Tag 8: Prozessautomatisierung, Assistenten & Quick Wins

Blöcke im Detail

Verwendete Elemente

Rahmen dieses Tages

Beobachtungen zum Deck

Ausblick

• m1-t09

Einstieg: Checkpoint & Wiederholung

Recap zu Tag 7: das Schichtenmodell des KI-Ökosystems, Closed vs. Open Source inklusive DeepSeek-Einordnung, Microsoft Copilot im Vergleich zu Claude. Dazu die wiederkehrende Plenumsrunde „KI-News der Woche” (gesehen, ausprobiert, beobachtet, je 1–2 Minuten pro Person).

Praxisübung: Projekt Nordhaus AG

Die Teilnehmenden übernehmen die Beratung für die fiktive Nordhaus AG (Industriedienstleister, Magdeburg, ~100 Mitarbeitende, Konzern-Tochter): Google Gemini wurde erfolglos getestet, Claude läuft seit sechs Wochen im Test, eine GenAI-Taskforce existiert, aber ohne unternehmensweiten Ansatz, Spannungsfeld zwischen lokaler Geschwindigkeit und zentraler HQ-IT-Governance, wachsendes „Shadow AI”-Risiko. Jede:r erarbeitet zunächst einzeln 5–10 Fragen für einen fiktiven Discovery Call und stellt die eigenen Top 2 vor. Danach liegt das Erstgespräch-Protokoll vor (Dokument „NORDHAUS_Erstgespraech_Protokoll.dotx”): in drei Gruppen wird analysiert, welche drei Spannungen am kritischsten sind, eine strukturierte Handlungsempfehlung entwickelt und eine Tool-Entscheidung (Claude Enterprise oder Langdock) getroffen, mit der Regel, den Tool-Namen erst im letzten Satz des Pitches zu nennen: „Die Tool-Frage ist nicht die erste Frage — sie ist am Ende eure Antwort.”

KI-Strategie & Praxisübung: Teil 1

Eine KI-Strategie wird als Steuerungsinstrument statt Buzzword eingeführt, mit der offenen Frage nach Verantwortlichkeit (IT, Management, oder alle gemeinsam). Vergleich zum Internet: beide senken die Kosten der Erzeugung/Distribution auf null. Warnung im Deck: „Viele Unternehmen starten mit Use Cases ohne Vision und ohne Fundament, das ist wie bauen ohne Architekt.” Die KI-Strategie wird im Unternehmenskontext verortet (Unternehmensstrategie → KI-Strategie → Unternehmenszweck/-ziele) und über vier unterstützende Faktoren mit ihren typischen Lücken erklärt: Organisation (niemand ist zuständig), Menschen (Tools eingeführt, Mitarbeitende nicht mitgenommen), Technologie (Daten vorhanden, aber nicht nutzbar), Ökosystem (alles intern lösen wollen, ohne externe Expertise).

KI-Strategie & Praxisübung: Teil 2: Nordhaus-Vision

Ausgangslage und Zielbild von Nordhaus werden gegenübergestellt: heute wenig systematisch getestet, kleine Taskforce ohne Gesamtansatz, zwei Tools angetestet ohne klares Ergebnis, wachsendes Shadow AI, die Geschäftsleitung will dagegen KI-Kompetenz, Produktivitätssteigerung in Kernprozessen, KI-Kompetenz als Arbeitgeber-Stärke und HQ-Konformität ohne Tempoverlust. In drei Gruppen wird eine KI-Vision für Nordhaus formuliert (Form frei wählbar: Zielbild, Leitsätze oder Nordstern-Satz), die laut Deck konkret, richtungsweisend und tragend sein muss, und anschließend vor der „Geschäftsleitung” gepitcht.

Make vs. Buy: Die vier Stufen & Praxis

Vier Stufen der Make-vs.-Buy-Entscheidung mit je einem realen Unternehmensbeispiel laut Deck: Stufe 0 Buy (Tool kaufen & direkt nutzen, Burda mit ChatGPT & Midjourney), Stufe 1 API (Fertigmodell einbinden, Mercedes-Benz für Qualitätssicherung), Stufe 2 Fine-Tuning (Modell mit eigenen Daten anpassen. Bosch für Code-Entwicklung), Stufe 3 Make (eigenes Sprachmodell. Bloomberg mit BloombergGPT). Häufigster Fehler laut Deck: Unternehmen überspringen Stufe 0/1 und scheitern an fehlender Datenbasis. Fine-Tuning wird als möglicherweise abnehmender Trend hinterfragt („war 2020–2025 ein häufiges KI-Mega-Projekt, heute hört man kaum noch davon”).

BloombergGPT als Rechercheaufgabe: Investition laut Deck ca. 10 Mio. USD, 50 Mrd. Parameter, trainiert auf Bloombergs eigenen Finanzdaten. Leitfrage, warum sich die Wette auf Domänen-Spezialisierung nicht gelohnt hat (freie Quelle, 15 Min. Einzelarbeit, 5 Min. Plenum). Drei Bedingungen, wann sich Make laut Deck lohnt: Datenvorteil (einzigartige Daten), strategische Relevanz (KI ist Kernprodukt, nicht nur ein Tool), Ressourcen (Millionenbudget, eigenes ML-Team) — „Für 99% der Unternehmen ist Make keine Option, und das ist indiskutabel.” Ein Vier-Fragen-Entscheidungsraster folgt (Datenschutz & Compliance, Kosten & ROI, System-Knowhow, Ergebnisqualität).

Praxis-Quickie mit zwei Fällen ohne eindeutig richtige Antwort: Case A, das Mittelstands-Dilemma (Maschinenbau, ~300 MA, Vertriebsleiter will „ein eigenes KI-Modell bauen” für Übersetzung/Dokumentation, sensible Kundendaten, kleines IT-Team ohne ML-Kompetenz) und Case B, das FinTech-Dilemma (RegTech, ~80 MA, Series B, ein Compliance-Assistent für BaFin/EBA-Dokumente soll ins Produkt, API in 2 Wochen einsatzbereit vs. 6–9 Monate Eigenentwicklung). Ausblick: „Vibecoding verändert Make-vs.-Buy-Entscheidungen — mehr dazu in Modul 3.”

Abschluss: Das nehmen wir mit

Zwei Merksätze laut Deck: die drei Ebenen einer KI-Strategie (Vision, Use Cases, unterstützende Faktoren) und dass Strategie vor der Tool-Entscheidung kommt; die vier Make-vs.-Buy-Stufen und die Fähigkeit, für ein konkretes Unternehmen zu begründen, welche Stufe passt. „Eine KI-Strategie beginnt nicht mit Technologie, sie beginnt mit der Frage: Was wollen wir eigentlich erreichen?” Ausblick auf Tag 9: „Was sind Quick Wins, Leuchttürme & Strategische Wetten im Kontext von KI Use Cases?”