SIGNAL IDUNA: Einblicke in den KI-Rollout auf 10.000 Mitarbeiter und die Skalierung von KI-Agenten

In dieser Episode des AI FIRST Podcasts sprechen wir mit Patrick Darby und Florian Leuerer von der SIGNAL IDUNA über einen der ambitioniertesten KI-Rollouts in Deutschland. Das Versicherungsunternehmen hat Gemini Enterprise für alle 10.000 Mitarbeiter ausgerollt und dabei innovative Ansätze für Change Management und Agenten-Entwicklung entwickelt. Besonders spannend: Der Krankenversicherungs-Wissensassistent CO SI KV läuft bereits seit knapp zwei Jahren produktiv und zeigt eindrucksvoll, welche Herausforderungen und Learnings bei der Entwicklung echter Enterprise-Agenten entstehen. Patrick und Florian gewähren tiefe Einblicke in die strategische Verankerung von KI als Antwort auf demografischen Wandel und Wachstumsziele – von der ersten Entscheidung über den Big Bang-Rollout bis zur kontinuierlichen Verbesserung komplexer Agenten.

Über die Gäste

Patrick Darby ist Chief of Staff und AI Transformation Lead bei der SIGNAL IDUNA. In verschiedenen Rollen im Startup-Bereich und als Principal bei Johannes Rath tätig gewesen, koordiniert er seit Anfang 2024 den Gemini Enterprise Go-Live des Versicherungskonzerns. Patrick verantwortet die Steuerung der verschiedenen Workstreams, löst Impediments und arbeitet eng mit dem technischen Team um Florian zusammen. Seine Expertise liegt in der organisatorischen Transformation und im Change Management bei komplexen KI-Rollouts.

Florian Leuerer ist Data Scientist mit Schwerpunkt Generative AI bei der SIGNAL IDUNA. Zuvor war er Teil des Teams, das an der Otto Group das OGGB (Otto Group Generative Business Tool) entwickelt hat. Bei der Signal Iduna baut er Anwendungen mit Gen-AI, ist Teil des Gemini Enterprise Teams und treibt Use Cases rund um Large Language Models voran. Seine technische Expertise verbindet er mit einem tiefen Verständnis für die praktischen Herausforderungen bei der Entwicklung produktiver KI-Agenten.

Von CO SI V1 zu Gemini Enterprise: Die strategische Entscheidung

Die SIGNAL IDUNA startete bereits 2023/2024 mit ersten KI-Anwendungen: CO SI (Co-Pilot SIGNAL IDUNA) als Unternehmens-GPT mit Weltwissen und einem spezialisierten Krankenversicherungs-Wissensassistenten CO SI KV. Die zentrale Herausforderung lag in der rasanten Marktentwicklung – intern konnten sie nicht mit der Geschwindigkeit der verfügbaren Features mithalten, die Nutzer privat von ChatGPT und anderen Tools bereits kannten.

Die strategische Partnerschaft mit Google, die interessanterweise Ende 2022 beschlossen wurde (kurz nach ChatGPTs Launch), führte zur Entscheidung für Gemini Enterprise. Ausschlaggebend waren drei Faktoren: ein marktfähiges Modell auf dem neuesten Stand, agentische Fähigkeiten mit Agent Builder und Agent Development Kit sowie die strategische Passung zum bereits bestehenden Partner. Auf der Google Next im April wurde Gemini Enterprise vorgestellt und bot genau die Lösung für die Pain Points, die Signal Iduna hatte.

Selbstbau versus Buy: Die technologische Abwägung

Florian bringt wertvolle Perspektive aus seiner Zeit bei der Otto Group ein, wo er am Aufbau des OGGB beteiligt war. Damals, sehr früh im Gen-AI-Markt, machte Selbstbau noch Sinn, weil man einen Vorsprung gegenüber Anbietern hatte. Heute ist die Situation anders: „Selbst bauen wird immer schwieriger und man wird von Anbietern wie Google und Co. einfach überholt.“

Auch Open-Source-Modelle sieht Florian kritisch für Enterprise-Einsatz: Diese müssen effizient im eigenen Rechenzentrum betrieben werden, was bei den typischen Usage-Patterns eines Unternehmens – viele Peaks, wenig Nutzung abends und am Wochenende – extrem schwierig ist. Zudem ist das Agent Development Kit (ADK) selbst Open Source und wird von der Community mitentwickelt, sodass der Widerspruch zwischen proprietärer Lösung und Open-Source-Ökosystem gar nicht so groß ist.

