AI Reality Check 2026: AI Use Cases mit echtem ROI. Praxis Deep Dive.

KI in der Theorie ist das eine, echter Mehrwert entsteht erst in der Anwendung. Genau das zeigen drei konkrete Use Cases in Bereichen mit hohem Automatisierungspotenzial: Contract Management, Tender Management und Supply Chain. 

In der neuen Episode der EFS Podcast-Miniserie „AI Reality Check 2026“ zeigen die Hosts Irene Racher und Ralph Zlabinger, wie KI Zeit spart, Transparenz schafft und messbare Ergebnisse erzielt. 

Wann aus einer Idee ein echter Use Case wird 

Viele KI-Initiativen starten mit guten Ideen und scheitern trotzdem daran, nachhaltig Wirkung zu erzeugen. Der Grund liegt oft nicht im technologischen Limit, sondern in der fehlenden Klarheit darüber, was ein echter Use Case ist. 

Nicht jeder Pain Point ist automatisch für KI geeignet. Nicht jede Lösung rechtfertigt den Einsatz. Erst wenn eine Anwendung klar definiert ist, von der Nutzung über Daten bis hin zum messbaren Mehrwert, entsteht ein Use Case, der skalierbar ist und im Alltag funktioniert. 

„Ohne Business Case hat ein Use Case keinen Sinn“, Ralph Zlabinger, EFS AI Program Lead. 

Drei Use Cases und ein gemeinsames Muster 

Irene Racher und Ralph Zlabinger machen anhand von drei konkreten Beispielen greifbar, wie KI echten Mehrwert schafft: 

Im Contract Management wird vorhandenes Wissen nutzbar gemacht. Statt tausende Seiten im Vertragswerk manuell zu durchsuchen, ermöglicht ein AI Assistant schnellen Zugriff auf relevante Inhalte – mit klaren Quellen und nachvollziehbaren Antworten. 

Im Tender Management wird eine bekannte, aber bisher manuelle Prüflogik automatisiert. KI übernimmt die strukturierte Vorarbeit, analysiert Angebote und unterstützt die Bewertung - schneller, konsistenter und nachvollziehbarer. 

In der Supply Chain werden bestehende Datenquellen (Lieferantenportal, SAP-Systeme verschiedener Werke, …) erstmals miteinander verbunden. KI schafft Transparenz über Systeme hinweg und ermöglicht Entscheidungen in Echtzeit. 

Was alle drei Use Cases verbindet: Die Daten waren bereits vorhanden. Der Mehrwert entsteht durch Zugänglichkeit, Verknüpfung und konsequente Nutzung. Florian Schnitzer, Senior Project Manager und Benjamin Braun, Engagement Manager bei EFS Consulting teilen ihre Erfahrung aus Kundenprojekten und bestätigen diesen Ansatz. 

Warum nicht das Modell, sondern das System entscheidet 

Ein zentrales Learning dieser Episode: Die Frage nach dem „richtigen“ Modell ist zweitrangig. Modelle entwickeln sich schnell und werden zunehmend austauschbar. Der entscheidende Faktor ist das System, in dem sie eingebettet sind. 

Ohne saubere Datenbasis, ohne Verständnis von Zusammenhängen und ohne klar definierte Prozesse kann selbst die beste KI keinen Mehrwert liefern. Erfolgreiche Lösungen basieren immer auf einem Zusammenspiel aus: Daten, Kontext, Prozessen und einer klaren Orchestrierung. Genau dort liegt der Unterschied zwischen experimentellen Ansätzen und produktiven Anwendungen. 

Wie sich Rollen durch KI verändern 

In der Episode wird klar: KI ersetzt keine Menschen, sie verändert ihre Aufgaben. 

In allen drei vorgestellten Anwendungsfällen verschiebt sich der Fokus: Weniger manuelle Arbeit, weniger Suche, weniger repetitive Prüfung. Dafür mehr Bewertung, mehr Entscheidungsverantwortung, mehr strategischer Einfluss. 

KI übernimmt die Vorarbeit. Der Mensch bleibt verantwortlich für das Urteil. Das Ergebnis ist also kein Abbau von Rollen, sondern eine Aufwertung mit dem Ziel echter Wertschöpfung. 

Für wen diese Folge besonders relevant ist 

• Führungskräfte und Entscheidungsträger:innen 
• Transformations- und Innovations-Teams 
• Fachbereiche, die KI praktisch einsetzen möchten 
• Und alle, die KI nicht nur nutzen, sondern verstehen möchten 

Wir wünschen viel Freude beim Hören! 

Haben Sie Fragen zum Thema Künstliche Intelligenz? Schreiben Sie uns gerne eine E-Mail an podcast@efs.at 

Quellen, Links und Recherche: https://efs.consulting/insights/podcast/artificial-intelligence/ai-use-cases/

Transcript

00;00;00;04 - 00;00;16;00
In den letzten drei Episoden haben wir viel erklärt, was KI ist, was sie kann, warum Literacy der entscheidende Hebel ist. Warum die meisten Unternehmen scheitern - nicht an der Technologie, sondern an der Organisation. Heute hören wir auf zu erklären. Heute zeigen wir.

