Wie Drees & Sommer KI vom Experiment in die Organisation gebracht hat

„Wir haben das Steuer herumgerissen.“

‍

Raffaela Schneid ist Head of AI Innovation bei Drees & Sommer. Im Podcast AI & Why spricht sie mit Simon Biela darüber, warum das Unternehmen früh auf KI gesetzt hat. Sie erklärt, warum Datenqualität heute zum Engpass wird und weshalb erfolgreiche KI-Einführung weniger mit Zwang zu tun hat als mit echtem Nutzen im Arbeitsalltag.

‍

Als ChatGPT Ende 2022 öffentlich sichtbar wurde, standen viele Unternehmen vor derselben Frage: sofort investieren oder abwarten? Drees & Sommer, ein Beratungs- und Projektmanagementunternehmen für Bau, Immobilien und Infrastruktur, entschied sich früh für einen klaren KI-Fokus. Aus ersten Pilotprojekten entstand eine eigene KI-Plattform, die heute im Unternehmen breit genutzt wird. Im Gespräch mit Simon erklärt Raffaela, wie diese Entscheidung entstanden ist, warum KI-Use-Cases messbar sein müssen und weshalb die eigentliche Herausforderung oft nicht das Modell ist, sondern die Organisation dahinter.

‍

Raffaela, nimm uns einmal mit zurück ins Jahr 2022. ChatGPT kommt gerade heraus. Was ist damals bei euch passiert?

Wir hatten damals bei uns das Innovation Center, also einen Innovations-Hub, in dem wir uns wirklich mit der Frage beschäftigen konnten, wie die Zukunft wohl aussehen würde. Dann kam ChatGPT und uns war relativ schnell klar, dass wir uns jetzt voll auf KI fokussieren müssen. Denn egal, wie die nächsten zehn Jahre aussehen, KI wird in jedem Fall ein Bestandteil davon sein. In welcher Form genau, wusste damals niemand. Aber wir haben das Steuer herumgerissen und uns sehr intensiv mit KI auseinandergesetzt.

‍

Auch, weil ihr gesehen habt, dass KI euer Geschäftsmodell berühren oder sogar bedrohen kann?

Absolut. Wer mit Wissen arbeitet, muss sich diese Frage stellen. Die Stärke von KI liegt ja darin, Wissen verfügbar zu machen, zu analysieren und Entscheidungen vorzubereiten, die auf Wissen basieren. Wir sind ein Wissensmanagement-Unternehmen. Wer sich damals nicht mit dieser Frage beschäftigt hat – oder nicht den Luxus hatte, sich damit beschäftigen zu können – bereut das heute wahrscheinlich.

‍

„Egal, wie die nächsten zehn Jahre aussehen: KI wird ein Bestandteil davon sein.“

‍

Wie überzeugt man in einem partnergeführten Unternehmen Entscheider davon, Budget für KI bereitzustellen?

Man kann klein anfangen, Erfolge nachweisen und danach nach mehr fragen. Das ist bei KI eine gute Strategie, weil es Low Hanging Fruits gibt. Man muss nicht direkt mit End-to-End-Prozessen der höchsten Güte anfangen. Es braucht Stimmen, die für das Thema stehen, das ist wichtig. Dafür braucht es Menschen, die sich stark machen, und einen Konsens, dass man in Pilotprojekte investiert.

‍

Wie habt ihr den Erfolg dieser ersten Projekte nachgewiesen?

Wir haben mit Use Cases angefangen, die gut zur Technologie passten und bei denen wir schon wussten, was der Status quo ist. Zum Beispiel die Prozessdauer oder die Anzahl der Prozessvorgänge. Viele Prozesse werden vorher gar nicht gemessen. Wenn ich dann KI daraufsetze, kann ich auch nicht messen, wie gut die KI funktioniert, weil mir die Baseline des Analogen fehlt. Wir hatten drei Use Cases, bei denen eine gute Grundlage da war. Da konnten wir Effizienz messen. Und mit diesen Use Cases sind wir dann mit 150 Test-Usern gestartet.

‍

Wie findet man solche Use Cases?

Da müssen mehrere Dinge zusammenkommen. Und ich glaube, genau daran straucheln viele, wenn es schnell gehen soll, denn es geht nicht schnell. Wir haben damals über das Innovation Center einen Ideathon gehostet. Da kamen sehr viele Ideen zusammen. Viele haben weit nach vorne gedacht. Dann muss man sich fragen: KI ist keine eierlegende Wollmilchsau, aber was ist der Kern dieser Idee? Was steckt wirklich darin?

‍

Diesen Kern haben wir gegen die technologische Machbarkeit geprüft. Das große Ganze können wir vielleicht noch nicht. Aber diesen Teil können wir schon. Dann lass uns damit anfangen. Wir waren zu dritt im Innovation Center und hatten eine Schnittstelle in die IT. Ein Informatiker war immer mit dabei. Das war extrem hilfreich, weil wir Potenzial und Machbarkeit schnell einschätzen konnten. Und dann haben wir es ausprobiert.

