Wie balanciert man KI-Demokratisierung mit strategischem Impact?

Intro

In dieser Episode spricht Felix mit Ludwig Pannach, Head of AI bei der XXXLutz Gruppe, über den systematischen Aufbau eines produktmanagement-getriebenen AI Centers of Excellence. Ludwig teilt seine Erfahrungen aus dem ersten Jahr als KI-Verantwortlicher beim zweitgrößten Möbelhändler der Welt und erklärt, wie XXXLutz KI-Demokratisierung mit strategischem Impact erfolgreich balanciert. Die Episode zeigt exemplarisch, wie ein traditionelles, inhabergeführtes Unternehmen mit 80-jähriger Geschichte KI strategisch einführt – nicht als Projekt, sondern als fundamentalen Wachstumstreiber für die Digitalisierung des Möbelhandels.

Inhaltsübersicht

Aufbau eines modernen AI Centers of Excellence mit drei strategischen Säulen: Enablement, Impact und Trust
Produktmanagement als bewusste strategische Entscheidung für KI-Transformation statt reiner Technologie- oder Transformationsfokus
Systematische Priorisierung durch Data & AI Readiness Assessment über alle Unternehmensbereiche
Balance zwischen Company GPT für 90% niedrigschwelliger Use Cases und strategischen High-Impact-Projekten
Demokratisierung von Lösungsmethodik statt nur von KI-Tools durch Ambassador-Programm und AI Academy
First Principles Thinking in der Praxis: Von Awareness über Vision zu iterativen Experimenten
Konkrete Erfolgsgeschichten: Computer Vision für Bildsuche, KI-Influencerin, Generative Engine Optimization (GEO)
Komplexität des Möbelhandels: Von Produktdaten-Optimierung über dynamische Pricing bis zur Omnichannel-Verzahnung
60% Weekly Active Users als Erfolgsmetrik für Company GPT mit gezieltem Rollout-Management
Rolle des KI-Teams als Sparringspartner und Enabler ohne Quality-Gate-Funktion
Zukünftige Potenziale: VR-Integration, personalisierte Produktempfehlungen, predictive Logistik
Herausforderungen eines Multi-Marken-Konzerns mit 27 Online-Shops und eigenständigen Unternehmen

Über den Gast

Ludwig Pannach ist Head of AI und Lead des AI Center of Excellence bei der XXXLutz Gruppe, dem zweitgrößten Möbelhändler der Welt. Mit seiner gesamten Karriere im Produktmanagement – zuletzt als AI-Product-Lead bei Lutz und zuvor im VW-Konzern bei Porsche – bringt Ludwig eine einzigartige Perspektive auf KI-Transformation mit. Seine bewusste Positionierung von Produktmanagement als KI-Treiber unterscheidet sich vom gängigen Ansatz vieler Unternehmen, die entweder auf Transformation oder reine Technologie setzen. Ludwig verantwortet seit 11 Monaten den strategischen KI-Aufbau für einen Konzern, der Marken wie XXXLutz, Mömax, Poco, Möbelix, Conforama, Home24 und Butlers umfasst – mit tausenden Mitarbeitern und 27 Online-Shops in ganz Europa.

Detaillierte Zusammenfassung

Die Mission: KI als Wachstumstreiber im Möbelhandel

Ludwig beschreibt den Möbelhandel als Industrie, die erst relativ neu im Online-Geschäft aktiv ist und noch stark vom physischen Laden geprägt wird. XXXLutz ist ein 80 Jahre altes, inhabergeführtes Unternehmen mit einem komplexen Konzernaufbau aus vielen eigenständig agierenden Unternehmen. Die zentrale Mission des AI Centers of Excellence: "Das ändert nicht das Was, aber eben wie wir es machen und wie schnell wir es machen" – KI soll den Möbelhandel von Grund auf modernisieren und vom statischen Online-Möbelhaus zu einer intelligenten, personalisierten Customer Journey transformieren.

Die besondere Herausforderung liegt in der Komplexität des Produkts: Ein Möbelstück online zu verkaufen, mit Küchenkonfiguration und individuellen Anpassungen, ist deutlich komplexer als Standard-E-Commerce. Gleichzeitig ist die Käuferschaft bei traditionellen Marken wie XXXLutz tendenziell älter und präferiert andere Interaktionsformen wie Telefonie. Diese Rahmenbedingungen erfordern einen durchdachten, systematischen Ansatz für KI-Integration.

