Continental hat in seiner über 150-jährigen Geschichte zahlreiche Transformationen erlebt. Doch die aktuelle ist zweifellos die tiefgreifendste – ausgelöst nicht zuletzt durch neue Technologien wie die Künstliche Intelligenz (KI/AI). Trotz aller Herausforderungen galt im Reifenbereich vor allem eines: Nicht verrückt machen lassen. Die Adaption des Themas AI erfolgte daher mit Augenmass und technischer Bodenhaftung.
Symbolbild von VariousPhotography via Pixabay
Von Big Data zu KI-Reife: Brauchen Reifen Künstliche Intelligenz?
Wir waren gut vorbereitet, als OpenAI im November 2022 Chat-GPT 3.5 veröffentlichte. Auf den darauffolgenden Tsunami allerdings nicht.
Als AI-Team in der IT des Reifensektors der Continental AG gab es uns bereits fünf Jahre. Entsprechend der in Hannover viel beschworenen «Reifen-DANN» wurde nicht einfach beschlossen, Personal einzustellen. Das Unternehmen besteht aus Ingenieuren und Kaufleuten. Also wachsen Dinge dort, wo sie benötigt werden und ihren Wert zeigen. Das war uns als AI-Team in den vergangenen Jahren gelungen.
Wie viele Unternehmen begann auch die Conti während der «Big-Data»-Welle, mit AI, Data Science und Use Cases zu experimentieren. Der im Unternehmen gelebte «Freedom-to-act»-Ansatz erlaubt es Mitarbeitenden, Dinge auszuprobieren und so den Wert neuer Technologien zu erproben. Es fehlte damals allerdings an technischen Umgebungen, um diesen «Learn-fast-fail-fast»-Ansatz zu unterstützen.
Als SAP-basierte IT waren Open-Source Software Produkte kaum vorhanden und Linux-basierte Installationen mit hohen administrativen Hürden verbunden. Erst ein gemeinsam mit Automotive Kollegen erzeugtes Analytics-Framework bot die Möglichkeit, schnell Umgebungen zu provisionieren, in denen Data Scientisten in Python oder R ihre ersten Gehversuche absolvierten.
Es gab viele Ideen und Prototypen. In dieser Phase lag der Fokus stark auf dem Austesten der Möglichkeiten. Es wurden Dashboards erzeugt, die Reichweite verschiedener Reifentypen in unterschiedlichen Anwendungsgebieten prognostizierten, Seriennummern wurden mittels Fotografien von Seitenwänden abgelesen und Marktzahlen prognostiziert.
In der ersten Phase der Adaption haben wir bei der Continental das Vorgehen nicht explizit strukturiert. Ein AI-Experte hat mit viel internem Marketing, verschiedenen Veranstaltungsformaten und Workshops quer durch die Organisation für die entsprechende Aufmerksamkeit gesorgt. Dadurch entstand Interesse und erste Use Cases wurden – ohne Betrachtung des möglichen Business-Values – umgesetzt. Das hat Neugierde erzeugt und weitere Umsetzungen nach sich gezogen. In dieser Phase waren Experten wichtig, die sowohl die Komplexität einfach erklären als auch mit technischem Know-how Use Cases umsetzen konnten.
Vom Spieltrieb zum Business Value
Der erste erfolgreiche Use Case im Sinne des Mehrwerts entstand im Bereich Market Planning mit der Unterstützung des Demand Forecasts. Das Erfolgsrezept war der Antrieb durch das Business. Oftmals bleibt der Business Value auf der Strecke, weil ein Anwender zwar für sich den Mehrwert einer Anwendung erkennt, die Implementation ins Unternehmen – aus Zeit- oder anderen Mängeln – aber nicht vorantreibt.
Ein entscheidender Erfolgsfaktor im Demand Planning war die Übergabe des Prototyps an ein dediziertes Entwicklungsteam. Das AI-Team war damals klein und darauf ausgerichtet, Impulse in die Breite zu geben – nicht darauf, komplette Projekte umzusetzen.
Damit eine Fach-IT (oder die IT insgesamt) Ressourcen für eine Umsetzung bereitstellt, muss der Business Value klar erkennbar sein. Dieser wird im Zusammenspiel von Fachanwendern, AI-Experten und Entwicklern definiert.
In einer frühen Phase prüfen Fachanwender und Data Scientisten gemeinsam, ob die eingesetzten Machine-Learning- oder AI-Modelle die nötige Genauigkeit für den jeweiligen Prozess erreichen. Dieser Schritt ist oft herausfordernd: Die stochastische Natur der Modelle ist für viele Process Owner schwer verständlich – sie erwarten von technischen Lösungen eine hundertprozentige Korrektheit.
Bei der Erkennung von möglichen Qualitätsmängeln in der Reifenproduktion beispielsweise konnten wir schnell feststellen, dass die AI-Modelle im Durchschnitt Fehler präziser feststellen konnten als Menschen. Die Qualitätsexperten waren jedoch erstaunt, dass die Modelle in wenigen Fällen sehr einfache Fehler nicht erkannten, die jeder geschulte Mitarbeiter sofort entdeckt hätte. Gleichzeitig konnte die AI allerdings Probleme identifizieren, die bisher unbekannt waren. Solche Anwendungsfälle sind komplex und erfordern hohe Investitionen sowie sehr viel Vorbereitung.
