Überfällige Jahresüberprüfungen −50 % ggü. Ausgangswert.
Sekundär
Nutzung bei ≥70 % der geeigneten Fälle im Pilot und ≥85 % abteilungsweit bis Monat 12. Zur Nachbearbeitung zurückgegebene Vorlagen bleiben auf oder unter Ausgangsniveau.
Zeitrahmen
Ausgangsmessung (4 Wochen Zeiterfassung plus 12 Monate Workflow-Zeitstempel) → 12-wöchiger Pilot → 12 Monate Regelbetrieb.
Stopp
Liegt die Zeitersparnis in Woche 8 unter 10 % oder steigt die Nachbearbeitung über den Ausgangswert, wird pausiert und der Umfang neu zugeschnitten.

04 · Solution · WHY · 03 / 1004 · Lösung · WARUM · 03 / 10

Value for customersKundennutzen

Canvas formatCanvas-FormatFor [user] with [problem], we provide [specific value], better than [current alternative], resulting in [measurable benefit].Für [Nutzer] mit [Problem] bieten wir [konkreten Nutzen], besser als [heutige Alternative], mit dem Ergebnis [messbarer Effekt].

Primary
For credit analysts handling ~800 corporate annual reviews a year, who spend most of each ~6-hour review collecting figures, re-keying them and writing standard text, we provide a head start on every review: figures gathered and checked against the source documents, plus a first draft that highlights what changed since last year. Better than copying last year's memo by hand, resulting in ≥25% less time per memo (30% sustained) and more time for judging the real risks.
Secondary
For credit approvers who read memos of varying structure and depth, we provide a consistent memo with key changes and open points visible at a glance. Better than each analyst's own format, resulting in faster sign-off with rework at or below baseline.
Primär
Für Kreditanalysten mit rund 800 Jahresüberprüfungen pro Jahr, die den Großteil jeder ~6-stündigen Überprüfung mit Sammeln, Übertragen und Standardtexten verbringen, bieten wir einen Vorsprung bei jedem Fall: Zahlen bereits gesammelt und gegen die Quelldokumente geprüft, dazu ein erster Entwurf, der die Veränderungen zum Vorjahr hervorhebt. Besser als das manuelle Fortschreiben der Vorjahresvorlage – mit ≥25 % weniger Zeit je Vorlage (30 % nachhaltig) und mehr Zeit für die echten Risiken.
Sekundär
Für Kompetenzträger, die Vorlagen unterschiedlicher Struktur und Tiefe lesen, bieten wir eine einheitliche Vorlage mit den wichtigsten Veränderungen und offenen Punkten auf einen Blick. Besser als das individuelle Format jedes Analysten – mit schnelleren Freigaben bei Nachbearbeitung auf oder unter Ausgangsniveau.

04 · Solution · WHY · 04 / 1004 · Lösung · WARUM · 04 / 10

Cost structureKostenstruktur

Canvas formatCanvas-FormatCosts: [one-time drivers] + [ongoing drivers]; Unit: [€/interaction]; Breakpoint: [trigger → cost structure change]; ROI: [payback range] / [savings range].Kosten: [einmalige Treiber] + [laufende Treiber]; Einheit: [€/Vorgang]; Kipppunkt: [Auslöser → Strukturwechsel]; ROI: [Amortisation] / [Einsparung].

Costs
One-time ~€110–150k for integration with the document archive and the financial-statement analysis system, an evaluation dataset, governance set-up (MaRisk model suitability and outsourcing checks, data protection, DORA ICT third-party requirements) and analyst training, assuming an AI platform the bank already runs. Ongoing ~€34k per year for platform share, maintenance, annual model validation and quality sampling. Inference is negligible at a few euros per memo.
Unit
All-in cost per annual-review memo: €360 baseline → ≤€300 by month 12 (≈€295 at the −30% target).
Breakpoint
Below ~600–700 memos per year, the fixed governance and run block isn't covered → extend to further memo types. A stand-alone platform (~€300–400k one-time) would need ~1,600–1,900 memos per year and is ruled out.
ROI
Payback within 36 months, which requires an average time saving of ≥30%. Net savings ~€38k/yr at pilot level, ~€52k/yr at target.
Kosten
Einmalig ~110–150 T€ für die Anbindung an Dokumentenarchiv und Bilanzanalysesystem, einen Evaluationsdatensatz, Governance (MaRisk-Eignungsprüfung und Auslagerungsprüfung, Datenschutz, DORA-Anforderungen an IKT-Drittdienstleister) und Schulung – unter der Annahme, dass die Bank bereits eine KI-Plattform betreibt. Laufend ~34 T€ pro Jahr für Plattformanteil, Wartung, jährliche Modellvalidierung und Stichproben. Inferenzkosten sind mit wenigen Euro je Vorlage vernachlässigbar.
Einheit
Vollkosten je Überprüfungsvorlage: 360 € heute → ≤300 € bis Monat 12 (≈295 € beim Ziel von −30 %).
Kipppunkt
Unter ~600–700 Vorlagen pro Jahr sind die fixen Governance- und Betriebskosten nicht gedeckt → Ausweitung auf weitere Vorlagenarten. Eine eigenständige Plattform (~300–400 T€ einmalig) bräuchte ~1.600–1.900 Vorlagen pro Jahr und scheidet aus.
ROI
Amortisation innerhalb von 36 Monaten; dafür ist eine durchschnittliche Zeitersparnis von ≥30 % nötig. Nettoeinsparung ~38 T€/Jahr auf Pilotniveau, ~52 T€/Jahr im Zielbild.

