Cognitrace · KI, die Audits besteht und im Betrieb standhält

Projekte

Gebaut, nicht behauptet

Ein freigegebener Case. Weitere Projekte laufen unter NDA.

360 Health & Performance

Skalierung von Expertenwissen in ein auditierbares KI-System

Operationalisierung einer Expertenmethodik als KI-Agent für sensible, datenbasierte Beratungsprozesse. Eingesetzt von Athletinnen und Athleten aus Bundesliga und PGA Tour. Deterministische ML-Analytik liefert Zahlen und Scores. Das LLM ist bewusst auf Synthese und Kommunikation begrenzt. Observability macht Qualität, Kosten und Fehlerverhalten sichtbar.

24/7

System-Verfügbarkeit

≤ 2ms

Kubios-HRV-Inferenz

100%

Task Completion Rate

Übertragbares Muster: Expertenwissen + sensible Daten + Freigaben + Betrieb. Genau dort entscheidet sich, ob KI mehr ist als ein Modell.

trivago Image Concepts

End-to-End MLOps für intent-aware Hotel-Image-Classification

100M+

Images Processed
Production inventory tagging

90+%

Classification Precision
across all classes

End-to-End

MLOps Ownership
R&D, training, hosting & deployment

NDA-Projekt

Cloud-AI-Plattform für mehrere produktive Use Cases

Modell-Routing, Evals, Monitoring, Cost Attribution und Governance-Strukturen für skalierte KI-Programme.

Details nach Freigabe

Gespräch vereinbaren Weitere Projekte laufen unter NDA. Details nur nach Freigabe.

Referenzen

Aus Engagements unseres Teams, auch unter unserem früheren Namen Cloudsail.

„Die Einbindung von KI hat 360 auf ein neues Level gehoben. Nutzer behalten die Kontrolle und sehen früh, was wichtig ist. Miki und das Team haben tief zugehört und mit großer Expertise geliefert. Stellar work."

Justin Buckthorp · Founder & CEO, 360 Health & Performance

„Sie haben offen mitgedacht und die Probleme, die wir lösen wollten, sehr schnell verstanden."

Elio Santana · Technical Lead, Concentrix Tigerspike (Sydney)

„Wir sind beeindruckt von der hohen Qualität ihrer Engineers."

Remy Blechschmidt · Project Lead, Tech Company (NYC)

„Sie waren in unser Team eingebunden, das hat sehr gut funktioniert."

Nourhan Shendy · Senior Project Manager, Technology Services Company (Dubai)

Das Modell ist selten
das Problem

KI-Projekte scheitern selten am Modell. Sie scheitern an Priorisierung, Freigaben, Integration in echte Prozesse, fehlender Messbarkeit oder unkontrollierbaren LLM-Kosten. Genau dort setzen wir an.

Wann wir einsteigen

Wir steigen ein, wenn KI mehr als ein Pilot sein soll

Typische Situationen:

01 Viele KI-Ideen, aber keine klare Priorisierung.

02 Use Case oder Pilot soll freigabefähig und betreibbar werden.

03 AI Agents oder Multi-Agent-Systeme sollen in echte Prozesse integriert werden.

04 Qualität, Drift und Fehlerquoten werden nicht systematisch über Evals gemessen.

05 Kosten lassen sich nicht pro Use Case, Modell oder Workflow zuordnen (AI FinOps).

06 Revision, Datenschutz und Security brauchen Doku & Controls statt Slides.

Systemdenken

Die KI-Wertschöpfungspyramide

Messbarer Geschäftswert entsteht erst, wenn Datenbasis, Use Cases, Engineering, Qualität, Kosten und Governance zusammen funktionieren.

Erst Prozesse verstehen. Dann Systeme bauen

Wir starten nicht beim Modell. Im Fokus stehen Prozesse, Datenzugriff, Risiken und wirtschaftliches Ziel. Danach entstehen Agenten, RAG-Workflows, Evals, FinOps-Strukturen und Betriebsdokumentation.

Use Cases vor Tool-Auswahl.
Engineering vor Demo.
Evals vor Bauchgefühl.
FinOps vor Kostenexplosion.
Governance über alle Ebenen.

Denkmodell, kein Wasserfall. In echten Projekten werden die Ebenen iterativ geschärft.

Gespräch vereinbaren

Leistungen

Vier Einstiege für KI, die in Produktion muss

Vier Einstiegspunkte für KI-Beratung, KI-Implementierung und MLOps: Wir bauen die technische Grundlage, priorisieren tragfähige Use Cases, setzen KI-Systeme in Engineering Sprints um und prüfen bestehende AI Agents im Betrieb auf Qualität, Kosten und Kontrollierbarkeit.

Kein Pflichtpfad. Der Einstieg hängt davon ab, wo das KI-Vorhaben gerade steht.

