Die Digitalisierung der Automobilbranche betrifft nicht nur das Fahrzeug selbst, sondern auch die Art und Weise, wie Kunden auf neue Modelle aufmerksam werden und sich ihre Wunschfahrzeuge zusammenstellen. Immer häufiger beginnt die Fahrzeugrecherche direkt in KI-basierten Such- und Dialogsystemen, anstatt wie viele Jahre üblich auf der Hersteller-Website. Kauf- und Vergleichsfragen werden dort beantwortet, ohne dass ein Klick auf die Seite eines Herstellers (OEM = Original Equipment Manufacturer) erforderlich ist.
Diese Entwicklung hat weitreichende Folgen: Sichtbarkeit, Markenführung und Datensouveränität geraten unter Druck. Klassische Mechanismen wie organischer Traffic oder der Fahrzeugkonfigurator verlieren an Wirkung.
Gleichzeitig entsteht eine neue strategische Rolle für die OEM-Website:
Nicht mehr primär als Einstiegspunkt, sondern als Orchestrator der Customer Journey und als Single Source of Truth für Produkte, Preise, Verfügbarkeit und Marke.
Unser Whitepaper „Die OEM-Website im KI-Zeitalter: Schlüssel zur digitalen Customer Journey“ zeigt,
Im Fokus stehen dabei nicht kurzfristige Trends, sondern konkrete strategische Handlungsfelder für Marketing, IT und digitale Vertriebssysteme im Automotive-Umfeld.
Laden Sie sich unser Whitepaper herunter und erfahren Sie, wie sich die OEM-Website im KI-Zeitalter zukunftsfähig positionieren lässt.
Daten sind die Grundlage für Künstliche Intelligenz, Automatisierung und fundierte Managemententscheidungen. Gleichzeitig kämpfen viele Unternehmen mit Datensilos, unklaren Verantwortlichkeiten und Engpässen in der IT. Data Mesh verspricht einen grundlegenden Perspektivwechsel. Im Interview erklärt Alexander Finke, warum zentrale Datenarchitekturen oft an ihre Grenzen stoßen, was sich mit Data Mesh konkret verändert und wie Unternehmen die Transformation strukturiert angehen.
In vielen Organisationen ist die IT oder ein zentrales Datenteam die zentrale Drehscheibe für nahezu alle Datenanfragen. Das führt zwangsläufig zu Engpässen, hier ein Beispiel:
Stellen Sie sich vor, Sie arbeiten im Fachbereich und erhalten die Aufgabe, eine neue Auswertung zu erstellen. Zunächst wissen Sie nicht einmal, ob die benötigten Daten im Unternehmen existieren. Sie fragen Kollegen, telefonieren sich durch, erfahren schließlich, dass es Daten gibt – aber nicht, wer sie verantwortet. Nachdem die Zuständigkeit geklärt ist, müssen Sie bei der IT einen Zugriff beantragen. Dann stellt sich die Frage, wie Sie die Daten in Ihr Analyse-Tool bekommen. Häufig endet es in Exporten, CSV-Dateien und nicht mehr tagesaktuellen Datenständen. Und selbst wenn die Auswertung steht, weiß kaum jemand im Unternehmen davon.
Das Problem ist weniger technologisch als strukturell: Daten werden zentral verwaltet, aber dezentral erzeugt und genutzt. Diese Diskrepanz führt zu langen Abstimmungswegen, zu Verzögerungen und zu Unklarheiten bei den Verantwortlichkeiten für die Datenqualität.
Data Mesh dreht die Perspektive um. Daten werden als eigenständige Produkte verstanden, sogenannte Data Products, die von den jeweiligen Fachdomänen verantwortet werden. Die Fachbereiche übernehmen die Hoheit über ihre Daten und definieren deren Qualität, Beschreibung und Nutzbarkeit. Die IT agiert dabei als Enabler. Sie stellt die Self-Service-Plattform bereit und schafft das technologische Fundament, auf dem Datenprodukte entwickelt, gefunden und genutzt werden können. Gleichzeitig automatisiert sie zentrale Leitplanken für Governance, Interoperabilität und Sicherheit und stellt sicher, dass gemeinsam definierte Standards eingehalten werden.
Man kann sagen: Verantwortung dezentral, Leitplanken zentral. Dieses Zusammenspiel schafft Klarheit, Geschwindigkeit und Skalierbarkeit.
Viele Unternehmen fragen: Bedeutet das einen Kontrollverlust für die IT? Entsteht dadurch nicht noch mehr Komplexität? Die Antwort ist nein, wenn es richtig umgesetzt wird. Data Mesh ist kein Wildwuchs-Modell. Es braucht klare Domänenschnitte, definierte Rollen und eine föderierte Governance. Die IT setzt verbindliche Standards für Sicherheit, Compliance und Interoperabilität. Innerhalb dieser Leitplanken agieren die Fachbereiche eigenverantwortlich.
Eine weitere häufige Frage ist, ob Data Mesh nur für sehr große Organisationen geeignet ist. Unsere Erfahrung zeigt: Der Ansatz ist skalierbar. Entscheidend ist weniger die Unternehmensgröße als vielmehr die Komplexität der Datenlandschaft und die Anzahl der beteiligten Domänen.
Wichtig ist aber auch, ehrlich zu sein: Data Mesh skaliert langfristig deutlich besser, erfordert jedoch initial mehr Aufwand. Rollen, Verantwortlichkeiten, Datenproduktdenken und Plattformstrukturen müssen aufgebaut werden. Der Ansatz lohnt sich besonders für Unternehmen, die viele Datenquellen und Fachbereiche koordinieren müssen, KI oder Analytics breit einsetzen wollen oder bei denen zentrale Datenteams regelmäßig zum Engpass werden.
Fachbereiche werden zu aktiven Datenverantwortlichen. Sie wissen am besten, wie ihre Daten entstehen, was sie bedeuten und wie sie genutzt werden. Im Data-Mesh-Modell definieren sie ihre Datenquellen bewusst als Produkte, dokumentieren sie strukturiert und stellen sie anderen Teams zur Verfügung.
Der Unterschied zeigt sich im Alltag: Statt Hilfe bei Kollegen zu suchen oder IT-Tickets zu erstellen, greifen Mitarbeiter auf einen zentralen Datenkatalog zu. Dort finden sie das passende Datenprodukt mit Beschreibung, Qualitätsangaben, Verantwortlichen und Zugriffsregeln und können es direkt in ihrem Analysewerkzeug nutzen. Ergebnisse entstehen schneller, sind reproduzierbar und lassen sich wiederum als eigenes Datenprodukt bereitstellen.
Excel ist beliebt, weil Fachbereiche damit eigenständig Lösungen entwickeln können. Data Mesh überträgt dieses Prinzip auf Unternehmensdaten, strukturiert, governancekonform und skalierbar. So sinken Abhängigkeiten, Entscheidungen werden beschleunigt und der Fachbereich wird vom Anforderungssteller zum aktiven Treiber datenbasierter Wertschöpfung.
Die IT wird strategischer. Statt jede einzelne Datenanfrage operativ zu bedienen, konzentriert sie sich auf Plattformaufbau, Governance, Sicherheitsstandards und Architektur. Sie stellt sicher, dass Datenprodukte interoperabel sind, Compliance-Anforderungen erfüllen und unternehmensweit nutzbar bleiben. Dadurch wird die IT von vielen Routineaufgaben entlastet und kann sich auf wertschöpfende Themen wie KI-Infrastruktur oder Advanced Analytics konzentrieren.
