Künstliche Intelligenz ist 2026 in aller Munde, doch im Unternehmensalltag bleibt der echte Impact oft aus. In dieser Episode analysieren wir die drei typischen Muster, mit denen Unternehmen an KI scheitern: die Abwarte-Fraktion mit unkontrollierter Schatten-IT, die Copilot-Illusion ohne messbare Produktivitätssteigerung und das wirkungslose Center of Excellence, das an den falschen Problemen arbeitet.

Wir zeigen, warum beide Extrempositionen – „KI ist nur eine Technologie" und „Alles muss AI-first sein" – in die Sackgasse führen. Stattdessen braucht es einen strategischen Perspektivenwechsel: KI nicht als Ersatz für Mitarbeiter, sondern als Verstärker der besten Leute im Unternehmen. Qualitätssteigerung und Durchsatzskalierung statt Mittelmäßigkeit durch Automatisierung.

Am konkreten Beispiel der Ausschreibungsbearbeitung (RFP/RFI/RFQ) wird deutlich, wie KI einen Prozess von fünf Tagen auf fünf Stunden reduzieren kann – ohne den Fachexperten überflüssig zu machen. Die unbequeme Wahrheit: Viele Unternehmen brauchen vor KI erst konsequente Digitalisierung und Prozessverständnis.

Themen dieser Episode: Schatten-KI und Datenschutzrisiken · Microsoft Copilot und der ausbleibende Produktivitätsboost · Center of Excellence richtig aufsetzen · KI als Forschungsgebiet vs. Einzeltechnologie · Generative KI, Machine Learning, OCR, Computer Vision · Fachkräftemangel als eigentlicher Treiber · Digitalisierung als Voraussetzung für KI · Prozessautomatisierung mit Human-in-the-Loop · Ausschreibungen automatisieren mit GenAI · KI-Strategie vs. KI-Hype · Upstream, Kernarbeit, Downstream – wo KI wirklich hilft

In dieser Episode analysieren wir kritisch, wann agiles Projektmanagement die richtige Wahl ist – und wann klassische Wasserfall-Methoden oder hybride Ansätze besser funktionieren.

Agile Mythen entlarvt

• Warum "agil" nicht bedeutet: kein Plan, keine Doku, keine Entscheidungen
• Der Unterschied zwischen echter Agilität und chaotischem Projektvorgehen
• Warum agile Projekte mehr Disziplin erfordern, nicht weniger

Anti-Agile Warnsignale

• Fehlende oder unklare Requirements als Projektstart
• Kein echter Product Owner mit Entscheidungsbefugnis
• Fehlende Produktvision und Priorisierung
• Nicht cross-funktionale Teams mit externen Abhängigkeiten
• Scope Creep unter dem Deckmantel der Flexibilität

Wann Wasserfall besser funktioniert

• Stabile, bekannte Anforderungen (z.B. interne Architekturprojekte)
• Strikte regulatorische Vorgaben (Medizinprodukte, Luftfahrt, Automotive)
• Fix-Price-Projekte mit vollständiger Spezifikation
• Hoher Dokumentations- und Prüfungsbedarf
• Projekte mit vielen externen Abhängigkeiten

Hybride Ansätze

• Wasserfallspezifikation für das Kernprodukt (regulatorische Prüfungen, Fixpreis-Möglichkeit)
• Agile Umsetzung und Weiterentwicklung (Marktfeedback, schnelle Anpassungen)
• Wie man das Beste aus beiden Welten kombiniert

200-seitige Compliance-Fragebögen, drei Wochen später derselbe Bogen mit anderen Formulierungen – und immer wieder Senior-Mitarbeiter, die als teure Copy-Paste-Maschinen fungieren. In dieser Episode zeigen wir an einem konkreten Kundenprojekt, wie KI-gestützte Automatisierung dieses Problem löst – ohne den Menschen aus der Verantwortung zu nehmen.

