15.12.2025
NACHLESE | FOLGE 2

KI in der Praxis: „Die meisten Probleme kann man tatsächlich ohne Agents lösen“

Nachlese. Die zweite Folge der neuen Staffel der brutkasten-Serie "No Hype KI" ging der Frage nach, was genau es für den erfolgreichen Einsatz von KI in Unternehmen braucht und wo Fallstricke liegen.
/artikel/no-hype-ki-staffel-2-folge-2
Christian Casari, Patrick Ratheiser, Andreas Thomasch und Sarah Eschenbacher
Christian Casari, Patrick Ratheiser, Andreas Thomasch und Sarah Eschenbacher | Foto: brutkasten
Banner für Staffel 2 von No Hype KI

„No Hype KI“ wird unterstützt von ACP, EY, ITSV, KEBA Group, Lenovo, Microsoft, ONTEC AI und der Universität Graz.


In vielen Unternehmen sah der Einstieg in KI oft erstaunlich ähnlich aus: Ein Tool wurde lizenziert, ein POC wurde gebaut, eine Demo funktionierte – und danach begann das eigentliche Problem. Plötzlich standen Fragen im Raum, die vor dem ersten Prompt niemand gestellt hatte: Welche Daten durften überhaupt hinein? Wer trug die Verantwortung, wenn ein System falsch lag? Und was passierte, wenn „Agenten“ nicht nur Antworten formulierten, sondern Handlungen auslösten?

Um diese Fragen drehte sich die Diskussion in der zweiten Folge der brutkasten-Serie „No Hype KI“. Mit dabei waren Andreas Thomasch, CTO von Lenovo für Deutschland und Österreich, Christian Casari von ONTEC AI, Leftshift.One-Co-Founder Patrick Ratheiser und Agentic-AI-Expertin Sarah Eschenbacher.

„Will ich einen Proof of Concept machen, um meinen Vorstand zu beeindrucken?“

Gleich zu Beginn appellierte Andreas Thomasch an Unternehmen, den Blick zuerst nach innen zu richten. „Es ist wichtig, als Unternehmen erstmal ein bisschen Nabelschau zu machen und selber zu gucken, was kann ich denn selber und wie ready bin ich denn für das Thema“, sagte er. Dazu zählte er Skills, Datenstrukturen und die Umgebung, in der KI später laufen sollte.

Thomasch unterschied in der Diskussion zwischen zwei Arten von POCs: „Will ich erst einen Proof of Concept machen, um Skills aufzubauen oder will ich einen Proof of Concept machen, um meinen Vorstand zu beeindrucken?“ Beide Ziele führten in seiner Erfahrung zu völlig unterschiedlichen Projekten und zu sehr verschiedenen Erwartungen.

Patrick Ratheiser rückte den Fokus noch weiter weg von Tools. In vielen Unternehmen sah er den Reflex, sich „mal ein Tool“ zu holen und dann zu schauen, was man damit tun konnte. „Ich würde im ersten Schritt mit Hausverstand rangehen und schauen, was habe ich überhaupt für Anwendungsfälle, was habe ich für Use Cases?“, sagte er. Erst danach lohnt sich für ihn die Tool-Frage.

Technische und organisatorische Fundamente „verheiraten“

Für Sarah Eschenbacher beginnt alles mit der Problemdefinition. „Grundsätzlich brauche ich einfach ein spezifisches Problem, das ich angehen will und lösen will“, sagte sie. Dazu gehörte für sie eine klare Erfolgsmessung: „Ich muss wissen, wie ich den Erfolg dann messen kann, ob das Projekt funktioniert, ob es mir KPIs steigert.“ Ohne Datenlage, die eine Evaluation erlaubte, sah sie keinen sinnvollen Startpunkt.

ONTEC-AI-Experte Christian Casari wiederum denkt in zwei Achsen, wenn er über die Grundlagen sprach. „Man kann prinzipiell unterteilen in technische Fundamente und in organisatorische Fundamente“, sagte er. Auf der technischen Seite sah er Skills, Infrastruktur und Daten, auf der organisatorischen Seite Use Cases, KPIs und eine Organisation, die KI-Projekte tatsächlich trug. „Die beiden muss man verheiraten“, betonte er, sonst entstand in seinen Augen eine typische Schieflage: Man kauft ein Tool, aber niemand weiß, was er damit sinnvoll tun sollte.

„Die meisten Probleme kann man tatsächlich ohne Agents lösen“

Beim Thema Agents herrschte in vielen Management-Teams erkennbar Erwartungsdruck. Sarah Eschenbacher nahm diesem Hype in der Diskussion bewusst Tempo. „Auch wenn ich eine sehr hohe Begeisterung für Agents habe, glaube ich, dass man die meisten Probleme tatsächlich ohne Agents lösen kann, teilweise sogar ohne AI-basierte Automatisierungstechniken“, sagte sie.

