Energie allein wird langsam
Im ersten Teil ging es um die Rolle, die das Ganze orchestriert. Steht sie, kommt das, worauf sie als Erstes baut: ein tragfähiges Fundament. Genau darum geht es hier, und es ist die Breite aus dem Auftakt, das Fundament, auf dem später die Tiefe entsteht.
Am Anfang einer KI-Transformation gibt es oft viel Energie. Alle probieren etwas aus, die ersten Demos sehen beeindruckend aus. Und dann stockt es. Niemand weiß, was die anderen schon gelöst haben, gute Ideen versanden, und die schicke Demo scheitert daran, dass die Daten dahinter nicht stimmen.
Das sind zwei verschiedene Probleme, aber sie haben dieselbe Wurzel. Es fehlt das Fundament. Struktur, damit aus Versuchen ein gemeinsames Vorankommen wird. Und Daten, auf die sich die Lösung verlassen kann.
„Eine Demo braucht Begeisterung. Ein Betrieb braucht Struktur und saubere Daten.“
Das Unspektakuläre entscheidet
Tempo entsteht nicht durch das nächste, noch bessere Modell. Es entsteht durch zwei unspektakuläre Dinge. Ein Operating Model, das Rollen, Rhythmus und Entscheidungswege klärt. Und eine Datenbasis, die Menschen und Lösungen wirklich nutzen können.
Beides klingt nach Bürokratie und ist das Gegenteil. Ein Operating Model verkürzt die Zeit von der Idee bis zum produktiven Einsatz. Und gute Daten sind der Unterschied zwischen einer KI, die im Pilotprojekt glänzt, und einer, die im Alltag trägt. Wer hier nicht investiert, baut auf Sand, egal wie gut die Werkzeuge sind.
Das Modell bekommt die Schlagzeile. Das Ergebnis hängt bei uns eher an Struktur und Daten.
Geschwindigkeit und konsumierbare Daten
Geschwindigkeit ist der entscheidende organisatorische Vorteil. Alle haben Zugang zur gleichen Technologie. Den Unterschied macht das Betriebsmodell, das Ressourcen schnell auf das Wichtige lenkt, Teams handeln lässt und nach Wirkung steuert, nicht nach Projekt.
Beim Thema Daten ist es ähnlich. In den meisten Organisationen sind die Daten der eigentliche Engpass, nicht die Modelle. Zum Skalieren müssen die Daten konsumierbar sein, also leicht auffindbar, zugänglich und nutzbar über viele Anwendungen hinweg. Beide Punkte führt auch das AI Transformation Manifesto von McKinsey als zentrale Themen.
Und es gibt eine Frage, die noch vor den Werkzeugen kommt. Eine KI-Transformation ist im Kern eine Business-Transformation. Verbessern lässt sich nur, was man kennt, also müssen die eigenen Prozesse bekannt sein. Wo sie nicht sauber beschrieben sind, nehmen wir sie erst auf. Ich denke dabei in Businesslinien, den durchgängigen Abläufen entlang der Wertschöpfungskette. Andere nennen es Value Streams oder Customer Journeys. Der Vorteil dieser Brille: Man sieht sofort, welche Daten eine Linie wirklich braucht, und muss nicht erst alle Daten KI-fähig machen, sondern nur die, die auf dem gewählten Weg zählen.
Drei Hebel im Betrieb, ein Hebel bei den Daten
Klar, wer entscheidet, wer umsetzt, wer das Geschäft dahinter ownt. Ohne Eigentümer bleibt jede Idee Niemandsland.
Ein fester Takt, in dem ihr priorisiert, umsetzt und nachhaltet. Der Rhythmus hält das Thema lebendig.
Kurze Wege von der Idee zur Entscheidung. Sie verkürzen die Zeit bis zum produktiven Einsatz.
Wissen so ordnen, dass KI es nutzen kann. Eine Architektur für RAG und Agents, damit Antworten auf eurem Wissen beruhen, nicht auf Raten.
KI muss ans Wissen dort, wo es liegt. Über native Integrationen binden wir Quellen wie Confluence, Jira oder Microsoft 365 an die Plattform an. Entscheidend ist, dass die Daten auch sauber auslesbar sind. Nur dann arbeitet die Lösung mit echten Daten statt im luftleeren Raum.
Bei uns ist genau das die Grundlage. Ein Operating Model mit klaren Rollen und einem festen Rhythmus, eine Knowledge Architecture für RAG und Agents, und die angebundenen Systeme. Wir haben unsere Quellen über Connectoren an die Plattform geholt, etwa Confluence, Jira oder Microsoft 365. Erst dadurch laufen erste Prozesse verlässlich und nicht nur im Demo-Modus.
Denn die beste Lösung bleibt blind, wenn sie nicht an die Systeme kommt, in denen das Wissen liegt. Wichtig ist dabei nicht nur, dass eine Integration irgendwie existiert, sondern dass sie nativ ist und die Daten wirklich auslesbar sind. Eine halbe Anbindung, aus der die KI nichts Brauchbares ziehen kann, bringt nichts. Gute Daten plus eine saubere, native Integration, das ist der Unterschied zwischen einer KI, die rät, und einer, die auf eurem Wissen antwortet.
So sieht bei uns das Fundament aus:
- Früh angebunden: Confluence, Jira und Microsoft 365 über Connectoren. Die IT hat den Workspace mit SSO und SCIM aufgesetzt.
- Das Operating Model läuft über wöchentliche operative Meetings mit IT, Legal und Compliance, inklusive Sprint Planning auf ein gemeinsames Ziel.
- Ein gemeinsamer Backlog ersetzt Einzelanfragen: Niemand fordert mehr allein ein KI-Tool bei der IT an, alles läuft zuerst über die gemeinsame Priorisierung.
- Freigegeben sind nur in Europa gehostete Modelle. Jede weitere Modellfreigabe läuft als Prozess über Jira und Legal.
Nicht erst das perfekte Fundament, dann der erste Use Case
Es gibt eine Falle in die andere Richtung. Manche Häuser bauen monatelang an der perfekten Datenplattform und am ausgefeilten Operating Model, bevor sie den ersten echten Use Case anfassen. Das ist genauso riskant wie gar kein Fundament. Man lernt erst an echten Anwendungen, welche Struktur und welche Daten man wirklich braucht.
Mein Weg ist deshalb parallel. Genug Fundament, um nicht im Chaos zu versinken, und gleichzeitig die ersten Use Cases, die zeigen, wo es hakt. Konkret heißt das: in einer Businesslinie anfangen, den Prozess aufnehmen und nur die Daten ordnen, die genau diese Linie braucht. So wächst das Fundament mit der Nutzung, nicht davor. Wie man die richtigen Use Cases findet, ist das Thema von Phase 3.
Wir haben das Fundament nicht fertig gebaut, bevor wir anfingen. Es ist mit der Nutzung gewachsen.
McKinsey, The AI transformation manifesto (April 2026), zu Geschwindigkeit, dauerhaften Fähigkeiten und konsumierbaren Daten.
Wie ist euer Fundament gewachsen?
Wie habt ihr Operating Model und Daten geordnet? Ich tausche mich gern dazu aus.
Phase 1 · Fundament · Zuvor: Eine Rolle mit Zeit · Als Nächstes: Mitnehmen, nicht überrollen · Zur Übersicht