Ein Planungsassistent vor dem ERP prüft jede Auftragsliste der Bulk- und Fertigproduktion gegen Kapazitäten, Personal, Rüst- und Reinigungszeiten und meldet Konflikte vor Produktionsbeginn.
11 MonateProjektdauer vom Datenabzug bis zum Produktivbetrieb
3 PhasenAnalyse, Proof of Concept, Rollout
ERP bleibtGUS-OS bleibt Leitsystem, der Assistent sitzt davor
„Das skillbyte-Team ist für die Entwicklung einer entsprechenden Lösung in den direkten Austausch mit unseren Fachabteilungen gegangen und hat das Wissen unserer Expertinnen und Experten als Ausgangspunkt herangezogen, statt auf Standard-Tools zurückzugreifen.“
Andrea Schulz-Ayecke, Geschäftsführerin, Lichtenheldt GmbH
Die Dokumentenanalyse gleicht Module regelbasiert gegen das Modulhandbuch ab. Die Entscheidung bleibt beim Prüfungsausschuss.
Ergebnis ohne KennzahlCase auf Anfrage
Zu dieser Auswahl gibt es hier keinen veröffentlichten Case. Vergleichbare Projekte nennen wir im Gespräch, soweit der Kunde zustimmt.
Die Cases im Detail
Jeder Case in derselben Ordnung: Ausgangslage, Entscheidungsweg, Hürden, Ergebnis mit Messbedingung, Learnings zum Übertragen und was der Case nicht löst. Was nicht dokumentiert ist, steht hier nicht.
Lichtenheldt GmbHPharma-Auftragsproduktion · Produktions- und NetzplanungProjektdauer rund 11 Monate
Unternehmen
Lichtenheldt GmbH, entwickelt und produziert Arzneimittel, Medizinprodukte und Kosmetika
Lösung
Planungsassistent vor dem ERP GUS-OS, Operations Research und generative KI, gebaut von skillbyte
Beteiligt
Geschäftsführung, Auftragsplanung, IT und Fachabteilungen bei Lichtenheldt, das skillbyte-Projektteam
Lichtenheldt koordiniert Bulk- und Fertigproduktion samt Abfüllung über Produktion, Logistik und Einkauf hinweg. Die Planung hing fast vollständig an der Erfahrung einzelner Mitarbeiterinnen und Mitarbeiter, dazu kommt der Fachkräftemangel der Branche. Konflikte fielen oft erst auf, wenn die Linie schon stand.
Entscheidungsweg
In Gesprächen mit der Geschäftsführung wurden die Engpässe aufgenommen. Die KI-Beratung zeigte den größten Hebel in der manuellen Planung der Bulk- und Fertigproduktion. Entschieden wurde, das bestehende Steuerungstool um ein KI-System zu erweitern und das ERP als Leitsystem zu behalten. Ein Standard-Tool kam laut Geschäftsführung nicht in Frage, Ausgangspunkt sollte das Wissen der eigenen Fachleute sein.
Hürden
Die Regeln standen nirgends geschrieben. Kapazitäten, Personal, Rüst- und Reinigungszeiten mussten aus einem vollständigen Abzug der ERP-Datenbank analysiert und gemeinsam mit Auftragsplanung und IT als Constraints erarbeitet werden.
Zeitplan
Analyse, ca. 2 Monate: Datenabzug, Muster und Abhängigkeiten
Proof of Concept, ca. 6 Monate: Prüfung der Auftragslisten gegen die Constraints
Rollout und Stabilisierung, ca. 3 Monate: ERP-Anbindung, Betrieb, Monitoring
Laufend: Die Planung bewertet die Meldungen im System, das Feedback fließt in die Regeln
Ergebnis
Konflikte erscheinen vor Produktionsbeginn, mit Begründung und Vorschlag. Planungswissen ist digital abrufbar.
Messwerte aus dem Produktivbetrieb veröffentlichen wir nur mit Freigabe des Kunden. Für Lichtenheldt ist keine Wirkungskennzahl freigegeben, deshalb steht hier keine.
Learnings zum Übertragen
Mit dem Engpass beginnen, den die Geschäftsführung benennt.
Constraints mit den Menschen erarbeiten, die heute planen.
Das ERP erweitern und die Freigabe bei der Planung lassen.
Was es nicht löst
Der Assistent ersetzt weder das ERP noch die Planerinnen und Planer. Die Regeln sind so gut wie das Wissen, aus dem sie entstehen. Deshalb bewertet die Planung jede Meldung.
