Vom Versprechen zur Praxis: Vorbereitung auf agentenbasierte Automatisierung im Geschäftsbereich

Transkript

Die meisten Unternehmen haben heute bereits irgendeine Form von KI im Einsatz, aber nur sehr wenige sind tatsächlich bereit, sie im gesamten Unternehmen zu skalieren. Tatsächlich nutzen mittlerweile fast 90 % der Unternehmen KI, aber nur 1 % geben an, dass sie wirklich bereit sind, sie zu skalieren. Genau diese Herausforderung wollen wir angehen. Agentische Automatisierung ist nichts, das man einfach einschalten kann. Sie erfordert solide Datenfundamente, optimierte Prozesse und klare Governance.

Und genau deshalb wird es so wichtig. Warum? Ein Grund könnte die zunehmende Welle von Shadow-KI sein, bei der Mitarbeitende leistungsstarke KI-Tools wie Chatbots oder Code-Generatoren ohne IT-Aufsicht nutzen. Da Shadow-KI mittlerweile zu den größten Unternehmensrisiken zählt und viele Organisationen noch im Pilotmodus verharren, werden wir untersuchen, wie echte Einsatzbereitschaft aussieht und wie es helfen kann, Menschen in den Prozess einzubeziehen, um KI-Ambitionen in reale Auswirkungen umzusetzen. Willkommen bei The Power of Possiblities.

MODERATOR: Okay, also heute haben wir einen ganz besonderen Gast bei uns. Von SPS ist Christian Schierjott dabei. Er ist heute bei uns. Inzwischen ist Christian definitiv zu einem unserer regelmäßigen Podcast-Gäste geworden, da dies bereits das dritte Mal ist, dass er mit uns zusammenarbeitet. Er ist der Leiter für Digitale Transformation und Innovation bei SPS, und wir freuen uns sehr, ihn wieder bei uns zu haben. Willkommen, Christian.

CHRISTIAN SCHIERJOTT: Vielen Dank, dass Sie mich erneut eingeladen haben.

HOST: Und wir haben auch Bertram Weiss bei uns. Er ist Vizepräsident für Gesundheit bei Merantix Momentum. Er leitet die KI-Strategie des Unternehmens im Gesundheitswesen. Er bringt jahrzehntelange Erfahrung in der Pharma-Forschung und -Entwicklung, Computational Biology und Data Science mit. Seine Arbeit konzentriert sich darauf, komplexe biomedizinische Daten in KI-Lösungen umzuwandeln, die dazu beitragen könnten, bessere Diagnosen, Forschung und Patientenversorgung zu ermöglichen. Willkommen, Bertram.

BERTRAM WEISS: Ja, danke, dass ich bei diesem Podcast mitmachen darf.

MODERATOR: Okay, also ich werde mit einer Frage an Christian beginnen. Es gibt gerade viele Themen und Trends rund um KI. Und ich ziehe es immer vor, zunächst den Rahmen abzustecken. Was denkst du, sind die häufigsten Missverständnisse, mit denen Unternehmen konfrontiert werden, wenn sie sich darauf vorbereiten, agentenbasierte Automatisierung in ihren Kernprozessen einzuführen?

CHRISTIAN SCHIERJOTT: Ja, ich meine, du hast das ein bisschen in deiner Einführung angesprochen, oder? Ich meine, was wir sehen, ist die Entwicklung des aktuellen Stands der KI-Technologie mit den großen Sprachmodellen, die nun seit über zwei Jahren im Einsatz sind, in Richtung agentische KI, agentische Automatisierung. Und auf der anderen Seite sieht man, woher wir kommen, oder?

Definitiv etwas, das wir derzeit bei Unternehmen erleben, wenn wir mit ihnen sprechen, ist dieser Plug-and-Play-Mythos, dass Unternehmen denken, es sei ganz einfach, generative KI-Anwendungen in die Infrastruktur zu implementieren. Und ich meine, wer könnte es ihnen verdenken, wenn ich den Versprechen einiger Technologieunternehmen lausche, die sagen, man müsse nur über die richtigen API-Schnittstellen verfügen, dann einfach anschließen und es läuft.

Das war absolut möglich, wenn man an die Ära von RPA denkt, zum Beispiel. Wenn man einen einfachen Prozess mit RPA hat, könnte man ihn einfach einstecken und wahrscheinlich per Drag-and-Drop seinen eigenen Prozess erstellen. Aber wenn man eine sinnvolle End-to-End-Automatisierung auf Basis großer Sprachmodelle haben möchte, wie wir es mit Agentic AI anstreben, dann benötigt man wirklich eine tiefe Integration in die gesamte Unternehmensarchitektur. Man muss die Daten irgendwie beschaffen, man braucht die Schnittstellen entlang des gesamten End-to-End-Prozesses.

Man muss über den Übergang der Erfahrung nachdenken, die man aufbauen muss, um einen sinnvollen AI-Agenten zu entwickeln. Man muss ihn trainieren. Das zeigt also, dass dies keine oberflächliche Implementierung ist, die wir hier mit dieser Technologie durchführen. Wenn man das volle Potenzial von KI ausschöpfen möchte, muss man intern seine Hausaufgaben machen. Das ist eine Sache.