‍

„Und dann haben wir es ausprobiert.”

‍

Ihr habt also unter anderem Prozessdauer als KPI genutzt. Reicht das unternehmerisch aus?

Am Anfang kann das reichen, um Potenzial sichtbar zu machen. Wenn du zeigen kannst, dass eine Prozessdauer von 40 Stunden auf zwei Stunden sinkt, ist das ein starkes Signal. Aber natürlich kommt irgendwann die Frage, ob sich das im EBIT niederschlägt. Ich habe genau diese Frage einmal in einem CFO-Roundtable gestellt. Die Antwort war sinngemäß: Eigentlich zählt es erst, wenn es sich im Ergebnis zeigt. Trotzdem finde ich, dass man auch die Grenzen einer neuen Technologie sehen muss. Macht irgendjemand messbar, was Word oder Outlook sparen? Nein. Es ist einfach da, man nutzt es und zahlt die Lizenz. Bei KI ist das anders, weil die Erwartung so hoch ist. Am Anfang kann eine Effizienz-KPI helfen, größer denken zu dürfen. Aber langfristig muss man zeigen, wie es weitergeht.

‍

Gleichzeitig lebt ein Dienstleistungsunternehmen oft von abrechenbaren Stunden. Ist das nicht ein Konflikt, wenn KI Aufwand reduziert?

Es kommt darauf an, welche Prozesse man verschlankt. Geht es um Routineprozesse, für die ich sonst zusätzliche Unterstützung brauche? Dann kann KI entlasten. Der Projektleiter, der ein Projekt steuert, braucht weiterhin seine Zeit. Aber er muss nicht noch zusätzliche Stunden investieren, um Daten durchforsten oder aufbereiten zu lassen. KI übernimmt dann nicht den Mehrwert, sondern schafft die Grundlage dafür, dass Menschen sich auf den Mehrwert konzentrieren können.

‍

Ihr habt eure KI-Organisation inzwischen weiterentwickelt. Was hat sich verändert?

Wir haben das Thema Datenmanagement viel enger an KI herangerückt. Wir haben gemerkt, nur weil eine Firma viele Daten hat, heißt das für KI zunächst gar nichts. Wenn du 200.000 Datensätze hast, deine KI aber nur auf 600 wirklich sauber aufgebaut werden kann, bringen dir die vielen Daten nichts. Entscheidend sind die passenden, gut aufbereiteten Daten.

‍

Ein Beispiel aus der Baubranche: Es gibt sehr viele Bauverordnungen, die regelmäßig erneuert werden. Mich interessiert aber nicht, wie eine Verordnung vor 50 Jahren aussah. Ich brauche die aktuelle. Wenn ich alles in die KI gebe, arbeitet sie mit allem und das führt zu Fehlern. Deshalb haben wir KI, Datenmanagement und technische Umsetzung enger zusammengebracht. Dazu gehört auch, welche Daten optional sind und welche mandatory sein müssen, damit sich eine KI-Lösung sinnvoll weiterentwickeln kann.

‍

„Nur weil eine Firma viele Daten hat, heißt das für die KI-Implementierung erst einmal gar nichts.“

‍

Ihr habt also nach den ersten KI-Cases festgestellt, dass euch Datenqualität ausbremst?

Nicht nur, aber auch. Bisher hat vieles funktioniert, weil man auf das Wissen einzelner Personen zugreifen konnte. Aber eine Person ist kein Computer. Eine KI spricht nicht mit einer Person, sie ist Software. Und Software arbeitet mit Daten. Das Wissen, das ich im Kopf habe, oder wie ich einen Prozess lebe, ist für die KI erst einmal nicht zugänglich. Wenn Unternehmen wollen, dass etwas automatisiert oder KI-gesteuert funktioniert, muss dieses Wissen aus Köpfen, E-Mails oder SharePoint-Ordnern dorthin, wo eine Lösung darauf zugreifen kann. Und in diesem großen Kuddelmuddel merkt man, dass da einiges an Arbeit nötig ist.

‍

Wie löst ihr das konkret?

Wir gehen das aus mehreren Richtungen an. Auf unserer Plattform können User oder Projektteams selbst eine Art GPT aufbauen. Wir nennen das „Raum“. Dafür können sie zum Beispiel Projektordner verlinken. Sie müssen ihre Struktur also nicht komplett verlassen oder alles doppelt aufbereiten. Dadurch sind über 4.000 Anwendungsfälle entstanden. Manche sind privat, manche projektbezogen und manche öffentlich im Unternehmen nutzbar. Öffentliche Räume bauen wir gemeinsam mit Fachexperten aus der Linie, zum Beispiel für Corporate Language oder Smart Goals.