Der Übergang zu Data Mesh ist kein reines IT-Projekt. Er betrifft Organisation, Rollenverständnis und Zusammenarbeit. Zunächst müssen Domänen klar identifiziert und Verantwortlichkeiten definiert werden. Das bedeutet: Es braucht ein neues Rollenverständnis in den Fachbereichen sowie klare Zuständigkeiten für Datenprodukte. Dieser organisatorische Wandel ist der entscheidende Hebel für den Erfolg. Parallel wird eine technische Plattform aufgebaut, die Self-Service, Suche und Datennutzung ermöglicht und schrittweise an die spezifischen Anforderungen des Unternehmens angepasst wird. Die Datenquellen werden sukzessive angebunden. Gleichzeitig werden Governance-Regeln festgelegt, die zentral vorgegeben und dezentral umgesetzt werden.
Wir empfehlen einen schrittweisen Transformationsansatz mit Pilotdomänen. So entstehen erste Datenprodukte unter realen Bedingungen, während Organisation und Technologie sich synchron entwickeln und der Einstieg in die dezentrale Datenwelt kontrollierbar bleibt.
Mich motiviert an Data Mesh insbesondere, dass Menschen wieder selbstbestimmter mit Daten arbeiten können. In vielen Unternehmen sehe ich hochqualifizierte Mitarbeiter, die unnötig Zeit in Abstimmungen und Warteprozessen verlieren. Wenn Fachbereiche eigenständig handeln können, werden Projekte schneller, Entscheidungen fundierter und die tägliche Arbeit deutlich befriedigender. Für mich geht es nicht nur um Architektur, sondern auch darum, produktives Arbeiten zu ermöglichen.
KI lebt nicht nur von zugänglichen und qualitativ hochwertigen Daten, sondern vor allem vom richtigen Kontext. Modelle liefern besonders gute Ergebnisse, wenn sie verstehen, was Daten bedeuten, wie sie entstanden sind und in welchem fachlichen Zusammenhang sie stehen. Genau hier liegt in vielen Unternehmen das Problem: Daten sind zwar technisch verfügbar, aber ihr fachlicher Kontext ist weder sauber dokumentiert noch eindeutig verantwortet. Besonders bei KI-Anwendungen, die direkt auf Rohdaten arbeiten oder automatisierte Auswertungen erzeugen sollen, fehlt häufig genau dieses Domänenwissen.
Data Mesh schafft hier eine wichtige Grundlage. Wenn Daten als klar definierte Datenprodukte vorliegen, inklusive Beschreibung, Qualitätssicherung, Verantwortlichkeit und fachlicher Einordnung, wird dieser Kontext systematisch mitgeliefert. Dadurch können KI-Modelle deutlich präziser arbeiten, konkrete Fragen korrekt beantworten und belastbare, automatisierte Analysen erzeugen. KI-Initiativen werden so nicht nur technisch möglich, sondern auch fachlich fundiert und organisatorisch tragfähig.
Consileon begleitet Unternehmen bei der Einführung von Data Mesh strategisch, technologisch und organisatorisch. Von der Analyse bestehender Datenarchitekturen über die Definition von Domänen und Governance-Modellen bis hin zur technischen Plattformintegration entsteht eine zukunftsfähige Datenorganisation mit klaren Verantwortlichkeiten und hoher Skalierbarkeit.
Künstliche Intelligenz kann längst mehr als Texte schreiben oder Bilder generieren. Eine der rasantesten Entwicklungen findet derzeit im Bereich Voice AI statt, also der Fähigkeit von KI-Systemen, Stimmen zu erzeugen, zu imitieren oder eigenständig Gespräche zu führen. Was vor wenigen Jahren noch nach Science-Fiction klang, ist heute technisch erstaunlich ausgereift.
In der neusten Folge des Consileon-Podcast „Am Puls der Zeit – Mobilität im Wandel“ diskutieren Moritz Hollenbeck, Senior Software Engineer, und Carl Limburg, Senior Consultant im Automotive-Geschäftsbereich, die Chancen und Risiken dieser Technologie.
„Ich finde, an diesem Beispiel kann man sehr gut erkennen, wie weit entwickelt die KI bereits ist, speziell wenn es um die Generierung von Stimmen geht“, sagt Moritz über ein Experiment aus der Podcastfolge, in dem mehrere Stimmen vorgespielt wurden, alle KI-generiert.
Eine der überraschendsten Erkenntnisse: Für einen einfachen Stimmenklon reichen heute bereits wenige Sekunden Audiomaterial einer echten Stimme. Mit mehr Aufnahmen lassen sich Intonation, Tempo und Sprachstil immer präziser nachbilden. Das eröffnet neue Möglichkeiten, etwa für digitale Assistenten oder automatisierte Hotlines. Gleichzeitig entstehen neue Risiken: Voice AI kann auch für Betrugsversuche oder politische Manipulation eingesetzt werden.
Ein Beispiel aus den USA zeigt, wie real diese Szenarien bereits sind. Bei einer Vorwahl wurden Wähler per automatisiertem Anruf kontaktiert, mit einer Stimme, die US-Präsident Joe Biden imitierte und sie vom Wählen abhalten sollte. Die Diskussion im Podcast zeigt, dass technisch bereits vieles möglich ist. Entscheidend wird künftig sein, wie wir gesellschaftlich und organisatorisch damit umgehen.
Neben den Risiken bietet Voice AI auch enormes Potenzial. Besonders im Customer Service können KI-gestützte Sprachassistenten viele einfache Anfragen automatisiert bearbeiten, rund um die Uhr erreichbar sein und mehrere Gespräche parallel führen. Für Unternehmen bedeutet das schnellere Reaktionszeiten und effizientere Prozesse; für Kunden eine deutlich bessere Erreichbarkeit.
Doch die Entwicklung geht noch weiter. Immer häufiger übernehmen persönliche KI-Assistenten die Kommunikation im Namen von Menschen: Sie recherchieren Informationen, vergleichen Angebote oder organisieren Termine. Damit entsteht ein neues Interaktionsmodell, in dem nicht nur Menschen mit Unternehmen sprechen, sondern auch mit deren digitalen Stellvertretern. Diese Entwicklung wird zunehmend als Agent Relationship Management (ARM) beschrieben – eine Weiterentwicklung klassischer CRM-Ansätze. Unternehmen kommunizieren dabei nicht mehr ausschließlich mit dem Kunden selbst, sondern auch mit dessen KI-Assistenten, die Informationen filtern, Entscheidungen vorbereiten oder automatisiert Anfragen stellen.
Voice AI spielt dabei eine zentrale Rolle: Sie ermöglicht natürliche, sprachbasierte Interaktionen zwischen Menschen, Unternehmen und digitalen Agenten. In Zukunft könnten viele einfache Serviceprozesse daher nicht mehr nur von Mensch zu Mensch oder von Mensch zu Maschine ablaufen, sondern auch von KI zu KI. Ferner eröffnet die Technologie neue Möglichkeiten im Alltag, etwa beim Zugang zu Informationen, bei Übersetzungen oder als Unterstützung für Menschen, die digitale Technologien bisher nur eingeschränkt nutzen können.
Die Beispiele aus der Podcastfolge zeigen auch, wie wichtig KI-Kompetenz in Unternehmen wird. Viele Mitarbeiter erleben KI noch als abstraktes Schlagwort. Gleichzeitig entstehen neue Fragen zur Sicherheit, zur Regulierung und zur praktischen Nutzung.
