KI-Projekte nachhaltig skalieren: Tommy Falkowski vom Fraunhofer IEM

Wie werden aus vielversprechenden KI-Pilotprojekten langfristig erfolgreiche Systeme, die fest in der Unternehmenskultur verankert sind? Tommy Falkowski vom Fraunhofer I

nstitut gibt im Podcast Kollegin KI, produziert von Podstars by OMR, praxisnahe Einblicke in diesen entscheidenden Schritt. Im Gespräch mit Host Max Mundhenke erklärt Tommy, der den GEN.AI Incubator leitet, warum die größte Hürde oft nicht die Technik, sondern die richtige Herangehensweise ist. Die Episode beleuchtet, wie Unternehmen den Übergang von ersten Experimenten zur dauerhaften Integration von KI-Lösungen meistern können. Dabei geht es um die Fallstricke bei der Datenaufbereitung, die Rolle der Unternehmenskultur und die Frage, warum es manchmal klüger ist, Prozesse zu vereinfachen, anstatt sie mit der KI-Keule zu bearbeiten. Diese Folge ist eine wertvolle Ressource für alle, die KI nicht nur testen, sondern strategisch und nachhaltig im Arbeitsalltag etablieren wollen.

Das Wichtigste auf einen Blick

• Von Pilot zu Produktivsystem: Die größte Herausforderung für Unternehmen besteht darin, erfolgreiche KI-Pilotprojekte in den Regelbetrieb zu überführen und dauerhaft zu verankern. Dieser Prozess, die sogenannte Verstetigung, ist komplex und wird oft unterschätzt.
• Daten als Fundament: Ein zentraler Anwendungsfall ist das Wissensmanagement. Der Erfolg hängt davon ab, ob es gelingt, unstrukturierte Daten aus Formaten wie Word oder PowerPoint in maschinenlesbare, robuste Datenstrukturen zu überführen.
• Kulturelle Hürden in Deutschland: Tommy Falkowski beobachtet, dass deutsche Unternehmen oft durch eine zögerliche Mentalität gebremst werden. Regulatorische Vorgaben wie der EU AI Act werden teils als Vorwand genutzt, um notwendige Schritte aufzuschieben, anstatt eine proaktive Macher-Kultur zu fördern.
• Das richtige Werkzeug wählen: Während Microsoft Copilot für viele Unternehmen aufgrund der bestehenden Infrastruktur der einfachste Einstieg ist, ist er laut Tommy technisch oft nicht die beste Lösung. Spezialisierte oder offenere Tools wie Claude von Anthropic oder flexible Coding-Agenten bieten häufig mehr Leistung und Kontrolle.
• Expertenwissen ist entscheidend: Der beste Weg, den Mehrwert von KI zu erkennen, ist, sie den Fachexperten im eigenen Haus zur Verfügung zu stellen. Nur sie können die Qualität der Ergebnisse beurteilen und sinnvolle Anwendungsfälle identifizieren.
• Weniger ist oft mehr: Nicht jedes Problem erfordert eine komplexe KI-Lösung. Oft ist es effektiver, zuerst den zugrundeliegenden Prozess zu analysieren und zu vereinfachen, bevor Technologie zum Einsatz kommt.

Vom Experiment zur festen Größe: Die Herausforderung der KI-Implementierung

Viele Unternehmen haben das Potenzial von KI erkannt und starten erste Projekte. Doch wie Max zu Beginn treffend fragt, bleibt oft unklar, wie aus einem Test ein vollwertiges System wird, das den Arbeitsalltag nachhaltig verbessert. Hier kommt das Fraunhofer IEM in Paderborn ins Spiel, das als Brücke zwischen Forschung und Praxis fungiert. Tommy Falkowski und sein Team helfen Unternehmen dabei, konkrete Anwendungsfälle zu identifizieren und umzusetzen. Er stellt fest, dass viele Firmen zwar über allgemeine Chatbots wie den Microsoft Copilot verfügen, aber bei der Entwicklung spezifischer, wertschöpfender Lösungen noch am Anfang stehen. Die technische Umsetzbarkeit, Kosten und Datensicherheit sind zentrale Themen. Während lokale Open-Source-Modelle mehr Kontrolle bieten, sind sie oft mit hohen Hardware- und Wartungskosten verbunden. Daher erweisen sich Cloud-Lösungen, oft über bestehende Anbieter wie Microsoft Azure, als pragmatischerer Weg, um schnell ins Handeln zu kommen.

Warum ist gutes Wissensmanagement die Grundlage für KI-Erfolg?

Einer der häufigsten und wirkungsvollsten Anwendungsfälle für KI in Unternehmen ist die Optimierung des Wissensmanagements. In fast jeder Firma schlummern wertvolle Informationen in unzähligen Dokumenten, die jedoch schlecht zugänglich und kaum durchsuchbar sind. Tommy erklärt, dass die zentrale Aufgabe darin besteht, diese Daten für Mensch und Maschine gleichermaßen nutzbar zu machen. Hier liegt eine entscheidende Hürde: Menschen sind an visuelle Formate wie Word-Dateien oder PowerPoint-Präsentationen gewöhnt. Eine KI arbeitet jedoch am effizientesten mit maschinenlesbarem Text, etwa im Markdown-Format, oder mit strukturierten Daten wie JSON. Die Transformation dieser Daten-Altlasten ist eine Mammutaufgabe. Es reicht nicht, alle Dokumente in einen SharePoint-Ordner zu laden. Ein unternehmensweites System erfordert eine sorgfältige Dateninventur, die Klärung von Zugriffsrechten und die Etablierung neuer Prozesse, um Wissen zukünftig strukturiert zu erfassen. Gelingt dies, lassen sich Prozesse wie die Angebotserstellung auf Basis alter Projekte oder die Analyse von Lessons Learned erheblich beschleunigen.

