Wir sind stolz darauf, woran wir bereits mitwirken durften.

Wie wird aus ersten KI-Piloten eine unternehmensweite Strategie, die messbaren Geschäftswert schafft, statt im Pilotstatus zu verharren?

Wir haben eine unternehmensweite Daten- & KI-Strategie operationalisiert: über ein Hub-&-Spoke-Modell, ein Portfoliomanagement als Bindeglied zwischen Unternehmensstrategie und Umsetzung und Transformationskonzepte in fünf Handlungsfeldern: Organisation, Menschen, Daten, Technologie und Konformität. Bewertet durch ein interdisziplinäres Team aus Managementberatern und Technologieexperten, ausgerichtet auf maximalen ROI.

Wie lassen sich verteilte GenAI-Initiativen unternehmensweit skalieren, wenn eine gemeinsame Vision, verbindliche Steuerung und ein konsistentes technologisches Zielbild fehlen?

Eine gemeinsame GenAI-Vision und -Strategie schafft den verbindlichen Rahmen für die gesamte Organisation. Darauf aufbauend haben wir eine zentrale Programmorganisation mit klarer Governance etabliert, bestehende Technologieinitiativen konsolidiert und Geschäftsanforderungen in einen gemeinsamen Technologie-Blueprint sowie eine abgestimmte Architektur- und Umsetzungsroadmap übersetzt.

Wie lassen sich End-to-End-Prozesse realisieren, wenn Systeme dieselben Geschäftsobjekte unterschiedlich interpretieren und Beziehungen sowie Lebenszyklen nicht einheitlich abbilden?

Ausgehend von den relevanten Geschäftsobjekten haben wir ein gemeinsames fachliches Datenverständnis entwickelt. Entitäten, Lebenszyklen und Abhängigkeiten wurden graphbasiert modelliert und in eine technische Ontologie überführt. Das im Turtle-Format bereitgestellte Architekturartefakt kann direkt in bestehende Systeme und Datenplattformen integriert werden.

Wie lassen sich priorisierte GenAI-Initiativen kurzfristig realisieren, ohne durch fragmentierte Toolentscheidungen und fehlende Integrationsfähigkeit die langfristige Agentic-Architektur zu blockieren?

Wir haben die priorisierten GenAI-Initiativen gegen die bestehende IT-, Applikations- und Datenlandschaft validiert. Abhängigkeiten, Risiken und Erfolgsfaktoren wurden in konkrete kurzfristige Maßnahmen übersetzt. Parallel entstand ein langfristiges Zielbild für die Agentic Enterprise sowie ein experimenteller Ansatz, um einen semantischen Layer als zukünftiges Architekturfundament zu untersuchen.

Wie lassen sich relevante KI-Potenziale in komplexen Finanzprozessen erkennen und priorisieren, ohne Ressourcen in unklare oder wirtschaftlich wenig attraktive Use-Cases zu investieren?

Wir haben Finanzprozesse bis auf Aktivitätsebene analysiert und geeignete Ansatzpunkte für KI und Automatisierung identifiziert. Die erwarteten Effizienzpotenziale wurden quantifiziert, in konkrete Use-Cases und Business Cases übersetzt und nach Wirkung sowie Umsetzbarkeit priorisiert. Daraus entstand eine belastbare Roadmap für die gezielte Umsetzung.

Eine Vertriebsfrage endet fast immer in der Stückliste, der komplexesten Struktur, die es einem Automobilunternehmen gibt. Wie beantwortet ein Vertrieb sie, wenn Auftragsart, Fahrzeugstruktur und Importeursdaten jedes Mal von Hand zusammengeführt werden?

Wir haben die drei Datenwelten in einem gemeinsamen Informationsmodell zusammengeführt und über d.AP als Knowledge Layer bereitgestellt. Auftragsarten und Konfigurationsoptionen aus den Vertriebssystemen, die Fahrzeugstruktur aus der Stückliste und die Importeursdaten zu Preisen, Texten und Vertriebsgebieten liegen als ein Modell vor, mit erklärten Begriffen und festgehaltenen Zuordnungen zwischen den Systemen. Die Fachbereiche fragen dieses Modell im Self-Service ab, weitere Anwendungen und Agenten beziehen dieselben Aussagen über API oder MCP/A2A. Sichten werden nicht mehr pro Anfrage gebaut, sondern aus dem Modell abgeleitet.

