2023
Initiator und Pitch des RAG-KI-Projekts
„AI Librarian“ bei Axel Springer SE / Business Systems
Im Rahmen meiner Weiterbildung zum AI Engineer entwickelte ich die Projektidee „AI Librarian“: ein unternehmensweites RAG-System zur intelligenten Vernetzung von Wissen und Daten. Ziel war es, teamübergreifend Informationen aus E-Mails, Wikis, Quellcode, Meetings und mehr zugänglich zu machen — per smarter KI-Abfrage mit Grounding und Embedding.
Was RAG bedeutet
RAG steht für Retrieval-Augmented Generation. Das Prinzip: Statt ein KI-Modell ausschließlich auf seinem Trainingswissen antworten zu lassen, wird es in Echtzeit mit relevantem Kontext aus eigenen Datenquellen versorgt. Das Ergebnis sind präzisere, aktuelle und nachvollziehbare Antworten — grounded in den tatsächlichen Dokumenten und Systemen eines Unternehmens.
Für ein Unternehmen wie Axel Springer mit tausenden Mitarbeitenden, verteilten Teams und jahrelang gewachsenem Wissen in E-Mails, Wikis und Quellcode ist das kein theoretisches Konzept, sondern ein konkretes Effizienzproblem.
Das Projekt: AI Librarian
Die Idee entstand aus einer konkreten Beobachtung: Wissen existiert in Unternehmen im Überfluss — aber es ist nicht zugänglich. Wer etwas sucht, fragt Kollegen, wühlt sich durch Wikis oder findet es gar nicht. Das kostet Zeit und führt zu Doppelarbeit.
Der AI Librarian sollte das ändern: Eine einheitliche KI-Schnittstelle, die Inhalte aus E-Mails, internen Wikis, Code-Repositories und Meeting-Protokollen kontextbewusst abrufbar macht. Datenschutzkonform, nachvollziehbar, mit Quellenangabe.
Ich pitchte die Idee in einem selbst produzierten Video und stellte sie anschließend dem Vorstand und Fachexpert:innen vor.
Ergebnis und Learnings
Das Projekt wurde nicht umgesetzt. Es stieß intern auf großes Interesse und trug zur strategischen Diskussion über zukünftige KI-Anwendungen bei — aber die organisatorischen Voraussetzungen für eine unternehmensweite Umsetzung waren zum Zeitpunkt des Pitches nicht gegeben.
Das ist keine Niederlage, sondern eine der wichtigsten Lektionen, die ich aus diesem Projekt mitgenommen habe: Technische Machbarkeit ist nicht dasselbe wie organisatorische Bereitschaft. Eine gute Idee scheitert nicht an der Technik, sondern daran, dass Prozesse, Datenstrukturen und Verantwortlichkeiten noch nicht den Reifegrad haben, den eine saubere KI-Integration erfordert.
Genau das ist der Kern meiner Beratungsarbeit heute: Erst analysieren, ob die Voraussetzungen stimmen — bevor investiert wird.
KI-Projekte richtig angehen
Ob RAG-System, Prozessautomatisierung oder KI-gestützte Entscheidungsunterstützung: Der häufigste Fehler ist nicht die falsche Technologiewahl, sondern der fehlende Schritt davor. Eine strukturierte Analyse, die klärt, ob das Vorhaben sinnvoll, machbar und wirtschaftlich vertretbar ist.