KI im Großkonzern: Wie die Deutsche Bahn 220.000 Menschen in die KI-Transformation bringt

In dieser Jubiläumsfolge ist Michael Drass zu Gast. Er ist Chief AI Officer der Deutschen Bahn. Zum 100. Mal geht Felix der Frage nach, wie KI-Transformation in Unternehmen wirklich funktioniert. Dieses Mal in einer der komplexesten Organisationen Deutschlands: mehr als 220.000 Mitarbeitende, geschäftskritische Infrastruktur, historisch gewachsene Systeme und ein Umfeld, in dem Geschwindigkeit immer mit Sicherheit, Mitbestimmung und Verantwortung zusammengebracht werden muss.

Michael zeigt, warum KI bei der Bahn längst mehr ist als generative KI im Büro. Von Prognosemodellen in der Instandhaltung über Reinforcement Learning in der Zugdisposition bis zum konzernweiten Copilot-Rollout geht es um messbare Wirkung in den Kernprozessen. Gleichzeitig sprechen Felix und Michael offen über die Nebenwirkungen agentischer Arbeit: kognitive Schulden, verlorenes Prozessverständnis und die Gefahr, schlechte Abläufe einfach mit Agenten zu überbauen.

Über den Gast

Michael Drass ist Chief AI Officer der Deutschen Bahn und verantwortet zentrale Leitplanken für KI-Strategie, Governance und Plattformen. Sein fachlicher Weg begann im Bauingenieurwesen: Als promovierter Statiker arbeitete er an Simulationen für außergewöhnliche Konstruktionen und forschte später unter anderem daran, wie Züge als Sensoren für den Zustand von Bahnbrücken genutzt werden können.

2021 wechselte Michael zur Deutschen Bahn. Dort arbeitete er zunächst an der Integration von KI in operative Kernprozesse und baute unter anderem Strukturen rund um eine zentrale KI-Plattform auf. Heute versteht er seine Rolle weniger als zentrale Kontrolle, sondern als Transformationsbegleitung: Das Fundament entsteht zentral, die eigentliche Wirkung im dezentralen Geschäft.

KI im Großkonzern: zentral befähigen, dezentral wirken

Für Michael ist KI kein Selbstzweck. Sie muss in den Kernprozessen der Bahn einen messbaren Wirkhebel erzeugen, unabhängig davon, ob es sich um klassische Prognosemodelle, generative KI oder agentische Systeme handelt. Gerade in einem „Heavy-Metal-Konzern“ reicht es nicht, das neueste Sprachmodell einzuführen. In Instandhaltung, Disposition, Bau, Finance oder Fahrplanung braucht jeder Anwendungsfall die passende Technologie.

Die zentrale Organisation setzt dafür Governance-Standards, strategische Leitplanken und eine gemeinsame Plattform. Der Nutzen entsteht jedoch dort, wo Mitarbeitende in den Geschäftsbereichen konkrete Probleme lösen. Diese Verteilung ist für Michael entscheidend: In einer Organisation dieser Größe lässt sich KI nicht zentral überblicken oder besitzen.

„KI kann man nicht verantworten in dem Sinne, sondern es gehört irgendwie uns allen und jeder muss seinen Beitrag leisten.“

Erfolg bedeutet für ihn deshalb, dass KI über alle Bereiche hinweg zu einer selbstverständlichen Begleiterin im Arbeitsalltag wird, und zwar für White-Collar- ebenso wie für Blue-Collar-Arbeit.

Unsichtbare KI: von der Instandhaltung bis zur Zugdisposition

Die Deutsche Bahn entwickelt und nutzt seit vielen Jahren eigene KI-Modelle. Lange vor dem heutigen GenAI-Hype lag der Fokus auf operativen Problemen: Daten aus Instandhaltung und Zugbetrieb aufbereiten, Ausfälle prognostizieren und Entscheidungen in komplexen Systemen unterstützen.

Ein Beispiel ist die automatisierte Bereitstellung von Zügen in der Werkstatt. Kameras und Bilderkennung helfen dabei zu prüfen, ob notwendige Komponenten und Materialien vorhanden sind, bevor ein Zug in den nächsten Arbeitsschritt geht. Dadurch werden Verzögerungen früh sichtbar, statt erst während der Instandhaltung aufzutauchen.