Drei-Säulen-Strategie: Enablement, Impact und Trust

Das AI Center of Excellence wurde vor 11 Monaten mit einer klaren strategischen Ausrichtung aufgebaut. Die drei Säulen sind:

Enablement umfasst alle Initiativen, um KI ins Unternehmen zu tragen und ein einheitliches Verständnis zu schaffen. Dazu gehört die AI Academy, in der auch der AI FIRST Podcast Teil des Lern-Ökosystems ist, sowie das Company GPT, das mittlerweile 60% Weekly Active Users erreicht hat. Ludwig betont: "Wir demokratisieren den Lösungsansatz und die Methodik" – es geht nicht nur darum, Tools bereitzustellen, sondern die systematische Herangehensweise an Problemlösung zu verbreiten.

Impact bedeutet, dass sich das KI-Team als Taskforce versteht, die in Abstimmung mit Management und Inhabern gezielt in strategische Unternehmensbereiche geht. "Wir können nicht nur einfach Lösungen implementieren und suchen, also die Lösung nehmen und das Problem suchen", erklärt Ludwig. Stattdessen analysiert das Team systematisch, wo die größten Hebel liegen, welche davon sich in Daten wiederfinden lassen und wie schnell Lösungen entwickelt werden können.

Trust adressiert Governance und Compliance. Das Team hat eine Mitarbeiterrichtlinie entwickelt, ein Governance-Board mit Datenschutz- und IT-Security-Abteilungen gebildet und sich auf die EU AI Act-Compliance vorbereitet. Dies schafft die Grundlage für handlungsfähiges, regelkonformes Agieren.

Systematische Priorisierung: Readiness Assessment als Erfolgsgeheimnis

Eine der größten Herausforderungen in der KI-Transformation ist die Gefahr der Verzettelung. Ludwig hat dafür eine zweidimensionale Matrix entwickelt: strategischer Impact auf der einen Achse, Automatisierungsgrad/AI-Readiness auf der anderen. Diese Matrix ermöglicht es, Quick Wins zu identifizieren und gleichzeitig strategische Wetten einzugehen.

Das Team hat eine umfassende Potenzialanalyse für die Inhaber durchgeführt, die sowohl Unternehmensbereiche als auch die Customer Journey berücksichtigt. Dabei werden Referenzen aus ähnlich gearteten Unternehmen herangezogen und der digitale Reifegrad verschiedener Abteilungen bewertet. Ludwig erklärt: "Es macht einen Unterschied, ob ich im Customer Care in der Bearbeitungszeit zehn Sekunden sparen kann versus vielleicht in einem unattraktiven Bereich im Hintergrund zwei, drei, fünf Stunden spare."

Der Reifegrad wird im Wesentlichen durch vorhandene Datenquellen und deren aktuelle Nutzung bestimmt. Bereiche, die heute bereits datenbasiert arbeiten, haben automatisch einen höheren Reifegrad – wie digitales Marketing im Vergleich zur klassischen Logistik. Diese Bewertung ermöglicht eine Sequenzierung, die auch bedeuten kann, dass strategisch wichtige Bereiche zurückgestellt werden, wenn die Erfolgschance aufgrund niedriger Reife zu gering ist.

Balance zwischen Top-Down und Bottom-Up: 90% Demokratisierung, 10% strategische Taskforce

Die zentrale Herausforderung liegt in der Verbindung von strategischen KI-Projekten mit der Demokratisierung von KI-Tools. Ludwigs Ansatz: 90% der niedrigschwelligen Use Cases über Company GPT und Self-Service-Tools abdecken, während sich das KI-Team auf die verbleibenden 10% mit hohem strategischem Impact konzentriert.