04 · Solution · WHY · 05 / 1004 · Lösung · WARUM · 05 / 10

Go-to-marketMarkteinführung

Canvas formatCanvas-FormatDistribution: [cohort 1] → [cohort 2] → [broad]; Activation: [first value in X time]; Gates: [adoption/business thresholds] + quality evidence holds.Verteilung: [Gruppe 1] → [Gruppe 2] → [breit]; Aktivierung: [erster Nutzen in X Zeit]; Gates: [Nutzungs-/Geschäftsschwellen] + Qualitätsnachweis hält.

Distribution
One volunteer analyst team (4–5 analysts, standard reviews, ~60 memos in 12 weeks, placed in peak season) → all credit analysts (~800 annual reviews per year) → further memo types (new loans, limit increases). Watch-list and restructuring cases stay manual at every stage.
Activation
After a short AI-literacy and tool training, each pilot analyst completes a real annual review from a pre-filled draft in week 1 and sees what changed since last year at a glance.
Gates
Gate 0 (before baseline): staff-council agreement signed, offline validation passed. Gate 1 (pilot → department): ≤4.5h average, ≥70% adoption, rework ≤ baseline, quality evidence holds for two cycles. Gate 2 (→ further memo types): ≥30% saving sustained for 6 months, ≥85% adoption, annual validation passed.
Verteilung
Ein freiwilliges Analystenteam (4–5 Personen, Standardfälle, ~60 Vorlagen in 12 Wochen, in der Hochsaison) → alle Kreditanalysten (~800 Jahresüberprüfungen pro Jahr) → weitere Vorlagenarten (Neukredite, Limiterhöhungen). Intensiv- und Sanierungsfälle bleiben in jeder Phase manuell.
Aktivierung
Nach einer kurzen KI-Kompetenz- und Toolschulung erledigt jeder Pilotanalyst in Woche 1 eine echte Jahresüberprüfung auf Basis eines vorbefüllten Entwurfs und sieht die Veränderungen zum Vorjahr auf einen Blick.
Gates
Gate 0 (vor der Ausgangsmessung): Vereinbarung mit der Personalvertretung unterzeichnet, Offline-Validierung bestanden. Gate 1 (Pilot → Abteilung): ≤4,5 h im Schnitt, ≥70 % Nutzung, Nachbearbeitung ≤ Ausgangswert, Qualitätsnachweis über zwei Zyklen. Gate 2 (→ weitere Vorlagenarten): ≥30 % Ersparnis über 6 Monate, ≥85 % Nutzung, jährliche Validierung bestanden.

04 · Solution · WHAT · 06 / 1004 · Lösung · WAS · 06 / 10

Product shapeProduktform

Canvas formatCanvas-FormatForm: [where it lives]; User: [who interacts]; Workflow point: [where it enters their work]; Output: [what it provides].Form: [wo es lebt]; Nutzer: [wer interagiert]; Einstiegspunkt: [wo es in die Arbeit eingreift]; Output: [was es liefert].

Form
An assistant built into the bank's existing credit workflow, so analysts don't learn a separate tool. It prepares a review pack in the background and shows it as a panel inside the credit file. Fallback: a separate app linked from the credit file.
User
The credit analyst in the credit back office.
Workflow point
When an annual review is due – after the new annual statements are entered into the financial-statement analysis system, and before the analyst starts writing the memo.
Output
A review pack: (1) a pre-filled memo draft in the bank's standard structure, every figure linked to its source page; (2) a year-on-year change summary with flagged points; (3) a completeness check of documents. No credit vote, no rating, no decision – nothing reaches an approver without the analyst's sign-off.
Form
Ein Assistent im bestehenden Kreditworkflow der Bank – kein separates Tool. Er erstellt im Hintergrund ein Überprüfungspaket und zeigt es als Panel in der Kreditakte. Rückfalloption: eine separate Anwendung, verlinkt aus der Kreditakte.
Nutzer
Der Kreditanalyst in der Marktfolge.
Einstiegspunkt
Wenn eine Jahresüberprüfung fällig ist – nach Erfassung der neuen Abschlüsse im Bilanzanalysesystem und bevor der Analyst mit der Vorlage beginnt.
Output
Ein Überprüfungspaket: (1) vorbefüllter Vorlagenentwurf in der Standardstruktur der Bank, jede Zahl mit Quellenseite verlinkt; (2) Zusammenfassung der Vorjahresänderungen mit markierten Punkten; (3) Vollständigkeitsprüfung der Unterlagen. Kein Votum, kein Rating, keine Entscheidung – nichts erreicht den Kompetenzträger ohne Freigabe des Analysten.