Dabei stellt sich auch die Frage, wie sich Agents überhaupt definieren lassen. Eschenbacher lieferte eine nüchterne Definition: „Ganz unromantisch gesagt, ist ein Agent eigentlich Software, die man um ein LLM herumbaut.“ Das Modell erhält Tools, etwa API-Zugänge oder Datenbank-Schnittstellen, plant nächste Schritte, prüft Zwischenergebnisse und korrigiert sie.

Besonders sinnvoll sind Agents für die Expertin dort, wo Daten und Systeme historisch gewachsen und verstreut liegen. Mitarbeiter:innen investieren in einem solchen Szenario viel Zeit, um die richtigen Informationen zu finden. Ein spezialisierter Agent kann Systemlandschaften verbinden und etwa SQL-Abfragen übernehmen – auch wenn im Team dafür die Expertise fehlte.

„Grenzen und Risiken von Agents“

Christian Casari erinnerte daran, dass viele Menschen dieses Prinzip bereits nutzten: „Jeder verwendet ChatGPT. Wenn ich ChatGPT zu aktuellen Themen befrage, recherchiert es im Internet. Das ist eigentlich schon ein Agent“, sagte er. In einem Projekt entwickelte sein Team einen digitalen Assistenten für einen Autovermieter, der Daten aus mehreren Datenbanken kombinierte und so Anfragen beantwortete, die ein reines Dokumenten-System nicht abdecken konnte.

Je mehr Freiheit ein Agent erhält, desto größer schätzt Casari das Risiko ein. Hat ein System viele Optionen, viele Tools, viele Wege – dann hat es auch viele Fehlerquellen. Entwickler:innen müssen damit rechnen und Fallbacks planen. Er verglich die Situation mit einer neuen Mitarbeiterin, von der niemand erwartete, dass sie auf Anhieb alles richtig machte.

Patrick Ratheiser warnte zusätzlich vor falschen Versprechen auf Social Media: „TikTok-Agentic-Boys“, die in kurzen Clips ankündigen, ganze Unternehmen in wenigen Klicks automatisieren zu können. In der Realität sollte man aber zuerst prüfen, ob sich ein Problem nicht ohne KI lösen ließ – durch Prozessänderungen oder einfache Digitalisierung.

Ratheiser berichtete dabei von einem Geschäftsführer, der ein Kommunikationsproblem zwischen Sales und Produktmanagement mit einem Chatbot lösen wollte: „Das ist zwar wunderbar, macht aber wenig Sinn“, sagte Ratheiser. Potenzial für Agents sieht er dort, wo Prozesse klar beschrieben, Daten sauber angebunden und Verantwortlichkeiten geklärt waren – nicht als Ersatz für Kultur- oder Organisationsarbeit.

Prozesse, Daten und Haftung

Genau an dieser Stelle setzte Andreas Thomasch nach. Wenn ein Unternehmen Prozesse nicht beschreiben konnte, wenn unklar blieb, woher Daten kamen und wer wofür verantwortlich war, lieferte ein Agent aus seiner Sicht keinen brauchbaren Output. Vor allem dort, wo bestehende Abläufe automatisiert oder beschleunigt werden sollten, standen zuerst Prozess- und Datenarbeit an.

Parallel dazu sah Thomasch eine zweite Linie. Wenn ein Unternehmen ein neues Produkt oder eine neue Dienstleistung entwickelte und dafür Prozesse und Datenzugänge ohnehin neu aufzog, konnte es KI von Anfang an mitdenken und dabei intern die Voraussetzungen schaffen. Als typisches Feld nannte er HR-Prozesse, die oft gut dokumentiert waren und damit eine solide Basis für KI-Unterstützung boten.

Beim Thema Haftung blieb er nüchtern. Besonders in Bereichen wie HR sah er „human in the loop“ als Standard. Ein Agent konnte Schritte vorbereiten, Daten bündeln und Manager:innen durch Masken führen. Die finale Entscheidung traf aber ein Mensch, vor allem dort, wo es um kritische Entscheidungen ging.

Warum POCs immer noch scheiterten

Trotz besserer Modelle und Tools blieb Patrick Ratheiser eine Zahl in den vergangenen Jahren unverändert. „81 Prozent scheitern mittlerweile wieder mal nach dem POC“, sagte er und ergänzte, dass diese Aussage grob gesagt seit zehn Jahren gültig sei. Eine aktuelle Studie bestätige diesen Wert.

