Zum Inhalt

Erweiterte Suche

Ergebnisvorschau für Ihre aktuellen Suchbegriffe: 0

Suchoperatoren:

Sie können Operatoren mit Ihrer Suchanfrage kombinieren, um diese noch präziser einzugrenzen. Klicken Sie auf den Suchoperator, um eine Erklärung seiner Funktionsweise anzuzeigen.
Findet Dokumente mit genau dieser Wortgruppe in exakt dieser Schreibweise und Reihenfolge (z.B. "employer branding").
Findet Dokumente, in denen beide Begriffe zusammen vorkommen (z.B. vertrieb UND bonus).
Findet Dokumente, in denen einer der beiden oder beide Begriffe vorkommen (z.B. porsche OR volkswagen).
Findet Dokumente, in denen alle Begriffe vorkommen. Das Leerzeichen wird als UND interpretiert (z.B. mensch roboter alltag).
Findet Dokumente, in denen der Begriff nach NOT nicht vorkommt (z.B. ford NOT "harrison ford").
Findet Dokumente, in denen der gesuchte Begriff mehr als n mal vorkommt. n steht für eine beliebige Anzahl (z.B. COUNT(getriebe)>8).
Findet Dokumente, in denen beide Begriffe in beliebiger Reihenfolge innerhalb von maximal n Worten zueinander stehen. Empfehlung: Wählen Sie zwischen 15 und 30 als maximale Wortanzahl (z.B. NEAR(hybrid, antrieb, 20)).
Findet Dokumente, in denen der Begriff in Wortvarianten vorkommt, wobei diese VOR, HINTER oder VOR und HINTER dem Suchbegriff anschließen können (z.B., leichtbau*, *leichtbau, *leichtbau*).
Findet Dokumente mit dem Suchbegriff in verschiedenen Schreibweisen. Das ? steht für eine einzige Stelle (z.B. organi?ation).
Sonderzeichen werden als UND interpretiert (z.B. Mann + Hummel).

Semantische Suche

powered by (Link öffnet in neuem Fenster)
loading …
Anmelden
Nach oben

Performance Intelligence

Mit KI und Daten die Unternehmensperformance steuern und optimieren

  • 2025
  • Buch
Herausgegeben von
Matthias Emler
Markus Kirchmann
Dominik Klehr
Verlag
Springer Fachmedien Wiesbaden
Enthalten in
Springer Professional "Wirtschaft+Technik"
Springer Professional "Technik"
Springer Professional "Wirtschaft"
insite
SUCHEN

Über dieses Buch

Dieses Buch zeigt, wie Unternehmen durch die gezielte Verbindung von Künstlicher Intelligenz und Daten ihre Performance systematisch steuern und optimieren, um dadurch Wettbewerbsvorteile entlang der gesamten Wertschöpfungskette erzielen zu können. Unternehmen stehen heute unter erheblichem Kostendruck und müssen nachhaltig Effizienzpotenziale realisieren. Gleichzeitig steigt die Komplexität in globalen Märkten, wodurch digitale Entscheidungsunterstützung weiter an Relevanz gewinnt. In diesem Kontext spielen Künstliche Intelligenz und die Verfügbarkeit geeigneter Daten eine zentrale Rolle. Eine integrierte Strategie für KI und Daten ist hierbei ein wichtiger Erfolgsfaktor.

Die Autor:innen bieten mit Beiträgen rund um Performance Intelligence einen praxisorientierten Rahmen und zeigen auf, dass Künstliche Intelligenz in Verbindung mit Daten in vielfältiger Weise und in allen Bereichen im Unternehmen Mehrwert stiftet. Das Werk gliedert sich in drei Teile: Der konzeptionelle Rahmen liefert hierbei eine fundierte Einführung in die grundlegenden Konzepte, Strategien und Betriebsmodelle für den Einsatz von KI im Performance Management. Im zweiten Teil stehen praxisnahe Anwendungsfälle aus zentralen Unternehmensfunktionen im Fokus – von Strategie und Controlling über Einkauf, Produktion und Vertrieb bis hin zu Finance und Supply Chain. Der abschließende Teil widmet sich organisatorischen Konzepten von KI-Transformationen und zeigt auf, wie Unternehmen durch gezielte Umsetzung und Verankerung langfristigen Erfolg sicherstellen können.

