Generative KI als Innovationstreiber: wie ein 100+ Jahre altes Traditionsunternehmen neu denkt
Über Monate haben wir mit unserem Projektpartner PAV explorativ untersucht, wo generative KI in einem gewachsenen Mittelständler wirklich wirkt. Der Weg führte über vier sehr unterschiedliche Use Cases und durch eine Veränderungskultur, die stiller aber tragfähiger war, als viele vermutet hätten.
Eine über 100-jährige Erfolgsgeschichte lässt sich nicht mit schnellen Folien modernisieren. Wer KI in einem solchen Haus einführen will, muss zuerst verstehen, worin die Stabilität liegt, und erst dann, wo sie gewinnbringend ergänzt werden kann. Genau diesen Weg sind wir gemeinsam mit PAV gegangen.
In unserer Machbarkeitsstudie haben wir vom Zukunftslabor Generative KI bei KI.SH mit PAV den Weg von GenAI als Innovationstreiber im Unternehmen explorativ untersucht. Die Studie zeigte beispielhaft, wie sich moderne Veränderungskultur und gewachsene Tradition zusammenbringen lassen, und gab uns gleichzeitig die Möglichkeit, unser ZGKI Change Framework an einem realen Fall weiterzuentwickeln.
Der Ausgangspunkt: ehrliche Bestandsaufnahme, klare Priorisierung
Bevor Use Cases in die Umsetzung gehen, müssen sie durch den Filter der Realität. In mehreren Vorbereitungsmeetings haben wir mit dem PAV-Team Themen gesammelt, geclustert und priorisiert: von Fördermittelakquise über Marketing und Prozessvisualisierung bis zu ganz neuen Produktideen. Aus der Gesamtliste entstanden vier Challenges, die in einem Workshop-Tag von gemischten Teams bearbeitet wurden:
Die vier Challenges im Workshop
- Fördermittelakquise & Ausschreibungen: Ausschreibungen recherchieren, strukturiert zusammenfassen, per KI mit dem eigenen Produktportfolio abgleichen und anschließend die Bewerbung größtenteils KI-gestützt erstellen.
- Marketing für ein neues Produkt: Zielgruppenanalyse, passende Kanäle, Werbetexte in angepasstem Ton, begleitende Medieninhalte, optional in weitere Sprachen übersetzt.
- Prozessvisualisierung & -optimierung: Den Status quo im IMS sichtbar machen, KI-gestützt analysieren, Verbesserungsvorschläge ableiten und Prozesse neu strukturieren.
- Neue Produktentwicklung: Auf Basis des bestehenden Portfolios Ideen generieren, auf Gesetzeskonformität (inkl. SDGs und Lieferkettengesetz) prüfen, Business Model Canvas, und bei Zeit auch den Businessplan.
Das Tooling war bewusst breit aufgestellt: ChatGPT, Claude und MS Copilot für Text und Artefakte, Canva, Adobe Firefly, FLUX, Midjourney und Photoshop für Bildmaterial, Suno für Audio, Runway für Video, NotebookLM und Acrobat-KI für PDF-Arbeit, Gamma für Präsentationen. Der Hintergedanke dabei: zeigen, dass sich die Toolwahl nach dem Use Case richtet, nicht umgekehrt.
Von der Challenge zum Use Case für die Praxis
Die zweite Phase der Machbarkeitsstudie ging über den Workshop-Tag hinaus. Gemeinsam mit dem PAV-Team haben wir den Themenraum weiter strukturiert und in drei Kategorien übersetzt. So sieht Priorisierung aus, wenn man sie ernst nimmt:
Ein klarer Schwerpunkt: Der Use Case Geo-fencing wurde als Schwerpunkt gesetzt. Dafür wurden in einem dedizierten Meeting Zielbild, Methodik für zehn Wochen, Datenquellen und die Rolle von PAV-Card festgezogen.
Produktionsreife Kandidaten zur Weiterverfolgung: Einfache und barrierefreie Sprache, KI-gestütztes SWE, Qualitätssicherung im Dokumentenmanagement, sowie GEO (Generative Engine Optimization) und Marketing für die Außenpräsentation.
Backlog mit Klärungsbedarf: Personensuche über GenAI bei über 200 Mitarbeitenden, AI-Voice-CRM-Integration, Compliance-Unterstützung und Produktionsplanung auf Basis historischer Werte. Allesamt spannende Felder, aber erst nach Klärung von Datenlage, Integrationstiefe und Schutzbedarf.
Zwei weitere Felder haben wir bewusst als „Unknown Territory" markiert: KI-gestützte Unterstützung von Maschinen und die Optimierung des ERP-Systems. Hier lohnen sich strukturierte Vorstudien, keine schnellen Versprechen.
Nicht jedes Thema ist ein Use Case. Aber jedes Thema verdient eine ehrliche Einordnung. Genau dafür ist das ZGKI Change Framework gemacht. Team ZGKI / KI.SH
Was diese Studie besonders gemacht hat
Eine Organisation, die zuhört. Die Teams von PAV haben früh ihre eigenen Prozesse, Daten und Fragezeichen offengelegt, statt auf fertige Rezepte zu warten. Genau diese Offenheit ist der Unterschied zwischen „wir haben mal KI probiert" und „wir haben KI in unserer Wertschöpfung verankert".
Eine Führung, die Veränderungstempo dosiert. Nicht jede Entscheidung wurde am Workshop-Tag gefällt, und das war gut so. Wer langfristig erfolgreich bleibt, nimmt sich die Zeit, Bewegung und Fortschritt sauber voneinander zu unterscheiden.
Ein ehrlicher Umgang mit Unsicherheit. Fragen zu Compliance, Datenhoheit und Integrationstiefe wurden offen angesprochen und bewusst in den Backlog gehoben, statt sie zu übergehen. Das ist für uns die wichtigste Disziplin im KI-Transfer.
Warum wir Machbarkeitsstudien in dieser Tiefe machen
Im Zukunftslabor Generative KI geht es uns um die Frage, welche KI-Integration in einem konkreten Unternehmen tatsächlich trägt: technisch, organisatorisch und kulturell. Schnelle Demo-Effekte sind dafür zweitrangig. Eine Machbarkeitsstudie wie die mit PAV gibt uns den nötigen Raum, um Use Cases sauber zu priorisieren, Risiken früh zu erkennen und gemeinsam einen tragfähigen Pfad zu bauen.
Ein besonderer Dank gilt Isabel Höftmann-Toebe, Silvia Bühler-Toebe, Dirk Kistenmacher, Thies Schönfeldt und Doris Weßels für die offene Zusammenarbeit sowie Maximilian Behrens und Lasse Bremer für die hervorragende Umsetzung und die gelungene Abschlusspräsentation samt Diskussion.
PAV hat mit dieser Studie gezeigt, wie ein Traditionsunternehmen aktuelle KI-Werkzeuge mit einer stabilen Veränderungskultur zusammenbringen kann. Für uns ist das genau die Art von Geschichte, die wir aus Schleswig-Holstein in die Breite tragen wollen, weil sie Mut macht und Nachahmer:innen verdient.
Sie denken über eine Machbarkeitsstudie oder einen strukturierten Einstieg ins ZGKI Change Framework für das eigene Haus nach? Wir freuen uns auf das Gespräch.
