Ist Ihr Unternehmen wirklich bereit für AI?

Tausende Stare am Himmel. Sie wirken wie ein einziger Organismus. Der Schwarm zieht nach links, dreht abrupt ab, verdichtet sich und öffnet sich wieder. Ohne Leitvogel. Ohne tägliches Statusmeeting.

Lange glaubten Forscher, hinter diesen spektakulären Flugmanövern müsse ein hochkomplexes System stecken. Heute wissen wir: Stare folgen nur ganz wenigen, einfachen Regeln: Halte Abstand zu deinen Nachbarn. Berücksichtige ihre Flugrichtung. Verlier nicht den Anschluss. Mehr braucht es nicht. Der Schwarm findet seinen Weg, obwohl kein einzelner Vogel den Gesamtplan kennt.

Stellen Sie sich vor, jeder Star würde nach seinen eigenen Regeln fliegen. Der eine dreht links, der andere rechts, der dritte beschleunigt einfach geradeaus. Jeder folgt seiner eigenen Logik – mit besten Absichten. Das Ergebnis wäre kein Schwarm. Es wäre Chaos mit Flügeln.

Genau das sehe ich bei vielen Data- und AI-Projekten. Es wird gestartet – mit Energie, mit Investitionsbereitschaft, oft auch mit echtem Veränderungswillen. Die IT wählt eine Plattform. Das Controlling definiert seinen Use Case. Das Management erwartet Ergebnisse in 90 Tagen. Jeder folgt seiner eigenen Logik. Was fehlt, sind die gemeinsamen Grundregeln: Welche Daten gelten als verlässlich? Wer entscheidet, wenn Zahlen voneinander abweichen? Welche Entscheidungen sollen überhaupt verbessert werden? Ohne diese Grundlagen entsteht kein Schwarm — sondern parallele Einzelprojekte, die sich gegenseitig im Weg stehen.

Die Lösung liegt nicht in mehr Abstimmung zwischen den Beteiligten und auch nicht in besseren Tools. Sie liegt in dem, was die Stare instinktiv beherrschen: den richtigen Grundregeln, bevor der Schwarm in Bewegung gerät.

Erst die Grundlagen, dann die Technologie

Bei ATVISIO beginnen wir nicht mit Tool-Vergleichen und Architekturdebatten, sondern mit dem, was im Projektalltag am häufigsten fehlt: Klarheit darüber, welche Entscheidungen durch bessere Daten möglich werden sollen. Welche Datenquellen dafür wirklich relevant sind und welche Qualität sie tatsächlich haben. Wer Verantwortung trägt, wenn Zahlen voneinander abweichen. Und wo im Unternehmen der größte Hebel liegt — durch bessere Steuerung, Automatisierung oder den Einsatz von AI. Erst wenn das geklärt ist, sprechen wir über Architektur, Datenmodelle und Technologien.

Das ist keine Vereinfachung – es ist die richtige Reihenfolge. Erst wenn diese Grundlagen stehen, entsteht eine Datenbasis, der alle Beteiligten vertrauen. Und auf der AI nicht zur Fehlerquelle wird, sondern zur Stärke.

Praxisbeispiel: AI-Readiness auf dem Papier – Datenchaos in der Realität

Ein mittelständischer Maschinenbauer wollte AI einsetzen – konkret: eine vorausschauende Bedarfsplanung, die Lieferengpässe frühzeitig erkennt und Produktionsauslastung besser steuert. Das Geschäftsmodell ist komplex, die Margen dünn, Planungsfehler teuer. Der Wunsch war nachvollziehbar, der Zeitdruck real.

Ein Softwareanbieter hatte bereits eine Plattform empfohlen und ein ambitioniertes Einführungsprojekt skizziert. Dann kamen wir ins Gespräch.

Unsere erste Frage war nicht: Welches Modell soll trainiert werden? Sondern: Auf welchen Daten?

Was wir vorfanden: Artikelstammdaten in drei Systemen, unterschiedlich gepflegt. Lieferantendaten ohne einheitliche Schlüssel. Historische Bestelldaten mit Lücken, weil ein ERP-Wechsel vor vier Jahren nicht sauber migriert worden war. Und eine Planungsabteilung, die ihre eigentliche Grundlage – verlässliche Vergangenheitsdaten – still und leise durch Excel-Korrekturtabellen ersetzte.

Ein AI-Modell, das auf dieser Basis trainiert worden wäre, hätte vor allem eines gelernt: die Fehler der Vergangenheit zu reproduzieren.

Wir haben das Projekt nicht gestoppt – wir haben es neu geordnet. Zunächst klärten wir gemeinsam mit IT, Einkauf und Planung, welche Daten tatsächlich entscheidungsrelevant sind, wo Qualitätsprobleme entstehen und wer dafür Verantwortung übernimmt. Daraus entstand ein schlankes Data Governance-Konzept – kein 200-Seiten-Regelwerk, sondern klare Zuständigkeiten für die kritischen Datenbereiche. Erst danach konnte das eigentliche Vorhaben beginnen: ein erstes prädiktives Modell für die Bedarfsplanung, mit sauberer Datenbasis, nachvollziehbaren Ergebnissen und einer Planungsabteilung, die dem System vertraut – weil sie verstehen, womit es rechnet.

Was Stare können, können Unternehmen lernen. Nicht durch mehr Planung, nicht durch bessere Software, sondern dadurch, dass die richtigen Grundlagen an erster Stelle stehen. Dann entsteht aus vielen Einzelteilen etwas, das funktioniert. Wie von selbst.

Mein Angebot für Sie: In einem 30-minütigen Gespräch schauen wir gemeinsam auf Ihre aktuelle Situation – wo stehen Sie mit Ihrer Datenbasis, wo wollen Sie mit Data und AI hin und was sind die nächsten sinnvollen Schritte. Oft reichen wenige klare Antworten, um einem Projekt Richtung zu geben. Sprechen Sie mich einfach an.

Exzellente Performance wünscht Ihnen

Ihr

Peter Bluhm