3 - Short Solo: Pilot in der Praxis

Wie wir verteiltes Wissen im Unternehmen knacken. Solofolge mit Frederika.

Shownotes

KI-Tool für unsere Podcast-Bearbeitung: https://web.descript.com/

3 Fragen für euer nächstes Team-Meeting: Welche konkrete Hypothese soll unser KI-Pilot beweisen? Haben wir die Datenbasis fokussiert aufbereitet und logische Widersprüche bereinigt? Welches klare Kriterium entscheidet am Ende über Weiterführung, Anpassung oder Stopp?

Transkript anzeigen

00:00:04: Willkommen bei AI&I, dem Podcast für Führungskräfte der Digitalstrategie und Personalführung zusammenbringt.

00:00:12: Wir sind Frederika und Theresa – eure Managerinnen aus der Digital- und Startupwelt!

00:00:16: Gemeinsam navigieren wir euch durch den KI-Dschungel, bauen Hürden ab und machen Lust auf echte Ergebnisse.

00:00:22: Legen wir los!

00:00:33: In der letzten Folge haben Theresa und ich intensiv darüber gesprochen, wie wir vom theoretischen Reden ins Konkrete ausprobieren kommen.

00:00:40: Wir haben über Pilotprojekte die nötige Fehlerkultur und psychologische Sicherheit im Team gesprochen.

00:00:46: Heute bauen wir genau darauf auf!

00:00:48: Ich möchte mit euch ein ganz konkretes lebensechtes Beispiel durchdeklinieren.

00:00:53: Wir schauen uns die Anatomie eines KI-Piloten an, der ein Problem anpackt das fast jedes Unternehmen schmerzhaft kennt.

00:01:00: Nämlich das Phänomen des verteilten und fragmentierten Wissens.

00:01:03: Heute zeige ich euch wie man einen solchen Piloten strategisch aufsetzt – Wie fragmentiert Wissen tatsächlich sein darf?

00:01:10: Welches Minimum an Aufräumarbeit wir wirklich leisten müssen Und wie wir die KI selbst nutzen können um veraltetes Wissen aufzuspüren.

00:01:18: Am Ende wisst ihr exakt woran ihr entscheidet ob euer Pilot skaliert angepasst oder konsequent beendet werden muss.

00:01:27: Lassen wir die Abstraktion hinter uns und schauen uns ein konkretes Alltagsszenario an.

00:01:32: Nehmen wir einen mittelständisches Industrie- oder Dienstleistungsunternehmen.

00:01:37: Stellt euch vor, eine wichtige Kundenanfrage oder Ausschreibung kommt rein!

00:01:41: Der Kunde will nicht nur Standardware sondern eine maßgeschneiderte Lösung mit spezifischen Service Levels Sonderkonditionen und technischen Integration.

00:01:50: Was passiert jetzt in neunzig Prozent der Unternehmen?

00:01:53: Der Vertriebsmanager erinnert sich dunkel.

00:01:55: So was Ähnliches haben wir doch vor acht Monaten schon mal angeboten!

00:01:59: Das Datenblatt zur technischen Machbarkeit liegt irgendwo im Sharepoint, die Preislogik ist im ERP und die Rabattfreigaben des anfragenden Kunden stehen in einer E-Mail-Kette zwischen Sales & Controlling.

00:02:12: Die rechtlichen Leitplanken und Haftungsklauseln finden sich in einem PDF in einer Teaminstanz das Intranetz der Rechtsabteilungen.

00:02:20: Drei Abteilungen stimmen sich eine Woche lang in Abstimmungs-Calls ab.

00:02:24: Menschen suchen, kopieren, fragen nach und tippen Texte zusammen die bereits vor Monaten irgendwo im Unternehmen geschrieben wurden.

00:02:32: Das ist kein Mangel an Fleiß!

00:02:34: Das ist verteiltes Wissen insielos.

00:02:37: In Folge zwei haben wir die fünf Suchbrillen besprochen.

00:02:40: Hier greifen gleich drei davon auf einmal Suchen und zugänglich machen.

00:02:44: Verdichtung und Formulierung.

00:02:46: Wie fragmentiert darf Wissen eigentlich sein?

00:02:50: Hier müssen wir strategisch sauber unterscheiden, um nicht in eine Lähmung zu verfallen.

