Das Geheimnis des Sydney Opera House

Stellen Sie sich die schiere Verzweiflung im Jahr 1960 vor: Der dänische Architekt Jørn Utzon hatte gerade den Wettbewerb für das Sydney Opera House gewonnen. Sein Entwurf war atemberaubend – riesige, weiße, in der Sonne glänzende Segel, die sich majestätisch über dem Hafen erheben sollten. Es gab nur ein gewaltiges Problem: Jede Schale hatte ihre eigene, individuelle Freiform. Und für eine Freiform ohne wiederkehrendes Prinzip lässt sich die Statik nicht systematisch berechnen – jede Schale wäre ein eigenständiges, ungelöstes Rechenproblem gewesen.

Drei Jahre lang bissen sich die besten Ingenieure der Welt daran die Zähne aus. Die Rettung kam aus einer denkbar einfachen Erkenntnis: Wenn man jede Schale nicht als individuelle Form betrachtet, sondern als Ausschnitt ein- und derselben Kugel, dann lässt sich die Statik plötzlich für alle Schalen nach demselben Prinzip berechnen. Der Überlieferung nach kam Utzon genau darauf beim Schälen einer Orange.

Aus lauter ungelösten Einzelproblemen wurde ein systematisch berechenbares, wiederholbares Prinzip – und erst dadurch überhaupt seriell fertigbar. Das „Unmögliche“ wurde baubar, das Opernhaus zum architektonischen Weltwunder. Ein Prinzip, das heute genauso gilt, wenn Unternehmen ihre Daten- und AI-Landschaft aufbauen.

Die „Phase der Verzweiflung“ im Unternehmen

In der Praxis erlebe ich immer wieder eine ganz ähnliche „Phase der Verzweiflung“ – nicht beim Bau von Dächern, sondern beim Aufbau von AI in Unternehmen.

Nehmen wir ein mittelständisches Handels- und Logistikunternehmen. Der Einkauf möchte ein AI-Modell, das Bedarfe automatisch prognostiziert. Das Lager wünscht sich eine AI-gestützte Kapazitätsplanung. Der Kundenservice will einen Chatbot für Lieferstatus-Anfragen. Jede Abteilung arbeitet mit ihrem eigenen System, ihren eigenen Zahlen, ihrer eigenen Definition von „verfügbar“ oder „auf Lager“.

Bei einem klassischen Report würde das jemandem auffallen – zwei Zahlen nebeneinander, ein kritischer Blick, eine Nachfrage. Bei AI-Modellen passiert genau das nicht: Jedes Modell trifft seine Prognosen automatisiert, in seiner eigenen Systemlogik, ohne dass ein Mensch die Widersprüche zwischen den Ergebnissen zwangsläufig bemerkt. Die Prognose des Einkaufs sagt etwas anderes als die Planung des Lagers – für denselben Artikel, in derselben Woche – und beide laufen einfach automatisiert weiter, als wäre alles in Ordnung.

Wie bei Utzons ursprünglichem Entwurf – lauter individuelle Freiformen, für die es keine gemeinsame, systematisch berechenbare Grundlage gibt. Nur dass die AI die Widersprüche nicht sichtbar macht, sondern automatisiert und lautlos weiterrechnet – so lange, bis niemand mehr weiß, welcher Zahl er eigentlich vertrauen kann. Diese scheinbar kleinen, operativen Widersprüche summieren sich: Für Controlling und Management heißt das am Ende, dass Budgetplanung, Forecast und Kapitalbindung auf Zahlen basieren, die sich gegenseitig widersprechen, ohne dass es jemand bemerkt.

Kommt Ihnen das bekannt vor? Entstehen in Ihrem Unternehmen gerade mehrere AI-Initiativen gleichzeitig – jede mit guten Absichten, aber jede auf ihrer eigenen kleinen Dateninsel? Spüren Sie das ungute Gefühl, dass Sie am Ende mehrere teure Einzellösungen haben werden, die sich gegenseitig widersprechen, statt einander zu verstärken?

Der Fehler der individuellen „Segel“

Genau hier liegt der Fehler: Eine erfolgreiche AI-Initiative beginnt nicht mit der Auswahl des nächsten Tools oder Modells. Wer die zugrunde liegende Datenbasis nicht vereinheitlicht, wird an der schieren Widersprüchlichkeit seiner eigenen Zahlen scheitern – ganz gleich, wie gut die AI-Technologie ist. Es beginnt wie bei Utzon mit der Suche nach der „Kugel“: einer gemeinsamen, verlässlichen Datengrundlage, auf der jede AI-Anwendung aufsetzen kann.

Der Unterschied zwischen den Unternehmen, bei denen AI tatsächlich funktioniert, und denen, bei denen sie ein teures Nebeneinander bleibt, liegt selten an der eingesetzten Technologie. Er liegt daran, ob es vor dem ersten AI-Projekt eine gemeinsame, verbindliche Definition der wichtigsten Kennzahlen gibt – oder ob jede Abteilung nach wie vor mit ihrer eigenen Wahrheit arbeitet.

Ein kurzer Test, bevor Sie weiterlesen: Haben zwei Abteilungen in Ihrem Unternehmen unterschiedliche Definitionen für dieselbe Kennzahl – etwa „verfügbar“, „aktiver Kunde“ oder „Umsatz“? Würde eine AI-Prognose aus einer Abteilung ungeprüft in einem Prozess einer anderen landen? Laufen aktuell mehrere AI-Initiativen gleichzeitig, ohne dass jemand die Datengrundlagen dahinter abgeglichen hat? Wenn Sie auch nur eine Frage mit Ja beantworten, stecken Sie schon mitten in der „Phase der Verzweiflung“ – auch wenn es sich noch nicht so anfühlt.

Wir helfen Ihnen, die Orange zu schälen

Um ein solches Fundament zu schaffen, brauchen Sie keinen, der einfach das nächste AI-Tool auf Ihre bestehenden Dateninseln draufsetzt. Sie brauchen einen Architekten, der Ihre Datenbasis von Grund auf strukturiert – ganzheitlich und zukunftsfähig für das gesamte Unternehmen, nicht nur für einen einzelnen Bereich.

Diese Rolle übernehmen wir bei ATVISIO. Wir helfen Ihnen dabei, sprichwörtlich die „Orange zu schälen“: Wir bringen Struktur in Ihre Datenbasis und schaffen eine gemeinsame, verlässliche Grundlage, auf der Einkauf, Lager, Kundenservice – und jede zukünftige AI-Initiative – aufsetzen können. So werden Ihre AI-Projekte nicht nur einzeln funktionsfähig, sondern gemeinsam tragfähig.

Denken Sie an Jørn Utzon und seine Kugel, bevor Sie das nächste AI-Modell in Auftrag geben. Lassen Sie uns gemeinsam herausfinden, wie wir Ihre Daten- und AI-Landschaft auf ein gemeinsames Fundament stellen können.

Kontaktieren Sie mich für einen ersten Austausch einfach per Antwort auf diese E-Mail.

Exzellente Performance wünscht Ihnen

Ihr

Peter Bluhm