Norbert Ehreke, Geschäftsführer der impetus Unternehmensberatung
und Senior Advisor im Umfeld von Anthira, spricht mit Norman
Müller darüber, warum KI-Projekte nicht beim nächsten Tool
beginnen sollten. Im Mittelpunkt stehen Datenqualität, klare
Verantwortlichkeiten und eine Architektur, die Unternehmenswissen
präzise, nachvollziehbar und sicher nutzbar macht.
An konkreten Beispielen erklärt Norbert, weshalb ein messbarer
Use Case wichtiger ist als Tool-Shopping und was es braucht,
damit KI in sensiblen Bereichen produktiv eingesetzt werden kann.
Die Folge richtet sich an Entscheiderinnen und Entscheider, die
aus ersten KI-Experimenten belastbare Anwendungen entwickeln
wollen.
* 00:00 Warum Unternehmenswissen erst strukturiert werden muss
* 00:45 Norbert Ehreke: IT, Security und Datenkompetenz
* 04:17 Der erste KI-Use-Case: E-Mails und PDFs in Vertriebsdaten
überführen
* 07:30 Warum Tool-Shopping der falsche Startpunkt ist
* 13:16 IREC: Unstrukturierte Daten mit Unternehmenslogik
anreichern
* 15:12 Praxisfälle: DSGVO, Verträge und präzise Recherche
* 17:44 Berechtigungen, Auditierbarkeit und das
Halluzinationsrisiko
* 22:16 Das häufigste Datenproblem: zu viel, zu alt, zu
unaufgeräumt
* 26:35 Wie Geschäftsleitungen KI-Projekte richtig aufsetzen
* 31:15 Vom messbaren Use Case zur passenden KI-Architektur
* 34:06 Private AI: Betrieb im eigenen sicheren Perimeter
* 40:31 Wann Unternehmen vom Experiment zur KI-Strategie wechseln
sollten
* 43:38 Veraltete Daten, Expertise und die Grenzen von
KI-Ausgaben
* 50:01 KI als Chance für maßgeschneiderte Software und neue
Verantwortung
* 53:33 Die ersten Schritte zu belastbaren KI-Anwendungen
* 57:48 Warum KI immer einem konkreten Unternehmensziel folgen
muss
* 01:00:16 Schlussfrage: Common Sense und die Bereitschaft zur
Einigung
Shownotes
* Norbert Ehreke auf LinkedIn:
https://www.linkedin.com/in/norbert-ehreke
* Website von impetus: https://www.impetus.biz
Warum der Fokus auf KI-Reifegrad Unternehmen
ausbremst.
Es gibt gerade zwei Sorten von KI-Euphorie. Die eine klickt sich
durch neue Tools, verteilt Lizenzen und hofft auf Produktivität.
Die andere ist mühsamer. Sie fragt, welches Wissen im Unternehmen
überhaupt vorhanden ist, wer dafür Verantwortung trägt und wer es
sehen darf. Nur die zweite wird auf Dauer Wert schaffen.
Das klingt zunächst unerquicklich. Niemand will in einer Zeit, in
der jede Woche ein neues Modell seine Fähigkeiten demonstriert,
über Dokumentenablagen, Berechtigungen und Datenqualität
sprechen. Es fühlt sich nach Keller an, während oben auf der
Bühne die Zukunft versprochen wird. Aber genau dort entscheidet
sich, ob KI im Unternehmen ein nettes Experiment bleibt oder zu
belastbarer Infrastruktur wird.
In einer neuen Folge des Venture AI Podcast beschreibt Norbert
Ehreke, Geschäftsführer der impetus Unternehmensberatung und
Senior Advisor im Umfeld von Anthira, diese Unterscheidung mit
einer bemerkenswert einfachen Beobachtung: Der Nutzen seiner
ersten KI-Anwendung lag nicht allein darin, Informationen aus
E-Mails und PDFs auszulesen. Der eigentliche Fortschritt
entstand, weil die Daten anschließend zentral, einheitlich und
kontrolliert vorlagen. Erst diese Ordnung machte den
Vertriebsprozess automatisierbar.
Das ist die entscheidende Umkehrung. KI ist nicht der Anfang des
Projekts. Sie ist der Beschleuniger eines Prozesses, den ein
Unternehmen vorher verstanden haben muss.
Der falsche Reflex: Erst kaufen, dann denken
Die typische Frage lautet heute: Brauchen wir Copilot, Claude,
Gemini oder eine spezialisierte Lösung? Sie ist nicht falsch. Sie
kommt nur zu früh.
Wer Unternehmenswissen faktenbasiert abfragen will, muss zuvor
klären, was dieses Wissen eigentlich ist. Wo liegen die Daten?
Welche Begriffe, Produktnummern, Vertragsbeziehungen oder
Zuständigkeiten stecken in ihnen? Welche Informationen sind
aktuell, welche veraltet? Und wer darf auf was zugreifen?
Eine KI, die auf einen ungeordneten Dokumentenbestand trifft,
wird nicht automatisch zur Unternehmensintelligenz. Sie wird
zunächst zum sehr eloquenten Spiegel der bestehenden Unordnung.
