Sechs Monate KI-Strategie, null Zeilen Code

  • Produktions-KI in 4 Wochen
  • Rückstau an Ausnahmen abgebaut
  • Vorstandsdemo ersetzte die Foliensammlung
  • 4 Wochen Zeit vom Auftrag bis zur Produktions-KI
  • 78% Routing-Genauigkeit der Ausnahmen beim Start
  • 260 auf 80 Wöchentliche Personenstunden (vorher/nachher)

Was sich geändert hat

Zeit vom Auftrag bis zur Produktions-KI
4 Wochen
Routing-Genauigkeit der Ausnahmen beim Start
78%
Wöchentliche Personenstunden (vorher/nachher)
260 auf 80
Durchschnittliche Bearbeitungszeit pro Ausnahme
8 Min. auf 2 Min.
Zusätzlich benötigtes Personal
0 $
Live-Demo, die die 40-seitige Foliensammlung ersetzte
1

Die Ausgangslage

Ein britisches Logistikunternehmen mit 400 Mitarbeitenden und einem vom Vorstand bewilligten KI-Budget von 500.000 $ hatte sechs Monate damit verbracht, KI einzuführen. Es hatte einen KI-Strategieberater engagiert, 12 Anbieter evaluiert, 3 in die engere Wahl genommen, zwei Proof-of-Concept-Builds gestartet, beide abgebrochen und eine 40-seitige Strategiefoliensammlung erstellt. Nichts lief in Produktion. Das ist die Regel, nicht die Ausnahme: Eine Umfrage von S&P Global aus dem Jahr 2025 unter mehr als 1.000 Unternehmen ergab, dass 42% die meisten ihrer KI-Initiativen aufgegeben hatten, gegenüber 17% im Jahr zuvor, und dass die durchschnittliche Organisation 46% ihrer Proof-of-Concepts verwarf, bevor sie die Produktion erreichten. Der Vorstand verlor die Geduld. Das Betriebsteam, das von der KI-Investition profitieren sollte, hatte aufgehört, an den KI-Steuerungssitzungen teilzunehmen, weil es nicht glaubte, dass jemals etwas ausgeliefert würde.

Was wirklich kaputt war

Das grundlegende Problem war der Umfang. Die KI-Strategiefoliensammlung deckte sieben Anwendungsfälle in vier Abteilungen ab. Jeder Anwendungsfall hatte eine Geschäftsbegründung, eine Anbieterempfehlung und einen Zeitplan. Aber niemand hatte die wichtigste Frage gestellt: Welchen bauen wir zuerst, und was bedeutet "fertig" für diese eine Sache? Die Strategie behandelte alle sieben Anwendungsfälle als ein Portfolio, das parallel zu liefern sei. In der Praxis bedeutete das, dass jede Sitzung zu einer Debatte über relative Priorität, Anbieterauswahl und Ressourcenverteilung über sieben Initiativen hinweg wurde. Keine einzelne Initiative hatte genug Fokus oder Ressourcen, um die Produktion zu erreichen. Die KI-Umfrage von McKinsey aus dem Jahr 2025 ergab, dass Organisationen, die signifikante finanzielle Renditen meldeten, doppelt so häufig einen durchgängigen Workflow neu gestaltet hatten, bevor sie eine Modellierungstechnik wählten. Diese Foliensammlung hatte diese Reihenfolge umgekehrt: Sie wählte Anbieter und Architekturen für sieben Workflows, die sie nie wirklich neu gestaltet hatte.

Die beiden abgebrochenen Proof-of-Concepts veranschaulichten das Problem deutlich. Der erste war ein Nachfrageprognosemodell, das 18 Monate historischer Daten erforderte, die bereinigt und normalisiert werden mussten, bevor das Training beginnen konnte. Das Datenteam veranschlagte allein für die Datenaufbereitung drei Monate. Das Projekt wurde im zweiten Monat eingestellt, als sich die Datenbereinigung als komplexer erwies als erwartet. Der zweite war ein Chatbot für den Kundenservice, der die Integration mit sieben internen Systemen erforderte. Die Integrationsarbeit wurde auf vier Monate geschätzt. Das Projekt wurde im ersten Monat eingestellt, als die erste Integration drei Wochen statt der veranschlagten drei Tage dauerte. Beide folgten dem Lehrbuch-Fehlermuster: eine Demo, die auf sauberen Beispieldaten aufgebaut ist und in dem Moment zerbricht, in dem sie auf Echtzeitsysteme und unordentliche Produktionsdatensätze trifft. Die Branchenforschung ist deutlich, was diese Lücke angeht. Von den KI-Proof-of-Concepts, die tatsächlich die Produktion erreichen, dauert der durchschnittliche Weg vom Prototyp zum Livesystem etwa acht Monate, und die meisten legen diese Strecke überhaupt nie zurück.