‍

Zusätzlich haben wir Data Owner in den Business Units. Sie übersetzen Data Governance, Data Steering und saubere Datenablage auf die jeweiligen Kerngeschäfte. Denn in einer großen Organisation mit vielen Standorten ist nicht alles standardisiert. Und schließlich geht es auch um Incentivierung auf Managementebene. Wie gut Daten aufgebaut und gepflegt werden, muss messbar und relevant werden.

‍

Du hast Forward Deployed Engineering erwähnt. Was heißt das bei euch?

Im Grunde ist es Rapid Prototyping im Live-Projekt. Wir versuchen, ausgewählte Projekte mit einer Ressource zu bestücken, die den Prozess so aufnimmt, wie er im Projekt wirklich gelebt wird. Dann wird zügig ein Proof of Concept gebaut. Der geht sofort zurück ins Live-Projekt, wird ausprobiert, Feedback kommt rein, und dann wird weiter daran geschraubt. Der eigentliche Zauber liegt darin, aus einem POC, der für ein konkretes Projekt passt, die Grundlage herauszuziehen. Was davon lässt sich auf mehr Projekte oder sogar auf einen ganzen Sektor skalieren?

‍

Das heißt, Technologie- und Prozessverständnis müssen sehr eng zusammenkommen.

Genau. Wir versuchen, Projektmanagement und Software Development zu verheiraten. Es geht nicht nur darum, jemanden mit technischem Wissen in ein Projekt zu schicken. Diese Person muss auch verstehen, wie Bau- oder Projektmanagementprozesse funktionieren oder sich dieses Verständnis sehr schnell aneignen.

‍

Ihr habt eure Plattform selbst aufgebaut. Würdest du diese Make-or-buy-Entscheidung heute wieder so treffen?

Ich würde mir die Frage wieder sehr offen anschauen und prüfen, wie wichtig Anbieterunabhängigkeit, Datenhoheit und die Spezifität der Tools für meine Anwendungsfälle sind. Es macht auch einen Unterschied, ob ich KI für interne Prozesse nutze oder als Produkt für Kunden anbiete. Ich bin immer noch pro „Make“, weil viele Unternehmen unterschätzen, welchen Mehrwert es haben kann, etwas auf das eigene Unternehmen, die eigenen Daten und die eigenen Mitarbeitenden zuzuschneiden. Das heißt nicht, dass immer Eigenentwicklung die richtige Antwort ist. Aber ich würde diese Entscheidung nicht vorschnell zugunsten eines Standardtools treffen.

‍

Was kostet so etwas?

Das ist schwer allgemein zu beantworten. Am Anfang haben wir eher als Taskforce gearbeitet. Rechnet man Lizenzen, Softwareentwicklung und Projektmanagement ein, würde ich grob sagen, zwischen 300.000 und 800.000 Euro pro Jahr, je nach Skalierung. Dazu kommen natürlich weitere Faktoren wie Tokenverbrauch, Schulungen, Zeit der Mitarbeitenden, vorhandene Skills, IT-Landschaft, Transformation im Unternehmen. Jeder Use Case braucht im Grunde eigene Metriken.

‍

Wie entscheidet ihr organisatorisch, was zentral und was dezentral passieren sollte?

Ich glaube, ein zentrales KI-Team ist sehr wertvoll, weil man Doppelarbeit vermeiden kann. Oft funktionieren Prozesse technologisch sehr ähnlich, auch wenn sie in verschiedenen Bereichen ganz unterschiedlich aussehen. Gleichzeitig braucht es die Linie. Die Fachbereiche sehen, wo KI helfen könnte. Wir haben deshalb auch KI-Manager in einzelnen Business Units und eine AI Residency. In dieser Residency kommt jemand aus dem Fachbereich für eine Fragestellung ins KI-Team. Die Person bringt Prozesswissen mit, wir bringen KI- und Technologie-Know-how mit. Am Ende entsteht idealerweise eine Lösung, die der Business Unit wirklich hilft, und wir als KI-Team gewinnen Prozesswissen.

‍

Du hast einmal gesagt, dass niemand bei euch KI nutzen muss. Gilt das noch?

Ja. Wenn man mich zu etwas zwingen will, bin ich erst einmal skeptisch. Ich bin eine große Verfechterin des Middle-Out-Approaches. Middle-Out heißt, man zündet die große Masse an. Die Tools werden genutzt, weil sie Mehrwert bringen und nicht, weil jemand sie verordnet. Man muss nicht jeden Skeptiker überzeugen. Wenn jemand ein absolutes Excel-Genie ist und diese eine Formel hat, die für ihn funktioniert, muss ich ihn nicht dazu bringen, KI zu nutzen. Ich will erreichen, dass die große Mehrheit Mehrwert, Effizienzgewinn und vielleicht sogar EBIT-relevante Themen ins Unternehmen bringt.