Der Inhalt

Konzeptioneller Rahmen – KI und Datenstrategie Funktionale KI-Anwendungsfälle und Erfolgsgeschichten entlang der Wertschöpfungskette Organisatorische Umsetzung und Ausblick

Inhaltsverzeichnis

Frontmatter
1. Wie KI und Daten Performance Management und Optimierung verändern
Zusammenfassung
Eine erfolgreiche KI-Strategie ist untrennbar mit Daten verbunden. Zugang zu qualitativ hochwertigen Daten ermöglicht die Realisation von KI-Potenzialen und kann Effizienz und Effektivität erheblich steigern. Zentral dafür sind die Bereiche Performance Management und Performance-Optimierung. Performance Management umfasst die Unternehmenssteuerung und das Management der Leistung, während Performance-Optimierung die Prozesseffizienz und Kostensenkung fokussiert. Beide Bereiche sind eng verknüpft und sichern den Unternehmenserfolg. KI im Performance Management und der -Optimierung kann in drei Kategorien eingeordnet werden: generative KI, Predictive Analytics und mathematische Optimierung. Der Einsatz von KI bietet eine Vielzahl von Vorteilen, die über einfache Prozessoptimierung hinausgehen, wie verbesserte Entscheidungsqualität, gesteigerte operative Effizienz und Kostensenkung sowie die Ermöglichung neuer innovativer Geschäftsmodelle. Einen Nutzen entfaltet KI dabei über die gesamte Wertschöpfungskette in allen Unternehmensbereichen. Die Verankerung einer KI-Strategie kann dabei über drei Wege geschehen: als unternehmensweiter Ansatz, als funktions- oder prozessbezogener Ansatz oder als Lighthouse-Ansatz, bei dem ein wichtiger Anwendungsfall identifiziert und umgesetzt wird. Viele Unternehmen stehen erst am Anfang ihrer KI-Transformation. Dementsprechend ist eine integrierte KI- und Datenstrategie mit konkreten Zielbildern zentral.
Matthias Emler, Dominik Klehr, Markus Kirchmann

