Embedded Operators: So kaufen Sie KI-Umsetzung ein, die tatsächlich live geht

Embedded Operators: So kaufen Sie KI-Umsetzung ein, die tatsächlich live geht

Die größten KI-Plattformen sind alle beim selben Umsetzungsmodell angekommen: Engineers gehören in das Kundenunternehmen hinein, nicht davor. AWS gibt dafür eine Milliarde Dollar aus. Für ein Unternehmen, das nicht AWS ist, lautet die Frage enger und praktischer: Wie kaufen Sie denselben Effekt im Maßstab des Mittelstands ein, und wie unterscheiden Sie ein echtes Operator-Projekt von Beratung mit neuem Etikett?

Was ein Embedded Operator tatsächlich ist

Der Branchenbegriff lautet Forward Deployed Engineer. Ohne das Marketing beschreibt er jemanden, der Produktivcode in Ihrer Umgebung schreibt, das System an Ihre realen Daten und Workflows anbindet und so lange verantwortlich bleibt, bis es ein messbares betriebswirtschaftliches Ergebnis liefert. Das Unterscheidungsmerkmal ist weder Seniorität noch Skillset. Es ist die Frage, wo die Verantwortung endet.

Die Verantwortung eines Beraters endet bei der Empfehlung. Die eines Anbieters endet, wenn das Produkt spezifikationsgemäß funktioniert. Die eines Operators endet, wenn Ihr Workflow läuft und Ihr Team ihn ohne ihn betreiben kann. Das sind drei verschiedene Verträge, und den ersten zu kaufen, aber den dritten zu erwarten, ist der häufigste Grund, warum solche Projekte enttäuschen.

Warum dieses Modell gerade jetzt entstanden ist

Zwei Dinge haben sich gleichzeitig verändert. Die Modelle wurden gut genug, dass ihre Leistungsfähigkeit nicht mehr der Engpass war, und die verbleibende Arbeit verlagerte sich an Stellen, die eine Demo nicht erreicht: Ihre Datenqualität, Ihre Ausnahmepfade, Ihre Freigabeketten, die drei Systeme ohne API. Diese Arbeit ist spezifisch für Ihr Unternehmen und lässt sich nicht in ein Produkt gießen. Genau deshalb haben die Plattformen sie mit Menschen besetzt.

Ehrlich gelesen ist das ein Eingeständnis darüber, wo die eigentliche Schwierigkeit liegt. Wenn Unternehmen, deren gesamtes Geschäft das Modell ist, eine Milliarde Dollar ausgeben, um Engineers in die Büros ihrer Kunden zu setzen, dann ist nicht das Modell der Engpass. Welche Folgen das für interne Programme hat, haben wir in warum Innovationsprogramme ohne Operators ins Stocken geraten beschrieben.

So kaufen Sie es ein, ohne eine Milliarde auszugeben

Mittelständische Unternehmen können keine dauerhafte FDE-Einheit aufbauen und brauchen auch keine. Was sie brauchen, ist das Modell, angewendet auf eine kleine Zahl von Workflows, mit einer echten Übergabe am Ende. Fünf Dinge entscheiden darüber, ob Sie genau das bekommen oder eine teure Discovery-Phase.

Wann Sie das nicht kaufen sollten

Eingebettete Umsetzung ist in mindestens drei Situationen der falsche Kauf, und es lohnt sich, das offen zu sagen.

Wenn der Prozess, den Sie automatisieren wollen, noch nicht stabil ist, gießen Sie das Chaos nur schneller in Software. Bringen Sie zuerst den Prozess in Ordnung. Das ist meist günstiger und macht die Automatisierung gelegentlich ganz überflüssig. Wenn die Daten für den Workflow nicht existieren oder nicht vertrauenswürdig sind, wird der erste Monat zu einem Datenprojekt, also planen Sie ihn auch als solches. Und wenn Sie eigentlich ein Standardwerkzeug brauchen, das Tausende Unternehmen auf identische Weise nutzen, kaufen Sie das Werkzeug. Operator-Projekte verdienen ihre Kosten mit Arbeit, die spezifisch für Sie ist, nicht mit Arbeit, die ein Abonnement bereits erledigt.

Zur übergeordneten Frage, wie das Umsetzungsmodell in Ihre interne Struktur passt, zeigt unser Leitfaden zum Design eines KI-Operating-Models, wo die Verantwortung liegen sollte, sobald die ersten Workflows laufen.

Zwei Praxisbeispiele zeigen, wie das Modell bei Problemen aussieht, die auf den ersten Blick gar keine Softwareprobleme sind: die Meinungsverschiedenheit sichtbar zu machen, die ein Führungsmeeting verdeckt, und das Akzeptanzrisiko in der Bevölkerung, an dem Infrastrukturprojekte scheitern, lange bevor die Technik es tut, zu bewerten. In beiden Fällen bestand die eigentliche Arbeit darin, zu entscheiden, wo ein Modell hingehört, und vor allem, wo nicht.

Quellen & Referenzen