KI-Transformation auf Fachbereichsebene

Prozessoptimierung dank KI-Transformation

In einem Workshop-Reihe aus drei Terminen erarbeitet unser Expertenteam gemeinsam mit Silver Atena eine stabile und effizienzfokussierte KI-Roadmap inklusive erster Prototypen für die direkte Nutzung innerhalb der teilnehmenden Fachbereichen.

Ausgangssituation

Im Rahmen eines Förderprojekts von transform.bayern sollte untersucht werden, wie KI konkret zur Effizienzsteigerung in verschiedenen Fachbereichen der Silver Atena GmbH beitragen kann. Dabei waren die Erwartungen sowohl an die Workshopreihe als auch an die Technologie hoch. Die verbreitete Annahme, dass produktive KI zwingend eigenes Modelltraining und komplexe Infrastruktur erfordert und mit entsprechend hohen Kosten, langen Entwicklungszeiten und zusätzlichem Risiko verbunden ist war nur eine der vorherrschenden Ansichten, denen wir begegneten.

Unsere Aufgabe: reale Anwendungsfälle pragmatisch evaluieren und belastbar klären, welche Einsatzmöglichkeiten sich kurzfristig umsetzen lassen und wo der Aufwand den tatsächlichen Nutzen übersteigt.

Umsetzung

Orientierung schaffen

Gemeinsam wurden Annahmen über die Komplexität und Bezahlbarkeit von zielführenden KI-Lösungen evaluiert und ein übergreifendes Fundament für die Workshopinhalte geschaffen. Auf Basis dieser Erkenntnisse wurden Kernbereiche definiert, in denen funktionsfähige Prototypen für reale Unternehmensprozesse entwickelt werden.

Gemeinsames Rapid Prototyping

Nach eingehender Analyse wurden die Prototypen als Python-basierte Webanwendungen bereitgestellt und gemeinsam mit den Entwicklerteams technisch analysiert. Architekturentscheidungen, Integrationsoptionen und Aufwandsschätzungen konnten so direkt im Workshop diskutiert, realistisch bewertet und umgesetzt werden. Gemeinsam konnten unsere Expert:innen Lösungen für

• die automatisierte Erstellung von Firmenprofilen und Markenrechtsprüfungen im Vertriebsumfeld
• Generierung automatisierter Testfälle sowie Bewertung von LLMs im CI/CD-Kontext
• Analyse von C-Code zur Konsistenzprüfung und Qualitätsbewertung
• Definition maschinenlesbarer Prüfregeln und möglicher Integrationspfade

erarbeiten.

Das Ergebnis

• einsatzfähige KI-Prototypen auf Basis realer Unternehmensdaten
• konkrete Architekturkonzepte für zukünftige Weiterentwicklungen
• Verständnis für die Unterscheidung zwischen schnell umsetzbaren Use Cases und komplexeren Vorhaben
• ein realistischer Überblick über Infrastruktur-, Sicherheits- und Modellanforderungen sowie Komplexitätslevel von Modelltraining