Konzeptioneller Rahmen: KI- und Datenstrategie

Frontmatter
2. KI- und Datenstrategie
Zusammenfassung
In der heutigen digitalen Welt sind Künstliche Intelligenz (KI) und Daten zentrale Treiber für die Performance-Optimierung und das Management entlang der gesamten Wertschöpfungskette. Unternehmen, die das volle Potenzial von KI und Daten ausschöpfen möchten, müssen eine klare KI- und Datenstrategie in Verbindung mit einer belastbaren Zielsetzung entwickeln. Dieses Kapitel bietet einen konzeptionellen Überblick über den ersten Teil des Horváth & Partner Frameworks „From AI to Performance“. Es beschreibt, wie eine KI- und Datenambition festgelegt wird und zeigt auf, wie die richtigen Anwendungsfälle identifiziert, bewertet und priorisiert werden können. Zur Erreichung der gesetzten Ambition, muss eine Roadmap erstellt werden. Diese Roadmap umfasst Maßnahmen zur Weiterentwicklung der Dimensionen des KI- und Daten-Strategierahmens in Richtung Zielzustand. Ein wichtiger Aspekt zur Sicherstellung des nachhaltigen Mehrwerts ist die regelmäßige Überprüfung und Aktualisierung der Anwendungsfälle in Bezug auf Priorisierung, Umsetzungsstand und Nachhaltung des Mehrwerts. Der vorliegende Überblick dient als praxisorientierte Anleitung für Unternehmen, die das Potenzial von KI und Daten voll ausschöpfen möchten. Er zeigt auf, wie eine durchdachte Strategie und eine klare Ambition den Weg zu nachhaltigem Erfolg mit KI entlang der gesamten Wertschöpfungskette ebnen können.
Matthias Emler, Dominik Klehr, Markus Kirchmann
3. KI- & Daten-Betriebsmodell: Organisation, Governance und Kultur als Schlüssel zum Erfolg
Zusammenfassung
Um KI- und Datenanwendungen erfolgreich aufzubauen und zu betreiben, ist ein KI- und Daten-Ziel-Betriebsmodell (engl. Target Operating Model, TOM) erforderlich, das Strategie, Organisation, Governance und Kultur integriert. Dieses Modell basiert auf drei Säulen: klar definierten Rollen und Funktionen, festgelegten Prozessen und Verantwortlichkeiten sowie einer KI- und Datenkultur mit Mitarbeiterbefähigung. Die dafür notwendigen Rollen sind in Business-, Governance- und technische Rollen unterteilt und müssen konzernweit koordiniert werden. Ein KI- und Daten-Betriebsmodell kann zentral, hybrid oder dezentral organisiert sein, je nach Anforderungen und Unternehmenskultur. Entscheidend ist ein integriertes Prozessmodell, das die Entwicklung, den Betrieb und die Nutzung von KI- und Datenanwendungen umfasst. Das Kapitel beschreibt einen strukturierten, agilen TOM-Ansatz, der mit der Bedarfsanalyse beginnt und über die Entwicklungsphase bis hin zum technischen Betrieb und der Nutzung der KI- & Daten-Business Services reicht. Um Innovation und Effizienz zu fördern, liegt ein besonderer Fokus auf cross-funktionaler Zusammenarbeit und der Schaffung einer datengetriebenen Unternehmenskultur. Der Rapid-Analytics-Ansatz wird vorgestellt, um Use Cases schnell zu verproben und zu bewerten. Dabei sind Standards und Governance entscheidend für Effizienz und Compliance.
Johannes Porsch, Matthias Emler
4. Von Compliance zur zukunftsorientierten KI-Adaption – Wie Unternehmen regulatorische Sicherheit gewährleisten und KI erfolgreich implementieren
Zusammenfassung
