AI Strategy & Transformation: Data- und KI-Fähigkeiten strategisch aufbauen
Viele Automotive-Unternehmen haben KI-Einzelprojekte gestartet, aber keine tragfähige Grundlage, um sie zu skalieren. Wir begleiten den Aufbau von Data- und KI-Fähigkeiten strategisch und organisatorisch – von der Bestandsaufnahme bis zur priorisierten Roadmap samt Governance nach KI-Verordnung und ISO/IEC 42001.
Ausgangslage
Nach den ersten Pilotprojekten stellt sich in vielen Häusern dieselbe Frage: Wie wird aus Einzelinitiativen eine skalierbare Fähigkeit? Die Piloten haben bewiesen, dass KI funktioniert – aber nicht, wie Datenverantwortung, Priorisierung, Freigabe und Betrieb organisiert werden.
Parallel wächst der KI-Bestand auch ohne eigene Projekte: Immer mehr KI-Funktionen kommen über Standardsoftware ins Unternehmen. Und die KI-Verordnung verlangt Nachweise, die eine gewachsene Landschaft nicht hergibt.
Typische Datengrundlage
Interviews und Workshops mit Fach- und IT-Bereichen. Eine Bestandsaufnahme der Systemlandschaft und Datenquellen. Vorhandene KI-Initiativen, Pilotprojekte und deren Ergebnisse – einschließlich der eingekauften KI-Funktionen in Standardsoftware.
Dazu der regulatorische Rahmen, insbesondere die KI-Verordnung in ihrer geltenden Fassung, sowie vorhandene Managementsysteme nach ISO 27001 und ISO 9001, an die sich AI Governance anlehnen lässt.
Woran solche Vorhaben scheitern
Kein Owner, keine Transparenz. Zehntausende Datenobjekte verteilen sich über die Organisation – oft ohne klare Verantwortlichkeiten. Bevor gesteuert werden kann, muss sichtbar werden, was wo liegt und wem es gehört.
Viele Ideen, begrenztes Budget. Fachbereiche konkurrieren um Ressourcen und Priorität. Welche Use Cases umgesetzt werden, braucht transparente und einheitliche Kriterien.
Governance als Innovationsbremse. Risiken müssen kontrolliert werden, ohne jedes Experiment im Freigabeprozess zu ersticken. Entscheidend ist die Balance zwischen Leitplanken und Geschwindigkeit.
Aufschub ist keine Pause. Der regulatorische Zeitplan hat sich verschoben, die Anforderungen nicht. Wer jetzt wartet, verschiebt denselben Aufwand in ein deutlich engeres Zeitfenster.
KI kommt auch durch die Hintertür. Eine belastbare Bestandsaufnahme muss auch die „eingebaute KI“ aus Standardsoftware erfassen – sonst bleibt das Inventar unvollständig.
Vorgehen
Das Mandat folgt einem vierphasigen Ablauf. Phase 1, Assessment: Bestandsaufnahme von Datenquellen, Organisation, Prozessen und Reifegrad, einschließlich eines Inventars aller im Einsatz befindlichen KI-Anwendungen. Phase 2, Use-Case-Identifikation: Sammlung und Bewertung von Kandidaten aus den Fachbereichen, etwa Predictive Maintenance, Forecasting, Qualitätsmanagement, Supply Chain und GenAI-Anwendungen. Phase 3, Business Case: Bewertung nach Nutzen, Aufwand und Risiko, daraus eine belastbare Priorisierung. Phase 4: Umsetzungs-Roadmap mit Meilensteinen, Verantwortlichkeiten und Ressourcenbedarf.
Parallel dazu Data Governance mit Data Catalog, Data-Owner- und Data-Steward-Rollen, Datenqualitätsregeln und Metadatenmanagement – sowie AI Governance: Risikoklassifizierung je Anwendung, Modellregister, Dokumentations- und Freigabeprozesse, Monitoring im Betrieb und der Kompetenzaufbau bei den Anwendern, den die KI-Verordnung seit Februar 2025 verlangt. Wo ein zertifizierbarer Rahmen gewünscht ist, richten wir die Prozesse an ISO/IEC 42001 aus und binden sie an das bestehende Managementsystem an, statt eine zweite Struktur daneben aufzubauen.
Zur regulatorischen Einordnung: Der Digitale Omnibus zur KI-Verordnung, Verordnung (EU) 2026/1744, hat die Pflichten für Hochrisiko-Systeme auf Dezember 2027 beziehungsweise August 2028 verschoben und die Hochrisiko-Definition enger gefasst. Anwendungen zur Unterstützung von Nutzern, zur Effizienzsteigerung, zur Automatisierung oder zur Qualitätskontrolle gelten nur dann als hochriskant, wenn ihr Ausfall tatsächlich Risiken für Gesundheit oder Sicherheit auslösen kann. Für die meisten Engineering-Anwendungen bedeutet das: Sie liegen außerhalb der Hochrisiko-Klasse. Genau deshalb steht die Klassifizierung am Anfang – sie grenzt den Aufwand ein, statt ihn zu erzeugen. Unabhängig davon gelten die Transparenzpflichten bereits seit August 2026, und die Kennzeichnungspflichten für KI-erzeugte Inhalte greifen ab Dezember 2026.
Was dabei entsteht
Von Einzelideen zur klaren Roadmap: KI-Initiativen sind gemeinsam mit den Fachbereichen bewertet, priorisiert und in eine umsetzbare Roadmap übersetzt. Klarheit über Daten und Verantwortung: Die wichtigsten Datenobjekte sind katalogisiert, Verantwortlichkeiten eindeutig benannt.
KI-Bestand unter Kontrolle: Bestehende KI-Anwendungen sind inventarisiert und nach Risiko klassifiziert – inklusive der KI-Funktionen aus Standardsoftware. Governance, die Umsetzung ermöglicht: Neue KI-Vorhaben bekommen einen klaren, wiederholbaren Weg von der Idee bis zum Betrieb, mit den Anforderungen der KI-Verordnung fest im Prozess verankert.
Greifbar wird das Ergebnis an den gelieferten Artefakten: Zahl der bewerteten und priorisierten Use Cases, Roadmap-Horizont, Umfang des Datenkatalogs, Anzahl klassifizierter KI-Anwendungen und die verabschiedeten Governance-Dokumente. Diese Liste vereinbaren wir zu Beginn des Mandats. Einen kompakten Einstieg in die regulatorische Seite bietet unser KI-Compliance Check.
Woher unsere Erfahrung kommt
Wir kennen beide Seiten: die Strategie- und Governance-Arbeit und die Umsetzung dahinter – von Datenfundamenten für internationale Konzerne bis zu KI-Plattformen im Produktivbetrieb.
Zuletzt aktualisiert: 13. August 2026
