Kleine Teams, große KI-Transformation: Wie Bayer Dynamic Shared Ownership und KI verbindet

In dieser Folge spricht Felix mit Jan Toennissen, VP AI Transformation bei Bayer. Bayer ist seit zweieinhalb bis drei Jahren dabei, sein Betriebsmodell umzubauen, und nach Jans Worten noch nicht am Ende: Verantwortung liegt in kleinen, autonomen Teams, die in 90-Tage-Zyklen auf ein klares Ergebnis hinarbeiten. Jetzt kommt die KI-Transformation dazu, und die spannende Frage ist, wie beides zusammenpasst.

Jan erzählt, welche Plattformen Bayer gebaut hat, wie Teams eigene Workflows aufsetzen, warum ein Mindset-Workshop manchmal vor dem ersten Prototyp kommen muss und wie ein Sales-Assistent im Agrargeschäft von einer Handvoll Nutzern auf rund 1.200 gewachsen ist. Es geht um konkrete Erfahrungen aus einem großen Konzern: was funktioniert hat, woran Use Cases scheitern und wie Bayer auf die nächsten Jahre schaut.

Über den Gast

Jan Toennissen ist seit fast 18 Jahren bei Bayer und hat sich in den letzten Jahren vor allem mit KI beschäftigt. Bis vor Kurzem lag sein Schwerpunkt auf der technischen Seite: Was muss die IT bereitstellen, damit eine KI-Transformation gelingen kann? Als VP AI Transformation arbeitet er jetzt mit den Geschäftsbereichen und den sogenannten Enabling Functions daran, Geschwindigkeit in die Transformation zu bringen. Er entwickelt mit ihnen einen Zielzustand, plant die nächsten Schritte und sorgt dafür, dass nicht jedes Team das Rad neu erfinden muss.

Dynamic Shared Ownership: kleine Teams mit klarem Ergebnis

Bei Bayer heißt das Betriebsmodell DSO: Dynamic Shared Ownership. Die Idee: Verantwortung, Befähigung und Entscheidungen gehören dorthin, wo die Arbeit passiert. Dafür arbeitet Bayer in kleinen Teams, sogenannten Squads, mit etwa einem Dutzend Leuten. Das kann ein Sales-Thema sein, ein IT-Projekt oder eine HR-Initiative.

Wichtig ist der Blick vom Ergebnis her. Zuerst steht die Frage, was für Patienten, für das Pharmageschäft oder für Konsumenten besser werden soll. Dann rechnen die Teams zurück: Was müssen wir tun, und auf welche KPIs zahlt das ein? Darauf werden Teams gesetzt, die das Thema mit voller Verantwortung vorantreiben.

Der Herzschlag des Modells sind 90-Tage-Zyklen. Sie sind der Planungshorizont, damit Ergebnisse schnell sichtbar werden. Stimmt etwas nicht, zieht das Team Learnings daraus und macht es im nächsten Zyklus besser. Jan sagt offen, dass die Reise noch nicht zu Ende ist: Viele Teams arbeiten schon nach diesen Prinzipien, in den nächsten Monaten will Bayer die ganze Firma in dieselbe Richtung bringen.

Warum DSO und KI sich gegenseitig antreiben

Felix sagt oft, dass kleinen Teams die Zukunft gehört. Große Organisationen mit vielen Hierarchien und spezialisierten Rollen vertragen sich schlecht mit der Geschwindigkeit, die KI möglich macht. Ein kleines Team, das ein Ergebnis verantwortet und sich mit KI hebelt, ist genau das, was man will.

Jan sieht zwei Seiten. DSO macht die KI-Transformation leichter, weil die Teams schon gelernt haben, sich dynamisch zu organisieren und die passenden Werkzeuge einzufordern oder selbst zu bauen. Umgekehrt zahlt KI voll auf diese Teams ein: Sie bekommen schneller, was sie brauchen, sehen ihre Daten besser, automatisieren Routinearbeit und bauen Produkte für ihre Stakeholder.

Und, äh, das heißt, wir haben so eine Doppelbefruchtung bei dem Thema eigentlich.

Copilot, eigene Plattform und n8n: das Werkzeug-Portfolio

Bayer steuert sein Portfolio bewusst, um Wildwuchs und schwer beherrschbare Risiken zu vermeiden. Die Basis ist Microsoft: Teams, SharePoint und Copilot. 80 Prozent der Belegschaft arbeiten mit Copilot 365, das ist das Brot-und-Butter-Werkzeug.

Daneben gibt es eine eigene KI-Plattform, die jeden Monat 25.000 Menschen nutzen. Sie ist stark, wenn jemand seine eigenen Daten mitbringt und vieles feinjustieren will, was in einer Standardlösung nicht so einfach geht. Dort lassen sich Assistenten, Agenten und Skills bauen und mit anderen Teams teilen.

Für kleine digitale Workflows mit agentischen Bausteinen hat Bayer viel mit n8n ausprobiert. Es ist einfach in der Umsetzung und lässt sich gut steuern. Nicht jede Lösung bei Bayer würde darauf gebaut, aber für bestimmte Bereiche funktioniert es sehr gut.

