Enterprise Automation & KI

Im Zentrum des Projekts stand die Entwicklung einer unternehmensweiten KI-Strategie im Nachhaltigkeitskontext für einen international agierenden Klienten mit einem Jahresumsatz von 90 Milliarden US-Dollar. Ziel war es, konkrete Potenziale für den Einsatz von Künstlicher Intelligenz im Nachhaltigkeitssektor zu identifizieren, Synergien systematisch zu heben und daraus strategische Handlungsoptionen für das Top-Management abzuleiten. In meiner Rolle übernahm ich die Leitung des Gesamtprojekts inklusive der strategischen Planung und operativen Steuerung. Ich entwickelte einen strukturierten Projektplan, der Marktanalysen, Use-Case-Scouting, Experteninterviews und die Bewertung relevanter KI-Lösungen umfasste. Parallel konzipierte ich einen maßgeschneiderten Aktionsplan, der sowohl wirtschaftliche als auch ökologische Zielsetzungen des Klienten adressierte. Zur effizienten Umsetzung führte ich ein zehnköpfiges Team, das ich in drei funktionale Einheiten gliederte – für Marktanalysen, Use-Case-Entwicklung sowie Experteninterviews. Durch ein agiles Vorgehensmodell mit wöchentlichen Abstimmungen und iterativen Feedbackschleifen stellte ich eine hohe Ergebnisqualität sowie eine enge Verzahnung der einzelnen Arbeitspakete sicher. Die Kommunikation mit dem Klienten gestaltete ich über zweiwöchentliche Termine mit dem Director Consultancy und weiteren Stakeholdern auf Entscheider-Ebene aktiv mit. Dabei präsentierte ich regelmäßig Zwischenergebnisse, diskutierte strategische Optionen und schärfte die Handlungsempfehlungen auf Basis des Kundenfeedbacks weiter aus. Das Ergebnis war ein belastbares Set an strategischen Empfehlungen inklusive konkreter Umsetzungsschritte, die sowohl technologisch als auch organisatorisch anschlussfähig waren. Der Klient erhielt damit eine fundierte Entscheidungsgrundlage, um gezielt in KI-gestützte Nachhaltigkeitslösungen zu investieren und sich langfristig als Innovationstreiber im Markt zu positionieren.

Projektziel: Zukunftssicherung und Wartungsfreundlichkeit eines komplexen, kundeneigenen Softwarepakets Herausforderung: Hoher Anpassungsaufwand, komplexe Codebasis, Bedarf an externer Unterstützung im Ticket- und Change-Request-Handling Umsetzung eines Änderungs- und Problemmanagementprozessen zur Entlastung der Entwicklungsabteilung Maßnahmen, die dabei umgesetzt wurden, sind: - Refaktorisierung bestehender Module nach Clean Code-Prinzipien - Anpassung an moderne SAP-Entwicklungsstandards und Best Practices - Durchführung systematischer Code-Reviews und Verbesserung der Modularität und Lesbarkeit - Implementierung umfangreicher Tests zur Sicherstellung der Anwendungsstabilität Das Projekt führte zu einer signifikanten Qualitätssteigerung der bestehenden Codebasis. Durch gezielte Refaktorisierung und die Anwendung moderner Entwicklungsstandards entstand eine robuste, fehlerarme und erweiterbare Softwarearchitektur. Insgesamt konnte die Wartbarkeit der Anwendung deutlich verbessert und die langfristige Zukunftsfähigkeit sichergestellt werden.