00:02:54: Funktionale Fragmentierung ist kein Problem für KI.

00:02:58: Wissen liegt naturgemäß an verschiedenen Orten – Produktdaten im ERP, Vertriebsnotizen im CRM, Vertragsrecht auf SharePoint.

00:03:06: Das ist völlig normal und gesund!

00:03:08: Moderne KI-Systeme und Rackarchitekturen sind exzellenterin.

00:03:12: funktional verteilte Bausteine aus verschiedenen Datenquellen zusammensuchen und verbinden.

00:03:18: Logische Fragmentierung und Widersprüche.

00:03:20: Das echte Problem!

00:03:22: Problemkritisch wird es erst, wenn sich die Quellen inhaltlich widersprechen.

00:03:26: Wenn im Produktordner steht maximal fünfzigtausend Einheiten pro Tag – in einer E-Mail vom Vertrieb aber bis zu einhunderttausendeinheiten möglich garantiert wird.

00:03:36: Bei logischen Widersprüchen halluciniert die KI oder liefert gefährliche Fehlinformationen.

00:03:43: Unsere strategische Vorgabe für den Piloten lautet daher Wir brauchen eine klare Single Source of Truth für Kernentscheidungen.

00:03:50: Nachdem irgendwo ein Tool gekauft wurde, lautet dann die große Herausforderung für das Management Wie bringen wir das verstreute Know-how von Produkt, Sales, Legal und Service an einem Punkt zusammen ohne Jahre in Wissensmanagement Projekte zu investieren?

00:04:17: Diese könnte lauten, wenn unser KI-Angebot Sparingspartner auf freigegebene Dokumente aus Produkt-, Sales und Legal zugreifen kann reduziert sich die Erstellungszeit für Erstanträge von sechs Stunden auf fortyfünf Minuten bei gleichbleibender oder höherer inhaltlicher Präzision.

00:04:34: Zweitens Minimum Viable Knowledge Management das Minimums an Aufräumarbeit.

00:04:40: Niemand hat Zeit vor einem KI-Pilotprojekt zwei Jahre lang das Unternehmensarchiv aufzuräumen.

00:04:45: Wir verfolgen deshalb den Ansatz des Minimal Viable Knowledge Management, fokussierte Bereinigung entlang des Use Cases.

00:04:52: Wir räumen nur die Dokumente auf, die direkt für den definierten Anwendungsfall – zum Beispiel Angebotserstellung – benötigt werden.

00:05:00: Löschen und Archivieren Veraltete Versionen und Duplikate werden rigoros aus dem Zielordner entfernt.

00:05:06: Saubere Metadaten & Chunking Struktur KI liest Dokumente über sogenannte Chunks.

00:05:12: Sprechende Dateinamen, klare Überschriften und eindeutige Datumsangaben im Dokument reichen oft schon aus damit das Embedding optimal funktioniert.

00:05:21: Rechte Verwaltung Die Zugriffsrechte müssen von Tag eins an klar geregelt sein, damit die KI nur auf Wissen zugreift dass der jeweilige Nutzer auch sehen darf.

00:05:31: Drittens Das KI-Tool als vorgelagerte Analyse Automated Knowledge Auditing Klingt nach viel Arbeit?

00:05:39: Ist es auch?

00:05:40: Daher der Rat, nutzt die KI selbst um den Aufräumaufwand auf ein Minimum zu reduzieren.

00:05:45: Bevor das System Angebote schreibt lassen wir als Audit-Tool über den ausgewählten Datenraum laufen.

00:05:51: Wir bitten die KI Durchsuche die Dokumente im Ordner X Identifiziere alle inhaltlichen Widersprüche bei Preisangaben Lieferzeiten und Garantien Liste alle Dokumete auf Die seit mehr als zwölf Monaten nicht aktualisiert wurden Und markiere offene Wissenslücken.

00:06:07: Die KI liefert uns innerhalb von Minuten einen konkreten Prüfbericht.

00:06:11: Der Mensch muss nicht mehr hunderte Seiten lesen, sondern entscheidet nur noch punktuell an den von der KI aufgedeckten Konfliktstellen.

00:06:22: Sobald der Datenraum bereinigt ist, arbeiten wir im Piloten mit drei sauberen Schichten.

00:06:31: Technische Produktdatenblätter, Standard-AGBs, zertifizierte Qualitätskriterien.

