Folie 1
Applied AI Professional TAG 8
AI Transformation Institute
26. August 2026
Thorsten Gluitz
Folien: Prozessautomatisierung, Assistenten & Quick Wins
Alle 61 Folien aus AppliedAIProfessional-M1-W2-T8.pptx, maschinell
aus dem Deck gespiegelt am 2026-09-23. Diese Seite ist keine
redaktionelle Auswertung. Sie zeigt, was im Deck steht, einschließlich
Sprechernotizen. Die kuratierte Auswertung steht auf der Tagesseite.
Folie 2
UNSER CODE OF KNOWLEDGE TRANSFER
#GernePerDu
#SonstFragenWir
#ImmerFragen✋
Sprechernotiz
MA machen lassen – micht alles Vorbesetimmen, speed I Bei Mitarbeiter Helfen Schulungen, Multiplikatoren , Center of Excellellence Strategische Richtung klar definieren: Vision und Mission deutlich kommunizieren Langfristige Ziele und kurzfristige Meilensteine festlegen Schlüsselindikatoren für Erfolg bestimmen Einbindung und Empowerment der Mitarbeiter: Nutzung von Basis Tools ermöglichen Fortbildungen und klare Regeln zur Nutzung Ermutigung eigene Projekte zu entwerfen Tools und Ressourcen für Tools oder iegene Entwicklungen bereitstellen: Erfolgsmessung und Anpassung: Strategische Leitlinie + Mitarbeiter mitnehmen! -> Angst nehmen + Technologieverständnis + Compliance einhalten -> Schulungen von einzelnen Team für Use Cases
Folie 3
EUER REFERENT FÜR HEUTE
Thorsten Gluitz
Gründer AI-X Lab CPO movacar | duke technologies HoP Ben Fleet Services PM Notebooksbilliger.de | Chrono24 | wetter.com
Product Innovation & AI Transformation Consultant
- Notebooksbilliger.de aus Folientext erkannt
- wetter.com aus Folientext erkannt
Folie 4
Checkpoint & Wiederholung
1
2
3
Das KI-Ökosystem als Schichtenmodell – von der Hardware bis zur Anwendung – verstanden
Closed vs. Open Source verglichen und DeepSeek eingeordnet
Microsoft Copilot kennengelernt und mit Claude verglichen
Folie 5
Das KI-Ökosystem – wer baut das eigentlich?
1
Wer baut KI?
Welche Unternehmen & Akteure prägen die KI-Landschaft?
2
Wie hängt das zusammen?
Welche Schichten und Abhängigkeiten gibt es?
3
Was bedeutet das für uns?
Was müssen Unternehmen verstehen, um klug zu entscheiden?
Wir arbeiten täglich auf der Anwendungsebene. Aber was trägt uns eigentlich?
Folie 6
Das KI-Ökosystem als Schichtenmodell
SCHICHT 4 – TOOLS & ANWENDUNGEN
Claude, ChatGPT, Langdock, Copilot – hier arbeiten wir täglich
SCHICHT 3 – MODELLE
Closed Source: OpenAI, Anthropic, Google Open Source: Llama, Mistral, DeepSeek, Qwen
SCHICHT 2 – CLOUD-INFRASTRUKTUR
AWS, Azure, Google Cloud – Rechenleistung, die kaum ein Unternehmen selbst betreibt
SCHICHT 1 – GPU-HARDWARE
NVIDIA & AMD – die physische Grundlage, kein Training ohne Rechenleistung
Folie 7
Das Ecosystem dahinter
GPU Hardware
Cloud
Closed Source Models
Tools & Applications
Open Source Models
User Interface
Daten
Orchestration Layer
Sprechernotiz
Bevor wir nach den Startgeien Fragen: Wie sieht die Wie sehen die Wertschöpfungsstufen heute für Generative KI aus? Und welche Fragen sind damit Verbunden
Folie 8
Der Abstand zwischen Closed und Open Source schließt sich rasant und die Karten werden neu gemischt.
Sprechernotiz
Kurze Erinnerung an die letzte Einheit; „RPA-Pipeline mit LLM-Call“ (Input → LLM → Mapping → Output) Heute bündeln wir die Schritte in einen Agenten, der versteht, entscheidet und handelt.