04 · Solution · WHAT · 07 / 1004 · Lösung · WAS · 07 / 10

AI engineKI-Engine

Canvas formatCanvas-FormatApproach: [pattern]; How it works: [end-to-end logic]; Start with / Evolve to: [off-the-shelf first] → [custom later]; Risks: [top 1–3].Ansatz: [Muster]; Funktionsweise: [Ende-zu-Ende-Logik]; Start / Ausbau: [Standard zuerst] → [später angepasst]; Risiken: [Top 1–3].

Approach
Composition – Structured Output + Grounded Generation. Ratios are calculated by the existing rule-based analysis system, not by the AI.
How it works
Check the documents received → take figures from the analysis system and last year's memo → extract facts (management report, audit opinion, credit-bureau report) with page references → compute year-on-year changes with fixed rules and flag outliers → draft each section from these sources only, linking every statement and marking gaps as “analyst input needed”.
Start → evolve
A general-purpose language model and document reading on the bank's existing AI platform, guided by the bank's memo template → specially trained extraction for recurring document types only if errors persist. Agentic steps later, once the assist phase has proven reliable.
Risks
Misread figures (wrong year, unit or entity) · statements carried over from last year as if still current · a material change not flagged (e.g., a going-concern note).
Ansatz
Komposition – Structured Output + Grounded Generation. Kennzahlen berechnet weiterhin das bestehende regelbasierte Bilanzanalysesystem, nicht die KI.
Funktionsweise
Eingegangene Unterlagen prüfen → Zahlen aus dem Analysesystem und die Vorjahresvorlage übernehmen → Fakten (Lagebericht, Bestätigungsvermerk, Auskunftei) mit Seitenangabe extrahieren → Vorjahresänderungen regelbasiert berechnen und Auffälligkeiten markieren → jeden Abschnitt nur aus diesen Quellen entwerfen, jede Aussage verlinken und Lücken als „Eingabe Analyst nötig“ kennzeichnen.
Start → Ausbau
Ein allgemeines Sprachmodell mit Dokumentenerfassung auf der bestehenden KI-Plattform, gesteuert über die Vorlagenstruktur der Bank → speziell trainierte Extraktion für wiederkehrende Dokumenttypen nur bei anhaltenden Fehlern. Agentische Schritte später, sobald sich die Assistenzphase bewährt hat.
Risiken
Falsch gelesene Zahlen (Jahr, Einheit, Gesellschaft) · Vorjahresaussagen werden als aktuell übernommen · eine wesentliche Veränderung wird nicht markiert (z. B. Hinweis auf Bestandsgefährdung).

04 · Solution · WHAT · 08 / 1004 · Lösung · WAS · 08 / 10

Solution metricsLösungskennzahlen

Canvas formatCanvas-FormatQuality: [metric ≥/≤ threshold]; Performance: [latency / throughput / reliability thresholds].Qualität: [Kennzahl ≥/≤ Schwelle]; Leistung: [Latenz / Durchsatz / Zuverlässigkeit].

Quality
Figure fidelity 100% · material-flag recall ≥95% with zero missed critical flags (≥30 seeded cases) · groundedness ≥95% · draft acceptance ≥60% of sections · consistency ≥95% on re-runs.
Performance
Pack ready ≤30 minutes after data entry · peak-season volume (~3× average) without backlog · ≥98% usable packs, with a visible manual fallback on failure.
Qualität
Zahlentreue 100 % · Trefferquote wesentlicher Hinweise ≥95 %, kein übersehener kritischer Hinweis (≥30 eingestreute Fälle) · Quellenbelegung ≥95 % · Übernahme der Entwürfe ≥60 % der Abschnitte · Konsistenz ≥95 % bei Wiederholung.
Leistung
Paket ≤30 Minuten nach Erfassung bereit · Hochsaison-Volumen (~3× Durchschnitt) ohne Rückstau · ≥98 % nutzbare Pakete, sichtbarer manueller Rückfall bei Fehlern.

04 · Solution · WHAT · 09 / 1004 · Lösung · WAS · 09 / 10

Validation strategyValidierungsstrategie

Canvas formatCanvas-FormatOffline: [dataset + evaluation]; Live: [exposure strategy]; Expansion & monitoring: [gate + ongoing evidence]; Stop/Rollback: if [condition], then [action].Offline: [Datensatz + Auswertung]; Live: [Freigabestrategie]; Ausweitung & Monitoring: [Gate + laufender Nachweis]; Stopp/Rollback: wenn [Bedingung], dann [Maßnahme].

