KI-Masterclass

Vorwort von Ralf Kleber
Vorwort des Herausgebers  
Was Entscheider über dieses Buch sagen
Die Autorinnen und Autoren

Teil I: Kontext und Dringlichkeit

1 Der Kostenschock: Warum abwarten bei KI keine Option ist
1.1 KI als Kostenschock, nicht als Feature: Der fundamentale  Preisverfall  
1.2 Warum es bei KI anders ist als bei bisherigen Technologiezyklen
1.3 Rezession als Stresstest, nicht als Ursache 
1.4 Zwei Geschwindigkeiten: Warum Märkte schneller sind als Organisationen 
1.5 Pfadabhängigkeit: Technologieentscheidungen sind theoretisch reversibel, praktisch nicht
1.6 Arbeit, Rollen – und das ungelöste Nachwuchsproblem
1.7 Warum frühes Handeln trotz Unreife Pflicht ist 
1.8 Der Weg nach vorn  
Literaturverzeichnis 

2 Wo wir in Sachen KI wirklich stehen und warum Führung jetzt entscheidend ist
2.1 Sichtbar, aber wirkungslos
2.2 Selbstberuhigung und Realitätstest
2.3 Unvollendete Transformationen
2.4 Der operative »Grind« als eigentlicher Engpass
2.5 Führung als Systemarchitektur  
2.6 Skepsis und Verantwortung

3 Das neue Weltbild: Führung im KI-Zeitalter
3.1 Wo kommen wir her und wo wollen wir hin?  
3.2 Erfolgsfaktoren einer erfolgreichen Transformation und warum KI die Lage verschärft
3.3 Schlusswort: Die Renaissance der Autonomie in den  Unternehmen mithilfe von KI
Literaturverzeichnis 

Teil II: Technologie als  Entscheidungsgrundlage 

1 Von regelbasiert zu agentenbasiert: Wie KI vom Expertensystem zur autonomen Intelligenz wurde
1.1 Ein Wendepunkt: Warum sich KI seit 2025 anders anfühlt als zuvor 
1.2 Was ist KI und wie sind wir bis hierhin gekommen? 
1.3 ChatGPT und Agentic AI – wo stehen wir heute und was ist  diesmal anders?
1.4 Die Auswirkungen von KI – heute und morgen  
Literaturverzeichnis

2 Generativ + analytisch: Die Zukunft  leistungsfähiger KI in Unternehmen
2.1 Analytische KI und ihre Einordnung im historischen Kontext
2.2 Überblick über analytische KI-Methoden
2.3 Die Zukunft der analytischen KI 
2.4 Synergien im hybriden System: Rolle der analytischen KI
2.5 Zusammenfassung und Fazit
Literaturverzeichnis

3 Start with Evals – oder skaliere Komplexität  
3.1 Wer keine Architektur baut, skaliert Komplexität
3.2 Mit Evals zu Business Outcomes
3.3 Warum durch frühe Iteration mit Evals echter  Wettbewerbsvorteil entsteht

Teil III: Führen unter KI-Bedingungen

1 KI skaliert nicht über Use Cases, sondern über Operating Models
1.1 Operating Models: Von der Struktur zur Entscheidungslogik
1.2 Der blinde Fleck: Autonomie wird nicht entschieden
1.3 Autonomie ist kein Glaubenssatz
1.4 Die eigentliche Fehlentscheidung: Autonomie nicht zu  entscheiden
1.5 Vom Pilot zum Betrieb: Wo KI-Initiativen sterben 
1.6 KI als Verstärker bestehender Muster
1.7 Führung unter KI-Bedingungen
Literaturverzeichnis 