Folie 9
Tag 8 – Unser Plan für heute
| Zeit | Phase | Inhalt |
|---|---|---|
| 09:00 – 09:30 | Einstieg | Checkpoint & Wiederholung Tag 7 |
| 09:30 – 11:30 | Block 1 | Praxisübung: Nordhaus AG |
| 11:30 – 12:00 | Block 2.1 | KI-Strategie & Praxisübung - Teil 1 |
| 12:00 – 12:30 | Mittagspause | Mittagspause |
| 12:30 – 14:00 | Block 2..2 | KI-Strategie & Praxisübung - Teil 2 |
| 14:00 – 16:00 | Block 3 | Make vs. buy & Praxisübung |
| 16:00 – 16:15 | Abschluss | Abschluss, Checkout und Ausblick |
Folie 10
Lernziele für Heute
1
2
3
verstehst du die Grundlagen einer KI-Strategie und kannst Unternehmen dabei helfen, strategisch vor der Tool-Entscheidung zu denken
kennst du die vier Make-vs.-Buy-Stufen und kannst begründen, welche Stufe für welches Unternehmen sinnvoll ist
hast du an einem realen Fall gearbeitet und eine fundierte Handlungsempfehlung entwickelt und präsentiert
Nach diesem Tag…
... wer Strategie vor Tool denkt, trifft bessere Entscheidungen.
Sprechernotiz
MA machen lassen – micht alles Vorbesetimmen, speed I Bei Mitarbeiter Helfen Schulungen, Multiplikatoren , Center of Excellellence Strategische Richtung klar definieren: Vision und Mission deutlich kommunizieren Langfristige Ziele und kurzfristige Meilensteine festlegen Schlüsselindikatoren für Erfolg bestimmen Einbindung und Empowerment der Mitarbeiter: Nutzung von Basis Tools ermöglichen Fortbildungen und klare Regeln zur Nutzung Ermutigung eigene Projekte zu entwerfen Tools und Ressourcen für Tools oder iegene Entwicklungen bereitstellen: Erfolgsmessung und Anpassung: Strategische Leitlinie + Mitarbeiter mitnehmen! -> Angst nehmen + Technologieverständnis + Compliance einhalten -> Schulungen von einzelnen Team für Use Cases
Folie 11
Was ist euch neues an KI-News begegnet?
Kurzer Raum für Dinge, die euch aufgefallen sind – aus Medien, Arbeit oder Alltag.
1
Gesehen
Eine Schlagzeile, ein Post oder ein Video, das hängen geblieben ist.
2
Ausprobiert
Ein Tool oder Feature, das ihr diese Woche getestet habt.
3
Beobachtet
Eine Veränderung bei euch, im Team oder im Unternehmen.
Format: kurze Runde im Plenum I max. 1–2 Minuten pro Person I keine Bewertung, nur Teilen
Folie 12
Unsere Agenda
Praxis: Projekt Nordhaus AG Was ist eine KI-Strategie – und warum braucht ein Unternehmen eine? Wann kauft ein Unternehmen ein Tool – und wann baut es selbst? Praxis: Make vs. Buy
Folie 13
1. Praxis: Projekt Nordhaus AG
Praxis: Projekt Nordhaus AG Was ist eine KI-Strategie – und warum braucht ein Unternehmen eine? Wann kauft ein Unternehmen ein Tool – und wann baut es selbst? Praxis: Make vs. Buy
Folie 14
Praxis: Nordhaus AG
Sprechernotiz
Echte Lösungen für echte Probleme – keine technischen Spielereien!
Folie 15
Der Fall: NORDHAUS AG
Standort Magdeburg · B2B-Industriedienstleister · Teil eines internationalen Konzerns
Ausgangslage
ca. 100 Mitarbeitende am Standort hoher operativer Umsetzungsdruck frühe, aber dynamische GenAI-Phase
Bisherige Aktivitäten
Google Gemini getestet – nicht erfolgreich Claude seit ca. 6 Wochen im Test GenAI-Taskforce besteht bereits
Spannungsfeld
lokale Geschwindigkeit vs. zentrale IT-Governance des HQ kein unternehmensweit abgestimmter Ansatz
Aktuelle Entscheidung
Toolentscheidung steht an: Claude Enterprise vs. Langdock Mitarbeitende wollen Zugang Risiko „Shadow AI" wächst
Wie würdet ihr vorgehen – wenn ihr heute die Beratung übernehmt?
