Im Bereich der KI ist das Problem nicht technischer Natur – es ist eine Frage der Beurteilung
Bis 2026 weiß fast jedes technische Team, wie man KI-Modelle einsetzt. Die Dokumentation ist öffentlich zugänglich, die APIs sind verfügbar, und die technischen Einstiegshürden sind drastisch gesunken. Was jedoch nicht gesunken ist, ist die Entscheidungshürde: zu wissen, wo KI eingesetzt werden sollte und wo nicht, mit welchem Stack, anhand welcher Kennzahlen und unter Berücksichtigung welcher regulatorischen Anforderungen. Diese Hürde lässt sich nicht mit Berufseinsteigern, Kursen oder Frameworks überwinden. Sie wird durch das über Jahre hinweg in realen Projekten gesammelte Fachurteil erfahrener Experten überwunden.
In einem deutschen Energieversorger macht sich dieser Unterschied besonders deutlich bemerkbar. KI kommt in kritischen Systemen zum Einsatz (SAP IS-U, FI-CA, Powercloud, Marktkommunikation), die den Vorgaben des BSI, der DSGVO und der KRITIS-Richtlinie unterliegen und einer ständigen Überwachung durch die Bundesnetzagentur unterliegen. Eine schlecht abgestimmte Entscheidung führt nicht zu einem Fehler, sondern birgt regulatorische Risiken, teure Nacharbeiten oder den Verlust des internen Vertrauens in die KI selbst.
„Im Bereich der KI kommt es nicht darauf an, das richtige Modell zu verwenden – entscheidend ist vielmehr die Entscheidung, ob das Modell überhaupt eingesetzt werden soll.“
Was geht verloren, wenn ein KI-Projekt mit unerfahrenen oder wechselnden Teams durchgeführt wird?
Wenn ein KI-Projekt in einem Versorgungsunternehmen mit Nachwuchskräften ohne echte Betreuung durch erfahrene Fachkräfte oder mit Teams durchgeführt wird, die alle sechs Monate wechseln, tauchen immer wieder drei Muster auf.
01 · Überdimensionierung
Es wird das größte, neueste oder angesagteste Modell eingesetzt, selbst wenn eine einfachere Lösung ausreichen würde. Die Verteidigung des Pilotprojekts gegenüber der Finanzabteilung und der Compliance-Abteilung wird kostspielig.
02 · Fehlerhafte Kalibrierung des Messgeräts
Ohne Erfahrungswerte sagt das Team zu allem „Ja“. Ein erfahrener Mitarbeiter erkennt, wann die Analyse vertieft werden muss und wann man sagen muss: „Das ist kein KI-Problem.“
03 · Verlust der Kontinuität
Verworfene Entscheidungen, validierte Hypothesen und identifizierte Datenverzerrungen finden sich nicht in der Dokumentation wieder. Wenn Teams wechseln, zahlt der nächste Zyklus doppelt für dieselben Erkenntnisse.
Was ein Senior Consultant mitbringt, was ein Model oder ein Junior nicht kann
Ein Senior-Berater im Bereich KI bringt drei Kompetenzen mit, die weder ein Modell noch ein Junior-Mitarbeiter nachahmen kann.
✓ Urteil
Zu wissen, wo KI ihren Platz hat (Klassifizierung, Prognosen, Erkennung von Anomalien, Zusammenfassung von Dokumenten) und wo sie lediglich Risiken mit sich bringt (verbindliche Entscheidungen, deterministische Prozesse, berechnungen mit regulatorischen Auswirkungen). Diese Erkenntnis erspart monatelange vergebliche Pilotprojekte.
✓ Branchenkontext
Wie MaKo funktioniert, wie sich die Vorschriften der BNetzA weiterentwickeln, wie SAP IS-U mit FI-CA und dem Portal integriert wird und welche Daten im Rahmen von KRITIS oder der DSGVO die Umgebung verlassen dürfen. Das wird in keinem LLM-Studiengang vermittelt.
✓ „Nein“ sagen
Ein erfahrener Experte lehnt einen schlecht formulierten Anwendungsfall ab, bevor daraus ein gescheitertes Projekt wird. Im Bereich der KI schützt ein rechtzeitiges „Nein“ den ROI des Kunden weitaus besser als ein begeistertes „Ja“.