Die Muster ähnelten einander. Unternehmen wählten falsche oder zu komplexe Anwendungsfälle, die Erwartungshaltung schoss nach oben, und Datenqualität blieb Nebensache. „Wir nehmen alle Daten vom Unternehmen, am besten alle Dokumente, jagen die in der GPT rein und dann wird schon alles gut. Das wird nicht funktionieren“, sagte Ratheiser.

Christian Casari steuerte dazu sein Lieblingsbild bei: „Garbage in, garbage out. Ich kann ja das beste Auto haben. Wenn ich glatte Reifen habe und draußen ist glattes Eis, werde ich wahrscheinlich die PS nicht auf die Straße bringen“, sagte er. Ohne Daten, die zum Problem passten, blieb jedes Modell ein teures Experiment.

Mehrwert über mehrere Use Cases

Lenovo-CTO Andreas Thomasch verwies auf die Notwendigkeit einer Struktur. Einen ROI nur über einen einzelnen Use Case zu rechnen, hielt er für schwierig. „Der Aufwand für meinen ersten Use Case ist vermutlich genauso hoch für die nächsten neun folgenden“, sagte er. Deswegen empfahl er, einen Datenbereich als Ganzes „KI-ready“ zu machen und von Beginn an mehrere Use Cases mitzudenken. Wenn einer scheiterte, blieben andere übrig, die den Invest stützten.

Beim Start-Setup setzte Thomasch auf einen klaren Schritt. Er plädierte dafür, eine eigene Umgebung zu schaffen, in der sich KI-Workloads innerhalb der bestehenden Security- und Governance-Prozesse ausprobieren ließen. Eine kleine Sandbox, die IT und Fachbereiche gemeinsam nutzten, half seiner Erfahrung nach, bevor jemand den produktiven Rollout verlangte.

Cloud, On-Prem und Energie

Die Frage, wo KI-Anwendungen laufen sollen, muss laut Thomasch schon zu Beginn eines Projekts geklärt werden. Fachabteilung und IT sollten früh festlegen, ob relevante Daten in der Cloud liegen, on-premise oder in einer hybriden Struktur. Viele Unternehmen landen ohnehin in einem Mischmodell, weil ihre Datenlandschaft bereits verteilt war, wie Thomasch ausführt.

Christian Casari brachte eine Dimension ein, die in Strategierunden häufig zu kurz kam. „Die aktuellen politischen Entwicklungen sollten uns zumindest ein bisschen zum Nachdenken geben“, sagte er. Für ihn zählt vor allem, wie kritisch Daten waren. „Wenn ich meinen Datenschatz, also das, was meine Firma ausmacht, in Daten habe, und das liegt on-premise, ich werde den Teufel tun und das in die Cloud geben und dann noch mit einem Large-Language-Model bearbeiten.“ Weniger kritische Daten sah er dagegen als gute Kandidaten für skalierbare Cloud-Lösungen.

Hybride Szenarien mit lokalen Systemen, Private-Cloud-Ansätzen und Cloud-Komponenten passten für beide gut zu einem weiteren Engpass: Energie. Thomasch erinnerte daran, dass Rechenzentren ihr Energiebudget nicht beliebig erhöhen konnten. Die Frage, welche Modelle auf welcher Infrastruktur liefen, entwickelte sich damit zu einer wirtschaftlichen Notwendigkeit.

Große Modelle, kleine Modelle

Im Alltag beobachtet Patrick Ratheiser einen deutlichen Gegensatz zwischen technischen Möglichkeiten und realem Einsatz. Er berichtete von einem Projekt an der Universität Graz. „Für 30.000 Studenten brauche ich kein GPT-5.1-Modell. Da reicht das Mini vollkommen“, sagte er. Dort ging es um einfache Fragen zu Urlaubstagen oder Abläufen, nicht um literarische Experimente.

Das eigentliche Problem sieht er in der Erwartungshaltung. Viele Mitarbeiterinnen und Mitarbeiter verglichen interne Systeme mit den großen, frei zugänglichen Modellen am Handy. „Das fühlt sich halt einfach nicht an wie ChatGPT“, höre er häufig. Mit solider Aufklärung über Funktionsweise und Trade-offs sieht er aber eine Chance, kleinere Modelle dort zu akzeptieren, wo sie ausreichten – und gleichzeitig Kosten und Energieverbrauch zu senken.

