Pragmatische KI-Einführung im Mittelstand - Learnings von der LUQOM Group

Intro

In dieser Episode spricht Felix mit Ales Drabek, CIO der LUQOM Group (bekannt durch Lampenwelt), über die pragmatische Einführung von künstlicher Intelligenz in einem mittelständischen E-Commerce-Unternehmen. Ales teilt konkrete Erfahrungen aus zwölf Monaten AI-Transformation: von der strategischen Planung über die Identifikation von 15 Use Cases bis hin zu den ersten Erfolgen und Rückschlägen. Die Episode zeigt, wie Mittelständler trotz begrenzter Ressourcen schnell in die Umsetzung kommen können – ohne jahrelange Strategiediskussionen, dafür mit klarem Fokus auf vorhandene Technologien, interne Champions und schnelles Lernen durch Ausprobieren.

Inhaltsübersicht

Unterschiede zwischen Konzernen und Mittelstand bei der AI-Implementierung: Ressourcen, Hebel und strategische Komplexität
Strategische Herangehensweise bei Lampenwelt: drei Hauptrichtungen statt komplexer AI-Strategie
Identifikation und Priorisierung von 15 initialen Use Cases aus der Unternehmensstrategie
Konkrete Learnings aus der Umsetzung: erfolgreiche und gescheiterte Projekte
Bedeutung interner AI-Ambassadors und der "Winning-Koalition" für erfolgreiche Transformation
Technisches Setup: pragmatischer Mix aus Microsoft, Google und Adobe statt Eigenentwicklungen
Herausforderungen bei der Skalierung von Pilots und der kontinuierlichen Weiterentwicklung
Umgang mit der rasanten technologischen Entwicklung und ständig neuen AI-Features
Drei strategische Game-Changer-Projekte: Procurement, Shopping Experience und Content-Produktion
Zukunftsausblick: wie AI die User Experience im E-Commerce fundamental verändern wird

Über den Gast

Ales Drabek ist Chief Information Officer (CIO) der LUQOM Group, zu der die bekannte E-Commerce-Marke Lampenwelt gehört. Mit über 25 Jahren Erfahrung in digitalen Transformationen hat er bereits seine dritte oder vierte Welle technologischer Veränderung begleitet. Seit drei Jahren bei Lampenwelt verantwortet er nicht nur die klassische IT-Infrastruktur, sondern treibt auch die AI-Transformation des mittelständischen Unternehmens voran. Bevor er sich intensiv mit künstlicher Intelligenz beschäftigen konnte, führte er zunächst eine umfassende technologische Modernisierung durch: neue Systeme in der Cloud, neues ERP, PIM, Price Engine, Middleware und Data Warehouse. Diese Grundlage ermöglicht nun die pragmatische Implementierung von AI-Use Cases.

Detaillierte Zusammenfassung

Konzern vs. Mittelstand: Drei wesentliche Unterschiede

Die Ausgangssituation für AI-Implementierungen unterscheidet sich fundamental zwischen Konzernen und mittelständischen Unternehmen. Ales Drabek identifiziert drei Hauptunterschiede aus seiner Erfahrung: Erstens haben Mittelständler deutlich weniger Ressourcen und kleinere Teams. Während Konzerne häufig große Abteilungen mit hunderten Mitarbeitern an verschiedenen Standorten haben, arbeitet der Mittelstand mit überschaubaren Teams, die enger zusammenarbeiten.

Zweitens ist der Business Case in Konzernen oft schneller positiv. Wenn in einer Abteilung mit 100 Mitarbeitern jeder durch AI 20-30% effektiver wird, rechtfertigt sich die Investition schnell. Im Mittelstand mit kleineren Teams sind die absoluten Effizienzgewinne geringer, während die Implementierungskosten ähnlich hoch bleiben. Typische Anwendungsfälle wie Customer Service oder Accounting, die Microsoft stark bewirbt, bringen im Konzern deutlich mehr Benefit als in kleineren Organisationen.

Drittens brauchen Mittelständler keine separate AI-Strategie. Während Konzerne gerne umfassende Strategiepapiere für jedes Thema erstellen – AI-Strategie, Digitalisierungsstrategie, Logistikstrategie –, sollten mittelständische Unternehmen pragmatischer vorgehen. "Man hat eine Strategie, und zwar die Firmenstrategie", erklärt Ales. Daraus leitet man die relevanten AI-Use Cases ab, ohne sich in langen strategischen Workshops zu verlieren.