Besonders eindrücklich ist das Beispiel der S-Bahn München. Für das abgeschlossene Netz wurde ein digitaler Zwilling mit Live-Daten der Zugläufe aufgebaut. Reinforcement-Learning-Agenten können darin mögliche Entscheidungen in die Zukunft simulieren und Vorschläge machen, wie sich Pünktlichkeit durch frühzeitiges Wenden oder andere Dispositionsentscheidungen verbessern lässt.

„Wir reden jetzt von agentischer Transformation und alles ist agentic. Herzlichen Glückwunsch: Wir waren in diesem abgeschlossenen System schon vor fünf Jahren so weit.“

Das Datenfundament entscheidet

Hinter diesen Anwendungen steht weniger Magie als konsequente Datenarbeit. Michael betont, dass KI-Modelle trainiert werden müssen und ihre Qualität direkt von den verfügbaren Daten abhängt. Deshalb braucht es Klarheit darüber, wer Data Owner ist, in welchen Systemen Daten entstehen, wie ihre Qualität bewertet wird und wie sie im Konzern auffindbar und nutzbar werden.

Die Bahn arbeitet dafür mit Datenkatalogen und einem möglichst einfachen Zugriff auf freigegebene Datenprodukte. Gerade bei geschäftskritischen Anwendungen entscheidet dieses Fundament darüber, ob ein Modell nur eine überzeugende Demo liefert oder zuverlässig im operativen Betrieb unterstützt.

Dasselbe gilt für Kommunikation. Bei einer konzernweiten Initiative hat Michaels Team die menschlich geprüfte Faktenbasis bewusst in einem zentralen Markdown-Dokument festgehalten. Erst danach wurden daraus E-Mails, Intranet-Inhalte und weitere Formate erzeugt. Der Mensch setzt die Ground Truth, die KI skaliert sie.

„Wenn da ein Fehler sich einschleicht, multipliziert er sich in alle Richtungen.“

Copilot für mehr als 220.000 Mitarbeitende

Ein KI-System in der Fläche zu aktivieren ist technisch oft nur ein Klick. Transformation entsteht dadurch noch nicht. Die Deutsche Bahn muss beim Rollout von Copilot einen Querschnitt der Gesellschaft erreichen: Menschen mit sehr unterschiedlichen Rollen, digitalen Erfahrungen und Erwartungen an KI.

Dafür setzt die Bahn auf Nutzergruppen-gerechte Enablement-Formate: vom Einstieg bis zu fortgeschrittenen Anwendungen und eigenen Modellen. Allein in diesem Jahr wurden laut Michael bereits mehr als 30.000 Schulungen durchgeführt. Ziel ist nicht nur Bedienkompetenz. Mitarbeitende sollen verstehen, dass sie für die Ergebnisse von KI weiterhin Verantwortung tragen.

Der Rollout wird deshalb von Anfang an mit Betriebsräten, Datenschutz, IT- und KI-Governance abgestimmt. Michaels Bild dafür: „Tunnel bohrt man von zwei Seiten.“ Top-down braucht es sichere Plattformen, Standards und Orientierung. Bottom-up braucht es Menschen, die experimentieren, konkrete Probleme kennen und kreative Anwendungen entwickeln.

Ein Großkonzern braucht unterschiedliche Geschwindigkeiten

Das Tempo der KI-Entwicklung trifft bei der Bahn auf Legacy-Systeme, Regulierung und eine enorme organisatorische Vielfalt. Michael hält es deshalb für falsch, überall dieselbe Umsetzungsgeschwindigkeit zu erzwingen.

In der Softwareentwicklung ist der Reifegrad agentischer Systeme bereits hoch. Dort können Agenten entlang des gesamten Entwicklungslebenszyklus unterstützen, etwa beim Erstellen von Tests, bei Dokumentation oder beim Durchlaufen von Governance-Prozessen. In anderen Bereichen sind Technologie, Datenlage oder Betriebsmodell noch nicht stabil genug für eine breite Einführung.

Die Konsequenz ist ein bewusst differenziertes Vorgehen: schnelle Bahnen dort, wo Nutzen und Reifegrad belegt sind; ein ganzheitlicher Plattformansatz dort, wo eine vorschnelle Skalierung Risiken und technische Schulden erzeugen würde. Innovation soll nicht blockiert werden, aber sie muss in einen dauerhaft betreibbaren Rahmen überführt werden.

