Sobhan Daliry, CPO & KI-Strategie-Leiter bei Pipefy – Interviewserie

Sobhan Daliry, CPO & KI-Strategie-Leiter bei Pipefy, ist ein erfahrener Produkt- und Technologie-Executive, der die KI-Strategie des Unternehmens seit 2023 leitet und dabei hilft, traditionelle Geschäftsabläufe in immer intelligenterere und autonomere Prozesse zu verwandeln. Im Laufe seiner Karriere hat Daliry Produktstrategie, organisatorische Transformation und Technologie‑Führung sowohl in Start‑ups als auch in etablierten Unternehmen kombiniert. Bevor er zu Pipefy kam, gründete er Polen.me und war CEO, und verbrachte mehr als fünf Jahre als CEO/CPO von NZN, wo er die Unternehmenssanierung und Produktstrategie leitete. Zu seinen früheren Positionen gehören Director of Product Management bei PSafe, Product Manager bei Peixe Urbano sowie Rollen in den Bereichen digitale Dienste, Telekommunikation, Beratung und Business Development bei Oi/Telemar, Claro, AIRCOM International und Planeta Tecnologia.

Pipefy ist eine globale Prozessmanagement‑ und KI‑Plattform, die Unternehmen dabei unterstützt, Geschäftsabläufe zu automatisieren und zu orchestrieren. Das Unternehmen wurde 2015 gegründet und hat sich von einer No‑Code‑Prozessautomatisierungsplattform zu einer KI‑fokussierten Orchestrierungsumgebung entwickelt, die KI‑Agenten, Workflows, Formulare, Portale, Anwendungen, Daten, Analysen, Messaging und Integrationen zusammenbringt. Die Plattform ermöglicht Teams, KI‑Agenten mithilfe natürlicher Sprache und No‑Code‑Tools zu erstellen und zu verwalten, während Unternehmens‑Governance, Sicherheit und Sichtbarkeit gewährleistet bleiben. Zu den KI‑Funktionen von Pipefy gehören Agenten, die Dokumente interpretieren, Workflow‑Aufgaben ausführen, Entscheidungsfindungen unterstützen, mit externen Systemen interagieren und Prozesse in Bereichen wie Finanzen, Personalwesen, Beschaffung, Kundenbetrieb und Compliance orchestrieren.

Ihre Karriere führte Sie von der Telekommunikations‑Engineering bei Unternehmen wie Claro und Oi über die Produktleitung bei Peixe Urbano und PSafe, über die Tätigkeit als CEO/CPO bei NZN bis hin zur Gründung von Polen.me und heute zur Leitung von Produkt‑ und KI‑Strategie bei Pipefy. Wie hat diese Entwicklung Ihre Denkweise beim Aufbau von KI‑Produkten geprägt, die reale operative Probleme lösen, anstatt lediglich neue Technologie zu präsentieren?

Die Telekommunikation lehrte mich, dass Infrastruktur jedes Mal, in massivem Umfang und ohne Spielraum für „es funktioniert meistens“, einwandfrei funktionieren muss. Ein abgebrochener Anruf ist kein Demo‑Fehler, sondern ein Kunde, der abspringt. Diese Mentalität – Zuverlässigkeit vor Neuheit – hat mich nie verlassen. Bei Peixe Urbano und PSafe lernte ich die gegenteilige Lektion: Wie schnell Verbraucherprodukte leben oder sterben, hängt davon ab, ob sie heute ein echtes, spürbares Problem lösen, nicht ein theoretisches. Die Führung von NZN als CEO/CPO zwang mich, beide Wahrheiten gleichzeitig zu tragen – man kann eine schlechte These nicht durch schnellere Ausführung übertreffen, und man kann schlechte Ausführung nicht durch eine bessere These kompensieren. Die Gründung von Polen.me lehrte mich die teuerste Lektion von allen: Kapital und Zeit sind begrenzt, sodass jede entwickelte Funktion eine nicht entwickelte Funktion ist, und die Kosten, die durch das Verfolgen einer beeindruckenden Demo anstelle eines realen Workflows entstehen, zeigen sich Monate später, nicht auf der Bühne. Als ich zu Pipefy kam, stellte ich zu jeder KI‑Funktion dieselbe Frage, die ich auch zu einem Mobilfunkturm stellen würde: Hält das in der Produktion, unter realer Belastung, wenn niemand hinschaut? Wenn ein KI‑Agent nur in einer kuratierten Demo‑Umgebung funktioniert, ist er kein Produkt – er ist ein Trailer dafür.