Unternehmen stehen vor Herausforderungen, KI-Governance zu implementieren. Hierbei kann ein wirksames Target Operating Model (TOM) für die strategische Anwendung von KI-Technologien von großer Bedeutung sein. Haupt-Herausforderung ist weiterhin, dass viele Unternehmen Daten noch nicht als strategische Ressource erkennen und daher Schwierigkeiten haben, die Qualität und Konsistenz ihrer Daten zu gewährleisten. Die Risiken unsauberer Daten werden anhand von Beispielen wie dem Microsoft-Chatbot Tay verdeutlicht. Regulatorische Anforderungen, insbesondere der EU AI Act, verpflichten Unternehmen zur Klassifizierung und Risikoanalyse ihrer KI-Systeme. Verschiedene Ansätze zur Umsetzung von KI-Governance reichen von minimalen Compliance-Maßnahmen bis hin zur umfassenden strategischen Integration. Ein konkretes Projektbeispiel zeigt die praktische Umsetzung dieser Prinzipien in drei Phasen: Compliance, Aufbau einer Governance-Abteilung und ganzheitliche KI-Adoption. Abschließend wird auf globale Regulierungsinitiativen und die Notwendigkeit internationaler Standards eingegangen, um ethische und rechtliche Herausforderungen zu bewältigen.
Olaf Kocanda, Christoph Oberländer
5. Kernkomponenten der Künstlichen Intelligenz: Algorithmen, Daten und Infrastruktur
Zusammenfassung
Dieses Kapitel bietet eine umfassende Einführung in die wesentlichen Aspekte der KI-Technologie, einschließlich verschiedener KI-Algorithmen, Daten und der notwendigen IT-Infrastruktur. Es beschreibt die Kategorien von KI-Algorithmen, wie überwachtes, unüberwachtes und bestärkendes Lernen und hebt die Bedeutung der Datenqualität und -aufbereitung hervor. Zudem wird die Relevanz von strukturierten und unstrukturierten Datenquellen im Unternehmenskontext erläutert. Wichtige Aspekte wie Skalierbarkeit, Zugriffsgeschwindigkeit, Performance und Sicherheit der Daten werden betont. Die IT-Infrastruktur für KI-Algorithmen umfasst sowohl das durch GPUs beschleunigte Modelltraining als auch die Nutzung der Modelle in der Cloud oder lokal. Unternehmen haben die Wahl, eigene KI-Modelle zu entwickeln und auf ihrer eigenen Infrastruktur betreiben zu lassen oder bestehende Plattformen wie AWS Sagemaker oder Microsoft Azure AI Studio in der Cloud zu nutzen. Moderne Anwendungsarchitekturen bestehen aus mehreren eng verknüpften Schichten, um eine effektive Nutzung von KI zu gewährleisten. Die enge Abstimmung der drei zentralen Bereiche – KI-Algorithmen, Daten und IT-Infrastruktur – ist entscheidend, um das volle Potenzial von KI auszuschöpfen und langfristig wettbewerbsfähig zu bleiben.
Ingo Alzner, Niklas Lüdtke, Marc Scheck
6. Integriertes Change-Management – Der Mensch im Fokus der KI-Technologie
Zusammenfassung
Wenn Unternehmen künstliche Intelligenz mehrwertbringend einsetzen wollen, bedeutet dies Veränderung für Mitarbeitende und Organisationen auf verschiedensten Ebenen. Dabei wird der Einsatz von Künstlicher Intelligenz nicht nur Tätigkeiten, sondern auch die Art und Weise, wie gearbeitet wird, nachhaltig beeinflussen. Auch schon bevor Änderungen konkret sind, ruft das Thema KI – abhängig von Person und Position – Ängste und Unsicherheit hervor oder weckt hohe Erwartungen. Dies erfordert ein professionelles Change-Management, welches Vertrauen, Affinität und Akzeptanz in Bezug auf KI sicherstellt und auch kulturelle Aspekte berücksichtigt. Somit wird erfolgreiches Change-Management zunehmend zum kritischen Erfolgsfaktor für Unternehmen. In diesem Beitrag wird skizziert, wie vielschichtig die Veränderungen für Mitarbeitende und Organisationen durch KI sein werden und dargelegt, wieso Change-Management in Bezug auf KI an Bedeutung gewinnt. Darauf aufbauend wird ein integrierter Change-Management-Ansatz für KI-Transformationen aufgezeigt und darauf eingegangen, welche Besonderheiten im Kontext von KI zu beachten sind. Abschließend werden konkrete Handlungsempfehlungen für typische Herausforderungen im Change-Management von KI-Transformationen geteilt.
Sonja Christa Köberlein

