KI in der Praxis: Wie 3 Teams KI in echte operative Erfolge verwandelten
Menschlicher Kontrollpunkt: Erfolgreiche KI-Fallstudien bewahren die menschliche Prüfung und verlagern die Überwachung auf Ausnahmen, anstatt die Verantwortung abzuschaffen.
Kontaktklassifizierung: Chime automatisierte die Anrufklassifizierung und -prüfung, sodass sich Mitarbeitende auf die Kunden konzentrieren können, während Modellgenauigkeit und Rückschritte überwacht werden.
Verbesserungen bei der Prognose: Die agentenbasierte KI von Amazon verkürzte die Zeit für die Bedarfsplanung um 80 Prozent und reduzierte den Prognosefehler durch sauberere, transparente Daten um 40 Prozent.
Ablaufintegration: ACV Auctions verkürzte die Dauer des Fahrzeugverkaufszyklus um zwei Drittel, indem Datenerfassung, Bewertung, Vermarktung, Transaktionen und Auftragsabwicklung miteinander verbunden wurden.
Vertrauensaufbau: Teams erreichten Akzeptanz, indem sie klein anfingen, messbare Ergebnisse zeigten, unübersichtliche Daten vereinfachten und die Beteiligten während der gesamten Einführung in die Verantwortung nahmen.
Fallstudien zu KI gibt es meist in zwei Varianten: vage Erfolgsgeschichten ohne konkrete Zahlen oder übertriebene Darstellungen, die den schwierigen Teil einfach überspringen.
DPMs jüngste Veranstaltung „KI in freier Wildbahn“ wurde ins Leben gerufen, um beides zu vermeiden. Drei Führungskräfte — eine aus einer Fintech-Kundenserviceorganisation, eine aus Amazons Bereich der Bedarfsplanung und eine von einem Online-Marktplatz, auf dem Autohäuser Gebrauchtwagen kaufen und verkaufen — führten durch die KI-Systeme, die sie tatsächlich entwickelt hatten, die dabei aufgetretenen Probleme und die Zahlen, die am Ende daraus hervorgingen.
Chris Hernandez, leitender Manager für KI-Abläufe bei Chime, eröffnete die Sitzung mit einem Einblick darin, wie sein Team die Klassifizierung von Kontaktgründen bei Kundenserviceanrufen automatisiert hat. Aniket Ghonge, leitender Manager für Lieferketten bei Amazon, stellte anschließend die agentenbasierte KI-Plattform vor, die er allein entwickelt hatte, um die Bedarfsplanung zu verbessern. Anika Banakh, Direktorin für das Management von Technologieprogrammen bei ACV Auctions, schloss die Veranstaltung mit der durchgängigen digitalen Betriebsplattform ab, die ihr Team zur Modernisierung des Fahrzeugverkaufs entwickelt hatte.
Kostenlos freischalten
Erstellen Sie ein kostenloses Konto, um diesen Beitrag zu Ende zu lesen und Teil einer Community zukunftsorientierter Führungskräfte zu werden, die Tools, Leitfäden und Insights für den Erfolg im Zeitalter der KI freischaltet.
Have an account? Log In
Oberflächlich betrachtet haben die drei Projekte wenig gemeinsam. Doch alle verband ein gemeinsames Thema: Keines dieser Teams behandelte KI als etwas, das man einrichtet und anschließend sich selbst überlässt. Jedes System behielt einen menschlichen Kontrollpunkt bei, selbst nachdem die manuelle Arbeit weggefallen war.
Mit KI mehr Aufmerksamkeit für die Mitarbeiter an vorderster Front schaffen
Das Team von Hernandez begann damit zu untersuchen, was Callcenter-Mitarbeiter während eines Kundengesprächs tatsächlich taten — und es ging um mehr als nur darum, das Problem des Kunden zu lösen. Die Mitarbeiter machten sich Notizen und versuchten außerdem, das Gespräch mit dem richtigen Kontaktgrund zu versehen — aus mehr als 1.500 möglichen Kategorien — und das alles, während das Gespräch noch lief.