„Wir optimieren gemeinsam mit skillbyte die Planung unserer Produktionsprozesse durch den gezielten Einsatz von KI. Das skillbyte-Team ist für die Entwicklung einer entsprechenden Lösung in den direkten Austausch mit unseren Fachabteilungen gegangen und hat das Wissen unserer Expertinnen und Experten als Ausgangspunkt herangezogen, statt auf Standard-Tools zurückzugreifen. Das zeigt sich definitiv auch in den Ergebnissen: Unsere individuellen Herausforderungen werden passgenau adressiert, um im Arbeitsalltag merkbar zu entlasten und eine effiziente Produktion zu gewährleisten.“
Andrea Schulz-Ayecke, Geschäftsführerin, Lichtenheldt GmbH
TROESTER GmbH & Co. KGMaschinen- und Anlagenbau · Service-Wissen · gebaut mit AskEddaGemessen im Pilot
Unternehmen
TROESTER GmbH & Co. KG, Maschinen- und Anlagenbau aus Hannover, seit 1892
Lösung
AskEdda, der Wissensassistent von skillbyte
Umfang
Mehr als 15 Jahre Service-Historie, 4 Standorte, mehrsprachig
Status
Aus dem Pilot wurde eine strategische Partnerschaft
Ausgangslage
Störungs- und Anlagenwissen lag bei wenigen erfahrenen Technikern, in gewachsenen Ordnern und in Jahrzehnten von Serviceberichten. Im Störfall hieß das: Ticket, Suche, Rückruf, im schlechtesten Fall das falsche Teil und eine zweite Anfahrt. Die Renteneintritte bis 2030 waren absehbar.
Entscheidungsweg
Erst messen, dann entscheiden: ein Zwei-Wochen-Pilot auf echten Servicefällen, mit einer vorher festgelegten Messgröße, der Lösungszeit je Störung. Auf Basis der Messung folgten Rollout und Partnerschaft.
Hürden
Was nie aufgeschrieben wurde, findet auch ein Assistent nicht. Deshalb gehörten O-Töne der Experten zum Aufbau, neben Service-Logs, Handbüchern, Zeichnungen und Tickethistorie. Lesezugriff genügte, betrieben in der EU.
Zeitplan
Woche 0: Datenzugang, kein neues System
Woche 1: Einlesen, Verknüpfen, Quellenindex, Anbindung an Teams und WhatsApp
Woche 2: Messung an realen Störungen mit realen Technikern
Danach: Rollout
Ergebnis
6 h auf 76 min Lösungszeit je Störung, gemessen im Zwei-Wochen-Pilot bei TROESTER.
So gemessen: protokollierte Störungen des Pilotzeitraums, Durchschnitt je Störung, verglichen mit der Vorperiode. Messprotokoll auf Anfrage.
Gebaut mit AskEdda, dem Wissensassistenten von skillbyte. AskEdda liest Serviceberichte, Handbücher, Zeichnungen und Tickets nur lesend und beantwortet die Fragen der Techniker in Teams und WhatsApp mit Quelle und Fundstelle.
Learnings zum Übertragen
Die Messgröße vor dem Start festlegen.
Die Antwort dorthin bringen, wo das Team schon arbeitet.
Das Wissen der Erfahrenen aufnehmen, solange sie noch da sind.
Was es nicht löst
AskEdda ersetzt keine Experten, es macht ihr Wissen abrufbar. Die Zahl gilt für den Service von TROESTER im Pilotzeitraum. Sie ist keine Zusage für einen anderen Betrieb, die eigene Zahl misst der eigene Pilot.
„Unser Wissen steckt in SAP-Tabellen, Dokumenten und in den Köpfen der Kollegen. AskEdda führt das zusammen und macht es im Alltag für uns nutzbar. Die Zusammenarbeit mit skillbyte ist dabei erfrischend unkompliziert: kurze Wege, schnelle Reaktionen und ein Team, das wirklich zuhört.“
Lisa Köhlert, Referentin CFO & KI-Managerin, TROESTER GmbH & Co. KG
anonymPlanungs-CaseProduzierender Betrieb · Planung · Referenz-Case ohne NamenGemessen nach 3 Monaten
Unternehmen
Produzierender Betrieb, anonym. Nicht Lichtenheldt, nicht TROESTER.
Lösung
Planungsassistent vor dem bestehenden ERP
Messzeitraum
Drei Monate Betrieb
Ausgangslage
Konflikte zwischen Auftrag, Material und Kapazität fielen erst auf, wenn die Linie stand. Die Planer prüften jede Liste von Hand, bevor sie planen konnten. Der Assistent prüft jede Auftragsliste gegen die realen Constraints und meldet Konflikte vorher, der Planer entscheidet.
Ergebnis
+12 %-Punkte Liefertreue (OTD) und 78 % weniger Zeit für manuelle Plausibilisierung, nach drei Monaten.
So gemessen: OTD vor der Einführung gegen OTD nach drei Monaten Betrieb, im selben Betrieb; Planerzeit für die Plausibilisierung vorher und nach drei Monaten. Prozentpunkte, keine Prozent.
