Enterprise-GenAI-Plattform statt Schatten-KI im Konzern

Wie ein internationaler Maschinenbaukonzern fragmentierte KI-Nutzung auf eine gesteuerte Plattform gebracht hat

Diese Fallstudie zu einer Enterprise-GenAI-Plattform in der Fertigung beschreibt, wie ein international tätiger Industriemaschinenbauer von verstreuter, unkontrollierter KI-Nutzung zu einer unternehmensweiten Plattform auf Microsoft Azure gewechselt ist, gebaut vor allem für seine Software- und Entwicklungsorganisation. Die inteliScience SRL hat den gesamten Weg abgedeckt: Anforderungen, Architektur, Entwicklung, danach Betrieb und Wartung, einschließlich CI/CD-Pipelines, containerisiertem Deployment und Lastverteilung für hohe Verfügbarkeit.

Eine Anmerkung zur Abgrenzung, weil wir etwas Benachbartes veröffentlicht haben: Unsere Enterprise-KI-Plattform für eine österreichische Bank beschreibt ein reguliertes Finanzdienstleistungsumfeld. Hier geht es um eine Engineering-Organisation innerhalb eines Industriekonzerns — andere Nutzer, andere Daten, ein anderer Grund zu zentralisieren. Diese Fallstudie ist zudem bewusst ohne Kennzahlen: Der Kunde hat keine Leistungswerte zur Veröffentlichung freigegeben. Was folgt, beschreibt bestätigte Veränderungen in der Arbeitsweise der Organisation — und nicht mehr.

Die Ausgangslage: KI war längst da, nur nicht über die IT

Generative KI wurde bei dem Maschinenbauer schon lange genutzt, bevor es eine Plattform dafür gab — die normale Ausgangslage, kein Disziplinversagen. Die Leute hatten Arbeit zu erledigen, leistungsfähige Werkzeuge waren einen Browser-Tab entfernt, und niemand wartet auf ein fertiges Governance-Rahmenwerk, bevor er eine Spezifikation in ein Chatfenster kopiert.

Die Branchendaten zeigen dasselbe Muster. Im Work Trend Index 2024 von Microsoft und LinkedIn, einer Befragung von 31.000 Menschen in 31 Ländern, gaben 75 Prozent der Wissensarbeiter an, generative KI bei der Arbeit zu nutzen — und 78 Prozent dieser Nutzer bringen eigene Werkzeuge mit, statt etwas zu verwenden, das das Unternehmen bereitstellt. Der Enterprise AI Agent Report 2026 von OutSystems ergab, dass 94 Prozent der Organisationen wildwuchernde KI als wachsende Quelle von Komplexität, technischen Schulden und Sicherheitsrisiken sehen, während nur 12 Prozent eine zentrale Plattform dafür betreiben. Das sind Branchenzahlen aus benannten Studien; sie beschreiben den Rahmen und sind nicht die Ergebnisse dieses Projekts.

Für eine Engineering-Organisation dieser Größe kostete diese Lage auf drei Arten. Exponierung: Niemand konnte beantworten, welche Unternehmensdaten unter welchen Bedingungen bei welchem Modell gelandet waren. Doppelarbeit: Jedes Team, das einen Assistenten wollte, begann seine eigene Beschaffung, Sicherheitsprüfung und Hosting-Diskussion — und das zweite Team lernte nichts vom ersten. Und der Kostenpunkt, der still über alles entscheidet: Nichts fügte sich zusammen. Ein Dutzend isolierter Experimente ergibt keine Fähigkeit. Genau das ist der Mechanismus hinter dem Befund von MIT NANDA in The GenAI Divide: State of AI in Business 2025 , dass 95 Prozent der generativen KI-Pilotprojekte in Unternehmen keinen messbaren Ertrag erbracht haben.

Der Maschinenbauer hat das als Plattformproblem behandelt, nicht als Richtlinienproblem. Eine Richtlinie kann den Browser-Tab verbieten. Nur eine Plattform kann etwas Besseres anbieten.