Christian Casari schärfte dieses Bild mit einer Analogie – einem LKW, der zehn Meter fährt, um eine Wurstsemmel zu holen. „Momentan erschlagen wir alles mit diesen großen LLMs“, sagte er. In vielen Fällen reichte aus seiner Sicht – um im Bild zu bleiben – „ein Rad oder vielleicht sogar zu Fuß“. Auch preislich sieht er starke Unterschiede. Zwischen einem großen Modell und der Mini-Variante lag nach seiner Einschätzung eher ein Hundertstel der Kosten als ein kleiner Aufschlag.

Agents-Expterin Sarah Eschenbacher warnte gleichzeitig vor falschen Hoffnungen: „Bessere Modelle machen Agents nicht unbedingt besser“, sagte sie. Für sie liegt das Potenzial eher in Kombinationen. Unternehmen konnten spezialisierte kleine Modelle als Tools nutzen, etwa für besonders kritische Daten, und größere Modelle dort einsetzen, wo sie den größten Mehrwert brachten. Energieeffizienz bleibt für sie ein Schlüsselbegriff.

Wenn Unternehmen loslegen

Insgesamt zeigte die Diskussion, dass es der Erfolg von KI-Projekten in vielerlei Hinsicht an den Organisationen selbst hängt. Christian Casari brachte das auf eine einfache Formel. Für ihn diente gesunder Menschenverstand als Kompass, nicht als Störfaktor. Teams sollten klären, wo sie standen, wohin sie wollten und was sie im Haus hatten – und erst danach über Tools und Modelle entscheiden.

Sarah Eschenbacher lenkte den Blick außerdem auf die Größe der Vorhaben. Sie rät Unternehmen, keine Monster-Use-Cases zu planen, sondern spezialisierte Agents für klar umrissene Aufgaben zu bauen. Kleine, fokussierte Projekte erzeugten in ihrer Sicht mehr Wirkung als ein „Alles-Könner“, der in der Praxis niemandem wirklich half.

Patrick Ratheiser plädierte in der Schlussrunde dafür, sich nicht von der Wunschliste der Chefetage treiben zu lassen, wenn dort sofort der komplexeste Use Case auftauchte. Er bevorzugte kleine, gut geschnittene Anwendungsfälle und verstand AI-Literacy als Pflichtprogramm. Unternehmen sollten ihre Leute fit machen, ihnen Tools geben und Experimente ermöglichen, damit eine lernende Organisation entstand.

Andreas Thomasch wiederum richtete seinen Appell an die IT-Seite. Sie sollte nicht warten, bis der Druck aus den Fachbereichen stieg, sondern sich vorbereiten, eine Umgebung für KI-Workloads aufbauen und eigenes Know-how sammeln. „Die Frage von der Fachabteilung wird kommen“, sagte er. Wer dann bereits eine Antwort hatte – technisch, organisatorisch und mit Blick auf die Daten –, holte KI aus der theoretischen Debatte in die tägliche Arbeit.

Deine ungelesenen Artikel:
21.09.2026

Funktion statt nur Funkeln: Wie Swarovski in Wattens Innovation organisiert

Die Marke kennt jeder, die Fertigung dahinter kaum jemand. In Wattens will Swarovski aus 130 Jahren Glas-, Schleif- und Beschichtungskompetenz neue Geschäftsfelder machen. Head of Technology & Innovation Gerhard Schwarz und Head of Innovation Simon Laubscher erklären bei einem Besuch von brutkasten in Wattens, warum Innovation bei ihnen direkt an der Fertigung sitzt und weshalb ein Stopp kein Scheitern ist.
/artikel/swarovski-reportage-wattens
21.09.2026

Funktion statt nur Funkeln: Wie Swarovski in Wattens Innovation organisiert

Die Marke kennt jeder, die Fertigung dahinter kaum jemand. In Wattens will Swarovski aus 130 Jahren Glas-, Schleif- und Beschichtungskompetenz neue Geschäftsfelder machen. Head of Technology & Innovation Gerhard Schwarz und Head of Innovation Simon Laubscher erklären bei einem Besuch von brutkasten in Wattens, warum Innovation bei ihnen direkt an der Fertigung sitzt und weshalb ein Stopp kein Scheitern ist.
/artikel/swarovski-reportage-wattens
Gerhard Schwarz (l.), Head of Technology & Innovation, und Simon Laubscher, Head of Innovation, am Swarovski-Standort in Wattens. | Foto: Martin Pacher | brutkasten

Hoch an der Wand der Halle hängt ein Satz in verspiegelten Lettern: „Everything you want is on the other side of fear.“ Darunter, auf hellem Holzboden, Werkbänke, eine Fräsmaschine, Vitrinen mit Kristallapplikationen, Bildschirme, Prototypen, eine Sitztreppe mit bunten Polstern. Links, hinter einem Gitter, eine größere Anlage. Von einem Fenster im Gebäude geht der Blick über die Werksdächer auf die Felswände des Karwendels. Wattens, Tirol, ein Freitagmorgen im September.