Agentische Automation ist kein Plug-and-Play. Wenn Sie das volle Potenzial von KI ausschöpfen möchten, müssen Sie intern Ihre Hausaufgaben machen.Christian Schierjott

Eine weitere Sache, über die wir viel sprechen, sind Anwendungsfälle. Ich kenne viele Konkurrenten sowie Technologieunternehmen oder Beratungen, die behaupten, über 100, 300, 500 verschiedene Anwendungsfälle zu haben. Ich meine, das ist kein Wettlauf um die Menge. Man braucht nur ein paar Anwendungsfälle, aber qualitativ hochwertige Anwendungsfälle im großen Maßstab über die eigenen Prozesse, bei denen man wirklich daraus lernen kann und die einen spürbaren Einfluss haben, den man am Ende auch in den Umsätzen sieht.

Es geht also nicht darum, auf die nächste Wissensdatenbank aufzuspringen und sie in bestehende Technologie zu integrieren, sondern wirklich darüber nachzudenken, wie man das Beste und Meiste aus seinem Anwendungsfall herausholen kann.

Drittens schauen wir uns sehr stark die Prozesse an. Und ja, es stimmt, dass es mit dem Einsatz von generativer KI möglich ist, zunehmend komplexe Prozesse zu automatisieren, aber das hat auch seine Grenzen. Wenn Sie sehr fragmentierte End-to-End-Prozesse haben, die mit vielen verschiedenen Abteilungen und Datenquellen definiert sind, die nicht sehr gut in Ihre Infrastruktur integriert sind, wird es weiterhin eine Herausforderung sein, eine End-to-End-KI-Anwendung zu implementieren, die nahtlos über die verschiedenen Prozessschritte kommuniziert.

Ich denke, dass Unternehmen zu diesem Zeitpunkt sehr stark in der Trial-and-Error-Phase stecken, was gut ist. Es gibt immer diese Innovationszyklen, aber ich würde sagen, dass die meisten Unternehmen in ein paar Monaten, wahrscheinlich im nächsten Jahr, feststellen werden, dass es nicht so einfach ist wie Plug-and-Play oder Drag-and-Drop. Sie müssen wirklich ihre Grundlagenarbeit leisten.

Und wir sehen jetzt schon, dass die meisten Unternehmen das nicht allein schaffen werden. Daher würde ich sagen, dass der vierte Mythos hier wirklich darin besteht, es nur selbst zu versuchen und nicht auf Partner zu setzen, die die gesamte Entwicklung ihres KI-Stacks skalieren können.

MODERATOR: Okay, danke, Christian. Aus Ihrer Erfahrung bei SPS, welche wesentlichen Schritte müssen Organisationen berücksichtigen, bevor sie Gen AI in geschäftskritischen Prozessen einsetzen?

CHRISTIAN SCHIERJOTT: Also, abgesehen von dem, was ich bereits gesagt habe, muss man zuerst den richtigen Anwendungsfall finden und priorisieren, was etwas Zeit in Anspruch nimmt. Es ist keine einmalige Aufgabe, einfach den richtigen Anwendungsfall auszuwählen und sich auch mit Prozessstandardisierung, Prozessverbesserung usw. zu beschäftigen, denn man möchte keinen nicht-funktionalen Prozess haben und ihn in die KI einbauen. Sie werden es nicht reparieren. Sie müssen also wirklich Ihre Geschäftsregeln definieren. Du musst Prozessbeschreibungen von jemandem zur Verfügung stellen. Die KI muss Ihre spezifischen Prozesse, Ihre individuellen Geschäftsregeln, die Sie haben, kennenlernen. Und nur dann holst du das volle Potenzial daraus heraus.

KI wird einen kaputten Prozess nicht reparieren. Sie müssen zuerst Ihre Geschäftsprozesse standardisieren, bereinigen und Ihre Geschäftsregeln definieren.Christian Schierjott

Aber abgesehen von diesen beiden Punkten sehen wir ein drittes Thema, das sehr wichtig ist: die Datenverfügbarkeit. Das ist nichts Neues, oder? Wenn man in die Geschichte zurückblickt, meine ich, seit wir Technologie haben, ist Technologie nur so gut wie die Daten, die man ihr zuführt. Und das ist dasselbe bei KI oder generativer KI-Technologie. Schauen Sie, was passiert, wenn man Google oder ChatGPT benutzt: Man sieht, dass es nach zwei Jahren intensiver Entwicklung immer noch viele Fälle von Halluzinationen gibt und dass wir uns nicht zu 100 % auf die Ergebnisse verlassen können. Und es wird noch relevanter, wenn man es im geschäftlichen Kontext oder in einem industrialisierten operativen Kontext einsetzt. Und das resultiert hauptsächlich aus kontroversen oder widersprüchlichen Daten, schlechter Datenqualität und nicht eindeutigen Daten.

Viele Unternehmen werden sehr schnell lernen – oder haben das bereits in der Vergangenheit gelernt – mit Wissensdatenbanken, in die man einfach sein vorhandenes Wissen, eigentlich seine Daten, einspeist. Dabei wird man jedoch nicht die Ergebnisse erhalten, die man erwartet, weil man seine Daten nicht bereinigt hat oder nicht alle Daten verfügbar sind. In diesem Fall ist es noch wichtiger, wenn man End-to-End-Prozesse hat, bei denen es Verbindungen zwischen verschiedenen Prozessschritten und unterschiedlichen Geschäftsregeln gibt. Man muss die Daten interpretieren. Man muss die Daten über alle unterschiedlichen Systeme oder Datenbanken, die im Unternehmen betrieben werden, verfügbar machen. Und wenn das nicht gegeben ist, wird man nicht die Ergebnisse erzielen, die man erwartet, also diejenigen, von denen man wirklich profitieren könnte.

