KI skaliert über ein Betriebsmodell, das den Weg von der Idee zur Produktion so einfach macht, dass niemand mehr Excel-Tabellen ausfüllen muss, sondern sich auf das konzentriert, was wirklich Mehrwert schafft.
Eric Martinebm-papstLinkedIn
#110

KI skaliert über ein Betriebsmodell: Wie ebm-papst Agenten in die Breite bringt

Auch bei Spotify

In dieser Folge spricht Felix mit Eric Martin, Head of AI bei ebm-papst. Seine These: KI skaliert nicht dadurch, dass Unternehmen möglichst viele einzelne Use Cases umsetzen. Sie brauchen ein Betriebsmodell, das Menschen in den Fachbereichen einen klaren Weg von der Idee bis zum produktiven Einsatz zeigt.

Eric erklärt, wie ebm-papst Governance, sichere Experimentierräume, Schulungen und eine Maker-Community zusammenbringt. Es geht um 90 ausgebildete Maker, die Zusammenarbeit mit einem zentralen Expertenteam und die Frage, wie sich der Nutzen von KI messen lässt, ohne einen ROI vorzutäuschen.

Über den Gast

Eric Martin ist seit Juni 2024 Head of AI bei ebm-papst. Er verantwortet mit seinem Team die Verbreitung von KI im Unternehmen. Dabei geht es um KI in Produkten, um bessere Prozesse und um den Zugang zum Wissen des Unternehmens.

Klassische KI bleibt relevant

Noch bevor generative KI in die Breite kam, nutzte ebm-papst maschinelles Lernen. Eric beschreibt einen Pricing-Prozess, bei dem zuvor monatlich etwa 5.000 Excel-Zellen manuell ausgefüllt wurden. Die Befüllung wurde nach seiner Aussage vollständig automatisiert. Neben der Effizienz geht es ihm darum, Menschen von repetitiver Arbeit zu entlasten.

Heute schätzt Eric das Verhältnis der KI-Initiativen auf etwa 60 Prozent GenAI und 40 Prozent Analytical AI. Die Grenzen verlaufen auch entlang der Rollen: Klassisches Machine Learning bleibt stärker bei Expertinnen und Experten, während GenAI und Low-Code-Werkzeuge mehr Fachbereiche erreichen können. ebm-papst habe bei GenAI bewusst als Fast Follower gehandelt und wolle nicht möglichst viele Proofs of Concept, sondern produktive Anwendungen.

Ein Betriebsmodell statt immer neuer Einzelfälle

Rund 6.000 Arbeitsplätze haben Zugriff auf einen internen Chatbot. Aber Zugriff allein ist noch keine Nutzung. Eric beschreibt unterschiedliche Lernstufen als Skipisten: vom Chat über die Nutzung in Office-Anwendungen bis zu Agenten aus den Fachbereichen und spezialisiertem Deep Learning für wenige Expertinnen und Experten.

Der Kern seines Ansatzes ist ein einfacher Weg für interne Kunden, die einen Prozess verbessern möchten. Governance, Prozess, Training, Transparenz und Community sollen gemeinsam dafür sorgen, dass aus Ideen produktive Lösungen werden.

Ich glaube nicht, dass KI über die Anzahl der Use Cases skaliert.

Sicherheit und Unterstützung statt Angst vor Fehlern

Zu Beginn vermutete Eric vor allem grundsätzliche KI-Skepsis. Die Rückmeldungen waren konkreter: Menschen hatten Angst vor hohen Cloud-Kosten durch fehlerhafte Agenten oder davor, dass Daten nach außen gelangen. Ein kontrollierter Experimentierraum und verständliche Regeln sollen diese Hürden abbauen.

Dazu kommt technische Unterstützung. Eric sagt, Fachbereiche könnten einfache Lösungen zu einem großen Teil selbst bauen; bei schwierigeren technischen Fragen hilft das Expertenteam. Für die rund 90 trainierten Maker stehen aktuell etwa zehn Mitarbeitende zur Verfügung. Sie unterstützen nicht ausschließlich technisch, sondern kümmern sich auch um Community und Plattformadministration.

Die übergeordnete Governance legt unter anderem Regeln für Plattformanbindungen und den Umgang mit Risiken fest. Eine Agent-Policy im faltbaren Taschenformat zeigt den Makern schnell, was erlaubt ist und wie der Weg von der Idee in die Produktion aussieht.

Erst den Prozess hinterfragen, dann automatisieren

Jede Idee beginnt mit einem Intake-Fragebogen. Danach wird sie auch aus Lean-Sicht betrachtet: Ist der Prozess überhaupt sinnvoll, lässt er sich streichen oder vereinfachen? Erst danach folgen Risikoklassifizierung und Entwicklung. Abhängig von der Risikoklasse gelten unterschiedliche Maßnahmen; bei Bedarf schaut ein Mensch genauer hin.

Wenn der Prozess schlecht ist, dann wird’s mit KI ein schlechter automatisierter Prozess.