Eliminierte Use Cases, die vom Team weggenommen wurden, umfassen:

Übersetzungen (besser über LLM-Zugang zum Selbstausprobieren)
Einfache Datenanalyse
Textgenerierung in verschiedenen Formen
Zugänglichkeit zu Daten für simple Abfragen

Ludwig beschreibt die anfängliche Herausforderung im Team: "Vorher war das ein sehr technisch organisiertes Team. Dann kam ich und habe gesagt, ich spreche jetzt mal mit dem Management und hören mal, was die sagen und was die wollen." Die Gefahr: Management hat oft "Hollywood-Expectations im Kontext KI". Die Lösung lag in der schnellen Etablierung der strategischen Schwerpunkte und der klaren Rollenklärung.

Das KI-Team agiert nicht als Bottleneck oder Quality-Gate. "Grundsätzlich, wir sind kein Quality-Gate für irgendetwas", betont Ludwig. Jeder Bereich kann machen, was er möchte. Aber: Die Kombination aus technologischer Expertise, Produktmanagement-Methodik und rechtlichem Know-how zum EU AI Act macht das Team zum natürlichen Sparringspartner. Bereiche kommen freiwillig, weil das Team echten Mehrwert bietet.

"Innovation passiert nicht per Zufall. Wir demokratisieren den Lösungsansatz und die Methodik, nicht nur die KI-Tools."

First Principles Thinking operationalisiert: Von Awareness über Vision zu Experimenten

Ludwig beschreibt einen dreistufigen Prozess, um Prozesse wirklich neu zu denken statt nur zu optimieren:

1. Awareness schaffen: Als erstes muss das Bewusstsein für disruptive Veränderungen geschaffen werden. Das Beispiel Generative Engine Optimization (GEO): "Das kommt bei uns noch nicht an. Wir haben wenige Prozent an Inbound von Quellen aus LLMs." Ludwig legte eine Studie bei der E-Commerce-Geschäftsführung vor, die zeigt, dass sich die Suchlandschaft fundamental ändern wird. Nicht von heute auf morgen, aber die Richtung ist klar.

2. Vision zeichnen: Der entscheidende Unterschied ist die Ambition. Nicht fragen: "Wird es zu 10% automatisiert?" Sondern: "Was ist, wenn es zu 100% automatisiert wird?" Diese Vision bleibt konstant, auch wenn der Weg dorthin iterativ ist. Ludwig verweist auf seine Erfahrung bei Porsche, wo lange unterschätzt wurde, wie schnell Tesla den Markt verändern würde: "Die verkaufen doch nicht so viel... wir verkaufen 10 Millionen Fahrzeuge." Die Lektion: Nicht auf aktuelle Zahlen schauen, sondern antizipieren und vorbereiten.

3. Iterative Experimente: Der kritische Schritt, den viele Unternehmen versäumen. Statt großer Business Cases und strategischer Wetten: viele kleine Experimente. "Moderne IT- und Entwicklungsunternehmen messen, wie viele Experimente pro Kapital pro Person laufen." Im GEO-Beispiel: Erst Tracking aufbauen, Baseline etablieren, dann verschiedene Ansätze ausprobieren – von Content-Änderungen über SEO-Optimierung bis HTML-Anpassungen. Nicht theoretisch ausmalen, sondern praktisch validieren.

Ludwig betont: "Man sollte sich trotzdem auch einen längerfristigen Plan machen." Die Vision bleibt, aber der Weg wird durch schnelle Lernschleifen gefunden. Ein Beispiel: Beim Thema Produkttexte nicht einfach annehmen, dass bessere Texte helfen, sondern erst analysieren: Performen gut formulierte Texte überhaupt besser? Dann einen A/B-Test mit 100.000 KI-generierten Texten über sechs Wochen laufen lassen. Datengetrieben validieren, nicht auf Bauchgefühl vertrauen.

Produktmanagement-Methodik als Demokratisierungsstrategie

Die bewusste Entscheidung für Produktmanagement als KI-Treiber unterscheidet XXXLutz von vielen anderen Unternehmen. Ludwig erklärt: "Viele Unternehmen betonen den Transformationsaspekt und haben Transformationsteams, andere sehen es eher technologisch und haben Data Scientists und Technologen. Wir sehen das als: Wie erkenne ich Potenziale und wie hebe ich Geschäftspotenziale?"