Der Ort heißt Swarovski Manufaktur. Das Unternehmen beschreibt sie als Kreativ- und Innovationsort am Standort Wattens, der Design, Handwerk, Forschung und Fertigung unter einem Dach vereint. Hier arbeitet der B2B-Entwicklungsbereich von Swarovski: Textil, Mode, Sonderlösungen, Mobility. Es geht um die Applikation von Kristall auf Stoffe, auf T-Shirts, in allen möglichen Formen.

Im selben Raum sitzen Kolleginnen und Kollegen aus der internen Schmuckentwicklung und dem Prototyping. Und hier werden auch Kristalle geschliffen. Neben einer Fräseinheit steht eine selbst entwickelte Einheit. Maschinen, die Kristall schleifen und polieren, gibt es auf keinem Markt zu kaufen. Swarovski war nach eigener Darstellung lange einer der größten Maschinenbauer und ist heute Maschinenentwickler. Bestimmte Komponenten dieser Maschinen gelten im Haus als das, was die Einzigartigkeit des Unternehmens in den vergangenen 130 Jahren ausgemacht hat. Deshalb wird dieses Know-how geschützt, Fotografieren ist nur in bestimmten Bereichen erlaubt.

Wie das Produkt entsteht, lässt sich an ein paar Objekten nachvollziehen. Ein Glasrohling, mit Anguss und Körper, so wie er aus der Form kommt. Am Anfang steht das Wissen um die Ingredienzien und ihre Zusammensetzung, dann die Schmelze und das Umformen. Durch erneutes Erhitzen lässt sich aus einer Farbe eine andere machen. Dann wird der Rohling auf Werkzeugaufspannungen geschliffen und poliert, bis er funkelt. Kleiner als ein Millimeter ist das kleinste Format, 40 Zentimeter das größte. Zuletzt die Frage, ob die Oberfläche noch einen Effekt braucht: hinten verspiegelt, oder komplett beschichtet, dann sieht derselbe Kristall völlig anders aus. Höchste Transparenz, präzise Bearbeitung, optische Veredelung: Verfahren, die es im Grundprinzip auch in der Hochtechnologie gibt, hier eingesetzt für den Effekt. Und inzwischen auch für eine Funktion.

(c) Martin Pacher / brutkasten

Was das bedeutet, erklären an diesem Vormittag zwei Männer. Gerhard Schwarz, gelernter Physiker, ist Head of Technology & Innovation bei Swarovski. Sein Bereich umfasst Produkttechnologie, also die Technologie für die Produkte selbst, vom Schmuck bis zu den neuen Zweigen wie Automotive und Mobility, und Produktionstechnologie, also das, was diese Produkte in die Fertigung bringt, als Eigenentwicklung oder gemeinsam mit Partnern. Simon Laubscher, zuvor in der Automobil- und Elektronikindustrie tätig, ist seit einem Jahr Head of Innovation, unter Schwarz‘ Verantwortung, mit Schwerpunkt B2B. Seine Aufgabe: aus dem, was das Fertigungsumfeld an Fähigkeiten hervorbringt, neue Felder identifizieren und aufbauen.

Wo das endet, sagt Schwarz gleich zu Beginn: „Wir identifizieren Geschäftspotenziale, erarbeiten daraus Businesskonzepte und validieren diese mit Kunden am Markt. Auf dieser Basis prüfen wir, ob ein marktfähiges Produkt oder ein Service entstehen kann. Die Entscheidung, ob und wie diese Geschäftsfälle anschließend umgesetzt werden, liegt schlussendlich beim Top-Management.“ Es ist eine Grenze, die man kennen muss, um zu verstehen, worüber die beiden sprechen und worüber nicht.

Schön und Funktion

Swarovski kennt man als Marke, vom Schmuck, von den Figurinen, vom Endkunden. Das ist das B2C-Geschäft. Das B2B-Geschäft, so Schwarz, geht an Kunden, die die Artikel weiterverarbeiten: in Schmuck, in Textil, aber auch in der Automobilindustrie. Und genau dort beginnt, was die Innovationsabteilung interessiert. „Man kennt Kristall mit seiner funkelnden Wirkung. Da gehen wir einen Schritt weiter, da haben wir funktionale Wirkung. Ich tippe auf einen Kristall, und das ist dann ein Schalter.“ Kristallglas an sich kann das nicht. Mit einer optischen Schicht kann es das. Lichtleitung sei eine zweite solche Funktion, „neben schön“.

