KI als Produktivitätsbooster für den Mittelstand

Gemeinsam zur data-driven Company – ein Interview mit dem KI-Experten und COO Alexander Röhrs bei deepIng.ai

Wie sind Sie dahin gekommen, wo Sie jetzt sind?

Ich war bei einem Software-Unternehmen tätig und habe dort meine jetzigen Mitgesellschafter bzw. Mitgründer Dr. Carsten Wagner und Dr. Matthias Schmidt bei einem Pitch-Event besiegt. Das war damals bei der TECHTIDE, einer Nachfolgemesse der Cebit in Hannover. Meine Mitgesellschafter Carsten und Matthias sind damals bei dem Pitch-Event namens „Pitch black“ gegen mich angetreten. Ich habe gewonnen, sie haben verloren. Trotzdem haben wir uns nicht aus den Augen verloren, sondern uns besser kennengelernt.

Irgendwann haben wir gesagt: „Lass‘ uns das doch zusammen machen“. So haben sich unsere Wege gekreuzt. Vor fünf Jahren – wir hatten also kürzlich unseren fünften Geburtstag –, sind wir dann der Idee gestartet, KI und Algorithmen in den Mittelstand zu bringen. Unser Anspruch war und ist es, die Unternehmen der Zukunft zu gestalten und mit voranzutreiben.

Was sind Ihre Top 3-Tipps für Start-Ups?

Ganz klar es geht am Ende des Tages darum, Kunden zu haben und coole Projekte zu machen. Das geht nur, wenn man draußen ist und sich vernetzt. Man muss unterwegs sein, um halt wirklich Potenziale für sich zu erschließen. Das ist am Anfang gar nicht so easy, weil man ja noch nicht so viel vorzuweisen hat, außer vielleicht seine Erfahrung und das, was man schon im Hintergrund mitbringt.

Gerade als junger Mensch muss man wirklich um Vertrauen buhlen. Das schafft man nur, indem man viel draußen ist, kompetent auftritt und das Thema Networking ernst nimmt, denn damit steht und fällt es in „the long run“.

Vor allen Dingen, wenn man größere Sachen macht, die z.B. einen Sales Cycle von einem Jahr haben. Das muss man erstmal überbrücken können. Vor allem, weil man sein tägliches Brot verdienen möchte und gleichzeitig überlegt, ob man zwischendrin bereits schneller drehende Geschäfte generieren könnte, wie z.B. mit Workshops, in denen man seine Kompetenz etwas schneller an den Mann bringt als mit großen Software-Projekten. Parallel sollte man mit strategischem Fokus an dem Produkt arbeiten, das man (evtl. skalierfähig) in den Markt treiben möchte.

Am Ende geht es darum, draußen zu sein und gehört zu werden und sich Vertrauen zu erarbeiten. Also nochmal zusammengefasst, meine Top 3-Tipps für Start-Ups: 1. Draußen sein bzw. Präsenz zeigen 2. Vertrauen erarbeiten 3. Mit strategischem Fokus am Produkt arbeiten. Aber, am Ende steht und fällt es mit: Geld verdient.

Folgendes habe ich hierzu mal einem Start-Up erzählt, das ein EXIST-Gründerstipendium bekommen hatte. Denen habe ich gesagt: „Ihr erhaltet jetzt im Monat für 18 Monate rund 2.000€ im pro Person und Monat Stipendium. Aber, überlegt mal: wenn Ihr z.B. eine Software as a Servicelösung produzieren wollt, und Ihr pro Monat 8.000,00€ netto haben wollt, dann müsst ihr mindestens 15.000€ im Monat erarbeiten, mit einem Produkt das 50,00 € im Monat kostet. Wie viele Kunden müsst ihr denn eigentlich haben, um das Äquivalent rauszukriegen?“

Man muss also von Tag eins an Vertrieb machen, Kunden gewinnen und Geld verdienen, damit man innerhalb dieser anderthalb Jahre überhaupt vielleicht mal bei diesem Wert angekommen ist.