Sie haben seit 2023 die Formulierung und Umsetzung der KI‑Strategie von Pipefy geleitet. Welche Annahmen über Unternehmens‑KI hatten Sie zu Beginn, die sich am stärksten verändert haben, während generative KI und KI‑Agenten gereift sind?

Die größte Annahme, die ich aufgeben musste, war, dass das Modell das Flaschenhals sein würde. Im Jahr 2023 optimierten alle – mich eingeschlossen – nach „welches LLM ist das intelligenteste“. Tatsächlich stellte sich heraus, dass der Flaschenhals der Kontext war: Kennt der Agent den eigentlichen Prozess, welche Leitplanken gelten und wie „fertig“ für die spezifische Version der Kreditorenbuchhaltung dieses Kunden aussieht? Die Modellqualität verbesserte sich kontinuierlich auf einer Kurve, die jeder voraussehen konnte; der Prozess‑Kontext verbesserte sich nicht von selbst, weil niemand ihn strukturiert hatte. Die zweite Annahme, die sich umkehrte, betraf die Autonomie. Ich ging davon aus, dass der Markt Agenten wolle, die völlig unabhängig und so schnell wie möglich agieren. Was Unternehmen tatsächlich – und immer noch – wollen, ist begrenzte Autonomie: Agenten, die reale Entscheidungen innerhalb von Regeln treffen, die sie nicht brechen können, und deren Handlungen anschließend nachweislich dokumentiert werden. Vollständige Autonomie ohne Governance ist keine Ambition, sondern lediglich ein Risiko mit einer besseren Benutzeroberfläche. Der Markt entwickelte sich schneller in Bezug auf Vertrauens‑Anforderungen als auf reine Fähigkeits‑Anforderungen, und diese Umkehrung ist das größte Missverständnis, das ich zu Beginn hatte.

Pipefy unterscheidet zwischen relativ einfacher KI‑Automatisierung und KI‑Agenten, die in mehrdeutigen Situationen reasoning, mehrere Schritte planen und Aktionen über einen Workflow hinweg ausführen können. Wie sollten Unternehmen entscheiden, wann eine Aufgabe tatsächlich einen KI‑Agenten erfordert und wann deterministische Automatisierung die bessere Lösung bleibt?

Der Test, den ich verwende, ist einfach: Wenn du die Regel schreiben kannst, schreibe die Regel. Deterministische Automatisierung ist nach wie vor die richtige Lösung für alles, bei dem der Entscheidungsbaum im Voraus bekannt ist und sich nicht ändert — leite diese Rechnung an diesen Genehmiger weiter, wenn sie unter diesem Betrag liegt. Das ist keine Aufgabe für einen Agenten, und so zu tun, als wäre es das, fügt nur Latenz und Unvorhersehbarkeit zu etwas hinzu, das bereits gelöst ist. Ein Agent verdient seinen Platz in dem Moment, in dem die Situation Mehrdeutigkeit aufweist, die eine feste Regel nicht auflösen kann — die Rechnung stimmt nicht exakt mit der Bestellung überein, ein Feld fehlt, die Kundenanfrage passt in keine Ihrer bestehenden Kategorien. Genau hier hat das Schließen von Schlussfolgerungen echten Wert: zu entscheiden, was als Nächstes zu tun ist, wenn „nächstes“ noch nicht festgeschrieben ist. Der Fehler, den ich bei Unternehmen ständig sehe, ist, dass sie einen Agenten für die 80 % der Fälle bauen, die bereits deterministisch waren, weil das schicker wirkt, und die mehrdeutigen 20 % — den eigentlichen schwierigen Teil — einem Menschen zum manuellen Entwirren überlassen. Kehrt man dieses Verhältnis um, hat man etwas wirklich Wertvolles gebaut.