Ziel des Projekts war die funktionale und prozessuale Optimierung eines bestehenden Bestellfreigabeworkflows, um den spezifischen Anforderungen des Fachbereichs gerecht zu werden. Im Fokus stand dabei die Verbesserung der Transparenz und Effizienz innerhalb des Freigabeprozesses, insbesondere durch die gezielte Bereitstellung relevanter Informationen und die Automatisierung wiederkehrender Abläufe. Im Rahmen der Umsetzung habe ich die Inbox-Detailansicht mithilfe des Key-User-Tools erweitert, sodass dem Freigabeverantwortlichen sämtliche entscheidungsrelevanten Daten direkt und übersichtlich zur Verfügung stehen. Ergänzend dazu entwickelte ich individuelle E-Mail-Templates, die in den automatisierten Benachrichtigungsprozess eingebunden wurden und situationsspezifische Inhalte klar strukturiert vermitteln. Zur weiteren Prozessentlastung implementierte ich eine automatisierte Logik, die leere Bestellungen systemseitig identifiziert und die zugehörigen Workitems selbstständig entfernt, um unnötige Systemlast zu vermeiden. Alle Änderungen wurden durch eine technische Dokumentation präzise festgehalten – inklusive detaillierter Konfigurationsübersichten und Schnittstellenbeschreibungen. Durch die Anpassung des Freigabeworkflows konnte der Freigabeprozess signifikant beschleunigt und die Nutzerfreundlichkeit spürbar erhöht werden. Der Fachbereich profitiert nun von einer verbesserten Informationslage, einer höheren Prozessstabilität und einem geringeren manuellen Aufwand.

Der Kunde wollte den internen IT-Support entlasten, indem der Access-Request-Prozess (ARP) automatisiert wird. Dazu wurde ein Proof of Concept aufgebaut, in dem sich neue User-Anfragen über einen KI-basierten Chatbot abwickeln, der über n8n-Workflows, Google-APIs und WebApps gesteuert wird und anschließend automatisch ein JIRA-Ticket erstellt. Im Rahmen des PoC habe ich einen generativen Chatbot entworfen, der Anwender Schritt für Schritt durch den ARP-Prozess führt. Dabei wurden dynamisch Formularfelder aus dem JIRA-Create-Issue-Formular integriert, um alle notwendigen Informationen (z. B. Benutzerrolle, Abteilung, benötigte Systeme) direkt im Chat abzufragen. Die Orchestrierung der Workflows erfolgte über n8n, wo bei Abschluss des Chat-Gesprächs automatisch ein Workflow gestartet wurde, der die Daten validiert und via JIRA REST-API ein neues Ticket anlegt. Für die Generierung von Antworten im Chatbot wurde eine generative KI-Komponente eingebunden (z. B. OpenAI GPT via API), die kontextsensitives Fragen und Klassifizieren von Anfragen ermöglichte. Der gesamte Ablauf wurde in einer Docker-basierten Testumgebung simuliert, sodass unterschiedliche Szenarien (z. B. fehlende Angaben, falsche Rollen) automatisch erkannt und im Chat entsprechend nachgefragt werden konnten. Meine Rolle: Implementierung des generativen Chatbots mit KI-Integration Konfiguration von n8n-Workflows zur Automatisierung des ARP Anbindung der JIRA REST-API zur automatischen Ticket-Erstellung

Im Rahmen des Projekts wurde ein automatisierter Workflow zur KI-gestützten Leadgenerierung entwickelt, dessen Ziel es war, qualifizierte Geschäftskontakte anhand definierter Kriterien effizient zu identifizieren. Dafür wurde ein Prozess realisiert, der mithilfe von KI-Algorithmen Internetrecherchen durchführt und potenzielle Leads ermittelt. Anschließend werden zu den gefundenen Kontakten strukturierte Informationen wie Unternehmensadressen, Telefonnummern, E-Mail-Adressen sowie relevante Ansprechpartner automatisch aus öffentlich zugänglichen Quellen extrahiert. Meine Aufgabe bestand darin, diesen End-to-End-Workflow technisch umzusetzen. Dazu entwickelte ich eine Python-basierte Lösung, die auf modernen KI-Technologien wie OpenAI aufbaut und durch effiziente Datenverarbeitung mit pandas ergänzt wird. Die Implementierung berücksichtigte den modularen Einsatz verschiedener Bibliotheken, darunter os, time und dotenv, um Prozessautomatisierung, Stabilität und Wiederverwendbarkeit sicherzustellen. Durch den Einsatz von Rapid Engineering und Tools wie Cursor und Claude Code konnte die Lösung iterativ optimiert und nahtlos in bestehende Systeme integriert werden. Alle recherchierten Daten werden in einer strukturierten Datenbank abgelegt und stehen dem Vertriebsteam in aufbereiteter Form für die direkte Weiterverarbeitung zur Verfügung. Das Ergebnis ist ein vollautomatisierter Recherche- und Datenanreicherungsprozess, der eine konsistente Qualität der Leads gewährleistet und dem Vertrieb erhebliche Zeitvorteile verschafft. Dadurch konnte der manuelle Aufwand für die Leadgenerierung deutlich reduziert und die Effizienz in der Akquise spürbar gesteigert werden.