Und ich würde sagen, dass der letzte Punkt, den ich hier erwähnen möchte, ein wenig weniger auf die Technologie selbst fokussiert ist. Ich glaube, es war die Boston Consulting Group, die sagte, es gibt eine Regel, dass nur 10 % Algorithmus, 20 % Technologie und 70 % Change Management oder Organisation sind. Und wir als ein auf Menschen ausgerichtetes Unternehmen wissen das. Seit zwei Jahren beschäftigen wir uns sehr intensiv mit generativer KI und der Entwicklung unserer eigenen Prozesse, aber auch auf Kundenseite, um wirklich die Organisation dahinter zu bringen. Ich würde es wirklich als einen Wandel in Technologie und im Umgang mit Prozessen bezeichnen. Die Menschen dafür zu gewinnen, ist aus verschiedenen Gründen sehr schwierig. Nach unserer Erfahrung wird die meiste Zeit, die man für den Übergang zu agentengesteuerter Automatisierung aufwendet, für Change Management und den Umgang mit Kompetenzverlagerungen, Verständnis, Regelwerken usw. benötigt.

MODERATOR: Sie haben bereits einige der Gründe erwähnt, warum dies so wichtig ist, aber warum glauben Sie, dass Datenbereitschaft ein so entscheidender Faktor für generative KI ist, insbesondere wenn sie in mehreren Abteilungen oder Servicebereichen skaliert wird?

CHRISTIAN SCHIERJOTT: Nun, ich denke, die größte Herausforderung, der wir immer noch gegenüberstehen, ist die begrenzte Erklärbarkeit der Algorithmen. Wenn ich also nicht mit den Daten beginne, die ich in das System einspeise, wird es noch schwieriger, das Ergebnis zu interpretieren oder die Daten zu interpretieren und dann möglicherweise ein falsches Ergebnis zu sehen. Ich werde das System nicht prüfen lassen, weil mir hier ein wenig die Datenbank fehlt. Das ist vielleicht eine Sache, die mit den Modellen zusammenhängt.

Das andere, und darauf bin ich ja schon kurz eingegangen, ist wirklich, dass vor allem, wenn man Geschäftsprozesse hat, zum Beispiel von der Datenerfassung eines Versicherungsschadens oder einer Kundenanfrage im Bankwesen bis zur tatsächlichen Lösung des Anliegens, man mehrere Geschäftsbereiche, verschiedene Prozessbereiche berührt, und all diese Prozesse oder Prozessschritte müssen aufeinander aufbauen. Dies basiert hauptsächlich auf den Daten, die innerhalb der verschiedenen Geschäftsregeln bereitgestellt werden, und wenn nur eine dieser Segmente nicht in Ordnung ist, erhält man nicht das gewünschte Ergebnis. Daher besteht die Herausforderung wirklich darin, den gesamten End-to-End-Prozess mit der richtigen oder korrekten Datenverfügbarkeit und -qualität zu gewährleisten.

MODERATOR: Wenn wir auf diesen speziellen Punkt eingehen, ist es auch großartig, sich darauf zu konzentrieren, welche Hindernisse oder Risiken das Fehlen einer angemessenen Governance mit sich bringen könnte. Aus Ihrer Sicht, was sind die größten Risiken bei der Einführung autonomer Arbeitsabläufe ohne angemessene Governance? Und wie können Unternehmen dies effektiv mindern?

CHRISTIAN SCHIERJOTT: Das Thema Governance ist ein sehr wichtiges Thema. Lassen Sie mich das auf diesen Technologiezyklus beziehen und darauf, wo wir vor zwei Jahren angefangen haben. Ich denke, es ist normal, dass man viel ausprobieren und Fehler machen muss, und dann wird die Regierung und die Politik dem einfach hinterherlaufen, und ich denke, sie holen ziemlich schnell auf. Wir haben seit ein paar Monaten den Europäischen KI-Gesetz in Kraft. In der Schweiz haben wir das FINMA-Rundschreiben, das die Nutzung von KI regelt, und wir haben auch in den USA bereits einige Bundesstaaten, die Governance-Richtlinien für den Einsatz von KI veröffentlicht haben.

Und wenn man jetzt darauf schaut — und ich sage, das ist gut, oder? — weil wir sehen, dass besonders im BPO-Bereich zum Beispiel, wir es mit sehr sensiblen und stark regulierten Dienstleistungen zu tun haben. Ein Beispiel hierfür ist der gesamte Zahlungsbereich, in dem SPS den größten Teil des geschäfts mit Zahlungsscheinen abwickelt. Wir haben bereits viele Vorschriften, auch ohne die neuesten Technologien. Und es ist wirklich systemkritisch, die Grenzen von KI zu kennen und zu wissen, was man mit KI tun kann, wenn man sie nicht unter ordnungsgemäßer Governance einsetzt. Für die Schweiz zum Beispiel, für den gesamten Zahlungsbereich, aber auch für stark regulierte und komplexe Prozesse wie Lohnabrechnungsprozesse, bei denen es wirklich um Menschen geht und kleine Fehler zu größeren Ausfällen führen können, ist eine gewisse Regulierung absolut notwendig. Denn bei Verstößen gegen Vorschriften kommt es meist zu Reputationsschäden für das Unternehmen und endet in Geldstrafen und finanziellen Verlusten.