118 KI-Champions: Dezentrales Change Management als Erfolgsfaktor

Ein besonderer Erfolgsfaktor ist das KI-Champions-Programm mit 118 Multiplikatoren aus allen Unternehmensbereichen. Die Anregung kam vom Betriebsrat – ein bemerkenswertes Detail, das zeigt, wie konstruktiv die Sozialpartnerschaft den Transformationsprozess mitgestaltet. Ziel war es, Barrieren zu reduzieren und die Technologie näher an die Teams zu bringen durch Kolleginnen und Kollegen, die nah an den Einheiten sind.

Die Champions wurden nicht per freiem Bewerbungsprozess ausgewählt, sondern von den Bereichen benannt, wobei die Dynamik dazu führte, dass immer mehr Namen nachkamen. Patrick war „total positiv überrascht“, dass bei 10.000 Mitarbeitern über 100 Champions zusammenkamen, die auch relativ gleichmäßig über alle Funktionen verteilt sind – kein Hotspot, sondern breite Abdeckung.

Die Champions treffen sich wöchentlich virtuell zu Schwerpunktthemen: Wie wird ein Agent entwickelt, wie funktionieren spezifische Funktionen in CO SI. Sie stellen vor, was sie selbst entwickeln und wie sie an Befähigung herangehen. Patrick betont: „Das ist natürlich nochmal was anderes, wenn dir ein Kollege erklärt wie KI funktionieren kann, als wenn das jetzt ein zentrales Team oder ein externer Dienstleister macht.“

Das ist natürlich nochmal was anderes, wenn dir ein Kollege erklärt wie KI funktionieren kann, als wenn das jetzt ein zentrales Team oder ein externer Dienstleister macht.

Der Big Bang am 6. Oktober: Kommunikation und Training

Die Signal Iduna entschied sich bewusst für einen „Big Bang“-Ansatz statt schrittweiser Pilotierung. Am 6. Oktober startete ein kompletter Kommunikationstag mit intensivem Fokus auf die KI-Anwendung CO SI. Das Unternehmen setzte auf starkes visuelles Branding: Cosima, eine Astronautin im Comic-Look als Avatar, und Raketen-Imagery – „Jetzt zünden wir die nächste Stufe“ als zentrale Botschaft. Die Hauptverwaltung und Standorte waren voll mit entsprechenden Bildern und Aufmerksamkeitsmomenten.

Der Tag begann mit Botschaften des Gesamtvorstandes in einem Interview-Format, wo jeder Vorstand seine Sicht auf CO SI geben konnte. Patrick hebt hervor, wie wichtig diese Management-Botschaft war: „Damit jeder auch versteht, warum machen wir das eigentlich. Das ist ja nicht, weil es irgendwie ein cooles Wort ist oder zum Selbstzweck, sondern wir wollen ja etwas damit erreichen.“ Die Formate wurden zweimal angeboten, damit jeder Mitarbeiter die Chance hatte teilzunehmen.

Danach folgten Produktdemonstrationen durch Jan-Paul und Lisa vom CO SI-Team, die die Anwendung und ihre Funktionen erklärten. Den Abschluss bildete eine Panel-Diskussion mit Ausblick darauf, was jeder Einzelne machen kann.

Im Anschluss starteten zwei Wochen sehr intensiven Trainings mit vier täglichen Schulungsmodulen: Einstieg, vorhandene Agenten, Funktionen wie Deep Research. Jeder Mitarbeiter konnte sich individuell seinen Trainingsplan zusammenstellen und die Module wählen, die er brauchte. Ein verpflichtender Regulatorik-Modul zum EU-AI-Act stellte sicher, dass alle Mitarbeiter zu Do's und Don'ts geschult wurden – ein Compliance-Nachweis, der nach dem AI Act gefordert ist.

