Wie Körber ein GenAI Center of Excellence aufgebaut hat

Intro

In dieser Folge des AI-First-Podcasts spricht Felix mit Maximilian Henschel, Principal Product Manager für AI-Solutions bei Körber. Maximilian gibt tiefe Einblicke in die KI-Strategie des Technologiekonzerns und erklärt, wie Körber künstliche Intelligenz systematisch in Produkte und interne Prozesse integriert. Im Zentrum steht der Aufbau eines AI Center of Excellence, das mit einem dreistufigen Ansatz – von der Mitarbeiter-Awareness über Inhouse-Consulting bis zur konkreten Umsetzung – die gesamte Organisation auf die AI-Transformation vorbereitet. Besonders spannend: Die praktischen Demos für Top-Executives, die Custom-GPT-Validierungen und der Ausblick auf autonome Agenten.

Inhaltsübersicht

Vorstellung von Maximilian Henschel und seiner Rolle als Principal Product Manager AI-Solutions bei Körber Digital
Die KI-Historie bei Körber: Von AI-enabled Ventures wie FactoryPal und Inspectify zur ganzheitlichen Strategie
Die drei Säulen des AI Center of Excellence: Awareness, Inhouse-Consulting und Business Opportunities
Praktische Implementierung: Vom Copilot for Web über Custom-GPTs bis zu autonomen Agenten
Die globale Top-Executive-Workshop-Serie mit vier innovativen Demos
Custom-GPTs als schneller Validierungsansatz: Möglichkeiten und natürliche Grenzen
Der AI-First-Ansatz: Prozesse hinterfragen, aber pragmatisch die beste Lösung wählen
Teamstruktur und Zusammenarbeit zwischen Venture-Architekten, Strategic Designern und AI-Engineers
Empfehlungen für Unternehmen am Anfang ihrer AI-Reise

Über den Gast

Maximilian Henschel ist Principal Product Manager für AI-Solutions bei Körber Digital, der Digitalisierungsvertikale des Technologiekonzerns Körber. Seine Rolle unterscheidet sich vom klassischen Produktmanagement: Statt einen einzelnen Produktlebenszyklus zu verantworten, agiert er als Brückenbauer zwischen Geschäftsverständnis und Technologie. Maximilian leitet das AI Center of Excellence und ist verantwortlich für die Entwicklung und Validierung von GenAI-Use-Cases, die globale Schulung von Top-Executives sowie die strategische Integration von künstlicher Intelligenz in alle Unternehmensbereiche. Mit seinem Team aus Venture-Architekten, Strategic Designern und AI-Engineers arbeitet er daran, die gesamte Organisation AI-aware zu machen und konkrete Mehrwerte durch künstliche Intelligenz zu schaffen.

Detaillierte Zusammenfassung

Körbers früher Einstieg in die KI-Integration

Körber ist als Technologiekonzern mit vier Vertikalen aufgestellt: Digital, Technologies, Pharma und Supply Chain. Die Vertikale Digital, in der Maximilian arbeitet, verantwortet die Digitalisierung der gesamten Gruppe. Dabei ist KI bei Körber kein neues Thema – das Unternehmen erkannte früh, dass nicht nur die Maschinen allein den Mehrwert für Kunden schaffen, sondern die Kombination aus Hardware, Software und integrierter KI.

Körber Digital startete mit der Mission, AI-enabled Ventures zu bauen. Daraus entstanden erfolgreiche Ausgründungen wie FactoryPal, das die Maschinenleistung anhand von Parametern optimiert und KPIs wie die Overall Equipment Efficiency (OEE) steigert. Ein weiteres Beispiel ist Inspectify im Pharmabereich: Hier werden Impfstoffbehälter durch KI-gestützte Vision-Modelle auf Verunreinigungen und Beschädigungen geprüft – eine kritische Qualitätskontrolle unter strengen regulatorischen Anforderungen.

Neben der Produktinnovation nutzt Körber KI auch massiv für interne Effizienzsteigerungen. Im Sales-Bereich werden Quotation-Prozesse optimiert, im Service-Bereich arbeitet das Unternehmen an Self-Service-Lösungen für Kunden, die durch Assistants und RAG-Cases unterstützt werden. Das Ziel: Die hochwertige Expertise der Servicetechniker zu skalieren und First-Level-Support zu automatisieren, ohne Qualitätsverluste hinzunehmen.