Und das ist auch nicht jedem gegeben, außer man hat ein super selbstlaufendes Produkt, aber es hat alles einen seichten Start. Dann wird es erst ein bisschen besser, mit der Skalierfähigkeit und vielleicht auch ein bisschen exponentiell. Das ist aber nicht jedem vergönnt.

Benötigt man für die Entwicklung einer fokussierten Produktstrategie eine externe Perspektive?

Wir haben unseren strategischen Fokus, wo wir hinwollen. Wir versuchen dementsprechend, Kunden zu generieren, die ihre Impulse und Vorstellungen haben, die wir integrieren, weil wir Probleme lösen wollen. Durch diesen Austausch entwickelt sich auch unser Produkt. Trotzdem ist unser Leitstern: Wir wollen datengetriebene Unternehmensentwicklung. Das ist massiv kundengetrieben, in Bezug auf das, was wir überhaupt umsetzen können.

Da wir von Beginn an gebootstrappt haben – mit mittlerweile 14 Leuten im Team, haben wir gar kein Geld, das wir strategisch einfach so aus dem Fenster schmeißen könnten, um im stillen Kämmerlein drei Jahre lang irgendwas zu entwickeln. Sondern der Kunde und das, was wir am Markt realisieren können, ist eigentlich das, wie sich es entwickelt. Der alternative Weg, den wir eben nicht gehen, wäre es z.B. zwei Millionen Venture Capital in die Hand zu nehmen, um ein „sophisticated“ Produkt zu entwickeln, welches wir dann in den Markt treiben könnten. Entweder entwickelt man den Markt, um ein Produkt herum oder das Produkt entwickelt sich am Markt.

Es ist eine Abwägungssache, wieviel Geld man in diesen strategischen Fokus investieren möchte, und die Frage, wieviel man auf der hohen Kante hat, um dann mit viel Marketing die Leute und Kunden davon zu überzeugen, dass das der richtige Weg ist – unabhängig von den aktuellen Gegebenheiten und dem realen Kundenbedarf. Wir orientieren uns an der technologischen Entwicklung am Markt und am Kunden bzw. an der Fragestellung, wie wir in dessen individuellen Umfeld unsere datengetriebene Unternehmensentwicklung anwenden können. Dafür bezahlen uns unsere Kunden, und nicht für eine zwar sehr innovative, aber dennoch nebulöse und nur mit sehr vielen Steps erreichbare technologischen Entwicklung.

Warum braucht der Mittelstand KI?

KI ist einer der größten Produktivitätsbooster, den man sich vorstellen kann, besonders für Aufgaben wie die Wiederbeschaffungszeitprognose oder die Lieferterminprognose. Stellen Sie sich vor, Sie brauchen normalerweise eine halbe Stunde, um mit Excel die Kapazitätsauslastung zu berechnen.

Mit KI geht das plötzlich auf Knopfdruck. Diese Zeit können Sie dann für produktivere Aufgaben nutzen. All diese kleinen Prozesse summieren sich. Excel ist natürlich ein mächtiges Tool, aber oft hängen viele Prozesse stark vom Wissen einzelner Mitarbeitender ab.

Wenn diese Fachkräfte, die über Jahre hinweg ihr Wissen in Excel-Tabellen aufgebaut haben, in Rente gehen, wird es schwierig, diesen Wissenstransfer zu bewältigen. Da setzen wir mit KI an. Sie hat enormes Potenzial, die Produktivität und Geschwindigkeit von Prozessen im Mittelstand zu steigern.

Foto freundlicherweise zur Verfügung gestellt von deepIng.ai

Wie sieht Ihre Vorgehensweise aus, wenn Sie in ein Unternehmen kommen, das bisher z.B. mit Excel arbeitet?

Wir starten meistens mit einer Bestandsaufnahme und prüfen, wo und wie Daten gesammelt werden, die als Entscheidungsgrundlage dienen. Dann gehen wir rein und fragen: „Wo habt ihr Excel-Tabellen oder ähnliche Tools, in die ihr viel Arbeit investiert, um Daten aus unterschiedlichen Quellen zu aggregieren?“

In vielen Fällen wird das Ergebnis dann durch das Bauchgefühl und die Erfahrung der Mitarbeitenden beeinflusst. Hier liegt großes Potenzial, mehr Prozesse zu automatisieren und auf datenbasierte Entscheidungen umzustellen.