Offline
~100 anonymised historical review files with ≥30 seeded critical flags; automated checks of figures and flags, independent review by two analysts, risk-control sign-off of model suitability before any live use.
Live
Shadow mode during the 4-week baseline – packs generated but hidden, then compared with the memos analysts actually wrote → assist mode for the pilot team. Memo content never runs on “auto”.
Expansion & monitoring
Thresholds hold for two 4-week cycles → staged rollout by scope. Ongoing: 10% monthly sampling, analyst “flag as wrong” signal, full test re-run after every change, annual model validation.
Stop / rollback
Critical error in an approved memo → back to shadow mode and root-cause analysis. Thresholds missed once → freeze expansion; twice → back to shadow. Failed re-run → roll back to the previous version.
Offline
~100 anonymisierte historische Fälle mit ≥30 eingestreuten kritischen Hinweisen; automatische Prüfung von Zahlen und Hinweisen, unabhängige Durchsicht durch zwei Analysten, Freigabe der Modelleignung durch das Risikocontrolling vor jedem Live-Einsatz.
Live
Schattenbetrieb während der 4-wöchigen Ausgangsmessung – Pakete werden erzeugt, aber nicht angezeigt und mit den tatsächlichen Vorlagen verglichen → Assistenzbetrieb im Pilotteam. Vorlageninhalte laufen nie „automatisch“.
Ausweitung & Monitoring
Schwellen halten über zwei 4-Wochen-Zyklen → stufenweise Ausweitung. Laufend: 10 % Stichprobe pro Monat, Analysten-Signal „als falsch markieren“, vollständiger Testlauf nach jeder Änderung, jährliche Modellvalidierung.
Stopp / Rollback
Kritischer Fehler in einer freigegebenen Vorlage → zurück in den Schattenbetrieb und Ursachenanalyse. Schwellen einmal verfehlt → Ausweitung stoppen; zweimal → Schattenbetrieb. Fehlgeschlagener Testlauf → Rückkehr zur Vorversion.

04 · Solution · WHAT · 10 / 1004 · Lösung · WAS · 10 / 10

User experienceNutzererlebnis

Canvas formatCanvas-FormatUser scenarios: …; Primary actions: …; AI-specific UX: [disclosure + control + uncertainty]; Privacy: …Nutzungsszenarien: …; Hauptaktionen: …; KI-spezifische UX: [Kennzeichnung + Kontrolle + Unsicherheit]; Datenschutz: …

User scenarios
(1) Standard annual review – open file, review flagged changes, check sections, write the judgement sections, sign. (2) Critical flag, e.g. a going-concern note – affected sections handled manually with the team lead; if the file moves to the watch list, the assistant steps back. (3) Incomplete documents – request via the relationship manager, then regenerate.
Primary actions
Per section: Accept / Edit / Reject / Flag as wrong. Per pack: Regenerate / Switch to manual. Finish: Sign – possible only after every flagged change is acknowledged.
AI-specific UX
“AI draft” label until accepted · source link on every statement · source-support status instead of a confidence score · judgement sections (assessment, conditions, vote) always start empty.
Privacy
Only the file under review is processed; no guarantor documents; no training on client data; team-level usage data only; data flows reviewed with the data protection officer before go-live.
Szenarien
(1) Standard-Jahresüberprüfung – Akte öffnen, markierte Änderungen prüfen, Abschnitte durchsehen, Beurteilungsteile schreiben, zeichnen. (2) Kritischer Hinweis, z. B. Bestandsgefährdung – betroffene Abschnitte manuell mit der Teamleitung; wechselt der Fall in die Intensivbetreuung, tritt der Assistent zurück. (3) Unvollständige Unterlagen – Anforderung über den Firmenkundenberater, dann neu erzeugen.
Hauptaktionen
Je Abschnitt: Übernehmen / Bearbeiten / Verwerfen / Als falsch markieren. Je Paket: Neu erzeugen / Manuell weiterarbeiten. Abschluss: Zeichnen – erst möglich, wenn jede markierte Änderung bestätigt ist.
KI-spezifische UX
Kennzeichnung „KI-Entwurf“ bis zur Übernahme · Quellenlink bei jeder Aussage · Status der Quellenbelegung statt Konfidenzwert · Beurteilungsteile (Risikobeurteilung, Auflagen, Votum) starten immer leer.
Datenschutz
Verarbeitet wird nur die aktuelle Akte; keine Bürgenunterlagen; kein Training mit Kundendaten; Nutzungsdaten nur auf Teamebene; Datenflüsse vor Start mit dem Datenschutzbeauftragten abgestimmt.

05 · Result05 · Ergebnis

The canvas at a glanceDer Canvas auf einen Blick

Ten decisions, one page: the business foundation (WHY) and the product blueprint (WHAT). The technical layer (HOW) follows once there is evidence.Zehn Entscheidungen auf einer Seite: das geschäftliche Fundament (WARUM) und der Produkt-Blueprint (WAS). Die technische Ebene (WIE) folgt, sobald Evidenz vorliegt.

WHY · Business foundationWARUM · Geschäftliches Fundament
01Business problemGeschäftsproblem

At ~800 corporate annual reviews/year, analysts manually gather, re-key and write each credit memo (~6h), causing ~€0.3M/year effort, backlogs and uneven quality. This matters because of a retirement wave and settled AI governance rules. Target: faster, consistent memos. Constraint: assist-only; the analyst owns the assessment and the vote.

