Das Management einer Genossenschaft an KI heranführen und Business Cases ableiten

Ein genossenschaftlich organisiertes Handels- und Dienst­leistungs­unternehmen will sich dem Thema Künstliche Intelligenz methodisch nähern. Es vereint Agrarhandel, Energie­versorgung, Baustoff­handel und Einzel­handels­märkte. Die Formulierung des Auftrags ist bemerkenswert genau: Das Management soll befähigt werden, den Umgang mit KI richtig einzuschätzen und sie mit Augenmaß und der für das Unternehmen angepassten Geschwindigkeit in die Geschäfts­prozesse zu integrieren. Nicht schnell, nicht umfassend — angemessen. Das ist die schwierigere Aufgabe, weil sie eine ehrliche Einschätzung verlangt, wo das Unternehmen steht, und nicht nur eine Liste dessen, was möglich wäre. Dazu kommt die Besonderheit dieses Hauses: Vier sehr verschiedene Geschäfts­felder an einunddreißig Standorten haben wenig gemeinsam außer der Verwaltung — und genau dort, in den durchgehenden Prozessen, liegt der Hebel.

Das Management bewertet selbst, wir liefern die Struktur. Die Anwendungs­fälle sind in moderierten Kleingruppen von den Führungs­kräften selbst erarbeitet und anschließend von ihnen selbst nach Dringlichkeit und Umsetzbarkeit bewertet worden. Eine externe Rangfolge hätte in derselben Zeit vorgelegen und wäre im Alltag nicht verteidigt worden. Wer die Reihenfolge selbst bestimmt hat, erklärt sie im eigenen Haus.

Der zentrale Befund war kein Anwendungs­fall, sondern die Datenlage. Auffällig viele der erhobenen Fälle deuteten auf dasselbe hin: Daten, die zwischen Waren­wirtschaft, Kunden­verwaltung und weiteren Systemen nicht zusammenpassen, Preise, die nicht überall gepflegt sind, Auswertungen, die über Nacht aus einer Datenbank geladen werden müssen. Solange das so ist, begrenzt nicht das Modell den Nutzen, sondern die Eingabe. Diesen Satz auszusprechen kostet einen Berater den bequemen Abschluss und ist der eigentliche Wert des Tages.

Die Empfehlung beginnt mit Governance, nicht mit einem Piloten. Der übliche Rat lautet, klein anzufangen und ein Leuchtturm­projekt zu starten. Hier steht die Governance samt Schulung an erster Stelle, das Leuchtturm­projekt an zweiter — und ausdrücklich parallel zu Maßnahmen an der Datenqualität. Der Grund ist nüchtern: In einem Haus mit einunddreißig Standorten entscheidet nicht die Technik über die Ausbreitung, sondern die Frage, wer entscheiden darf und wer geschult ist.

Als Leuchtturm empfohlen wurde der unspektakulärste Fall. Nicht der mit dem größten Potenzial, sondern der, der auf der vorhandenen System­infra­struktur aufsetzt, schnell umsetzbar ist und sofort messbare Ergebnisse liefert: die automatische Erkennung von Fehlbuchungen in der Buchhaltung. Ein erstes Vorhaben hat eine einzige Aufgabe — Vertrauen zu erzeugen. Alles andere kommt danach.

Die Anwendungs­fälle hängen zusammen, und das steht auch so drin. Die automatische Rechnungs­prüfung profitiert unmittelbar von gepflegten Einkaufs­preisen; das sprachgesteuerte Berichtswesen profitiert von allen anderen als Datenquelle. Solche Abhängigkeiten sichtbar zu machen ist der Unterschied zwischen einer Liste und einer Reihenfolge — und sie sind der Grund, warum ein gemeinsamer Zuschnitt hier wirtschaftlicher ist als vierzehn Einzel­entscheidungen.