Wie wird Konzern-IT vom Kostenblock zum Enabler: agil, produktorientiert und eng mit dem Business verzahnt?

Wir haben eine agile, produktorientierte IT-Organisation etabliert, entlang von Wertströmen statt Funktionssilos. Über ressortübergreifende Projektteams, ein skaliertes agiles Framework (SAFe) und moderne Kollaborationstools haben wir die Anforderungen einer komplexen Konzern-IT adressiert und die IT als zentralen Treiber der digitalen Transformation positioniert.

Wie schafft man es, Mitarbeitern ein zentrales Arbeitscockpit zu geben, ohne für viele Millionen die gesamte Legacy-Welt ablösen zu müssen?

Wir haben eine zentrale, cloudbasierte Plattform für die Virtualisierung der Daten aus allen Legacy-Systemen entwickelt, ergänzt um ein Frontend für ML-basierte Analysen. Von der technischen Konzeption bis zur Architektur haben wir alle Komponenten im BizDevOps-Modus realisiert. So entstehen konsistente Informationen über Systemgrenzen hinweg, die datengetriebene Entscheidungen und eine durchgängige Prozesssteuerung ermöglichen.

Wie wird aus fragmentierten Analyse-Initiativen eine schlagkräftige Organisation, die bei akuten Feldproblemen schnell und verlässlich antwortet?

Wir haben die verteilten Analyseinitiativen in einer integrierten, agilen Organisation gebündelt. Über eine umfassende Datenflussanalyse haben wir bestehende Anwendungsfälle erfasst, die Zielsetzungen über alle Teams harmonisiert und cross-funktionale KI-, Analytics- und Datenteams aufgesetzt. Skalierbare Priorisierungsprozesse und eine nachhaltige Finanzierungsstruktur sorgen dafür, dass Daten fest in den Entscheidungsstrukturen verankert sind.

Wie wird fragmentiertes Fahrzeugwissen unternehmensweit nutzbar, wenn inkonsistente Datenmodelle für jede Anwendung individuelle Pipelines und aufwendige Integrationen erfordern?

Eine zentrale Ontologie bildet Fahrzeugtypen, Konfigurationen, Komponenten und Attribute in einem einheitlichen semantischen Modell ab. Bestehende Datenstrukturen werden in einem Knowledge Graph harmonisiert und über automatisierte Datenpipelines, standardisierte Schnittstellen und flexible Abfragen für Fachbereiche, Anwendungen und KI zugänglich gemacht.

Wie lassen sich Qualitätsabweichungen frühzeitig erkennen, wenn relevante Prozessdaten über isolierte Systeme verteilt und semantisch nicht vergleichbar sind?

Ein ontologiebasiertes Prozess- und Datenmodell vereinheitlicht die Bedeutung verteilter Qualitätsdaten. Darauf aufbauend haben wir eine skalierbare Cloud-Plattform und eine zentrale Benutzeroberfläche entwickelt, die Daten systemübergreifend integriert, Qualitätsprozesse transparent macht und KI-gestützte Anomalieerkennung sowie zukünftige Automatisierung ermöglicht.

Wie wird aus einer gewachsenen ERP-Landschaft, veraltet und überkomplex, ein modernes, beherrschbares Fundament?

Wir haben den ERP-Wechsel ganzheitlich aufgesetzt: von der Analyse der Geschäftsprozesse über den Abgleich mit der Unternehmensstrategie bis zur Bewertung verschiedener Bebauungsszenarien. Unter Berücksichtigung von Nutzern und Daten haben wir Vorgehen, Timeline und Budget definiert und die Systeme- und Schnittstellenlandschaft drastisch reduziert.

Wie wird ein DAX-Konzern wirklich datengetrieben, wenn klare Verantwortlichkeiten, einheitliche Prozesse und Governance fehlen?