Es gibt eine wachsende Verschiebung von eigenständigen Co‑Piloten hin zu „agentischer Orchestrierung“, bei der KI Prozesse koordinieren kann, die mehrere Systeme umfassen. Was unterscheidet echte agentische Orchestrierung davon, einfach ein großes Sprachmodell zu einer bestehenden Automatisierungsplattform hinzuzufügen?

Das Einsetzen eines LLM‑Knotens in einen bestehenden Automatisierungsablauf liefert einen intelligenteren einzelnen Schritt. Echte Orchestrierung bedeutet, dass die KI eine persistente, strukturierte Sicht auf den gesamten Prozess hat — nicht nur auf diese Aufgabe, sondern darauf, wo sie in der Sequenz steht, was bereits upstream passiert ist und was downstream wahr sein muss, damit sie als erledigt gilt. Der Unterschied liegt darin, ob die Intelligenz ein Gedächtnis des Prozesses oder nur ein Gedächtnis des Prompts hat. Ein Co‑Pilot beantwortet die Frage, die Sie ihm stellen. Orchestrierung koordiniert Aktionen über Systeme hinweg, die nicht nativ miteinander kommunizieren — Ihr ERP, Ihr CRM, die API eines Partners — und erbt dabei dieselben Regeln, Berechtigungen und Audit‑Trail, auf denen der Rest des Prozesses bereits läuft. Wenn Sie eine separate Governance‑Schicht um Ihre KI‑Funktion bauen müssen, weil die darunterliegende Automatisierungsplattform keine hat, besitzen Sie keine agentische Orchestrierung — Sie haben einen Chatbot mit API‑Zugang, und das hat ein völlig anderes Risikoprofil.

No‑Code‑KI‑Agenten könnten Geschäfts‑Teams ermöglichen, zunehmend komplexe Prozesse zu automatisieren, ohne auf Engineering‑Ressourcen warten zu müssen. Wie demokratisieren Sie diese Fähigkeit, ohne eine neue Generation von Shadow‑AI, schlecht entworfenen Agenten oder Sicherheitsrisiken zu erzeugen?

Sie erhalten keine sichere Demokratisierung, indem Sie Geschäfts‑Benutzer bitten, vorsichtiger zu sein — Sie erhalten sie, indem Sie

die Leitplanken Teil des Belags machen, nicht eine separate Spur, in die man einfahren muss. Jeder Agent, den ein Geschäfts‑Benutzer erstellt, erbt dieselbe rollenbasierte Zugriffskontrolle, denselben Audit‑Trail und dieselben Geschäftsregeln, die bereits den Prozess, in dem er gebaut wird, steuern — sie sind keine optionale Konfiguration, sondern strukturell. Das ist die eigentliche Antwort auf Shadow‑AI: Es ist kein Politik‑Problem, sondern ein Architektur‑Problem. Shadow‑AI entsteht, wenn das genehmigte Werkzeug schwieriger zu benutzen ist als das nicht genehmigte, sodass Menschen ihren Agenten in einem privaten ChatGPT‑Konto oder einem zufälligen Automatisierungstool ohne Sichtbarkeit für die IT bauen. Wenn das No‑Code‑Erlebnis wirklich schnell ist und die Governance unsichtbar, weil sie automatisch erfolgt, gibt es keinen Grund für ein Geschäfts‑Team, sie zu umgehen. In dem Moment, in dem Sie Governance zu einem manuellen Schritt machen, an den sich jemand erinnern muss, haben Sie bereits verloren.

Wenn KI‑Agenten die Fähigkeit erlangen, Entscheidungen zu treffen und Aktionen auszuführen, anstatt sie nur zu empfehlen, wie sollten Organisationen entscheiden, wo volle Autonomie angemessen ist und wo Menschen im Loop bleiben sollten?