Drei strategische Richtungen statt komplexer AI-Strategie

Bei Lampenwelt hat man zu Beginn drei klare Richtungen für den AI-Einsatz definiert. Die erste Richtung: "AI als Superpower für Mitarbeiter" – heute bekannt als AI Smart Assistants oder AI Agents. Hier geht es darum, jeden Mitarbeiter effektiver, besser und schneller zu machen durch intelligente Unterstützung bei alltäglichen Aufgaben.

Die zweite Richtung fokussiert auf Personalisierung und Skalierung. Für Retail-Unternehmen besonders relevant: Wie können neue AI-Technologien helfen, Personalisierung in alle Richtungen zu treiben – gegenüber Kunden, aber auch in der Zusammenarbeit mit Lieferanten? Diese Personalisierung soll dabei in großem Maßstab möglich werden, nicht nur für einzelne Premium-Kunden.

Die dritte Richtung betrifft die Transformation der User Experience. Ales war klar, dass dies nicht sofort kommt, aber in ein bis zwei Jahren sichtbar wird. "Die letzte Veränderung in der User Experience im E-Commerce war vor circa 15 Jahren, als Mobile angefangen hat", erklärt er. Seitdem gab es nur evolutionäre Verbesserungen. Mit AI steht nun eine radikale Veränderung bevor – vergleichbar mit dem Mobile-Shift damals.

Von der Strategie zur Umsetzung: 15 Use Cases und schnelles Handeln

Nach der Definition der drei Richtungen identifizierte das Team 15 initiale Use Cases. Der Ansatz war bewusst pragmatisch: "Wir haben einfach angefangen, die umzusetzen", beschreibt Ales. Statt in monatelangen Planungsphasen zu verharren, überlegte man für jeden Use Case: Was können wir selbst umsetzen? Wo haben wir Kapazitäten und Know-how? Und wo brauchen wir einen externen Partner für den Pilot?

Von Anfang an war klar, dass nicht alle 15 Use Cases erfolgreich sein würden. Manche waren vielleicht zu kreativ, bei anderen waren die Technologien noch nicht ausgereift, oder das Unternehmen war technologisch noch nicht bereit. "Das Wichtigste war zu starten, ohne längere intensive strategische Diskussionen, ohne Zeit zu verlieren", betont Ales. Nach sechs Monaten erfolgte der erste Checkpoint zur Evaluation.

Die zentrale Herausforderung: Für jeden erfolgreichen Pilot braucht man einen internen Owner, einen "AI-Ambassador", der das Projekt vom Pilot in die Skalierung bringt. Fehlt dieser Champion, versandet selbst ein technisch erfolgreicher Pilot.

"Die Zeit läuft und da ist keine Zeit zu warten, weil wenn wir das nicht machen, dann macht das unser Mitbewerb."

Konkrete Learnings: Erfolge und Rückschläge

Ein gescheitertes Beispiel war der AI-Assistent für den Einkauf. Die Idee: Ein System liest alle Verträge mit Lieferanten, vergleicht Konditionen und Daten, und bereitet Vorschläge für Verhandlungen vor. Der MVP mit 50 großen Lieferanten funktionierte technisch gut, aber "wir haben gesehen, dass der Einkauf noch nicht so weit war", das System zu übernehmen und zu skalieren. Der interne Owner fehlte.

Gleichzeitig startete derselbe Einkauf aber eigeninitiativ ein erfolgreiches Projekt: die AI-gestützte Entwicklung neuer Produkte. Das Team sammelt Trends von Messen und Webseiten, lässt ChatGPT daraus Trend-Analysen erstellen und nutzt diese Prompts in anderen AI-Applikationen für Produktvorschläge. "Das hat für die funktioniert, das hat ihm gefallen", berichtet Ales. Der AI-Ambassador war gefunden, das Projekt wird nun weiter ausgebaut.

Ein weiteres Beispiel für technologische Grenzen: Der geplante Smart Assistant für den Webshop sollte alle Kundenanfragen beantworten – von Produktfragen über Lieferstatus bis zu Payment-Themen. Die damaligen Technologien waren mit dieser Komplexität überfordert. Das Projekt wurde gestoppt, aber mit reduziertem Scope neu gestartet: ein Assistant nur für die Product Detail Page, der ausschließlich zu Produktdaten berät. Dies funktionierte deutlich besser und geht nach der Black Week live.