Genau hier setzt der Consileon KI-Führerschein an. Das praxisnahe Training zeigt Teams, wie KI konkret im Arbeitsalltag eingesetzt werden kann – vom eigenen Chatbot über automatisierte Workflows bis hin zu kreativen Anwendungen. Statt Theorie steht dabei Learning-by-Doing im Mittelpunkt. Ziel ist es, Berührungsängste abzubauen und eine neue Denkweise zu fördern: KI nicht als Bedrohung, sondern als Werkzeug zur Lösung konkreter Aufgaben zu verstehen.
Voice AI zeigt eindrucksvoll, wie schnell sich KI weiterentwickelt und wie stark sie unsere Kommunikation verändern kann. Die entscheidende Frage ist daher nicht, ob diese Technologien kommen, sondern wie wir lernen, sinnvoll und verantwortungsvoll mit ihnen umzugehen.
Mehr Einblicke, Beispiele und Diskussionen zum Thema Voice AI hören Sie in der aktuellen Podcastfolge „KI oder nicht KI, das ist hier die Frage„
Die fortschreitende Digitalisierung im Gesundheitswesen erhöht nicht nur Effizienz und Versorgungsqualität, sondern auch die Abhängigkeit von stabilen und sicheren IT-Systemen. Gleichzeitig geraten Krankenhäuser zunehmend ins Visier professioneller Cyberkriminalität. Angriffe auf kritische Infrastrukturen treffen auf eine minimale Ausfalltoleranz im laufenden Betrieb und haben im Ernstfall unmittelbare Auswirkungen auf die Patientensicherheit.
Mit der NIS2-Richtlinie reagiert der Gesetzgeber auf diese Entwicklung und verschärft die regulatorischen Anforderungen deutlich. Der bisherige selektive KRITIS-Ansatz entfällt. Künftig ist nicht mehr die Zahl der Behandlungsfälle entscheidend, sondern die Unternehmensgröße. Damit fallen nahezu alle Krankenhäuser in den Anwendungsbereich der NIS2-Regulierung – verbunden mit dauerhaften Pflichten, hohen Anforderungen an Dokumentation und Meldefähigkeit sowie einer persönlichen Haftung der Geschäftsführung.
Diese Entwicklung hat weitreichende Folgen: Organisation, Governance und Kostenstrukturen geraten unter Druck. Klassische, überwiegend manuelle Compliance-Ansätze stoßen angesichts begrenzter personeller Ressourcen, wachsender Dokumentationspflichten und steigender Audit-Anforderungen an ihre Grenzen.
Gleichzeitig eröffnen sich neue Möglichkeiten durch den Einsatz von Künstlicher Intelligenz. KI-gestützte Analyse- und Auditverfahren ermöglichen erstmals eine systematische, konsistente und nachvollziehbare Bewertung regulatorischer Anforderungen sowie vorhandener Dokumentation und schaffen damit Transparenz und Steuerbarkeit.
Unser Whitepaper „IT-Sicherheit im Krankenhausbetrieb – NIS2-Vorgaben und KI als Lösung“ zeigt,
Im Fokus stehen dabei nicht abstrakte Regulierungsdetails, sondern konkrete strategische Handlungsfelder für Geschäftsführung, IT, Informationssicherheit und Compliance im Krankenhausumfeld.
Laden Sie sich unser Whitepaper herunter und erfahren Sie, wie Krankenhäuser NIS2 als Anlass nutzen können, IT-Sicherheit strukturiert, steuerbar und patientensicher aufzustellen.
Die PEH Wertpapier AG zählt zu den führenden banken- und versicherungsunabhängigen Finanzdienstleistern im deutschsprachigen Raum. Das Unternehmen wurde 1989 gegründet und ist von Anbeginn an inhabergeführt. Die PEH Gruppe bietet als Multi-Manager-Finanzhaus eine vielfach ausgezeichnete Vermögensverwaltung für Private Kunden sowie spezielle Produkte und Anlagelösungen für Institutionelle Investoren.
Die PEH verfolgt ein ambitioniertes Wachstum, das mit steigenden Anforderungen an Compliance und Regulatorik einhergeht. Bereits heute entstehen rund 30 % der regulatorischen Kosten durch externe Anwaltsleistungen. Derzeit beschäftigt die PEH-Gruppe 14 Mitarbeiter im Bereich Regulatorik; bei dem geplanten Wachstum würde dies eine lineare Personalaufstockung erfordern. Ziel war daher, Prozesse zu automatisieren, externe Kosten zu senken und Fachkräfte von repetitiven Aufgaben zu entlasten, um den Fokus stärker auf wertschöpfende Tätigkeiten zu lenken.
Mit dem Consileon Compliance Manager bietet Consileon eine KI-gestützte Lösung zur intelligenten Automatisierung regulatorischer Prozesse. Die Software analysiert Verträge und Dokumente, erkennt Lücken, Risiken und Optimierungspotenziale und schlägt gezielte Maßnahmen vor. Durch die nahtlose Integration in bestehende Systeme werden Prüfprozesse standardisiert, dokumentiert und revisionssicher gestaltet. Das gemeinsame Projekt wurde in enger Abstimmung mit den Fachabteilungen umgesetzt. Dank des flexiblen, iterativen Vorgehens konnte die Lösung schnell auf die spezifischen Bedürfnisse der PEH zugeschnitten werden – von der ersten Pilotierung bis zum produktiven Einsatz.
Bereits kurze Zeit nach der Einführung des Consileon Compliance Managers zeigten sich spürbare Fortschritte. Die PEH konnte ihre internen Abläufe im Bereich Compliance und Regulatorik deutlich verschlanken und externe Unterstützungsleistungen erheblich reduzieren. Prüfprozesse mit Wirtschaftsprüfern verlaufen heute wesentlich effizienter und standardisierter, wiederkehrende Tätigkeiten wurden automatisiert und zentral dokumentiert. Dadurch stiegen Transparenz und Nachvollziehbarkeit der regulatorischen Arbeit deutlich. Zugleich verbesserte sich die Qualität der Prüfergebnisse, da die Lösung keine relevanten Punkte übersieht und menschliche Fehlerquellen minimiert. Insgesamt profitiert die PEH von spürbarer Entlastung, höherer Prozesssicherheit und einer nachhaltig verbesserten Effizienz in der regulatorischen Steuerung.
Das laufende Projekt ist geprägt von einer engen, pragmatischen und vertrauensvollen Zusammenarbeit zwischen Consileon und der PEH. Erfolgstreibend war die Kombination aus Branchenexpertise, Regulatorik-Know-how und technologischem KI-Verständnis, ergänzt durch ein gemeinsames, agiles Lernverständnis. Diese enge Verzahnung von Use-Case-Design, Fachwissen und Technologie führte zu praxisnahen Ergebnissen und messbarem Mehrwert in kurzer Zeit.
Im nächsten Schritt plant die PEH, den Compliance Manager um weitere Module zu erweitern und sukzessive zusätzliche regulatorische Anwendungsfälle zu integrieren. Parallel werden die Mitarbeiter befähigt, KI-gestützte Prozesse aktiv zu nutzen und weiterzuentwickeln. Damit legt die PEH den Grundstein für eine zukunftsfähige, skalierbare und effiziente Compliance-Organisation und festigt ihre Position als innovatives Finanzdienstleistungsinstitut mit höchsten Standards in Qualität und Governance.