Folie 16
Der Fall: NORDHAUS AG
Ihr seid Teil eines ersten Discovery Calls mit der Nordhaus AG. Welches sind eure Fragen die Ihr in diesem Call stellt?
Schritt 1 Eure Fragen
Jeder von euch erarbeitet 5 bis 10 Fragen, welche Ihr NORDHAUS stellen würdet.
Jeder von euch einzeln – 15 Minuten – Danach stellt jeder seine Top 2 Fragen vor.
Folie 17
Der Fall: NORDHAUS AG
Schritt 2 Ergebnisse des Discovery Calls
Folie 18
Nordhaus AG: Fragen & Antworten aus dem Erstgespräch mit dem Kunden
NORDHAUS_Erstgespraech_Protokoll.dotx
Folie 19
Euer Auftrag
Ihr seid die Beratung – was empfehlt ihr NORDHAUS?
1
Analyse
Lest das Erstgespräch-Protokoll vollständig. Welche Spannungen findet ihr? Einigt euch auf die drei kritischsten und priorisiert sie.
2
Empfehlung
20 Mn.
Entwickelt eine strukturierte Handlungsempfehlung für NORDHAUS: Was sind die nächsten drei konkreten Schritte – in welcher Reihenfolge und warum?
3
Tool-Entscheidung
Claude Enterprise oder Langdock? Begründet in 3 Sätzen, wie eure Empfehlung die Spannungen auflöst. Tool-Name erst im letzten Satz.
Die Tool-Frage ist nicht die erste Frage – sie ist am Ende eure Antwort.
Folie 20
So läuft es ab
60 Minuten – vier Phasen, klare Regel.
1
5 Min.
Protokoll lesen
Protokoll vollständig lesen. Wo liegen die größten Spannungen?
2
35 Min.
Gruppenarbeit
3 Gruppen à 5 Personen. Analyse → Empfehlung → Tool-Entscheidung.
3
10 Min.
Pitches
Jede Gruppe pitcht 3 Min. für NORDHAUS. Tool-Name erst im letzten Satz.
4
5 Min.
Debrief
Was haben wir gelernt? Wo lagen die Spannungen wirklich?
Pitch-Regel: Der Tool-Name darf erst im letzten Satz fallen.
Folie 21
2. Was ist eine KI-Strategie – und warum braucht ein Unternehmen eine?
Praxis: Projekt Nordhaus AG Was ist eine KI-Strategie – und warum braucht ein Unternehmen eine? Wann kauft ein Unternehmen ein Tool – und wann baut es selbst?
Folie 22
KI-Strategie – warum braucht ein Unternehmen eine?
1
Was ist eine KI-Strategie überhaupt?
Buzzword oder echtes Steuerungsinstrument für Unternehmen?
2
Wer ist dafür verantwortlich?
IT, Management – oder alle gemeinsam?
Folie 23
Eine KI-Strategie beginnt nicht mit Technologie. Sie beginnt mit der Frage: Was wollen wir eigentlich erreichen?
Sprechernotiz
Kurze Erinnerung an die letzte Einheit; „RPA-Pipeline mit LLM-Call“ (Input → LLM → Mapping → Output) Heute bündeln wir die Schritte in einen Agenten, der versteht, entscheidet und handelt.
Folie 24
Hat generative KI ein disruptives Potential wie das Internet?
1
Internet Kosten der Distribution 0 (von Daten, Inhalten, Informationen)
2
Generative KI Kosten der Generierung 0 (von Daten, Inhalten, Informationen)
Sprechernotiz
Hype ?
Folie 25
Welche Aufgaben und Prozesse können von KI erledigt oder gestützt werden?
Buchhaltung
Marketing
HR
…
Kernwertschöpfungs- prozesse
Supportprozesse
Sprechernotiz
Oder passiert die Kernwertschöpfung vielleicht sogar beim Kunden?
Folie 26
Viele Unternehmen starten mit Use Cases ohne Vision und ohne Fundament. Das ist wie bauen ohne Architekt.