00;00;16;04 - 00;00;31;22
Drei konkrete Projekte aus drei Branchen, die wir täglich beraten. Echte Ausgangssituationen, echte Lösungsansätze, echte Ergebnisse, Contract Management, Tender Management und Supply Chain. Und wir lassen Menschen zu Wort kommen, die es am besten wissen, weil sie diese Projekte selbst erlebt bzw. gesteuert haben.

00;00;31;23 - 00;00;47;27
Aber bevor wir in diese Käse gehen, müssen wir kurz klären was ist eigentlich ein Use Case? Und auch die Dauerfrage unserer Miniserie noch einmal aufwerfen “Warum scheitern so viele, bevor sie überhaupt richtig anfangen?” Willkommen zur Episode vier des EFS Podcast. Ich bin Irene Racher.

00;00;47;28 - 00;00;51;09
Und ich bin Ralph Zlabinger.

00;00;51;11 - 00;01;13;08
Wenn wir mit Unternehmen ihre Use Cases erarbeiten, ist es häufig so Es wird viel über Schmerzpunkte gesprochen, es entstehen viele Ideen. Jeder bringt was mit. Der Einkauf, die IT, die Rechtsabteilung, das Management. Und dann steht man aber vor der großen Herausforderung, aus einer Idee ein echtes Projekt zu machen. Das liegt auch daran, dass der Begriff Use Case, vor allem KI Use Case, sehr unterschiedlich verstanden wird.

00;01;13;10 - 00;01;33;25
Also fangen wir mit einer sauberen Definition an. Ein Use Case beschreibt sehr genau eine spezifische Situation, in der ein Nutzer, eine Nutzerin oder ein System ein konkretes Ziel erreicht, in dem er oder sie mit einer KI Lösung interagiert. Entscheidend ist hier ein Fokus auf den geschäftlichen Nutzen und die konkrete Anwendung zur Lösung eines Problems oder zur Erschließung einer Chance.

00;01;33;27 - 00;01;58;08
Und jeder gute Use Case hat Fünf Kernkomponenten, die beantwortet werden müssen, bevor man überhaupt nur eine Zeile Code schreibt oder einen Workflow zusammensteckt. Erstens: Wer nutzt die KI? Eine Mitarbeiterin im Einkauf? Ein Disponent, ein juristisches Team oder ein nachgelagerte System? Zweitens: Was geht rein? Strukturierte Daten und unstrukturierte Daten, Texte, Bilder, Dokumente. Drittens: Was passiert dann? Welche KI Technologie?

00;01;58;08 - 00;02;25;26
Welche Datentransformation? Welcher Workflow? Welche Prozessschritte? Welche Erkenntnisse? Und viertens: Was kommt überhaupt raus? Was ist das gewünschte Ergebnis? Eine Vorhersage? Eine Empfehlung? Eine Klassifizierung? Irgendeine automatisierte Aktion? Und fünftens und das ist jetzt das Entscheidendste: Was ist der geschäftliche Wert? Sparen wir hier Zeit? Senken wir die Kosten, wird die Qualität gesteigert, werden Risiko vermieden? Ein Use Case muss unbedingt einen Business Case haben, sonst hat er keinen Sinn.

00;02;25;28 - 00;02;35;27
Wenn eine dieser fünf Fragen nicht beantwortet werden kann, ist der Use Case noch kein Use Case. Es ist eine Hypothese. Und diese Hypothese ist der Auftakt dafür, Klarheit im Detail zu schaffen.

00;02;35;28 - 00;02;58;11
Das klingt nach methodischen Kleinkram, aber es ist dann doch der Unterschied zwischen einem Pilotprojekt, das sechs Monate später nicht mehr weiterverfolgt wird, und einer Lösung, die wirklich produktiv geht, im Betrieb läuft und einen echten Wert liefert. Ein guter Use Case ist außerdem hoch repetitiv. Der Prozess wiederholt sich in kurzen zeitlichen Abständen in großer Stückzahl. Er bindet heute viel menschliche Kapazität, in Zukunft eben nicht mehr.

00;02;58;13 - 00;03;08;06
Er läuft durch einen stabilen, klar definierten Workflow und das Datengerüstes vorhanden. Sie müssen in ausreichender Menge und Qualität zur Verfügung stehen, egal ob strukturierte oder unstrukturierte Daten.

00;03;08;11 - 00;03;31;27
Und dann gibt es noch eine Frage, die wir immer stellen wollen: Brauchen wir hier überhaupt KI oder ist das eigentlich ein Prozess, den wir das sich durch eine klarere Regeln, eine bessere Zuständigkeit oder ein einheitliches Format lösen ließe? Oder vielleicht sogar wahrscheinlich beides? Unterm Strich gilt der Grundsatz: Keine Einführung einer Maßnahme zum Selbstzweck, keine Maßnahme ohne Diagnose. Und immer die Klarheit: Was wollen wir hier eigentlich erreichen?