Die Winning-Koalition: Freiwillige zuerst

"Das ist schon meine dritte oder vierte digitale Transformation", erklärt Ales – und seine Erfahrung zeigt immer das gleiche Muster. "Man braucht zuerst die Winning-Koalition, die sich freiwillig meldet." Diese ersten Enthusiasten sind wie diejenigen, die als erste ins kalte Wasser springen – sie wollen es wirklich.

Bei Lampenwelt haben sich Mitarbeiter aus verschiedenen Abteilungen freiwillig gemeldet und die AI-Projekte neben ihren normalen Tätigkeiten vorangetrieben. Das Tech-Team unterstützte, aber auch dort zeigten einige mehr Interesse und Initiative als andere. Nach den ersten Erfolgen kommt die zweite Welle: Mitarbeiter, die nicht zu 100% begeistert sind, aber sehen, dass es funktioniert – "halbwegs freiwillig, aber nicht hundertprozentig".

Diese schrittweise Ausbreitung verhindert Überforderung und baut organisch Kompetenz auf. Lampenwelt befindet sich aktuell in der Phase, die zweite Welle zu mobilisieren und die AI-Ambassador-Gruppe zu vergrößern.

Technisches Setup: Partner-Technologien statt Eigenentwicklungen

Eine zentrale Erkenntnis: Fast jede SaaS-Software bewirbt aktuell AI-Features – aber nicht alles funktioniert wie versprochen. Ales unterscheidet klar: Manche Anbieter nehmen die Transformation ernst, andere machen vor allem Marketing mit schönen Folien und Videos. Die neue AI-Funktionen funktionieren meist nur, wenn man sehr nah am Standard der jeweiligen Software ist.

"Was ich sehe, ist: Die neuen AI-Services funktionieren meistens nur, wenn du ein Standard-Setup hast, das nicht customized ist."

Bei der Schwesterfirma von Lampenwelt, die sehr standardnah mit Salesforce arbeitet, bringt Einstein AI bereits gute Ergebnisse. Bei Lampenwelt selbst mit historisch gewachsenen Customizings funktioniert nur etwa die Hälfte. Hier muss man entweder zurück zum Standard migrieren oder nach alternativen AI-Layern suchen.

Der aktuelle Tech-Stack bei Lampenwelt: Ein "relativ großes Setup in Microsoft" mit Office 365 und Azure, das gut funktioniert, aber vor allem für große Firmen mit tausenden Mitarbeitern optimiert ist. Im Mittelstand variiert die Begeisterung – manche Mitarbeiter lieben die Co-Pilot-Features, andere sehen wenig Mehrwert. Im ERP-Bereich von Microsoft gibt es noch Nachholbedarf bei AI-Features.

Für Creative Use Cases nutzt Lampenwelt einen Mix: Adobe für Produktdesign-Vorschläge und Hintergrundbilder, dazu Google und weitere Tools im Test. Für Produkttexte kommen Azure OpenAI und Google Vertex AI zum Einsatz. Die Technologien entwickeln sich so schnell, dass ein heute gutes Produkt in zwei Monaten von einem besseren überholt werden kann – Flexibilität ist entscheidend.

Skalierung: Die unterschätzte Herausforderung

"Das eine ist etwas in Pilot zu bringen, das andere ist dann etwas von Pilot in Skalierung zu bringen", warnt Ales aus Erfahrung. Viele Unternehmen unterschätzen enorm, was es braucht, ein funktionierendes Pilot-Tool langfristig am Laufen zu halten: regelmäßige Upgrades, kontinuierliche Verbesserungen, Maintenance.

Besonders mittelständische Firmen haben oft nicht genug Ressourcen dafür. Die Ressourcen werden auf neue Projekte verschoben, und ein Jahr später wird das ursprünglich erfolgreiche Tool nicht mehr genutzt – trotz guter Idee und funktionierendem Proof of Concept. "Man hat einfach nicht genug Ressourcen gehabt, das immer wieder weiterzuentwickeln und Maintenance zu machen."

Ein aktuelles Beispiel sind selbstentwickelte ChatGPT-Interfaces: Viele Unternehmen investierten Geld und Ressourcen in eigene Lösungen, kommen aber mit dem Feature-Tempo von ChatGPT oder Copilot nicht mit. Die Mitarbeiter nutzen am Ende doch ihre privaten Accounts, weil das interne Tool schlechter ist. Die Investition war vergebens.