Die drei Kerninitiativen für GenAI bei Körber

Seit Anfang des Jahres verfolgt Körber drei parallele Kerninitiativen für GenAI. Erstens das Center of Excellence, das Maximilian leitet und auf das wir später detailliert eingehen. Zweitens das Competence Center innerhalb der zentralen IT-Organisation, das sich auf GenAI-Features bestehender Applikationen konzentriert – etwa Salesforce Einstein oder SAP Joule. Drittens ein starker Fokus auf GenAI in der Softwareentwicklung, beispielsweise durch den Einsatz von GitHub Copilot.

Diese drei Säulen arbeiten eng zusammen und tauschen sich kontinuierlich aus. Wenn das Center of Excellence einen Use Case identifiziert, der bereits durch ein existierendes Software-Feature abgedeckt werden könnte, wird er ans Competence Center übergeben. Diese klare Aufgabenteilung verhindert Doppelarbeit und stellt sicher, dass jede Initiative ihre spezifische Expertise einbringen kann.

Das AI Center of Excellence: Struktur und Ansatz

Das AI Center of Excellence verfolgt einen strategischen, sequenziellen Dreisäulen-Ansatz. Die erste Säule ist GenAI-Awareness: Das Ziel ist eine breite Mitarbeitendenbasis, die versteht, was mit GenAI möglich ist. Die zweite Säule bilden Dedicated Capabilities – das Team agiert als Inhouse-Consulting für GenAI-Fragen und begleitet von der ersten Idee bis zur Validierung. Die dritte Säule heißt Exposed New Business Opportunities: Hier werden priorisierte Use Cases in konkrete Prototypen und Lösungen überführt.

Maximilian betont, dass diese Sequenz nicht starr ist. Aus Workshops entstehen oft direkt Use Cases, die sofort in die Business-Opportunities-Phase gehen. Entscheidend ist die Kombination aus dezentraler Use-Case-Identifizierung – denn nur die Menschen in den jeweiligen Prozessen kennen die tatsächlichen Probleme – und zentraler Priorisierung sowie Expertise-Bündelung.

Das Kernteam besteht aus einem Senior-Venture-Architekten, einer Strategic Designerin, einem AI-Engineer, dem Team-Lead und Maximilian selbst. Die Venture-Architekten treiben Validierungen voran und spannen den Bogen über alle drei Dimensionen (Desirability, Viability, Feasibility), während Maximilian sich auf Feasibility konzentriert und die Designerin auf Desirability. Unterstützt wird das Team durch die Datenplattform-Infrastruktur bei Körber Digital, die schnelles Prototyping und LLM-Anbindungen ermöglicht.

Die globale Top-Executive-Workshop-Serie

Der aktuelle Fokus liegt auf GenAI-Awareness durch eine globale Workshop-Serie für Top-Executives. Bisher wurden fünf Workshops durchgeführt: dreimal in Hamburg für europäische Kollegen, einmal in den USA und zuletzt in Bangkok für die asiatischen Teams. Insgesamt wurden über 100 Executives trainiert, die nun als Multiplier in die Organisation wirken sollen.

Die Workshops folgen einem zweitägigen Format. Tag 1 steht unter dem Motto "Inspire & Understand" und vermittelt hands-on, was mit GenAI möglich ist – durch vier selbst entwickelte Demos, die spezifisch auf Körbers Branche und Use Cases zugeschnitten sind. Die Teilnehmer werden in vier Gruppen aufgeteilt und durchlaufen alle Demos in 45-Minuten-Slots.

Demo 1 ist die Prompting-School: Hier lernen die Teilnehmer, wie sie Copilot for Web – eine in Körbers gesicherter Infrastruktur laufende ChatGPT-ähnliche Lösung – direkt nach dem Workshop anwenden können. Demo 2 widmet sich Custom-GPTs: Gemeinsam wird ein Custom-GPT aufgebaut, mit Knowledge-Dateien gefüttert und Instruction-Prompts verfeinert. Die Teilnehmer erleben, wie schnell und zugänglich diese Technologie ist.

Demo 3 zeigt einen "Shift in User Interfaces": Servicetechniker können ihren Einsatzbericht nicht mehr nur in ein Formular eintippen, sondern per Telefon in einem AI-Interview einsprechen – auch ohne aktive Internetverbindung vor Ort. Das System stellt sicher, dass alle relevanten Parameter abgefragt werden, und erzeugt strukturierte JSON-Dateien, aus denen verschiedene Berichtsformate generiert werden können. Maximilian betont, wie überraschend deterministisch das probabilistische Modell hier agiert.

