Wie gelingt der Übergang von KI-Pilotprojekten in den operativen Einsatz?

ÖBB-CIO Martin Seiser und Vesna Glatz, Austria-Chefin von ServiceNow, im Leader Interview über steigende Anforderungen durch AI, Herausforderungen bei den Themen Daten und Governance und den nötigen Fokus bei konkreten KI-Anwendungen.

Fotos: ServiceNow

Beim ServiceNow AI Summit in Wien wurde anschließend an das Customer Panel die angeregte Diskussion in einem ausführlichen Gespräch mit it&d business weitergeführt und vertieft. Vesna Glatz, Country Manager ServiceNow Austria, und Martin Seiser, Group CIO der ÖBB schildern darin ausführlich ihre Perspektiven auf aktuelle Herausforderungen, konkrete KI-Anwendungsfelder und die organisatorischen Voraussetzungen für eine erfolgreiche Transformation – und liefern dabei Einblicke in die Praxis.

Frau Glatz, wie stellt sich aktuell die Situation der Unternehmen in Österreich dar, wenn es um KI und Transformation geht?

Vesna Glatz: Viele österreichische Unternehmen stehen vor ähnlichen Herausforderungen. Eine zentrale Herausforderung ist, dass sowohl die technologischen als auch die regulatorischen Anforderungen wachsen. Dafür brauchen wir auch auf Organisationsebene entsprechende Antworten – die Technologie allein kann diese nicht liefern. Die Menschen müssen das Ganze möglich machen.

Ist diese Erkenntnis in den Unternehmen bereits angekommen?

Vesna Glatz: Die Wahrnehmung ist differenziert. Wir beobachten, dass sich Unternehmen allgemein sehr stark mit dem Thema demografische Entwicklung auseinandersetzen sowie mit der Simplifizierung von Prozessen. Gleichzeitig zeigt sich, dass die Komplexität in Unternehmen deutlich zunimmt. Diese Aufgaben sind längst keine „Nice-to-haves“ mehr. Ich glaube, dass sich dadurch auch die Sichtbarkeit verändert hat.

Früher wurde IT-Arbeit eher danach beurteilt, ob Anforderungen erfüllt wurden oder nicht. Heute gibt es ein stärkeres Verständnis von IT als kritische Infrastruktur – mit einem klaren Fokus auf den Kundennutzen.

Allerdings sind weniger als zehn Prozent der Kunden – und damit sind nicht nur Endkunden, sondern auch interne Kunden gemeint – mit der Serviceerfahrung zufrieden. Und das gilt branchenübergreifend. 70 Prozent der Mitarbeitenden, also der internen Kunden, empfinden ihre Arbeit als sehr anstrengend, komplex und kompliziert, weil sie mindestens fünf Systeme nutzen müssen, um ein Problem zu lösen.

Martin Seiser: Ich gehe das aus der IT-Perspektive an. Unsere Fokusbereiche sind IT-Security, IT-Operations, alles rund um Services, Desktop sowie Softwareentwicklung.

Gerade die Softwareentwicklung ist aktuell sehr spannend, insbesondere in der Phase der Evaluierung – also bei der Frage: Was wird überhaupt benötigt?

Im Requirement Engineering wollen wir die Durchlaufzeiten durch den Einsatz von KI massiv reduzieren. Ein Beispiel: Der Postbus benötigte eine Applikation, um verschiedene betriebliche Abläufe zu visualisieren. Eine relativ einfache Lösung wurde im sechsstelligen Bereich angeboten. Daraufhin hat sich ein Mitarbeiter daran gemacht, diese Lösung selbst –

quasi „from scratch“ – zu entwickeln, wofür er etwa zwei Stunden benötigte. Auf Basis dieses Prototyps konnte das gleiche Produkt um 75 Prozent günstiger umgesetzt werden. Hochskaliert ergibt sich daraus ein enormes Potenzial für die ÖBB, die stark auf Eigenentwicklungen setzt.

Gibt es weitere Beispiele für Bereiche, in denen der Einsatz von KI besonders viel Potenzial freisetzt?

Martin Seiser: Ein weiterer wichtiger Bereich ist das Wissensmanagement. Wir haben eine AI namens ASKÖBB im Einsatz. Ziel ist es, Informationen schnell zu finden und strukturiert aufzubereiten. Das ist besonders wichtig, weil wir jährlich tausende Mitarbeitende einstellen. Jede und jeder benötigt aktuell etwa ein Jahr, um vollständig produktiv zu werden – durch den Einsatz von KI können wir diese Zeit deutlich verkürzen.

Wie gehen Sie bei der Bewertung und Skalierung von KI-Projekten konkret vor?

Martin Seiser: Wir müssen Dinge zunächst ausprobieren und die dafür notwendigen Daten entsprechend vorbereiten. Eine große Herausforderung ist dabei, dass Daten in Konzernen wie unserem stark verteilt sind. Deshalb definieren wir gezielt, welche Datensilos relevant sind, schaffen eine Struktur, in der diese Daten verfügbar gemacht werden, und entwickeln darauf basierend erste Proofs of Concept (POCs). Auf Basis der POCs wird anschließend ein Business Case erstellt. Das bedeutet: Es gibt zunächst einen POC, danach wird der Business Case analysiert, und je nach Ergebnis wird skaliert oder nicht. In der Praxis sind die meisten POCs für uns relevant und rechnen sich auch. Die Priorisierung erfolgt eher nach der Verfügbarkeit von Ressourcen und Daten.