Nach den ersten zwei Wochen ging es weiter mit umfangreicheren Schulungen zusammen mit Google und sogenannten Werkstätten – Vor-Ort-Termine, wo Kolleginnen und Kollegen mit ihrem Laptop kommen und tiefer in spezifische Themen einsteigen können.

Demo-Days: Use Cases aus der Praxis

Ein besonders wichtiges Format sind die Demo-Days, die jetzt zweiwöchentlich etwa eine Stunde laufen. Florian hebt hervor, wie gut dieses Format funktioniert: „Es ist wirklich spannend zu sehen, erstmal wie viele Leute da dabei sind und sich das Ganze anschauen, was mit Gemini Enterprise und CO SI gemacht wird.“ Jeder kann seinen Lieblings-Use-Case vorstellen, und es kommen super viele spannende Anwendungsfälle.

Ein Highlight vom letzten Demo-Day: Das Kunden-App-Team stellte einen Case vor, der ursprünglich beim Führungskräfte-On-Site im September zum ersten Mal präsentiert wurde. Das Problem: Wenn Kunden in der App eine Nachricht eingeben, müssen sie oben angeben, zu welcher Kategorie diese gehört (z.B. Krankenversicherung), um den Vorgang richtig zu routen. Kunden kennen diese internen Zuordnungen oft nicht und treffen falsche Auswahlen. Die Folge: 40% Fehlrouting – Vorgänge landen bei der falschen Abteilung, müssen angeschaut und manuell umgeleitet werden.

Das Team testete die Gemini API für automatisches Routing basierend auf dem Nachrichteninhalt. Seit drei Wochen ist die Lösung live und hat die Fehlrouting-Quote von 40% auf 20% halbiert. Patrick betont: „Bei mehreren tausend Kundenvorgängen über ein Jahr hat das einen enormen Effekt.“ Eine sehr kleine Anpassung im Prozess mit enormer Wirkung – möglich gemacht durch breite Befähigung statt zentraler Steuerung.

Ein weiteres Beispiel aus der Praxis: Mitarbeiter im Schadensbereich lassen sich komplexe Schadensakten von 100 Seiten zusammenfassen und sparen dadurch 15 Minuten pro Fall. Diese Person erzählt vielleicht beim Mittagessen darüber, und dann nutzt es ein anderer auch – so entsteht organisches Wachstum und ein Movement in der Organisation.

CO SI KV: Zwei Jahre Learnings in der Agenten-Entwicklung

Der Krankenversicherungs-Wissensassistent CO SI KV läuft seit knapp zwei Jahren und ist der komplexeste Use Case der Signal Iduna. Florian betont ein zentrales Learning: „Ein Agent kommt aus dem Business, gehört dem Business und muss auch vom Business gewollt und getrieben werden.“ Das cross-funktionale Team aus Business- und Tech-Profilen arbeitet eng zusammen – ein Ergebnis der Umstellung auf interdisziplinäre Produktentwicklung in den letzten Jahren.

Die wichtigste Erkenntnis: Agenten sind nie fertig. Die Entwicklung ist ein kontinuierlicher Prozess aus Evaluation, Feedback-Schleifen und Verbesserungen. Man braucht einen robusten Prozess, um die Qualität sicherzustellen: einen Fragenkatalog zur Evaluation, Überprüfung der Antworten, kontinuierliches Feedback aus dem Betrieb, Identifikation von „blinden Flecken“ (Themen, die noch nicht gut funktionieren), und deren Behebung.

Das Feedback kann kein Techie alleine bewerten – es braucht das Fachteam, das ständig ein Auge drauf hat. Blinde Flecken können technische Probleme sein, fehlende Dokumente oder schlecht strukturierte Datenquellen. Wenn Fehler identifiziert sind, werden neue Fragen in den Evaluations-Katalog aufgenommen, eine neue Version deployed, und das Spiel beginnt von vorne.