Governance als Beschleuniger statt Bremse

Generative KI wurde bei der Bahn früh mit allen relevanten Stakeholdern an einem Tisch diskutiert: Datenschutz, Mitbestimmung, Architektur, Umsetzung, Strategie und Business. Am Anfang mussten diese Gruppen erst eine gemeinsame Sprache finden. Aus diesem Prozess entstand ein GenAI-Ökosystem mit Chat-Funktionen, LLM-Zugängen und wiederverwendbaren Plattformbausteinen.

Viele Anforderungen sind dabei nicht neu. Wer Software mit personenbezogenen Daten entwickelt, braucht Datenschutzprüfungen und gegebenenfalls Mitbestimmung. Der AI Act ergänzt weitere Prüf- und Dokumentationspflichten. Entscheidend ist, diese Anforderungen nicht erst kurz vor dem Go-live anzuhängen, sondern als Guardrails in Entwicklungsprozesse und Agenten-Harnesses einzubauen.

Ein Playground hilft, neue Fähigkeiten zu testen, ohne jeden Versuch sofort in ein langlebiges IT-Produkt umzuwandeln. Experimente dürfen dort bewusst wieder abgerissen werden. Was in Produktion geht, braucht dagegen Ownership, Incident Management, Testbarkeit und einen verlässlichen Betrieb.

Kognitive und Intent-Schulden durch agentisches Arbeiten

Michael beschreibt neben klassischen technischen Schulden zwei neue Risiken: kognitive Schulden und Intent-Schulden. Kognitive Schulden entstehen, wenn ein Team den von Agenten erzeugten Code, die Tests und die Dokumentation nicht mehr vollständig versteht. Intent-Schulden entstehen, wenn der ursprüngliche Grund für Funktionen und Entscheidungen verloren geht.

Felix und Michael erkennen dieses Muster auch in der eigenen Arbeit. Agenten können stundenlang Code erzeugen und auf einer Metaebene viele Dinge gleichzeitig verändern. Das wirkt zunächst produktiv, erschwert aber Fehleranalyse und Wartung, wenn der Mensch die Abzweigungen nicht mehr nachvollziehen kann.

Deshalb braucht agentische Softwareentwicklung bewusst gesetzte Grenzen: kleinere Arbeitspakete, klare Guardrails, nachvollziehbare Tests und regelmäßige menschliche Kontrolle. Autonomie ist kein Selbstzweck. Sie muss so gestaltet werden, dass Teams die Kontrolle über Produkt und Absicht behalten.

KI kann Zeit zurückgeben, wenn der Mensch das Denken behält

Michael nutzt KI intensiv in seinem eigenen Arbeitsalltag: für Tagesbriefings, Suche nach Informationen, E-Mails und selbst gebaute Softwarewerkzeuge. Der größte Wert liegt für ihn jedoch nicht darin, noch mehr Aufgaben in denselben Tag zu pressen. KI kann Zeit für Führung, Workshops und echte Gespräche zurückgeben.

„Die KI schenkt uns diese Zeit, um wieder stärker auf den Menschen zu gucken.“

Gleichzeitig beobachten beide eine Gegenbewegung. Wer jeden Gedanken sofort an KI delegiert, verliert Übung im kritischen Denken und erinnert sich schlechter an Inhalte. Felix beschreibt, wie gut es ihm tat, ein Führungskräfteprogramm zunächst mit Papier und Stift zu entwerfen und erst danach KI für die Weiterverarbeitung zu nutzen. Die Leitplanken wurden dadurch klarer und das Ergebnis besser.

Die zentrale Kompetenz ist deshalb nicht, möglichst viel KI zu verwenden, sondern bewusst zu entscheiden, wann eigenes Denken, menschliche Interaktion oder ein einfaches Werkzeug die bessere Wahl sind.

Prozess vor Agent

Beim Blick auf agentische Systeme bringt Michael die Diskussion immer wieder zum Ausgangspunkt zurück: Unternehmen sollten nicht in KI denken, sondern in ihren Prozessen, Arbeitsabläufen und Daten. Ein Agent auf einem schlechten Prozess kann kurzfristig entlasten, löst aber weder schlechte Schnittstellen noch unklare Verantwortlichkeiten.