Sprechernotiz
Kurze Erinnerung an die letzte Einheit; „RPA-Pipeline mit LLM-Call“ (Input → LLM → Mapping → Output) Heute bündeln wir die Schritte in einen Agenten, der versteht, entscheidet und handelt.
Folie 27
Die KI-Strategie im Unternehmenskontext
Unternehmens-strategie
KI Strategie
Unternehmens-zweck/-ziele
Wie kann KI unterstützen, um die Ziele zu erreichen?
KI Vision
Klar definierte Aktivitäten mit messbaren Zielen
KI Use Cases
Faktoren, die zur Umsetzung und Skalierung von Use Cases benötigt werden
Unterstützende Faktoren
Folie 28
Das Fundament einer KI-Strategie: Die unterstützenden Faktoren
1
Organisation
Governance, Verantwortlichkeiten & Entscheidungswege für KI-Themen
Typische Lücke: Niemand ist wirklich zuständig – alle warten auf alle
2
Menschen
Kompetenzen, Kommunikation & Change Management
Typische Lücke: Tools werden eingeführt, aber Mitarbeitende nicht mitgenommen
3
Technologie
Infrastruktur, Datenqualität & Systemintegration
Typische Lücke: Daten vorhanden, aber nicht nutzbar – Silos, falsche Formate
4
Ökosystem
Partner, Start-ups, Anbieter & externe Netzwerke
Typische Lücke: Alles intern lösen wollen – ohne externe Expertise
Folie 29
Praxis: Nordhaus KI Strategie
Sprechernotiz
Echte Lösungen für echte Probleme – keine technischen Spielereien!
Folie 30
Praxis: NORDHAUS heute
Wo sie heute stehen – und wohin die Geschäftsleitung will.
HEUTE
Status quo bei NORDHAUS
Bisher wenig systematisch getestet Kleine GenAI-Taskforce, aber kein Gesamtansatz Zwei Tools angetestet – ohne klares Ergebnis Keine Richtlinien, keine Priorisierung Mitarbeitende wollen mehr – „Shadow AI“ wächst
MORGEN
Ziele der Geschäftsleitung
NORDHAUS soll KI-kompetent werden Produktivitätssteigerung in Kernprozessen KI-Kompetenz als Arbeitgeber-Stärke HQ-Anforderungen erfüllen ohne Tempo-Verlust Shadow AI durch strukturierte Nutzung ersetzen
Folie 31
Praxis Aufgabe: Die Nordhaus KI-Vision
Formuliert eine Vision, die NORDHAUS von HEUTE nach MORGEN führt.
Eure KI-Vision
Stellt euch vor, NORDHAUS holt euch heute als Berater:innen. Formuliert die KI-Vision, die ihr der Geschäftsleitung präsentiert. Die Form wählt ihr selbst: Zielbild, Leitsätze oder ein prägnanter Nordstern-Satz – Hauptsache, sie trägt.
Konkret
Kein Marketing-Geschwurbel. Was soll anders sein?
Richtungsweisend
Gibt Orientierung für Entscheidungen im Alltag.
Tragend
Mitarbeitende verstehen und können es weitererzählen.
3 Gruppen · 20 Min. Erarbeitung · 3 Min. Pitch je Gruppe
Folie 32
3. Wann kauft ein Unternehmen ein Tool – und wann baut es selbst?
Beispiel Projekt Nordhaus AG Was ist eine KI-Strategie – und warum braucht ein Unternehmen eine? Wann kauft ein Unternehmen ein Tool – und wann baut es selbst?
Folie 33
Make vs. Buy – wie entscheiden Unternehmen klug?
1
Wann kauft ein Unternehmen ein KI-Tool – und wann baut es selbst?
Was sind die entscheidenden Faktoren bei dieser Abwägung?
2
Was spricht dagegen, immer das Beste und Teuerste zu nehmen?
Wann ist weniger wirklich mehr – auch bei KI?
Folie 34
Es gibt kein Richtig oder Falsch – aber es gibt eine klare Logik, die hilft, besser zu entscheiden.
Sprechernotiz
Kurze Erinnerung an die letzte Einheit; „RPA-Pipeline mit LLM-Call“ (Input → LLM → Mapping → Output) Heute bündeln wir die Schritte in einen Agenten, der versteht, entscheidet und handelt.