Strategische KI-Governance nach dem ChatGPT-Tsunami: Das Conti AI Framework
Eine generative KI wie ChatGPT, die über menschliche Sprache kommunizierte und damit für jeden sofort verständlich war, weckte Erwartungen und Begehrlichkeiten. Gleichzeitig wuchs der Druck im Management, das Thema KI in den Griff zu bekommen. Ausserdem wurden die verschiedenen Fach-IT Abteilungen hellhörig, denn viele Umsetzungsideen landeten direkt bei ihnen.
Um diese verschiedenen Bewegungen von unten von der Seite und von oben in den Griff zu bekommen, wurde ein AI-Framework entwickelt, mit dem die Governance, der EU AI Act und das Ideenmanagement adressiert werden konnten.
In diesem Framework stellt das Ideenmanagement eine wichtige Kernfunktion dar. Erst durch einen transparenten Auswahlprozess werden Interessen und Zielkonflikte greifbar. Auf Basis einer eines Ideenmanagements lässt sich eine entsprechende Diskursstrategie entwickeln, mit der die richtigen KI-Ideen priorisiert und umgesetzt werden können.
Es wird in jedem Unternehmen so sein, dass mehr Ideen als Ressourcen vorhanden sind. Bei der Continental haben wir den Prozess etwas grösser aufgesetzt, damit er die Unternehmensgrösse von etwa 60’000 Mitarbeitenden entsprechend reflektiert.
Dieser Prozess dient gleichzeitig als Grundlage für den EU AI Act, demzufolge jeder Ablauf, in dem KI produktiv zur Anwendung gelangt, zur Risikoeinschätzung dokumentiert wird. Zudem ermöglicht eine Erfassung aller Ideen die Bestimmung von Redundanzen. Beispielsweise konnten wir ermitteln, dass Chatbots einen wiederkehrenden Anwendungsfall darstellen.
Dies führte zur Entwicklung einer universell einsetzbaren Plattform, mit dem sich schnell fachspezifische Chatbots auf Basis interner Dokumente erstellen lassen.
Struktur statt Bauchgefühl: So skaliert Continental KI
Mit diesem Prozess haben wir gleichzeitig eine Evaluation des möglichen Businesswertes einer AI-Anwendung eingeführt. Jede eingehende Idee wird von einem AI-Experten betrachtet und in Rücksprache mit dem Ideengeber bewertet. Dabei stehen Machbarkeit und möglicher Businesswert im Fokus. Der mögliche Wert wird grob kategorisiert und die Machbarkeit wird vom AI-Experten eingeschätzt. Dadurch werden Vorhaben vergleichbar und können gegeneinander priorisiert werden. Für den Einsatz der Ressourcen ist dies unabdingbar.
Weiterhin wird mit diesem Prozess auch das Problem der Skalierung adressiert. Ein Unternehmen mit mehreren Standorten steht in der Regel vor der Herausforderung, dass Ideen an einem Standort entwickelt werden, diese aber nicht auf andere übertragen werden. Nur eine gezielte Skalierung hebt den tatsächlichen Mehrwert von KI-Ideen.
Um KI-Anwendungen effizient zu skalieren, arbeitet Continental mit einem Framework auf drei Ebenen:
- Level 1 – Nähe zum Prozess: In den Werken und Märkten identifizieren Fachexperten konkrete Anwendungsfelder für KI. Sie wissen, wo Hindernisse entstehen und Effizienzpotenziale liegen. Trainings und Wissenstransfer unterstützen den Aufbau des nötigen Verständnisses.
- Level 2 – Skalierungsinstanz: Diese Ebene vermittelt zwischen operativer Praxis (Level 1) und zentraler IT (Level 3). Sie entscheidet über die Skalierbarkeit von Lösungen und verhindert, dass nur lokale Applikationen entstehen oder zentrale Ressourcen überlastet werden.
- Level 3 – Zentrale AI-Kompetenz: Das AI-Team in der IT stellt Tools, Frameworks und Experten bereit. Es sorgt für Wissenstransfer, unterstützt bei der Umsetzung und gewährleistet Governance und Standards.
Die Steuerung erfolgt durch ein AI-Council, das direkt an den Vorstand berichtet. Mit diesem Modell hat Continental über 100 Use Cases realisiert – viele davon bereits produktiv. Das Unternehmen ist damit gut aufgestellt für die nächste Phase der KI-Volladaption.
Der Autor
Dubravko Dolic ist seit 2017 bei Continental tätig, wo er den Bereich AI & Data Solutions leitet. Zuvor war er über zehn Jahre als Berater für Analytics aktiv und gründete dsquare.de, das 2013 in Cognizant integriert wurde. Er studierte Neuropsychologie und Soziologie mit Schwerpunkt Statistik.
Der Beitrag erschien im topsoft Fachmagazin 25-4
Das Schweizer Fachmagazin für Digitales Business kostenlos abonnieren
Abonnieren Sie das topsoft Fachmagazin kostenlos. 4 x im Jahr in Ihrem Briefkasten.