Umgang mit rasanter Entwicklung: Drei Prinzipien

Wie bleibt man up-to-date, wenn alle zwei Wochen neue Modelle, Produkte und Updates erscheinen? Ales empfiehlt drei Prinzipien: Erstens, keine Angst haben, Sachen wegzuwerfen und neu zu starten. Wenn nach sechs Monaten ein deutlich besserer technologischer Ansatz verfügbar ist, sollte man springen – statt am Alten festzuhalten, nur weil man schon investiert hat.

Zweitens, regelmäßig evaluieren, was neu auf den Markt kommt und in die eigenen Use Cases passen könnte. Nicht blind jedem Trend folgen, sondern gezielt prüfen: Passt das zu unseren strategischen Projekten? Kann es uns bei bestimmten Prozessen helfen?

Drittens, neue Technologien intern promoten und AI-Ambassadors suchen. Ales geht aktiv auf Teams zu: "Schaut euch an, da ist jetzt etwas Neues, das könnte zu dem und dem Thema passen – wollen wir das nicht ausprobieren?" Meldet sich jemand, wird getestet. Meldet sich keiner, wird nicht forciert.

Gleichzeitig behält Lampenwelt den Fokus auf zwei bis drei wirklich strategische AI-Projekte – die "Game Changers". Diese dürfen nicht durch ständig neue Ideen verlangsamt werden. Sie müssen kontinuierlich verbessert und weiterentwickelt werden.

Die drei Game Changers bei Lampenwelt

Das erste strategische Projekt ist Procurement: Wie nutzt man AI für die gesamte Kette von der neuen Produktentwicklung bis zum verkaufsfertigen Produkt? "Dieser Prozess hat sich in 25 Jahren im Handel nicht wirklich viel verändert", erklärt Ales. Die Grundprinzipien der einzelnen Schritte sind gleich geblieben – hier liegt enormes Potenzial für Transformation.

Das zweite Projekt betrifft die Shopping Experience: AI Shopping Assistants, die dem User in verschiedenen Schritten der Customer Journey helfen. Dies wird die gesamte User Experience Schritt für Schritt verändern und ist zentral für die zukünftige Wettbewerbsfähigkeit.

Das dritte Projekt fokussiert auf Content-Produktion: AI-generierte Produktbilder, Marketingbilder, Hintergrundbilder. "Das ist natürlich ein wichtiger Teil für die Entscheidung bei den Kunden, ob die bei uns einkaufen oder woanders." Qualität und Geschwindigkeit in der Content-Produktion werden zum Differenzierungsfaktor.

Zukunftsausblick: Drei Arten des Einkaufens

Wie wird AI den E-Commerce verändern? Ales unterscheidet drei Kategorien des Einkaufens: Erstens, Routine-Einkäufe: Dinge, die man regelmäßig braucht und die keinen Spaß machen. Hier wird AI die manuelle Arbeit weitgehend übernehmen – ähnlich wie Abo-Modelle heute.

Zweitens, Spaß-Einkäufe: Man geht in Geschäfte oder online, weil Einkaufen Freude macht, man Neues entdecken will, Interesse an Produkten hat. "Das wird auch in Zukunft so sein, aber die User Experience wird anders", prognostiziert Ales. Kombinationen aus Virtual Reality, Augmented Reality, physischen Stores und Social Commerce wie TikTok Shop. Klassische E-Commerce-Shops werden hier weniger relevant.

Drittens, spezielle Situationen: Hausrenovierung, Umzug, Geburt eines Kindes – einmalige Ereignisse mit neuem Bedarf. Hier werden AI-Assistenten die größte Veränderung bringen. Ales' Vision: Man scannt Räume mit dem Smartphone, skizziert Ideen, die AI kennt bereits den persönlichen Stil und Präferenzen. Sie erstellt Vorschläge, wie das Zimmer aussehen kann. Per Knopfdruck werden automatisch Handwerker, Farbe, Möbel, Lieferung koordiniert – zeitlich abgestimmt, damit nicht die Möbel vor den gestrichenen Wänden ankommen.

"Du würdest eher den Spaßfaktor haben, ja jetzt suche ich mir ein neues Zimmer in meinem definierten Budget, und die AI macht mir die Vorschläge und im Hintergrund kümmert sich, dass das alles läuft." Der stressige Organisations-Teil entfällt, das Switchen zwischen verschiedenen Shops wird überflüssig.