MODERATOR: Okay, und wie können Human-in-the-Loop-Frameworks Organisationen dabei helfen, Vertrauen, Compliance und Kontrolle in solchen KI-gestützten Arbeitsabläufen aufrechtzuerhalten?

CHRISTIAN SCHIERJOTT: Also, ich hoffe, es gefällt Ihnen. Ich denke, in dem aktuellen Stand, in dem wir uns mit Sprachmodellen und der Entwicklung von KI-Automatisierung befinden, ist der menschliche Faktor ein sehr kritischer Teil. Besonders, ich meine, heute, wenn wir uns die Zahlungsabwicklung anschauen, haben wir vier oder sogar sechs, mitunter sogar sechs Prinzipien für kritische Zahlungen, die wir abwickeln. Und das wird nicht verschwinden, besonders nicht, wenn Sie Qualitäts-SLAs für Ihren Prozess haben, die über 99,9 % liegen. Sie müssen 100 % korrekt liefern, was Sie bereitstellen. Und wieder, angesichts der Einschränkungen, die wir noch draußen sehen, ist es nicht möglich, wirklich ein autonomes Prozessdesign und Technologie zu haben, wie es von den Technologieunternehmen versprochen wird, wirklich ein Mitarbeitender. Wir brauchen wirklich die Menschen im Kreislauf, um die Datenqualität zu gewährleisten, die wir auf der Ausgabeseite haben.

Obwohl wir sehen, dass sich die Arbeit und die Fähigkeiten von einem einfachen Bediener, der Dateneingaben macht, hin zu einer eher qualitätssichernden Arbeit verschieben werden. Es geht nicht darum, den menschlichen Faktor zu automatisieren. In den nächsten Monaten und Jahren werden wir eine Verschiebung der Fähigkeiten sehen, sodass die Menschen unterschiedliche Arten von Arbeit erledigen, die aber in der gesamten End-to-End-Automatisierungsstrategie weiterhin sehr wichtig bleiben werden.

MODERATOR: OK, danke, Christian. Ich wollte auch die Meinung von Bertram Weiss zur aktuellen Lage einholen. Viele Unternehmen in Europa zum Beispiel spüren den Druck, KI einzuführen, haben aber Probleme mit Altsystemen oder sogar strengen Vorschriften beziehungsweise risikoscheuen Unternehmenskulturen. Aus deiner Sicht, was sind die größten strukturellen und kulturellen Hindernisse, die eine erfolgreiche KI-Einführung heute verhindern?

BERTRAM WEISS: Miguel hat bereits einige davon erwähnt, oder? Ich meine, zunächst einmal, besonders in Europa, haben wir viele führende Unternehmen in der Wirtschaft, deren IT-Abteilungen und IT-Infrastruktur stark unterfinanziert sind. Das macht es sehr schwierig, wenn diese Systeme vor Jahrzehnten entwickelt wurden. Sie waren mehr oder weniger auf Sicherheit und On-Premise vorbereitet. Jetzt braucht man sehr agile Systeme, die einen sehr schnellen Datenaustausch zwischen den Akteuren ermöglichen. Das wird mit diesen sehr alten IT-Systemen nicht funktionieren, daher denke ich, dass wir hier wirklich die Auswirkungen davon sehen, viele Jahre lang lediglich 2 % des Budgets in IT zu investieren, zum Beispiel im Gesundheitswesen und in der Pharmaindustrie, insbesondere im Gesundheitswesen, 2 % des Budgets eines Krankenhauses für IT. Wenn sie jetzt wirklich digital werden und KI einsetzen wollen, wird das nicht funktionieren.

Das ist also eine der ersten Hürden, die sie sehen. Sie sitzen auf alter Infrastruktur und müssen jetzt viel investieren, um sie wirklich KI-ready zu machen. Nennen wir es einfach so. Aber das ist nicht das einzige Problem. Das ist die technische Seite der Sache auf der einen Seite. Aber es gibt auch die kulturellen Themen, bei denen wir sehen, dass wir besonders in Europa diese sehr stark auf Compliance ausgerichtete Haltung haben und die Angst, dass etwas schiefgehen könnte. Und Christian hat es gerade erwähnt: wir wollen 99,99 % Kontrolle oder Richtigkeit haben und haben ein Six-Eyes-Prinzip, und das wird nicht verschwinden.