2 Beyond Build-or-Buy: Warum Agent-Readiness zum entscheidenden Faktor wird 
2.1 Wie Build-or-Buy lange funktioniert hat
2.2 Build-or-Buy als Entscheidungsrahmen – nicht als Antwort 
2.3 Warum Build-or-Buy selten eine reine Sachentscheidung ist
2.4 Warum dieses Modell unter KI-Bedingungen nicht mehr  ausreicht
2.5 »Build« neu definiert durch Vibe Coding  
2.6 Produktivität vs. technische Schulden – billiger ist nicht besser
2.7 Die Generative KI-Disruption: Von Software zu Orchestrierung 
2.8 Das achte Kriterium: Agent-Readiness
2.9 Orchestrieren statt Beschaffen: Partner, Teams und Steuerung
2.10 Executive-Steuerungscheck: Fünf Fragen, fünf Warnsignale
2.11 Verträge in der Agent-Ära: Wo Steuerung entschieden wird
2.12 Leadership-Implikationen: Orchestrierung ist Führungsarbeit
2.13 Realismus statt Heilsversprechen
2.14 Ausblick: Das 7 + 1-Framework für die Agent-Ära
Literaturverzeichnis

3 Datenarchitektur als Führungsentscheidung
3.1 Von der Entscheidungsvorbereitung zur  Entscheidungsautomatisierung 
3.2 KI eliminiert den menschlichen Filter
3.3 Die bekannten Symptome
3.4 Warum Datensilos entstehen
3.5 Warum KI diesen Engpass brutal sichtbar macht
3.6 Don’t kill your DWH – aber hör auf, es mit Steuerung zu  verwechseln
3.7 Datenarchitektur: DWH, Lake, Lakehouse als Antworten auf  Entscheidungsanforderungen
3.8 Ownership ist keine Option – sie existiert immer
3.9 Von Autonomie zu Orchestrierung – Data Mesh richtig  eingeordnet 
3.10 Data Pipelines als praktischer Einstieg 
3.11 Governance als Explizitmachen impliziter Regeln
3.12 Daten als Entscheidungsinfrastruktur der Organisation
Literaturverzeichnis

4 Transformational Leadership in Zeiten  Künstlicher Intelligenz
4.1 Zwischen Hype und Realität: Organisatorische Barrieren der KI-Transformation
4.2 KI-Transformation als ganzheitlicher Prozess
4.3 Transformational Leadership  
4.4 Zusammenfassung
Literaturhinweise  

5 Hoffnung ist keine Strategie im Zeitalter  künstlicher Intelligenz – wie KI strategische Arbeit revolutioniert 
5.1 Unser Weg – vom Prozess zur Plattform
5.2 Strategie ist kein Projekt – sie ist ein fortlaufender  Entscheidungsprozess
5.3 Strategie als System – eine Konsequenz, keine Vision
5.4 Warum KI strategische Arbeit nicht ersetzt
5.5 Was bleibt Führungsentscheidung? Strategic Decision Intelligence als Reflexionsraum
5.6 Implikationen für Strategieabteilungen, Beratung und Führung
5.7 Failure Modes und Fehlannahmen 
5.8 Strategische Intelligenz braucht eine klare Architektur
Anhang

6 KI-Compliance als Erfolgsfaktor: Vom Risiko zum Wettbewerbsvorteil
6.1 Einleitung – Warum KI-Compliance Chefsache ist 
6.2 Von der Pflicht zum (Wettbewerbs-)Vorteil 
6.3 Das regulatorische Fundament – Was Entscheider wissen müssen
6.4 Vom Risiko zur Kontrolle – Effizientes KI- Compliance-Management 
6.5 Ausblick – Das nächste Kapitel verantwortungsvoller KI 
Literaturverzeichnis 

Teil IV: KI im Einsatz

1 Vom AI Use Case zur Industrialisierung
1.1 Der AI-PoC-Friedhof 
1.2 Die strategische Einordnung: Drei Dimensionen vor dem Projektstart
1.3 Der AI-Produktlebenszyklus: Vom Funnel zur Wirkung
1.4 Die 6 kritischen Entscheidungen
1.5 Integration in die Wertschöpfung: Vom Projekt zum Betrieb
1.6 People & Delivery: Das Builder-Team
1.7 Fazit: Was Entscheider mitnehmen sollten
Anhang 
Literaturhinweise 

2 KI in Hardware: Warum andere Regeln gelten
2.1 Warum KI auch für Hersteller physischer Güter strategisch ist
2.2 Das Operating Model: Warum Piloten nicht reichen
2.3 B2C vs. B2B – gleiche Muster, andere Dynamiken
2.4 Produktintelligenz: Wenn das Gerät die Entscheidung übernimmt 
2.5 Serviceintelligenz: Von Reparatur zu Prävention
2.6 Monetarisierung und Amortisierung – die ungelöste Gleichung
2.7 Strukturelle Herausforderungen  
2.8 Was daraus folgt 
Literaturverzeichnis

