Von der Geschäftsstelle bis zum Trainingsplatz: KI-Transformation beim VfL Wolfsburg

Intro

Wie setzt ein Bundesliga-Club KI wirklich ein — nicht in der Pressemitteilung, sondern im Alltag? Claudio Demmer, verantwortlich für Business Innovation beim VfL Wolfsburg, und Dr. Matthew Caron, Head of Data Science im Sportbereich, geben in dieser Episode seltene Einblicke in die KI-Transformation eines Profivereins. Zwei Welten, eine Organisation: Generative KI in der Geschäftsstelle mit über 250 identifizierten Anwendungsfällen trifft auf Machine Learning auf dem Trainingsplatz, wo 3,6 Millionen Datenpunkte pro Spiel in Echtzeit verarbeitet werden. Ein Gespräch über die menschliche Seite der Technologie-Einführung, den Wert einer soliden Datenplattform und die Frage, was passiert, wenn bald 40 Millionen Datenpunkte pro Spiel zur Verfügung stehen.

Inhaltsübersicht

Die doppelte KI-Strategie des VfL Wolfsburg: Business Innovation versus Sport-Data-Science
Wie der Verein KI intern eingeführt hat: Von Experience-Sessions über Workshops bis zum flächendeckenden Rollout
Über 250 identifizierte Anwendungsfälle auf der Geschäftsseite — vom Spielbericht bis zur Rasendiagnose
Warum ChatGPT Enterprise die richtige Wahl war: Single-Tool-Strategie und niedrige Eintrittsbarrieren
Live-Matchday-Analyse: Das Cockpit-Prinzip mit 3,6 Millionen Datenpunkten pro Spiel
Formationserkennung, Pressing-Muster und Spielsimulationen als konkrete Use Cases
Die Datenplattform als Fundament: Hunderte Tabellen, Milliarden Datenpunkte, täglich aktualisiert
Warum ohne Datenstrategie keine KI-Strategie funktioniert
Trainer überzeugen: Vertraute KPIs statt unbekannte Modellwerte
Skeletondaten ab nächster Saison: Von 3 auf 40 Millionen Datenpunkte pro Spiel
Agentisierung ganzer Arbeitsprozesse und die neue Führungsfrage

Über die Gäste

Claudio Demmer verantwortet Business Innovation beim VfL Wolfsburg und hat dort die KI-Einführung auf der Geschäftsseite geleitet. Seit zehn Jahren im Verein, hat er sich in zweieinhalb Jahren vom Thema Web3 und Startup-Kooperationen zum zentralen KI-Treiber der Organisation entwickelt. Sein Ansatz: intensive Workshops mit allen Abteilungen, niedrige Eintrittsbarrieren und der Mensch im Mittelpunkt der Transformation.

Dr. Matthew Caron leitet Data Science im Sportbereich des VfL Wolfsburg, direkt am Trainingsgelände. Er hat in Machine Learning promoviert und Erfahrung im Profi-Handball und Profifußball gesammelt. Sein Team hat in zwei Jahren eine eigene Datenplattform aufgebaut und verarbeitet täglich Millionen von Datenpunkten aus GPS-Trackern, Kameras, Herzfrequenz-Sensoren und externen Datenanbietern — daraus entstehen Modelle für Taktik, Gesundheit und Scouting.

Detaillierte Zusammenfassung

Zwei Welten, ein Verein: Gen-AI trifft Machine Learning

Der VfL Wolfsburg zeigt exemplarisch, wie unterschiedlich KI in ein und demselben Unternehmen wirken kann. Auf der Geschäftsseite geht es Claudio primär um generative KI: Content-Erstellung, Prozessautomatisierung, Dienstleistungsersatz. Im Sport hingegen dominiert bei Matthew klassisches Machine Learning — Prognosemodelle, Mustererkennung, datenbasierte Entscheidungshilfen für Trainer und Analysten. Felix fasst es treffend zusammen: Bei Claudio ist generative KI für die Art und Weise der Arbeit relevant, bei Matthew geht es darum, aus riesigen Datenmengen möglichst korrekte Prognosen zu machen.