Nun brauchen wir natürlich eine Einstellung, die mehr, sagen wir, offen für Erkundung, Experimente ist und Fehler auch aus einer probabilistischen Perspektive betrachten kann. Das bedeutet vielleicht, es ist keine gute Idee, mit einem Prozess wie Gehaltsabrechnungen zu beginnen, bei dem man 99,99% Sicherheit hat, und zuerst die Menschen herauszunehmen, richtig? Dort würde ich nicht mit einer KI-Transformation in einem Unternehmen anfangen. Ich würde wirklich nach Prozessen suchen, die für viele Menschen mühsam sind, sehr redundant und repetitiv in dem, was sie tatsächlich bewirken, und die wirklich eine Routineaufgabe darstellen. Und dann von da aus sagen: Okay, ist dies ein Prozess, bei dem selbst wenn z. B. eine Rechnung falsch läuft, dies trotzdem irgendwie korrigiert werden kann? Bei einer Gehaltsabrechnung oder bei therapeutischen Entscheidungen kann es vielleicht nicht falsch laufen, oder? Dort brauchen wir den Menschen im Prozess, und ich denke, wir verstehen alle, dass wenn man eine KI-Implementierung anstrebt, man diese Fragen natürlich sehr gründlich prüfen muss.

Muss ich hier am Ende einen Menschen in den Prozess einbeziehen und nur eine Routinearbeit von den Mitarbeitenden übernehmen, aber nicht, wie Christian sagte, die Kontrollfunktion und die Governance-Funktion, um wirklich sicherzustellen, dass wir die richtige Entscheidung treffen? Oder kann ich wirklich zu einer agentenbasierten KI gehen, bei der ich denke, dass ich die Fehler, die auftreten werden, managen kann, weil sie ja auch bei Menschen vorkommen. Aber kann ich sie aus einer probabilistischen Perspektive managen und ein Personal haben, das auch, sagen wir, experimentierfreudig ist und mit Fehlern umgehen kann?

Das größte Risiko für europäische Unternehmen ist die Versuchung, abzuwarten. Während andere schnell handeln, konzentrieren wir uns zu sehr darauf, Fehler zu vermeiden, anstatt Werte zu schaffen.Bertram Weiss

Wir haben in Deutschland zum Beispiel besonders eine sehr stark ausgeprägte Einstellung, dass keine Fehler passieren dürfen. Und das wird bei KI nicht funktionieren, genauso wenig wie es bei Menschen funktioniert. Denn sonst gäbe es ja nicht das Vier-Augen-Prinzip. Weil auch Menschen Fehler machen, oder? Aber von KI erwarten die Leute immer Perfektion. Von ihren Mitarbeitenden erwarten sie das nicht. Und ich denke, da brauchen wir auch einen kulturellen Wandel. Und ich glaube, das größte Problem, das ich tatsächlich auch in der Kultur sehe, ist die Versuchung des Abwartens. Es ist das größte Risiko für europäische Unternehmen. Sie denken, sie könnten noch ein Jahr oder so warten, bevor sie wirklich vorankommen. Sie wollen perfekt sein, bevor sie experimentieren, und diese Denkweise wird für sie ein großes Problem darstellen.

Denn inzwischen sehen wir, dass in den USA und in China die Menschen mit wirklich erstaunlicher Geschwindigkeit voranschreiten, dabei eher über den Wert nachdenken, den sie schaffen können, und weniger über die Risiken und Fehler, die entstehen könnten. Irgendwie werden sie mit den Risiken und Fehlern zurechtkommen, aber sie konzentrieren sich auf den Wert. Wir dagegen sind sehr compliance-orientiert, vermeiden zuerst Fehler und denken dann über den tatsächlichen Wert nach. Und das sind große Hürden für uns in Europa, wirklich voranzukommen. Gleichzeitig wissen wir alle zu schätzen, dass wir Governance, Kontrolle und Überprüfungen haben. Aber wir könnten am Ende als ein Museum der Wirtschaft, der alten Wirtschaft, dastehen, während die USA und China voranschreiten. Und hier haben wir einen sehr schönen Lebensstil und eine reiche Kultur. Aber technologisch gesehen werden wir wirklich zu einem Kunden und Klienten der anderen großen Volkswirtschaften.

MODERATOR: Okay, und was passiert, wenn das Scheitern eintritt? Wo scheitern Unternehmen am häufigsten bei der Einführung von KI? Liegt es an der Technologie selbst? Liegt es an der Einstellung der Führung? Oder vielleicht an dem, worüber wir gesprochen haben, der Datenbereitschaft, oder vielleicht einfach an der Organisation selbst? Was denkst du?

BERTRAM WEISS: Ja, also ich denke, es gibt definitiv mehrere Bruchstellen, und wir haben bereits über die Dimensionen gesprochen: Technologie, Kultur, Organisationen, und in all diesen Dimensionen gibt es Bruchstellen, die jeweils unterschiedlich sind. Und typischerweise, wenn Dinge scheitern, sehen wir eine Verkettung davon, dass es Fehler oder Irrtümer oder Misserfolge in mehreren dieser Dimensionen gab. Und in Kombination können sie dann wirklich das Projekt und die Idee zum Stillstand bringen, richtig? Also haben wir Merantix Momentum zusammen mit dem Strategierahmen der Universität St. Gallen entwickelt, den wir AI Canvas nennen, bei dem wir KI-Anwendungsfälle durch all diese Dimensionen betrachten.