3 Generative KI wirksam verankern – Struktur, Skalierung und Perspektive bei SCHUNK
3.1 Hintergrund und Motivation
3.2 Einordnung für Entscheider: Warum generative KI jetzt organisatorisch relevant wird
3.3 Zwei KI-Dimensionen, die SCHUNK derzeit prägen
3.4 Vom Use Case zur Skalierung: Ein strukturierter Entwicklungsprozess 
3.5 Erfahrungen und Herausforderungen 
3.6 Erfolgsfaktoren und Learnings
3.7 Ausblick 2026 und darüber hinaus 

4 Auf dem Weg zur AI-First Software Engineering Company
4.1 Ausgangslage und Ambition
4.2 Die Transformation von innen
4.3 Use Cases und Ergebnisse 
4.4 Lessons Learned

5 Entscheiden unter Unsicherheit . Was Decision Intelligence wirklich leistet
5.1 Leere Regale, volle Datenbanken 
5.2 Entscheidungsräume sichtbar machen 
5.3 Was KI über die Organisation verrät  
5.4 Wert entsteht durch systematische Wiederholung
5.5 Fallstudie: Artikelallokation bei einer europäischen  Supermarktkette
5.6 Wenn die KI-Präsentation endet, beginnen die echten Fragen
5.7 Fazit: Resilienz durch Frequenz 
Literaturverzeichnis 

6 KI im Einkauf: Entscheiden unter Komplexität 
6.1 Wenn Einkaufsentscheidungen an Komplexität scheitern
6.2 Wie Einkaufsentscheidungen entstehen
6.3 Implementierung und Adaption 
6.4 Business Impact: Wirkung steuern, Erwartungen managen  
6.5 Kunden-Case: VEMAG Maschinenbau  
6.6 Operating Model und Organisation
6.7 Fazit – Was Entscheider mitnehmen sollten
Literaturverzeichnis 

7 KI im Pricing: Vom Bauchgefühl zum  datenbasierten Wettbewerbsvorteil 
7.1 Auf die Agenda der Geschäftsführung: Datenbasiertes Pricing als strategische Kompetenz   
7.2 Unternehmerische Realität im Pricing: Mit Heuristiken Komplexität steuern
7.3 Wettbewerbsvorteil sichern: Von datenbasierten  Entscheidungen zur Beschleunigung durch KI
7.4 Fallstudie: Mit KI profitable Preise im Aftermarket & Großhandel setzen 
7.5 Lessons Learned: Fünf Insights für Entscheider
Literaturverzeichnis

8 Die Zukunft des B2B-Vertriebs: Agent Economy
8.1 Der strukturelle Bruch im B2B-Vertrieb
8.2 Analytisch vs. Generativ: Zwei Pfade der Vertriebsintelligenz
8.3 Das Operating Model des KI-gestützten Vertriebs 
8.4 Agent Economy im Vertrieb: Der Übergang vom Tool zum  Teammitglied 
8.5 Neue Rollen und Fähigkeiten im KI-gestützten Vertrieb
8.6 Leadership-Agenda: Wie Führung den Wandel gestaltet
8.7 Fazit: Der Weg zum autonomen Vertrieb
Literaturverzeichnis

9 KI-basierte Feinplanung: Verlässliche Produktion als Basis für eine stabile Supply Chain
9.1 Grenzen und Auswirkungen von manueller Planung unter komplexen Rahmenbedingungen
9.2 Lösungsprinzip der KI-basierten Feinplanung 
9.3 Vom Tool zum System: Implementierung und organisatorische Verankerung
9.4 Der Business Impact von KI-basierter Feinplanung
9.5 Praxisbeispiel PAILOT: Einführung, Hürden und Ergebnisse im Betrieb 
9.6 Rollen, Governance, Prozesse für die KI-basierte Feinplanung
9.7 Erfolgsfaktoren: Wie KI-gestützte Feinplanung erfolgreich ist und woran sie scheitert 
Literaturverzeichnis

Über den Herausgeber
Danksagung
Stichwortverzeichnis