Learnings zum Übertragen
Die Planer prüfen nur noch die markierten Ausnahmen. Der Gewinn entsteht dort, wo bisher jede Liste von Hand durchgesehen wurde.
Was es nicht löst
Die Werte gelten für diesen Betrieb nach drei Monaten. Sie sind kein Ergebnis eines Zwei-Wochen-Pilots und keine Aussage über Lichtenheldt. Name und Details nennen wir nur im Gespräch, soweit der Kunde zustimmt.
anonymESG-Referenz-CaseBerichtspflichtiger Mittelständler · CO₂- und CSRD-ReportingGemessen über einen CSRD-Zyklus
Unternehmen
Berichtspflichtiger Mittelständler, anonym
Lösung
ESG-Automatisierung von skillbyte, EU-gehostet
Messzeitraum
Ein kompletter CSRD-Zyklus, parallel gerechnet
Ausgangslage
ESG-Kennzahlen wurden in jedem CSRD-Zyklus von Hand aus Belegen, Rechnungen und Excel zusammengetragen, ohne durchgängigen Nachweis. Die Automatisierung liest Belege aus, ordnet sie Scope 1, 2 und 3 zu und hält jeden Kennzahlwert bis zum Ursprungsbeleg nachvollziehbar.
Ergebnis
Rund 90 % weniger manueller Aufwand im CO₂-Reporting.
So gemessen: ein kompletter CSRD-Zyklus parallel gerechnet, Stunden manueller Arbeit vorher und nachher. Gilt für das CO₂-Reporting, nicht für den gesamten ESG-Bericht.
Learnings zum Übertragen
Einen Zyklus lang parallel rechnen, dann entscheiden. Den Audit-Trail vom Beleg zur Kennzahl von Anfang an mitbauen, damit die Prüfung nachschlagen kann.
Was es nicht löst
Es ersetzt weder Ihr ESG-Tool noch die Prüfung. Es liefert die Werte mit Beleg.
COTESACOTESA GmbHLuftfahrtzulieferer, Composites · Angebote unter EN 9100Ergebnis ohne Kennzahl
Unternehmen
COTESA GmbH, Luftfahrt- und Composite-Zulieferer, EN-9100-reguliert
Lösung
Smart Offer Accelerator und KI-gestützte Vertriebsoptimierung
Architektur
On-premise-fähig
Ausgangslage
Lange internationale B2B-Ausschreibungen, Reibung zwischen Vertrieb, Engineering und Produktion und wenig Überblick über Angebotsstände und Programmrisiken.
Hürden
EN 9100 verlangt revisionssichere Abläufe. Die Architektur ist deshalb so gebaut, dass sie auch im eigenen Haus laufen kann.
Was gebaut wurde
Ein zentraler Projekt-Hub, der Spezifikationen analysiert
KI-Anreicherung im CRM, die Opportunities priorisiert
AOK Systems GmbH und ITSCareGesetzliches Gesundheitswesen · GenAI und Cloud-BetriebErgebnis ohne Kennzahl
Auftraggeber
AOK Systems GmbH und ITSCare, das Rechenzentrum im AOK-Umfeld
Lösung
Isolierte Cloud-Entwicklungsumgebungen und eigene LLM-Instanzen im Rechenzentrum
Technik
AWSOpenShiftTerraformArgoCDKeycloak
Ausgangslage
Im Mittelpunkt stehen Gesundheits- und Sozialdaten. Wer dort arbeitet, kann Modelle nicht über eine fremde API ansprechen. Ohne Betrieb im eigenen Haus ist generative KI dort nicht einsetzbar.
Hürden
DSGVO und Sozialgesetzbuch als Randbedingung. Daten dürfen das Rechenzentrum nicht verlassen, Entwicklungsumgebungen müssen voneinander getrennt sein.
Was gebaut wurde
Für AOK Systems isolierte AWS-Entwicklungsumgebungen in separaten VPCs, automatisiert betrieben. Für ITSCare eigene LLM-Instanzen im hochgesicherten Rechenzentrum, für Wissensassistenten und automatisierte Vorgangsbearbeitung.
Ergebnis
Die Anwendungen laufen, ohne dass Daten das Rechenzentrum verlassen.
Hier gibt es keine veröffentlichte Kennzahl. Der Nachweis ist der Betrieb unter den Datenschutzauflagen für Gesundheitsdaten.
Learning zum Übertragen
Im Sozialdatenumfeld entscheidet der Betriebsort über den Einsatz. Diese Frage gehört an den Anfang.
