Generative KI im Outside-In-Analyseprozess: So starten Sie richtig

Der Einsatz von Generativer KI (Gen AI) im Outside-In-Analyseprozess bietet enormes Potenzial. Sie kann Erkenntnisse beschleunigen, manuelle Arbeit reduzieren und wertvolle Muster in großen Datenmengen aufzeigen. Um dieses Potenzial vollständig zu nutzen, benötigen Organisationen jedoch einen klaren, praxisnahen Fahrplan.

Viele globale Unternehmen stehen vor der Herausforderung, tausende Ideen aus verschiedenen Standorten und Abteilungen effizient zu verwalten. Ein weltweit tätiger Industriekonzern wollte sein internes Vorschlagswesen automatisieren, die besten Ideen schnell identifizieren und die Umsetzung kontinuierlich verbessern. Die Lösung: Generative KI (Gen AI).

Unser Business Case

Ein weltweit tätiges Industrieunternehmen mit mehr als 50.000 Mitarbeitenden hatte seit Jahren ein etabliertes internes Vorschlagswesen für kontinuierliche Verbesserungen. Grundidee: Jede Mitarbeiterin und jeder Mitarbeiter konnte Ideen zur Effizienzsteigerung, Kostensenkung oder Prozessoptimierung einreichen.

Das Problem:

• Mengenproblem: Jährlich gingen mehrere zehntausend Vorschläge ein. Die manuelle Sichtung, Bewertung und Priorisierung durch lokale Komitees dauerte Monate.

• Uneinheitliche Qualität: Manche Ideen waren sehr konkret mit Zahlen hinterlegt, andere extrem vage. Ein objektiver Vergleich war kaum möglich.

• Geringe Transparenz: Mitarbeitende erfuhren oft nicht, warum ihre Idee angenommen oder abgelehnt wurde. Das wirkte demotivierend.

• Langsame Umsetzung: Zwischen Einreichung und tatsächlicher Umsetzung vergingen im Schnitt 12–18 Monate – viel zu lange, um in dynamischen Märkten schnell zu reagieren.

Erwartete Verbesserungen

Das Unternehmen wollte mit einem neuen System erreichen:

1. Schnellere Bewertung – Ideen sollten automatisch nach Impact, Machbarkeit und strategischem Fit vorgefiltert werden.

2. Bessere Vergleichbarkeit – auch unscharfe Beschreibungen sollten in ein strukturiertes Schema überführt werden.

3. Höhere Transparenz – klare Rückmeldung an Ideengeber, warum Vorschläge wie priorisiert wurden.

4. Globales Benchmarking – Ideen aus einem Werk in Asien sollten mit Best Practices aus Europa oder Amerika vergleichbar sein.

5. Kürzere Umsetzungszyklen – der Weg von der Idee zur Umsetzung sollte von >1 Jahr auf <3 Monate reduziert werden.

Warum KI?

Die Verantwortlichen kamen schnell zu dem Schluss, dass klassische BI-Tools oder manuelle Bewertungsgremien den Anforderungen nicht gerecht werden:

• Volumen: KI kann tausende Ideen in Sekunden klassifizieren und bewerten.

• Strukturierung unstrukturierter Daten: KI ist in der Lage, freie Texte (z. B. in den Ideenformularen) automatisch zu analysieren, Schlagworte zu extrahieren und auf definierte Kategorien zu mappen.

• Vorhersagefähigkeiten: Auf Basis historischer Vorschläge und deren Umsetzungserfolg kann KI Wahrscheinlichkeiten berechnen, welche Ideen den größten Impact haben werden.

• Lernfähigkeit: Je mehr Daten aus globalen Umsetzungen einfließen, desto präziser wird das System in seinen Empfehlungen.

• Objektivität: Statt subjektiver Meinungen von lokalen Komitees liefert die KI eine datenbasierte Erstbewertung.

Der neue Prozess mit KI-Unterstützung

1. Einreichung: Mitarbeitende tragen ihre Idee wie gewohnt in ein standardisiertes Formular ein.

2. Automatisches Scoring: Die KI bewertet die Idee anhand von Parametern wie erwarteter Nutzen, Aufwand, Machbarkeit und strategischer Relevanz.

3. Ranking & Empfehlung: Ideen werden automatisch sortiert – inklusive Handlungsempfehlungen („Hebel“, die zum Erfolg beitragen können).

4. Dashboards für Management: Führungskräfte sehen auf einen Blick, wo die größten Hebel liegen, welche Abteilungen am meisten Potenzial haben und welche Quick Wins sofort umgesetzt werden können.

5. Feedbackschleife: Ideengeber erhalten direktes Feedback – inklusive der KI-Einschätzung zur Erfolgswahrscheinlichkeit.

   
   

Erste Ergebnisse (Beispielhafte Benefits)

• 50 % kürzere Durchlaufzeit von der Einreichung zur Entscheidung.

• 20 % höhere Umsetzungsquote durch bessere Priorisierung.