Was sich im Arbeitsalltag geändert hat

Was der Kunde berichtet

Die folgenden Aussagen hat der Kunde für die anonyme Veröffentlichung bestätigt. Sie sind qualitativ: Es wurden keine Vorher-Nachher-Werte freigegeben, deshalb veröffentlicht diese Fallstudie auch keine. Ein qualitatives Ergebnis, das stimmt, ist mehr wert als eine präzise Zahl, hinter der niemand stehen kann.

Wie entsteht eine Enterprise-GenAI-Plattform tatsächlich?

Eine Enterprise-GenAI-Plattform entsteht in der umgekehrten Reihenfolge der meisten KI-Projekte: erst die Grenzen, dann die Plattform, dann das Betriebsmodell — und das Betriebsmodell entscheidet, ob ein Jahr später noch etwas davon läuft. Das Modell selbst ist die uninteressanteste Komponente und bewusst die am leichtesten austauschbare.

Einmal klar gesagt, weil jedes Sicherheitsteam danach fragt: Die Plattform entscheidet über Zugriff, Routing, Protokollierung und Aufbewahrung nach Regeln, nicht durch das Modell. Das Sprachmodell beantwortet Fragen. Es entscheidet nicht, wer fragen darf, welche Datenklasse es sehen darf oder wo eine Antwort gespeichert wird. Diese Entscheidungen bleiben deterministisch in der Plattformschicht — und genau das macht das Ganze prüfbar.

Worauf die Plattform aufbaut

Verwandte Arbeiten auf demselben Feld: KI-Strategie und Beratung, der engineering knowledge assistant for energy manufacturers, und, für die Azure-Seite dieser Art von Aufbau, unser Beitrag zu Azure AI Foundry.

Was wir anders machen würden

Wir würden das Betriebsmodell in Woche eins schreiben, nicht nach der Architektur. Die Verfügbarkeit war nie der schwierige Teil — Container, Pipelines und ein Load Balancer sind gut verstandene Technik. Schwierig war alles, was das Architekturdiagramm nicht zeigt: Wem gehört die Plattform nach dem Go-live, wie bekommt eine Fachabteilung einen Anwendungsfall onboarded, ohne ein Projekt zu eröffnen, wer genehmigt eine neue Datenquelle, wer entscheidet, wann ein Modell ausgetauscht wird. Jede dieser Fragen kam ohnehin — nur später und unter Zeitdruck. Und eine Frage, die spät kommt, beantwortet der, der gerade im Raum ist, statt dass sie entworfen wird. Wir würden außerdem den Self-Service-Onboarding-Weg deutlich früher bauen: Solange ein neuer Anwendungsfall das Plattformteam braucht, ist das Plattformteam der Engpass — und ein Engpass ist von einer Richtlinie, die Nein sagt, nicht zu unterscheiden.

Wann lohnt sich eine zentrale GenAI-Plattform?

Eine zentrale GenAI-Plattform lohnt sich, wenn mehrere Teams dieselbe Fähigkeit wollen und die Daten das Unternehmen nicht unbeaufsichtigt verlassen dürfen. Der Fall ist stark, wenn mehr als eine Handvoll Fachabteilungen nach KI-Unterstützung fragen, wenn dieselbe Integrationsarbeit sonst pro Team wiederholt würde, wenn vertrauliche Konstruktions- oder Geschäftsdaten im Spiel sind und wenn jemand eine Audit-Frage dazu beantworten muss, welche Daten welches Modell erreicht haben. Der Fall ist schwach, wenn ein Team einen Anwendungsfall hat und die Daten nicht sensibel sind — dann ist ein kommerzielles Abonnement die ehrliche Antwort. Die Schwelle ist nicht die Unternehmensgröße, sondern die Zahl unabhängiger Teams, die sonst jeweils dasselbe Problem schlecht lösen würden.