Folie 35
Make vs. Buy
BUY AI
MAKE AI
0
1
2
3
Fertigmodell
Eigenes Sprachmodell
Finetuning
Tool
Folie 36
Make vs. Buy – Die vier Stufen der Entscheidung
STUFE 0
BUY
Tool kaufen & direkt nutzen
Burda – ChatGPT & Midjourney
STUFE 1
API
Fertigmodell via API einbinden
Mercedes-Benz – Qualitätssicherung
STUFE 2
FINE-TUNING
Modell mit eigenen Daten anpassen
Bosch – Code-Entwicklung
STUFE 3
MAKE
Eigenes Sprachmodell entwickeln
Bloomberg – BloombergGPT
Komplexität
Der häufigste Fehler: Unternehmen überspringen Stufe 0 und 1 – und scheitern an fehlender Datenbasis.
Folie 37
Burda: Eine Zeitschrift mithilfe von ChatGPT & Midjourney erstellen
BUY AI
MAKE AI
0
1
2
3
Fertigmodell
Eigenes Sprachmodell
Finetuning
Tool
Folie 38
Make vs. Buy – Die vier Stufen der Entscheidung
STUFE 0
BUY
Tool kaufen & direkt nutzen
Burda – ChatGPT & Midjourney
STUFE 1
API
Fertigmodell via API einbinden
Mercedes-Benz – Qualitätssicherung
STUFE 2
FINE-TUNING
Modell mit eigenen Daten anpassen
Bosch – Code-Entwicklung
STUFE 3
MAKE
Eigenes Sprachmodell entwickeln
Bloomberg – BloombergGPT
Komplexität
Der häufigste Fehler: Unternehmen überspringen Stufe 0 und 1 – und scheitern an fehlender Datenbasis.
Folie 39
Mercedes: Qualität steigern durch vereinfachte Auswertung in der Produktion
BUY AI
MAKE AI
0
1
2
3
Fertigmodell
Eigenes Sprachmodell
Finetuning
Tool
Folie 40
Make vs. Buy – Die vier Stufen der Entscheidung
STUFE 0
BUY
Tool kaufen & direkt nutzen
Burda – ChatGPT & Midjourney
STUFE 1
API
Fertigmodell via API einbinden
Mercedes-Benz – Qualitätssicherung
STUFE 2
FINE-TUNING
Modell mit eigenen Daten anpassen
Bosch – Code-Entwicklung
STUFE 3
MAKE
Eigenes Sprachmodell entwickeln
Bloomberg – BloombergGPT
Komplexität
Der häufigste Fehler: Unternehmen überspringen Stufe 0 und 1 – und scheitern an fehlender Datenbasis.
Folie 41
Bosch: Code schreiben und das Entwicklungs- team entlasten
BUY AI
MAKE AI
0
1
2
3
Fertigmodell
Eigenes Sprachmodell
Finetuning
Tool
Folie 42
Make vs. Buy – Die vier Stufen der Entscheidung
STUFE 0
BUY
Tool kaufen & direkt nutzen
Burda – ChatGPT & Midjourney
STUFE 1
API
Fertigmodell via API einbinden
Mercedes-Benz – Qualitätssicherung
STUFE 2
FINE-TUNING
Modell mit eigenen Daten anpassen
Bosch – Code-Entwicklung
STUFE 3
MAKE
Eigenes Sprachmodell entwickeln
Bloomberg – BloombergGPT
Komplexität
Der häufigste Fehler: Unternehmen überspringen Stufe 0 und 1 – und scheitern an fehlender Datenbasis.
Folie 43
Fine-Tuning: Einen Generalisten zum Spezialisten machen
1
Basismodell
Trainiert auf Milliarden allgemeiner Texte
2
Eigene Daten
Interne Dokumente, Fachsprache, Prozesse, Code Struktur
3
Spezialisiertes Modell
Antwortet in deiner Sprache, kennt deinen Kontext
Du baust kein neues Modell - du bringst einem bestehenden Modell deine Sprache bei.
Folie 44
Fine-Tuning: Ein Auslaufmodell?
Fine-Tuning war von 2020-2025 ein häufiges KI Mega Projekt - heute hört man kaum noch davon. Warum könnte das so sein?