Vier entscheidende Momente, in denen die Dienstzeit den Ausschlag gibt
Vier Phasen eines KI-Projekts bei einem deutschen Energieversorger entscheiden je nach Erfahrung des Teams über den endgültigen Erfolg.
01 · Festlegung des Anwendungsbereichs
Das Projekt auf zwei oder drei Anwendungsfälle mit nachweisbarem kurzfristigem Nutzen konzentrieren, anstatt auf eine Reihe von unzusammenhängenden Pilotprojekten.
02 · Technologieauswahl
Anwendung echter KI-unabhängiger Kriterien: Open Source für Souveränität, Hyperscaler für Skalierbarkeit, kleine, fein abgestimmte Modelle für Kosteneffizienz – je nach Anwendungsfall ausgewählt.
03 · Regulatorische Validierung
Vorwegnahme von Fragen seitens des BSI, der internen Compliance-Abteilung und der Wirtschaftsprüfer sowie Dokumentation von Entscheidungen und der Architektur zum Zeitpunkt ihrer Festlegung.
04 · Industrialisierung
Die Konzeption muss darauf ausgerichtet sein, was ein Betriebsteam tatsächlich benötigt, um die Lösung fünf Jahre lang im Produktivbetrieb zu halten – und nicht nur darauf, was der Auftraggeber für die Inbetriebnahme benötigt.
Geringe Fluktuation als betriebliche Kennzahl, nicht als Auszeichnungsmerkmal
Im Bereich der KI ist Kontinuität noch wichtiger als bei anderen Technologien, da ein Teil des Projektwissens außerhalb der Dokumente liegt: in den verworfenen Entscheidungen, in den identifizierten Datenverzerrungen, in den Gesprächen mit den Fachabteilungen und der Compliance-Abteilung. Ein Partner mit hoher Fluktuation verliert dieses Wissen jedes Mal, wenn ein Mitarbeiter das Unternehmen verlässt. Ein Partner mit geringer Fluktuation baut es hingegen auf.
Für ein Versorgungsunternehmen, das eine drei- bis fünfjährige KI-Roadmap plant, ist dieser Unterschied kein Detail der Personalpolitik eines Anbieters: Es handelt sich um eine betriebliche Variable, die sich direkt auf die Gesamtbetriebskosten und das Programmrisiko auswirkt.
Wo Principal33 ansetzt
Bei Principal33 werden KI-Projekte in deutschen Versorgungsunternehmen von Anfang bis Ende von Senior-Beratern geleitet und umgesetzt. Nach Vertragsunterzeichnung erfolgt keine Übergabe von einem kommerziellen Team an ein Junior-Team. Das gleiche Profil, das bereits in der Analysephase beteiligt war, ist auch in der Architekturphase, bei der behördlichen Validierung und in der Industrialisierungsphase präsent. Dieses Modell wird durch eine sehr geringe Fluktuationsrate gestützt, die durch die interne „Senior + Junior“-Entwicklungsstrategie und die ausschließliche Fokussierung auf den DACH-Markt unterstützt wird.
Die Teams bestehen aus erfahrenen, deutschsprachigen Mitarbeitern sowie aus Nearshore-Mitarbeitern aus dem DACH-Raum, was das Risiko von Missverständnissen in Bezug auf regulatorische Anforderungen verringert und die Entscheidungsfindung mit den Bereichen IT, Compliance und dem Geschäft innerhalb des Versorgungsunternehmens beschleunigt.
Der Perspektivwechsel
Für einen deutschen Energieversorger, der Partner für seine KI-Strategie evaluiert, lautet die relevante Frage nicht: „Wie viele Datenwissenschaftler haben Sie?“. Fast jeder wird behaupten, viele zu haben. Die Frage, die den Erfolg oder Misserfolg des Programms vorwegnimmt, ist weniger angenehm: „Wer wird entscheiden, wo KI hingehört und wo nicht, und wer trifft solche Entscheidungen bereits seit Jahren in deutschen Energieversorgern?“ Die Antwort auf diese Frage ist es, die ein vielversprechendes Pilotprojekt von einem KI-Programm unterscheidet, das die Produktionsreife erreicht und sich dort behauptet.