„KI und agentische KI ist auch keine Zauberwaffe. Wenn das Fundament nicht da ist, kannst du auch nicht erwarten, dass das KI-System alle Probleme der Welt löst.“

Für die Bahn bedeutet das: zuerst den Gesamtprozess verstehen, dann gezielt einzelne Schritte agentisch unterstützen. Guardrails werden maschinenlesbar gemacht, Testfälle agentisch vorbereitet und Governance-Dokumentation unterstützt. Neue Systeme laufen zunächst kontrolliert und werden über längere Zeit beobachtet, auch weil sich Modelle verändern und einmal getestetes Verhalten später driften kann.

Kernaussagen

1. KI gehört nicht einer Zentrale: „KI kann man nicht verantworten in dem Sinne, sondern es gehört irgendwie uns allen und jeder muss seinen Beitrag leisten.“ Transformation, Ownership, Dezentralität
2. Daten sind das Fundament: Operative KI funktioniert nur mit klarer Datenverantwortung, hoher Datenqualität und verlässlichem Zugriff. Datenplattform, Qualität, Kernprozesse
3. Enablement ist Teil des Rollouts: Ein technischer Klick skaliert ein Tool, aber erst Schulung, Mitbestimmung und nutzergerechte Begleitung verändern die Arbeit. Copilot, Adoption, Verantwortung
4. Agentische Systeme brauchen unterschiedliche Geschwindigkeiten: In reifen Bereichen wie Softwareentwicklung kann die Bahn schneller vorangehen; andere Anwendungen brauchen zuerst Plattform und Governance. Reifegrad, Skalierung, Governance
5. Autonomie erzeugt neue Schulden: Wenn Teams Code und Absicht nicht mehr verstehen, werden kognitive und Intent-Schulden zum Betriebsrisiko. Agentic Coding, Wartbarkeit, Kontrolle
6. KI soll Zeit für Menschen schaffen: Produktivität ist nicht nur mehr Output, sondern mehr Raum für Führung, Zusammenarbeit und konzentriertes Denken. Leadership, Fokus, Mensch
7. Prozess vor Technologie: Agenten reparieren keine schlechten Abläufe; zuerst müssen Prozess, Daten und Schnittstellen stimmen. Prozessdesign, Datenqualität, Agenten

Fazit und Takeaways

Für KI-Verantwortliche in Großunternehmen

• Zentrale Fundamente, dezentrale Wirkung: Baue Plattform, Governance und Leitplanken gemeinsam auf, aber lasse die Fachbereiche konkrete Probleme und Nutzen verantworten.
• Nach Reifegrad differenzieren: Nicht jeder Bereich braucht dasselbe Tempo. Beschleunige dort, wo Technologie und Betriebsmodell tragen.
• Enablement als Produkt denken: Segmentiere Schulungen und Unterstützung nach Rolle, Erfahrung und Anwendungskontext.

Für Führungskräfte

• Zeit bewusst reinvestieren: Nutze den Produktivitätsgewinn der KI für bessere Gespräche, Entscheidungen und Teamarbeit, nicht nur für mehr Output.
• Ground Truth menschlich setzen: Fakten, Absicht und kritische Botschaften müssen vor der Skalierung geprüft und eindeutig sein.
• Eigene Denkfähigkeit schützen: Definiere Leitplanken selbst und nutze KI anschließend zur Ausarbeitung, Kritik und Skalierung.

Für Agenten- und Softwareteams

• Prozess vor Agent: Kläre Ablauf, Datenqualität, Schnittstellen und Verantwortung, bevor du Autonomie hinzufügst.
• Kognitive und Intent-Schulden messen: Stelle sicher, dass das Team nicht nur den Output, sondern auch Code, Tests und ursprüngliche Entscheidungen nachvollziehen kann.
• Kontinuierlich testen: Beobachte Systeme nach dem Go-live weiter. Modellwechsel und Drift können bereits validiertes Verhalten verändern.

Die Deutsche Bahn zeigt, dass KI-Transformation im Großkonzern weder durch den neuesten Modell-Release noch durch einen zentralen Rollout entsteht. Wirkung entsteht aus einem belastbaren Daten- und Plattformfundament, klarer Governance, unterschiedlichen Umsetzungsgeschwindigkeiten und Menschen, die Verantwortung übernehmen. Genau diese Verbindung macht aus einzelnen KI-Projekten eine nachhaltige Transformation.