Was es nicht löst
Die Infrastruktur allein ist noch kein Anwendungsfall. Sie schafft die Voraussetzung, dass generative KI dort eingesetzt werden darf.
anonymPrivate HochschuleBildung · Zulassung und ECTS-AnrechnungErgebnis ohne Kennzahl
Auftraggeber
Private Hochschule, anonym
Lösung
Datenschutzkonforme Dokumentenanalyse (IDP)
Ausgangslage
Jede Bewerbung mit externen Studienleistungen hieß: Zeugnis lesen, Module im Modulhandbuch suchen, ECTS vergleichen, Entscheidung begründen. Der Aufwand bündelte sich im Zulassungsfenster.
Was gebaut wurde
Die Dokumentenanalyse liest Noten, Umfänge und Modulbezeichnungen aus Zeugnissen und Transcripts, strukturiert sie und gleicht sie regelbasiert gegen das Modulhandbuch ab.
Ergebnis
Weniger Handarbeit im Zulassungsfenster und weniger Fehler beim Vergleich. Die Dokumente verlassen die Hochschule nicht.
Eine Kennzahl ist für diesen Case nicht veröffentlicht.
Learning zum Übertragen
Regelbasiert abgleichen und die Begründung mitliefern: So bleibt jede Anrechnung nachprüfbar.
Was es nicht löst
Die Entscheidung bleibt beim Prüfungsausschuss. Die Vorarbeit übernimmt die Dokumentenanalyse.
Aufgaben aus dem Alltag, die ohne Großprojekt starten. Das sind keine Kundenreferenzen: Die Beispiele laufen in der Demo mit Beispieldaten, ohne Namen und ohne Messwerte.
Anwendungsfall
Vertrieb: Ein neues Lastenheft gegen frühere Angebote prüfen
Liest das Lastenheft und erkennt die Anforderungen.
Sucht Altangebote, Kalkulationen und Klärungen per Mail.
Zeigt Treffer, Lücken und Quellen. Preis und Freigabe bleiben bei Ihnen.
Sie brauchen: Lesezugriff auf ERP, SharePoint, Netzlaufwerk und das Vertriebspostfach.
Neue Anfrage mit Lastenheft: Haben wir so etwas schon angeboten?
Zu diesem Thema gibt es noch keinen kleinen Use Case. In der Demo können Sie eine eigene Frage stellen.
Weitere benannte Mandate
Häuser, die uns Systeme anvertraut haben, bei denen Ausfall, Prüfung oder Datenschutz zählen. Ohne veröffentlichte Kennzahl, deshalb steht hier, was gebaut wurde.
Public SectorBundespresseamt
Backend für bundesregierung.de mit CoreMedia 9 und Java-Microservices.
Public SectorBWI GmbH
IT-Systemhaus des Bundes, zwei Mandate: DevOps für Bundeswehr-Systeme.
Hochverfügbare Software für große Datenmengen, Apps im Feld.
Kritische InfrastrukturDeutsche Telekom
Preferred Partner für Java-Entwicklung, Cloud und DevOps.
Kritische InfrastrukturLufthansa
Cloud- und DevOps-Architekturen, ausgelegt auf Ausfallsicherheit.
FinanzsektorDeutsche Börse AG
Benachrichtigungssystem vom Monolithen zu Microservices migriert.
FinanzsektorDEVK
Zusammenarbeit im regulierten Versicherungsumfeld.
MedienRTL und CBC
AWS-Migrationen und Microservices für Streamingplattformen.
MedienFunke Mediengruppe
Dateninfrastruktur für die Auslieferung digitaler Medienangebote.
Zu dieser Branche gibt es hier kein weiteres benanntes Mandat.
Einzelne Mandate laufen über Rahmenverträge und Partner. Wo ein Haus keine Nennung des Projektinhalts wünscht, steht nur die Rolle. Mehr zu den Mandaten im Public Sector auf /public-sector.
Passt ein Case zu Ihnen?
In 30 Minuten klären wir, welcher Case Ihrem Betrieb am nächsten kommt, was ein Pilot bei Ihnen messen würde und ob KI überhaupt der richtige Hebel ist.
Masiar IghaniGründer und CEO. Er führt die meisten Erstgespräche selbst und sagt auch, wenn KI nicht die Lösung ist.
So entsteht ein Case
Woche 1
Scoping auf echten DatenEin Termin von 60 Minuten: Bereich, repräsentative Daten und Ziel-KPI festlegen. Die Daten kommen größtenteils asynchron.
Woche 2
Live-Probe und Readiness-BerichtDie KI arbeitet auf Ihren Daten, Sie sehen die Messung und eine Entscheidungsvorlage, zum Festpreis. Zeigt der Pilot keinen Hebel, zahlen Sie nichts und behalten den Report.
Danach
RolloutAusweitung auf weitere Bereiche, gemessen an der KPI aus dem Pilot.