• Mehr Motivation bei den Mitarbeitenden, da Transparenz und Fairness gestiegen sind.

• Deutlich messbarer ROI durch gezielte Auswahl der besten Hebel.

Unser Konzept

1. Eigene Daten inventarisieren und aufbereiten

Bevor KI überhaupt ins Spiel kommt, muss das Unternehmen wissen, welche Daten wertvoll sind. In diesem Fall umfasste das:

• Historische Vorschläge aus allen Geschäftsbereichen

• Bewertungs- und Umsetzungsdaten vergangener Initiativen

• Kennzahlen zu Zeitaufwand, Kostenersparnis und Effizienzsteigerung

Das Team stellte sicher, dass die Daten bereinigt, strukturiert und zentral zugänglich waren. Nur so können KI-Modelle lernen, welche Vorschläge typischerweise erfolgreich sind und welche Faktoren den größten Einfluss auf den Erfolg haben.

Praxisgedanke: Investieren Sie Zeit in die Datenaufbereitung – die Qualität der Daten entscheidet maßgeblich über die Aussagekraft und Vertrauenswürdigkeit der KI-Ergebnisse.

2. Best-Practice-Prompts entwickeln und testen

Im nächsten Schritt erarbeitete das Team strukturierte Abfragen für die KI. Diese Prompts halfen, die Analyse konsistent und reproduzierbar zu gestalten. Wichtige Aspekte waren:

• Rollenklärung: Welche Perspektive soll die KI einnehmen (z. B. Innovationsanalyst, Kostenmanager)?

• Kontextangaben: Abteilung, Standort, Art der Idee, potenzieller Impact

• Rahmenbedingungen: Zeitbudget, regulatorische Einschränkungen, Datenschutz

Durch kontinuierliches Testen der Prompts konnte das Team sicherstellen, dass die KI qualitativ hochwertige Empfehlungen liefert.

Praxisgedanke: Die Qualität der Eingaben bestimmt, wie verlässlich und umsetzbar die KI-Ausgaben sind.

3. Pilotierung gezielter, hochwirksamer Agenten

Anstatt sofort alles zu automatisieren, startete das Unternehmen mit einigen wenigen, hochrelevanten Prozessen:

• Priorisierung der Ideen nach geschätztem Nutzen

• Klassifizierung nach Umsetzungsaufwand und Ressourceneinsatz

• Identifikation von Hebelmaßnahmen für schnelle Erfolge

Durch die Fokussierung auf Pilotbereiche konnte das Unternehmen lernen, die KI sinnvoll einzusetzen, ohne das gesamte System zu überlasten. Erste Ergebnisse zeigten, dass einige Ideen, die früher untergegangen wären, nun innerhalb weniger Tage bewertet und für die Umsetzung freigegeben wurden.

Praxisgedanke: Ein klar begrenzter Pilotbereich ermöglicht schnelle Lernerfolge und Vertrauen in das System.

4. KI-Champion ernennen und das Modell steuern

Für eine erfolgreiche Einführung wurde ein KI-Champion bestimmt. Aufgaben waren:

• Abstimmung zwischen Innovationsmanagement, Daten- und IT-Teams

• Auswahl der richtigen KI-Tools und Datenquellen

• Definition von Erfolgskriterien für die Agenten

Dank dieser zentralen Steuerung konnte das Unternehmen strategisch entscheiden, welche KI-Funktionen intern entwickelt und welche als externe Services genutzt werden sollten.

Praxisgedanke: Eine verantwortliche Person oder ein kleines Team schafft Klarheit, Verantwortlichkeit und sorgt dafür, dass die KI zielgerichtet eingesetzt wird.

5. Disziplinierter Feedback-Loop

Um die Qualität der Empfehlungen zu sichern, wurde ein kontinuierlicher Feedback-Prozess implementiert:

• Agentenleistung regelmäßig prüfen

• Vorschlagsbewertungen mit realen Umsetzungen abgleichen

• Prompts und Workflows anpassen, um Fehler zu minimieren

Auf diese Weise wuchs das Vertrauen der Mitarbeitenden in das System, und die KI konnte immer präzisere Empfehlungen liefern.

Praxisgedanke: Ohne Feedback-Loop bleibt selbst die beste KI ungenau – regelmäßige Kontrolle und Anpassung sind entscheidend.

Die Vorteile des neuen Modells

Durch die Implementierung von Gen AI im internen Vorschlagswesen erzielte das Unternehmen:

• Schnellere Bewertung von Ideen: Statt Wochen dauert die erste Analyse nun Tage

• Höhere Erfolgsquote bei Initiativen: Top-Hebel und priorisierte Maßnahmen werden konsequent umgesetzt

• Bessere Ressourcennutzung: Aufwand wird gezielt auf die erfolgversprechendsten Vorschläge konzentriert

• Transparenz und Skalierbarkeit: Ein globales System, das kontinuierlich lernt und sich an neue Daten anpasst

Das neue Betriebsmodell zeigt: Gen AI ist mehr als ein Werkzeug – es erfordert orchestrierte Teams, gepflegte Daten und kontinuierliches Lernen. Menschliche Expertise konzentriert sich auf Urteilsfähigkeit, Strukturierung und strategische Steuerung, während die KI repetitive Analysen übernimmt.