Was ist, wenn ein kleineres Unternehmen, viele Excel-Tabellen hat, die nicht aufeinander abgestimmt sind?

Das ist ein typisches Szenario. Jeder Mitarbeitende hat oft seine eigenen Excel-Tabellen erstellt, ohne sich groß mit den anderen abzustimmen. Das führt dazu, dass keine einheitlichen Strukturen existieren und die Daten unterschiedlich aufbereitet sind.

In so einem Fall gehen wir in einen Workshop und schauen uns genau an, wo der größte Aufwand mit diesen Tabellen besteht. Ziel ist es, herauszufinden, wie viel Arbeitszeit wir durch Automatisierung einsparen können. Das erlaubt es, die Mitarbeitenden produktiver einzusetzen, anstatt Zeit mit dem Zusammenstellen von Daten zu verlieren.

Wie läuft der Prozess konkret ab, wenn Sie sich die Excel-Tabellen ansehen?

Zuerst sammeln wir alle relevanten Excel-Tabellen und analysieren, wie die Ergebnisse in diesen Tabellen entstehen. Der nächste Schritt ist zu prüfen, ob wir die Daten, die aktuell manuell zusammengetragen werden, aus anderen Quellen automatisiert beziehen können – zum Beispiel aus einem ERP-System oder einer Datenbank.

Wenn die Excel-Tabellen bereits wichtige Daten enthalten, können wir sie in eine zentrale Datenbank überführen. Das Wissen geht also nicht verloren, sondern wird in einer effizienteren Form genutzt.

Braucht man dafür bestimmte Software oder Datenbanken?

Meistens arbeiten wir mit einem Data Warehouse, das sich gut in die bestehende IT-Infrastruktur des Unternehmens integrieren lässt. Es gibt unterschiedliche Ansätze, je nachdem, ob es um Zeitreihen oder andere Datenstrukturen geht.

Aber grundsätzlich lassen sich auch Excel-Tabellen als Datenquelle in das Data Warehouse integrieren. Das Entscheidende ist, die Daten sauber zu migrieren und so aufzubereiten, dass sie in Algorithmen genutzt werden können.

Wie integriert man externe Datenquellen in solche Systeme?

Man kann externe Datenquellen wie öffentliche Datenbanken, Statistiken oder Trends nutzen. Ein Beispiel: Für eine Prognose haben wir Daten vom Statistischen Bundesamt genutzt, um die Vorhersagen zu verbessern.

Solche Daten können helfen, näher an die Performance erfahrener Mitarbeitender heranzukommen. Es gibt viele externe Quellen, die man anzapfen kann, um interne Entscheidungen zu optimieren.

Was ist, wenn ich ein Data Warehouse habe? Wie läuft dann die Nutzung der KI im Unternehmen?

Sobald das Data Warehouse eingerichtet ist, läuft der Algorithmus im Hintergrund. Es gibt dann eine Webanwendung, die die Ergebnisse anzeigt, und die Daten werden regelmäßig aktualisiert. Je nach Bedarf kann man automatische Meldungen einrichten oder die Ergebnisse manuell abrufen, wie bei einer Wiederbeschaffungsprognose.

Können Sie ein Beispiel nennen, wie ein Algorithmus im Hintergrund arbeitet?

Häufig gibt es eine Webanwendung, die im Hintergrund regelmäßig die Daten aktualisiert. Nehmen wir ein Einkaufs-Dashboard: Hier können alle relevanten Informationen visualisiert werden, inklusive statistischer Auswertungen und KI-gestützter Prognosen, wie etwa die Wiederbeschaffungszeit.

Diese Werte werden automatisch berechnet und in das Dashboard integriert. Man kann das System so einstellen, dass es bei bestimmten Ereignissen proaktive Benachrichtigungen gibt, z.B. wenn ein Schwellenwert überschritten wird.