Entwickelt wird zunächst in einer geschützten Umgebung. In der Testumgebung werden spätere Nutzerinnen und Nutzer eingebunden: Fünf Kolleginnen oder Kollegen sollen bestätigen, dass die Lösung passt und die vereinbarten Metriken erfüllt. Erst danach kann sie in die Produktionsumgebung und unternehmensweit sichtbar werden. Dafür braucht es eine zentrale Admin-Freigabe.

Ideen und Agenten werden außerdem in Dashboards sichtbar gemacht. Fachbereiche können sehen, was andere bereits bauen, statt dieselbe Lösung mehrfach zu erfinden.

90 Maker und eine Community, die Arbeit macht

Maker sind Mitarbeitende aus den Fachbereichen, die Interesse und Zeit mitbringen, um Prozesse mit KI-Agenten zu vereinfachen. Das Training umfasst rund 27 Stunden; darin bauen die Teilnehmenden bereits erste Übungsfälle. ebm-papst hat derzeit etwa 90 Maker und denkt langfristig an rund 150, verteilt über zehn Data- und AI-Domänen. Nicht möglichst viele Maker sind das Ziel, sondern erreichbare Ansprechpartner in jedem Bereich.

Die ersten rund 50 wurden ausgewählt; weitere kamen unter anderem durch Empfehlungen hinzu. Die Community bietet Austausch, Termine, Beratung durch Expertinnen und Experten und Veranstaltungen wie Hackathons. Eric spricht auch über den Aufwand: Der Wert einer Community sei oft größer, als die sichtbaren Reaktionen vermuten lassen.

Vom Kundenbericht bis zur Messungsanalyse

Die Maker bearbeiten unterschiedliche Probleme. Ein Agent standardisiert Kundenbesuchsberichte aus verschiedenen Eingabeformen und speichert sie im System. Ein wiederverwendbarer Newsletter-Agent überwacht ausgewählte Webseiten und verschickt Informationen per E-Mail. Ein weiterer Ansatz hilft dabei, Messungen aus Forschung und Entwicklung zu interpretieren und knappe Expertenressourcen zu entlasten.

Die Beispiele zeigen für Eric die Bandbreite: Manche Agenten lösen ein spezifisches Fachbereichsproblem, andere können mehrfach im Unternehmen eingesetzt werden.

Warum gesparte Zeit noch kein ROI ist

Eric unterscheidet vier Ebenen: Zuerst zählt ebm-papst die Nutzer mit Zugang, dann die tatsächliche Nutzung. Auf der nächsten Stufe wird die Effizienz eines Prozesses vor und nach dem KI-Einsatz verglichen. Erst darüber liegt die Frage nach geschäftlichem Impact und ROI.

Eine Zeit, die ich gespart habe, ist noch kein ROI.

Gerade bei generativer KI ist ein exakter monetärer Nutzen schwierig zu beziffern. Als Zwischenstufe versucht das Team, Infrastruktur- und Tokenkosten zumindest größenordnungsmäßig sichtbar zu machen. Der Fachbereich kann dann einschätzen, ob ihm ein Agent beispielsweise mehr wert ist als seine Kosten. Das ersetzt keinen vollständigen ROI, hilft aber bei der Entscheidung, ob sich eine Anwendung lohnt.

Kernaussagen

  1. Betriebsmodell statt Use-Case-Zähler: Ein klarer Weg zur Produktion soll es Fachbereichen ermöglichen, wiederholt Lösungen umzusetzen.
  2. Sicher experimentieren: Kontrollierte Umgebungen, verständliche Regeln und Expertensupport senken Hürden.
  3. Prozesse zuerst prüfen: Schlechte Prozesse werden durch KI nicht automatisch gut.
  4. Maker brauchen Zeit und Unterstützung: 27 Stunden Training, Ansprechpartner und eine aktive Community gehören zum Modell.
  5. Nutzung ist nicht gleich ROI: Zugang, tatsächliche Nutzung, Effizienz und Geschäftswirkung sind unterschiedliche Messgrößen.

Fazit und Takeaways

Für KI- und Transformationsverantwortliche

  • Schafft einen nachvollziehbaren Weg von der Idee bis zur Freigabe und macht Risiken sowie Zuständigkeiten sichtbar.
  • Prüft vor der Automatisierung, ob ein Prozess gestrichen oder vereinfacht werden kann.
  • Messt nicht nur Zugänge, sondern auch Nutzung und Veränderungen im Prozess.

Für Führungskräfte und Fachbereiche

  • Gebt motivierten Mitarbeitenden Zeit für Training und benennt erreichbare Ansprechpartner.
  • Plant Expertensupport und Community-Arbeit als Teil des Betriebsmodells ein.
  • Vergleicht bei schwer quantifizierbaren Anwendungen zunächst den wahrgenommenen Nutzen mit transparent gemachten Kosten.

Die Folge zeigt, wie ebm-papst KI nicht nur als Sammlung einzelner Projekte betrachtet. Das Betriebsmodell soll Menschen befähigen, aus konkreten Wünschen verlässlich produktive Lösungen zu machen.

Jede Woche eine Stunde Klartext: KI-Budgets, Widerstände, gescheiterte Projekte.