Unser Prototyp - Von der Idee zur KI-gestützten Verbesserung: Unser Vorgehen mit Google Forms und Python

Bevor das Unternehmen seine KI-Agenten einsetzen konnte, musste zunächst ein strukturiertes Fundament gelegt werden. Denn: KI kann nur dann sinnvoll arbeiten, wenn die Daten sauber, vergleichbar und gut zugänglich sind.

Schritt 1: Ideen standardisiert erfassen mit Google Forms

Damit Ideen weltweit einheitlich eingereicht werden können, wurde ein Google Form erstellt, das alle relevanten Informationen abfragt:

• Titel & Kurzbeschreibung der Idee

• Problemstellung und Vorschlag zur Lösung

• Geschätzter Nutzen (z. B. Kostenersparnis, Qualitätsverbesserung, Zeitgewinn)

• Erforderlicher Aufwand (z. B. Ressourcen, Kosten, Dauer)

• Abteilung, Standort und Kategorie

Alle Antworten werden automatisch in einer Google Sheet-Datei gespeichert. Dadurch liegt jede Idee sofort in einer strukturierten und zentralen Form vor – unabhängig davon, aus welchem Land oder Bereich sie kommt.

➡️ Vorteil: Ideen aus aller Welt sind sofort vergleichbar und stehen für Analysen bereit.

Schritt 2: Automatisierte Datenverarbeitung mit Python

Im zweiten Schritt wurde ein leichtgewichtiges Python-Skript entwickelt, das direkt auf die Google Sheet-Datei zugreift. Das Skript übernimmt mehrere Aufgaben:

1. Daten einlesen und aufbereiten

   • Dubletten entfernen

   • Textfelder bereinigen (Rechtschreibfehler, unnötige Leerzeichen etc.)

   • Einheitliche Skalen (z. B. Aufwand 1–5, Nutzen 1–5) herstellen

2. Vorhersagemodell anwenden

   • Auf Basis historischer Daten bewertet die KI, mit welcher Wahrscheinlichkeit eine Idee erfolgreich umgesetzt wird.

3. Ranking und Empfehlungen generieren

   • Ideen werden automatisch nach Priorität sortiert (hoher Nutzen, niedriger Aufwand, hohe Erfolgswahrscheinlichkeit).

   • Für jede Idee schlägt das System die Top-Levers vor, also die Hebel, die erfahrungsgemäß den größten Unterschied machen.

4. Dashboards bereitstellen

   • Ergebnisse werden in Form von Charts, Heatmaps und Listen visualisiert.

   • Führungskräfte sehen auf einen Blick, welche Initiativen die größten Chancen bieten und wo die Ressourcen am effektivsten eingesetzt werden können.

➡️ Vorteil: Die manuelle Analyse, die früher Wochen dauerte, wird auf wenige Minuten reduziert.

Schritt 3: Kontinuierliche Verbesserung durch Feedback-Loops

Das System ist nicht statisch – es lernt kontinuierlich dazu:

• Sobald eine Idee umgesetzt wurde, wird das tatsächliche Ergebnis wieder im Google Sheet erfasst.

• Das Python-Skript nutzt diese neuen Daten, um das Modell nachzujustieren.

• Mit jeder Runde werden die Vorhersagen präziser und die Empfehlungen relevanter.

➡️ Vorteil: Das System verbessert sich selbst, je länger es genutzt wird.

Warum dieser Ansatz so wertvoll ist

Durch die Kombination von Google Forms (für die einfache Datenerfassung) und Python (für die intelligente Analyse und Visualisierung) hat das Unternehmen ein skalierbares, global nutzbares und KI-gestütztes Vorschlagswesen aufgebaut.

• Mitarbeiterfreundlich: Jeder kann Ideen einfach einreichen.

• Managementfreundlich: Führungskräfte sehen sofort, welche Ideen den größten Hebel haben.

• KI-gestützt: Entscheidungen werden schneller, objektiver und datenbasiert getroffen.

Damit wurde der Grundstein gelegt, um das Vorschlagswesen nicht nur zu digitalisieren, sondern auch mit echter Intelligenz auszustatten.

---

Für Unternehmen, die ihr internes Innovationsmanagement auf die nächste Stufe heben wollen, bietet Generative KI einen entscheidenden Hebel. Wer die fünf Schritte – Datenaufbereitung, Prompts, Pilotagenten, KI-Champion und Feedback-Loop – konsequent umsetzt, schafft ein schnelles, skalierbares und adaptives System, das kontinuierlich bessere Ideen identifiziert, priorisiert und erfolgreich umsetzt.