Wie trainiert man eine KI? Könnten Sie das bitte für Laien erklären?

Es gibt zwei unterschiedliche Ansätze: Einmal die Large Language Models, wie z.B. ChatGPT, und auf der anderen Seite spezifische Algorithmen, die auf Entscheidungsbäumen oder statistischen Modellen beruhen. Wenn wir über KI für den Mittelstand sprechen, arbeiten wir oft mit letzterem – das sind gezielte Algorithmen, die aus historischen Daten lernen.

Diese Algorithmen schauen sich an, welche Muster in den Daten vorkommen, um daraus Vorhersagen zu treffen. Es ist im Grunde wie das Anlernen eines neuen Mitarbeitenden: Wenn die Daten gut sind, lernt die KI schnell und liefert präzise Ergebnisse. Schlechte Daten führen jedoch zu schlechten Ergebnissen – sowohl bei der KI als auch bei menschlichen Mitarbeitenden.

Klassische Programmierung funktioniert nach festgelegten Regeln. Ein Mensch definiert, was passieren soll, wenn ein bestimmtes Ereignis eintritt, also „wenn dies, dann das“. Diese Regeln sind manuell erstellt und basieren auf Erfahrungen oder spezifischem Wissen.

Bei Künstlicher Intelligenz, besonders im maschinellen Lernen, sieht das ganz anders aus: Wir haben große Mengen an Daten und bereits vorhandene Antworten. Der Algorithmus durchsucht die Daten, um die zugrunde liegenden Muster und Regeln selbst zu finden. Das ist ein fundamentaler Unterschied, der uns ermöglicht, riesige Datenmengen effizient zu nutzen, um Vorhersagen zu treffen oder Prozesse zu automatisieren.

Könnten Sie das bitte an einem Beispiel verdeutlichen?

Ein gutes Beispiel ist die Wiederbeschaffungszeitprognose. In einem ERP-System haben wir historische Daten zu Bestellungen und Wareneingängen. Dazu kommen äußere Einflüsse, wie etwa Markt- oder Lieferantenentwicklungen.

Früher hat ein Mitarbeiter auf Basis seiner Intuition und Erfahrung gehandelt, zum Beispiel, indem er Zeitungen las und daraus schloss, dass bestimmte Bestände erhöht werden sollten. Mit KI können wir die historischen Daten und aktuelle Marktinformationen analysieren, um Trends zu erkennen und zukünftige Wiederbeschaffungszeiten automatisiert zu berechnen.

Der Algorithmus kann hierbei Zusammenhänge in den Daten erkennen, die ein Mensch vielleicht gar nicht erfassen würde, wie etwa den Einfluss von steigenden Gaspreisen auf Lieferketten.

Wie funktioniert das genau? Wie hilft der Algorithmus bei der Vorhersage?

Die KI analysiert zunächst die historischen Daten. Dabei verknüpft der Algorithmus Bestellungen mit den entsprechenden Wareneingängen und berücksichtigt zusätzliche Informationen wie Marktprognosen oder saisonale Schwankungen.

Der Algorithmus erkennt dann selbstständig Muster, die für die Berechnung der Wiederbeschaffungszeiten relevant sind. Anschließend wird diese Erkenntnis auf neue Bestellungen angewendet, um Vorhersagen zu treffen.

Das Faszinierende daran ist, dass der Algorithmus die Zusammenhänge in den Daten findet, ohne dass wir vorher alle Abhängigkeiten explizit programmieren müssen, wie es in der klassischen Programmierung notwendig wäre.

Wie sieht das bei komplexeren KI-Anwendungen, wie z.B. bei Large Language Models (LLMs), aus?

Bei den Large Language Models, wie denen von OpenAI, geht es darum, Sprache und die darin enthaltenen Informationen zu nutzen, um daraus Ergebnisse zu generieren. Auch hier basiert es auf ähnlichen Prinzipien wie beim maschinellen Lernen: Man gibt große Mengen an Daten ein, und der Algorithmus identifiziert Muster und Zusammenhänge, um sinnvolle Antworten zu liefern.