Die Zahlen sprechen für sich: Der Agent startete mit 80% Antwortqualität und liegt jetzt bei 85% – bei gleichzeitig steigendem Scope. Am Anfang lag der Fokus auf Betriebsfragen (Kann ich mein Kind in die Krankenversicherung aufnehmen? Beihilfe-Themen für Beamte). Über die Zeit kamen weitere Funktionen hinzu, etwa Leistungsfragen (Wird meine Zahnbehandlung übernommen?). Trotz steigender Komplexität wird die Qualität besser – ein beeindruckender Erfolg.

Fehlerquellen und Herausforderungen bei komplexen Agenten

Die verbleibenden 15% „Fehler“ sind keine klassischen Halluzinationen, sondern haben spezifische Ursachen:

Widersprüchliche Dokumente: Die Signal Iduna hat über die Zeit verschiedene andere Versicherungen übernommen, etwa den Deutschen Ring. Das führt zu verschiedenen Tariflandschaften, die sich teilweise unterscheiden. Man muss sicherstellen, dass zum richtigen Tarif auch die richtigen Dokumente und Richtlinien berücksichtigt werden.

Probleme mit Tabellendarstellung: Dokumente sind für menschliche Leser optimiert und enthalten viele verschiedene Tabellen mit verbundenen Zellen und mehrdeutigen Überschriften. Das wird schwer von KI-Modellen verstanden – hier muss an der Datenquelle gearbeitet werden.

Out-of-Scope-Fragen: Es gibt einfach Fragen, die nicht im Scope sind. Man muss definieren, zu welchen Themen keine Antwort gegeben wird. Diese „keine Antwort“-Fälle sind Teil der 15% und müssen nicht falsch sein – oft ist es gewollt, dass der Agent hier keine Antwort gibt.

Florian fasst zusammen: „Der Blumenstrauß an Fehlerquellen ist schon groß. Man kann nicht sagen, es gibt jetzt einen Riesen-Hebel, sondern es ist am Ende einfach Fleißarbeit.“ Die Fehlerquellen müssen gesichtet, geclustert, priorisiert und behoben werden.

Evaluation: Offline-Tests und Feedback-Schleifen

Die Signal Iduna nutzt zwei parallele Evaluations-Pfade:

Offline-Evaluation: Definition eines gewünschten Verhaltens durch Gold-Standard-Frage-Antwort-Paare und Definition unerwünschten Verhaltens. Automatisches Generieren von Antworten auf bestimmte Fragen und Überprüfung, ob das gewünschte Verhalten eingehalten wird.

Feedback-Integration: Kontinuierliches Sammeln von Feedback aus dem produktiven Betrieb. Die identifizierten Fehler und Probleme werden stetig in die Offline-Evaluation integriert. Der Fragenkatalog und die Definition des gewünschten Verhaltens wachsen über Zeit. So entsteht ein immer besserer Überblick darüber, welche Bereiche gut oder schlecht funktionieren.

Wichtig: Alle produktiven Agenten arbeiten mit 100% Human-in-the-Loop. Es gibt keine automatischen Entscheidungen ohne menschliche Kontrolle. Die Agenten geben nur Vorschläge, die finale Entscheidung trifft immer ein Mensch. Das ist ein bewusster Governance-Ansatz, gerade bei Agenten, die nah am Geschäftsprozess sind.

Governance: Low-Code versus High-Code Agenten

Die Signal Iduna unterscheidet zwischen einfachen Agenten, die Mitarbeiter selbst erstellen können, und komplexeren Anwendungen, die professionelle Entwicklung benötigen. Intern sprechen sie von „Low-Code“ und „High-Code“ – auch wenn die Begriffe technisch nicht ganz präzise sind.

Aktuell wird ein Prozess definiert, der festlegt, bis wohin jemand einen Agenten selbst erstellen kann und ab wann zusätzliche Prozessschritte notwendig sind. Einige klare Kriterien sind bereits definiert:

Schreibende Aktionen: Sobald ein Agent schreibend in einem System agiert, also ein Tool oder eine Aktion ausführt, braucht es zusätzliche Sicherheitsmechanismen und professionelle Entwicklung.

Externe Schnittstellen: Die Einbindung von Konnektoren (Schnittstellen zu anderen Systemen) erhöht die Komplexität deutlich.