00:06:36: Schicht zwei – das Erfahrungswissen, vergangene Best Practices.

00:06:41: Die drei erfolgreichsten und inhaltlich besten Angebote aus dem letzten Jahr.

00:06:46: Schicht drei – der dynamische Input, der aktuelle Kundenauftrag die Stichpunkte aus dem Letzten-Kundenbespräch oder das Lastenheft des Kunden.

00:06:55: Der Vertriebsmitarbeiter füttert die KI mit den Stichpunkten und erteilt einen strukturierten Arbeitsauftrag.

00:07:02: Analysiere das beiliegende Anforderungsprofil.

00:07:04: Nutze ausschließlich unsere freigegebenen Produkt- und Pricingdokumente aus Ordner X. Erstelle einen strukturierten Angebotsentwurf mit folgenden Abschnitten Ausgangslage, Lösungskonzept, pricinglogik und Risikohinweise.

00:07:18: Kennzeichne alle Stellen an denen Datenfehlen oder Unklarheiten bestehen explizit mit einem Warnhinweis.

00:07:24: Wir zwingen das System damit Transparenz über verbleidende Wissenslücken zu schaffen.

00:07:32: Wenn der Pilot läuft, stellen sich nach den ersten Wochen meist drei typische Herausforderungen ein die wir als Führungskräfte sehr genau beobachten müssen.

00:07:41: Erstens das Eye-Candy-Risiko.

00:07:43: Das Dokument sieht auf den ersten Blick hervorragend aus Perfekte Gliederung geschliffene Formulierungen professioneller Ton Aber Vorsicht!

00:07:52: Professionelle Form darf nicht über inhaltliche Schwächen hinwegtäuschen.

00:07:55: Für unseren Angebotspilot bedeutet das Der Vertriebsmitarbeiter darf das Ergebnis nicht blind per E-Mail an den Kunden schicken.

00:08:02: Die Verantwortung für Richtigkeit, Plausibilität und Marge bleibt zu einhundert Prozent beim Menschen!

00:08:09: Zweitens – die Promptfalle.

00:08:11: Wenn der Pilot schlechte Ergebnisse liefert liegt es in Achtzig Prozent der Fälle an diffusen Arbeitsaufträgen.

00:08:17: Ein Prompt wie Schreibt mir ein Angebot für Kunde Y ist wertlos.

00:08:21: Ein guter Arbeitsauftrag braucht Wie bei Menschen auch Zielgruppe und Empfänger.

00:08:26: Wer liest das Angebot?

00:08:27: Kontext und Leitplanken.

00:08:29: Welche Produkte und Rabatte sind zulässig, Struktur-und Umfang?

00:08:33: Maximal vier Seiten klare Unterteilung Qualitäts- und Prüfkriterien.

00:08:38: Welche Annahmen müssen belegt werden?

00:08:41: Drittens – wer gewinnt die eingesparte Zeit?

00:08:44: Nehmen wir an Die Harvard Studie behält recht Und die Bearbeitung geht twenty fünf Prozent schneller bei forty Prozent höherer Qualität.

00:08:51: Was machen wir mit der gewonnenen Zeit?

00:08:54: Dazu erfahrt ihr dann mehr in der nächsten Folge, wenn wir wieder voll auf Teresa's Personalperspektive zurückgreifen können.

00:09:02: Nach einer Testphase von vier bis sechs Wochen steht die Entscheidung an – ein erfolgreiches Pilotprojekt endet nicht im Sande sondern mit einer klaren Weichenstellung.

00:09:12: Scale Der Pilot hat seine Hypothese bewiesen!

00:09:15: Das Tool wird fest in den Arbeitsprozess integriert und bildet die Vorstufe zu einer virtuellen Teamstelle.

00:09:21: Pivot Der Anwendungsfall war zu komplex oder die Datenbasis zu unsauber.

00:09:26: Wir verengen den Fokus, zum Beispiel nur auf die Erstellung des technischen Teils nicht auf die Preisberechnung.

00:09:33: Kill – Die Datenqualität im Unternehmen ist so fragmentiert dass die Halluzinationsrate zu hoch bleibt.

00:09:39: Den Piloten hier gestoppt zu haben ist kein Verlust sondern ein Gewinn an Erkenntnis über die internen Prozesse.