„Innovation ist ein sehr standardisierter Prozess. Er ist sehr klar, sehr strukturiert und folgt gewissen Regeln.“ | Simon Laubscher

Die Kombination aus dekorativ und funktional sei im Automotive-Bereich ein Erfolgsmodell geworden, sagt Laubscher. Jetzt gehe es darum, in welche anderen Segmente sich das übertragen lässt. Man sei in der Validierung, teste an verschiedenen Kundensegmenten, was einen Mehrwert bringen kann. Der Schwerpunkt liege derzeit auf der Hightech-Branche, weil man dort den Vorteil aus Material, Fertigungs- und Technologiekompetenz sieht.

Warum Innovation in der Forschung sitzt

Bei vielen Konzernen sitzt die Innovationsabteilung losgelöst vom Rest, manchmal an einem anderen Ort. Bei Swarovski nicht. Innovation ist Teil der Forschung, und der Grund dafür ist die enge Verzahnung mit der Technologie. Forschung und Entwicklung auf der einen Seite, Technologie und Innovation (T&I) auf der anderen: Bei Swarovski ist das eines. Die Organisation ist projektorientiert, das Innovationsportfolio fließt mit dem Gesamtportfolio zusammen, Personal wird über die Portfolioplanung den Projekten zugeordnet.

Simon Laubscher | (c) Martin Pacher / brutkasten

Für Laubscher war das ein Grund, nach Wattens zu kommen. 15 Jahre hat er sich in anderen Unternehmen mit Innovation beschäftigt und hat, wie er sagt, einen Überblick darüber, was funktioniert und was nicht. „Ein schlagendes Argument für mich bei Swarovski war: Man sitzt sehr nah an dieser Kompetenz.“ Im Englischen nennt er das Capability-led Approach. Die Fähigkeit bestimmt, wo innoviert wird.

Und diese Fähigkeit hat einen Ort. „Wir sitzen sehr tief in der Wertschöpfungskette“, sagt Laubscher. „Wir schmelzen unser eigenes Glas, wir prozessieren es, wir schleifen, wir polieren, wir veredeln es mit Beschichtungen und haben dann eine fertige Komponente.“ Alles an einem Standort, aus einem Guss, bis hin zu den selbst entwickelten Maschinen, die in der Halle stehen. Technologieentwicklung und Maschinenentwicklung, sagt Schwarz im Gespräch, mache man zum Teil selbst, zum Teil mit Partnern.

Pull, Push und ein Trichter

Wie kommt eine Idee bei Swarovski ins Portfolio? Es gibt zwei Wege. Laubscher beschreibt den ersten, Schwarz wird ihn später Pull nennen: explorativ Zukunftstrends und Technologien anschauen, dann relativ schnell prüfen, ob es einen Fit zur eigenen Fähigkeit gibt. „Haben wir ein Recht mitzuspielen, also das berühmte Right to Play.“ Danach der Technologie-Check, dann der Markt-Check: Gibt es potenzielle Kunden, und sind sie bereit, für den Mehrwert zu zahlen? „Dann ist das für uns schon eine gute Indikation.“

Der zweite Weg, Push, kommt von innen. „Jeder liest, jeder sieht Trends“, sagt Schwarz. Die Technologieexperten im Haus melden, was etwas sein könnte, und das landet im Technologieradar. Keine Ideendatenbank über alle, betont er, sondern Experten, wobei Ideen einzelner Mitarbeiter ebenfalls willkommen seien. Ergänzt wird das inzwischen von KI-Agenten, die das Netz nach Trends absuchen. Ein Spezialist bestätigt, dann kommt es aufs Radar. Und dann gibt es noch den ganz rudimentären Weg, wie Schwarz sagt: „Man trifft sich und spricht.“

KI spielt auch in der Fertigung eine Rolle, aber Schwarz bleibt nüchtern. „Im Prozessbereich ist es früher Regelungstechnik gewesen.“ Jetzt verarbeite man mehr Daten, halte Temperatur und Mechanik genauer, werde schneller. Und in der Maschinensoftware, die Swarovski teils selbst, teils mit Partnern entwickelt, gehe es mit KI-Einsatz ebenfalls schneller. Laubscher ergänzt aus Innovationssicht: Die Recherche werde deutlich kürzer, aber „am Ende des Tages kriege ich eine Liste von Annahmen. Die Annahmen muss ich testen.“ Am Kunden. „Die künstliche Intelligenz bringt Geschwindigkeit. Das Tun und das Machen liegt im Menschen.“ Man arbeite in einem festgelegten, geschützten Cloud-Rahmen, den die Digital-Abteilung vorgibt.

