KI-Transformation bei der celebrate company: Teams befähigen statt bauen

Wie kann sich eine KI-Initiative in nur 15 Monaten von einem lockeren Netzwerk zu einer Community entwickeln, die selbstständig KI-Lösungen baut? Benedikt Peine, AI Officer bei der celebrate company, gibt im AI FIRST Podcast mit Host Felix Schlenther tiefe Einblicke in ihre bemerkenswerte KI-Transformation. Die Reise führte von einem Ambassador-Modell über dedizierte Agentic Enabler bis hin zu einer wachsenden Builder-Community, die nicht nur einzelne Aufgaben automatisiert, sondern ganze Prozesse als lernende Systeme neu denkt. Dieses Gespräch ist eine wertvolle Ressource für alle Entscheider:innen und KI-Enthusiasten, die verstehen wollen, wie man eine Organisation befähigt, KI nachhaltig und dezentral zu verankern - von der Priorisierung von Anwendungsfällen bis zum Aufbau einer eigenen KI-gestützten Infrastruktur.

Das Wichtigste auf einen Blick

• Vom Botschafter zum Macher: Das ursprüngliche Ambassador-Modell mit geringer Zeitbindung scheiterte an der Realität des Tagesgeschäfts. Erfolgreich wurde die Transformation erst durch die Einführung von Agentic Enablers - Teammitglieder, die mindestens 50 % ihrer Kapazität für KI-Themen einsetzen und so echte Fortschritte erzielen.
• Teams bauen selbst: Das zentrale KI-Team sieht sich nicht als ausführende Kraft, die Lösungen für andere Abteilungen entwickelt. Stattdessen befähigt und entblockt es die Fachbereiche, damit diese ihre eigenen KI-Anwendungen und Automatisierungen bauen können. So wird das zentrale Team nicht zum Flaschenhals.
• Kontext ist wichtiger als das Tool: celebrate company wechselte von ChatGPT über Gemini und Langdock zu Claude. Die wichtigste Erkenntnis dabei: Der Kontext (Wissen über Prozesse, Ziele, Daten) muss portabel und tool-unabhängig aufbereitet sein. Das konkrete KI-Modell wird so zur austauschbaren Komponente.
• Systemdenken statt Einzel-Hacks: Statt nur einzelne Aufgaben zu automatisieren, überträgt das Unternehmen Engineering-Prinzipien auf Bereiche wie CRM, HR und Finanzen. Ziel ist es, geschlossene Lernschleifen (Feedback-Loops) zu schaffen, in denen sich Prozesse durch die Auswertung ihrer eigenen Ergebnisse kontinuierlich selbst verbessern.
• KI als Workflow-Builder: Eine der fortgeschrittensten Anwendungen ist der Einsatz von KI, um Automatisierungs-Workflows (z. B. in n8n) zu erstellen. Das Kuriose: Die so gebauten Workflows kommen im laufenden Betrieb oft gänzlich ohne KI aus, sind dadurch günstiger und deterministischer.
• Messbarer Erfolg auf drei Ebenen: Der Impact der KI-Initiative wird über drei Ebenen gemessen: die Nutzungsrate von KI-Tools (Basis), Outcome-KPIs wie Service Costs per Order (Team-Ebene) und strategische Kennzahlen wie der Umsatz pro Mitarbeiter (Unternehmensebene).

Vom Ambassador zum Agentic Enabler: Die Evolution der KI-Rollen

Die KI-Reise bei der celebrate company begann, wie in vielen Unternehmen, mit einem Ambassador-Netzwerk. Etwa 35 Mitarbeitende aus verschiedenen Teams sollten rund 30 Prozent ihrer Arbeitszeit investieren, um KI-Wissen zu multiplizieren und Anwendungsfälle zu identifizieren. Benedikt berichtet jedoch, dass dieses Modell schnell an seine Grenzen stieß. Das Tagesgeschäft ließ den meisten Teilnehmenden kaum Raum, sich tief genug einzuarbeiten. Nur wenige, deren Führungskräfte das Thema stark priorisierten, konnten wirklich etwas bewegen.

Die Konsequenz war eine mutige Iteration: die Schaffung der Rolle des Agentic Enabler. Diese Personen, anfangs neun, heute sieben, widmen mindestens 50 %, teilweise sogar 100 % ihrer Arbeitszeit der KI-Transformation in ihren Bereichen. Dieser Schritt war nur durch das volle Commitment des C-Levels möglich, das nicht nur Budgets, sondern vor allem echte Kapazitäten freigab. Laut Benedikt ist diese Unterstützung von oben die unabdingbare Grundlage für den Erfolg. Die Agentic Enabler arbeiten eng mit dem zentralen KI-Team zusammen, werden intensiv geschult und entwickeln sich zu den eigentlichen Buildern im Unternehmen.

Wie lassen sich KI-Potenziale systematisch identifizieren und priorisieren?