Die Achse, die ich verwende, ist nicht „wie intelligent der Agent ist“, sondern Umkehrbarkeit und Explosionsradius. Wenn eine falsche Entscheidung billig zu erkennen und billig rückgängig zu machen ist — Routing, Kategorisierung, Entwurf — lassen Sie den Agenten handeln und aggregiert prüfen. Wenn eine falsche Entscheidung teuer, schwer umkehrbar ist oder direkt Geld, Compliance oder eine Kundenbeziehung betrifft, behalten Sie einen Menschen im Loop für diesen spezifischen Schritt, selbst wenn der Agent die letzten tausend Entscheidungen richtig getroffen hat. Der Fehler besteht darin, Autonomie als einen einzigen Regler zu behandeln, den man für den gesamten Workflow hochdreht. Reale Prozesse sind eine Abfolge von Schritten mit stark unterschiedlichen Risikoprofilen, und das richtige Design platziert den Menschen genau an dem Schritt, bei dem ein Fehler teuer ist — nicht überall und nicht nirgends. Das ist auch der Grund, warum Human‑in‑the‑Loop, richtig umgesetzt, keine Steuer auf Geschwindigkeit ist — es ist die Art, das Vertrauen aufzubauen, um es schließlich aus den risikofreien Schritten zu entfernen, weil Sie die Evidenz haben, welche Entscheidungen der Agent konsequent richtig trifft.

Pipefy betont Governance durch Mechanismen wie Audit‑Trails, rollenbasierte Zugriffskontrollen, Geschäftsregeln und Nachverfolgbarkeit innerhalb des Workflows selbst. Wird das Einbetten von Governance direkt in die Orchestrierungsschicht essenziell, wenn Unternehmen KI‑Agenten von Experimenten in die Produktion überführen?

Es wird nicht erst wichtig – es ist bereits so, und die Unternehmen, die das auf die harte Tour erfahren, sind diejenigen, die Agenten zuerst in die Produktion gebracht haben und jetzt die Audit‑Spur nachträglich aufbauen. Das ist umgekehrt und teuer, im Nachhinein zu beheben. Wenn Audit‑Spuren, rollenbasierter Zugriff und Nachverfolgbarkeit nicht nativ in der Orchestrierungsschicht verankert sind, ist jeder neue Agent, den Sie einsetzen, ein neuer Ort, an dem die Governance stillschweigend scheitern kann – und Sie werden es erst merken, wenn ein Prüfer, ein Regulierer oder ein Vorfall die Frage stellt. Die Einbettung von Governance in die Orchestrierungsschicht bedeutet, dass jede Aktion eines Agenten automatisch dieselben Regeln erbt und dieselben Nachweise hinterlässt, die eine menschliche Handlung hinterlassen würde, ohne dass jemand daran denken muss, sie separat zu konfigurieren. Unternehmen, die von KI‑Experimenten zur KI‑Produktion übergehen, entdecken, dass die Erfolgskriterien eines Piloten und die Erfolgskriterien der Produktion unterschiedlich sind: Ein Pilot muss funktionieren, die Produktion muss verteidigungsfähig sein. Governance ist der Unterschied zwischen diesen beiden Barrieren.

Viele Unternehmen können einen beeindruckenden KI‑Pilot vorweisen, haben jedoch Schwierigkeiten, ihn in messbaren Geschäftswert umzusetzen. Auf welche Kennzahlen sollten Führungskräfte achten, um zu bestimmen, ob eine KI‑Automatisierungsinitiative tatsächlich einen ROI liefert, und was sind die häufigsten Gründe, warum vielversprechende Pilotprojekte nicht skaliert werden?

Ich vertraue keiner ROI‑Diskussion über KI, die mit „gesparte Stunden“ beginnt, denn wer hat die Stunden gespart und wie wurde das verifiziert? Die Kennzahlen, die tatsächlich den CFO überzeugen, sind Messgrößen, die Prüfer unabhängig bestätigen können: die Zykluszeit eines spezifischen Prozesses vor und nach der Implementierung; die Fehler‑ oder Nacharbeitsrate; der Anteil eines Workflows, der nun ohne menschliches Eingreifen abgeschlossen wird; und die Abdeckung der Audit‑Linie – können Sie für jede agentische Entscheidung nachweisen, warum sie getroffen wurde? Wenn Sie diesen Nachweis nicht erbringen können, haben Sie keine ROI‑Zahl, sondern nur eine Anekdote. Piloten skalieren fast immer aus demselben Grund nicht: Sie wurden entwickelt, um zu zeigen, dass das Modell funktioniert, nicht um zu beweisen, dass der Prozess von Anfang bis Ende in der Produktion funktioniert und mit den Systemen integriert ist, von denen der Rest des Unternehmens bereits abhängt. Ein Pilot, der in einer Sandbox lebt, getrennt vom eigentlichen System der Aufzeichnung, wirkt immer besser, als er tatsächlich leistet, sobald er in alles andere eingebunden ist, das bereits läuft. Skalierung ist ein Problem der Systemintegration, das sich als KI verkleidet.