Das zentrale Element ist das Ambassador-Programm. Dieses Programm ist nicht primär dazu da, KI beizubringen – das ist Beiwerk. Stattdessen geht es darum, systematische Problemidentifikation und -validierung zu vermitteln. "Innovation passiert nicht per Zufall", betont Ludwig mehrfach. Die Methodik umfasst:

Probleme identifizieren (nicht nur haben, sondern systematisch erfassen)
Probleme in Daten nachweisen (ist es messbar und belegbar?)
Lösungen experimentell entwickeln (nicht sofort implementieren)
Impact messen (funktioniert die Lösung wirklich?)

Ludwig beschreibt Produktmanagement als "die systematische Art und Weise, für Probleme Lösungen zu finden". Diese Kompetenz fehlt oft in Fachbereichen, die zwar Prozessexzellenz haben, aber nicht gewohnt sind, digitale Produkte für ihre Probleme einzusetzen. Das KI-Team bringt diese Kompetenz sowohl technologisch als auch methodisch ein.

Ein konkretes Beispiel: Wenn die SEO-Abteilung GEO als Thema erkennt und Unterstützung sucht, geht das KI-Team nicht einfach hin und implementiert eine Lösung. Stattdessen wird gemeinsam in die Problemerruierung gegangen: Was ist die Ursache? Bei GEO bedeutet das: besseres Verständnis der Produktdaten, beginnend bei der Dateneingabe durch Lieferanten. "Das fängt schon an, wenn bei uns Lieferanten ihre Produktdaten hochladen. Das ist eigentlich an einer ganz anderen Abteilung." Nur mit diesem Gesamtblick kann eine nachhaltige Lösung entwickelt werden.

Company GPT: 60% Weekly Active Users durch gezieltes Rollout-Management

Das Company GPT ist ein zentraler Enablement-Baustein und hat eine beeindruckende Akzeptanzrate erreicht: 60% Weekly Active Users. Ludwig erklärt die Strategie dahinter: "Das ist nicht ein 'Wann rollen wir weiter aus?' sondern 'Wenn wir das erreicht haben'. Wenn wir verstanden haben, wie wir die Adoption verbessern können durch Learnings, durch Kommunikation."

Die Metapher: "Die Schlange vor dem Club muss bleiben, weil dann wird der Club auch attraktiver. Wenn die Tür einfach offen ist und jeder reinkommen kann und dann wieder rausgeht, weil die Party schlecht ist..." Es geht um gezieltes Change-Management, nicht um technisches Rollout.

Das Company GPT wird personalisiert durch "Lucy", eine KI-Persönlichkeit, die als Maskottchen fungiert. Wenn Nutzer sich einloggen, begrüßt Lucy sie und wird zum Gesicht der KI-Initiativen. Diese Personalisierung schafft eine emotionale Verbindung und macht KI greifbarer.

Interessant ist auch die Erkenntnis über verschiedene Zielgruppen: XXXLutz hat eine tendenziell ältere Käuferschaft, die andere Interaktionsformen präferiert – Telefonanrufe sind noch sehr relevant. Ludwig: "Für uns ist es vielleicht eher Physisches, weil Möbel, alle sind so physisch. Vielleicht sind gar nicht die modernen digitalen Sachen." Diese Erkenntnis fließt in die Gestaltung des Change-Prozesses ein.

Konkrete Use Cases und Erfolgsgeschichten

Computer Vision: Bildsuche und ähnliche Produkte

Ein Kernanwendungsfall ist die bildbasierte Produktsuche. Kunden suchen Möbel stark visuell und nach Stil. Wenn jemand in einem Hotel ein skandinavisches Sofa fotografiert, kann er das Bild hochladen und ähnliche Produkte finden. "Time-to-Search oder Time-to-Basket ist dann hoch, höher als wenn ich mich durchklicken muss."

Auf Produktseiten werden nicht nur "Andere Kunden kauften auch" angezeigt, sondern "optisch ähnliche Produkte". Dies reduziert die Drop-Off-Rate, wenn der rote Stuhl in Lederoptik nicht ganz gefällt, aber ein ähnlicher Stil in anderer Farbe existiert.

Produktattribut-Extraktion für GEO

Ein innovativer Ansatz ist die Nutzung von Computer Vision zur Extraktion von Produktattributen aus Bildern. Wenn jemand eine "flüsterleise Waschmaschine" sucht, aber das Produkt nur mit "60 Dezibel" getaggt ist, entsteht eine Lücke. "Du müsstest unendlich Metadaten pflegen", erklärt Ludwig. Stattdessen werden Metadaten direkt aus Produktbildern extrahiert.