Die Antwort kann überzeugend formuliert sein und trotzdem auf
einer veralteten Arbeitsanweisung, einer überholten Produktlogik
oder einem Dokument beruhen, das längst hätte archiviert werden
müssen.
Norbert nennt deshalb einen Punkt, der in vielen KI-Debatten zu
kurz kommt: Data Ownership. Es braucht Menschen und Rollen, die
nicht nur Daten erzeugen, sondern für ihre Qualität, Aktualität
und Verwendung verantwortlich sind. Das ist kein rein technisches
Thema. Es ist eine Managementaufgabe.
Der Bibliothekar als Architekturmodell
Im Gespräch entsteht ein hilfreiches Bild. Ein gutes System für
Unternehmenswissen funktioniert wie ein Bibliothekar. Es weiß,
welche Informationen wo liegen, versteht ihre fachliche
Einordnung und liefert für eine Anfrage nur das Relevante.
Gleichzeitig ist dieser Bibliothekar Türsteher: Er prüft, wer
fragt, und lässt niemanden in Regale, für die keine Berechtigung
besteht.
Dieser zweite Teil wird unterschätzt. Besonders
Rechtsanwaltskanzleien, Steuerberater,
Executive-Search-Unternehmen oder Organisationen mit
vertraulichen Vertrags- und Personaldaten können sich den
ungeprüften Umgang mit externen KI-Diensten nicht leisten. Wer
sensible Unterlagen wahllos hochlädt, erzeugt ein Risiko, das
sich später nicht mit einer guten Präsentation wegmoderieren
lässt.
Das heißt nicht, dass jedes Unternehmen künftig alles selbst
betreiben muss. Aber es muss wissen, an welcher Stelle seine
Daten den eigenen sicheren Bereich verlassen, welche Daten
überhaupt weitergegeben werden und welche Kontrolle danach noch
existiert. Private AI ist kein Marketingbegriff, sondern eine
Architekturfrage.
Auch Präzision entsteht nicht durch Magie. Eine Lösung kann
unstrukturierte Dokumente mit fachlichen Metadaten anreichern:
etwa mit der Logik von Artikelnummern, Kundenbeziehungen,
Vertragsarten oder Berechtigungen. Dann wird aus einer
Volltextsuche ein System, das Informationen nicht nur findet,
sondern im richtigen Zusammenhang bereitstellt. Das reduziert das
Risiko falscher oder irrelevanter Antworten deutlich. Es ersetzt
allerdings nicht die fachliche Prüfung.
KI braucht weiterhin Urteilskraft
Die bequemste Fantasie lautet: Wir geben der KI genug Daten, und
sie übernimmt den Rest. Die Realität ist strenger. Wer eine
Antwort nicht bewerten kann, sollte sie nicht ungeprüft zur
Grundlage einer Entscheidung machen.
Das gilt beim Programmieren ebenso wie beim Vertragsentwurf, in
der Medizin, in der Produktion und im Management. KI kann Arbeit
beschleunigen, Alternativen generieren und Muster sichtbar
machen. Sie kann aber nicht von sich aus entscheiden, ob eine
historische Information noch gilt, ob ein Vertrag zur aktuellen
Rechtsprechung passt oder ob ein Softwareentwurf im eigenen
Betrieb langfristig wartbar bleibt.
Je stärker Unternehmen KI einsetzen, desto wichtiger wird deshalb
Domänenwissen. Nicht als nostalgische Restgröße der alten
Arbeitswelt, sondern als Voraussetzung dafür, die neue richtig zu
nutzen. Ein Unternehmen, das seine erfahrensten Leute in Rente
gehen lässt, ohne ihr Wissen strukturiert zu sichern, verliert
mehr als Personal. Es verliert Teile seines Gedächtnisses.
Nicht mit dem Modell beginnen, sondern mit dem Ziel
Was folgt daraus für Geschäftsleitungen, die in zwölf Monaten
belastbare KI-Anwendungen betreiben wollen? Nicht ein großes
Transformationsprogramm um seiner selbst willen. Sondern ein
konkreter, messbarer Use Case.
Zum Beispiel: Wie verkürzen wir die Recherche nach früheren
Projektreferenzen? Wie finden wir zu einem Kunden alle relevanten
Verträge? Wie beantworten wir eine datenschutzrechtliche Auskunft
präzise und vollständig? Wie sorgen wir dafür, dass eingehende
Informationen zuverlässig in einen Prozess gelangen?
Erst wenn die Frage klar ist, lässt sich bestimmen, welche Daten
erforderlich sind, welche Qualität sie haben müssen, wer sie
verantwortet und welche technische Architektur passt. Dann wird
KI vom Buzzword zum Werkzeug für ein Unternehmensziel.
Das ist weniger spektakulär als die nächste Mo…
Get full access to VENTURE AI STACK at
www.ventureaistack.com/subscribe
Kommentare (0)
Melde dich an, um einen Kommentar zu schreiben.