Geschäftskritische Prozesse: Wenn der Agent direkt in kritische Geschäftsprozesse eingreift, ist ein formaler Prozess notwendig.

Assistive Agenten: Wenn es nur darum geht, dass ein Agent eine Information im Fenster wiedergibt, sind mehr Freiheiten möglich.

Die Idee ist ein Funnel-Modell: Jeder hat die Möglichkeit, Agenten zu erstellen. Aber es gibt sehr klare Mechanismen, die dafür sorgen, dass bei einer gewissen Komplexitätsstufe der Use Case in einen offiziellen Prozess mündet. Dann wird geprüft, welche der Ideen wirklich ein dediziertes Squad zur Umsetzung brauchen. Patrick fasst zusammen: „Wir gucken dann, wo braucht es nochmal wirklich ein Team, eine Squad, die das Ganze umsetzen kann.“

Die technologische Wende: Von Skepsis zu Durchbruch

Florian gibt einen ehrlichen Einblick in seine Perspektive auf Agenten über die Zeit: „Am Anfang des Jahres, glaube ich, hat man Agenten zum Funktionieren gebracht, indem man die Definition geändert hat.“ Früher war ein Agent etwas Komplexes, das die Umwelt wahrnehmen und autonom Aktionen durchführen kann. 2025 hieß dann plötzlich alles Agenten – und dann hat es auch funktioniert.

Florians Hauptskepsis lag in der mangelnden Planungsfähigkeit der Modelle: „Sie haben zwar Dinge getan, aber nicht so oft das Richtige.“ Der Wendepunkt kam mit OpenAI o1 und Google Gemini 2.5 Pro. Plötzlich konnten die Modelle verstehen, was man von ihnen möchte, auch in komplexeren Fällen. Man kann einfache Workflows, die man sonst coden musste, jetzt einfach prompten.

Beispiel: „Hol dir erst die Informationen aus dem CRM-System, welche Verträge der Kunde hat, hol dir die Informationen aus dem REC-System, und wenn noch Informationen fehlen oder wenn Verweise auf das SGB da sind, such im Sozialgesetzbuch nach und gib dann eine Antwort.“ Florian: „Das funktioniert jetzt plötzlich. Das hatte ich so nicht erwartet, muss ich sagen.“

Agent-to-Agent: Vom Buzzword zur organisatorischen Notwendigkeit

Auch beim Thema Agent-to-Agent-Kommunikation vollzog Florian eine Kehrtwende: „Das fand ich immer so ein bisschen, wir werfen jetzt noch ein Passwort obendrauf, dass der Hype irgendwie am Laufen bleibt.“ Die Praxis zeigte aber etwas anderes.

Bei CO SI KV wurden über die Zeit verschiedene Funktionen gebaut. Das Interessante: Hinter jeder Funktion steht meist ein eigenes Team. Das Leistungsteam bewertet Feedback zu Leistungsfragen und definiert, wie sich der Agent dazu verhalten soll. Das Betriebsteam ist für Betriebsfragen zuständig. Jedes Team baut eigene Tools ab, die der Agent verwendet.

Florian erkennt: „Vielleicht sind es ja tatsächlich eigene Agenten, die vollkommen, also ein Agent komplett in der Verantwortung eines Teams liegt.“ Statt eines großen Stücks Software sind es dann vielleicht zwei oder drei Agenten, die miteinander kommunizieren müssen. „Und plötzlich macht dann auch so ein Buzzword wie Agent-to-Agent-Kommunikation oder Multi-Agent-System irgendwie Sinn.“

Diese Entwicklung ist nicht nur technisch sinnvoll, sondern folgt auch der Organisation: Verschiedene Teams können eigene Agenten entwickeln und betreiben, die dann in einem größeren System zusammenarbeiten. Das ist deutlich praktikabler als monolithische Agenten-Architekturen.

Learnings aus CO SI V1: Führungskräfte und Durchhaltevermögen

Patrick teilt zwei zentrale Learnings aus der ersten CO SI-Version:

Führungskräfte wurden nicht genug mitgenommen. Bei CO SI V1 gingen sie ziemlich breit in die Organisation mit Schulungen und KI-Power-Weeks – ganze Wochen voller Formate, Impulse und Trainings. Die Rolle der Führungskraft im Change-Prozess sei aber „ungeheuer wichtig“. Deshalb gab es vor dem Gemini Enterprise Go-Live spezielle Führungskräfte-Trainings.