Diese Informationen werden in Alt-Texte geschrieben (ursprünglich für Accessibility gedacht) und dann für GEO genutzt, um die Brücke zwischen strukturierten Produktdaten und natürlichsprachlichen Suchanfragen zu schlagen.

KI-generierte Produktbilder: Vom Studio zu Fine-Tuned Models

Produktfotografie ist aufwendig und teuer. Gartenmöbel müssen traditionell nach Spanien verschifft und in schönen Umgebungen fotografiert werden. Mit KI lassen sich Hintergründe und Milieus generieren – aber mit Herausforderungen: "Wenn du ein Möbelstück einführst und dafür Hintergründe generieren lässt, klassischerweise verändert sich das Produkt mit."

Die Lösung: Fine-Tuned Models, die das Produkt erhalten. Ein Hintergrund wird einmal generiert, dann können rote, blaue, gelbe, grüne Sofas in denselben Hintergrund eingesetzt werden, ohne jedes Mal neu zu generieren. Für Low-Value-Produkte, bei denen aufwendige Fotografie oder CGI sich nicht lohnen, ist dies eine effiziente Alternative.

Customer Service: Von Voicebots zu Sentiment-Aware Assistants

Im Kundenservice wird nicht einfach ein Voicebot implementiert, sondern systematisch analysiert: Was fragen Kunden? Wann rufen sie an? Bei Reklamationen braucht es komplexe menschliche Interaktion, bei "Wo ist meine Lieferung?" reicht ein API-Call.

Agenten werden unterstützt durch:

Generierte Antwortvorschläge
Automatische Zusammenfassungen
Sentiment-ähnliche Einschätzung (keine klassische Sentimentanalyse im UI aus Datenschutzgründen)
Erkennung, wann die Stimmung kippt und persönliche Intervention nötig ist

Zukünftige Vision: Integration von Experten in digitale Konversationen. Im Küchenkauf könnte ein Kunde, der online konfiguriert, nahtlos zu einem Küchenberater im Store wechseln. "Diese Welten müssen wir verheiraten." Online und Offline nicht als getrennte Kanäle, sondern als integriertes Erlebnis.

KI-Influencerin: Emotionales Marketing für emotionale Produkte

Die Marketingabteilung hat eine KI-Influencerin gelauncht, um Möbel emotional zu vermarkten. Ludwig erklärt: "Möbel sind ein sehr emotionales Produkt. Jeder ist sehr oft mit dem Kauf und dem Einrichten konfrontiert, weil das auch ein tief emotionales Produkt ist, das uns repräsentiert, ähnlich wie Kleidung."

Dieser Use Case zeigt, dass KI nicht nur für Effizienz und Automatisierung eingesetzt wird, sondern auch für innovative Marketingansätze, die zur Produktkategorie und Zielgruppe passen.

Herausforderungen eines Multi-Marken-Konzerns

XXXLutz ist kein monolithisches Unternehmen, sondern ein Konglomerat aus vielen Marken: XXXLutz, Mömax, Poco, Möbelix (österreichisch), Conforama (Schweiz), Home24, Butlers und weitere. Insgesamt 27 Online-Shops.

Diese Struktur bringt spezifische Herausforderungen:

Parallelisierung von Technologie und Strategie: Jedes Unternehmen agiert eigenständig
Konkurrenz zwischen Einheiten: Niemand möchte seine Lösungen teilen
Unterschiedliche Reifegrade: Home24 als Pure Online Player hat andere Voraussetzungen als traditionelle XXXLutz-Stores
Datenzugang: Wie werden Daten geteilt und zentralisiert?

Ludwig versucht, mehr zu universalisieren und ein Portfolio an KI-Produkten aufzubauen, die sich konzernweit wiederverwenden lassen. "Die Kraft würde natürlich draußen stehen, wenn du es zentralisieren würdest. Da haben wir noch organisatorische Herausforderungen."