Funktionale KI-Anwendungsfälle und Erfolgsgeschichten

Frontmatter
7. KI als Gamechanger moderner Strategie- und Innovationsarbeit
Zusammenfassung
Die Nutzung von Künstlicher Intelligenz (KI) in der modernen Strategiearbeit gewinnt zunehmend an Bedeutung. Sie ermöglicht es Unternehmen, große Datenmengen effizient zu analysieren und unterstützt dabei, fundierte Entscheidungen zu treffen. KI kann Muster und Trends erkennen, die für den Menschen nur schwer zu identifizieren sind, und so Wettbewerbsvorteile schaffen. Zudem unterstützt sie bei der Automatisierung von Routineaufgaben, was Ressourcen für strategisch wichtigere Tätigkeiten freisetzt. Trotz des beachtlichen Potenzials bestehen jedoch noch Herausforderungen, wie die Integration von KI in bestehende Strategieprozesse und -systeme sowie die Datenqualität und -sicherheit gewährleistet werden können. Auch ethische Fragen und die Notwendigkeit, die Transparenz und Nachvollziehbarkeit von KI-Entscheidungen zu gewährleisten, sind wichtige Aspekte, die adressiert werden müssen. Trotz dieser Hürden bleibt das Potenzial von KI in der Strategiearbeit enorm und wird auch in Zukunft deutlich wachsen.
Patrick Heurich, Emanuel Wurm, David Apel
8. Risikomanagement transformiert: Nutzung von künstlicher Intelligenz für Innovation und zukünftige Trends
Zusammenfassung
In diesem Kapitel wird auf die Auswirkungen von Künstlicher Intelligenz (KI) auf das Risikomanagement eingegangen und ihr Potenzial aufgezeigt, traditionelle Herangehensweisen zu revolutionieren und Governance-Funktionen zu verbessern. Die Integration von KI-Technologien, wie in der Verarbeitung natürlicher Sprache, prädiktiven Analysen und kollaborativen Systemen, bietet erhebliche Fortschritte beim Verständnis regulatorischer Sprache, der Vorwegnahme von Änderungen und der Verbesserung von Entscheidungsprozessen. KI-gesteuerte Tools ermöglichen eine frühzeitige und effiziente Bewertung von Risiken durch intuitive, kollaborative und sichere Systeme. Die Automatisierung von Kontrollaktivitäten innerhalb interner Kontrollsysteme (IKS) sorgt für regelkonforme und nachvollziehbare Änderungen und verbessert sowohl die Prozessgeschwindigkeit als auch die Prüfbarkeit. Im Richtlinienmanagement unterstützt KI die Erstellung, Verbreitung und Durchsetzung von Unternehmensrichtlinien, indem sie kontinuierlich Änderungen analysiert, Aktualisierungen vorschlägt und die Einhaltung überwacht. Trotz der Vorteile müssen Herausforderungen wie Datenqualität, Modellkomplexität und gesetzliche Vorschriften berücksichtigt werden, um das Potenzial der KI voll auszuschöpfen. Zukünftige Trends deuten darauf hin, dass fortschrittliche Algorithmen und die Integration von IoT-Daten die Vorhersagefähigkeiten der KI weiter verbessern und ein dynamischeres Risikomanagement ermöglichen werden.
Kai Rumphorst
9. Next Generation Performance Management – KI als Schlüssel zum Erfolg im Controlling
Zusammenfassung
Die Controlling-Funktion eines Unternehmens steht vor erheblichen Herausforderungen, die durch ein dynamisches und komplexes Marktumfeld verstärkt werden. Traditionelle Ansätze im Controlling sind oft ineffizient und ressourcenintensiv, da sie viele manuelle Tätigkeiten erfordern. Zudem besteht ein hoher Anspruch an die Qualität und Präzision der Daten, die für fundierte Entscheidungen notwendig sind. KI-basiertes Performance Management bietet hier zahlreiche Möglichkeiten zur Steigerung von Effizienz und Qualität. Besonders in Bereichen mit hohem manuellem Aufwand, wie der Planung und dem Forecasting, der Marktanalyse und der Berichtserstellung, kann KI erhebliche Verbesserungen erzielen. Durch den gezielten Einsatz von KI und datengetriebenen Ansätzen können Unternehmen eine solide und umfassende Steuerungsbasis schaffen, die nicht nur einzelne Prozesse optimiert, sondern auch einen echten Mehrwert für die Unternehmenssteuerung bietet. Der Beitrag geht auf konkrete Anwendungsfälle wie Predictive Forecasting, automatisierte Marktanalysen und der Einsatz GenAI für die Kommentierung ein und zeigt auf, wie KI dazu beiträgt, den Zielkonflikt zwischen Effizienz und Qualität zu überwinden.