Das Betriebsteam hatte den akutesten Schmerz. Es bearbeitete wöchentlich etwa 2.000 Lieferausnahmen: Pakete, die verspätet, fehlgeleitet oder beschädigt waren. Jede Ausnahme erforderte, dass ein menschlicher Bearbeiter die Details prüfte, den passenden Lösungs-Workflow bestimmte und sie manuell an das richtige Team weiterleitete. Der Prozess dauerte durchschnittlich 8 Minuten pro Ausnahme und verbrauchte rund 260 Personenstunden pro Woche. Der Betriebsleiter hatte seit zwei Jahren um Automatisierung gebeten. Die Arbeit war genau die Art von strukturierter, sich wiederholender Klassifizierung, die maschinelles Lernen gut beherrscht: eine Handvoll Ausnahmeattribute zu lesen und sie dem richtigen Lösungs-Workflow zuzuordnen, dieselbe Triage, die Logistikplattformen im Jahr 2026 inzwischen automatisieren, um von reaktiver Brandbekämpfung zu proaktivem Routing überzugehen. Die KI-Strategiefoliensammlung führte ihn als Anwendungsfall Nummer fünf von sieben auf, geplant für das vierte Quartal. Das Betriebsteam hatte aufgehört zu warten.

Schritt für Schritt

Sitzung zum einzelnen Anwendungsfall

Wir führten eine zweistündige Sitzung mit dem Betriebsleiter, dem Leiter des Datenteams und dem CTO durch. Das Ziel war, einen Anwendungsfall zu identifizieren, der drei Kriterien erfüllte: hohe geschäftliche Wirkung, verfügbare Trainingsdaten und Erreichbarkeit in vier Wochen. Das Routing von Lieferausnahmen erzielte in allen drei die höchste Bewertung. Die Daten waren bereits in der Betriebsdatenbank strukturiert, die geschäftliche Wirkung war quantifizierbar (260 Personenstunden pro Woche), und die Zuordnungslogik war musterbasiert statt generativ, was bedeutete, dass eine einfachere Modellarchitektur ausreichte. Die Obergrenze von vier Wochen war bewusst gewählt. Ein Anwendungsfall, den man nicht in einem Monat ausliefern kann, ist meist ein Anwendungsfall, der nicht genug eingegrenzt wurde, und ein ins Stocken geratener Pilot lehrt die Organisation nichts außer, dass KI hier nicht funktioniert.

Datenvalidierung und Modellarchitektur

Wir verbrachten drei Tage mit der Validierung der Ausnahmedaten: 18 Monate gelöster Ausnahmen mit Bearbeiternotizen, Lösungscodes und Routing-Entscheidungen. Die Daten waren sauber genug für das Training ohne umfangreiche Vorverarbeitung. Wir wählten ein Klassifizierungsmodell, das Ausnahmeattribute (Typ, Frachtführer, Ursprung, Ziel, Wert) auf Lösungs-Workflows abbildete. Kein LLM erforderlich, kein Prompt-Engineering, keine Token-Kosten, die mit dem Volumen skalieren. Das ist ein Muster, das die breitere Branche immer wieder neu lernt: Die stärksten Ergebnisse in der Logistik entstehen aus der Kombination klassischer Betriebsmethoden mit historischen Daten und einem fokussierten Modell, nicht aus dem Griff nach dem größten verfügbaren System. Das Modell musste genau sein, nicht kreativ.

Aufbau der funktionierenden Integration

Die Integration wurde so gebaut, dass sie neben dem bestehenden manuellen Prozess läuft, statt ihn zu ersetzen. Wenn eine neue Ausnahme einging, sagte das Modell den Lösungs-Workflow voraus und füllte die Routing-Felder vorab aus. Der Bearbeiter konnte den Vorschlag mit einem Klick annehmen oder überschreiben. Das ist das Human-in-the-Loop-Design, das Produktions-KI-Teams inzwischen als Standard behandeln: Das Modell schlägt vor, ein Mensch entscheidet, und jede Überschreibung wird als beschriftetes Trainingssignal erfasst, statt im Workflow verloren zu gehen. Das bedeutete, dass das Modell ohne jedes Risiko für den bestehenden Betrieb bereitgestellt werden konnte. Falsche Vorhersagen wurden einfach korrigiert, und die Korrekturen flossen mit der Zeit direkt in das Modell zurück.

Produktivsetzung und Messung

Die Integration wurde in Woche drei in Produktion gebracht. Bis Woche vier routete das Modell 78% der Ausnahmen ohne Eingreifen des Bearbeiters korrekt. Die verbleibenden 22% erforderten manuelle Prüfung, aber die vorab ausgefüllten Felder sparten weiterhin Zeit, selbst wenn der Bearbeiter das Routing änderte. Das Betriebsteam ging von 8 Minuten pro Ausnahme auf durchschnittlich unter 2 Minuten zurück. Die wöchentlichen Personenstunden sanken von 260 auf etwa 80 und gaben rund 180 Stunden pro Woche für die Ausnahmen frei, die wirklich menschliches Urteilsvermögen erforderten. Der Betriebsleiter präsentierte dem Vorstand eine Live-Demo statt der üblichen Foliensammlung.

In ihren Worten

Wir haben acht Monate über KI geredet. Ihr habt in drei Wochen etwas ausgeliefert. Das Betriebsteam stand auf und applaudierte, als es die Routing-Vorhersagen funktionieren sah. So etwas habe ich in einer Steuerungssitzung noch nie erlebt.
DeclanLeiter Betrieb, Logistik Vereinigtes Königreich

Alles, was Sie im ersten Termin fragen würden

Empfehlen Sie immer, mit einem einzigen Anwendungsfall zu beginnen?

Ja. Jede KI-Initiative, die wir erfolgreich gesehen haben, begann mit einem einzigen, klar definierten Anwendungsfall, der schnell die Produktion erreichte. Breite Strategien, die versuchen, mehrere Anwendungsfälle gleichzeitig abzudecken, geraten durchweg ins Stocken, was einer der Gründe ist, warum die veröffentlichten Ausfallraten in Unternehmen so hoch liegen. Liefern Sie eine Sache aus, beweisen Sie den Wert im echten Betrieb und erweitern Sie dann von einer funktionierenden Grundlage aus statt von einer Folie.

Hat sich die Genauigkeit im Laufe der Zeit verbessert?

Ja. Die Modellgenauigkeit stieg von 78% beim Start auf 89% nach 8 Wochen, da die Korrekturen der Bearbeiter zusätzliche Trainingsdaten lieferten. Die Feedbackschleife war vom ersten Tag an in den Workflow eingebaut, sodass jede Annahme und jede Überschreibung die nächste Vorhersage besser machte. Modelle ohne diese Schleife neigen dazu, in die andere Richtung zu driften, wenn sich die Daten der realen Welt verschieben; dieses verbesserte sich gerade deshalb, weil die Korrekturen einen Weg zurück ins Training hatten.

Was, wenn wir keine sauberen historischen Daten haben?

Datenqualität ist der häufigste Blocker für KI-Projekte. Wenn die Daten nicht sauber sind, planen wir zuerst einen Sprint zur Datenaufbereitung. Wir sind ehrlich bei den Zeitplänen: Wenn die Datenaufbereitung 8 Wochen dauert, sagen wir 8 Wochen, nicht 2. Mangelnde Datenbereitschaft ist der am häufigsten genannte Grund, aus dem KI-Initiativen aufgegeben werden, also schätzen wir sie lieber genau, als sie in Woche drei zu entdecken. Das Logistikunternehmen hatte 18 Monate saubere, strukturierte Ausnahmedaten, und genau das machte den Zeitplan von 4 Wochen möglich.

Bauen Sie maßgeschneiderte Modelle oder nutzen Sie KI von der Stange?

Das hängt vom Anwendungsfall ab. Für dieses Projekt war ein maßgeschneidertes Klassifizierungsmodell die richtige Wahl, weil das Problem klar definiert und die Daten strukturiert waren. Für andere Projekte nutzen wir OpenAI, Anthropic oder Open-Source-Modelle, wo sie besser passen. Ein generatives Modell wäre für eine Routing-Aufgabe mit festen Kategorien wie dieser langsamer, teurer und ungenauer gewesen. Die Technologiewahl folgt der Problemdefinition, nicht umgekehrt.

4 Wochen Zeit vom Auftrag bis zur Produktions-KI

Kontakt aufnehmen

Erzählen Sie uns, was Sie bauen möchten. Wir sagen Ihnen, womit man anfängt und was es braucht.

VonGründer und Imaginator

Veröffentlicht