Bei ~800 Jahresüberprüfungen/Jahr sammeln, übertragen und schreiben Analysten jede Vorlage manuell (~6 h) – ~0,3 Mio. €/Jahr Aufwand, Rückstände, uneinheitliche Qualität. Relevant wegen Ruhestandswelle und etabliertem KI-Governance-Rahmen. Ziel: schnellere, einheitliche Vorlagen. Rahmen: nur Assistenz; Beurteilung und Votum bleiben beim Analysten.

02Business metricsGeschäftskennzahlen

Primary: average memo time ≤4.5h (−25%) in pilot, ≤4.2h (−30%) sustained, across all reviews; overdue reviews −50%. Secondary: adoption ≥70% → ≥85%; rework ≤ baseline. Timeframe: 12-week pilot, 12 months sustained. Stop: if saving <10% or rework rises by week 8, pause and rescope.

Primär: Ø Zeit je Vorlage ≤4,5 h (−25 %) im Pilot, ≤4,2 h (−30 %) nachhaltig, über alle Fälle; überfällige Überprüfungen −50 %. Sekundär: Nutzung ≥70 % → ≥85 %; Nachbearbeitung ≤ Ausgangswert. Zeitrahmen: 12 Wochen Pilot, 12 Monate Regelbetrieb. Stopp: Ersparnis <10 % oder mehr Nachbearbeitung in Woche 8 → pausieren.

03Value for customersKundennutzen

Primary: for credit analysts losing most of each ~6h review to collection and drafting, we provide source-checked figures and a first draft that flags year-on-year changes, better than copying last year's memo, resulting in ≥25–30% less time per memo. Secondary: for approvers, consistent memos mean faster sign-off with rework ≤ baseline.

Primär: Für Kreditanalysten, die den Großteil jeder ~6-h-Überprüfung mit Sammeln und Schreiben verbringen, liefern wir geprüfte Zahlen und einen Entwurf mit markierten Vorjahresänderungen – besser als das Fortschreiben der Vorjahresvorlage, mit ≥25–30 % weniger Zeit je Vorlage. Sekundär: Für Kompetenzträger einheitliche Vorlagen und schnellere Freigaben.

04Cost structureKostenstruktur

Costs: one-time integration, evaluation dataset, governance (MaRisk, DORA, data protection) and training (~€110–150k, reusing an existing AI platform) + run ~€34k/yr; inference negligible. Unit: €/memo, €360 → ≤€300. Breakpoint: below ~600–700 memos/yr → add memo types. ROI: payback ≤36 months (needs ≥30% average saving).

Kosten: einmalig Integration, Evaluationsdaten, Governance (MaRisk, DORA, Datenschutz) und Schulung (~110–150 T€, auf bestehender KI-Plattform) + Betrieb ~34 T€/Jahr; Inferenz vernachlässigbar. Einheit: €/Vorlage, 360 € → ≤300 €. Kipppunkt: unter ~600–700 Vorlagen/Jahr → weitere Vorlagenarten. ROI: Amortisation ≤36 Monate (≥30 % Ersparnis nötig).

05Go-to-marketMarkteinführung

Distribution: one volunteer analyst team (standard reviews, peak season) → all credit analysts (~800 reviews/yr) → further memo types; watch-list cases stay manual. Activation: training plus first real review from a draft in week 1. Gates: staff-council agreement before baseline; ≤4.5h, ≥70% adoption, rework ≤ baseline, MaRisk sign-off + quality evidence holds.

Verteilung: ein freiwilliges Analystenteam (Standardfälle, Hochsaison) → alle Kreditanalysten (~800 Fälle/Jahr) → weitere Vorlagenarten; Intensivfälle bleiben manuell. Aktivierung: Schulung und erste echte Überprüfung mit Entwurf in Woche 1. Gates: Personalvertretung vor der Messung; ≤4,5 h, ≥70 % Nutzung, Nachbearbeitung ≤ Ausgangswert, MaRisk-Freigabe + Qualitätsnachweis.

WHAT · Product blueprintWAS · Produkt-Blueprint
06Product shapeProduktform

Form: assistant built into the credit workflow, preparing a review pack. User: credit analyst. Workflow point: after new statements are entered, before memo writing. Output: draft memo with source links, year-on-year change summary, completeness check. No vote, no rating.

Form: Assistent im Kreditworkflow, der ein Überprüfungspaket vorbereitet. Nutzer: Kreditanalyst. Einstiegspunkt: nach Erfassung der Abschlüsse, vor dem Schreiben. Output: Vorlagenentwurf mit Quellenlinks, Vorjahresänderungen, Vollständigkeitsprüfung. Kein Votum, kein Rating.

07AI engineKI-Engine

Approach: Composition (Structured Output + Grounded Generation); ratios stay in the rule-based analysis system. How it works: check documents → take figures and last year's memo → extract facts with page references → flag year-on-year changes → draft source-linked sections, gaps marked. Evolve: trained extraction if needed. Risks: misread figures, outdated carry-overs, missed changes.