Durchhaltevermögen war entscheidend. Patrick betont: „Dass das, was uns eigentlich unterscheidet von anderen ist, dass wir das Durchhaltevermögen hatten.“ Nach den ersten Tests, wo die Antwortqualität noch nicht da war, haben sie nicht aufgegeben. Sie hatten Management-Support für weiteres Testen und die notwendigen Ressourcen. Jetzt ist CO SI KV ein toller Case, über den sie gerne erzählen.

Florian ergänzt, dass genau das ihn von der Signal Iduna überzeugt hat: „Man hat wirklich mit dem komplexesten Use Case angefangen und hat nicht aufgehört, als es am Anfang nicht sofort gut war.“ Oft wird sich vorsichtig von einfach nach kompliziert herangetastet, und selbst da schnell die Flinte ins Korn geworfen mit der Aussage „funktioniert ja alles nicht, alles ein Hype“. Dass Signal Iduna drangeblieben ist, findet er faszinierend.

Patrick unterstreicht die strategische Bedeutung: „Ohne CO SI KV kein großes CO SI oder Gemini Enterprise Rollout.“ Der Krankenversicherungs-Wissensassistent war das Versatzstück, das zeigte, dass die Technologie echte Mehrwerte bringt. Das gab den Mut und das Selbstbewusstsein, all-in zu gehen und die gesamte Belegschaft vorzubereiten.

Dass das, was uns eigentlich unterscheidet von anderen ist, dass wir das Durchhaltevermögen hatten.

Strategischer Nordstern: Momentum 2030 und der demografische Wandel

Die KI-Initiative der Signal Iduna ist fest in der Unternehmensstrategie Momentum 2030 verankert. Es handelt sich um eine klare Wachstumsstrategie: von heute 7 Milliarden Euro Beitragsvolumen auf 10 Milliarden Euro bis 2030. Gleichzeitig – und das ist nicht Teil der Strategie, aber Fakt – hat die Signal Iduna einen hohen Altersdurchschnitt. Patrick nennt die Zahl: „Wir haben 30% der Mitarbeiter, die uns in den nächsten zehn Jahren altersbedingt verlassen werden.“

Diese Kombination stellt eine enorme Herausforderung dar: Wachstum bei gleichzeitigem Verlust von fast einem Drittel der Belegschaft. In Momentum 2030 ist KI als Leuchtturm definiert – als wettbewerbsdifferenzierendes Merkmal. KI ist sehr klar unter dem Feld Mehrwirkung, also Produktivität, verortet.

Patrick betont die Bedeutung dieser strategischen Verankerung: „Es ist sehr klar aus unserer Strategie für jeden Mitarbeiter ersichtlich, warum wir diese Technologie einsetzen.“ Als beim CO SI-Tag am Big Bang das Management sprach, war das ungeheuer wichtig: „Damit die Mitarbeiter verstehen, warum soll ich das denn jetzt überhaupt machen.“

Die klare Botschaft lautet: KI ist nicht Selbstzweck oder ein cooles Schlagwort, sondern die Antwort auf reale Herausforderungen. Patrick warnt: „Ich glaube, das Schlimmste, was passieren kann, ist, wenn ein Geschäftsführer oder Vorstand sagt, probiert das mal ein bisschen aus, spielt damit mal rum, dann wird genau gar nichts passieren.“

Die Effekte sind bereits sichtbar: Mitarbeiter identifizieren erste Prozessverbesserungen, sei es die Zusammenfassung 100-seitiger Schadensakten mit 15 Minuten Zeitersparnis pro Fall, sei es das intelligente Routing in der Kunden-App. Diese Personen erzählen beim Mittagessen davon, andere nutzen es dann auch – „dadurch entsteht so ein Movement bei uns in der Organisation“, das durch die KI-Champions zusätzlich verstärkt wird.