Heutzutage kommt man am Thema Künstliche Intelligenz (KI) kaum noch vorbei. Während manche KI als Heilsbringer für Innovation und Effizienz ansehen, befürchten andere, dass sie den Menschen langfristig ersetzen soll. Heilsbringer oder Untergang, die Wahrheit liegt wie bei anderen Innovationen und technischen Entwicklungen wahrscheinlich dazwischen und wird am Ende durch die Art der Anwendung bestimmt. Schon jetzt zeichnet sich ab, dass KI als Schlüsseltechnologie auch den Bankensektor grundlegend verändern wird. Jedoch setzen viele Finanzdienstleister sie ein, ohne zu prüfen, ob die Nutzung wirklich angemessen ist und einen Mehrwert gegenüber existierenden Prozessen bietet. Um den Trend nicht zu verschlafen, werden KI-Anwendungen implementiert, ohne ausreichende Prüfung der Datenqualität und im schlimmsten Fall unter Vernachlässigung von Governance und ethischen Leitlinien. Dabei rückt ESG (Environmental, Social, Governance), das noch vor einigen Jahren Trendthema Nummer 1 war, in den Hintergrund.
ESG ist, getrieben durch gesellschaftliche Erwartungen und regulatorische Vorgaben, in den vergangenen Jahren aus der Nische ins Zentrum des Handelns von Finanzdienstleistern gerückt. Für viele Banken ist es kein Trendthema mehr, mit dem man Kunden gewinnen kann, sondern Pflichtprogramm. Beispielsweise müssen Banken laut MiFID II Nachhaltigkeitspräferenzen in der Anlageberatung berücksichtigen und gemäß MaRisk und EBA-Guidelines die Umwelt- sowie Klimarisiken im Risikomanagement integrieren. Die CSRD macht, trotz der aktuellen Überarbeitungen, Vorgaben zur Nachhaltigkeitsberichterstattung und die SFDR stellt Anforderungen zur unternehmens- und produktbezogenen Offenlegung im Wertpapierbereich. Mit dem EU AI Act kommt zudem erstmals ein spezifischer Rechtsrahmen für KI hinzu. Der risikobasierte Ansatz sieht vor, dass KI-Systeme je nach Risiko Anforderungen erfüllen müssen, um in der EU zugelassen zu werden. Bei einem geringen Risiko gelten begrenzte Informations- und Transparenzpflichten, hochriskante KI-Systeme, beispielsweise in den Bereichen kritischer Infrastruktur, Gesundheits- und auch Bankenwesen, müssen deutlich höhere Anforderungen erfüllen. Die Klassifizierung adressiert bisher vor allem Risiken in Bezug auf Grundrechte der Bürger und Diskriminierung und macht Vorgaben zu notwendigen Governance- und Risikomanagement-Strukturen. Ökologische Auswirkungen von KI werden bislang nur am Rande über Transparenz- und Energieeffizienzanforderungen aufgegriffen.
Diese Entwicklungen erfordern immer größere Mengen an Daten und Datenpunkten, die aufgenommen und ausgewertet werden müssen. Hier bietet KI Chancen, schneller, effizienter und verlässlicher zu werden, wirft jedoch gleichzeitig Fragen zur Einwertung von KI entlang der drei ESG-Dimensionen (Environmental, Social, Governance) und zur Vereinbarkeit mit nachhaltiger Unternehmensführung auf.
Dieser Beitrag schafft Transparenz über die Auswirkungen von künstlicher Intelligenz auf die drei Dimensionen von ESG, betrachtet aktuelle Anwendungsfälle an der Schnittstelle von KI- und ESG-Aspekten und gibt Impulse zu einer ESG-gerechten KI-Implementierung.
Künstliche Intelligenz hat großes Potenzial, Nachhaltigkeitsziele entlang der drei ESG-Dimensionen durch Prozessoptimierung und Ressourceneinsparung zu unterstützen. Insbesondere die ökologische Dimension kann profitieren: In der Landwirtschaft lässt sich beispielsweise die Bewässerung durch KI so steuern, dass bis zu 30 % weniger Wasser verbraucht und dennoch höhere Ernteerträge erzielt werden. 1 Äquivalent dazu können in Industrie und Gebäudetechnik KI-basierte Steuerungen den Energieverbrauch senken und so Emissionen reduzieren. Mithilfe von KI lassen sich außerdem Umweltprobleme schneller erkennen und bewältigen. So können KI-gestützte Analysen Ölverschmutzung in Meeren frühzeitig entdecken, Landnutzungsänderungen wie Entwaldung präzise erfassen, Treibhausgasemissionen quantifizieren und die Überwachung des Zustands von Wäldern verbessern, um negativen Effekten frühzeitig gegenzusteuern. Auch im Klimaschutzmanagement (z. B. bei Smart Grids) hilft KI, Energiesysteme effizienter und umweltfreundlicher zu gestalten. Sie kann außerdem auf dem Weg zur Kreislaufwirtschaft helfen, indem sie Sortierprozesse im Recycling optimiert, Verschwendung reduziert und ressourcenschonende Produktion fördert.
Mit Blick auf Banken ist der Nutzen von KI insbesondere in der Governance-Perspektive zu sehen, beispielsweise in der Risikoanalyse. Durch die Erkennung von Mustern in Verbindung mit der Verarbeitung und Auswertung großer Datenmengen, lassen sich Risiken frühzeitig erkennen und mitigieren.
Die Kehrseite stellt die negative Wirkung von KI auf alle drei ESG-Perspektiven dar.
Der ökologische Impact von KI erstreckt sich über den gesamten Lebenszyklus: Von der Herstellung der Hardware und dem Bau neuer Rechenzentren über den Energieverbrauch für Training und Betrieb der Modelle bis hin zu einem höheren Bedarf an neuen Elektrogeräten sowie deren Entsorgung (Elektronikschrott). Trotz dieser starken Umweltbelastungen mangelt es an belastbaren Daten, standardisierten Messmethoden und Transparenz über die Auswirkungen. Viele Betreiber und Anbieter veröffentlichen kaum Informationen über den Ressourcenverbrauch ihrer KI-Systeme.
Die prominenteste negative Auswirkung ist der Stromverbrauch von KI-Modellen. Eine Anfrage an ChatGPT verbraucht gegenüber einer Google-Suche laut IEA etwa das Zehnfache an Strom. Die Integration von KI in Suchmaschinen und die wachsende Zahl an Anfragen täglich führt zu einer globalen Zunahme des Energieverbrauchs. Dieser Trend wird sich in kommenden Jahren noch verstärken. 2
Neben Strom verbraucht KI auch große Mengen Wasser und andere Ressourcen. Um die Hitzeentwicklungen in Rechenzentren unter Kontrolle zu halten, ist eine intensive Kühlung erforderlich, häufig mit Frischwasser. In wasserarmen Regionen führt der Kühlungsbedarf zu Wettbewerb mit anderen Nutzenden (z. B. Landwirtschaft, Bevölkerung) und kann lokale Ökosysteme belasten.
Außerdem benötigt die Herstellung der Hardware (Rechenzentren, Server, Chips) große Mengen an Rohstoffen, deren Abbau oft ökologisch problematisch ist. Der Bau und die Erweiterung von Rechenzentren (Baumaterialien, Infrastruktur, Transport) verursacht „eingebettete“ CO₂-Emissionen (sogenanntes „embodied carbon“), da sowohl die Herstellung vieler Baumaterialien, wie beispielsweise Zement, als auch der Transport schwerer Güter mit hohen CO₂-Emissionen verbunden ist. Die verwendete Hardware enthält oftmals giftige Stoffe (z. B. Quecksilber, Blei), die am Ende der Lebensdauer Entsorgung und Recycling erschweren.