Ein Beispiel für unterschiedliche Reife: Home24 hat sehr hohe Standardisierung, eine junge Käuferschaft, keine Telefonie (Ludwig glaubt, es gibt nicht einmal eine Nummer zum Anrufen), weil sich alles im Self-Service lösen lässt. Die Effizienzgrade und damit die passenden KI-Ansätze unterscheiden sich fundamental von traditionellen XXXLutz-Stores mit älterer Käuferschaft und starker Telefonie-Präferenz.

"Die Schlange vor dem Club muss bleiben, weil dann wird der Club auch attraktiver. Wenn die Tür einfach offen ist und jeder reinkommen kann und dann wieder rausgeht, weil die Party schlecht ist..."

Zukünftige Potenziale: Predictive Analytics und Omnichannel-Integration

Ein großes, noch nicht gelöstes Thema sind Predictive Analytics für Logistik und Pricing. Die Komplexität des Möbelhandels macht dies besonders herausfordernd:

IKEA als Benchmark produziert selbst und optimiert, dass viele Pakete in LKWs passen. Jeder Store kann relativ gleich beliefert werden. XXXLutz hingegen sammelt Produkte von vielen Lieferanten in Lagern, kommissioniert (packt aus vielen LKWs verschiedene Produkte zusammen) und liefert dann an Stores. "Du hast dort ein viel komplexeres Konstrukt."

Mögliche Anwendungen:

Kampagnenplanung nicht nur an Ereignissen wie Black Friday orientiert, sondern an historischen Kaufdaten, Wetterdaten und anderen Faktoren
Store-spezifische Bestandsoptimierung: In Hamburg liegen andere Produkte als in Leipzig, basierend auf lokaler Kaufwahrscheinlichkeit
Dynamic Pricing basierend auf Demand-Prediction

Ludwig beschreibt die Vision: "Wenn du drüber nachdenkst über so einen VR-Case, dann ist der naheliegendste, dass ich halt einfach meinen Raum abfotografiere und dort Inspiration hole und das passende Möbel da reinpacke." Der nächste Schritt: Diese Visualisierung direkt mit Verfügbarkeit im nächstgelegenen Store oder Distribution Center verbinden.

Die Herausforderung: "Das ist super Challenge für die Zukunft, aber noch nicht gelöst leider." Aber der Ansatz ist klar: systematisch, datengetrieben, iterativ – mit demselben Produktmanagement-Mindset, das bereits in anderen Bereichen funktioniert.

Kernaussagen

Strategie ist kontextabhängig – "Man kann nichts kopieren aus anderen Unternehmen – Strategie ist darauf ausgerichtet, was das Unternehmen braucht." Kontextuelle KI-Strategie, Unternehmensindividualität
Methodik demokratisieren, nicht nur Tools – "Innovation passiert nicht per Zufall. Wir demokratisieren den Lösungsansatz und die Methodik, nicht nur die KI-Tools." Demokratisierung, Produktmanagement-Methodik, Ambassador-Programm
KI-Momentum nutzen – "Das fällt vielen Unternehmen schwer, weil sie halt hunderte Prozesse jeden Tag bedienen. Aber das Momentum mit KI ist jetzt da, dass jede einzelne Person, jedes Team, jedes Unternehmen sich damit auseinandersetzt und hinterfragt." Change Management, Prozesshinterfragung, KI-Adoption
Enabler statt Bottleneck – "Wir sind kein Bottleneck, wir sind kein Quality-Gate für irgendetwas. Grundsätzlich kann jeder machen, was er möchte." Team-Positionierung, Sparringspartner, freiwillige Zusammenarbeit
Adoption messen, nicht nur ausrollen – "60% Weekly Active Users ist unsere Kennzahl für Company GPT. Wir rollen nicht einfach aus, sondern lernen erst, wie wir Adoption verbessern können, bevor wir die Tür für alle öffnen." Rollout-Management, Adoption-Metriken, Change Management