Folie 45
Bloomberg: Marktführer bleiben
BUY AI
MAKE AI
0
1
2
3
Fertigmodell
Eigenes Sprachmodell
Finetuning
Tool
Folie 46
Make vs. Buy – Die vier Stufen der Entscheidung
STUFE 0
BUY
Tool kaufen & direkt nutzen
Burda – ChatGPT & Midjourney
STUFE 1
API
Fertigmodell via API einbinden
Mercedes-Benz – Qualitätssicherung
STUFE 2
FINE-TUNING
Modell mit eigenen Daten anpassen
Bosch – Code-Entwicklung
STUFE 3
MAKE
Eigenes Sprachmodell entwickeln
Bloomberg – BloombergGPT
Komplexität
Der häufigste Fehler: Unternehmen überspringen Stufe 0 und 1 – und scheitern an fehlender Datenbasis.
Folie 47
Stufe 3: Ein eigenes Sprachmodell bauen
1
Du trainierst ein Modell von Grund auf - mit deinen eigenen Daten
2
Das Modell gehoert dir vollstaendig - kein Drittanbieter, keine Abhaengigkeit
3
Voraussetzung: massive Datenmengen, ML-Expertise und erhebliche Rechenkapazitaet
Make ist keine Weiterentwicklung von Fine-Tuning - es ist eine komplett andere Entscheidung.
Folie 48
Bloomberg GPT
Eine der teuersten Wetten der jüngeren KI-Geschichte – habt ihr davon gehört?
Was ihr wisst
Bloomberg ist Marktführer bei Finanzdaten Sie haben 2023 ein eigenes LLM trainiert: BloombergGPT Investition: ca. 10 Mio. USD, 50 Mrd. Parameter Trainiert auf Bloombergs eigenen Finanzdaten Die Wette: Domänen-Spezialisierung schlägt Generalismus
EURE LEITFRAGE
Was war Bloombergs Strategie – und warum hat sie sich nicht gelohnt?
Recherche-Quelle frei wählbar · Web, Claude, Langdock – alles erlaubt.
Ergebnis: 3 Sätze, die ihr ins Plenum mitbringt.
15 Min. Einzelarbeit · 5 Min. Plenum-Sync
Folie 49
Bessere Modelle – durch mehr Reasoning
Folie 50
Sprechernotiz
The model generates intermediate steps — mental breadcrumbs — between the prompt and the final output. This allows it to solve problems that require logic, comparison, or multi-stage decision-making.”
Folie 51
Wann lohnt sich Make? Drei Bedingungen die erfüllt sein müssen.
1
Datenvorteil
Du besitzt einzigartige Daten, die den Kernunterschied ausmachen.
Bloomberg: 40 Jahre Finanzdaten
2
Strategische Relevanz
KI wird nicht ein Tool unter vielen - sondern dein Kernprodukt oder entscheidender Wettbewerbsvorteil.
Bloomberg: Das Modell ist das Produkt
3
Ressourcen
Millionenbudget, eigenes ML-Team und Recheninfrastruktur vorhanden und langfristig gesichert.
Bloomberg: Eigene Datacenter, grosse Tech-Teams
Fuer 99% der Unternehmen ist Make keine Option - und das istindiskutabel.
Folie 52
Woran entscheide ich, welche Stufe passt?
1
Datenschutz & Compliance
Möchte ich Daten nutzen die bei einem Leak das Unternehmen ruinieren?
Nein → Lokales Modell nötig (Stufe 2–3) | Ja → Cloud oder API möglich (Stufe 0–1)
2
Kosten & ROI
Was kostet die Umsetzung – und was bringt sie?
Je höher die Stufe, desto höhere Kosten & längerer Weg zum ersten Ergebnis
3
System-Knowhow
Muss KI in SAP, CRM oder andere Systeme eingebunden werden?
Nein → Stufe 0 reicht oft | Ja → API-Anbindung oder Fine-Tuning nötig
4
Ergebnisqualität
Reicht ein Standardmodell – oder brauche ich Domänenpräzision?
Standard reicht → Stufe 0–1 | Nicht ausreichend → Eigenes Sprachmodell / Narrow AI möglich?
Folie 53
Praxis: make vs. Buy. Wann macht was Sinn?
