Ausgangssituation

Das Unternehmen msg life ist nach eigenen Angaben marktführender Anbieter von Software-Lösungen für Lebensversicherungen im deutschsprachigen Raum. KI-Algorithmen werden u. a. genutzt, um Effizienzpotenziale beim Management großer Datenmengen auszuschöpfen. Bei msg life hat sich ein Team von Software-Entwickler*innen und Aktuaren (Versicherungsmathematiker*innen) in die KI-Thematik eingearbeitet. Erste prototypische Anwendungen wurden auf Projektbasis realisiert. KI hat sich hierbei als praktikable Technologie erwiesen. Unternehmenskund*innen verfolgen die technologischen Innovationen von msg life mit hoher Aufmerksamkeit. Nach Abschluss der Pionierphase gilt es nun, die KI-bezogenen Projektaktivitäten in der betrieblichen Organisation und in den Geschäftsprozessen zu verankern. Zudem gilt es Entscheidungskriterien zu entwickeln, um einschlägige Investitionsentscheidungen des Top-Managements abzusichern. Zur Verstetigung des Innovationsprozesses sind fachliche Kompetenzen zu bündeln und Ressourcen bereitzustellen.

 

Lösungsansatz

In drei Workshops wurden Wege erörtert, wie KI-Projektaktivitäten in die betriebliche Orga­nisation zu integrieren sind. Innovation und Technik sind bei msg life in der Praxis von Kund*innen oder der Regulatorik getrieben, und die zugehörigen Prozesse seit langem etabliert. KI-Breakthrough-Innovationen machen neue Ansätze und Prozesse notwendig, die in den Gesamtkontext zu integrieren sind. Im Mittelpunkt stand das Fuzzy-Frontend des Innovationsprozesses, bei dem Freiräume für kreative Prozesse in Verbindung mit externen Wissensquellen entscheidend sind und die daraus resultierenden Ansätze ökonomisch bewertet werden müssen.

Managemententscheidungen zu KI-Projekten bedürfen hierbei einer möglichst validen Nutzen-Risiko-Abschätzung. Ein modifizierter Business Model Canvas (BMC) schuf einen methodischen Zugang, um die Schlüsselfaktoren des Geschäftsmodells zu beschreiben. Im Diskussions- und Reflektionsprozess kristallisierte sich ein Spannungsfeld zweier Strömungen heraus: Innovative KI-Anwendungen werden üblicherweise bottom-up, d. h. aus der Fach­ebene konzipiert. Die betriebswirtschaftliche Absicherung eines solchen Vorhaben erfolgt hingegen top-down durch eine Investitionsentscheidung des Top-Managements. Beide Strömungen gilt es zu integrieren. Mangels geeigneter Kennzahlen fällt eine Beurteilung des Kosten-Nutzen-Verhältnisses bei komplexen KI-Anwendungen schwer. Als ein pragmatischer Lösungsansatz wurden „stage gates” definiert, deren erfolgreiche Erfüllung eine Fortführung einschlägiger Projektaktivitäten legitimierte. Ferner wurden Ausstiegspunkte für KI-Projekt­aktivitäten für den Misslingensfall beschrieben, um die Handlungssicherheit des Manage­ments zu erhöhen. Die Diskussion der BMC-Faktoren legte die agile Entwicklungsdynamik in KI-Projekten offen, was eine bürokratische Projektplanung weithin ausschließt. Um betriebs­wirtschaftliche Entscheidungen abzusichern, erlangen menschliche Eigenschaften an Bedeut­ung (i. S. Frühindikatoren): Hierzu gehören die Identifikation der Mitarbeitenden mit dem Projekt (was u. a. in einer geringen Fluktuationsquote zum Ausdruck kommt), das Empfinden von Sinnhaftigkeit und Selbstwirksamkeit, um zu „etwas Großem” beizutragen, sowie ein hierarchieübergreifendes Vertrauensverhältnis aller Projektbeteiligten. Ferner wirken quali­fizierte Rückmeldungen von Unternehmenskunden zu prototypischen Entwicklungsergeb­nissen erfolgsfördernd. Die einschlägigen Projekterfahrungen des Projektteams schaffen zukünftig eine Grundlage, um einschlägige Aktivitäten qualifiziert zu beurteilen.

 

Beteiligte Interessensgruppen

• Software-Entwickler*innen
• Technisches Management
• Aktuare (Versicherungsmathematiker*innen)
• Personalwesen

 

Technologie

Technologie stand nicht im Mittelpunkt des Projekts.

 

Herausforderungen

Die herausfordernde Aufgabe im Projekt betrifft die Integration komplementärer Strömung­en, um mitarbeiterbezogene Fähigkeiten (aus bottom-up-Ansatz) mit finanziellen Ressourcen (aus top-down-Ansatz) zusammenzuführen. Angesichts der hohen Dynamik des Software-Entwicklungsprozesses und der Adaptivität der entwickelten KI-Algorithmen lassen sich betriebswirtschaftliche Erfolgskennzahlen immer weniger auf das Arbeitsergebnis beziehen (d. h. Ausgangsgröße); vielmehr stützen sie sich (insbesondere in frühen Projektphasen) verstärkt auch auf Eingangs- und Prozessgrößen des Geschäftsmodells.

 

Ergebnis

Als eine erfolgskritische Prozessgröße des Geschäftsmodells erweist sich die Kohärenz (d. h. Einklang) der menschlichen Zusammenarbeit, wobei abweichende Perspektiven, individuelle Fähigkeiten und divergierende Interessen zu einem gemeinsamen, stimmigen Arbeitsergeb­nis zusammenzuführen sind. Ein solcher Koordinationsprozess setzt ein gemeinsames Verständnis der Aufgabe sowie eine gemeinsame Sprache voraus. Ferner erweist sich eine intrinsische Motivation aller Projektbeteiligten als unabdingbar. Klassische organisatorische Mittel (wie Stellenbeschreibungen oder detaillierte Budgetpläne) werden der hohen Ent­wicklungsdynamik hingegen immer weniger gerecht; sie dienen vielmehr als Ausstiegs­kriterien, die bei Nicht-Erfüllung zu erwägen sind.

 

Learnings

KI-Projekte betreffen nicht nur technologische Fragestellungen. Aufgrund der Dynamik, Komplexität und strukturellen Widersprüchlichkeit des Gestaltungsgegenstandes erlangen menschliche Leistungsvoraussetzungen und organisatorische Rahmenbedingungen eine erfolgskritische Relevanz. Quantitative Erfolgskennzahlen treten neben qualitative Frühindikatoren des Geschäftsmodells und erweitern das Betrachtungsspektrum. Technologischer Fortschritt geht letztlich unabdingbar mit menschlicher Entwicklung einher. Die Arbeitsgestaltung verbindet beide erfolgskritischen Dimensionen im Spannungsfeld von Rationalität und Humanität.