01 Fundament

Cloud & Data Platform Engineering

KI-Beratung für Cloud- und Datenfundament

Für Organisationen, bei denen Datenzugriff, Cloud-Architektur, Security, Rollenmodelle oder Deployment-Strukturen noch nicht bereit für produktive KI sind. Wir bauen die Grundlage, auf der AI Agents, RAG-Workflows und interne AI Apps sicher betrieben werden können.

Typisch wenn KI-Vorhaben an Datenzugriff, Berechtigungen, Infrastruktur, Security-Freigaben oder fehlenden Betriebsstandards hängen.

Output Cloud-/Datenarchitektur, IaC (Terraform), Integrationspfade, IAM-/Security-Baseline, Monitoring-Grundlage und technische Betriebsdokumentation.

AWS · Azure · Terraform · Datenplattformen · APIs · IAM · Observability

02 Use Cases

AI Use Case Workshops

KI-Beratung: von Ideen zu priorisierten Vorhaben

Für Unternehmen mit vielen KI-Ideen, aber ohne klare Reihenfolge. Wir bewerten Use Cases nach Geschäftswert, Datenlage, technischer Machbarkeit, regulatorischem Risiko, Integrationsaufwand und Produktionsfähigkeit.

Typisch wenn Fachbereiche KI fordern, aber unklar ist, welche Vorhaben belastbar, messbar und umsetzbar sind.

Output Priorisierte Use-Case-Liste, Top-Kandidaten, Risiko-/Machbarkeitsbewertung, Zielbild und klare nächste Schritte.

Use-Case Discovery · Prozessanalyse · AI Readiness · Governance

Kernangebot

03 Build

AI Engineering Sprints

KI-Implementierung produktionsnaher Use Cases

Für priorisierte KI-Vorhaben, die schnell in ein belastbares System übersetzt werden sollen. Wir bauen AI Agents, Multi-Agent-Systeme, RAG-Workflows und interne AI Apps mit Fokus auf Integration, Evals, Observability und Betrieb.

Typisch wenn ein Use Case klar ist und aus Konzept, Pilot oder PoC ein produktionsnahes System entstehen soll.

Output Lauffähiges KI-System, Systemarchitektur, Integrationen, Evals, Logging/Monitoring, Guardrails, Audit Trails, Cost Attribution und Betriebsdokumentation.

AI Agents · Multi-Agent Systems · RAG · Bedrock · Azure OpenAI · Evals

04 Optimierung

AI FinOps & Production Review

MLOps-Review für AI Agents und LLM-Systeme im Betrieb

Für Organisationen mit bestehenden AI Agents, RAG-Systemen oder LLM-Workflows im produktiven oder produktionsnahen Betrieb. Wir prüfen Qualität, Kosten, Architektur, Observability, Modellnutzung, Tool-Aufrufe, Fehlerverhalten und Governance-Strukturen.

Typisch wenn LLM-Kosten steigen, Antwortqualität schwankt, Agenten schwer nachvollziehbar sind oder Security, Datenschutz und Revision belastbare Nachweise brauchen.

Output Technische Review, Kostenanalyse, Eval-Befund, Architektur-Risiken, Optimierungsplan, FinOps-Maßnahmen, Governance-Gaps und konkrete Umsetzungsempfehlungen.

AI FinOps · LLMOps · RAG · Evals · Cost Attribution · Monitoring · Governance

Viele Projekte kombinieren mehrere Einstiege: Plattform-Fundament, Use-Case-Auswahl, Engineering Sprint und späterer Production Review.

KI-Architektur-Check buchen AI-to-Production Scorecard herunterladen

30 Minuten. Ein Use Case oder eine Use-Case-Liste. Klare nächste Schritte.

Fit

Mit wem wir arbeiten

Wir arbeiten mit Organisationen, in denen KI nicht beiläufig ausprobiert und später irgendwie in Produktion geschoben werden kann.

Typische Umfelder

Versicherungen und Banken
Energieversorger und Stadtwerke
Industrie und produzierende Unternehmen
Öffentlich regulierte Bereiche und kritische Infrastruktur
Dokumenten- und freigabelastige Prozesse
Health-adjacent und performance-orientierte Systeme mit sensiblen Daten

Richtig, wenn KI nicht nur getestet, sondern produktiv, auditierbar und wirtschaftlich betrieben werden soll.

Nicht richtig, wenn ein Strategie-Deck reicht, eine Demo das Ziel ist oder Stundensätze nach Tabelle gesucht werden.

Über uns

Wir sind Engineers,
keine Slide-Teams

Wir verbinden AI Engineering, Cloud-Architektur und Produktionsbetrieb für regulierte und betriebskritische Umfelder.

Gegründet von Mickey (Mikolaj) Graf. 13+ Jahre AI, Cloud und verteilte Systeme. Erfahrung aus Startups, Mittelstand, DAX-Konzernen und Fortune-500-Programmen. Schwerpunkt: produktionsreife KI-Systeme, Multi-Agent-Architekturen und Plattformen unter realen Compliance- und Skalierungsanforderungen.