Zunächst zum Wert, bei dem wir sagen: Okay, zunächst müssen wir sicherstellen, dass der KI-Anwendungsfall tatsächlich in das Unternehmensprotokoll und die Unternehmensstrategie einfließt, und zweitens gibt es einen klaren KPI, den wir messen können, um zu sehen, ob wir erfolgreich sind. Und dann gehen wir natürlich zum technischen Teil über und schauen, ob die Daten tatsächlich bereit, verfügbar oder manchmal sogar zugänglich sind? Ist es auch qualitativ hochwertig bereit für KI? Oder müssen wir zuerst in diesen Bereich investieren? Und außerdem: Wollen wir ein System haben, das so agil ist wie das, was Christian ebenfalls erwähnt hat? Man braucht sehr agile Systeme und keine Altsysteme. Wenn man es auf Legacy-IT aufbaut, kann es sehr langsam sein, und dann sind die Leute sehr frustriert oder Kundinnen und Kunden können sehr frustriert sein.

Also schauen wir uns auch die technologische Seite an: Wo treten die typischen Fehler auf? Und dann gibt es noch den ganzen Punkt der kulturellen Themen, den ich auch gesellschaftliche Themen nennen würde. Wie wir schon über Governance gesprochen haben. Aber natürlich auch die kulturellen Veränderungen. Sie haben Shadow AI erwähnt, also die Fälle, in denen Menschen KI bereits ohne organisatorische Aufsicht nutzen. Auch hier sehen wir natürlich große Risiken, zu scheitern, wenn wir es versäumen, den richtigen Rahmen aus Governance-Perspektive zu finden. Und dann könnte ein Modell zum Beispiel in Bezug auf Bias abweichen, oder es könnte veraltet werden, weil neue Daten hereingekommen sind und es diese neuen Daten nicht richtig verwaltet, richtig? Also gibt es auch hier viele kritische Punkte.

Und ich würde auch die Managementebene hinzufügen. Wir sehen fast immer, dass AI-Anwendungsfälle auch deshalb scheitern, weil es an Unterstützung von der richtigen Managementebene mangelt. Das ist von entscheidender Bedeutung und vielen Führungskräften entgeht es. Sie denken, diese Welt wird von unten nach oben entstehen, und sie schaffen es nicht, bei ihrer KI zu führen. Und ich spreche dabei nicht so sehr von Governance, sondern wirklich davon, die Menschen dabei zu unterstützen, diese große Transformation irgendwie umzusetzen.

Dieses Canvas hilft dabei, all diese kritischen Punkte zu finden und frühzeitig zu besprechen, bevor man eigentlich beginnt, richtig? Und das reduziert dann die Risiken später im Projekt enorm. Und genau deshalb war dieses AI-Canvas für uns so erfolgreich, und wir haben jetzt in den letzten sieben Jahren über 200 Projekte für viele Unternehmen umgesetzt. Und wir haben immer gesehen, dass diese Art von Dingen wichtig ist und, wenn sie gültig ist, eher ein Erfolgsfaktor als ein Fehlerpunkt ist.

MODERATOR: Okay, wenn Sie eine Liste der internen Schritte bereitstellen könnten, die jedes Unternehmen intern umsetzen sollte, um KI wirklich effektiv zu machen, anstatt nur eine oberflächliche Innovation, wie würde diese aussehen?

BERTRAM WEISS: Also, ich denke, typischerweise sollte das Erste, was man tun sollte, darin bestehen, seine Mitarbeitenden zu schulen. Und das beginnt mit dem Führungsteam, aber natürlich auch mit den Mitarbeitenden, denn Innovation muss aus allen Bereichen des Unternehmens kommen. Die Menschen müssen also verstehen, was diese Technologie eigentlich ist, damit sie Ideen entwickeln können, wie sie sie in ihrem Alltag nutzen können. Bildung kommt also zuerst, dann kann man die Ideengenerierung angehen. Und daraus ergeben sich dann die vielen Anwendungsfälle. Und Chris hat erwähnt, dass einige Unternehmen auf Hunderten von ihnen sitzen. Das kann ich nur bestätigen. Das ist bereits das, was wir sehen. Sie haben diese Ideengenerierung durchgeführt.

Aber dann sehen wir auch, dass ihnen ein strukturierter Prozess fehlt, um aus diesen vielen Ideen ein Portfolio zu erstellen, das für das Unternehmen funktioniert. Und hier führen wir hauptsächlich den Nachweis des Nutzens und den Nachweis der technischen Machbarkeit ein. Dann prüft man sehr früh, ob man es tatsächlich umsetzen kann und ob es einen Return on AI bringt. Und das ist sehr wichtig, weil es einem enorm hilft, aus den 200 oder 300 Ideen diejenigen Use Cases auszuwählen, mit denen man wirklich starten sollte, und die auszuwählen, die einen auf den richtigen Weg bringen. Und dann managt man die AI-Use-Cases als ein Portfolio. Ich denke, das ist entscheidend wichtig. Man muss einige Quick-Win-Projekte mit anderen grundlegenden Projekten ausbalancieren, da man einige Dinge leicht nutzen kann, aber auf der anderen Seite, wie wir über die Daten gesprochen haben, muss man im Unternehmen das Datenverständnis fördern, damit die Daten zu einem Produkt werden.