Gerhard Schwarz | (c) Martin Pacher / brutkasten

Was über beide Wege ins Portfolio kommt, muss durch einen Trichter. Stages und Gates, an denen gefragt wird, wo das Projekt steht und wie es sich am Ende materialisiert. Im Kerngeschäft oder außerhalb? Das entscheidet sich fallweise in Portfolio-Meetings mit dem Topmanagement. „Wichtig ist Disziplin, diese Stages, und Transparenz“, sagt Schwarz. Jedes Projekt ist gelistet, offen einsehbar, auch für die Nachbarabteilungen. Controlling, Produktentwicklung und Produktmanagement sitzen im Portfolio-Steering-Team.

Laubscher wehrt sich gegen ein Missverständnis: „Innovation wurde gerade im Hype 2013, 2014 immer verwechselt mit kreativen Prozessen. Innovation ist ein sehr standardisierter Prozess. Er ist sehr klar, sehr strukturiert und folgt gewissen Regeln.“ Eines seiner Key Learnings nach einem Jahr: die Kollegen aus der Linie früh einbinden, umso früher, je näher ein Thema am Kerngeschäft liegt. Damit das, was als Potenzial identifiziert wurde, am Ende auch übergeht und man nicht genau dort stoppt, wo man schnell sein will.

Ein Stopp ist kein Scheitern

Der Satz, der an diesem Vormittag am häufigsten fällt, lautet: Innovation ist kein Selbstzweck. „Innovation muss am Ende auch rentabel sein, damit wir langfristig erfolgreich sind“, sagt Laubscher. Das heißt auch: „Nicht alles geht weiter. Wir müssen ganz klare Stopps setzen.“ Gestoppt wird, wenn eines von drei Themen nicht abgedeckt werden kann: Technologie, Markt, Kunde und dessen Bedarf. „Da müssen wir ganz klar und ehrlich zu uns sein.“ Ob man darin noch besser werden könne? „Sicherlich, das kann jede Organisation.“

Aber: „Ein Stopp ist kein Scheitern.“ Prozesswissen bleibe hängen, was für einen Kunden nicht funktioniere, könne für einen anderen laufen. Der größte Erfolgsfaktor sei, so schnell wie möglich am Kunden zu sein. „Nicht in unserer Bubble zu bleiben. Wir wollen nach außen hin eine Klarheit haben, auch wenn das manchmal wehtut, das ehrliche Feedback.“

Niemand kann alles

Beim Thema Partnerschaften wird Laubscher grundsätzlich. „Der Punkt ist: Niemand kann alles.“ Der Aufbau eines Innovationsökosystems sei Teil der strategischen Initiative aus der Innovation heraus: Vernetzung mit Industriepartnern, Startups, Universitäten. Wie, das entscheide sich von Fall zu Fall. Universitäten für Ideen und Forschungsthemen, Startups für Technologieerweiterungen. Schwarz sieht darin auch eine Frage der Einschätzung: Weil Swarovski Technologie so breit einsetze, könne man die Technologien von Startups gut beurteilen. „Man muss einschätzen können: Was ist der gemeinsame Nutzen?“

„Innovation muss am Ende auch rentabel sein, damit wir langfristig erfolgreich sind.“ | Simon Laubscher

Beteiligungen? „Grundsätzlich sind wir für alles offen“, sagt Laubscher, es lasse sich aber nicht pauschal beantworten. Wer welche Fähigkeit oder welche IP einbringe, bestimme das Modell. Wichtig sei der Bezug zur eigenen Technologie. „Nicht in einem Bereich schwimmen, der uns fremd ist, nur weil es ein Trendthema ist.“ Schwarz formuliert es so: „Für mich legt der Inhalt immer das Beteiligungsmodell fest.“ Auch IP wird von Fall zu Fall geregelt: ablösen über Bezahlung, beim Partner belassen oder lizenzieren. Die Rechtsabteilung, sagt Schwarz, denke da sehr innovativ mit.

Was Swarovski in eine solche Partnerschaft einbringt, ist für Laubscher klar: „Wir sind Industrialisierungsexperten. Wir haben industrialisierte Prozesse, wir haben das Know-how, und wir können skalieren.“ Das habe man 130 Jahre lang bewiesen, so habe die Geschichte des Unternehmens begonnen. Schwarz: „Die Firmengründung war eine technische Innovation.“

(c) Martin Pacher | brutkasten

Nach außen ist man aktiv, auf Veranstaltungen, bei denen Startups pitchen, und an Universitäten im DACH-Raum. Und an der EPFL in Lausanne. „Die EPFL ist für mich sehr innovativ, weil diese Loslösung von der Universität dort besser stattfindet als woanders“, sagt Schwarz. Entrepreneurship sei dort ein großer Schwerpunkt, ergänzt Laubscher, man bekomme früh Transparenz, was an der Universität läuft. Und Innsbruck, wo Quantentechnologie ein Schwerpunkt ist? „Muss man sich anschauen“, sagt Schwarz. Mit der Universität und dem MCI gibt es Zusammenarbeit, Master- und Diplomarbeiten, die in Lösungen eingeflossen sind.