Wir haben eine skalierbare Data-Governance- & Management-Organisation aufgebaut. Auf Basis des Data-Mesh-Grundkonzepts haben wir konzernweite Datendomänen etabliert, Domänengrenzen und Verantwortlichkeiten in cross-funktionalen Workshops mit Business und IT definiert und Dateneigner-Rollen in der Struktur verankert. Parallel haben wir Datenmanagementprozesse, Dokumentation, Freigabe, Governance standardisiert und die Organisation per Enablement auf die neue Datenarchitektur vorbereitet.

Wie wird aus dem Datenpotenzial im After Sales ein messbarer wirtschaftlicher Beitrag, statt verstreuter Einzelideen ohne Priorisierung?

Wir haben eine spezifische Datenstrategie entwickelt, die die langfristige Geschäftsfeldstrategie im After Sales unterstützt. Dafür haben wir die strategischen Ziele auf ihre Unterstützbarkeit durch Daten, Analytics und KI bewertet, daraus konkrete und messbare Ziele abgeleitet und je Ziel passende Use Cases definiert. Diese haben wir nach geschäftlichem Nutzen priorisiert, fachlich und technisch beschrieben und mit konkreten Maßnahmen in eine Umsetzungsplanung überführt.

Wie erfüllt ein Automobilhersteller den EU Data Act, wenn Transparenz über Fahrzeugnutzungsdaten, klare Verantwortlichkeiten und Prozesse fehlen?

Wir haben das Projektmanagement für den Data-Governance-Stream übernommen und ein mehrstufiges Vorgehen umgesetzt. Zunächst haben wir alle relevanten Nutzungsdatenquellen aus Fahrzeugen und verbundenen Diensten identifiziert, die Datenverantwortung auf Managementebene verankert und Budgets für Pflege und Klassifizierung gesichert. Parallel haben wir Datenflüsse in Backendsystemen mit den Verantwortlichen und der Rechtsabteilung auf EU-Data-Act-Relevanz bewertet und ein standardisiertes Metadatenmodell entwickelt, das wir in den unternehmensweiten Inventarisierungsansatz integriert haben.

Wie nutzt ein Unternehmen Daten in KI-Anwendungen regelkonform, wenn der EU AI Act Transparenz und Nachvollziehbarkeit verlangt, aber Rollen und Prozesse fehlen?

Wir haben aus den rechtlichen Vorgaben des EU AI Act spezifische Governance-Anforderungen für den Umgang mit KI-relevanten Daten abgeleitet. In cross-funktionalen Workshops mit Fach-, IT- und Rechtsabteilungen haben wir Rollen und Verantwortlichkeiten definiert, insbesondere für die Datennutzung in KI-Anwendungen. Darauf aufbauend haben wir einen Zielprozess für Dokumentation, Bewertung und Freigabe von Daten entwickelt, an das Entwicklungsteam übergeben und eng mit den bestehenden Datenmanagement-Prozessen verzahnt.

Wie bleiben Daten für Business und KI nutzbar, wenn unklare Verantwortlichkeiten, fehlende Dokumentation und neue regulatorische Anforderungen erhebliche Compliance-Risiken schaffen?

Gemeinsam mit Business, IT und Legal haben wir regulatorische Anforderungen in operativ umsetzbare Governance-Prinzipien übersetzt. Rollen und Verantwortlichkeiten wurden verbindlich definiert und in einen durchgängigen Prozess für Dateninventarisierung, Prüfung und Freigabe integriert. So wird Compliance nachvollziehbar verankert, ohne die Nutzung von Daten unnötig auszubremsen.

Wie lässt sich ein geschäftskritisches Altsystem grundlegend modernisieren, ohne zentrale Funktionen zu gefährden, Abhängigkeiten zu übersehen oder unkontrollierbare Migrationsrisiken einzugehen?

Ausgehend von den bestehenden Wertströmen und Kernfunktionen haben wir eine cloud-native und KI-fähige Zielarchitektur entwickelt. Technische Komponenten wurden konsequent an der Geschäftslogik ausgerichtet und in einen konkreten Migrationsplan überführt, der Umsetzungsschritte, Abhängigkeiten und benötigte Ressourcen transparent zusammenführt.