Zudem können KI-Anwendungen auch indirekt Umweltbelastungen erzeugen, z. B. wenn autonome Fahrzeuge statt öffentlicher Verkehrsmittel genutzt werden. 3
In Bezug auf die soziale und Governance-Perspektive birgt KI das Risiko, menschliche Vorurteile oder Fehlinformationen als Fakten darzustellen, abhängig davon, mit welchen Daten sie trainiert wurde. Eine neue Studie der Europäischen Rundfunkunion zeigt, dass 45 % aller Antworten verschiedener KIs mindestens ein signifikantes Problem enthielten. Dies waren beispielsweise falsch zitierte Quellen, Aussagen, die ohne Quellenangaben als Fakt präsentiert wurden, oder sogar Falschaussagen. KI wird oft als neutrale Instanz gesehen, die sie jedoch oftmals nicht ist, und kann somit dazu verleiten, falsche oder problematische Informationen als wahr anzusehen. Auch der Einfluss auf Datenschutz und Urheberrecht ist noch nicht in vollem Ausmaß geklärt und wird von KI-Systemen ausreichend berücksichtigt. Politisch versucht die EU, diesen Risiken mit dem AI Act zu begegnen. Dieser Rechtsrahmen legt strenge Vorgaben in Bezug auf Governance, Datenqualität, Transparenz und Risikomanagement für Hochrisiko-Systeme („high risk systems“) fest, etwa im Kredit-Scoring oder bei der Bewertung von Kreditwürdigkeit. Damit adressiert der AI Act vor allem die soziale und Governance-Perspektive von KI, während ökologische Auswirkungen wie Energie- und Ressourcenverbrauch bislang nur teilweise (z. B. zur Energieeffizienz von Rechenzentren) widergespiegelt werden.
Der Nutzung von KI sollten demnach die gesamten ökologischen und sozialen Kosten den Effizienzgewinnen gegenübergestellt werden. Diese ganzheitliche Betrachtung ist notwendig, um abzuwägen, in welchen Anwendungsfällen der Nutzen die Kosten für die Gesellschaft und die Umwelt rechtfertigt. So darf der Einsatz von KI im Namen der Effizienz nicht zulasten sozialer Aspekte wie Fairness oder Datenschutz gehen. KI sollte verantwortungsvoll entwickelt und eingesetzt werden, um Nachhaltigkeitsziele zu fördern, statt ihnen entgegenzuwirken. Ein möglicher Lösungsansatz ist die Entwicklung und Einführung echter verbindlicher Standards für die transparente Messung und Berichterstattung des Ressourcenverbrauchs (bspw. Energie, Wasser) solcher Systeme und die regelmäßige Prüfung, ob die verwendete Hardware noch auf dem neuesten technischen und energetischen Stand ist. Ergänzt durch konkrete Zielwerte, ein Beschaffungsmanagement und ein Entsorgungssystem für Altgeräte, das auf Recycling, Ressourcenschonung und Kreislaufwirtschaft ausgelegt ist, könnten Unternehmen sicherstellen, dass KI aktiv zur Erreichung von Nachhaltigkeitszielen beiträgt.
Mit Blick auf den Finanzsektor ist Künstliche Intelligenz bereits als Unterstützung entlang der gesamten Wertschöpfungskette in der Praxis angelangt. Institute nutzen KI für viele Use Cases, mit dem Ziel, Kosten zu senken und Risiken früher zu erkennen. Kundinnen und Kunden können gleichzeitig noch zielgerichteter bedient werden. Der Weg dorthin folgt einem klaren Muster: Im ersten Schritt braucht es eindeutig definierte, belastbare Daten, die konsistent erhoben werden können und sich dauerhaft im Zugriff befinden. Anschließend müssen Governance- und Modellrisikomanagement ausgearbeitet und schriftlich fixiert werden: Rollen, Verantwortlichkeiten, Dokumentation, Erklärbarkeit und Kontrollen. Zudem beginnt eine erfolgreiche Umsetzung zunächst mit einem überschaubaren und geschäftsnahen Use Case, der schnell Wirkung zeigt und dann über Plattformen skalieren kann.
Auch im Zahlungsverkehr kommt KI zunehmend zum Einsatz. Insbesondere bei Echtzeitüberweisungen steigt dadurch der Energiebedarf der Bankinfrastruktur. Instant Payments erfordern permanente Systemverfügbarkeit, laufende Risiko- und Betrugsprüfungen sowie KI-basierte Mustererkennung in Millisekunden. Im Gegensatz zu klassischen Batch-Prozessen, die Aufgaben bündeln und in Zeiten niedriger Netzlast ausführen, müssen Echtzeitsysteme 24/7 Rechenkapazitäten vorhalten und auf Spitzenlasten vorbereitet sein. Das erhöht den Grundenergieverbrauch und vergrößert den ökologischen Fußabdruck pro Transaktion. Der Energie- und Rechenaufwand bei Instant Payments fällt nach Einschätzungen von Mitgliedern der European Automated Clearing House Association (EACHA) etwa dreimal höher aus als bei klassischen Batch-Verfahren. Ursache dafür ist vor allem der zusätzliche CPU-Bedarf, der für die Verarbeitung jeder einzelnen Echtzeittransaktion notwendig ist und sowohl Betreiber als auch Banken stärker beansprucht. Darüber hinaus treiben veraltete Softwarelandschaften diesen Verbrauch weiter nach oben, während moderne Anwendungen und cloudbasierte Infrastrukturen spürbare Effizienzgewinne ermöglichen. 4
Banken sollten daher abwägen, in welchen Bereichen Echtzeit wirklich notwendig ist und wie KI-gestützte Systeme energieeffizient gestaltet werden können, ohne den Verlust von Sicherheits- und Komfortgewinnen zu riskieren.
In Risikomanagement und Compliance unterstützt KI bereits heute bei der Unterscheidung zwischen statistischem Rauschen sowie relevanten Daten und Mustern. Moderne AML-Modelle reduzieren Fehlalarme und lenken die Aufmerksamkeit auf tatsächlich auffällige Muster. In der Betrugsabwehr erkennen Modelle Anomalien in Karten- und Online-Transaktionen in Echtzeit, was Verluste senkt und den Kunden mehr Sicherheit bietet. Im Kreditgeschäft werden durch Frühwarnsysteme, die Konto- und Marktsignale einspeisen, mögliche Ausfälle früher vorhergesagt.
Auch der Kundendialog verändert sich durch den Einsatz künstlicher Intelligenz: „Next Best Action“-Empfehlungen machen situative und personalisierte Angebote, Chat- und Voice-Assistenten beantworten Standardfragen rund um die Uhr und entlasten Hotlines.
Die größten Produktivitätsgewinne entstehen jedoch oft im Backoffice. Systeme verstehen und extrahieren Inhalte aus Verträgen oder KYC-Unterlagen, was somit Durchlaufzeiten reduziert und Medienbrüche vermeidet. Posteingänge werden automatisch sortiert und zusammengefasst. Durch eine automatische Weiterleitung landen Vorgänge ohne Umwege zudem direkt bei der zuständigen Bearbeitungsstelle. Im Reporting und bei der Regulatorik generieren Assistenzsysteme bereits erste Entwürfe, markieren Abweichungen und stellen Quellen zusammen, was Teams mehr Zeit für Analyse statt Fleißarbeit schafft. Auch bei Marktanalysen und in der Steuerung zeigt KI ihre Wirkung: Vorhersagen sind besser und Preismodelle robuster, was Margen stabilisiert.