Und wenn ein Gründer diesen Text liest und eine Lösung hat? Schwarz nennt eine Mailadresse ([email protected]), Laubscher ergänzt: „Gerne direkt schreiben.“ Schwarz: „Oder LinkedIn.“ Es seien die Menschen, die entscheiden, sagt er. Man müsse nicht formalisieren, was sich einfach lösen lässt.

Aus Bruch wird Produkt

Ein Beispiel, bei dem Fähigkeit und Geschäftsmodell bereits zusammengefunden haben, sind die ReCreated Kristalle. Wenn die Glasschmelze anläuft, hat das Glas nicht sofort die nötige Qualität. Es entsteht Anlaufglas, Bruch, der eingeschmolzen werden müsste. Bis jemand die Idee hatte, damit anders umzugehen. „Eigentlich könnte ich das upcyceln, wieder ein Produkt draus machen und in die Farbglasproduktion reingehen“, sagt Schwarz. Heute ist das eine eigene Produktlinie für B2B und B2C. „Kommt beim Kunden sehr gut an.“

Für Laubscher schließt sich hier der Kreis. Chemische Verfahrenstechnik sei das Know-how des Hauses, also frage man, aus welchem Materialstrom ein Wertstrom werden kann, und diskutiere früh über Geschäftsmodelle. Meist mit Partnern, weil erst dann Synergie entstehe. „Es darf nicht zum Selbstzweck passieren“, sagt er auch hier. „Aber wenn aus der Nachhaltigkeit ein Geschäftsmodell entsteht, ist das für uns ein Punkt, auf den wir aufspielen wollen.“

Am Ende des Gesprächs sagt Laubscher, worum es ihm geht: „Wir sind ein Unternehmen mit einem sehr einzigartigen Produkt. Für uns ist es wichtig, als Innovation relevant zu bleiben und diese Einzigartigkeit immer wieder neu zu finden, in neuen Themen.“ Innovation werde hier nicht aus Spaß betrieben, sondern mit Seriosität. Und, sagt er nach einem Jahr in Wattens: „Es macht viel Spaß.“

Toll dass du so interessiert bist!
Hinterlasse uns bitte ein Feedback über den Button am linken Bildschirmrand.
Und klicke hier um die ganze Welt von der brutkasten zu entdecken.

brutkasten Newsletter

Aktuelle Nachrichten zu Startups, den neuesten Innovationen und politischen Entscheidungen zur Digitalisierung direkt in dein Postfach. Wähle aus unserer breiten Palette an Newslettern den passenden für dich.

Montag, Mittwoch und Freitag

AI Summaries

KI in der Praxis: „Die meisten Probleme kann man tatsächlich ohne Agents lösen“

AI Kontextualisierung

Welche gesellschaftspolitischen Auswirkungen hat der Inhalt dieses Artikels?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

KI in der Praxis: „Die meisten Probleme kann man tatsächlich ohne Agents lösen“

AI Kontextualisierung

Welche wirtschaftlichen Auswirkungen hat der Inhalt dieses Artikels?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

KI in der Praxis: „Die meisten Probleme kann man tatsächlich ohne Agents lösen“

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Innovationsmanager:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

KI in der Praxis: „Die meisten Probleme kann man tatsächlich ohne Agents lösen“

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Investor:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

KI in der Praxis: „Die meisten Probleme kann man tatsächlich ohne Agents lösen“

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Politiker:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

KI in der Praxis: „Die meisten Probleme kann man tatsächlich ohne Agents lösen“

AI Kontextualisierung

Was könnte das Bigger Picture von den Inhalten dieses Artikels sein?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

KI in der Praxis: „Die meisten Probleme kann man tatsächlich ohne Agents lösen“

AI Kontextualisierung

Wer sind die relevantesten Personen in diesem Artikel?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

KI in der Praxis: „Die meisten Probleme kann man tatsächlich ohne Agents lösen“

AI Kontextualisierung

Wer sind die relevantesten Organisationen in diesem Artikel?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

KI in der Praxis: „Die meisten Probleme kann man tatsächlich ohne Agents lösen“