Der Unterschied besteht jedoch darin, dass bei LLMs die Sprache als primäres Datenformat genutzt wird. Entwickler können dann die Modelle, zum Beispiel GPTs (Generative Pre-trained Transformers), durch sogenannte Prompts anweisen, wie sie sich verhalten sollen.

Könnten Sie das bitte an einem Praxisbeispiel erklären?

Nehmen wir ein Projekt in einer Tischlerei. Dort arbeiten im Hintergrund mehrere GPTs zusammen, die über Schnittstellen miteinander kommunizieren. Jede dieser GPTs ist auf einen bestimmten Teilprozess spezialisiert, und zusammen bilden sie den Workflow der Tischlerei ab.

Die Schnittstellen schieben Daten zwischen den einzelnen GPTs hin und her, und das Ergebnis ist ein optimierter Arbeitsablauf. Es ist faszinierend, wie leicht man mit einer Plattform wie OpenAI solche Systeme antrainieren und einsetzen kann, besonders wenn man technisches Know-how hat.

Wie läuft das Training eines ML-Modells ab? Was bedeutet das konkret?

Wenn wir ein Modell trainieren, arbeiten wir in mehreren Schritten. Zuerst sammeln wir historische Daten, beispielsweise Bestellungen und Wareneingänge. Diese Daten werden in Trainings- und Testdatensätze unterteilt. Wir nutzen dann Algorithmen, um den Trainingsdatensatz zu analysieren und eine Vorhersage zu machen, zum Beispiel über die Wiederbeschaffungszeit.

Anschließend testen wir das Modell mit dem Testdatensatz, also mit Daten, die das Modell noch nicht gesehen hat, und vergleichen die Vorhersagen mit den tatsächlichen Ergebnissen. So sehen wir, wie genau der Algorithmus arbeitet, und ob er zuverlässige Ergebnisse liefert.

Welche Rolle spielt der Mensch in diesem Prozess?

Der Mensch spielt immer noch eine zentrale Rolle, vor allem bei der Definition der Ziele und beim Training der Algorithmen. Er entscheidet, welche Daten verwendet werden und wie das Modell aufgebaut wird.

Auch die Interpretation der Ergebnisse und die Anpassung der Modelle sind Aufgaben, bei denen der Mensch unersetzlich ist. Die KI ist ein Werkzeug, das die Arbeit erleichtert und beschleunigt, aber sie braucht den Menschen, um richtig eingesetzt zu werden.

Bedeutet KI-Training, dass man Algorithmen auf vorhandene Daten anwendet und die Maschine daraus lernt?

Genau. Es geht darum, die Algorithmen auf den vorhandenen Daten anzuwenden, sie auf diesen Daten „anzutrainieren“ und dann zu sehen, wie gut das Modell Vorhersagen machen kann. Mit den Ergebnissen aus der Vergangenheit können wir die Zuverlässigkeit testen und optimieren, bis das Modell zufriedenstellende Vorhersagen trifft.

Das Ziel ist es, mithilfe historischer Daten Muster zu erkennen und diese auf neue Daten anzuwenden, um Vorhersagen oder Prognosen zu treffen. Dabei schauen wir, wie gut oder schlecht ein Algorithmus funktioniert, optimieren ihn gegebenenfalls und bereinigen die Daten, falls nötig. Es ist ein Prozess des ständigen Lernens und Anpassens.

Könnten Sie bitte ein konkretes Beispiel für diesen Prozess geben?

Ein gutes Beispiel wäre die Wiederbeschaffungszeitprognose. Hierbei haben wir in den Datenbanken eines Unternehmens Bestellungen und Wareneingänge aus der Vergangenheit. Nun setzen wir Algorithmen ein, um auf Basis dieser Daten zukünftige Wiederbeschaffungszeiten vorherzusagen.

Wir testen den Algorithmus, indem wir sehen, wie gut er vergangene Wiederbeschaffungszeiten prognostiziert. Wenn er dabei gut abschneidet, können wir ihn auf neue Bestellungen anwenden.