Fazit und Takeaways

Für KI-Verantwortliche und Führungskräfte

Produktmanagement als KI-Treiber etablieren: Bewährte PM-Methoden – Problemidentifikation, Validierung, iterative Lösungsentwicklung – eignen sich hervorragend für KI-Projekte und sollten systematisch in Fachbereiche getragen werden
Systematische Priorisierung statt Verzettlung: Eine Matrix aus strategischem Impact und AI-Readiness hilft, Quick Wins zu identifizieren und gleichzeitig strategische Wetten einzugehen, ohne sich in hunderten von Use Cases zu verlieren
Balance zwischen Demokratisierung und Fokus: 90% niedrigschwelliger Use Cases über Self-Service-Tools wie Company GPT, 10% strategische High-Impact-Projekte mit intensiver Team-Begleitung – diese Balance verhindert Überlastung des KI-Teams
Enabler statt Bottleneck: Keine Quality-Gates, keine Zwangsprozesse, sondern echte Expertise und Mehrwert anbieten, damit Bereiche freiwillig kommen und zusammenarbeiten wollen
Change Management ist König: Nicht einfach Tools ausrollen, sondern Adoption-Metriken definieren (z.B. 60% Weekly Active Users), gezielt lernen, wie Adoption verbessert werden kann, und dann erst weiter skalieren

Für Produktmanager und KI-Praktiker

First Principles Thinking operationalisieren: Dreistufiger Prozess funktioniert: 1) Awareness für disruptive Veränderungen schaffen, 2) ambitionierte Vision entwickeln (100% statt 10% Automatisierung), 3) durch viele kleine Experimente iterativ nähern
Methodologie demokratisieren, nicht nur Tools: Ambassador-Programme sollten PM-Methodik vermitteln – systematische Problemidentifikation, datenbasierte Validierung, experimentelle Lösungsentwicklung – nicht nur KI-Schulungen
Datenbasiert validieren statt vermuten: Bevor eine Lösung gebaut wird, erst prüfen: Ist das Problem in Daten nachweisbar? Gibt es Korrelationen? A/B-Tests mit KI-generierten Varianten können schnell Hypothesen validieren
Vom Problem zur Ursache denken: Wenn SEO-Abteilung GEO-Unterstützung sucht, nicht einfach SEO-Lösung bauen, sondern Kette zurückverfolgen bis zur Produktdaten-Eingabe durch Lieferanten – nur so entstehen nachhaltige Lösungen
Experimente pro Person messen: Moderne Tech-Unternehmen tracken, wie viele Experimente pro Mitarbeiter und Budget laufen – diese Metrik ist relevanter als Anzahl abgeschlossener Projekte

Für Unternehmens- und Transformationsverantwortliche

Drei-Säulen-Strategie adaptieren: Enablement (Kompetenzen in die Breite), Impact (gezielte strategische Projekte), Trust (Governance und Compliance) – alle drei müssen gleichzeitig adressiert werden, nicht sequenziell
Readiness Assessment als Grundlage: Vor strategischer Planung alle Bereiche systematisch bewerten nach Datenreife, Prozessdigitalisierung und Offenheit für Veränderung – dann realistisch priorisieren, auch wenn strategisch wichtige Bereiche noch nicht bereit sind
Momentum nutzen, aber nicht als Projekt: KI ist kein Digitalisierungs-Projekt wie viele CDO-Initiativen der Vergangenheit, sondern fundamentaler Wachstumstreiber – entsprechend langfristig und strategisch verankern
Organisatorische Realitäten anerkennen: In Multi-Marken- oder Multi-Unit-Strukturen gibt es Konkurrenz zwischen Einheiten – Zentralisierung bringt Kraft, aber pragmatisch mit Autonomiewünschen umgehen und Anreize für Wissensaustausch schaffen
Von Hollywood-Expectations zu realistischen Zielen: Management hat oft unrealistische Erwartungen – durch systematische Potenzialanalysen, klare Priorisierung und messbare Erfolge realistische Erwartungen setzen

Die Episode zeigt eindrucksvoll, dass erfolgreiche KI-Transformation kein Zufall ist, sondern das Ergebnis systematischer Planung, klarer Methodik und konsequenter Umsetzung. XXXLutz beweist, dass auch ein 80 Jahre altes, traditionelles Unternehmen KI strategisch einführen kann – wenn Produktmanagement, Datenverständnis und Change Management Hand in Hand gehen. Das Momentum ist da, jetzt geht es um systematische Umsetzung mit messbarem Business Impact.

#45Wie balanciert man KI-Demokratisierung mit strategischem Impact?