Ansatz: Komposition (Structured Output + Grounded Generation); Kennzahlen bleiben im regelbasierten System. Ablauf: Unterlagen prüfen → Zahlen und Vorjahresvorlage übernehmen → Fakten mit Seitenangabe extrahieren → Änderungen markieren → Abschnitte mit Quellenlinks entwerfen, Lücken kennzeichnen. Risiken: falsche Zahlen, veraltete Übernahmen, übersehene Änderungen.

08Solution metricsLösungskennzahlen

Quality: figure fidelity 100%; material-flag recall ≥95% with 0 missed critical flags; groundedness ≥95%; draft acceptance ≥60% of sections; consistency ≥95%. Performance: pack ready ≤30 min after data entry; peak volume (~3×) without backlog; ≥98% usable packs, manual fallback.

Qualität: Zahlentreue 100 %; Trefferquote ≥95 %, 0 übersehene kritische Hinweise; Quellenbelegung ≥95 %; Übernahme ≥60 % der Abschnitte; Konsistenz ≥95 %. Leistung: Paket ≤30 Min. nach Erfassung; Spitzenvolumen (~3×) ohne Rückstau; ≥98 % nutzbare Pakete, manueller Rückfall.

09Validation strategyValidierungsstrategie

Offline: ~100 anonymised files incl. ≥30 seeded critical flags; automated checks + double analyst review; risk-control sign-off. Live: shadow during baseline → assist for the pilot team; memo content never auto. Monitoring: 10% sampling, analyst feedback, test re-runs, annual validation. Rollback: critical error in an approved memo → back to shadow.

Offline: ~100 anonymisierte Fälle mit ≥30 kritischen Hinweisen; automatische Prüfung + doppelte Analystendurchsicht; Freigabe Risikocontrolling. Live: Schattenbetrieb während der Messung → Assistenz im Pilot; nie automatisch. Monitoring: 10 % Stichprobe, Feedback, Testläufe, jährliche Validierung. Rollback: kritischer Fehler → Schattenbetrieb.

10User experienceNutzererlebnis

Scenarios: standard review; critical flag; incomplete documents. Actions: Accept / Edit / Reject / Flag per section; Regenerate; Switch to manual; Sign after acknowledging flags. AI-specific UX: “AI draft” labels, source links, source-support status instead of confidence %, judgement sections start empty. Privacy: file-only processing, no guarantor data, no training on client data, team-level usage data.

Szenarien: Standardfall; kritischer Hinweis; unvollständige Unterlagen. Aktionen: Übernehmen / Bearbeiten / Verwerfen / Markieren; Neu erzeugen; Manuell; Zeichnen nach Bestätigung. KI-UX: „KI-Entwurf“-Kennzeichnung, Quellenlinks, Quellenbelegung statt Konfidenz, Beurteilung startet leer. Datenschutz: nur aktuelle Akte, keine Bürgendaten, kein Training, Teamebene.

HOW · System design – out of scopeWIE · Systemdesign – nicht im Umfang
11Data pipelinesDatenpipelines
12MLOpsMLOps
13Compute infrastructureRecheninfrastruktur
14Deployment & servingDeployment & Serving
15MonitoringMonitoring

06 · Outlook06 · Ausblick

From blueprint to evidenceVom Blueprint zur Evidenz

The canvas is a hypothesis, not a verdict. The next step would be an MVP that tests the riskiest assumptions first – the MVP itself is outside the scope of this page.Der Canvas ist eine Hypothese, kein Urteil. Der nächste Schritt wäre ein MVP, das zuerst die riskantesten Annahmen testet – das MVP selbst ist nicht Teil dieser Seite.

1

IntegrationIntegration

Can the assistant attach to the group IT provider's credit workflow – or is a separate app needed?

Lässt sich der Assistent an den Kreditworkflow des Verbund-IT-Dienstleisters anbinden – oder braucht es eine separate Anwendung?

2

Extraction qualityExtraktionsqualität

Do figures, flags and facts hold up on real, messy files – including the critical cases?

Halten Zahlen, Hinweise und Fakten auf echten, unordentlichen Akten – auch in den kritischen Fällen?

3

Time savingZeitersparnis

Do analysts actually save ≥25% – averaged over all reviews, not just the easy ones?

Sparen Analysten tatsächlich ≥25 % – im Schnitt über alle Fälle, nicht nur die einfachen?

The remaining layer: HOW (components 11–15)Die verbleibende Ebene: WIE (Komponenten 11–15)

11Data pipelinesDatenpipelines12MLOpsMLOps13Compute infrastructureRecheninfrastruktur14Deployment & servingDeployment & Serving15MonitoringMonitoring

These technical decisions are made together with engineers and the bank's IT provider – once the MVP has produced evidence.Diese technischen Entscheidungen fallen gemeinsam mit Engineering und dem IT-Dienstleister der Bank – sobald das MVP Evidenz geliefert hat.

07 · Sources07 · Quellen

SourcesQuellen

Publicly available sources only. Secondary sources are marked; figures were checked against the original where it was accessible.Ausschließlich öffentlich verfügbare Quellen. Sekundärquellen sind gekennzeichnet; Zahlen wurden, wo zugänglich, am Original geprüft.