Demo 4 geht in die Zukunft: Autonome Agents simulieren Teams für Business-Validierung, Stock-Analysis oder Custom-Aufgaben. Die Agents arbeiten proaktiv zusammen, definieren eigenständig Aufgaben und nutzen Fallback-Tools, wenn primäre Tools versagen. Diese Demo zeigt die Vision, setzt aber auch einen realistischen Rahmen: Die Technologie ist noch nicht robust genug für Produktiveinsatz, da eine Zuverlässigkeit von 99,99 Prozent erforderlich wäre.

Tag 2 der Workshops fokussiert auf "Apply & Deliver": Use-Case-Generierung, Priorisierung und erste Schritte zur Implementierung. Die Teilnehmer nehmen nicht nur Wissen mit, sondern auch konkrete Ideen, wie GenAI ihre Prozesse transformieren könnte.

Custom-GPTs als Validierungsansatz

Ein zentraler Befund aus den Use-Case-Validierungen: Sehr viele Anwendungsfälle lassen sich bereits über Custom-GPTs abdecken. Maximilian definiert Custom-GPTs klar: Es geht nicht um das Training eigener Modelle, sondern darum, bestehenden Modellen zusätzlichen Kontext (PDFs, Dokumente) und präzise Instruction-Prompts zu geben.

Körber testet Custom-GPTs derzeit in gesicherten ChatGPT-Instanzen, plant aber den Übergang zu einer eigenen Lösung in der Körber-Infrastruktur – etwa über Azure OpenAI. Ein wichtiger Grund ist der Abstraction Layer zwischen Business-Logik und Modellen: Wenn morgen ein anderes Modell besser ist als GPT-4.0, soll ein Admin mit einem Klick alle Custom-GPTs auf das neue Modell umschalten können. Das verhindert Vendor-Lock-in und ermöglicht Flexibilität.

Das Team arbeitet systematisch daran, die natürlichen Limitierungen von Custom-GPTs zu identifizieren. Maximilian nennt zwei klare Ausschlusskriterien: Bildanalyse und -erstellung funktionieren noch nicht gut, ebenso die Verarbeitung sehr großer Dokumentenmengen oder komplexer Datenformate wie Excel und PowerPoint mit vielen Grafiken. Ein weiteres Problem: Custom-GPTs erlauben keine programmatische Schleifenlogik. Wenn ein Custom-GPT einen Fehler macht und der User manuell nachfragt, korrigiert es sich zwar, aber diese Qualitätsprüfung lässt sich nicht automatisieren.

Für alle anderen Use Cases – etwa ein Legal-GPT zur NDA-Prüfung – sind Custom-GPTs ein schneller und pragmatischer Weg. Körber begleitet die Fachbereiche eng beim Aufbau, nimmt die Subject-Matter-Experts mit auf die Reise und iteriert gemeinsam. Langfristig soll ein Self-Service-Modell entstehen: Key-User verwalten ihren Custom-GPT eigenständig, das Center of Excellence greift nur noch bei kritischen Fragen ein.

Der AI-First-Ansatz: Pragmatisch statt dogmatisch

Körber verfolgt einen AI-First-Ansatz, der oft missverstanden wird. Maximilian stellt klar: "AI-First heißt nicht, dass wir mit dem AI-Hammer durchs Unternehmen laufen." Stattdessen nutzt Körber GenAI als Anker, um Prozesse und Produkte kritisch zu hinterfragen: Wo gibt es Potenzial? Was können wir besser machen?

Ob die Lösung dann tatsächlich mit AI umgesetzt wird, ist sekundär. Wenn ein simples Dashboard das Problem löst, wird das Dashboard gebaut. Maximilian betont: "Wir sind keine Research-Einheit, die neue Modelle entwickeln will. Wir wollen Probleme lösen." Dieses pragmatische Mindset verhindert Over-Engineering und stellt sicher, dass die einfachste und effektivste Lösung gewählt wird.

Bei der Entscheidung Build, Buy oder Partner gibt es kein Standardkriterium. Körber schaut sich an: Was gibt es am Markt? Was würde Eigenentwicklung kosten? Was lernen wir, wenn wir selbst bauen? Maximilian ist ein Fan davon, Prototypen selbst zu bauen, weil das Team dadurch viel kritischer externe Anbieter evaluieren kann. Wer selbst die Grenzen von Agents oder RAG-Systemen erlebt hat, fällt nicht auf Marketingversprechen herein.