Dominik Klehr, Alexander Nerlich, Maximilian Radlmair
10. Einkauf – Optimierung entlang des Einkaufsprozesses mit KI und Daten
Zusammenfassung
Die fortschreitende Digitalisierung sowie steigende Anforderungen durch komplexere Lieferketten, volatile Märkte und höhere Regulierungen stellen neue Herausforderungen für den Einkauf dar. Künstliche Intelligenz (KI) bietet erhebliche Potenziale für Optimierungen entlang des Einkaufsprozesses. KI ermöglicht z. B. Prozesse zu automatisieren, strategische Entscheidungen datenbasiert zu treffen und Effizienzpotenziale zu realisieren, etwa durch Szenarioanalysen, Unterstützung des Ausschreibungsprozesses oder die Automatisierung von Routineaufgaben. KI unterstützt bereits heute bei der Erstellung von Ausschreibungsunterlagen, der Auswertung komplexer Angebote sowie der Analyse von Vertragsklauseln für die Vorbereitung von Vertragsverhandlungen. Ein zentraler Erfolgsfaktor für die Integration von KI im Einkauf ist die Sicherstellung einer hohen Datenqualität sowie die Anpassung organisatorischer Strukturen, um datenbasierte Entscheidungsfindung zu fördern. Zugleich ist die Schulung von Mitarbeitern sowie die Förderung einer offenen Unternehmenskultur notwendig, um Akzeptanz und Vertrauen in KI-gestützte Lösungen zu schaffen. Die Transformation erfordert eine klare Strategie, die technologische und kulturelle Hürden adressiert, um langfristig Effizienz, Agilität und Innovationskraft im Einkauf zu steigern.
Benito Cervellera, Geronimo Bergk, Hendrik Schlünsen
11. KI als Treiber für die nachhaltige Optimierung von Profitabilitäts- und Kostenstrukturen in der Produktion
Zusammenfassung
Stetig zunehmender Wettbewerbsdruck zwingt Unternehmen mehr denn je ihre Profitabilität zu steigern und Kostenstrukturen zu verbessern, um im globalen Wettbewerb bestehen zu können. In der Produktion sind klassische Hebel wie Automatisierung und Digitalisierung bereits weitreichend ausgenutzt. KI hingegen bietet die Möglichkeit, die Produktionsstrukturen entscheidend weiter zu optimieren. Dabei sind eine Vielzahl möglicher Use Cases denkbar. So zum Beispiel im Rahmen der Qualitätsanalyse, der Produktionsplanung oder auch der Instandhaltung. Zentraler Erfolgsfaktor bei der Betrachtung von KI-Use-Cases in der Produktion ist es hierbei vor allem, diejenigen Use Cases mit dem größten Mehrwert für den gesamten Produktionsverbund umzusetzen. Das Value-Add Schachbrett für KI in Produktion stellt dabei ein praktikables Framework dar, mit welchem anhand der Dimensionen ‚Produktivitätssteigerung an einem Standort‘ sowie ‚Homogenität im Netzwerk‘ genau solche Value Cases identifiziert werden können. Durch Implementierung von Value Cases, die beide Dimensionen gleichermaßen erfüllen, können Unternehmen sich mit KI in ihrer Produktion einen entscheidenden Vorteil verschaffen.
Dominik Koch, Steven Malbrant, Aron Dolling
12. Vertrieb & Pricing: Der Vertriebs-Funnel als Kompass für KI-gestützte Anwendungsfälle
Zusammenfassung