00;03;31;29 - 00;03;45;13
Optimieren heißt zuallererst immer verstehen, dann vereinfachen und dann automatisieren. Und selbst da ist noch immer nicht gesagt, dass wir mit KI automatisieren müssen. Aber das sind die Schritte, die man einfach durchgehen muss, damit man zu einer sinnvollen Lösung kommt.

00;03;45;18 - 00;04;05;22
Bevor wir in die Use Cases gehen, noch ein Gedanke, der sich wie ein roter Faden durch alle drei Projekte zieht. Eine gern vorrangig gestellte Frage in KI Projekten, die aber gar nicht so wichtig ist, lautet: Welches Modell nehmen wir? GPT-4? Claude? Gemini? Das Neueste? Das Stärkste? Die richtige Frage lautet: Wie bauen wir das System, in dem das Modell funktioniert?

00;04;05;24 - 00;04;24;20
Das liegt daran, dass Modelle immer mehr zur austauschbaren Commodity werden. Heute ist vielleicht GPT-4 oder 5.2 oder 6.7 das stärkste. In sechs Monaten wird es ein anderes sein. Allein das löst kein Geschäftsproblem. Außerdem darf man sich nicht so an Modellen aufhängen, da sie ja manchmal dann nicht mehr weiter betreut werden oder einfach nicht mehr verfügbar sind. Und dann muss die Lösung trotzdem noch funktionieren.

00;04;24;20 - 00;04;44;15
Das heißt, man muss sich ohnehin seine eigene Lösung schaffe. Was also wirklich den Unterschied macht, sind vier Schichten. Man muss da ein bisschen komplexer denken. Das Fundament ist der Data Layer. Das heißt, wir brauchen saubere, strukturierte, vertrauenswürdige Daten. Ohne Daten-Readiness gibt es keine KI-Readiness und die Hausaufgabe Nummer eins ist immer, diese Daten zur Verfügung zu stellen, diesen Data Layer aufzubauen.

00;04;44;17 - 00;05;06;06
Darüber liegt dann der Kontext Layer, das Verständnis, wie die Daten im Unternehmen zusammenhängen. Welche Systeme reden miteinander, wie sind die Daten zueinander im Verhältnis? Welche Systeme reden eben nicht miteinander und wo gehen Informationen verloren? Hier kommt eben das Wissen aus dem Fachbereich, aus der Domäne dazu. Dann kommt der Process Layer, das Wissen, wie das Unternehmen wirklich operiert, nicht wie es im Prozess Handbuch steht, sondern wie es tatsächlich getan wird.

00;05;06;08 - 00;05;23;07
Auch hier wieder, ganz großer Einfluss durch die Domäne und den Fachbereich. Das kann die IT von selber nicht wissen. Und ganz oben der Orchestration Layer, wo KI Erkenntnisse autonom zu Handlungen werden. Also quasi das KI Gehirn, das über all diesen Layers wacht und die Informationen aufgrund des Wissens, das aus den Layern zusammenkommt, sinnvoll bearbeiten kann.

00;05;23;13 - 00;05;37;25
Die KI scheitert im Unternehmen selten am Modell. Sie scheitert an den Daten und an den Daten, die nicht sauber sind. Am Kontext der fehlt, ein Prozesswissen, das nirgends dokumentiert ist. Das werden wir in allen drei Use Cases heute sehen.

00;05;37;27 - 00;06;02;11
Gut, dann wollen wir mal anfangen. Und zwar mit einem Thema, das in jedem Unternehmen oder zumindest in fast jedem existiert: Vertragsmanagement. Generell bedeutet es, dass jede Organisation, jedes Unternehmen einen ganzen Haufen Verträge hat, mit Zulieferern, mit Angestellten, was auch immer. Und diese Verträge müssen gemanagt werden. Wir wollen uns dabei ein besonderes Szenario heute vorstellen, und zwar eine strategische Allianz zwischen zwei Unternehmen.

00;06;02;11 - 00;06;27;18
Gemeinsam entwickeln sie Produkte, Plattformen. Daher gibt es geteilte Verantwortlichkeiten, kommerzielle Rahmenbedingungen usw. Das Vertragswerk wächst über Jahre. Also es gibt einen Basisvertrag, der wird natürlich angepasst über die Zeit. Hauptverträge, Anhänge, Nachträge, Nebenverträge, Leistungsbeschreibung, Prozessdokumente, tausende Seiten. Und sie werden immer mehr. Und jedes Mal, wenn sich etwas ändert, ein neues Produkt, ein neuer Software Vertrag, eine neue regulatorische Anforderung, muss es erweitert werden.