Die Priorisierung von Use Cases erfolgt zunächst anhand von Business Impact und Ease of Implementation. Dahinter stecken dann tiefere Validierungen entlang der drei Dimensionen Desirability (Lösen wir ein echtes Problem?), Viability (Gibt es einen Business-Nutzen?) und Feasibility (Können wir das technisch bauen?). Dieser Design-Thinking-orientierte Ansatz stellt sicher, dass keine Lösung im Elfenbeinturm entsteht, sondern eng mit den Nutzern entwickelt wird.

Autonomous Agents: Vision und Realität

Die vierte Demo der Executive-Workshops zeigt autonome Agents – und Maximilian macht deutlich, dass dies ein Blick in die Zukunft ist, nicht in die Gegenwart. Der große Unterschied zu Custom-GPTs liegt in der Proaktivität: Während ein Custom-GPT auf konkrete Aufgaben reagiert, definiert ein Team aus Agents eigenständig, welche Schritte nötig sind, um ein abstraktes Ziel zu erreichen.

Körber nutzt einen hierarchischen Manager-Prozess: Ein Manager-Agent koordiniert das Team, verteilt Aufgaben an spezialisierte Agents (z.B. für Business-Validierung oder Stock-Analysis) und überwacht den Fortschritt. Die Agents erkennen, wenn ein Tool nicht funktioniert, und nutzen automatisch Fallback-Optionen. Diese Selbstheilungsfähigkeit ist beeindruckend – aber noch nicht zuverlässig genug.

Maximilian schätzt, dass Agents in 50 Prozent der Fälle sehr gute Ergebnisse liefern. Für die Produktion braucht es aber 99,99 Prozent Zuverlässigkeit. Bis dahin wird es noch einige Jahre dauern. Trotzdem ist die Demo wertvoll: Sie zeigt den Executives, wohin die Reise gehen könnte, und inspiriert zu visionärem Denken – ohne unrealistische Erwartungen zu wecken.

Skalierung der AI-Initiativen in die Breite

Nach den Top-Executive-Workshops folgt die Skalierung in die Organisation. Neben den Executives als Multipliern setzt Körber auf Team-Trainings, die funktionsspezifisch sind: Sales, Marketing, Engineering – jedes Team bekommt maßgeschneiderte Workshops mit relevanten Use Cases. Zusätzlich entstehen On-Demand-Videos, die jederzeit und zeitzonen-unabhängig abrufbar sind.

Maximilian betont, dass Körber natürlich auch GenAI in den eigenen Trainings nutzt – etwa durch AI-Avatare, die Lerninhalte präsentieren. Das wäre ja absurd, ein Center of Excellence für GenAI zu haben und dann keine GenAI für die Trainingsproduktion zu verwenden.

Das Ziel ist klar: Alle knapp 12.000 Mitarbeitenden von Körber sollen ein Grundverständnis für GenAI entwickeln – nicht jeder muss Experte werden, aber jeder soll wissen, was möglich ist und an wen er sich mit Fragen wenden kann. Dieses dezentrale Verständnis kombiniert mit zentraler Expertise ist der Schlüssel zur erfolgreichen AI-Transformation.

Kernaussagen

KI als integraler Bestandteil des Produktportfolios: "KI ist bei Körber kein neues Thema. Wir haben früh erkannt, dass nicht nur unsere Maschinen alleine die Qualität bringen oder den Mehrwert bringen für unsere Kunden, sondern wir auch die Software mit liefern müssen und auch obendrauf dann AI inkludieren sollten in die Software." Hardware-Software-Integration, Produktinnovation
GenAI als Anker für Prozessoptimierung: "Wir nutzen AI als Anker, um mal unsere Prozesse ganz kritisch hinzuhinterfragen. Weil ich glaube, jeder Prozess langfristig wird durch Gen-AI angefasst im Sinne von, es könnte durchaus verbessert werden." Prozesshinterfragung, kontinuierliche Verbesserung
AI-First bedeutet Problemlösung, nicht Technologie-Dogma: "Wir sagen AI first, läuft dieser ganze Prozess. Und AI first heißt bei uns, wir nehmen AI, Gen-AI, als Anker unsere Prozesse, unsere Produkte einmal zu hinterfragen zu challengen, was können wir besser machen, wo gibt es Potenzial? Ob das dann am Ende aber mit AI gelöst wird, das Problem, ist eigentlich egal, solange Hauptsache das Problem wird gelöst." Pragmatismus, Lösungsorientierung
Breite Awareness als Fundament der Transformation: "Was ich auf jeden Fall raten würde, ist mit Trainings mit Workshops zu starten. Weil du brauchst das Verständnis innerhalb der gesamten Organisation. Ich brauche überall in jedem Prozess jemanden, die sich darin anschaut wie funktioniert das gerade, was machen wir gerade, und das so halbwegs abgleicht mit den technischen Möglichkeiten." Organisationsentwicklung, Multiplier-Effekt
Einfachheit vor Komplexität: "Wir müssen nicht hochgradig komplexe Modelle dann drauf schmeißen wenn ich es beispielsweise über ein simples Dashboard machen kann. Da bin ich der Allererste der dann sagt, lass uns das simpel halten, wir wollen das Problem lösen, wir sind keine Research-Einheit." Pragmatismus, Over-Engineering vermeiden