Sprechernotiz
Echte Lösungen für echte Probleme – keine technischen Spielereien!
Folie 54
Praxis Quickie: Make vs. Buy
Zwei Unternehmen. Zwei Entscheidungen. Kein offensichtliches Richtig oder Falsch.
Case A
Das Mittelstands-Dilemma
Maschinenbau | ~300 Mitarbeitende | Familienunternehmen
Case B
Das FinTech-Dilemma
RegTech | ~80 Mitarbeitende | Series B | Berlin
Folie 55
Case A – Das Mittelstands-Dilemma
Maschinenbau | ~300 Mitarbeitende | Familiengeführt | Exportquote 60 %
Ausgangssituation
Der Vertriebsleiter möchte Angebote und technische Dokumentationen schneller übersetzen und kundenspezifisch anpassen. Aktuell erledigt das ein 2-köpfiges Team manuell – mit DeepL und ChatGPT gibt es erste, unstrukturierte Tests. Der Vertriebsleiter redet im Erstgespräch immer von “ein eigenes KI Modell bauen”.
Rahmenbedingungen
Sensible Kundendaten & Preisstrukturen in den Dokumenten Kleines IT-Team – keine ML-Kompetenz intern Marktlösungen vorhanden (DeepL API, spezialisierte Tools) Eigene Produktterminologie ist hochspezifisch
Spannungsfeld: Stufe 0 (Tool kaufen & nutzen) wäre schnell und günstig – aber ohne Anpassung auf die eigene Terminologie bleibt die Qualität mittlermäßig. Stufe 2 (Fine-Tuning) wäre theoretisch besser – aber ist das sinnvoll?
Empfehlung: Welche Make-vs-Buy-Stufe (0–3) empfehlt ihr – und warum?
Leitfrage: Welche eine Folgefrage stellt ihr dem Geschäftsführer?
Folie 56
Case B – Das FinTech-Dilemma
RegTech / Compliance-Software | ~80 Mitarbeitende | Series B | Berlin
Ausgangssituation
Das Unternehmen bietet Compliance-Software für Banken an. Der CEO möchte einen KI-gestützten „Compliance-Assistenten“ ins Produkt integrieren – er soll BaFin- und EBA-Dokumente analysieren und Berater bei der Bewertung unterstützen.
Rahmenbedingungen
GPT via API wäre in 2 Wochen einsatzbereit Eigenentwicklung dauert 6–9 Monate Kunden sind Banken: DSGVO, BaFin, Datensouveränität kritisch Wettbewerber arbeiten an ähnlichen Features
Spannungsfeld: Stufe 1 (API) wäre schnell und marktreif – aber ist das für ein B2B-SaaS, das Banken verkauft wird, strategisch klug? Oder ist genau das der Kern, den man selbst kontrollieren muss?
Empfehlung: Welche Make-vs-Buy-Stufe (0–3) empfehlt ihr – und warum?
Leitfrage: Welche eine Folgefrage stellt ihr dem CEO?
Folie 57
Vibecoding = Coding mit AI verändert die Realität: make vs. buy Entscheidungen in Zeiten von Vibecoding
Sprechernotiz
Echte Lösungen für echte Probleme – keine technischen Spielereien!
Folie 58
Mehr dazu in Modul 3
🎬 Eingebettetes Medium im Deck: Onlinemedien 2 (nicht extrahiert)
Sprechernotiz
Echte Lösungen für echte Probleme – keine technischen Spielereien!
Folie 59
Tag 8 – Abschluss
Das nehmen wir mit
Wir kennen die drei Ebenen einer KI-Strategie – Vision, Use Cases und unterstützende Faktoren – und wissen, wie Strategie vor Tool-Entscheidung kommt Wir verstehen die vier Make-vs.-Buy-Stufen und können für ein konkretes Unternehmen begründen, welche Stufe passt – und warum.
Eine KI-Strategie beginnt nicht mit Technologie – sie beginnt mit der Frage: Was wollen wir eigentlich erreichen?
2
Folie 60
Ausblick - Tag 9
2
Was sind Quick Wins, Leuchttürme & Strategische Wetten im Kontext von KI Use Cases?
Folie 61
Vielen Dank! Tag 8 geschafft!
AI Transformation Institute
26. August 2026
Thorsten Gluitz