00;06;27;19 - 00;06;40;04
Und jedes Mal, wenn irgendwas unklar ist, muss jemand nachsehen, was sozusagen in diesen Verträgen steht. Jemand müsste es theoretisch auswendig wissen oder sich eben auf diese mühsame manuelle Arbeit machen, um es herauszufinden. Es ist immer dasselbe Ritual.

00;06;40;09 - 00;07;02;09
Genau. Und dann durchsuchen mehrere Personen Dokumente. Sie lesen die Vertragsabschnitte, schauen, ob irgendwas passt oder nicht passt. Sie stimmen sich untereinander ab. Sie holen juristische oder grundsätzliche Bewertungen ein. Sie überlegen: Was darf die neue Software? Welche Verpflichtungen gelten für die Firma A? Für die Firma B. Gibt es Einschränkungen für diesen Prozess? Was sind die Kündigungsfristen? Und diese Arbeit frisst einfach sehr, sehr viel Zeit.

00;07;02;12 - 00;07;16;22
Und zwar für Fragen, deren Antwort irgendwo in diesem ganzen Vertragswerk drinnen steckt, aber so schnell nicht oder vielleicht überhaupt gar nicht gefunden wird. Die Nadel im Heuhaufen sozusagen. Und das ist der Pain Point. Nicht, dass das Wissen fehlt, sondern dass es einfach nicht zugänglich ist.

00;07;16;24 - 00;07;41;03
Die Lösung, die wir hier entwickelt haben, heißt AI Contract Assistant. Das gesamte Vertragswerk wird digital bereitgestellt und in den Contract Board geladen. Der Bot indexiert und strukturiert die Inhalte und ermöglicht anschließend einen Dialog basierten Zugriff darauf in natürlicher Sprache. Zum Beispiel: Welche Regelungen gelten für die Produktänderungen? Antwort in Sekunden mit Verweis auf die konkrete Vertragspassage oder gibt es Einschränkungen für den Einsatz dieser Softwareprodukte?

00;07;41;04 - 00;07;49;21
Sofortige Orientierung statt stundenlange Suche. Oder: Wer ist für dieses Modul verantwortlich? Strukturierte Zusammenfassung, auditierbar mit Quellenangabe.

00;07;49;27 - 00;08;15;16
Wichtig zu wissen: Der Bot trifft keine finale juristische Entscheidung. Das bleibt beim Legal Team. Er dient als Assistenzsystem für Recherche, Voranalyse und Orientierung. Die Rollenverteilung ist klar. Der Bot findet, fasst zusammen und beantwortet Fragen auf Basis der Dokumente. Legal prüft, bewertet und entscheidet. Das ist keine Schwächung der juristischen Funktion. Es ist eine Befreiung davon, Zeit mit Suchen statt mit Denken zu verbringen.

00;08;15;17 - 00;08;41;24
Der Prozess läuft in vier Schritten. Vertragsanfrage wird über Frontend eingereicht. Das heißt noch mal wichtig: Die Anfragenden sprechen nicht mit dem Boot selber, sondern es wird schon quasi dieser Sicherheitslayer drin gelassen. Dass die Spezialisten, die für den Prozess verantwortlich sind, auch die Fragen stellen. Dann wird sozusagen von diesem Team die Frage gestellt. Der Bot analysiert und durchsucht dann das ganze Vertragswerk und die Ergebnisse werden ausgegeben mit Referenzen und Zitaten und dann, wenn nötig, erfolgt Verifizierung.

00;08;41;25 - 00;09;03;26
Und zwar zuerst durch die Prozess Owner und dann durch die Rechtsabteilung. Also es wird sichergestellt, dass ein human in the loop generell dabei ist und natürlich einer aus der Domäne. Der Vorteil ist eine drastisch gesteigerte Effizienz und Kostensenkung, ein Prozess, der vorher mühsam von mehreren Personen mit einer netto Zeit von circa acht Stunden und einer Bruttozeit von über einer Woche gelaufen ist, kann jetzt drastisch verkürzt werden.

00;09;03;26 - 00;09;23;11
Die Qualität ist auch erhöht, weil die Maschine natürlich sehr viel besser und sehr viel mehr Text lesen kann, ohne müde zu werden und ohne Fehler zu machen. Und das Wichtigste: Eine erhöhte Transparenz über das Vertragswerk, das vorher für die meisten Beteiligten oder auch für das Team für das Process Owner Team faktisch unzugänglich war.

00;09;23;14 - 00;09;29;02
Erfahrungen aus erster Hand gibt uns dazu Florian Schnitzer. Er hat die Implementierung beim Kunden begleitet.

00;09;29;09 - 00;10;07;27
Im Rahmen eines Kooperationsprojektes zwischen zwei global agierender OEMs sahen wir die Herausforderung, dass die Interpretation des zugrundeliegenden vertraglichen Regelwerks von mehr als 5000 Seiten zu einem immensen Aufwand innerhalb der Organisation führte. Dementsprechend kam uns der Gedanke: Lasst uns einen AI Chatbot implementieren, der diese Interpretation in wenigen Sekunden auf Knopfdruck für jeden Menschen leicht verständlich ermöglicht. Unsere zügige und strukturierte Vorgehensweise hat dazu geführt, dass wir den Go live erreichen konnten, als ursprünglich geplant.