Wir nutzen AI als Anker, um mal unsere Prozesse ganz kritisch hinzuhinterfragen. Weil ich glaube, jeder Prozess langfristig wird durch Gen-AI angefasst im Sinne von, es könnte durchaus verbessert werden.

Fazit und Takeaways

Für Unternehmen am Anfang ihrer AI-Reise

Trainings und Workshops als Fundament: Eine breite GenAI-Awareness in der gesamten Organisation ist unerlässlich. Nicht jeder muss Experte werden, aber jeder sollte verstehen, was möglich ist und wie man AI-Lösungen hinterfragen kann.
Top-Down-Ansatz mit Multiplier-Effekt: Körber trainiert zuerst Executives, die dann als Multiplikatoren in ihre Teams wirken – ein effizienter Weg, um 12.000 Mitarbeitende zu erreichen.
Zentrale Expertise kombiniert mit dezentraler Identifizierung: Use Cases entstehen am besten dort, wo die Prozesse ablaufen. Eine zentrale Anlaufstelle für Priorisierung, Validierung und Umsetzung verhindert Wildwuchs und Ineffizienz.
Externe Beratung als Kickstarter: Wenn interne AI-Expertise fehlt, ist der Einstieg über externe Beratung oft schneller und pragmatischer als langwierige Einstellungsprozesse in einem schwierigen Markt.

Für die Implementierung von GenAI-Lösungen

Custom-GPTs als schneller Validierungsweg: Viele Use Cases lassen sich bereits mit Custom-GPTs (Knowledge + Instructions) abdecken – ohne eigene Modelle trainieren zu müssen. Das ermöglicht schnelle Experimente und reduziert Entwicklungsaufwand.
Grenzen von Custom-GPTs kennen: Bildanalyse, große Dokumentenmengen und komplexe Datenformate (Excel, PowerPoint) sind aktuelle Limitierungen. Hier braucht es maßgeschneiderte Lösungen.
Abstraction Layer zwischen Business-Logik und Modellen: Die Modelllandschaft verändert sich rasant. Eine Architektur, die einen flexiblen Wechsel zwischen Modellen ermöglicht, verhindert Vendor-Lock-in und steigert langfristige Agilität.
Hands-on mit den Nutzern entwickeln: Keine Elfenbeinturm-Entwicklung – Subject-Matter-Experts müssen von Anfang an involviert sein, um sicherzustellen, dass die Lösung echte Probleme löst.

Für die strategische Ausrichtung

AI-First heißt nicht AI-Only: GenAI als Anker nutzen, um Prozesse kritisch zu hinterfragen – aber pragmatisch die beste Lösung wählen, auch wenn es ein simples Dashboard ist.
Desirability, Viability, Feasibility gleichwertig prüfen: Nur weil etwas technisch machbar ist, muss es nicht gebaut werden. Business-Nutzen und echte User-Probleme müssen im Zentrum stehen.
Autonome Agents als Inspiration, nicht als Produktionsziel: Die Vision von proaktiven Agent-Teams ist faszinierend, aber die Technologie braucht noch Jahre bis zur erforderlichen Zuverlässigkeit von 99,99 Prozent.

Körbers strukturierter Ansatz zeigt, wie ein traditionsreiches Industrieunternehmen die GenAI-Transformation systematisch und pragmatisch angeht: Breite Awareness schaffen, zentrale Expertise bündeln, schnell validieren und dabei niemals vergessen, dass es um das Lösen echter Probleme geht – nicht um Technologie um ihrer selbst willen.

#3Wie Körber ein GenAI Center of Excellence aufgebaut hat