Der Einsatz von künstlicher Intelligenz im Vertrieb und Pricing hat diese Disziplinen in den vergangenen Jahren fundamental verändert. Im Beitrag werden je drei praxiserprobte KI-Anwendungsfälle im Vertrieb (Sales Driver Evaluation, Predictive Sales Forecast und White-Spot-Analyse) sowie Pricing (wertbasierte Listenpreise, KIoptimierte Rabatte und Generierung von Battle Cards) vorgestellt und diskutiert.
Johannes Kiekhöfer, Marcus Demmelmair, Daniela Schlager, Laura Bader
13. KI als Wegbereiter zu Effizienz und Komplexitätsbeherrschung im Supply Chain Management
Zusammenfassung
Steigende Volatilität der globalen Absatzmärkte und zunehmende regulatorische und geopolitische Veränderungen wirken zeitgleich auf globale Wertschöpfungsketten und steigern Komplexität und Aufwand im Supply Chain Management (SCM). Wesentlicher Treiber ist hierbei die Verlagerung des SCM zu stärker operativen Fragenstellungen. Während historisch die strategische, taktische Optimierung mit stabilen Parametern und Rahmenbedingungen im Fokus stand, stehen heutzutage vor allem die Lösung kurzfristiger Probleme und die fortlaufende Optimierung im „Tagesgeschäft“ im Vordergrund. KI bietet im SCM das Potenzial der zunehmenden Komplexität und dem steigenden Aufwand effizient zu begegnen. Bereits heute wird KI daher in einer Vielzahl von Use Cases angewendet. Charakteristisch ist dabei, dass für nahezu alle Use Cases eine Korrelation zwischen Mehrwert und Anforderungen an die KI Readiness der SCM-Organisation besteht. KI-Use-Cases, welche eine Optimierung der gesamten E2E Supply Chain vorsehen, besitzen so häufig das größte Potenzial, haben aber auch die höchsten Anforderungen an Daten, Prozesse, Organisation und Governance im Zusammenhang mit KI. Bei der Umsetzung von KI Use Cases im SCM ist daher besonders darauf zu achten, dass der Mehrwert den Aufwand zur Umsetzung der Anforderungen rechtfertigt. Use Cases, die dieses Paradigma in der Praxis erfüllt haben, finden sich zum Beispiel in der Szenario-basierten Netzwerkoptimierung oder der Slotting-Optimierung in Lagern.
Oskar Schneider, Markus Wenzel, Aron Dolling
14. Finance und KI: Zwischen Effizienz und Herausforderung
Zusammenfassung
Dieses Kapitel beleuchtet die funktionalen Anwendungsfälle und Erfolgsgeschichten von Künstlicher Intelligenz (KI) im Finanzbereich und zeigt deren Potenziale sowie praxisnahe Herausforderungen auf. Ziel dieses Kapitels ist es, eine Brücke zwischen den theoretischen Möglichkeiten und Grenzen der tatsächlichen Umsetzung in Unternehmen zu schlagen. Im ersten Teil wird analysiert, wie KI-Finanzprozesse automatisiert, Kosten gesenkt und datengetriebene Entscheidungen unterstützt werden können. Dabei werden konkrete Anwendungen wie Vorhersagemodelle und Chatbots auf Basis von GenAI und End-to-End-Automatisierung vorgestellt. Im zweiten Teil stehen die Hindernisse bei der Implementierung im Fokus, darunter regulatorische Vorgaben, unzureichende Datenqualität und interne Widerstände. Das Kapitel zeigt auf, wie diese Herausforderungen durch strategisches Vorgehen, fundierte Wirtschaftlichkeitsanalysen und visionäre Ansätze überwunden werden können. Das Kapitel schließt mit einer kurzen Zusammenfassung und strategischen Einordnung zur Umsetzung dieser Lösungen in der eigenen Organisation.
Peter Hantke, Jonny Preuß
15. Einbettung in die Unternehmensarchitektur
Zusammenfassung
Das Kapitel beschreibt die Integration von Künstlicher Intelligenz (KI) in die Unternehmensarchitektur. Es beleuchtet die Herausforderungen und gibt erste Lösungsansätze zur schrittweisen Implementierung neuer KI-Capabilities. Mit dem Horváth & Partner-Vorgehen wird ein strukturierter Ansatz vorgestellt, welcher sich nahtlos in die Unternehmensarchitektur integriert.
Christian Schnell, Thomas Johanndeiter