„Wir hatten mehr als 1.500 verschiedene Varianten von Kontaktgründen, aus denen sie auswählen sollten“, sagte Hernandez. „Und zu wissen, welcher davon der richtige war, war immer schwierig.“ Der Prozess war manuell, uneinheitlich und fehleranfällig und lenkte die Aufmerksamkeit vom Gesprächspartner am anderen Ende der Leitung ab.
Das Team entwickelte einen Klassifikator, der ein LLM nutzte, um Gesprächstranskriptionen zu prüfen und den Kontaktgrund automatisch anzuwenden. Daraus entstand ein zweites, ungeplantes Projekt: Hernandezs Team verbrachte nun viel Zeit damit zu überprüfen, dass der Klassifikator keine Halluzinationen erzeugte und erwartungsgemäß funktionierte. Also entwickelten sie eine zweite KI-Pipeline, die ausschließlich dazu diente, die erste zu prüfen. Dieses System „gruppiert wiederkehrende Fehler, erkennt die Fehler, führt außerdem seine Tests durch und präsentiert die Ergebnisse meinem Team“, anstatt dass eine Person jeden einzelnen Fall prüfen muss.
Dorthin zu gelangen war nicht einfach. Hernandez zufolge läuft jede Modellentscheidung auf drei Stellschrauben hinaus: Geschwindigkeit, Genauigkeit und Kosten. Ein kleineres, günstigeres Modell lieferte schnelle Ergebnisse, war aber weniger genau; ein größeres Modell, das mit der Komplexität umgehen konnte, bedeutete höhere Kosten. Als die Entwicklung von Eingabeaufforderungen an ihre Grenzen stieß, setzte das Team auf abrufbasierte Ansätze und Stapelverarbeitung, um die Kosten zu kontrollieren. Außerdem musste es einen „Goldstandard-Datensatz“ aufbauen und kontinuierlich pflegen — eine verlässliche Quelle der Wahrheit, an der sich die Genauigkeit des Klassifikators messen ließ, selbst wenn sich die zugrunde liegenden Kontaktgründe laufend änderten.
Akzeptanz entstand dadurch, dass die Taxonomie selbst hinterfragt wurde, nicht nur das Modell. „Manchmal denken wir, dass man einfach jede Lösung mit KI versehen könnte und das dann die endgültige Lösung für alles ist“, sagte Hernandez. „Aber aus guten Daten entstehen gute Ergebnisse. Und wenn die eingegebenen Daten schlecht sind, werden auch die ausgegebenen Daten schlecht sein.“ Das führte dazu, dass das Team seine Liste mit mehr als 1.500 Kontaktgründen vereinfachte, anstatt das Modell damit umgehen zu lassen.
Zu den Ergebnissen gehörten Einsparungen bei der Gesprächsbearbeitung und eine effizientere Nachbearbeitung der Anrufe. Hernandez machte jedoch deutlich, was am wichtigsten war: den Mitarbeitern Zeit zurückzugeben, damit sie sich auf das Mitglied und nicht auf den Papierkram konzentrieren konnten. „Jedes Mal, wenn wir Aufgaben automatisieren, haben wir den Kontrollpunkt nicht wirklich entfernt, sondern verschoben“, sagte er. „KI ist ein Verstärker, um zeitraubende Routinearbeit zu beseitigen, aber der Mensch in der Kontrollschleife sorgt dafür, dass dieser Verstärker tatsächlich vertrauenswürdig ist.“
Dieses Gleichgewicht zeigt sich unmittelbar darin, wie die Prüf-Pipeline heute funktioniert. Anstatt darauf zu vertrauen, dass das System Änderungen direkt in die Produktionsumgebung überträgt, erstellt es wöchentlich einen Bericht, der aufzeigt, wo Rückschritte oder Testfehler aufgetreten sind. So weiß Hernandezs Team genau, worauf es sich konzentrieren muss. „Dort finden wir das richtige Gleichgewicht“, sagte er, „indem wir versuchen, ein LLM als Prüfer und verschiedene Fähigkeiten zu nutzen, um mehr zu erweitern und zu übernehmen, ohne Risiken für das Unternehmen einzuführen.“
Bedarfsplanung in der Lieferkette mit agentenbasierter KI automatisieren
Ghonges Team arbeitet mit Tausenden von Lieferanten und Partnern. Die für die Bedarfsprognose jedes einzelnen benötigten Daten waren über CRM-Software, Projektmanagement-Tools und Excel-Tabellen verstreut — und von einem System zum nächsten uneinheitlich bezeichnet. „Es gab keine Kontrolle über die Daten, weil die Datenpipelines aus verschiedenen Programmen kommen und unterschiedliche Verantwortliche und Nutzer haben“, sagte er.
Alle Daten manuell abzugleichen, kostete Ghonge 16 bis 20 Stunden pro Woche — und das zu einem Zeitpunkt, als das Unternehmen noch relativ klein war. „Das war für mich verrückt“, sagte er. Also begann er zu experimentieren, zunächst mit einem Excel-Prototyp, um zu testen, ob der Ansatz funktionieren konnte. Er half, aber nicht vollständig. Daraufhin wandte er sich der agentenbasierten KI zu und entwickelte das System selbst — mit Erfahrung in der Erstellung von Dashboards und in der Definition von Produktanforderungen, aber ohne formale Ausbildung in der Softwareentwicklung.
Die Einführung begann im kleinen Rahmen – Ghonge war der einzige Nutzer – und verbreitete sich über informelle Kanäle: Geschäftsreview-Telefonate, gemeinsame Mittagessen zum Lernen und Mundpropaganda. Vier Monate später hatte die Plattform mehr als 75 Nutzer und Tausende von Aufrufen.
Die Ergebnisse waren beträchtlich. Was früher 20 Stunden dauerte, nimmt jetzt zwei Stunden in Anspruch – eine Zeitersparnis von 80 % bei der Erstellung einer Nachfrageprognose, zusätzlich zu einer 40-prozentigen Verringerung des Prognosefehlers. „Die größte Verbesserung ist eine Reduzierung der für die Erstellung der Nachfrageprognose erforderlichen Zeit um 80 % bei gleichzeitig hoher Genauigkeit“, sagte Ghonge. „Außerdem haben wir eine Verringerung des [Prognose-]Fehlers um etwa 40 % festgestellt.“ Das System verschaffte dem Team zudem einen Einblick, den es zuvor nie hatte – die Möglichkeit, genau aufzuschlüsseln, welche Lieferantenmerkmale für Tausende monatlicher Änderungen verantwortlich waren, anstatt zu raten.
Das Vertrauen entstand nicht durch das KI-Etikett. Es entstand durch Transparenz. Wenn als Projektmanagementdaten exportierte 18.000 Zeilen tatsächlich nur 600 bis 700 echte Tickets darstellten, analysierte und konsolidierte Ghonges System dieses Durcheinander in einer übersichtlichen Tabelle, die Nutzer direkt prüfen konnten, anstatt das Quelltool Ticket für Ticket zu durchsuchen. „Statt jedes Mal für jedes Ticket das Tool aufzurufen, können sie jetzt einfach alles in einem System sehen“, sagte er. Die Nutzer konnten außerdem jede beliebige frühere Woche aufrufen und mit der aktuellen vergleichen und beobachten, wie die Prognosefehler im Laufe der Zeit zurückgingen – ein Beweis dafür, dass das System tatsächlich funktionierte und nicht nur Automatisierung vorgab.
Ghonge schrieb der KI außerdem etwas zu, das er ursprünglich nicht geplant hatte: die Dokumentation. Nachdem er begonnen hatte, die KI zu bitten, seine eigenen Implementierungen und den dafür aufgewendeten Zeitaufwand zu verfolgen, konnte er seinen eigenen Entwicklungsprozess im Nachhinein quantifizieren – bis hin zur Anzahl der dafür erforderlichen Prompts.
Aufbau einer KI-gestützten digitalen Betriebsplattform
Banakhs Team machte sich daran, die gesamte Reise eines Fahrzeugverkaufs neu zu konzipieren – wie Fahrzeuge auf den Markt gebracht, bewertet, vermarktet, Käufern zugeordnet, verkauft, bereitgestellt und transportiert werden – und daraus einen zusammenhängenden digitalen Prozess zu machen, statt des traditionellen Branchenmodells: Ein Kunde bringt einmal pro Woche ein Auto zu einer stationären Auktion und hofft, dass es an diesem Tag verkauft wird.