Kernaussagen

Keine Zeit zu warten — "Die Zeit läuft und da ist keine Zeit zu warten, weil wenn wir das nicht machen, dann macht das unser Mitbewerb." Wettbewerbsdruck, Handlungsdruck
Firmenstrategie statt AI-Strategie — "Mittelständische Unternehmen brauchen keine große AI-Strategie, sondern müssen von der Unternehmensstrategie die relevanten Use Cases ableiten." Pragmatismus, Use-Case-Ableitung
Winning-Koalition bilden — "Man braucht zuerst die Winning-Koalition, die sich freiwillig meldet – das sind die Ersten, welche springen in kalte Wasser, die wirklich wollen." Change Management, Freiwilligkeit
Standard-Setup als Voraussetzung — "Was ich sehe, ist: Die neuen AI-Services funktionieren meistens nur, wenn du ein Standard-Setup hast, das nicht customized ist." Technische Basis, Customizing-Falle
Skalierung unterschätzt — "Das eine ist etwas in Pilot zu bringen, das andere ist dann etwas von Pilot in Skalierung zu bringen – das ist oft ein unterschätztes Thema." Pilot vs. Produktion, Ressourcen

Fazit und Takeaways

Für Mittelständler: Pragmatisch starten statt perfekt planen

Keine separate AI-Strategie entwickeln: Von der bestehenden Unternehmensstrategie Use Cases ableiten, statt monatelang strategische Workshops durchzuführen
Mit 10-15 Use Cases starten: Nicht alles auf einmal, aber genug, um verschiedene Ansätze zu testen und schnell zu lernen
Schnell ins Machen kommen: Ausprobieren ist wichtiger als perfekte Planung – einige Projekte werden scheitern, andere überraschend erfolgreich sein
Mit vorhandenen Technologien arbeiten: Prüfen, welche AI-Features die bereits genutzten SaaS-Partner anbieten, statt alles selbst zu entwickeln
Zeit ist die knappste Ressource: Wer jetzt nicht startet, verliert den Anschluss an Wettbewerber – national wie international

Für die Organisation: Menschen und Champions im Fokus

Freiwillige zuerst mobilisieren: Die "Winning-Koalition" aus intrinsisch motivierten Mitarbeitern aufbauen, die als erste ins kalte Wasser springen
AI-Ambassadors für jeden Use Case finden: Ohne internen Owner versandet selbst ein technisch erfolgreicher Pilot – die Skalierung braucht Champions
In Wellen ausrollen: Erst die Enthusiasten, dann die positiv Neugierigen, dann die breitere Organisation – organisches Wachstum statt Top-down-Zwang
Nebenbei starten, nicht als Vollzeit-Job: Erste Projekte laufen parallel zu normalen Tätigkeiten, erst bei Erfolg Ressourcen umschichten
Erfolge sichtbar machen: Wenn die ersten Use Cases funktionieren, motiviert das die zweite Welle von Mitarbeitern zum Mitmachen

Für die technische Umsetzung: Partner nutzen, nicht alles selbst bauen

Standard-Setup bevorzugen: AI-Features funktionieren am besten bei standardnahen Systemen – Customizing ist ein Hindernis für neue AI-Services
Partner-Technologien kombinieren: Microsoft für Assistants, Google für Content, Adobe für Design – pragmatischer Mix statt monolithischer Eigenentwicklung
Skalierung von Anfang an mitdenken: Pilots sind das eine, dauerhafte Maintenance und Weiterentwicklung das andere – oft unterschätzt im Mittelstand
Flexibel bleiben für neue Technologien: Keine Angst, Lösungen wegzuwerfen, wenn nach sechs Monaten deutlich bessere Alternativen verfügbar sind
Zwei bis drei Game Changers fokussieren: Nicht jeden Trend mitnehmen, sondern strategische Projekte konsequent vorantreiben – bei Lampenwelt: Procurement, Shopping Experience, Content-Produktion

Lampenwelt zeigt exemplarisch, wie mittelständische Unternehmen trotz begrenzter Ressourcen die AI-Transformation erfolgreich angehen können. Der Schlüssel liegt nicht in perfekter Planung, sondern in pragmatischem Handeln: Von der Unternehmensstrategie Use Cases ableiten, mit vorhandenen Technologien arbeiten, interne Champions finden und schnell lernen durch Ausprobieren. Nach zwölf Monaten hat das Unternehmen wertvolle Erfahrungen gesammelt, erste Erfolge erzielt und die Basis für die nächste Phase gelegt. Die wichtigste Erkenntnis: Künstliche Intelligenz wird nie wieder so schlecht und einfach sein wie heute – also lieber jetzt starten als warten.

#11Pragmatische KI-Einführung im Mittelstand - Learnings von der LUQOM Group