Welche Rolle spielt die Entscheidung zwischen Eigenentwicklung und Standardsoftware?

Martin Seiser: Standardsoftware ist in der Verwaltung deutlich einfacher, weil man bestehende Stammdaten direkt nutzen kann. Viele Eigenentwicklungen sind hingegen schlecht dokumentiert. Hier hilft uns KI, um nachträglich Dokumentation zu erstellen – allerdings nur, wenn der Source Code zugänglich ist.

Frau Glatz, wie beobachten Sie diese Entwicklung im Markt?

Vesna Glatz: Die Build-or-Buy-Entscheidung ist heute kein „Nice-to-have“ mehr. Früher hing das oft davon ab, ob jemand einfach Lust hatte zu entwickeln. Heute geht es vielmehr um die Frage: Was sind meine zentralen Plattformen, in denen ich Kompetenzen im Unternehmen aufbauen möchte?

Unternehmen setzen zunehmend darauf, für ihre Core-Plattformen eigene Teams aufzubauen, um Governance und Prozessverständnis im Unternehmen zu sichern.

Herr Seiser, wie priorisieren Sie KI-Initativen?

Martin Seiser: In erster Linie finanziell. Alles muss in einem Business Case abgebildet werden. Risiken müssen berücksichtigt werden, ebenso die Kundenzufriedenheit – aber am Ende entscheidet der Business Case.

Was sind die größten Herausforderungen bei der Umsetzung?

Martin Seiser: Eine große Herausforderung ist es, den Business Case nicht nur auf dem Papier darzustellen, sondern ihn auch in der Praxis umzusetzen und messbar nachzuweisen, dass er sich rechnet. Ebenso wichtig ist die Bewertung des organisatorischen Impacts. Oft bedeutet das, dass sich Rollen verändern, Mitarbeitende neue Aufgaben übernehmen oder weiterqualifiziert werden müssen. Der Change-Management-Anteil ist enorm – und je nach Unternehmen unterschiedlich gut zu bewältigen.

Gleichzeitig braucht es Realismus: Auf Vorstandsebene entsteht schnell die Erwartung, 50 Prozent einsparen zu können – das ist in der Regel nicht realistisch.

Frau Glatz, wie verändert KI die Anforderungen an Mitarbeitende?

Vesna Glatz: Ich glaube, dass wir das Thema Qualifizierung im KI-Zeitalter viel stärker als individuelle Verantwortung verstehen müssen. Unternehmen allein können diese Aufgabe nicht tragen – wir alle sind mitverantwortlich.

Die klassischen Modelle, bei denen es einmal im Jahr Trainingspläne gibt, werden künftig nicht mehr ausreichen.

Herr Seiser, wie setzen Sie das konkret um?

Martin Seiser: Wir setzen auf Awareness-Schulungen, damit Mitarbeitende überhaupt verstehen, was KI ist. Zusätzlich schaffen wir sogenannte Playgrounds, in denen sie Dinge ausprobieren können – allerdings nicht in produktiven Umgebungen. Gleichzeitig brauchen wir klare Governance-Strukturen, um Sicherheit zu gewährleisten.

Wie steuern Sie den Einsatz von KI durch Mitarbeitende im Sinne der Governance?

Martin Seiser: KI lässt sich nicht grundsätzlich verhindern. Deshalb haben wir eine zentrale Anlaufstelle geschaffen – ein AI Office. Dort werden alle Initiativen gesammelt, bewertet und gesteuert. Bestimmte Tools sperren wir proaktiv, weil sie aus unserer Sicht zu riskant sind.

Wie weit sind Sie beim Thema Daten?

Martin Seiser: In der IT ist das vergleichsweise einfach, weil die Daten oft zentral vorliegen. Auf der Business-Seite ist es deutlich schwieriger. Das beginnt bereits bei grundlegenden Definitionen – zum Beispiel: Was ist ein Bahnhof? Das wird unterschiedlich interpretiert.

Wir haben einen Datenkatalog aufgebaut und Data Owner definiert, aber das ist ein langfristiger Prozess. Schlechte Ergebnisse zwingen uns dazu, die Datenqualität kontinuierlich zu verbessern – es handelt sich um eine permanente Feedback-Schleife.

Frau Glatz, wie sehen Sie die Zukunft im Umgang mit Daten?

Vesna Glatz: Ich bin sehr gespannt, was im Bereich Contextual AI möglich wird. Vielleicht wird KI künftig in der Lage sein, unterschiedliche Definitionen zu verstehen und kontextabhängig damit zu arbeiten.

Abschließend: Was ist aus Ihrer Sicht der größte Mehrwert von KI?

Martin Seiser: Der größte Mehrwert liegt darin, dass wir mit der bestehenden Organisation mehr in derselben Zeit schaffen können.

Vesna Glatz: Wir sollten uns bewusst machen, dass der durch KI entstehende Druck auch eine Chance ist – nämlich die Voraussetzungen für Skalierung zu schaffen.

it&d business Redaktion