Was passiert, wenn die Prognose nicht korrekt ist? Was könnte der Grund dafür sein?

Oft liegt es daran, dass wichtige Daten fehlen. Vielleicht gibt es Faktoren, die Einfluss auf das Ergebnis haben, die aber nicht in den Datensätzen enthalten sind, wie Markttrends oder politische Ereignisse. Das ist häufig eine Herausforderung, besonders wenn Entscheidungen in der Vergangenheit auf Bauchgefühl basierten und diese Informationen nie in die Datenbank aufgenommen wurden.

Wie geht man in solchen Fällen vor, wenn z.B. Daten fehlen?

In solchen Fällen hinterfragen wir die Datenbasis und versuchen, die fehlenden Informationen zu ergänzen. Manchmal müssen wir die Unternehmen dazu bringen, neue Daten zu sammeln oder bestehende Datensätze zu bereinigen.

Ein anderes Mal können wir relevante Daten von externen Quellen beziehen, wie z.B. Marktentwicklungen oder Lieferantenverfügbarkeit. Das Ziel ist es, ein bestmögliches Abbild der Realität in den Daten zu haben, damit die Prognosen genauer werden

Wie hoch ist die Motivation der Unternehmen, sich auf diesen aufwändigen Prozess einzulassen?

Seit der Verbreitung von GPT-Modellen hat das Interesse stark zugenommen. Viele Unternehmen sind neugierig, aber auch skeptisch, weil sie nicht genau wissen, wie sie KI sinnvoll einsetzen können. Wir bieten deshalb KI-Seminare an, um den Mittelstand zu unterstützen, besser zu verstehen, wie KI funktioniert und wie sie in ihre bestehenden Systeme integriert werden kann. Dabei begleiten wir die Unternehmen oft langfristig, um ihnen Schritt für Schritt den Weg zur KI-Nutzung zu ebnen.

Aus welchen Branchen kommen die meisten Ihrer Kunden?

Unser Fokus liegt hauptsächlich auf der Produktion und Logistik. Der Großteil unserer Kunden kommt aus dem produzierenden Mittelstand.

Wie lange dauert es im Durchschnitt, bis ein Unternehmen KI erfolgreich in seine Prozesse integriert hat?

Das hängt stark von der Datenqualität und den bestehenden Systemen ab. In einem Fall hat es zweieinhalb Jahre gedauert, bis wir eine sinnvolle KI-Prognose machen konnten, weil die Datenbasis einfach nicht ausreichend war. Wenn ein Unternehmen jedoch bereits über gut strukturierte Daten und automatisierte Prozesse verfügt, kann der Weg zur erfolgreichen KI-Nutzung deutlich kürzer sein.

Welche Rolle spielt dabei die Qualität der Daten?

Die Datenqualität ist entscheidend. Wenn die Stammdaten schlecht gepflegt sind, dauert es länger, bis man Ergebnisse sieht, weil man zunächst die Datenbasis aufbauen oder verbessern muss. Je besser die Daten, desto schneller und präziser kann der Algorithmus arbeiten.

Manche Unternehmen müssen da einiges nachholen, während andere schon weiter sind und schneller zu Ergebnissen kommen. KI ist kein Plug-and-Play-System. Es erfordert eine langfristige Strategie, bei der Unternehmen Schritt für Schritt ihre Daten und Prozesse optimieren, um das volle Potenzial der Technologie zu nutzen.

Wie lange dauert es bei optimaler Datenlage, bis man ein KI-Projekt im Mittelstand erfolgreich umsetzen kann?

Bei optimaler Datenlage sprechen wir von etwa drei Monaten für die Machbarkeit. Dazu machen wir normalerweise zwei Workshops, jeder davon dauert einen Tag.

Nach den Workshops machen wir ein sogenanntes Pre-Engineering. Das bedeutet, dass wir einen vielversprechenden Algorithmus entwickeln und testen. Wir zeigen dann die Schritte, um ihn in die Realität zu bringen.