‍

„Wenn du KI nicht selbst ausprobierst, wirst du die Potenziale auch nie verstehen.“

‍

Wie bringt man die Organisation dann ins Ausprobieren?

Nicht mit Fähnchen in der Kantine. Aber Positivbeispiele helfen. Wenn Kolleginnen und Kollegen erzählen, dass ihnen ein KI-Tool wirklich geholfen hat, ist die Wahrscheinlichkeit viel höher, dass andere es selbst ausprobieren. Wir setzen stark auf Customer Success. Wir bieten Office Hours an, zweimal pro Woche, auf Deutsch und Englisch. Dort kann man Fragen stellen, neue Funktionen kennenlernen oder über Copilot und andere KI-Tools sprechen.

‍

Dazu kommen Teams-Kanäle, Austauschgruppen, Schulungen und Formate, in denen Mitarbeitende wirklich selbst mit dem Tool arbeiten. In unsere KI-Schulung kommt man nur mit Laptop, sonst braucht man gar nicht zu kommen. Man muss es ausprobieren. Gleichzeitig versuchen wir, so transparent wie möglich zu sein: Woran bauen wir gerade? Was hat es nicht geschafft? Was ist noch im Beta-Stadium und kann getestet werden? KI darf nicht wie etwas wirken, das „da oben“ stattfindet. Es muss auf dem eigenen Schreibtisch ankommen.

‍

Welche Rollen verändern sich durch KI besonders?

Ich fand spannend, was mir Hays in einem Roundtable gesagt hat. Es werden nicht nur klassische KI-Rollen gesucht, sondern auch Lean Manager und Menschen mit Prozessoptimierungs-Know-how. Es geht wieder stark darum, Prozesse auseinanderzunehmen. Es gibt den aufgezeichneten Prozess, den gelebten Prozess, die Soll-Seite und die Realität. Jetzt braucht es Menschen, die diese Perspektiven zusammenbringen und gleichzeitig mitdenken, wo Automatisierung möglich ist und wo KI sinnvoll eingesetzt werden kann.

‍

Bei uns suchen wir zusätzlich Fachexpertinnen und Fachexperten, gerade im Datenmanagement, in Data Governance und in der KI-Entwicklung. Im AI Lab brauchen wir Menschen, die wirklich tiefes KI-Verständnis haben. Aber solche Menschen sind schwer zu finden, weil GenAI in dieser Form noch nicht lange existiert.

‍

Was würdest du jemandem raten, der jetzt KI-Verantwortung in einer Organisation übernimmt?

Hol dir die besten Leute ins Team. Menschen, die mehr über das Thema wissen als du selbst. Wenn es am Anfang nur eine oder zwei Personen sind, reicht das. Aber jemand, der technologisch wirklich tief gehen kann, ist unbezahlbar. Außerdem braucht man ein dickes Fell. Man erklärt sehr oft dasselbe. Nicht jeder hat den Luxus, sich intensiv mit KI beschäftigen zu können. Und man bekommt teilweise sehr direktes Feedback. Wichtig ist auch, realistisch zu bleiben. Man sollte ehrlich sagen, was die Technologie kann und was nicht. Wenn man etwas nicht weiß, sollte man das sagen. Enttäuschte Erwartungen bei KI können einem sonst sehr schnell ein Bein stellen.

‍

Zum Abschluss: Muss man sich trotz wirtschaftlich schwieriger Zeiten den Blick in die Zukunft leisten?

Ich finde, man sollte sich diesen Blick leisten. Sonst hat man irgendwann in einer schlechten wirtschaftlichen Lage nichts mehr. Wir arbeiten mit Szenarien und springen gedanklich zehn Jahre in die Zukunft. Wenn alles, was heute Hypothese ist, Realität geworden ist, wie sieht dann unser Geschäft aus? Was machen wir in dieser neuen Realität? Daraus entstehen weitere Fragen: Welche End-to-End-Prozesse kann KI übernehmen? Was machen Menschen stattdessen? Wie verändert sich die User Experience? Welche Modelle fehlen noch? Wo müssen wir stärker in Forschung und Entwicklung gehen? Die Glaskugel wird immer diffuser, wenn es um Technologie geht. Aber genau deshalb muss man kontinuierlich daran arbeiten.

‍

Redaktioneller Hinweis: Dieses Interview basiert auf der AI & Why Podcast-Episode “Ab wann ist Abwarten bei KI ein Fehler?” mit Raffaela Schneid. Für eine bessere Lesbarkeit wurde das Gespräch redaktionell bearbeitet und sprachlich leicht angepasst, ohne die inhaltlichen Aussagen zu verändern.

Jetzt Podcast anschauen