Hub-and-Spoke: Wer bei Bayer Workflows baut

Wer darf bei Bayer n8n aufmachen und loslegen? Bayer hat ein Hub-and-Spoke-Modell gewählt. Zentral gibt es ein „Golden Image“, damit Security-Patches und Single Sign-on sauber laufen. In den Hubs geht das Werkzeug an die einzelnen Organisationen, die dann weitgehend selbst darauf bauen.

Komplexere Lösungen mit vielen Integrationen entstehen meist zusammen mit der IT, nicht durch den Fachbereich allein. Für einzelne Personen und kleine Teams gibt es zusätzlich eine Citizen-Development-Instanz. Dort lassen sich kleine Workflows aufsetzen, mit weniger Integrationen und Freiheitsgraden, aber immer noch sehr leistungsfähig.

Ein Kern, der ermöglicht statt bremst

Wie geht es weiter, wenn KI immer mehr kann? Jan glaubt an einen sauber definierten Kern, der Transparenz, Observability und klare Regeln für alle liefert und trotzdem den Rest ermöglicht statt bremst. Bayer hat dafür einen Agent Hub gestartet, in dem alle Agenten des Konzerns registriert sind, und ein Gateway, über das alle sicher auf Sprachmodelle und MCP-Services zugreifen.

Das Ziel ist eine Architektur aus Bausteinen, die allen die ersten 80 Prozent liefert, damit sie ihr Grundgerüst schnell bauen können. Die letzten 20 Prozent, die eine Lösung wirklich spezifisch machen, bauen die Teams selbst. Bayer nennt das manchmal die „Solution Garage“: Bausteine schnell zusammenstecken, statt dass die IT erst ein Jahr baut.

Friday: ein Agent für den Arbeitsalltag

Felix erzählt von IBM, wo ein einziger Agent als Schnittstelle für alle Mitarbeitenden möglichst alles erledigen soll. Bayer baut so etwas auch: Friday, ein agentisches System, das im Endzustand allen Mitarbeitenden als App und im Web zur Verfügung stehen soll.

Die Idee: Mit Friday gestaltet man seinen Arbeitstag. Welche Themen sind heute wichtig, welche E-Mails stehen an? Aber auch: eine Frage zur HR-Policy stellen oder eine Bestellanforderung aufmachen. Friday ist noch in der Pilotphase, mit 1.000 Leuten in der Pilotgruppe, die viel Feedback liefern.

Wir haben erst mal angefangen mit dem, was wir dann non-mission critical nennen

Inzwischen zeigt sich, dass Friday in manchen Bereichen so gut funktioniert, dass auch geschäftskritische Arbeit in Reichweite kommt, bis hin zu Arbeitsräumen, in denen Menschen mit ihren Agenten zusammenarbeiten.

Prozesse neu denken statt Excel-Uploads automatisieren

„AI-first“ oder „Agentic-first“ heißt bei Bayer nicht, dass nur noch KI gemacht wird. Es heißt, dass DSO-Teams bei jedem Ziel mitdenken: Was können wir mit einem KI-Agenten im Mix anders machen, weil er Daten besser verarbeiten, riesige Datenmengen überblicken und Dinge zusammenführen kann?

Jan regt dazu an, die heutigen Prozesse nicht einfach in die KI zu füttern. Sie wurden für Menschen gebaut, nicht für Agenten. Bayer will weiter um den Menschen herum bauen, aber mit anderer Unterstützung durch KI. Menschen sollen sich auf das konzentrieren, wofür es Urteilsvermögen, Kreativität und Verantwortung braucht.

Sein Beispiel: Ein Excel-Sheet kommt per E-Mail und muss ins SAP-System. Das war das klassische Automatisierungsthema.

Ja, kann man automatisieren, ändert am Prozess aber nichts.

Innovation Sprint: in wenigen Tagen vom Problem zum Prototyp

In seiner neuen Rolle hilft Jan Teams, die ihre Prozesse noch nicht umgebaut haben. Bayer hat dafür Formate entwickelt, die jetzt zu Playbooks werden und über die große DSO-Community zurück in die Teams gehen.

Ein Innovation Sprint dauert ein bis fünf Tage. Verantwortliche aus einem Fachbereich bringen ihr Problem mit, dazu kommen Leute, die den Workshop führen, und IT-Engineers. Am ersten Tag geht es um das Problem: Lässt es sich klar formulieren, gibt es eine Baseline, kann man messen, ob es besser wird? Dann folgt die Frage, wie eine Lösung aussehen könnte, und in ein, zwei Tagen wird sie mit Vibe Coding oder anderen Mitteln angedeutet.

Am letzten Tag kommen Leute aus dem Fachbereich dazu, die nicht mitgebaut haben. Sagen sie, das würde wirklich helfen, geht die Idee in die Produktentwicklung. Jan kennt keinen Innovation Sprint, der am Ende nicht zu Begeisterung geführt hat.

Mindset-Workshop: wenn erst die Beliefs auf den Tisch müssen

Innovation Sprints funktionieren mit Teams, die etwas verändern wollen. Schwieriger sind stark regulierte Bereiche mit Arbeitsanweisungen, die es seit fünf oder zehn Jahren gibt. Dort läuft ein Sprint schon in den ersten Tagen auf Sand.

