Fallstudie: AI Lab
Das Projekt
Ein AI Lab, das Entscheidungen beschleunigt
Kunde: Unternehmen (anonym)
Aufgabe: Konzept für ein AI Lab
Ergebnis: neues Steuerungsmodell mit „Value Sherpas“; Start mit 3 gesponserten Anwendungsfällen, Skalierung binnen 6 bis 12 Monaten
Zeitraum:
Q4/2025
Themen:
KI-Strategie, KI-Governance, Programm-Management
Stichworte:
Value Sherpas, Buy/Adopt/Make, Zielbetriebsmodell
Kunde:
ein Unternehmen, das anonym bleiben möchte
Die Herausforderung
Die Organisation stand am Anfang ihrer KI-Reise und wusste: Sie musste schneller werden. Ein AI Board gab es bereits, doch dort wurden Entscheidungen eher zerredet, als dass Wege nach vorn entstanden. Das bestehende Demand Management konnte die Anforderungen an KI-Vorhaben nicht erfüllen.
Die Ursachen lagen in der Struktur: Es gab kein einheitliches Vorgehensmodell. Ob ein Anwendungsfall sich rechnet und welches Risiko er trägt, wurde bestenfalls manuell geprüft. Die Governance war auf Sicherheit statt auf Innovation ausgelegt, und jedes Vorhaben durchlief dieselben Freigaben, von der IT-Wartung bis zum KI-Projekt. Die Folge war ein Entscheidungsstau bei Ressourcen, Daten und Modellen.
Die Lösung
Ich habe ein Konzept für ein AI Lab entwickelt, das Tempo und Sorgfalt verbindet. Es macht die Governance vom Bremser zum Ermöglicher und übersetzt die KI-Strategie in einen klaren Ablauf:
- Klare Rollen: Der Vorstand sponsert, das AI Board gibt die Strategie vor und entscheidet über Anwendungsfälle, das AI Lab steuert die Umsetzung, ein Delivery-Team baut und betreibt die Lösungen.
- Value Sherpas: Eine neu definierte Rolle begleitet die Fachbereiche von der Idee bis zum Business Case und sorgt dafür, dass nur Anwendungsfälle mit belegtem Nutzen weiterlaufen.
- Buy, Adopt, Make: Drei Wege von der Standardlösung über Low-Code bis zur Eigenentwicklung. Der Weg gibt einen ersten Hinweis auf die nötige Prüftiefe. Das tatsächliche Ergebnis liefern die Impact-Prüfung, also wie stark Kunden, Mitarbeitende und andere Stakeholder betroffen sind, und die Risikoprüfung des einzelnen Anwendungsfalls.
- Losgröße 1: Jeder Anwendungsfall wird einzeln nach Wert und Risiko bewertet, läuft aber über eine standardisierte Pipeline. Die Teams werden pro Fall aus einem zentralen Pool von Spezialisten zusammengestellt.
- Zielbetriebsmodell: Vier Ebenen von Strategie und Governance über Sourcing und Daten bis zum Betrieb mit MLOps und AIOps, dazu eine RACI-Matrix und ein Steuerungsprozess mit Risikobewertung und klarer Go/No-Go-Entscheidung, ausgerichtet auch am EU AI Act.
Das Ergebnis
Das AI Lab startet als virtuelle Einheit mit wenigen festen Köpfen und 3 vom Vorstand gesponserten Anwendungsfällen. Auf dieser Grundlage soll es binnen 6 bis 12 Monaten skalieren. Statt Grundsatzdebatten gibt es damit einen klaren Weg von der Idee zum Nutzen: jede Entscheidung mit Verantwortlichem, jeder Anwendungsfall mit Business Case, Qualität und Risiko im Blick.
Kernpunkte
- KI-Strategie und Governance
- Value Sherpas für Anwendungsfälle mit Nutzen
- Buy, Adopt, Make
- Go/No-Go mit Risikobewertung