  1. 01
    MaRisk – Rundschreiben 06/2026 (BA)BaFin / Deutsche Bundesbank · 30 Jun 2026AI model rules (AT 4.3.4), ESG risks, credit decisions · components 1, 4–10
  2. 02
    MaRisk 06/2026 – changes vs. 2024 versionDeutsche Bundesbank · 30 Jun 2026Monitoring submissions vs. prolongations · component 1
  3. 03
    7th MaRisk amendment – new module AT 4.3.5 on modelsPwC Germany Risk Blog · 25 Jul 2023AI covered by MaRisk since 2023 · situation, component 1
  4. 04
    EU AI Act – Annex III (high-risk areas)artificialintelligenceact.eu · Reg. (EU) 2024/1689Credit scoring of natural persons (5(b)) · components 1, 5, 6
  5. 05
    EU Digital Omnibus on AI enters into forceMondaq · Jul 2026High-risk obligations from 2 Dec 2027 · situation
  6. 06
    KI im Kreditgeschäft 2026 (Cofinpro survey, n=102)IT-Finanzmagazin · 16 Oct 2026 · press reportAI adoption, speed-up ranges, acceptance risk · situation, components 1, 2
  7. 07
    Banken stellen vorsorglich einBörsen-Zeitung · 16 Oct 2026 · citing AGV BankenRetirement wave, back-office automation · situation, component 1
  8. 08
    Sparkassen-Finanzgruppe in Zahlen 2025DSGV · 2026Sizing of the fictional bank · challenge, component 1
  9. 09
    Geschäftsentwicklung 2025BVR · 2026Cooperative-bank sector data · component 1
  10. 10
    Kreditanalyst – career profileSparkassen-FinanzgruppeRole of the primary user · components 1, 3
  11. 11
    TVöD monthly pay table 2026City of Ulm · valid 1 May 2026 – 31 Mar 2027Analyst cost assumption (~€60/h) · components 1, 4
  12. 12
    Mistral API pricing overviewPuter · 20 Oct 2026 · secondary sourceOrder-of-magnitude inference cost · component 4
  13. 13
    DORA compliance: European financial firms not readyTNW · 20 Mar 2026DORA ICT third-party requirements · component 4
  14. 14
    KI-Transformation und Betriebsrat: Mitbestimmung richtig gestaltenCMS Germany · 21 Jul 2026Co-determination for AI systems · components 5, 10
  15. 15
    AI Leader programme – AI Product & System CanvasNebius Academy · 2026 · canvas by Mikhail RozhkovFramework, component formats, AI patterns · all components
  1. 01
    MaRisk – Rundschreiben 06/2026 (BA)BaFin / Deutsche Bundesbank · 30.06.2026KI-Modellregeln (AT 4.3.4), ESG-Risiken, Kreditentscheidungen · Komponenten 1, 4–10
  2. 02
    MaRisk 06/2026 – changes vs. 2024 versionDeutsche Bundesbank · 30.06.2026Überwachungsvorlagen vs. Prolongationen · Komponente 1
  3. 03
    7th MaRisk amendment – new module AT 4.3.5 on modelsPwC Deutschland Risk Blog · 25.07.2023KI seit 2023 in den MaRisk · Ausgangslage, Komponente 1
  4. 04
    EU AI Act – Annex III (high-risk areas)artificialintelligenceact.eu · VO (EU) 2024/1689Kreditwürdigkeit natürlicher Personen (5(b)) · Komponenten 1, 5, 6
  5. 05
    EU Digital Omnibus on AI enters into forceMondaq · Juli 2026Hochrisiko-Pflichten ab 02.12.2027 · Ausgangslage
  6. 06
    KI im Kreditgeschäft 2026 (Cofinpro survey, n=102)IT-Finanzmagazin · 16.10.2026 · PresseberichtKI-Nutzung, Beschleunigung, Akzeptanzrisiko · Ausgangslage, Komponenten 1, 2
  7. 07
    Banken stellen vorsorglich einBörsen-Zeitung · 16.10.2026 · mit Daten des AGV BankenRuhestandswelle, Automatisierung der Marktfolge · Ausgangslage, Komponente 1
  8. 08
    Sparkassen-Finanzgruppe in Zahlen 2025DSGV · 2026Dimensionierung der fiktiven Bank · Herausforderung, Komponente 1
  9. 09
    Geschäftsentwicklung 2025BVR · 2026Daten der Genossenschaftsbanken · Komponente 1
  10. 10
    Kreditanalyst – career profileSparkassen-FinanzgruppeRolle des primären Nutzers · Komponenten 1, 3
  11. 11
    TVöD monthly pay table 2026Stadt Ulm · gültig 01.05.2026–31.03.2027Annahme Analystenkosten (~60 €/h) · Komponenten 1, 4
  12. 12
    Mistral API pricing overviewPuter · 20.10.2026 · SekundärquelleGrößenordnung der Inferenzkosten · Komponente 4
  13. 13
    DORA compliance: European financial firms not readyTNW · 20.03.2026DORA-Anforderungen an IKT-Drittdienstleister · Komponente 4
  14. 14
    KI-Transformation und Betriebsrat: Mitbestimmung richtig gestaltenCMS Deutschland · 21.07.2026Mitbestimmung bei KI-Systemen · Komponenten 5, 10
  15. 15
    AI Leader programme – AI Product & System CanvasNebius Academy · 2026 · Canvas von Mikhail RozhkovFramework, Komponentenformate, KI-Muster · alle Komponenten