Allerdings sollte man bedenken, dass Algorithmen auch einen Pflegeaufwand nach der Einführung haben. Die Welt verändert sich, und genauso muss der Algorithmus regelmäßig überprüft werden. Es können neue Einflussfaktoren hinzukommen oder sich Daten ändern, weshalb man kontinuierlich die Performance überwachen muss.

Wie oft wird überprüft, ob Anpassungen notwendig sind?

Das kann man fortlaufend tun, zum Beispiel über ein Dashboard. Man überprüft den Zielparameter ständig, um zu sehen, ob er noch die erwartete Leistung bringt. Wenn es Abweichungen gibt, schaut man sofort, was los ist und passt den Algorithmus an.

Wie viel Ersparnis kann man durch KI erzielen? Gibt es eine konkrete Prozentzahl?

Das ist schwer zu verallgemeinern, weil es von Projekt zu Projekt sehr unterschiedlich ist. Aber wir hatten schon Fälle, in denen durch KI fast die Arbeit eines ganzen Mitarbeiters eingespart werden konnte. Es geht jedoch nicht darum, Mitarbeiter zu ersetzen, sondern ihre Kompetenzen für komplexere Aufgaben zu nutzen.

Es gibt Beispiele, bei denen wir 25 % Effizienzsteigerung erreicht haben. Es geht nicht darum, Arbeitsplätze abzubauen, sondern Mitarbeitende zu entlasten. Sie sollen sich nicht mehr mit einfachen, repetitiven Aufgaben wie dem manuellen Pflegen von Daten beschäftigen müssen. KI hilft, diese Tätigkeiten zu automatisieren, damit sich die Mitarbeiter auf komplexere und wertvollere Aufgaben konzentrieren können.

Wie reagieren die Menschen in Unternehmen auf den Vorschlag KI einzusetzen?

Widerstände gibt es immer, wie bei vielen Digitalisierungsprojekten. Manche Menschen haben Angst vor Veränderungen. Aber die Unternehmen, die uns anfragen, haben das Potenzial von KI bereits erkannt. Wenn wir erklären, dass es darum geht, Produktivität und Effizienz zu steigern, ist das Feedback in der Regel sehr positiv.

Wir nutzen die bestehenden Daten und Systeme effizienter, indem wir sie automatisieren. Dadurch wird die Arbeit der Mitarbeiter erleichtert, da sie nicht mehr manuell Daten pflegen müssen, sondern sich mit den relevanten Informationen aus verschiedenen Quellen auseinandersetzen können.

Wie steht Deutschland im internationalen Vergleich im Bereich KI da?

Wir hinken in der Adaption neuer Technologien oft hinterher, vor allem im Vergleich zu den USA. Dort ist der Umgang mit neuen Technologien viel selbstverständlicher. In Deutschland gibt es viele Unternehmen, die noch nicht einmal ihre ERP-Systeme richtig nutzen.

Das macht es schwierig, KI zu implementieren. Ich glaube aber, dass der Fachkräftemangel und der internationale Druck dazu führen werden, dass wir uns schneller mit diesen Technologien auseinandersetzen müssen.

Woran liegt es, dass Deutschland langsamer reagiert?

Das ist meiner Meinung nach ein zutiefst menschliches Verhalten. Menschen sind oft skeptisch gegenüber neuen Dingen und wollen erst einmal das verstehen, was sie bereits kennen. Besonders in Deutschland haben wir viele Prozesse über Jahrzehnte unverändert gelassen, weil sie funktionierten. Aber jetzt wird es notwendig, neue Wege zu gehen, um wettbewerbsfähig zu bleiben.

Wir haben es uns oft zu einfach gemacht und nur kleine Anpassungen vorgenommen, anstatt größere technologische Veränderungen zu wagen. Das führt dazu, dass es jetzt umso schwieriger ist, einen großen Schritt zu machen und KI flächendeckend zu implementieren.

Wie schaffen Sie in Unternehmen Offenheit für KI und überzeugen Mitarbeitende?