Die beiden Welten existieren nicht isoliert. Claudio und Matthew pflegen einen regelmäßigen Austausch und arbeiten gerade an einem gemeinsamen Projekt zur Vertriebsautomatisierung. Claudio betont, er hätte sich Matthews Expertise deutlich früher holen sollen: „Wir haben uns sehr viel Hilfe von außen geholt. Hätte aber Matthew, so er die Zeit gehabt hätte, deutlich früher mit einbezogen.“

Die KI-Einführung auf der Geschäftsseite: Workshops, Vertrauen und 250 Use Cases

Claudio startete 2022/23 mit einer zentralen Frage: Was machen meine Kollegen eigentlich den ganzen Tag — und was davon kann KI übernehmen? Die Antwort: deutlich mehr als erwartet. Der Ansatz begann mit einer grundlegenden organisatorischen Entscheidung: Ist KI ein IT-Thema oder ein Business-Innovation-Thema? „Das war nicht eine halbstündige Diskussion. Das waren mehrere Wochen.“ Die Entscheidung fiel zugunsten Business Innovation — ein Schritt, den Claudio als entscheidend für die Akzeptanz im Unternehmen bewertet.

Der Einführungsprozess setzte auf niedrige Eintrittsbarrieren. Mitarbeiter-Experience-Sessions, bei denen verschiedene KI-Tools auf Handys vorinstalliert waren, brachten erste Berührungspunkte. Parallel wurde Mixed Reality getestet — MetaQuest 3 und ähnliche Geräte. Das Ergebnis: Die Neugier und Offenheit gegenüber neuer Technologie stieg massiv, Vertrauen zu Claudios Team wurde aufgebaut, und die Kollegen kamen freiwillig in die anschließenden Workshops.

In den Workshops wurden Arbeitsprozesse gemeinsam skizziert: Vom morgendlichen Arbeitsbeginn bis zur spezifischen Aufgabe — wie sieht ein Tag im Greenkeeping aus, was macht die Kommunikationsabteilung? So entstanden über 250 identifizierte Anwendungsfälle, die mit GPTs oder anderen ChatGPT-Funktionen gelöst werden können. Ein besonders überraschender Case: Die Rasendiagnose. Das Greenkeeping-Team nutzt jetzt ein GPT, das Fotos vom Bundesliga-Rasen analysiert und Pilzerkrankungen identifiziert — ein Anwendungsfall, der zeigt, wie weit KI-Einsatz über klassische Büroarbeit hinausgehen kann.

Nicht mehr das performanteste bedeutet ja nicht nicht performant.

Zur Tool-Wahl hat Claudio eine klare Haltung: Der VfL fährt eine Single-Tool-Strategie mit ChatGPT Enterprise. Für die Mitarbeiter zählt ein Tool, das gut funktioniert, gute bis sehr gute Ergebnisse liefert und einfach zu bedienen ist. Ständig zwischen Tools zu wechseln würde im Chaos enden. Die messbaren Ergebnisse: sechsstellige Einsparungen durch ersetzte Dienstleistungen und konservativ geschätzte 45 Minuten Zeitersparnis pro Mitarbeiter pro Woche.

Live-Matchday-Analyse: Das Cockpit-Prinzip im Profifußball

Matthews Vision ist konkret: Ein Werkzeugkasten für jeden Matchday, den Spielanalysten und Datenanalysten live im Stadion nutzen können — ähnlich dem Cockpit in der Formel 1. Die Datenbasis ist beeindruckend: 3,6 Millionen Datenpunkte pro 90-Minuten-Spiel, 25 Datenpunkte pro Sekunde pro Spieler und Ball. Dazu kommen Daten aus GPS-Trackern, Herzfrequenz-Sensoren, Kameras und externen Anbietern sowie Machine-Learning-Modelle wie xG für die Torwahrscheinlichkeit.