Deshalb hat Bayer den Mindset-Workshop entwickelt. Er fragt: Warum glaubt ihr, dass KI hier nicht helfen kann? Oft stehen dahinter Überzeugungen, die in keiner Policy stehen, sondern eine Interpretation der Policy sind. Oder es ist eine Policy, die vor fünf Jahren aus anderen Gründen geschrieben wurde.

Hat sich die Gesetzgebung geändert oder sind wir schlauer?

Am Ende reicht es, sich auf ein Thema zu einigen, das man anders versucht. Klappt es, folgt das nächste. Damit ist der erste Lauf gestartet.

Vom Prototyp zu 1.200 Nutzern: ein Sales-Assistent im Agrargeschäft

Klein starten und dann skalieren ist inzwischen gute Praxis. Jans Beispiel kommt aus dem Agrargeschäft: ein Assistent, der Sales-Teams mit dem richtigen Wissen und den richtigen Antworten unterstützt, KI- und agentengestützt. Am Anfang nutzten ihn eine Handvoll Leute, Anfang des Jahres rund 200, inzwischen nach Jans Schätzung rund 1.200 aus Commercial und Sales. Sie stellen im Monat 17.000 Fragen und können mit dem Smartphone Produkte oder Pflanzen fotografieren.

Was zwischen Prototyp und Skalierung passiert, entscheidet sich früh.

Ich würd behaupten, manche Cases sterben schon, weil sie schon vor dem Piloten gar nicht richtig aufgesetzt sind

Bei diesem Assistenten stand der erwartete Wert vorher fest, und es gab eine Baseline. Das Team war kein reines IT-Team, sondern gemischt, mit Leuten aus dem Commercial-Bereich, die echten Kundenkontakt haben und sofort Feedback geben. Es startete mit einem kleinen Ausschnitt: eine Produktreihe, ein Sales-Team, eine Datenquelle. Heute sind es 20.000 Datenquellen und acht Länder.

Dazu kamen sichtbare Erfolge, die andere Teams überzeugt haben, und viel Change Management, Adoption und Training. Am schwersten ist laut Jan der Anfang: den Use Case gut definieren und klar sagen, wie man den Erfolg misst. Nicht zu klein, aber auch nicht so groß, dass niemand weiß, wie man ihn misst.

Target State: über 40 Use Cases und ein Ziel, das sich bewegt

Wie sieht der Zielzustand im KI-Zeitalter aus? Für Jan zuerst: der Mission treu bleiben und mit KI auf sie einzahlen. Bayer hat dafür über 40 Use Cases mit großer Wirkung gesammelt, quer durch die Wertschöpfungskette von Forschung und Entwicklung über Supply bis Marketing und Sales, dazu das Backoffice. Gelingt die Umsetzung in den nächsten Monaten, wäre das zusammen mit der persönlichen Produktivität eine dramatische Veränderung.

Einen festen Zielzustand für ganz Bayer zu definieren, ist trotzdem schwierig, denn das Ziel bewegt sich. Niemand weiß, was in sechs Monaten auf der Bühne steht.

Zum Schluss geht es um den KI-Markt. Jan glaubt, dass Bayer für 80 Prozent seiner Use Cases heute schon alles hat, was es braucht. Niemand müsse auf das nächste Modell warten. Den nächsten großen Schritt sieht er in der Brücke von digitaler KI in die physische Welt, von Pflegerobotern bis Raumfahrt. Und er bleibt Optimist: Wenn Menschen gemeinsam etwas Positives daraus machen wollen, kann viel Gutes entstehen.

Kernaussagen

• Kleine, autonome Teams mit klarem Ergebnis sind eine gute Grundlage für die KI-Transformation, und KI macht diese Teams stärker.
• Ein zentraler Kern liefert Regeln, Sicherheit und 80 Prozent der Bausteine; die letzten 20 Prozent bauen die Teams.
• Wer bestehende Prozesse nur automatisiert, ändert nichts. Prozesse wurden für Menschen gebaut und müssen für die Zusammenarbeit mit Agenten neu gedacht werden.
• In regulierten Bereichen kommt der Mindset-Workshop vor dem Prototyp: Oft bremsen Interpretationen alter Policys, nicht die Regeln selbst.
• Manche Use Cases scheitern schon vor dem Piloten. Erfolg braucht einen klaren Wert, eine Baseline, ein gemischtes Team und einen kleinen Start.

Fazit und Takeaways

Für Führungskräfte

Gebt Verantwortung in kleine Teams, die ein messbares Ergebnis besitzen, und gebt ihnen KI als Hebel. Startet mit einem Thema, macht Erfolge sichtbar und skaliert Schritt für Schritt.

Für KI- und IT-Verantwortliche

Baut einen Kern, der ermöglicht statt bremst: Registrierung von Agenten, sicherer Zugang zu Modellen, Standards für Sicherheit. Gebt Teams die ersten 80 Prozent und lasst sie den Rest bauen.