00;10;07;29 - 00;10;18;04
Dieser Use Case ist ein super Beispiel für die stärksten Anwendungsklassen überhaupt. Es wird bereits vorhandenes Wissen besser zugänglich gemacht und damit endlich in seiner Fülle nutzbar gemacht.

00;10;18;06 - 00;10;39;14
Genau das war sozusagen der perfekte Use Case, dass wo die KI wirklich ihre Stärken ausspielen kann. Der STANDARD Use Case Talk to your data genannt, aber das ist natürlich nicht die einzige Möglichkeit. Kommen wir zu einem weiteren Use Case, den wir als Unternehmen schon bearbeitet haben. Der Bereich, der jetzt kommt, mag auf den ersten Blick etwas trocken klingen, ist aber eines der interessantesten KI Anwendungsfelder überhaupt.

00;10;39;14 - 00;10;45;01
Die Beschaffung. Ausschreibungsmanagement. Tender Management.

00;10;45;03 - 00;10;51;12
Benjamin Braun, Manager bei EFS Consulting, ist Projektleiter und Ansprechpartner für das Tender Tool.

00;10;51;15 - 00;10;52;08
Also grundsätzlich,

00;10;52;08 - 00;11;20;09
muss man sagen, dass KI nicht überall die richtige Technologie für jeden Prozess oder für jede Aufgabe ist. Wenn man sich Beschaffung ansieht, dann stellt man aber fest, dass das Ganze meist sehr textlastig ist und gleichzeitig moderne KI Systeme, klassische LLMs oder auch darüber hinaus können sehr, sehr gut mit Text umgehen. Auf der Ebene könnte man also sagen, dass die Beschaffung durchaus prädestiniert für den Einsatz von KI ist.

00;11;20;10 - 00;11;26;07
Nichtsdestotrotz muss man hier natürlich tiefer eintauchen.

00;11;26;10 - 00;11;46;19
Lasst uns doch wieder allgemein über Tender Managment reden, bevor wir da tiefer einsteigen. Grundsätzlich gibt es im Vergabezyklus beim Ausschreibungsmanagement vier Phasen. Die Phase Nummer eins ist die Vorbereitungsphase. Hier geht es darum, die Bedarfe intelligent zu prognostizieren oder zumindest herauszufinden, den Markt zu erkunden und bestehende Rahmenverträge zu screenen. Und schon haben wir unseren Use Case, den wir gerade beschrieben haben wieder.

00;11;46;20 - 00;12;09;18
Denn bevor wir etwas Neues bestellen, sollten wir zuerst mal nachschauen, ob wir nicht vielleicht schon einen Rahmenvertrag im Haus haben, der eben genau diese Leistung oder dieses Service abdeckt. Dann kommen wir zur Ausschreibungsphase. Das ist jetzt die Erstellung der Vergabeunterlagen, Plausibilitäts- und Konsistenzprüfung und natürlich das Bearbeiten von Bieterfragen. Auch wenn eine Ausschreibung noch so gut geschrieben ist, es wird immer irgendwelche offenen Fragen durch die Bieter geben.

00;12;09;20 - 00;12;36;05
Dann gibt es die Bewertungs- und Vergabephase. Hier wird es dann sozusagen formal geprüft und auf Vollständigkeit gecheckt. Und zwar die Angebote, die eben durch Anbieter hereingekommen sind, die auf unsere Ausschreibung reagieren wollen und Services oder Dienste oder was auch immer anbieten wollen. Dann muss man natürlich bewerten und man muss verhandeln. Und auch hier Verhandlungsunterstützung bedeutet natürlich auch, dass man sehr viel Wissen aus der Anfrage und aus vergangenen Ausschreibungsphasen dieser Art benötigt.

00;12;36;07 - 00;12;54;21
Und zu guter Letzt, die letzte Phase ist dann wieder das Vertragsmanagement, womit wir wieder bei unserem Use Case Nummer eins sind, den wir vorher beschrieben haben. Zuerst müssen die Verträge natürlich erstellt werden, aber dann müssen diese Verträge natürlich gemanagt, gescreent und durchgesetzt werden. Und auch hier hilft es natürlich, Unterstützung durch KI zu haben um einen guten Überblick zu haben und zu wissen, was in diesen Verträgen tatsächlich drinnen steht.

00;12;54;28 - 00;13;19;03
Und warum ist das so ein gutes KI Feld? Die Antwort liegt in vier Eigenschaften, die dort zusammenkommen wie kaum sonst noch irgendwo. Erstens ein hoher Dokumentenaufwand mit immer denselben Daten und Informationen im Hintergrund Vergabeunterlagen, Angebote, Nachweise, Verträge. Es geht aber immer um dasselbe. Man möchte etwas kaufen. Man muss herausfinden, was und wie. Muss es in einer Einkaufsliste oder Leistungsverzeichnis gießen.