Deutsche Zögerlichkeit: Zwischen Regulierung und Macher-Mentalität

Im Vergleich zu anderen Ländern, so Tommys Beobachtung, agieren deutsche Unternehmen oft langsam und zögerlich. Dies liege weniger an fehlendem technischen Know-how, sondern an einer tief verankerten Kultur der Skepsis. Regulatorische Rahmenbedingungen wie der EU AI Act werden dabei manchmal zu einem Bremsklotz. Anstatt die darin geforderte KI-Kompetenz als Chance zu sehen, nutzen einige Firmen die Komplexität der Vorgaben als Argument, um Innovationen aufzuschieben. Max wirft ein, dass eine gesetzliche Pflicht zur KI-Schulung auch positive Effekte haben könnte: Wenn Mitarbeitende auf allen Ebenen die Grundlagen von KI verstehen, können sie selbst am besten erkennen, wo die Technologie in ihrem Arbeitsbereich einen Mehrwert schaffen kann. Tommy stimmt diesem Bottom-up-Ansatz grundsätzlich zu, kritisiert aber die Mentalität, die Regulierung als Ausrede für Untätigkeit verwendet. Es fehle oft eine mutige Macher-Attitüde, die das Ausprobieren über die lückenlose Klärung aller Eventualitäten stellt.

Welche Werkzeuge nutzen die Profis wirklich?

Obwohl Microsoft Copilot in vielen Unternehmen der Standard ist, weil er sich leicht in die bestehende IT-Landschaft integrieren lässt, stößt er laut Tommy schnell an seine Grenzen. Er berichtet, dass der Copilot in Programmen wie PowerPoint oder Excel oft deutlich schlechtere Ergebnisse liefert als Konkurrenzprodukte wie Claude von Anthropic. Als Experte bevorzugt Tommy selbst offene und flexible Lösungen. Er nennt als Beispiel PIE, einen erweiterbaren Coding-Agenten, der ihm die volle Kontrolle über die angebundenen KI-Modelle gibt. Die wichtigste Botschaft für Unternehmen ist jedoch, überhaupt ein Tool bereitzustellen, das Mitarbeitende legal und sicher nutzen können. Oft ist der Copilot hier der Weg des geringsten Widerstands, allein schon weil Abrechnungs- und Beschaffungsprozesse für neue Software in großen Organisationen sehr aufwendig sein können.

Der kluge Einsatz von KI: Wann ist weniger mehr?

Zum Abschluss des Gesprächs bringt Max eine Idee für den öffentlichen Sektor ins Spiel: eine Art Elster AI zur automatisierten Erkennung von Steuerbetrug. Tommy hält dies für technisch machbar und verrät, dass er selbst schon an einem Prototypen für eine automatische Steuererklärung gearbeitet hat. Seine entscheidende Einsicht ist jedoch eine andere: Anstatt eine komplexe Technologie wie KI zu nutzen, um ein übermäßig komplexes System - wie das deutsche Steuerrecht - zu verwalten, wäre es sinnvoller, das System selbst zu vereinfachen. Dieser Gedanke lässt sich auf Unternehmen übertragen. Bevor man die KI-Keule schwingt, sollte man den zugrundeliegenden Prozess kritisch hinterfragen. Häufig liegt das größte Effizienzpotenzial nicht in der neuesten Technologie, sondern in der Vereinfachung von Arbeitsabläufen. Der gesunde Menschenverstand bleibt das wichtigste Werkzeug.

Praktische Schritte zur erfolgreichen KI-Integration

1. Experten befähigen und Freiräume schaffen: Gib deinen besten Fachexperten Zugang zu KI-Tools. Sie sind die Einzigen, die die Qualität der Ergebnisse wirklich beurteilen und das Potenzial für ihren Bereich erkennen können. Schaffe eine Kultur, in der Ausprobieren erwünscht ist.
2. Eine grundlegende Daten-Inventur durchführen: Verschaffe dir einen Überblick darüber, welche Informationen in deinem Unternehmen vorhanden sind und in welchen Formaten sie vorliegen. Akzeptiere, dass ein Großteil des Wissens in unstrukturierten Dokumenten gefangen ist.
3. Beginne, in Datenstrukturen zu denken: Etabliere Prozesse, um neue Informationen direkt in maschinenlesbaren Formaten wie Markdown oder JSON zu erfassen. Betrachte visuelle Dokumente nur noch als eine Darstellungsschicht, nicht als das primäre Speicherformat.
4. Einfach anfangen und Erfahrungen sammeln: Nutze zugängliche Werkzeuge wie den Microsoft Copilot, um erste Erfahrungen zu sammeln und die KI-Kompetenz im Unternehmen zu steigern, auch wenn es nicht das leistungsstärkste Tool ist.
5. Prozesse vor der Technologie hinterfragen: Bevor du KI einsetzt, um ein komplexes Problem zu lösen, frage dich, ob der Prozess selbst vereinfacht werden kann. Manchmal ist die beste Lösung nicht technologisch, sondern organisatorisch.