JPMorgan Chase nutzt mit „COiN“ die automatisierte Analyse von Kredit- und ISDA-Klauseln, um das Legal- und Operations-Backoffice deutlich effizienter zu machen. 5
HSBC hat im Bereich Financial-Crime gemeinsam mit Google Cloud ein dynamisches, KI-gestütztes Transaktionsmonitoring aufgebaut und berichtet von zwei- bis viermal so vielen erkannten Fällen bei gleichzeitig höherer Präzision. 6
ING beschleunigt im Bond-Trading mit „Katana“ und „Katana Lens“ die Preisfindung; Pilotergebnisse zeigen um 90 Prozent schnellere Pricing-Entscheidungen und 25 Prozent niedrigere Trading-Kosten. 7
Die Deutsche Bank setzt mit „DB Lumina“ auf eine RAG-basierte Research-Assistenz, die interne Dokumente auswertet, Zusammenfassungen liefert und Q&A ermöglicht. Ein spürbarer Produktivitätshebel für Analystinnen und Analysten im Unternehmen. 8
ABN AMRO skaliert Conversational Services und Hyperautomation mit MS Copilot und Copilot Studio über Millionen von Kundenkontakten und Prozessen hinweg. 9
Auch die Aufsicht sieht die Breitenwirkung: Die European Banking Authority beobachtet derzeit die stärkste KI-Nutzung in Credit Scoring, Kreditwürdigkeitsprüfung und Risikomodellen, aber Reporting und die Schätzung des ESG-Fußabdrucks holen auf. 10
Was heißt das also für die Betrachtung der Schnittstelle von KI und ESG? KI ist kein Selbstzweck, sondern ein operatives Werkzeug. Grundlage muss immer eine solide Datenbasis und gute Governance sein, um mit einem konkreten und greifbaren Use Case zu starten. Wenn ein Pilotprojekt erfolgreich war, ermöglicht eine schnelle Skalierung sichtbare Effekte und die Ausweitung über verschiedene Bereiche wie Risiko, Vertrieb und Märkte hinweg. So kann aus einem Piloten nachhaltige Wertschöpfung entstehen, die die Ressourcennutzung verringert.
Dennoch bleibt zu beachten, dass KI bereits heute eine negative ökologische und soziale Wirkung hat, die nicht ignoriert werden darf. Wer ESG ernst nimmt, muss zukünftig auch die Auswirkungen, insbesondere die negativen, berücksichtigen und die Nutzung gezielt steuern. Nicht jeder Prozess muss durch KI optimiert und unterstützt und nicht jeder Text muss von einer KI geschrieben oder geprüft werden. In der Praxis bewährt sich dabei eine klare Fokussierung auf Anwendungen mit echtem Risikobeitrag oder operativem Hebel, statt KI flächendeckend in „alles-wird-automatisiert“-Logiken zu denken.
Ein zentraler Hebel, um den KI-Einsatz nachhaltiger zu gestalten, ist beispielsweise die Optimierung der Verarbeitungsweise. Batchverarbeitung (Sammelverarbeitung) bündelt Aufgaben und führt sie gesammelt aus, anstatt Daten punktuell in Echtzeit zu verarbeiten. Studien zu Batchverarbeitung und carbon-aware Scheduling zeigen, dass sich der Stromverbrauch nicht-zeitkritischer Workloads um 20 bis 40 Prozent senken lässt; in idealisierten Szenarien werden sogar Einsparungen von bis zu 50 Prozent realisiert. 11, 12
Nicht zeitkritische KI-Workloads (z. B. das periodische Training von Modellen oder große Analysen) sollten daher im Batch-Modus geplant werden. Solche Jobs lassen sich z.B. nachts oder zu Zeiten geringer Netzlast ausführen, wenn zudem oft ein höherer Anteil an erneuerbarem Strom im Netz verfügbar ist. 13 Demgegenüber steht die Direktverarbeitung in Echtzeit, die immer dann erforderlich ist, wenn Ergebnisse ohne Verzögerung benötigt werden, z. B. bei Fraud Detection während einer laufenden Transaktion oder bei der Interaktion mit einem Servicechatbot. Hier muss das KI-System ständig verfügbar und reaktionsfähig sein, was einen höheren Grundenergieverbrauch bedeutet. Zudem werden bei strikter Echtzeitverarbeitung oft maximale Rechenressourcen vorgehalten, um Spitzenlasten sofort abzudecken. Diese Ressourcen laufen dann auch in Leerlaufzeiten weiter.
Zusätzlich ist absehbar, dass sich der regulatorische Rahmen an der Schnittstelle von KI und ESG weiter verdichten wird. Der EU AI Act setzt erste verbindliche Leitplanken für den Umgang mit KI, während CSRD, CSDDD und branchenspezifische Leitlinien die Erwartungen an transparente Berichterstattung und gute Governance beinhalten. Für Banken bedeutet das zusätzlichen Aufwand für Datenauswertung und Reporting, aber zugleich eröffnet sich die Chance, eine Vorreiterrolle einzunehmen. Institute, die bereits heute ökologische und soziale Auswirkungen ihrer KI-Systeme systematisch auswerten und offenlegen, können regulatorische Anforderungen nicht nur erfüllen, sondern diese als Differenzierungsmerkmal und Baustein einer glaubwürdigen Nachhaltigkeitspositionierung nutzen, wodurch insbesondere die Geschäftsbeziehung zu jungen und klimasensiblen Kunden gestärkt werden kann
Damit die Abwägung über die Einsatzgebiete für KI künftig nicht zufällig erfolgt, sondern systematisch, braucht es jedoch mehr als technische Optimierung und regulatorische Compliance. Empfehlenswert ist ein einheitlicher Bewertungsrahmen, der KI-Vorhaben entlang wirtschaftlicher, ökologischer und sozialer Dimensionen prüft und so eine belastbare Entscheidungsgrundlage schafft. In vielen Häusern wird es sinnvoll sein, eine zentrale Stelle zu etablieren (sei es in Form eines KI-Boards oder einer funktionsübergreifenden Governance-Einheit), die Prioritäten setzt, Nutzungsrahmen definiert und Zielkonflikte auflöst. Eine konsistente Bewertungslogik, auf die sich Fachbereiche und Steuerungseinheiten gleichermaßen stützen können, sorgt dafür, dass Nutzenversprechen, Energieprofil und mögliche soziale Auswirkungen vor Projektstart abgeglichen werden. So entsteht aus einer Vielzahl einzelner Initiativen ein gesteuertes Gesamtportfolio, das technologische Ambition und Nachhaltigkeitsziele miteinander verbindet.