00;13;19;03 - 00;13;48;13
Dann muss man Fragen zu beantworten und dann prüfen, ob die Angebote, die man dazu bekommt, die Anforderungen erfüllen. Und dann muss man daraus einen Vertrag machen. Zweitens repetitive, regelbasierte und textintensive Aufgaben. Viele Prüfschritte folgen immer derselben Logik und werden trotzdem noch manuell durchgeführt. Drittens hohe Qualitätsanforderungen Die Bewertungen müssen konsistent, nachvollziehbar und sauber dokumentiert sein. Gerade in öffentlichen Vergabeverfahren.

00;13;48;15 - 00;13;53;14
Und viertens Zeitdruck, enge Fristen, steigende Volumen, knappe Ressourcen.

00;13;53;17 - 00;14;20;05
Und das ist genau die Kombination, die KI liebt. Viel Text, klare Regeln, hohe Wiederholung, messbare Qualitätsanforderungen. Konkret haben wir deshalb ein KI Tool zur Optimierung des Ausschreibungsprozesses entwickelt mit zwei zentralen Funktionen. Es kann natürlich jederzeit erweitert werden und es gibt auch noch andere Funktionen. Wir wollen aber eben diese zwei ansehen. Das erste, die automatisierte Angebotsanalyse. Eingegangene Angebote werden gegen Ausschreibungskriterien geprüft, verglichen und bewertet.

00;14;20;06 - 00;14;41;15
Nicht als Ersatz für die menschliche Entscheidung, aber als strukturierte Vorarbeit, die diese Entscheidung fundierter und schneller macht. Das heißt, anstatt dass ein Mensch jetzt linke Hand die Ausschreibung liegen hat, rechte Hand das Angebot und hin und her überprüfen muss, ob die Kriterien aus der Ausschreibung jetzt durch das Angebot erfüllt werden, liest sich KI beides durch, macht eine Vorbewertung und der Mensch muss nur noch prüfen, ob das, was die KI gemacht hat, stimmt.

00;14;41;15 - 00;15;00;14
Das erspart einem mehrere Stunden. Und das zweite Feature ist die KI gestützte Erstellung von Dokumenten, Ausschreibungsunterlagen, Executive Summary Verträge auf Basis bestehender Guidelines und Templates. Auch hier, wir haben die Daten eigentlich schon. Wir müssen jetzt nicht mit der Hand einfach nochmal dasselbe ausarbeiten. Wir lassen die KI diesen Draft erstellen und müssen es dann nur noch perfektionieren.

00;15;00;16 - 00;15;32;18
Im Wesentlichen läuft bei uns die Implementierung in drei Schritten ab. Der erste Schritt ist das Aufsetzen einer sicheren Infrastruktur. Datensicherheit steht hier im Vordergrund. Der zweite Schritt ist dann das Trainieren bzw Konfigurieren des KI Systems auf die jeweiligen Bedürfnisse der Organisation. Jeder unserer Kunden Organisationen tickt ein bisschen anders. Das muss man dann auch für das KI System natürlich berücksichtigen. Und der dritte Schritt ist dann die Vorbereitung und Durchführung des Go Lives inklusive Trainings und Onboarding der betroffenen Mitarbeiter.

00;15;32;24 - 00;15;38;29
Fasst Benjamin Braun die Implementierung zusammen.

00;15;39;02 - 00;16;03;15
Und das Ergebnis, das wir da gesehen haben und auch erwartet haben in den frühen Piloten, ist wirklich beeindruckend. Der Zeitaufwand für die Angebotsbewertung konnte um bis zu 75 % reduziert werden. Außerdem hat sich die Compliance verbessert, weil Prüfschritte lückenlosen konsistent durchgeführt werden und die Ressourcen konnten strategisch genutzt werden. Das Team kann jetzt mit gleichbleibender Größe ein steigendes Ausschreibungsvolumen bewältigen.

00;16;03;17 - 00;16;21;22
Der Einkäufer, der dieses Tool nutzt, ist nicht mehr der Ausführende, ist der Auditor. Er prüft, was die KI vorschlägt. Er stellt die richtigen Fragen und er trifft auch die finale Entscheidung. Das ist nicht weniger Verantwortung. Es ist eine andere und in vielen Fällen anspruchsvollere Form von Verantwortung.

00;16;21;24 - 00;16;46;29
So, und jetzt kommen wir zum dritten Use Case und der begeistert mich persönlich fast am meisten, weil er zeigt, was möglich ist, wenn KI auf ein wirklich komplexes, fragmentiertes System trifft und es nicht nur vereinfacht, sondern fundamental verändert. Stellt euch einen internationalen Konzern vor. Der hat mehrere Produktionswerke. Viele Werke davon haben ihre eigenen ERP Systeme. Die haben vielleicht auch eigene Regeln, eigene Takte, eigene Lieferzeiten.