Das Wichtigste ist es, proaktiv zu kommunizieren und Ängste abzubauen. Das gilt eigentlich für jede neue Technologie. Ich glaube, ein häufiges Problem in Unternehmen ist, dass die Kommunikation vernachlässigt wird. Es wird dann einfach eine neue Technologie eingeführt, ohne die Mitarbeiter wirklich mitzunehmen.

Gerade bei KI ist es entscheidend, iterativ und mit viel Kommunikation vorzugehen, um alle Beteiligten einzubinden. Das ist zwar aufwendig und erfordert auch Budget, aber es ist der einzige Weg, um den Widerstand gering zu halten. Man muss von Anfang an klarstellen, dass es auch mal nicht sofort funktionieren kann – es ist schließlich eine Innovation. Nur so kann man die Belegschaft für das Thema gewinnen.

Es ist essenziell, dass alle mitgenommen werden. Besonders in Zeiten, die unsicherer und volatiler werden, steigt die allgemeine Angst in Unternehmen. Diese Ängste muss man als Führungskraft aktiv angehen. Historisch gesehen tun sich viele Unternehmen schwer damit, aber es ist einfach notwendig. Gerade wenn es darum geht, die Belegschaft offen für neue Technologien wie KI zu machen. Da reicht es nicht, nur auf Dienst nach Vorschrift zu setzen – man muss als Führungskraft dafür sorgen, dass die Mitarbeiter die Chancen erkennen.

Mir liegt wirklich am Herzen, dass wir in Deutschland und insbesondere im Mittelstand das enorme Potenzial von KI und anderen Technologien erkennen. Es geht nicht nur um Machbarkeit, sondern darum, wie wir mit diesen Innovationen so viele Stunden an ineffizienter Arbeit einsparen können. In nahezu jedem Unternehmen stecken unglaubliche Potenziale – sowohl in den Menschen als auch in den Prozessen.

Letztlich müssen das die Unternehmensführer selbst in die Hand nehmen. Es muss Teil der strategischen Ausrichtung des Unternehmens werden, auch als Schutz vor dem steigenden Wettbewerbsdruck. Wir sehen doch, wie viele Unternehmen trotz Entlassungen weiterlaufen – da ist einfach ein enormes Produktivitätspotenzial vorhanden.

Mit Technologien wie KI können wir viele der Probleme, die beispielsweise durch Fachkräftemangel entstehen, lösen. Aber dafür braucht es eine strategische Entscheidung, in solche Technologien zu investieren – auch wenn sich diese Investitionen nicht sofort rechnen.

Ab wann rechnet sich der Einsatz von KI?

Es gibt schnell umsetzbare Projekte, bei denen man anhand von Stundenersparnissen den Return on Investment relativ leicht berechnen kann. Allerdings gibt es auch langfristigere, strategische Themen wie die Pflege von Stammdaten, die nicht sofort in Zahlen messbar sind. Hier geht es darum, das Unternehmen datengetriebener aufzustellen.

Das bedeutet, dass man in kleinen Schritten investiert – etwa, dass man Maschinen so auslegt, dass sie später leicht an eine KI angebunden werden können. Solche Investitionen zahlen sich langfristig aus.

Wie motiviert man Mitarbeitende, den Einsatz von KI mitzutragen?

Das gelingt am besten, indem man ihnen Vorteile aufzeigt, die sie direkt bei der Arbeit spüren. Oft heben wir in Projekten erst einmal die Basisfunktionalitäten eines ERP-Systems, um beispielsweise die Stammdatenpflege zu verbessern. Schon dadurch wird die tägliche Arbeit in vielen Abteilungen erleichtert, was die Motivation erhöht.

Gleichzeitig zeigt man so, dass durch sauber gepflegte Daten in Zukunft noch größere Erfolge möglich sind. Transparenz und kleine Erfolge sind dabei der Schlüssel. Zum Beispiel beginnen wir oft mit Dashboards und standardisierten Auswertungen, um etwa Termintreue oder Prozessqualität sichtbar zu machen. So sehen die Mitarbeiter, dass ihre Arbeit durch den Einsatz von KI oder automatisierten Systemen einfacher und effizienter wird

Vielen Dank für das Gespräch!