Inhalte
"Mitarbeitende klagen frustriert darüber, dass sie ihre Zeit mit der Suche nach Informationen verlieren."
– Rob Ryan, 2024
Zersplitterte Wissensbestände, eine undefinierte Informationsstrategie und der falsche Einsatz von Technologien wie KI – das sind heute nur einige der Stolpersteine, die eine effiziente Nutzung von Unternehmenswissen behindern.
In den letzten Jahren konnte ich verschieden Platformen aufbauen, die auf Informationsmanagement fokussieren.
- Unternehmensweite Suchplattform
- Geschäftsanalytik/ Business intelligence Plattform
- Chatbot Fabrk (Cognigy, N8N)
- Large language model basierte Informationsassistenten
Ich beobachte den Markt nach aktuellen Entwicklungen und gleiche diese mit der Realität der Unternehmensdatenstrukturen ab – meine Einschätzungen teile ich in Fachbeiträgen und Posts.
Wenn Sie tiefergehende Einblicke in die Auswirkungen von Large Language Models auf das Management von Dokumenten oder BI-Daten gewinnen möchten biete ich folgende Paper an:
Executive summary (Deutsch)
Seit 2023 ist generative KI von der exotischen Technologie zur strategischen Pflichtaufgabe geworden. Unternehmen haben seither viel darüber gelernt, welche Möglichkeiten und Limitierungen die Technologie mitbringt – in Bereichen wie Programmierung oder Kundenservice wird bereits greifbar, wie sie die Leistungserbringung von morgen prägen wird.
Gleichzeitig wächst die kritische öffentliche Sicht auf KI. Das Edelman Trust Barometer zeigt eine zunehmende kritische Haltung gegenüber Digitalisierungsprojekten. Sobald es um den eigenen Arbeitsplatz, die eigenen Daten oder die eigene berufliche Zukunft geht, kippt die sonst neugierige Haltung in skeptische Distanz. Wer heute KI einführt, tut das unter den Augen von Mitarbeitern, Kunden, Öffentlichkeit und Regulierern.
Die Kernthese dieses Beitrags: Wer KI erfolgreich einführen will, muss Vertrauen aktiv aufbauen. Der Fokus liegt darauf, jene Kernanforderungen aus der verantwortungsvollen Nutzung von KI herauszuarbeiten, die sich in den Dienst von Innovation, Transformation und Strategieentwicklung stellen. Richtig aufgesetzt wirken sie wie ein Kanal, der hohe Geschwindigkeit bei der Entwicklung Ihrer Organisation erst ermöglicht.
Executive summary
Large Language Models und KI-Agenten haben eine Welle von Erwartungen an die Automatisierung der Lieferkette ausgelöst – doch der Weg von beeindruckenden Piloten zu echtem Mehrwert im Unternehmen wird oft durch „Data Gravity" blockiert. Während der Hype den kompletten Ersatz menschlicher Rollen verspricht, liegt der ROI eher in der disziplinierten Integration von Large Language Models (LLMs) in komplexe, strukturierte Datenumgebungen (ERP/BI).
Dieses Paper schlägt die Brücke zwischen Versprechen und Praxis und skizziert die entscheidenden Säulen für SCM-Verantwortliche:
- Verlässliche Architekturen: Weg von reinen Chat-Interfaces, hin zu fundierten Systemen. Wir zeigen, wie sich LLMs in deterministischen Datenzugriffen (SQL/APIs) und Retrieval-Augmented Generation (RAG) verankern lassen, um „Prozesswahrheit" sicherzustellen.
- Anwendungsfälle und Best Practices für die Implementierung von KI-Agenten. Sie helfen dir, deine Initiativen in den strategischen Kontext deines Unternehmens einzubetten. So erreichst du nicht nur den Break-even deiner Lösungen, sondern kannst gezielt Prioritäten bei Datenqualität und Integration setzen."
- Die strategische Evolution (LPM): Wir stellen das Konzept der Large Process Models (LPMs) vor – ein aufkommendes Framework, das LLMs mit Process Mining und Knowledge Graphs kombiniert, um End-to-End-Supply-Chain-Intelligenz zu orchestrieren.
- Governance als Enabler: Ein Perspektivwechsel – weg von Governance als Einschränkung, hin zu einer Kontrollebene, die Nachvollziehbarkeit, Sicherheit und Human-in-the-Loop-Verantwortung sicherstellt.
Schon geringe prozentuale Verbesserungen bei Bestandsmanagement, Transport und Planungsgenauigkeit schlagen sich in finanziellen Effekten in Millionenhöhe nieder. Dieses Dokument bietet einen praxisnahen Orientierungspunkt für IT-Strategien – und hilft Managern, den Schritt vom isolierten „MVP-ing" hin zu skalierbaren, agentischen SCM-Lösungen zu gehen.
Executive summary
Um 2015 versuchten viele Organisationen, ihre schwächelnden Intranet-Suchen zu reparieren, indem sie eine Google-ähnliche Suche draufschraubten. Die daraus entstandenen „Enterprise-Search"-Plattformen brachten durchaus Fortschritte – bessere Nutzeroberflächen, föderierte Konnektoren, euphorische Pilotprojekte – blieben aber hinter den Erwartungen der Anwender zurück und kämpften oft mit der Wirtschaftlichkeit.
Large Language Models (LLMs), erweitert um Retrieval-Augmented Generation (RAG), versprechen einen Neuanfang: konversationelle Antworten in jeder Sprache, intent-basiertes Ranking und Zusammenfassungen auf Abruf. Doch sie bringen auch neue Herausforderungen mit – Halluzinationen, intransparente Trainingsdaten, Compliance-Aufwand und zusätzliche Kosten.
Dieses Paper destilliert ein Jahrzehnt an Lessons Learned aus dem Search-Umfeld und überträgt sie auf die rasant wachsende LLM-Landschaft. Das Fazit: RAG-Lösungen können den Zugang zu unstrukturiertem Wissen tatsächlich verbessern – vorausgesetzt, Organisationen starten klein, fokussieren sich auf nutzerzentrierte Use Cases, schaffen klare Verantwortlichkeiten für Datenqualität und behandeln LLMs als eine Ebene innerhalb einer disziplinierten Informationsmanagement-Strategie.
Dieses Paper basiert auf dem Austausch mit verschiedenen global agierenden Großunternehmen aus dem Industriesektor, die sich damals mit Enterprise Search beschäftigt haben.
Folge mir auf LinkedIn
Buche einen Austausch
Frank Giroux
Kontakt: Frank.giroux.ai@pm.me