Mitarbeit in einer KI-Arbeitsgruppe zur technischen und operativen Umsetzung des EU AI Act.

“Die Tech-Seite ist nur die halbe Miete. Wenn das System intern nicht freigegeben wird, ist es wertlos.”

Bisher gebaut

AI-Coaching-Agent für 360 Health & Performance mit AWS, Bedrock, Custom ML, Terraform und LLM-Observability
Multi-Agent-Systeme mit Governance-Layer für EU-AI-Act-Readiness
AI-/ML-Infrastruktur bei trivago, inklusive Bilderkennungs-Pipelines über 100M+ Bilder
AWS-/IoT-Modernisierung mit Latenzreduktion von 60s auf 1–2s
E-Mobility-Plattformen für 100.000+ Nutzer in europäischen Ladenetzwerken

Anti-Pitch

Was wir nicht machen

Keine reine KI-Strategie ohne Engineering.
Keine Demos ohne Produktionspfad.
Kein Body-Leasing.
Keine Folien, die nach dem Workshop sterben.

Built for audit.
Designed for production.

FAQ

Fragen, die CTOs, CIOs & CAIOs stellen

Was wir in Erstgesprächen am häufigsten klären – kompakt, ohne Beraterprosa.

Was liefert ein KI-Sprint konkret – PoC oder produktionsreifes System?

Ein Sprint endet nicht mit Folien oder einer Demo. Wir liefern ein lauffähiges System auf einem definierten Use Case, inklusive Architekturentscheidung, Evaluations-Setup, Deployment-Pfad und Übergabedokumentation. Ob das System sofort in den Produktivbetrieb geht oder erst gehärtet wird, hängt vom Risiko-Profil ab – die Architektur ist von Tag 1 darauf ausgelegt.

Wie integriert sich das in unsere bestehende Infrastruktur (SAP, on-prem, Cloud, Legacy)?

Wir arbeiten mit dem Stack, der bei euch steht – nicht gegen ihn. Anbindung an SAP, bestehende Data-Plattformen, on-prem-Systeme oder Hyperscaler erfolgt über die Schnittstellen, die euer Betrieb und eure Security freigeben. Vendor-Lock-in vermeiden wir bewusst: Modelle, Vektor-Stores und Orchestrierung bleiben austauschbar.

Wie stellt ihr Compliance, DSGVO und Auditierbarkeit sicher?

Auditierbarkeit ist kein Add-on, sondern Teil der Architektur: Logging von Prompts, Inputs, Outputs und Modell-Versionen, Datenklassifizierung vor jedem LLM-Call, EU-Hosting wo nötig, klare Trennung zwischen Trainings- und Inferenzdaten. Wir bauen so, dass interne Revision, Datenschutz und externe Prüfer die Systemkette nachvollziehen können.

Was passiert nach dem Sprint – wer betreibt das System?

Default ist Übergabe an euer Team mit Runbook, CI/CD-Pipelines und Monitoring. Wenn intern (noch) keine MLOps-Kapazität existiert, übernehmen wir den Betrieb temporär oder bauen das Team gemeinsam auf. Wir bleiben so lange dran, bis das System ohne uns standhält – und keinen Tag länger.

Wie geht ihr mit Modell-Drift, Halluzinationen und Qualitätssicherung im Betrieb um?

Jedes System bekommt ein Evaluations-Set, das die kritischen Fälle abdeckt, und Monitoring auf Output-Qualität, Latenz und Kosten pro Request. Drift erkennen wir über kontinuierliche Re-Evaluation gegen Goldstandard-Daten. Bei kritischen Pfaden ergänzen wir Guardrails, Human-in-the-Loop oder strukturierte Outputs statt freier Generierung.

Was kostet ein Sprint und wie sehen die laufenden Kosten aus?

Sprints werden als Festpreis-Paket auf einen klar abgegrenzten Use Case kalkuliert – kein Time-and-Material, kein Body-Leasing. Laufende Kosten (Inferenz, GPU, Storage, API-Limits) modellieren wir vor dem Sprint pro Transaktion, damit der Business Case vor dem Bau steht und nicht danach.

Wie wählen wir den richtigen ersten Use Case aus?

Im Vorgespräch priorisieren wir entlang dreier Achsen: messbarer Business-Impact, Datenverfügbarkeit und Risiko-Profil. Der erste Use Case soll groß genug sein, um zu zählen – und klein genug, um in einem Sprint produktionsfähig zu werden. Use-Case-Listen schauen wir uns vorab an und sortieren mit.

Wie viel Zeit kostet uns der Sprint intern – und welche Rollen brauchen wir?

Wir brauchen einen Fach-Owner für den Use Case, einen technischen Ansprechpartner für Daten- und Systemzugänge und punktuell Security/Datenschutz. Realistischer Aufwand intern: 2–4 Stunden pro Woche pro Rolle. Den Engineering-Teil übernehmen wir – ohne dass euer Dev-Team blockiert wird.

Kontakt

Hängt ein KI-Vorhaben vor der Produktion?