Organisatorische Umsetzung und Ausblick

Frontmatter
16. Entwicklung eines Target Operating Models für die erfolgreiche Wertschöpfung durch KI
Zusammenfassung
Der strategische Einsatz von Künstlicher Intelligenz (KI) im Performance Management erfordert strukturierte Betriebsmodelle, um Effizienz und Skalierbarkeit zu gewährleisten. Während einige Unternehmen KI noch punktuell und unstrukturiert nutzen, haben andere durch ein ausgereiftes Target Operating Model (TOM) klare Verantwortlichkeiten, Prozesse und Steuerungsmechanismen etabliert. Dieses Kapitel beleuchtet die unterschiedlichen Reifegrade von KI-Betriebsmodellen und analysiert Herausforderungen wie organisatorische Verankerung, Rollenverteilung und Demand Management. Besonderes Augenmerk liegt auf einem Praxisbeispiel aus der Unternehmenspraxis: Ein führendes Handelsunternehmen hat ein Center of Excellence (CoE) für Data & Analytics aufgebaut, um den KI-Einsatz systematisch zu skalieren. Durch eine enge Verzahnung mit den Fachbereichen, die Einführung standardisierter Prozesse und einer gezielten Governance konnte das Unternehmen KI-Initiativen von der Pilotphase bis zur flächendeckenden Implementierung erfolgreich steuern. Die Fallstudie zeigt, wie durch klare Rollenverteilungen, zentralisierte Steuerung und agile Methoden der Mehrwert von KI nachhaltig gesteigert werden kann. Abschließend wird ein Ausblick auf zukünftige Entwicklungen gegeben, darunter die zunehmende Demokratisierung von KI, ethische Standards und neue Governance-Modelle, die den verantwortungsvollen und effektiven KI-Einsatz in Unternehmen weiter vorantreiben werden.
Angelina Brehm, Marco Maisenbacher
17. Gesamtfazit: Ausarbeitung einer konkreten Roadmap als zentrale Basis für die Transformation
Zusammenfassung
Künstliche Intelligenz bietet erhebliches Potenzial für Performance Management und -Optimierung entlang der gesamten Wertschöpfungskette. Die Vielfalt der Einsatzmöglichkeiten, hohe Komplexität und bereichsübergreifende Datenabhängigkeiten erfordern eine systematische Roadmap. Diese sollte auf einer klaren Ambition, priorisierten Anwendungsfällen, einem iterativen Business Case sowie einem Betriebsmodell, das Organisation, Prozesse und Kultur integriert, basieren. Erfolgsentscheidend sind die Befähigung der Mitarbeitenden, ein strukturierter Technologie- und Datenansatz sowie eine geeignete Governance. Ein kombinierter Strategieansatz mit agilem Verproben von Anwendungsfällen durch Rapid Analytics ermöglicht schnelle Validierung und reduziert Umsetzungsrisiken. Das Hub- & Spoke-Betriebsmodell schafft Balance zwischen zentraler Steuerung und dezentraler Umsetzung. Mit funktionsübergreifender Zusammenarbeit, Managementunterstützung und Anbindung an Effizienzprogramme entsteht die Grundlage für eine erfolgreiche, KI-getriebene Transformation mit nachhaltigem Mehrwert entlang der gesamten Wertschöpfungskette.
Matthias Emler, Dominik Klehr, Markus Kirchmann
Titel
Performance Intelligence
Herausgegeben von
Matthias Emler
Markus Kirchmann
Dominik Klehr
Copyright-Jahr
2025
Electronic ISBN
978-3-658-49638-8
Print ISBN
978-3-658-49637-1
DOI
https://doi.org/10.1007/978-3-658-49638-8

Die PDF-Dateien dieses Buches wurden gemäß dem PDF/UA-1-Standard erstellt, um die Barrierefreiheit zu verbessern. Dazu gehören Bildschirmlesegeräte, beschriebene nicht-textuelle Inhalte (Bilder, Grafiken), Lesezeichen für eine einfache Navigation, tastaturfreundliche Links und Formulare sowie durchsuchbarer und auswählbarer Text. Wir sind uns der Bedeutung von Barrierefreiheit bewusst und freuen uns über Anfragen zur Barrierefreiheit unserer Produkte. Bei Fragen oder Bedarf an Barrierefreiheit kontaktieren Sie uns bitte unter accessibilitysupport@springernature.com.

Premium Partner

    Bildnachweise
    Salesforce.com Germany GmbH/© Salesforce.com Germany GmbH, IDW Verlag GmbH/© IDW Verlag GmbH, Diebold Nixdorf/© Diebold Nixdorf, Ratiodata SE/© Ratiodata SE, msg for banking ag/© msg for banking ag, C.H. Beck oHG/© C.H. Beck oHG, OneTrust GmbH/© OneTrust GmbH, Governikus GmbH & Co. KG/© Governikus GmbH & Co. KG, Horn & Company GmbH/© Horn & Company GmbH, EURO Kartensysteme GmbH/© EURO Kartensysteme GmbH, Jabatix S.A./© Jabatix S.A.