Insgesamt gilt: KI ist gekommen, um zu bleiben. Und sie hat ihre Daseinsberechtigung. Banken sollten auf der Basis von Fakten entscheiden, wo sie KI für ihre Prozesse einsetzen, und die ökologischen und sozialen Auswirkungen gegenüber dem ökonomischen Nutzen abwägen. KI sollte, insbesondere bei nicht zeitkritischen Aufgaben, zeitlich und räumlich flexibel (geografisch in Rechenzentren mit günstigerer Energiebilanz) eingesetzt werden, um Lastspitzen abzufedern und den CO₂-Fußabdruck der KI-Berechnungen zu minimieren. Durch einen solchen „grünen“ KI-Betrieb, unterstützt durch Algorithmen zur Laststeuerung, können Banken die Kosten-Nutzen-Bilanz ihrer KI-Systeme erheblich verbessern, indem sie Energie sparen und Emissionen vermeiden, ohne auf die Vorteile der Technologie verzichten zu müssen. Zudem sollte die technische Basis selbst stärker in den Blick genommen werden: Langlebige Hardware, konsequentes Recycling und der Bezug nachhaltig erzeugter Energie sind zentrale Stellhebel, um den ökologischen Fußabdruck der zugrunde liegenden Zahlungs- und KI-Infrastrukturen weiter zu reduzieren. Auch hier zeigt sich, dass technische Effizienz und Nachhaltigkeit keine Gegensätze sind, sondern bei kluger Systemarchitektur Hand in Hand gehen.
AML: Anti Money Laundering oder auch Anti-Geldwäsche
CSDDD: Die Corporate Due Diligence Directive der Europäischen Union oder auch Lieferkettenrichtlinie
CSRD: EU-Richtlinie zur Nachhaltigkeitsberichterstattung
EBA-Guidelines: Die EBA-Guidelines on management of ESG risks verpflichten Finanzinstitute, ESG-Risiken in Governance, ICAAP, Kreditvergabe- und Überwachungsrichtlinien und das Risikomanagement zu integrieren
MiFID II: EU-Richtlinie, die Vorgaben für den Wertpapierhandel definiert, um Markttransparenz zu erhöhen und Anlegerschutz zu erhöhen, Ergänzung um die Abfrage von Nachhaltigkeitspräferenzen seit August 2022
MaRisk: Mindestanforderungen an das Risikomanagement, Ergänzung im Juni 2023 in der 7. MaRisk-Novelle zum Umgang mit Nachhaltigkeitsrisiken
IEA: International Energy Agency
KYC: Know Your Customer
SFDR: Sustainable Finance Disclosure Regulation
Karlsruhe, 8. Dezember 2025. Die demografische Entwicklung verschärft den Arbeitskräftemangel und damit das Risiko, dass wertvolles Erfahrungswissen im Unternehmen verloren geht. Das aktuelle Whitepaper der Consileon-Gruppe mit dem Titel „Wissen sichern, Lücken schließen – mit generativer KI gegen den demografischen Wandel“ zeigt, wie Unternehmen Wissen systematisch erfassen, intelligent nutzbar machen und im Alltag kontextbezogen bereitstellen können.
In den nächsten 15 Jahren werden laut Statistischem Bundesamt rund 13,4 Millionen Erwerbspersonen das gesetzliche Renteneintrittsalter erreichen: Das entspricht knapp einem Drittel der Menschen, die dem Arbeitsmarkt im Jahr 2024 zur Verfügung standen. Diesen Fachkräftemangel können jüngere Altersgruppen selbst bei hoher Nettozuwanderung nicht auffangen – bei niedriger Zuwanderung könnte sich die erwerbstätige Bevölkerung um bis zu 4,8 Millionen reduzieren. „Unternehmen verlieren damit nicht nur erfahrene Arbeitskräfte, sondern auch, was viel schwerer wiegt, in Jahrzehnten aufgebautes Wissen. Ein zusätzliches Problem: Wissen steckt meist in Köpfen, nicht in Datenbanken. Deshalb benötigen Firmen ganz konkrete Lösungen, mit denen sich dieser Erfahrungsschatz für die Zukunft erhalten lässt“, sagt Dr. Joachim Schü, Gründer und geschäftsführender Gesellschafter der Consileon-Gruppe.
Zu diesem Zweck bündelt die Consileon-Gruppe in ihrem Whitepaper umfangreiche Erfahrung aus Kundenprojekten und die Expertise ihres KI-Teams mit Best Practices international führender Unternehmen. Darauf aufbauend zeigt Consileon praxisnah, wie Unternehmen generative KI nutzen können, um
„Wer heute in den strategischen Einsatz von KI investiert, stärkt die Innovationskraft, sichert Wettbewerbsvorteile und erhöht die Resilienz in Zeiten des demografischen Wandels“, fasst Dr. Joachim Schü zusammen. „Consileon unterstützt Organisationen mit einem ganzheitlichen Ansatz dabei, eine individuelle KI- und Wissensstrategie zu entwickeln und erfolgreich zu implementieren, um zentrale Herausforderungen von morgen mit Technikkompetenz zu lösen.“
Künstliche Intelligenz ist längst mehr als ein Hype, sie verändert Wertschöpfung, Prozesse und Geschäftsmodelle. Doch während viele Unternehmen erste Tools testen, fehlt es oft an Struktur, Governance und eine klaren KI-Strategie. Rüdiger Lang, Principal bei Consileon, erklärt im Interview, warum KI nicht länger im Pilotstatus verharren darf, welche Schritte wirklich zählen und wie Unternehmen den Übergang ins Kerngeschäft erfolgreich gestalten können.
In vielen Fällen ist KI heute noch ein „Buzzword mit Pilotcharakter“. Unternehmen experimentieren, probieren Tools aus, meist ohne übergreifende Strategie. Meist fehlt eine klare Governance, ein exakt definiertes Ziel und die Fähigkeit, KI wirklich skalierbar in die Wertschöpfung zu integrieren. Viele Unternehmen setzen heute kleine KI-Use-Cases um, wie beispielsweise Co-Pilot, der bei einzelnen Arbeitsschritten unterstützt. Wir erwarten den größten Hebel jedoch bei der Umsetzung von KI-Use-Cases, die vertikal, also entlang der Geschäftsprozesse wirken. Genau da setzen wir gemeinsam mit unseren Kunden an: mit einem strukturierten Einstieg, einem fundierten Reifegrad-Audit und der Entwicklung passender Use Cases.
>>> Mehr zur Entwicklung einer individuellen KI-Strategie
Der KI-Führerschein ist unser praxisnahes Einstiegstraining, mit dem Teams Künstliche Intelligenz konkret erleben, nicht nur theoretisch verstehen. Statt trockener PowerPoint geht es um aktives Ausprobieren: Eigene Chatbots bauen, Prozesse mit No-Code-Tools automatisieren, Prompts entwickeln oder sogar KI-generierte Inhalte wie ein Musikstück erstellen. Das Format senkt Einstiegshürden, macht Lust auf KI und zeigt, wie vielfältig die Einsatzmöglichkeiten im Arbeitsalltag schon heute sind. Gleichzeitig thematisieren wir Fragen rund um Regulierung und Sicherheit, etwa im Hinblick auf den EU-AI-Act. Für viele ist das Training der erste Schritt, um KI nicht nur als Schlagwort, sondern als Werkzeug aktiv in ihre Arbeitsprozesse zu integrieren. Um auch auf der Führungskräfteebene die Potenziale von KI aufzuzeigen, bieten wir spezielle KI-Workshops für Entscheider an, die auf strategische Themen wie Wertschöpfungstiefe KI eingehen.
Je nach Reifegrad und Zielsetzung folgt meist ein KI-Audit, also die Analyse der organisatorischen, technischen und kulturellen Voraussetzungen. Daraus leiten wir Handlungsempfehlungen ab, die wir in einem Workshop mit der Führungsebene vertiefen. Besonders wichtig ist, dass KI nicht als technische Spielerei verstanden wird, sondern als ein Tool, das echten Mehrwert liefern kann. Auch und gerade in Geld.