Sie müssen also auch mehr in Ihre Daten investieren, als Sie es in der Vergangenheit getan haben. Und die bisherigen Daten wurden eher aus historischen oder Compliance-Gründen erfasst oder gespeichert, statt wirklich wiederverwendet zu werden. Das wird sich jetzt enorm ändern, denn nun wollen Sie diese Daten nutzen, um Ihre Modelle für bestimmte Aufgaben zu trainieren. Dabei ist es natürlich neu für viele Abteilungen, Daten als Produkt zu betrachten und über APIs verfügbar zu machen, um die Datensilos aufzubrechen und die Daten wirklich verfügbar zu machen, sprich einen Datenfluss im gesamten Unternehmen zu schaffen. Dann stößt man auf all diese Interoperabilitätsprobleme, die über jede Art von Einheit hinweg unterschiedlich sein können, zum Beispiel in der Nutzung im Vertriebsbereich im Vergleich zum Finanzbereich. Auch diese semantischen Probleme müssen gelöst werden, damit Daten wirklich fließen können.

Und sobald Sie dann Ihr Portfolio aufgebaut haben, haben Sie einen strukturierten Ansatz dafür, eine Governance dafür, führen wahrscheinlich etwas wie ein KI-Zentrum oder einen Rat ein, der irgendwie das Budget überwacht und verwaltet und auch die Synergien zwischen den verschiedenen Anwendungsfällen koordiniert, so dass Sie wirklich, sagen wir, auch einen Lerneffekt daraus ziehen können. Und ich glaube, mit einem solchen strukturierten Ansatz helfen wir vielen Unternehmen tatsächlich dabei, aus Fragen wie ‚Wo soll ich anfangen? Worum geht es hier überhaupt?‘ herauszukommen und hin zu einem sehr strukturierten Ansatz, um den Return on Investment zu nutzen und zu managen.

MODERATOR: Merantix arbeitet mit Unternehmen zusammen, um sie effektiv zu transformieren und für KI fit zu machen. Welche Rolle spielt Merantix dabei?

BERTRAM WEISS: Merantix ist eigentlich eine Gruppe von drei Hauptbereichen. Zum einen investieren wir als Merantix Capital, das in Startups investiert, die alle AI-first oder AI-native sind. Auf diesem Campus hier sind etwa 80 verschiedene Startups vertreten und mehr als tausend AI-Mitarbeitenden kommen auf dem Campus zusammen.

Der Campus ist eigentlich die zweite Säule, in der wir die Gemeinschaft schaffen, in der eine gegenseitige Befruchtung wirklich täglich stattfinden kann. In der Mitte von 6.000 Quadratmetern Fläche für diese vielen Unternehmen gibt es nur einen einzigen Kaffeeautomaten. Und mitten unter diesen Startups befindet sich dann die dritte Säule: Merantix Momentum. Viele der Unternehmensinvestoren, die über Merantix Capital in die Startups investiert haben, erkennen, dass sie interne Unterstützung brauchen und dass es zu lange dauern kann, auf ein Produkt aus einem Startup zu warten, das außerdem möglicherweise nicht alle ihre Probleme löst.

Deshalb wurde Merantix Momentum gegründet: Um Unternehmen dabei zu helfen, die KI-Reise wirklich strukturiert voranzutreiben und zu einer Erfolgsgeschichte zu machen, und nicht zu einer „Pilotitis“-Situation, in der viele Pilotprojekte durchgeführt werden, aber kein echter Return on Investment erzielt wird. Das sind die drei Säulen, und wir glauben, dass dieses Community-Thema extrem wichtig ist, weil die KI-Transformation einfach zu groß ist, um sie allein zu bewältigen.

Wir sehen viele, insbesondere mittelgroße Unternehmen, die denken, sie könnten alles alleine schaffen, und Christian hat es bereits angedeutet. Das ist wahrscheinlich auch eines der großen Scheitern, die wir sehr oft beobachten. Sie schwimmen in ihrer eigenen Suppe und denken, sie könnten die Welt nur aus ihrem eigenen Denken neu erschaffen. Manchmal ist es so vorteilhaft, sich zusammenzutun, sich zu verbinden und Dinge zusammenzubringen, die in der Vergangenheit nicht zusammengefügt wurden, jetzt aber wirklich sinnvoll sein können.

Wir haben einen vierten Teil im Merantix-Ökosystem: das AI House in Davos während des Weltwirtschaftsforums, wo wir versuchen, den Dialog auf internationaler Ebene zu gestalten, um sicherzustellen, dass europäische Werte wie Datenschutz und Ethik weltweit Gehör finden. Wir möchten diese Diskussion nicht allein den USA oder China überlassen, wo man eine sehr andere Auffassung von diesen Werten hat. Dieses Rahmenwerk zu gestalten, in dem wir KI in unserer Wirtschaft hier in Europa einsetzen können, ist ebenfalls eine sehr wichtige Rolle, die wir aktiv mit dem AI House in Davos spielen, das nun im Januar wieder stattfindet.

MODERATOR: Ich fürchte, wir haben nicht mehr viel Zeit. Wir sind bei der letzten Frage angekommen und fühlen Sie sich frei, sie beide zu beantworten. Wenn Sie einem CEO, der unsicher ist, ob er seine KI-Reise beginnen soll, einen Rat geben könnte: Was wäre der wichtigste erste Schritt, den er unternehmen sollte? Nur zu, Bertram.

BERTRAM WEISS: Wenn ich darf, ist das Erste wirklich der Mentalitätswechsel: wegzukommen davon, eine KI-Strategie zu entwickeln, hin zu einer Geschäftsstrategie mit KI. Das ist absolut das Erste, was sie tun sollten. Und das passiert nur in deinem Kopf, richtig? Aber dann ist es natürlich wichtig, der Versuchung zu widerstehen, abzuwarten, und stattdessen mit Experimenten zu beginnen.

Hören Sie auf, eine KI-Strategie zu entwickeln, und beginnen Sie stattdessen, eine Geschäftsstrategie mit KI zu entwickeln.Bertram Weiss

Achten Sie auf einen einzigen Anwendungsfall, selbst wenn es nur einer ist, den Sie sich in diesem Moment leisten können. Suchen Sie nach diesem sich wiederholenden Problem, das den meisten Mitarbeitenden im Unternehmen ein Dorn im Auge ist. Jeder Mitarbeitende wäre glücklich, wenn Sie es von einem KI-Agenten erledigen lassen könnten. Bauen Sie dann alle Dimensionen, über die wir im AI Canvas gesprochen haben, auf: Gehen Sie alle fünf Dimensionen an, denken Sie gründlich darüber nach und setzen Sie es dann um, um eine Erfolgsgeschichte zu schaffen, die Ihnen hilft, zum nächsten Schritt überzugehen und die Zustimmung von Mitarbeitenden und Gewerkschaften zu gewinnen, indem es Ihnen gleich beim ersten oder zweiten Versuch gelingt.

Sei also darauf vorbereitet, es mit einem Portfolio-Ansatz zu tun. Vielleicht klappt das erste Vorhaben nicht, aber wenn du drei oder vier machst, sind deine Chancen, dass ein paar davon erfolgreich sind, höher. Denk ein bisschen wie ein Investor: mach drei oder vier Dinge statt nur eines, und du bist wahrscheinlich auf dem richtigen Weg. Sei dann bereit für die grundlegenden Veränderungen, die sich aus diesen KI-Anwendungsfällen ergeben könnten. Du wirst lernen, wie du deine Datenlandschaft, deine unterinvestierte IT ändern musst. Diese Dinge erfordern tiefgreifende Transformationen im Denken der Menschen, brauchen viel Aufbrechen früherer Verhaltensweisen, und genau das würde ich an erster Stelle tun. Dann skaliere, während du lernst. Versuche nicht, am ersten Tag das ganze Meer zu verdampfen; baue es stattdessen nach und nach auf.

MODERATOR: Okay, Christian, was denkst du?

CHRISTIAN SCHIERJOTT: Ich kann dem, was Bertram gerade gesagt hat, absolut zustimmen, und das spiegelt auch unsere Erfahrung wider. Vor ein paar Jahren haben wir einfach gesagt: Schau mal, das, was dort passiert, ist unglaublich. Wir haben uns einfach reingestürzt, ohne zu warten oder zu viel zu überdenken. Einfach einen Anwendungsfall bereitstellen, früh scheitern, aus den Fehlern lernen, zum nächsten, strukturierten Anwendungsfall übergehen. Und einfach ausprobieren, oder? Nicht vor all den Vorschriften oder der Komplexität zurückschrecken, die man dort draußen sehen könnte.

Als wir es als BPO-Unternehmen gelernt haben, ein Ökosystem der richtigen Partner aufzubauen, würde ich sagen, dass das auch alle anderen tun können. Man muss nur damit anfangen, offen dafür sein und sehen, wohin es einen führt. Das ist das eine. Und das andere, was wir früh gelernt haben, ist, es nicht alleine zu versuchen. Bertram, du hast es ja auch schon gesagt: Baue dein Ökosystem auf, nicht nur mit Technologieanbietern wie AWS und Microsoft mit ihren glänzenden Modellen und Cloud-Infrastrukturen. Schau dir den Markt an, was es dort gibt, mit kleineren Technologieanbietern, mit BPO-Anbietern wie uns, mit anderen Wissensunternehmen da draußen, von denen du lernen kannst und auch sehen kannst, welche Erfahrungen sie gemacht haben.

Das ist eine riesige Chance für den gesamten Markt. Es betrifft fast alle verschiedenen Branchen. Ich denke, das ist eine große Sache, und dieser Hype ist noch lange nicht vorbei.

BERTRAM WEISS: Und ich denke, genau das sehen wir auch beim Merantix-Ökosystem: Bei den Startups hat man ein Gespür dafür, was möglich ist; beim Merantix Momentum sehen wir dann, was in größere Unternehmen skaliert werden kann; und beim AI House hat man diesen allgemeinen Ansatz, um die Diskussion zu gestalten und den Rahmen zu schaffen, den wir brauchen, um das richtige politische und rechtliche Umfeld zu haben, damit KI gedeihen kann. Aber ich verstehe auch, dass es für CEOs schwer ist, dies alleine zum Fliegen zu bringen. Also wieder: Tretet Teams bei. Wenn ihr weit kommen wollt, arbeitet im Team. Wenn ihr schnell sein wollt, könnt ihr allein gehen, aber ihr werdet nicht weit kommen.

MODERATOR: Okay, das war also die letzte Frage. Vielen Dank, Christian und Bertram, für die Zusammenarbeit mit uns. Es war ein wirklich tolles Gespräch. Vielen Dank.