„Wir haben vor Kurzem für einen unserer wichtigsten Partner einen vollständig intelligenten digitalen End-to-End-Workflow entwickelt, der die Erfassung von Fahrzeugdaten, Inspektion, Bewertung, Vermarktung, Käufersuche, Transaktion und Bereitstellung umfasst“, sagte Banakh. „Im Grunde ist alles zu einem kontinuierlichen Prozess verschmolzen.“
Der schwierigste Teil war nicht die Technologie. Es war die Branche selbst. „Der menschliche Faktor ist in dieser Branche bekanntermaßen digitalfeindlich“, sagte Banakh. „Ich sehe immer noch Händler mit Stift und Papier für die Dokumentation herumlaufen.“ Das bedeutete, dass das Projekt mehr als eine Prozessänderung erforderte – es brauchte das, was Banakh einen Paradigmenwechsel bei den grundlegenden Verhaltensweisen nannte, und dabei kann man leicht Fehler machen.
Aufgrund des engen Zeitplans nutzte Banakhs Team KI, um eine Reihe von Persönlichkeiten der verschiedenen Beteiligten zu simulieren und zu besprechen, wie der Workflow zusammengeführt werden sollte. „Im Grunde haben wir den Entwurf des Workflows gemeinsam erstellt“, sagte sie. „Anschließend wurde er unserem Partner zur Validierung vorgelegt. Dadurch wurden die Gespräche wirklich beschleunigt“ – langsame Validierungstreffen mit jeweils nur einer Person wurden durch einen Entwurf ersetzt, auf den der Partner direkt reagieren konnte.
Das Projekt befindet sich noch in einer frühen Pilotphase, daher konnte Banakh nur begrenzte Zahlen nennen. Das Hauptergebnis stach jedoch hervor: Die Durchlaufzeit ist bereits um zwei Drittel gesunken, obwohl das System noch nicht vollständig optimiert wurde. „Die Durchlaufzeit ist derzeit um zwei Drittel reduziert, und wir haben das System noch nicht vollständig optimiert“, sagte sie und fügte hinzu, dass weitere Einsparungen bei Kosten, Wertverlust der Vermögenswerte und menschlichem Arbeitsaufwand zu erwarten seien.
Um skeptische Beteiligte zu überzeugen, war kein offensiver Verkaufsansatz erforderlich. „Man spricht über die Gründe und den ROI, und echte Geschäftsleute sind überzeugt, wenn sie das Ergebnis sehen“, sagte Banakh. Für Händler, die lieber auf die alte Weise weitermachen möchten, ist das ebenfalls in Ordnung – das System ist für Partner konzipiert, die landesweit expandieren möchten, und nicht dafür, jeden Workflow zu ersetzen, der für jemanden bereits funktioniert.
Die gemeinsame Grundlage
Unterschiedliche Branchen, unterschiedliche Tools, unterschiedliche Größenordnungen – aber dieselbe grundlegende Disziplin. Hernandez' Team entwickelte ein zweites KI-System, nur um sicherzustellen, dass das erste zuverlässig blieb. Ghonge integrierte Transparenz in seine Plattform, damit die Nutzer die Daten selbst überprüfen konnten, anstatt den Ergebnissen einfach zu vertrauen. Banakhs Team sorgte für eine „nahtlose Übergabe bei jedem Schritt“, wobei ein Programmmanager dafür verantwortlich war, Anomalien zu erkennen, die bei einer rein menschlichen Prüfung sonst übersehen worden wären.
Keines dieser Teams gewann Unterstützung, indem es KI als Konzept anpries. Sie gewannen sie, indem sie etwas Kleines auslieferten, dessen Funktionieren bewiesen und die Ergebnisse für sich sprechen ließen. Wie Banakh es ausdrückte: „Echte Geschäftsleute sind überzeugt, wenn sie das Ergebnis sehen.“ Das ist das Muster hinter allen drei Fallstudien: Es geht weniger um die KI selbst als um die Disziplin, gemeinsam mit ihr Vertrauen in das System einzubauen.
Du möchtest mehr Einblicke wie diese? Melde dich für ein kostenloses DPM-Konto an, um von weiteren Experten wie diesen zu hören und als Erster über bevorstehende Veranstaltungen informiert zu werden.