Kernaussagen

Business-Ownership bei Agenten — „Ein Agent kommt aus dem Business, gehört dem Business und muss auch vom Business gewollt und getrieben werden.“ Cross-funktionale Produktentwicklung
Buy statt Build — „Selbst bauen wird immer schwieriger und man wird von Anbietern wie Google und Co. einfach überholt.“ Enterprise-Lösungen, strategische Partnerschaften
Dezentrales Change Management — „Das ist natürlich nochmal was anderes, wenn dir ein Kollege erklärt wie KI funktionieren kann, als wenn das jetzt ein zentrales Team oder ein externer Dienstleister macht.“ KI-Champions, Multiplikatoren
Qualität steigt trotz Komplexität — „Von 80% auf 85% Antwortqualität bei steigendem Scope – trotz steigender Komplexität wird die Qualität besser.“ Kontinuierliche Evaluation, Feedback-Schleifen
Fleißarbeit statt Silver Bullet — „Der Blumenstrauß an Fehlerquellen ist schon groß. Man kann nicht sagen, es gibt jetzt einen Riesen-Hebel, sondern es ist am Ende einfach Fleißarbeit.“ Fehlerquellen-Clustering, Priorisierung
Kontrolle abgeben ist schwer — „Das Problem ist, wir Menschen sind nicht so gestrickt, dass wir gerne die Kontrolle an das ominöse Nichts, die KI, abgeben.“ Human-in-the-Loop, Governance
Definition versus Realität — „Am Anfang des Jahres hat man Agenten zum Funktionieren gebracht, indem man die Definition geändert hat.“ Agentische Fähigkeiten, Planungsfähigkeit
Der technologische Wendepunkt — „Das funktioniert jetzt plötzlich. Das hatte ich so nicht erwartet, muss ich sagen.“ OpenAI o1, Gemini 2.5 Pro
Multi-Agent-Systeme folgen der Organisation — „Plötzlich macht dann auch so ein Buzzword wie Agent-to-Agent-Kommunikation oder Multi-Agent-System irgendwie Sinn.“ Teamverantwortung, dezentrale Architektur
KI als Antwort auf demografischen Wandel — „Wir haben 30% der Mitarbeiter, die uns in den nächsten zehn Jahren altersbedingt verlassen werden – KI ist unsere Antwort darauf.“ Momentum 2030, Wachstumsstrategie
Der Leuchtturm-Case — „Ohne CO SI KV kein großes CO SI oder Gemini Enterprise Rollout.“ Proof of Value, strategische Basis
Durchhaltevermögen als Differenzierungsmerkmal — „Dass das, was uns eigentlich unterscheidet von anderen ist, dass wir das Durchhaltevermögen hatten.“ Management-Support, Ressourcen
Klare Management-Botschaft statt Spielerei — „Das Schlimmste, was passieren kann, ist, wenn ein Geschäftsführer oder Vorstand sagt, probiert das mal ein bisschen aus, spielt damit mal rum, dann wird genau gar nichts passieren.“ Strategische Verankerung, Commitment

Fazit und Takeaways

Für Entscheider und Strategieverantwortliche

Strategische Verankerung ist essentiell: KI muss als Leuchtturm in der Unternehmensstrategie verankert sein mit klarem Business Case. Bei Signal Iduna ist KI die Antwort auf Wachstumsziele (7 auf 10 Mrd. Euro) bei gleichzeitig 30% altersbedingter Fluktuation.
Management-Commitment zeigen: Klare Botschaften vom Gesamtvorstand schaffen Akzeptanz und Motivation. „Probiert mal ein bisschen rum“ führt zu gar nichts – es braucht deutliche Aussagen, warum KI notwendig ist.
Durchhaltevermögen zahlt sich aus: Mit dem komplexesten Use Case anfangen und nicht aufgeben, wenn es am Anfang nicht sofort gut funktioniert. CO SI KV war der Leuchtturm-Case, der den Weg für den großen Rollout ebnete.
Betriebsräte einbinden: Die Anregung für die KI-Champions kam vom Betriebsrat – konstruktive Sozialpartnerschaft kann Transformation beschleunigen statt bremsen.