00:09:47: Meine drei Fragen für euer nächstes Team-Meeting.

00:09:50: Wenn ihr aktuell einen KI-Piloten plant oder am Laufen habt, nehmt diese drei Fragen mit.

00:09:56: Welche konkrete Hypothese soll unser Pilot beweisen?

00:09:59: Haben wir die Datenbasis aus den Silos fokussiert aufbereitet und logische Widersprüche bereinigt?

00:10:05: Welches klare Kriterium entscheidet am Ende über Weiterführung, Anpassung oder Stopp?

00:10:13: In der nächsten Folge verlassen wir die Ebene der einzelnen Piloten.

00:10:18: Theresa und ich sprechen über die drei Strategien des KI-Einsatzes.

00:10:23: Bis dahin!

00:10:24: Probiert eure Piloten mutig aus, setzt klare Leitplanken – und vergesst nicht, das Denken vor dem Prompt macht den Unterschied.

00:10:44: Ich finde schon, denn ich habe das alles

00:10:46: komplett mit

00:10:47: KI erstellt.

00:10:49: Ich hab ja ein ganz wunderbares Tool, mit dem mich einen Stimmmuster von mir aufnehmen konnte – jetzt spreche ich übrigens in echt!

00:10:55: Vielleicht hört ein klein Unterschied?

00:10:57: Und mit diesem Stimm-Muster habe ich das Skript für diese Folge einfach vorlesen lassen und auch für das Skrift habe ich mittlerweile eine so gute Datenbasis erstellt dass sich dieses ganz einfach mit der KI Hub generieren können Natürlich immer mit ein bisschen Feinschliff und auch bei der Aufnahme.

00:11:16: Also ich muss sagen, dafür dass ich das jetzt zum ersten Mal erstellt habe hat es noch unglaublich viel Zeit gebraucht weil die KI meine Stimme etwas zu langsam gemacht hat Und als ich das dann beschleunigt habe die Pausen allerdings etwas zu kurz kam.

00:11:31: Das heißt Ich musste jetzt manuell alle Pausennach bearbeiten und ein bisschen länger machen und wahrscheinlich hat das jetzt im Großen und Ganzen

00:11:38: um einiges länger

00:11:39: gedauert, als wenn ich die Folge einfach eingesprochen hätte.

00:11:43: Aber auch hier denke ich über das Experimentieren werde ich besser, werde ich schneller und auch habe ich mittlerweile... Ich arbeite mit dem Tool von Google, mit Gemini mir einen Projekt erstellt, dass alle Skripte, die wir bisher erstellt haben und alle Wissensquellen, die Wir bisher genutzt haben zur Verfügung hat und konnte somit eben auch für

00:12:04: diese Folge

00:12:05: ein sehr wertvolles Skripton erstellen lassen.

00:12:09: Für mich selber haben sich dann immer wieder auch Zwischenfragen

00:12:11: ergeben,

00:12:12: auch Quellen die ich nachgefragt habe.

00:12:15: So dass am Ende auch hier

00:12:16: die Qualitätskontrolle

00:12:19: bei mir beim Menschen lag und ich hoffe ihr konntet mit dem Ergebnis etwas anfangen und hattet Freude uns zuzuhören!

00:12:27: Ja im nächsten Mittwoch gibt es uns dann wieder ganz in echt und im Gespräch... Ich hab zwar auch ein synthetisches Stimmmuster von Theresa aber ich glaube das wäre doch etwas zu verwirrend, wenn hier zwei künstliche Stimmen miteinander sprechen würden ohne sich jemals ins Wort zu fallen und mit dem perfekten Übergängen.

00:12:46: Also nächsten Mittwoch dann wieder live von uns beiden!

00:12:50: Und ich freue mich, wenn ihr wieder dabei

00:12:52: seid

00:12:53: bei AI&I.

00:12:55: Macht's gut – bis zum nächsten Mal!

00:12:57: Tschüss!

Neuer Kommentar

Dein Name oder Pseudonym (wird öffentlich angezeigt)
Mindestens 10 Zeichen
Durch das Abschicken des Formulars stimmst du zu, dass der Wert unter "Name oder Pseudonym" gespeichert wird und öffentlich angezeigt werden kann. Wir speichern keine IP-Adressen oder andere personenbezogene Daten. Die Nutzung deines echten Namens ist freiwillig.