08 · Disclaimer08 · Haftungsausschluss

What this page is – and is notWas diese Seite ist – und was nicht

  • This page presents an illustrative use case prepared for demonstration purposes only. It is intended to demonstrate the approach of the author (Sajed Motevallian) to framing AI solutions and should not be used for decision-making, reporting or disclosure purposes.
  • The client bank is fictional; any resemblance to an existing institution is unintended. Figures are assumptions anchored in publicly available data. Engagement activities (interviews, workshops, tests) are described as a design, not reported as performed.
  • The author (Sajed Motevallian) created this page independently and not as part of any employment or contractual relationship. It reflects the author's personal views only and does not reflect the opinions, strategies or policies of any current or former employer (including KPMG Germany) or their clients. No confidential or proprietary information has been used.
  • The AI Product & System Canvas was created by Mikhail Rozhkov (Nebius) and is referenced with attribution for illustrative purposes. The author (Sajed Motevallian) does not work for and is not affiliated with or endorsed by Nebius; this page does not represent Nebius Group or Nebius Academy.
  • Only publicly available information was used; all sources are listed above. Research and drafting were supported by AI tools; all content was reviewed and is owned by the author (Sajed Motevallian). This page contains no financial, legal, regulatory or tax advice. Regulatory references reflect the author's reading as of November 2026.
  • Diese Seite zeigt einen illustrativen Use Case, der ausschließlich zu Demonstrationszwecken erstellt wurde. Er soll die Herangehensweise des Autors (Sajed Motevallian) an die Strukturierung von KI-Lösungen zeigen und darf nicht für Entscheidungen, Berichterstattung oder Offenlegung verwendet werden.
  • Die Bank ist fiktiv; Ähnlichkeiten mit bestehenden Instituten sind nicht beabsichtigt. Zahlen sind Annahmen auf Basis öffentlich verfügbarer Daten. Projektaktivitäten (Interviews, Workshops, Tests) sind als Vorgehensdesign beschrieben, nicht als durchgeführt berichtet.
  • Der Autor (Sajed Motevallian) hat diese Seite unabhängig und nicht im Rahmen eines Anstellungs- oder Vertragsverhältnisses erstellt. Sie gibt ausschließlich seine persönliche Sicht wieder und nicht die Meinungen, Strategien oder Richtlinien aktueller oder früherer Arbeitgeber (einschließlich KPMG Deutschland) oder deren Kunden. Es wurden keine vertraulichen oder geschützten Informationen verwendet.
  • Der AI Product & System Canvas wurde von Mikhail Rozhkov (Nebius) entwickelt und wird hier mit Quellenangabe zu Illustrationszwecken verwendet. Der Autor (Sajed Motevallian) ist weder für Nebius tätig noch mit Nebius verbunden oder von Nebius unterstützt; diese Seite vertritt weder die Nebius Group noch die Nebius Academy.
  • Es wurden ausschließlich öffentlich verfügbare Informationen verwendet; alle Quellen sind oben aufgeführt. Recherche und Entwurf wurden durch KI-Werkzeuge unterstützt; alle Inhalte wurden vom Autor (Sajed Motevallian) geprüft und verantwortet. Diese Seite enthält keine Finanz-, Rechts-, Aufsichts- oder Steuerberatung. Regulatorische Bezüge spiegeln den Kenntnisstand des Autors im November 2026 wider.

09 · Contact09 · Kontakt

Sajed Motevallian

Sajed Motevallian

AI Transformation Consultant

I help financial institutions turn AI ideas into decision-ready, compliant products.Ich begleite Finanzinstitute dabei, aus KI-Ideen entscheidungsreife, regelkonforme Produkte zu machen.

  • +3 years of experience in advising leading German financial institutions on regulatory and transformation projects
  • AI Consulting from concept to implementation
  • AI Governance & Transformation
  • +3 Jahre Erfahrung in der Beratung führender deutscher Finanzinstitute bei Regulierungs- und Transformationsprojekten
  • KI-Beratung vom Konzept bis zur Umsetzung
  • KI-Governance und -Transformation
Connect on LinkedInAuf LinkedIn vernetzen WebsiteWebsite

CredentialsZertifikate

  • Nebius AI Leader (2026)
  • AWS Certified AI Business Strategist, AIB-C01 (2026)
  • Microsoft AI Business Professional, AB-730 (2026)
  • AWS Certified AI Practitioner, AIF-C01 (2026)
  • GARP Risk and AI – RAI (2025)