Um nicht im Meer der Möglichkeiten zu ertrinken, startete celebrate company eine umfassende Discovery-Phase. Das Team führte Interviews mit allen KI-Ambassadors, um Pain Points und repetitive Aufgaben in der gesamten Organisation zu verstehen. Das Ergebnis waren 700 Seiten an Transkripten, die eine Fülle an potenziellen Anwendungsfällen enthielten. Um diese zu strukturieren und zu bewerten, griff das Team auf eine bewährte Methode aus dem Produktmanagement zurück: den RICE Score. Jeder Use Case wurde nach den Kriterien Reach (Reichweite), Impact (Wirkung), Confidence (Vertrauen in die Schätzung) und Effort (Aufwand) bewertet. Dieses Vorgehen schuf eine datengestützte und transparente Grundlage für die Priorisierung, sowohl auf Unternehmens- als auch auf Teamebene. So konnte sichergestellt werden, dass die Ressourcen auf die Projekte mit dem größten Hebel konzentriert werden.

Das zentrale KI-Team dient als Enabler, nicht als ausführende Kraft

Ein Kernprinzip der Strategie ist die Dezentralisierung des Bauens. Benedikt und sein Team, das aus einem AI Enablement Manager und mehreren AI Automation Engineers besteht, verstehen sich explizit nicht als Dienstleister, der fertige Lösungen liefert. Ihre Hauptaufgabe ist es, die Agentic Enabler und die Teams zu befähigen und technische oder prozessuale Hürden aus dem Weg zu räumen. Sie helfen bei der Konzeption, stellen die richtige Infrastruktur bereit und unterstützen bei komplexen technischen Fragen.

Dieser Ansatz verhindert, dass das zentrale KI-Team zum Bottleneck wird, und fördert gleichzeitig die Eigenverantwortung und das KI-Know-how in der gesamten Organisation. Die Verantwortung für den Fortschritt liegt somit bei den jeweiligen Führungskräften der Bereiche, die die KI-Initiativen in ihre Roadmaps und Prioritäten integrieren müssen. Dieser Kulturwandel führt dazu, dass sich organisch eine Builder-Community entwickelt - ein Ziel, das mit dem ursprünglichen Ambassador-Modell nie erreicht wurde.

Der Aufbau einer portablen Wissensbasis und lernender Systeme

Ein zentrales Projekt ist die Schaffung eines dynamischen und aktuellen Wissensmanagements. Die celebrate company nutzt dafür eine Kombination aus dem Aufgabenmanagement-Tool Linear und dem Wiki-Tool Outline. Der Clou: Nahezu jedes Meeting wird transkribiert. Ein automatisierter Workflow fasst diese Transkripte zusammen, entfernt personenbezogene Daten und aktualisiert oder erstellt neue Wissensartikel in Outline. Gibt es widersprüchliche oder veraltete Informationen, schlägt ein Bot über Slack den zuständigen Personen oder Teams eine Aktualisierung vor, die diese nur noch bestätigen müssen.

Diese stets aktuelle Wissensbasis ist die Grundlage für den nächsten Schritt: die Etablierung lernender Systeme. Benedikt beschreibt am Beispiel von CRM-Kampagnen, wie dieser Kreislauf funktioniert. Der gesamte Prozess - von der Themenfindung über die Texterstellung bis zur Auswertung der Performance - wird automatisiert. Die Erkenntnisse aus den KPIs einer Kampagne (z. B. welche Betreffzeile gut funktionierte) fließen direkt wieder in den Anfang des nächsten Prozesses ein. Der Mensch greift nur noch als Entscheider ein, der das System justiert, anstatt jeden Schritt manuell auszuführen. Dieses Denken in geschlossenen Feedback-Loops ist der Schlüssel, um aus einzelnen KI-Anwendungen intelligente, sich selbst verbessernde Systeme zu machen.

Praktische Schritte für eine erfolgreiche KI-Transformation

Aus den Erfahrungen der celebrate company lassen sich konkrete Handlungsempfehlungen für andere Unternehmen ableiten:

1. Sichere dir echtes Top-Management-Commitment: Eine erfolgreiche Transformation braucht mehr als nur Lippenbekenntnisse. Die Führungsebene muss bereit sein, dedizierte Kapazitäten - also die Zeit von Mitarbeitenden - freizugeben, selbst wenn der kurzfristige ROI noch unklar ist.
2. Schaffe dedizierte Rollen mit klarem Mandat: Ein Nebenbei-Ansatz funktioniert nicht. Etabliere Rollen wie den Agentic Enabler, die mindestens 50 % ihrer Zeit investieren können. Gib ihnen die Freiheit und die Ressourcen, echte Veränderungen anzustoßen.
3. Organisiere gut vorbereitete Hackathons: Effektive Hackathons dauern mindestens zwei Tage und erfordern eine gründliche Vorbereitung. Die Use Cases und Ziele müssen vorab klar definiert und auf ihre Machbarkeit geprüft werden. So wird die Zeit nicht mit Grundlagen, sondern mit dem tatsächlichen Bauen verbracht.
4. Führe eine strukturierte Potenzialanalyse durch: Identifiziere Anwendungsfälle systematisch, zum Beispiel durch Interviews. Nutze ein Framework wie den RICE Score, um sie objektiv zu bewerten und zu priorisieren. Das schafft Fokus und stellt sicher, dass an den richtigen Themen gearbeitet wird.
5. Baue eine tool-unabhängige Kontext-Basis auf: Konzentriere dich darauf, das Wissen deiner Organisation (Prozesse, Daten, Ziele) so aufzubereiten, dass es portabel ist. Das spezifische KI-Tool kann sich ändern, aber ein gut gepflegter Kontext bleibt der entscheidende Hebel für hochwertige Ergebnisse.