Dass Unternehmen mit einem KI-Use-Case starten, ohne sich Gedanken über die KI-Strategie zu machen. Die KI-Strategie legt den Rahmen für die Umsetzung der KI-Use-Cases fest. Dadurch werden Use Cases mit dem größten Mehrwert angegangen und Insellösungen, Schatten-IT oder Sicherheitslücken vermieden. Teil der Strategie ist auch eine zentrale Plattform für die KI-Lösungen aufzubauen. Sonst verpuffen die Mehrwerte der KI. Außerdem sind einzelnen Insellösungen wesentlich teurer.
Eine ganz zentrale. Der EU-AI-Act bringt klare Vorgaben mit sich, etwa zur Risikoklassifikation, zu Transparenz und Kontrolle. Das bedeutet Unternehmen müssen den Einsatz von KI steuern und überwachen. Wir helfen dabei, diese Anforderungen frühzeitig zu integrieren, z. B. bei der Auswahl von Modellen, bei der Dokumentation oder im Umgang mit sensiblen Daten. Der KI-Führerschein ist beispielsweise ein Training, das Mitarbeiter auf den Umgang mit KI gemäß dem EU-AI-Act schult.
Grundsätzlich ist KI ein Thema, das völlig unabhängig von Branche oder Wirtschaftszweig einen Mehrwert liefert. Egal ob es um Arbeitserleichterungen, Wissensspeicherung, Effizienzgewinne oder das Einhalten von regulatorischen Vorgaben geht. Beispielsweise stehen die Finanzdienstleister oder auch die Pharmabranche unter hohem Druck, Regularien umzusetzen bzw. einzuhalten. Hier bieten wir bereits KI-Lösungen an, die die Umsetzung und die Prüfung von Regulatorik erheblich zu beschleunigen, z.B. zum Thema Vertragsprüfung auf DORA. Der andere Bereich ist die Pharmaindustrie, die mit den GxP-Prüfungen vor einem gewaltigen Aufwand stehen, den wir mit unserer KI-Lösung deutlich reduzieren können.
>>> Mehr zum Consileon Regulatorik-Radar erfahren
Behandeln Sie KI wie ein strategisches Investment, nicht wie ein Experiment oder eine technische Spielerei. Denken Sie von Anfang an zukünftige Entwicklungen. Bauen Sie eine tragfähige Architektur, etablieren Sie Governance und nehmen Sie Ihre Belegschaft von Anfang an mit auf die Reise. Und vor allem: Fangen Sie an! Heute! Aber mit System und klaren Zielen.
MATHY ist eine Marke der MVG Mathé-Schmierstofftechnik GmbH, die hochwertige Schmierstoffe, Motoröle und Additive für Kraftfahrzeuge, Oldtimer und Industrieanwendungen herstellt und vertreibt. Vor Projektbeginn erfolgte der Kundenservice und die Beratung für erklärungsbedürftige Produkte rein telefonisch, was viele Ressourcen blockierte. Aufgrund sich wiederholender Anfragen war MATHY auf der Suche nach einer automatisierten Lösung.
MATHY wollte den Kundenservice so automatisieren, dass auch bei hohem Anfragevolumen eine individuelle und gleichbleibend hochwertige Beratung möglich ist. Da sich viele Anfragen auf komplexe technische Details oder sehr spezifische Produktfragen beziehen, musste die Lösung passgenaue und kontextbezogene Antworten generieren können. Gleichzeitig sollte sie modular aufgebaut sein, um künftige Erweiterungen wie eine CRM-Anbindung zu ermöglichen und von Beginn an höchste Datenschutzstandards erfüllen.
Gemeinsam mit MATHY entwickelte Consileon einen Sprachassistenten auf Basis generativer KI, der Kundenanfragen sowohl telefonisch als auch über ein Web-Interface versteht und beantwortet. Grundlage dafür war eine Analyse typischer Fragen und interner Abläufe. Daraus entstand eine Wissensdatenbank, die Inhalte der Website sowie das gesamte Know-how der Mitarbeiter integriert. Darauf aufbauend wurde die KI trainiert und ein Dialogsystem entwickelt, das nicht nur zuhört, sondern kontextbezogen reagiert und präzise Antworten liefert.
Der KI-Sprachassistent wurde zunächst in einer geschlossenen Testumgebung und anschließend in einem Beta-Test mit ausgewählten Kunden erprobt. Durch wiederholte Tests mit realen Fragestellungen konnte er schrittweise optimiert werden und meistert heute auch komplexere Anfragen zuverlässig. Das Ergebnis: Die internen Teams sind spürbar entlastet, während Kunden jederzeit schnelle und verlässliche Unterstützung erhalten. Typische Fragen zu Produkten, Anwendungsmöglichkeiten, Versand und Preisen beantwortet der KI-Assistent konsistent und präzise.
Ein wesentlicher Erfolgsfaktor war die iterative Entwicklung: Der KI-Assistent wurde fortlaufend mit realen Fragen getestet und optimiert, bis er auch komplexere Anliegen zuverlässig bearbeiten konnte. Ebenso entscheidend war die enge Zusammenarbeit mit den Fachbereichen von MATHY, deren Wissen direkt in die Lösung einfloss. Auf diese Weise entstand ein praxisnahes System, das schnell spürbaren Nutzen brachte und eine hohe Akzeptanz fand.
Der KI-Assistent arbeitet derzeit als wissensbasierter Frage-Antwort-Bot. MATHY plant, die Lösung schrittweise auszubauen – unter anderem durch eine direkte Anbindung an das CRM-System sowie durch die Integration von Bestell- und Serviceprozessen. Außerdem soll die KI künftig mehrsprachig arbeiten, um auch internationale Kunden beraten zu können. So entwickelt sich der Assistent nach und nach zu einem digitalen Service-Agenten, der weit über die reine Auskunft hinausgeht und den Kundenservice nachhaltig stärkt.
Der Druck auf Krankenhäuser wächst: Fachkräftemangel, steigende Kosten und komplexe Regularien bremsen den Alltag in Medizin und Verwaltung. Gleichzeitig steckt in vorhandenen Daten und Prozessen enormes Potenzial, wenn man sie intelligent nutzt. Während viele Einrichtungen noch über den Einsatz von KI-Agenten nachdenken, erzielen erste Kliniken bereits messbare Vorteile – von effizienterer Dokumentation bis zu präziserer OP-Planung. Wer jetzt handelt, sichert sich einen strategischen Vorsprung.
Consileon setzt auf Multi-Agenten-RAG-Systeme, um KI in Krankenhäusern nutzbar zu machen. KI-Agenten helfen Krankenhäusern, Universitätskliniken und Klinikverbünden dabei, datenbasierte Entscheidungen zu treffen, operative Kosten zu senken, Qualität und Transparenz zu steigern sowie regulatorische Veränderungen als Innovationsmotor zu nutzen. Lesen Sie in unserem aktuellen Whitepaper, wie Multi-Agenten-RAG-Systeme in realen Klinikprojekten eingesetzt werden – von der Optimierung logistischer Abläufe bis zur Forschung.
Consileon bietet ganzheitliche Prozessberatung für Krankenhäuser und verfügt über tiefes medizinisches und technologisches Verständnis. Gemeinsam entwickeln wir KI-Lösungen, die einen unmittelbaren Nutzen für Ihren Klinikalltag bringen: