GenAI braucht Data Readiness

Einblicke in unser Possehl Cluster Meeting in Karlsruhe

Wie lassen sich Generative KI (GenAI) und Datenstrategie im industriellen Umfeld vereinen? Welche Voraussetzungen müssen Unternehmen schaffen, damit sie bei ihren ersten Schritte mit KI nicht in Pilotprojekten steckenbleiben? Und wie schaffen wir es, Mehrwert zu erzeugen, der skaliert?

Wie können wir Generative KI (GenAI) und Datenstrategie in der Industrie vereinen? Welche Voraussetzungen müssen Unternehmen schaffen, damit sie bei ihren nächsten Schritten mit KI nicht in Pilotprojekten steckenbleiben? Und wie schaffen wir es, Mehrwert zu erzeugen, der skaliert?

All diese Fragen haben wir versucht, beim zweitägigen Präsenztreffen des GenAI & Data Readiness Clusters in Karlsruhe zu beantworten. Vertreter verschiedener Unternehmen der Possehl Group haben sich dort getroffen, um Erfahrungen auszutauschen, Anwendungsfälle zu diskutieren und eine gemeinsame Perspektive für den Einsatz von KI zu entwickeln.

Dabei zeigte sich schnell, dass wir mittlerweile kaum noch über Tool- und Modellfragen diskutieren. Stattdessen rücken Themen wie Datenqualität, Governance, Wissensmanagement und Organisation immer stärker in den Mittelpunkt.

Bei dem Treffen konnten sich alle einbringen. Dadurch ergab sich schnell ein offener und praxisorienterter Austausch. Im Fokus standen reale Herausforderungen aus dem Unternehmensalltag. Viele Diskussionen drehten sich um die Frage, warum KI-Initiativen in der Praxis nicht an den Modellen selbst scheitern; in vielen Unternehmen fehlen schlicht noch die Strukturen, Verantwortlichkeiten sind unklar. Aber die größte Hürde für den produktiven Einsatz von KI stellt immer noch schlechte Datenqualität dar.

Im Bereich GenAI standen vor allem die gruppenweiten Aktivitäten innerhalb der Possehl Group im Mittelpunkt. Diskutiert wurden aktuelle KI-Initiativen ebenso wie Fragen rund um AI Policy und Compliance. Gleichzeitig spielte das Thema Wissensmanagement eine zentrale Rolle. Viele Unternehmen stehen aktuell vor der Herausforderung, jahrelang aufgebautes Erfahrungswissen zu sichern, bevor es im Laufe der kommenden zehn Jahre u.a. durch Renteneintritte verloren geht. Gerade hier eröffnen GenAI-Systeme neue Möglichkeiten. Voraussetzung dafür ist allerdings, dass das Wissen qualitativ hochwertig ist und vor allem strukturiert vorliegt.

PossehlGPT & Wissenstifter: Gruppenweite Ansätze für die KI-Integration

Mit Initiativen wie PossehlGPT und Wissenstifter entstehen bereits erste gruppenweite Ansätze, um KI und Wissensmanagement strategisch zusammenzuführen. Ergänzt wurde dies durch Einblicke in konkrete AI-Use Cases aus den Unternehmen sowie einen Hands-on-Hackathon mit n8n und PossehlGPT. Die praktische Arbeit hat uns als Gruppe gezeigt, wie wichtig es ist, einfach mal experimentieren zu können, um KI-Kompetenzen im Unternehmen aufzubauen.

Mindestens genauso zentral war das Thema Data Readiness. In der Diskussion waren sich alle einig: Generative KI kann ohne belastbare Datenbasis nicht skalieren.

Im Mittelpunkt stand dabei das DRMM (Data Readiness Maturity Model), das gemeinsam mit Next Level Mittelstand entwickelt wird und zunehmend zu einem Standardansatz wird. Erste geführte Assessments und Audits wurden bereits durchgeführt. Bei dem Ansatz geht es bewusst darum, aus der Theorie in die Umsetzung in einem industriellen Umfeld zu kommen. 

Man kann es nicht oft genug wiederholen: Garbage in, garbage out

Besonders eindrücklich war eine Live-Demonstration zur Anbindung verschiedener Datenquellen an KI-Systeme — darunter ERP-, CRM- und SharePoint-Systeme. Dabei wurde unmittelbar sichtbar, wie stark die Qualität der KI-erzeugten Ergebnisse von der Qualität der zugrunde liegenden Daten abhängt. Schlechte Datenqualität und inkonsistente Semantik führten direkt zu schwachen oder fehlerhaften Ergebnissen. Gleichzeitig zeigte die Demonstration, wie stark sich die Ergebnisse verbessern, wenn die Daten sauber aufbereitet und semantisch modelliert werden. An diesem Punkt entscheidet sich aktuell, welche Unternehmen GenAI produktiv skalieren können und welche dauerhaft in der Pilotphase stecken bleiben.

Auch strategische Themen wurden diskutiert: z. B. zentrale End-to-End-Datenplattformen wie Microsoft Fabric, mögliche gruppenweite Plattformansätze sowie die Bedeutung von Data Spaces und Initiativen wie Catena-X oder Manufacturing-X. Dabei wurde deutlich, dass Themen wie Datenräume, Interoperabilität und gemeinsame Standards im industriellen Umfeld an Relevanz gewinnen.

Das Treffen in Karlsruhe hat vor allem gezeigt, dass wir mittlerweile besser und fokussierter diskutieren. Wir wollen nicht mehr den zweiten Schirtt vor dem ersten machen, sondern haben erkannt, dass wir erstmal die organisatorischen und datenbezogenen Voraussetzungen dafür schaffen müssen, dass der Einsatz von KI funktioniert.