00;16;47;03 - 00;17;06;27
Dann kommen noch weitere Ersatzteilelager und mit eigenen Umschlagsraten. Und wie ist das alles passiert? Natürlich historisch gewachsen durch Zukäufe, Umstrukturierungen usw. Wir haben viele Systeme, die ähnliche Daten haben, die man alle überblicken muss. Aber diese Systeme reden nicht miteinander oder wenn nicht, dann schlecht. Es gibt einfach keine sogenannte Single Source of Truth.

00;17;07;00 - 00;17;31;17
Das Ergebnis ist dann zum Beispiel ein Disponent, also jemand, der dafür sorgen muss, dass die Teile rechtzeitig am Produktionsband sind. Und das muss er täglich mit hunderten von Teilen machen. Er hat dabei keine integrierte Echtzeitsicht. Also er hat keinen Überblick über das Gesamtsystem in Echtzeit. Um den Status der Teile lückenlos zu eruieren, muss er lokale Abfragen in verschiedenen Systemen machen. Manuell, zeitaufwändig, reaktiv statt proaktiv.

00;17;31;22 - 00;17;55;10
Die Teile stapeln sich hier und fehlen dort. Wenn das Teil nicht auffindbar ist, muss er Notfallmaßnahmen einleiten, zum Beispiel teure Expresslieferungen. Und umgekehrt. Wenn niemand den Gesamtüberblick hat, kann es passieren, dass Teile herumliegen, ohne verwendet zu werden. Und dann wird sehr viel Kapital gebunden. Ohne integrierte Echtzeitsicht bleibt der Disponent reaktiv und die Information fragmentiert. Frühzeitige Erkennung potenzieller Engpässe sind kaum möglich.

00;17;55;16 - 00;18;21;04
Die Lösung: ein AI Supply Chain Bot, der auf einer sogenannten Mix of Experts Architektur basiert. Das heißt konkret mehrere spezialisierte KI Agenten und Tools, die gemeinsam arbeiten. Der Bot greift dabei auf die relevanten Datenquellen zu, zum Beispiel die ERP Systeme. Das sind oft SAP, verschiedene Werke, das Lieferantenportal, den Data Lake, den Data Layer und führt diese Daten in Echtzeit zusammen. Der Disponent kann jetzt eine Frage stellen, die vorher nicht beantwortbar war.

00;18;21;05 - 00;18;39;10
Zeig mir alle Teile, bei denen Werk A überdeckte Bestände hat, die in Werk B gerade dringend gebraucht werden und man kriegt sofort eine Antwort und eine Handlungsempfehlung. Es ist das perfekte Beispiel, wo quasi die KI Capabilities und die normalen Capabilities von Dashboard perfekt zusammenarbeiten können.

00;18;39;12 - 00;19;07;12
Und das verändert die Rolle dieses Disponenten fundamental. Und zwar nicht weg verändern sondern aufwärts verändern. Die administrativen Aufgaben diese Sonderbestellungen koordinieren, die Einzelanlieferungen tracken, Fehler Management betreiben. Die werden durch die KI Unterstützung massiv reduziert. Was bleibt und was wächst? Strategisches Lieferantenmanagement. Die Ableitung von Maßnahmen auf Basis echter Daten. Die Entscheidungen, die Urteilsvermögen und Erfahrung brauchen, nicht nur Regelanwendung.

00;19;07;14 - 00;19;16;02
Automatisierung setzt signifikante Kapazitäten im administrativen Bereich frei, die direkt in strategische Wertschöpfung investiert werden können.

00;19;16;04 - 00;19;44;10
Die Ergebnisse aus dem Piloten sprechen für sich. Echtzeit Transparenz auf der einen Seite und Lagerstandoptimierung von bis zu 20 % oder mehr auf der anderen Seite. Das ist wirklich eine signifikante Reduktion des gebundenen Kapitals für jeden Produzenten mit Supply Chain Kosten von, sagen wir, 50 Millionen € oder so jährlich, ist das eine Einsparung, die gigantisch ist. Das ist kein Versprechen, das ist ein belegtes Szenario aus echten Projektdaten und das ist ein Use Case, der einen wirklichen Business Case hat.

00;19;44;12 - 00;20;07;23
Und was dieser Case so exemplarisch zeigt. Das Problem war nie, dass die Daten nicht existieren. Die Daten lagen im SAP, im Lieferantenportal, im Data Lake. Das Problem war, dass sie nicht zusammengeführt werden konnten, dass kein Mensch in Echtzeit über drei ERP Systeme hinweg abfragen konnte. Und das hat die KI gelöst. Nicht durch die Erfindung, sondern durch die Integration. Also nochmal Das Modell war nicht das Entscheidende.

00;20;07;25 - 00;20;15;03
Das Entscheidende war das System der Data Layer der Kontext Layer. Die Architektur, die alles zusammenhält.

