Rückblick auf das Netural KI Symposium | Teil 2 von 3

Dieser Artikel ist der zweite Teil unserer Reihe über das Netural KI Symposium vom 23. April im QUADRILL der Linzer Tabakfabrik.

Im ersten Teil haben wir euch die Talks von Albert Ortig und Univ.-Prof. Dr. Sepp Hochreiter zusammengefasst. Nun tauchen wir mit Carina Seidel und Martin Obermayr tiefer ein in die Frage, wie aus KI-Ideen denn nun echte, wirksame Anwendungen werden – nämlich mit der richtigen Datenbasis und nachhaltigen KI-Applikationen.

Sie waren nicht dabei oder möchten die Talks noch einmal in voller Länge erleben? Das gesamte Recording des Netural KI Symposiums finden Sie hier.

Carina Seidel ist Expertin für Advanced Analytics, BI und KI bei SPAR Österreich. Ihr Ziel? Aus Daten echte Wertschöpfung generieren. Ihre Kernthesen beim KI Symposium: KI-Transformation beginnt nicht mit Algorithmen – sie beginnt mit Daten; und Datenqualität ist kein IT-Thema, sondern ein Thema für das gesamte Unternehmen.

Die zentralen Bausteine für qualitativ hochwertige Daten sind laut Carina Seidel Korrektheit, Konsistenz, Vollständigkeit, Aktualität, Gültigkeit und Eindeutigkeit. Erklärt wurden diese anhand eines Praxisbeispiels aus der Lebensmittelbranche: Jeder Artikel muss eindeutig identifizierbar sein und über vollständige Metadaten verfügen – etwa zu Saisonalität oder Verderblichkeit. Auf dem Weg vom Lieferanten bis zur Ladentheke durchläuft er viele Systeme. Jedes davon muss klare Regeln durchsetzen (z. B. korrekte Einheiten, kein Negativpreis) und Daten einheitlich erfassen und weitergeben. Andernfalls entstehen Brüche in der Datenkette, Daten werden doppelt hinterlegt und Prognosen verfälscht.

Das Prognosemodell von SPAR Österreich erreicht zur Zeit eine Genauigkeit von 90% und hilft damit, Lebensmittelabschriften und Verderb zu minimieren. Dieser Erfolg war nur durch konsequente Arbeit an der Datenqualität möglich – und durch das Aufbrechen von Datensilos mittels einer zentralen Cloud-Lösung, einheitlicher Kennzahlendefinitionen, der aktiven Einbindung der Fachbereiche sowie eines Data-Governance-Frameworks mit klaren Prozessen und Verantwortlichkeiten. Denn, wie Carina Seidel es treffend formulierte: Wenn alle verantwortlich sind, ist niemand verantwortlich.

Im Bereich der Datenbereinigung zeigen vor allem Dublettenerkennungen, Standardisierungen von Eingabedaten, automatisierte Ausreißererkennungen und Plausibilitätsprüfungen die größte Wirkung. Problematische Datensätze aus Berichten herauszufiltern löst das Problem nicht, es versteckt es nur. Die Sichtbarkeit von Datenqualitätsproblemen ist die Voraussetzung für Verbesserung.

Ebenso wichtig ist die Unternehmenskultur. Denn datengetriebene Entscheidungen, egal ob von Mensch oder KI, werden auf Misstrauen stoßen, wenn Daten nicht als wertvolle Ressource verstanden werden – selbst dann, wenn sie auf korrekten Grundlagen beruhen.

Nachhaltig erfolgreiche KI-Applikationen brauchen zweierlei: echte Wirkung und einen Wow-Faktor – so Martin Obermayr, Director Strategy & Consulting bei Netural. Der Wow-Effekt ist dabei kein Nice-to-have, sondern eine Voraussetzung für den erfolgreichen Rollout, denn er motiviert und überzeugt.

Österreichische Unternehmen scheitern jedoch oft an beidem. Die einen verlieren sich in endlosen Business Cases und ROI-Kalkulationen, bevor auch nur ein einziger Schritt in die Praxis gewagt wird. Die anderen kommen über einzelne POCs nicht hinaus oder scheitern daran, sie in den Produktivbetrieb zu überführen – die KI begeistert also im POC, verschwindet danach aber aufgrund von rechtlichen Bedenken, fehlendem Buy-in, unklaren Zielen, schwacher Performance oder einer mangelhaften User Experience.

Die Lösung? Strategie und Praxis müssen von Anfang an parallel laufen – mit Commitment auf C-Level-Ebene, einem strukturierten Überblick über Use Cases aus allen Unternehmensbereichen sowie einer Priorisierung nach echtem Business Value. Parallel dazu müssen Daten, Technologien, Governance und Risiken mitgedacht werden.

Mindestens ebenso wichtig ist ein Mindset Shift bzw. Culture Change. Es braucht einerseits realistische Erwartungen an POCs und andererseits einen Shift weg von "Was kann KI?" und hin zu "Was braucht unser Unternehmen?". Wer diesen Perspektivwechsel nicht vollzieht, sucht am Ende ein Problem für eine fertige Lösung. Außerdem muss KI richtig im Unternehmen positioniert werden: Wer sie primär als Instrument zur Kostensenkung positioniert, riskiert, dass niemand mitmacht. Denn die Frage, wer freiwillig dabei hilft, den eigenen Job obsolet zu machen, beantwortet sich von selbst.

Auf technischer Ebene braucht es das richtige KI-Modell (Anmerkung: Dabei, wie in Teil 1 erwähnt, nicht ausschließlich auf Transformer-Architekturen verlassen), die richtige System- und Datenarchitektur, die Verknüpfung von KI mit kodifiziertem Wissen und deterministischen Tools, und die nahtlose Integration in die Prozesse der Anwender.

Agentic-Enterprise-Lösungen eröffnen heute völlig neue Möglichkeiten, ganze Systemlandschaften mit KI zu vernetzen. Doch damit sie ihr volles Potenzial ausschöpfen, brauchen sie Kontext, inklusive implizitem Prozesswissen – also Routinen, Annahmen, Ausnahmen und Heuristiken, die erfahrene Mitarbeiter täglich anwenden. Ohne Zugang zu diesem Wissen kann kein KI-Agent seine volle Leistung vollbringen.

Dass sich die Investition trotz der Komplexität lohnt, davon ist Martin Obermayr überzeugt. KI ermöglicht die schnellere und kostengünstigere Angebotserstellung für komplexe Industrieanlagen, die Wissenssicherung, wenn Schlüsselpersonen in den Ruhestand gehen, die Steigerung der Qualität von Vertriebsgesprächen und vieles mehr. Und je früher die Grundlagenarbeit geleistet wird, desto schneller ist ein Unternehmen ready to go.

Sie haben Fragen zur Implementierung von KI-Lösungen in Ihrem Unternehmen? Dann melden Sie sich gerne jederzeit bei uns.