Ausgangslage
Ein international aufgestellter Lebensmittelkonzern mit mehreren tausend Mitarbeitenden und über einem Dutzend operativer Gesellschaften stand vor einem klassischen Wissensproblem: F&E-Erkenntnisse, Rezepturen und Prozessdokumentation lagen verteilt in SharePoint, lokalen Laufwerken und Köpfen einzelner Experten. Neue Mitarbeitende brauchten Monate zur Orientierung. Fachfragen wurden per E-Mail oder Flurfunk gelöst — oder gar nicht. Die Geschäftsführung wollte wissen, ob eine KI-gestützte Wissensplattform das Problem lösen kann — und wenn ja, welche.
Was wir getan haben
makematiq hat das Projekt als Interim-Management geführt: Produktverantwortung und technische Steuerung lagen bei uns, die Implementierung bei einem spezialisierten Dienstleister mit rund sechs Entwicklern. In Phase 1 haben wir einen 30-Tage-Pilot mit einer Enterprise-Search-Lösung durchgeführt, 29 Use Cases identifiziert und eine Entscheidungsvorlage erstellt. Als ein zweiter Plattformanbieter mit einem integrierten Agenten-Ansatz auf den europäischen Markt kam, haben wir in Phase 2 einen vollständigen Vergleichstest aufgesetzt: 186 Datensätze über 4 Use Cases, systematisch benchmarkt. Ergebnis: GF-Freigabe, Roll-Out-Konzept, Produktivbetrieb.
Ergebnisse
186
verglichene Datensätze über 4 Use Cases
78 %
der Antworten auf menschlichem Niveau oder besser
29
identifizierte Use Cases
12 Monate
von Evaluation bis Produktion
Was wir dabei gelernt haben
Die Technologieauswahl war nicht die schwierigste Entscheidung. Die schwierigste war, den Vergleichstest zu machen, als der Markt sich während des laufenden Projekts veränderte. Wer in einem sich schnell bewegenden Technologiemarkt evaluiert, muss bereit sein, eine bereits getroffene Entscheidung noch einmal zu öffnen — das kostet Zeit, spart aber strategische Fehler.
Das ist die Kurzfassung. Wie wir methodisch vorgegangen sind — welche Architekturentscheidungen wir getroffen haben, was wir verworfen haben und welche Muster sich auf andere Kontexte übertragen lassen — besprechen wir im persönlichen Fachgespräch.
Nicht, weil wir Ihnen etwas verkaufen wollen. Sondern weil diese Tiefe das ist, wofür unsere Kunden uns beauftragen — und das gehört nicht ins offene Internet.
Weitere Fallstudien
Versicherung
BU-Leistungsprüfung: KI-PoC mit 98 % Extraktionsgenauigkeit
98 % Extraktionsgenauigkeit auf 187 Dokumentklassen — technisch, wirtschaftlich und regulatorisch validiert.
Fallstudie lesenLogistik
IoT-Restrukturierung im Schienengüterverkehr
Betriebskosten um 80 % gesenkt, Ortungspräzision von 7,5 auf 1,75 Meter verbessert.
Fallstudie lesenFood & Ingredients
KI-Portfolio-Steuerung bei einem Lebensmittelkonzern
49 Use Cases identifiziert und 2–5 Mio. € Einsparpotenzial p.a. validiert.
Fallstudie lesen