Sie haben bei Pipefy auch organisatorische Veränderungsinitiativen geleitet, während Sie neue KI‑Funktionen eingeführt haben. Aus Ihrer Erfahrung, wie viel des erfolgreichen unternehmerischen KI‑Einführungsprozesses ist tatsächlich eine technologische Herausforderung im Vergleich zu einer Prozess‑, Kultur‑ und Change‑Management‑Herausforderung?

Um ehrlich zu sein, ist die erfolgreiche Einführung von KI im Unternehmen zu 20 % Technologie und zu 80 % alles andere. Die Technologie funktioniert heute größtenteils – das ist nicht der Grund, warum ich mir Sorgen mache. Was tatsächlich bestimmt, ob eine KI‑Initiative Bestand hat, ist, ob die Menschen, deren Arbeit sich ändert, dem System genug vertrauen, um die manuelle Prüfung, die sie seit zehn Jahren durchführen, aufzugeben, und ob die Führung bereit ist, den Prozess neu zu gestalten, anstatt KI nur über das alte System zu legen. Wir haben das intern durchlaufen, indem wir unsere eigenen Engineering‑Tools entwickelten – die Technologie, Teile unseres Software‑Build‑Prozesses zu automatisieren, existierte bereits lange bevor das Team ihr genug vertraute, um das manuelle Doppeln zu beenden. Der Durchbruch war kein besseres Modell, sondern ein sichtbarer Beweis, der oft genug wiederholt wurde, dass das Urteil des Systems mit dem ihren übereinstimmt. Change‑Management für KI ist keine Kommunikationsübung, sondern eine Beweis‑Sammel‑Übung – Sie gewinnen Vertrauen in kleinen, verifizierbaren Chargen, Sie deklarieren es nicht in einer Betriebsversammlung.

Wie sehen Sie die Zukunft: Erwarten Sie, dass traditionelle Workflow‑ und Geschäftsprozess‑Software zu Orchestrierungsschichten weiterentwickelt wird, in denen Menschen, KI‑Agenten und Unternehmenssysteme kontinuierlich zusammenarbeiten? Wenn ja, was wird sich grundlegend daran ändern, wie Unternehmen ihre Abläufe entwerfen und verwalten?

Ja, und ich denke, die Verschiebung ist größer, als die meisten Menschen einpreisen. Workflow‑Software diente früher dazu, zu dokumentieren, wie Arbeit ablaufen sollte. Sie wird jetzt zum Ort, an dem Arbeit tatsächlich stattfindet – eine Live‑Runtime, in der Menschen, Agenten und Unternehmenssysteme gleichzeitig im selben gesteuerten Prozess agieren, anstatt dass ein Mensch die Software nachträglich nur als passiven Datensammler nutzt. Grundlegend ändert sich, wo das „System of Record“ tatsächlich lebt. Das Record war früher eine Datenbank, die aktualisiert wurde, sobald etwas bereits außerhalb davon geschehen war. In einer Orchestrierungsschicht sind das Record und die Ausführung dasselbe – der Prozess selbst wird zur Schnittstelle, zugänglich nicht nur über einen Bildschirm, sondern über eine API, einen MCP‑Server, ein CLI, sodass jeder Agent, intern oder von einem Partner, innerhalb desselben Regelwerks handeln kann, das ein Mensch verwenden würde. Unternehmen, die diese Verschiebung als „KI zu meinen bestehenden Tools hinzufügen“ betrachten, werden immer wieder an die von mir zuvor beschriebene Decke stoßen. Diejenigen, die ihre Prozessschicht als das eigentliche Produkt – das, worin es sich zu lohnen lohnt, es richtig zu strukturieren – ansehen, werden einen Vorteil vervielfachen, den niemand einfach durch den Kauf desselben KI‑Modells kopieren kann.

Vielen Dank für das großartige Interview, Leser, die mehr erfahren möchten, sollten Pipefy besuchen.