Die konkreten Use Cases, über die Matthew sprechen kann, sind vielfältig: Formationserkennung in Echtzeit — wo das menschliche Auge Sekunden oder Minuten braucht, kann die Maschine sofort klassifizieren und eine Information weitergeben. Pressing-Muster-Erkennung, die live erkennt, wenn sich im Spielverhalten etwas verändert, und antizipiert, wo Lücken entstehen könnten. Dazu Simulationen: Spielsimulationen, Startelf-Simulationen, Transfer-Simulationen — Entscheidungsunterstützung, bevor die wichtige Entscheidung fällt.

„Wir haben tatsächlich viel zu viel Daten, viel mehr als wir fast verarbeiten könnten — und das ist das Schöne dabei.“ Das Team hat eine Datenbank mit mehreren hundert Tabellen und Milliarden Datenpunkten aufgebaut, täglich aktualisiert. Dieses Luxusproblem ist nur möglich durch eine solide Dateninfrastruktur, die es erlaubt, bei jeder neuen Fragestellung sofort loszulegen, ohne monatelange Datenbeschaffung.

Daten und Prozesse: Die eigentliche KI-Grundlage

Claudio bringt eine zentrale Erkenntnis auf den Punkt: „KI ist eigentlich nichts anderes als ein Nutzengenerator genau dort, wo Daten und Prozesse zugänglich sind.“ Auf der Sportseite hat Matthew diesen Status bereits erreicht. Auf der Geschäftsseite ist es noch ein laufendes Projekt.

Was auf der Verwaltungsseite noch fehlt: eine fundierte Datenstrategie, engere Verzahnung von Prozessdokumentation und KI-Implementierung, bessere Klassifizierung und Zugänglichkeit von Daten, die bislang in Silos oder Köpfen stecken. „Ich würde das Thema Daten und Prozesse früher mitdenken. Die Relevanz dieser beiden Komponenten ist einfach massiv — auch schon beim Thema generativer KI.“ Ein Prozessteam auf Verwaltungsseite existiert bereits: Zwei Kollegen identifizieren und skizzieren Prozesse im Detail. Die Aufgabe der nächsten Wochen ist es, dieses Prozesswissen mit der KI-Strategie noch enger zu verzahnen.

Trainer überzeugen und der Blick in die Zukunft

Auf die Frage, wie man einen erfahrenen Trainer überzeugt, dem Machine-Learning-Modell zu vertrauen, ist Matthew pragmatisch: Der direkte Draht zum Cheftrainer wird bewusst minimiert, um den Informationsfluss zu optimieren. Die Kommunikation läuft über Spielanalysten und Performance-Trainer als Vermittler. Das Rezept: vertraute KPIs, klare Mehrwerte und Geduld. „Wenn wir jetzt mit komplett neuen Werten kommen, die niemand in der Fußballwelt kennt, dann braucht man eine Einarbeitungszeit.“

Von 3 Millionen auf 40 Millionen Datenpunkte pro Spiel. Jetzt wird Kreativität angesagt: Was wollen wir wirklich klar definieren und erkennen?

Auf der Sportseite steht ein gewaltiger Sprung bevor: Ab der nächsten Saison kommen Skeletondaten von der Liga — nicht mehr nur Punkte auf dem Platz, sondern alle Körperteile aller Spieler werden getrackt. Matthew sieht die nächsten fünf Jahre als Phase des Wachstums: Die Maschinen und Rechenkapazitäten sind da, die Daten werden mehr — jetzt muss das Team den Rest nachliefern.

Auf der Geschäftsseite sieht Claudio die nächste Stufe in der Agentisierung ganzer Arbeitsprozesse. Damit kommt eine neue Führungsfrage: „Wir werden nicht nur noch Menschen führen, sondern auch Agentensysteme — und vielleicht führen auch Agentensysteme Mitarbeiter.“ Claudio sieht das nicht als Science-Fiction, sondern als strukturelle Herausforderung, auf die sich Unternehmen jetzt vorbereiten müssen.