00;20;15;05 - 00;20;31;11
Und ich möchte auch noch mal hinzufügen, wenn wir diese drei Cases nebeneinander stellen, fällt genau das auf. Das ist das zentrale Take Away bei dieser Episode. Genau, was Irene gerade gesagt hat. Was hier immer fehlte, war die Integration. Die Daten waren vorhanden. Es ging nur darum, sie auf die richtige Weise zusammenzuschalten.

00;20;31;13 - 00;20;53;15
Also nochmal zusammengefasst , Contract Management- das Wissen wir im Vertragswerk. Es war nicht zugänglich. Tender Management - die Prüflogik war bekannt, aber sie wurde manuell angewendet. Supply Chain - die Daten lagen in den Systemen, aber sie wurden nicht zusammengeführt. In allen drei Fällen lautet die KI Leistung nicht: “Was haben wir Neues erfunden?” Sie lautet: “Wir haben etwas Vorhandenes endlich nutzbar gemacht.”

00;20;53;17 - 00;21;07;22
Und das ist die Perspektive auf Return on Invest von KI im Unternehmenskontext. Es geht selten um Disruption. Es geht meistens um Zugänglichkeit, Geschwindigkeit und Konsistenz auf einem Niveau, das die menschliche Kapazität alleine einfach nicht erreichen kann.

00;21;07;25 - 00;21;29;13
Und dann gibt es noch eine Gemeinsamkeit, die wir nicht unerwähnt lassen wollen. In allen drei Cases bleibt der Mensch, nicht das Ausführende des Prozesses, sondern als Entscheider, Prüfer und Stratege. Der Contract Bot ersetzt nicht das Legal Team, es befreit es. Das Tender Tool ersetzt nicht den Einkäufer, es macht ihm zum Auditor. Der Supply Chain Bot ersetzt nicht den Disponenten. Er macht ihn zum Strategen.

00;21;29;16 - 00;21;55;10
Das ist keine Beruhigungspille. Das ist das Ergebnis, das wir in diesem Projekt gesehen haben. Und es bestätigt, was der Welt Economic Forum Future of Jobs Report 2025 sagt: Keiner der über 2800 analysierten Fähigkeiten, die zur Arbeit benötigt werden, hat sehr hohes Potenzial, durch aktuelle generative KI ersetzt zu werden. Was sich verändert, sind die Aufgaben, nicht die Menschen.

00;21;55;12 - 00;22;21;22
Was nehmen wir also mit aus dieser Episode? Drei Dinge. Erstens: Ein Use Case ist kein Buzzword und keine Idee auf einem Sticky Note. Er ist eine klar definierte Situation mit fünf zu beantworteten Kernfragen, eine messbaren Geschäftswert und einer ehrlichen Prüfung, ob KI hier überhaupt das richtige Werkzeug ist. Zweitens: Nicht das beste Modell gewinnt, das beste System gewinnt. Wer beim Modell anfängt statt beim Daten Fundament, der baut auf Sand.

00;22;21;24 - 00;22;41;18
Drittens: Die KI verändert Rollen, aber sie ersetzt sie nicht, was sie tut: Sie verschiebt den Fokus von Ausführung zu Urteil, von suchen, zu entscheiden, von Reaktion zu Strategie. Und genau das ist die Chance, die in jedem dieser Use Cases steckt. Nicht der Abbau von Menschen, sondern die Befreiung von repetitiven, manuellen und langweiligen Tätigkeiten.

00;22;41;20 - 00;23;08;11
Die Hausaufgabe für diese Woche ist wieder konkret Nehmt einen Prozess in eurem Alltag, Einen, bei dem ihr viel Zeit mit Suchen, Prüfen oder manueller Datenzusammenführung verbringt. Und stellt euch die fünf Fragen: Wer ist der Akteur? Was geht rein? Was soll rauskommen? Welche Technologie wäre geeignet und was ist der messbare Wert, wenn dieser Prozess automatisiert werden könnte? Wenn alle fünf Fragen beantwortet werden können, vor allem die letzte mit einem positiven Mehrwert, dann habt ihr einen Use Case.

00;23;08;11 - 00;23;10;27
Wenn nicht, dann habt ihr lediglich eine Hypothese.

00;23;11;02 - 00;23;33;04
In der nächsten Episode setzen wir noch einen drauf. Wir haben jetzt gesehen, was KI kann. Wir haben gesehen, wie man es richtig einsetzt. Aber was ist mit den Regeln, die dabei gelten müssen? Mit Prozessen und Verantwortlichen? Mit Datenschutz, Haftung, Compliance, Episode fünf - Governance und Compliance. Nicht als Bremse, sondern als das, was sie sind gut geführten Organisationen wirklich ist. Das Fundament für nachhaltige, produktive Lösungen.

00;23;33;05 - 00;23;34;29
Schaltet also wieder ein. Wir sind.

00;23;35;00 - 00;23;35;17
Irene Racher

00;23;35;19 - 00;23;39;29
und Ralph Zlabinger. Danke an unsere Producerin Viktoria Dabrowska und bis zur nächsten Folge.