Im Unternehmen wurde ein Hackathon zur Entwicklung eines Retrieval-Augmented Generation (RAG) Chatbots, der Informationen aus einem MediaWiki-System abruft und intelligente Antworten generiert, durchgeführt. Ziel war es, die praktische Anwendung von RAG-Architekturen auf Basis von Azure-Diensten zu demonstrieren und das Kundenteam aktiv in die Umsetzung einzubinden. Zusätzlich wurden theoretische Grundlagen zu RAG-Techniken und möglichen Systemarchitekturen vermittelt. Das Team wurde durch die Planung und Implementierung eines Workflows geleitet: Ein Chatbot verarbeitet Benutzeranfragen über eine Open WebUI-Oberfläche, die über ein Flask-Backend an die notwendigen Azure Services angebunden wurde. Eine Suche in Azure AI Search identifiziert relevante Informationen aus der unternehmenseigenen MediaWiki-Wissensdatenbank. Diese Daten werden dem Azure OpenAI Service übergeben, um relevante und präzise Antworten zu generieren. Durch meine beratende Rolle im Hackathon befähigte ich das Kundenteam maßgeblich zum Aufbau eigener Kompetenzen in der Implementierung von RAG-basierten KI-Lösungen. Die gemeinsame Entwicklung eines funktionsfähigen Chatbots vermittelte den Teammitgliedern ein tiefgreifendes, praxisorientiertes Verständnis für die Integration von Wissensdatenbanken in KI-Modelle und die Planung sowie Bereitstellung der notwendigen Infrastruktur. So ist das Team nun befähigt fortschrittliche KI-Anwendungen eigenständig zu entwickeln und zu optimieren.

Ziel des Programms war es, Fach- und IT-Teams in die Lage zu versetzen, produktionsreife KI-Lösungen eigenständig zu konzipieren und umzusetzen. Ich verantwortete die Ende-zu-Ende-Konzeption des Curriculums, definierte Lernziele und Kompetenzstufen und entwickelte aufeinander aufbauende Trainingspfade von den Grundlagen generativer KI über RAG-Architekturen und Agenten-Design bis hin zu LLM-Ops, Governance und Erfolgsmessung. Dazu entwarf ich praxisnahe Hands-on-Labs und Capstone-Aufgaben, bereitete Referenzarchitekturen und bewährte Patterns auf und richtete die benötigte Tool- und Lab-Umgebung mit Azure OpenAI und n8n ein. Die Teilnehmenden setzten die erlernten Konzepte in funktionsfähige Prototypen um, validierten Qualität, Kosten und Latenzen mit geeigneten Metriken und überführten die Lösungen mithilfe klarer Betriebs-, Sicherheits- und Compliance-Leitlinien in einen produktionsnahen Reifegrad. Das Ergebnis ist ein skalierbares Enablement-Programm mit wiederverwendbaren Bausteinen und Musterlösungen, das den Aufbau interner KI-Kompetenzen messbar beschleunigt. So reduziert das Unternehmen Abhängigkeiten, verkürzt die Time-to-Value für KI-Use-Cases und erhöht die Qualität sowie Betriebssicherheit der entwickelten Lösungen.