Wir sprechen über: Warum "einfach ChatGPT draufwerfen" in Compliance-Kontexten scheitert. Wie Retrieval Augmented Generation (RAG) und Semantic Embeddings zusammenspielen, um relevante Dokumentenpassagen in Sekunden zu finden. Warum der Human-in-the-Loop-Ansatz keine Notlösung ist, sondern die einzig sinnvolle Architektur für auditierfähige Systeme. Und weshalb die unglamourösen Komponenten – OCR, Dokumentenstrukturierung, Antwortspeicher – oft den Unterschied zwischen Demo und Produktion machen.

Ein Praxisbericht für alle, die Compliance-Prozesse digitalisieren wollen, KI-Projekte jenseits des Hypes planen oder verstehen möchten, wie man Large Language Models in regulierten Umgebungen sinnvoll einsetzt.

Warum scheitern Softwareprojekte jeder Größe so häufig? In dieser Episode benennen wir drei zentrale Ursachen, die zu millionenteuren Verzögerungen, Frust und politische Grabenkämpfen führen:

1. Gnadenbasierte Zuarbeit: Kritische Abhängigkeiten ohne formales Commitment – willkommen im Ressourcenroulette.
2. Agiles Chaos: Scrum auf dem Papier, aber ohne Product Owner, Vision oder Verantwortung.
3. Greenfield-Fantasien: Statt evolutionärer Erweiterung wird die Legacy-Anwendung „entsorgt“ – und mit ihr die Planbarkeit.

Wir sprechen darüber, wie diese Muster entstehen, warum sie so selten angesprochen werden – und wie man sie aufbrechen kann.

Für alle, die Projekte führen, priorisieren oder verantworten – und sich nicht mit „wird schon schiefgehen“ zufriedengeben.

Originalität, Kreativität - diese Konzepte sind Teil dessen, was uns zu Menschen macht. Kann KI – die ja immer menschenähnlicher wird – auch kreativ und originell sein? Was bedeutet es für uns, wenn wir uns das Verfassen von Texten von KI abnehmen lassen?

In dieser Episode streifen wir ein paar eher philosophische Fragen, die aus unserer Sicht bisher unbeantwortet sind und vielleicht auch zu selten gestellt werden.

KI-Agenten, auch als Agentic AI bekannt, sind autonome Komponenten, die spezifische Aufgaben ohne menschliche Intervention ausführen. Modularität und Orchestrierung von Multiagentensystemen (MAS) ermöglichen komplexere und skalierbare Lösungen auf Basis von generativer KI. Die Verwendung von Agenten kann die Fehleranfälligkeit verringern und die Wartbarkeit verbessern.
Der Hype um Agentic AI mag zwar übertrieben sein, aber die zugrunde liegenden Konzepte und Frameworks wie Semantic Kernel bieten wertvolle Werkzeuge für die Praxis.

Data Warehouse, Data Lake, Data Lakehouse - die Begriffe eskalieren stetig. Aber was brauche ich wirklich für welchen Zweck? Reicht meine alte (und teure) Datenbank oder würde ein "Data Lakehouse" mein Geschäft so richtig weiterbringen?

Gerade in der Kombination mit Generativer KI sind die Möglichkeiten so vielfältig wie verwirrend. Gemeinsam mit Christian Schömmer setzen wir uns vors Datenhaus am See und gehen der Sache auf den Grund.

Nach der etwas kritischen Sicht auf generative KI in der letzten Episode geht es diesmal um den konkreten Einsatz: Kann man generative KI schon in Geschäftsprozessen integrieren und wenn ja, wie geht das genau.

Es stellt sich heraus: Wenn man zwei oder drei Grundregeln beachtet, treten die meisten der Probleme in den Hintergrund und die coolen Möglichkeiten generative KI kommen relativ risikofrei zur Geltung.

Wir gehen sehr konkret darauf ein, wie wir eine Compliance-Anwendung gebaut haben, die maximal von Large Language Models profitiert, ohne auf menschliche Kontrolle und "Accountability" zu verzichten.