Kernaussagen

KI als Nutzengenerator — „KI ist eigentlich nichts anderes als ein Nutzengenerator genau dort, wo Daten und Prozesse zugänglich sind.“ Datenstrategie, Prozesszugänglichkeit
Hybride Führung — „Wir werden nicht nur noch Menschen führen, sondern auch Agentensysteme — und vielleicht führen auch Agentensysteme Mitarbeiter.“ Agentisierung, Führungskultur
Datenreichtum als Luxusproblem — „Wir haben tatsächlich viel zu viel Daten, viel mehr als wir fast verarbeiten könnten — und das ist das Schöne dabei.“ Datenplattform, Infrastruktur
Kreativität als neuer Engpass — „Von 3 Millionen auf 40 Millionen Datenpunkte pro Spiel — jetzt wird Kreativität angesagt: Was wollen wir wirklich klar definieren und erkennen?“ Skeletondaten, Fragestellungen
Daten und Prozesse vor KI — „Ich würde das Thema Daten und Prozesse früher mitdenken. Die Relevanz dieser beiden Komponenten ist einfach massiv — auch schon beim Thema generativer KI.“ Prozessdokumentation, Datenfundament

Fazit und Takeaways

Für Unternehmen und Clubs, die KI einführen wollen

Organisationsfrage zuerst klären: Ob KI ein IT- oder ein Business-Innovation-Thema ist, prägt die gesamte Einführungsstrategie. Beim VfL hat die Zuordnung zur Business Innovation den entscheidenden Unterschied gemacht.
Niedrigschwellig starten und Vertrauen aufbauen: Experience-Sessions, Hands-on-Workshops und persönliche Beziehungen schaffen die Basis für Akzeptanz — bevor ein einziger Use Case umgesetzt wird.
Prozesse vor KI verstehen: Ohne dokumentierte Prozesse bleibt KI ein Pilot. Die Zeit in Workshops und Prozessskizzen investieren, bevor man Tools ausrollt.
Single-Tool-Strategie prüfen: Nicht das performanteste Tool gewinnt, sondern das, das am einfachsten zu bedienen ist und die niedrigste Eintrittsbarriere hat.
Vermittler einsetzen: Zwischen Datenteam und Entscheidungsträgern braucht es Übersetzer — im Fußball sind das Spielanalysten, in Unternehmen Business Leads.

Für Data-Science- und KI-Teams

Plattform vor Projekt bauen: Eine solide Datenplattform ermöglicht es, jede Fragestellung sofort anzugehen — ohne monatelange Datenbeschaffung. Matthews Team kann bei jeder neuen Anfrage direkt loslegen.
Live-Use-Cases als Königsdisziplin: Echtzeit-Anwendungen erfordern die sauberste Infrastruktur, liefern aber den höchsten unmittelbaren Mehrwert.
Kreativität als neuen Engpass denken: Je mehr Daten und Modelle verfügbar sind, desto wichtiger wird die Frage: Was wollen wir eigentlich erkennen und warum?
Vertraute KPIs nutzen: Neue Modellwerte müssen sich an bestehenden, verstandenen Metriken orientieren — unbekannte Werte brauchen Einarbeitungszeit und Geduld.

Strategische Einsichten

Gen-AI und ML sind keine Konkurrenten: In einer Organisation wie dem VfL Wolfsburg braucht es beides — je nach Anwendungsfall und Abteilung.
Führung wird hybrid: Die Frage, wie man Agentensysteme führt und nicht nur Menschen, ist keine Zukunftsfrage mehr, sondern eine, die jetzt strukturell vorbereitet werden muss.
Datenkultur entscheidet über Wettbewerbsvorteile: Der Verein, der datenbasiertes Arbeiten früher und tiefer etabliert, hat einen strukturellen Vorteil — im Sport wie in der Geschäftsstelle.

Die zentrale Botschaft dieser Episode: KI im Profifußball ist kein Hype-Thema, sondern gelebte Praxis — mit echten Daten, echten Prozessen und echten organisatorischen Herausforderungen. Der VfL Wolfsburg zeigt, dass der Erfolg nicht von der besten Technologie abhängt, sondern davon, wie gut man Menschen mitnimmt, Prozesse versteht und Daten zugänglich macht. Kreativität wird zum neuen Flaschenhals — und das ist eigentlich eine gute Nachricht.