KI Betriebsmodell

LLM-agnostisch · DBRS - basiert · Für jede Organisation

Künstliche Intelligenz ist kein Werkzeug, sondern Teil eines Systems aus Kontext, Prozessen, Ausführungsregeln und Verantwortung.

Zielbild

Künstliche Intelligenz (KI) als Teammitglied - nicht als Einzellösung

KI entfaltet ihren Wert nicht isoliert, sondern im Zusammenspiel mit Menschen, Wissen und Prozessen. Dieses Betriebsmodell (Operating Model) beschreibt, wie das gelingt - unabhängig davon, welche Modelle oder Werkzeuge im Einsatz sind.

Prinzip

Mehrere LLMs je nach Aufgabe

Kein Modell ist dauerhaft das beste
Jedes findet seine passende Einsatzsituation

Referenzimplementierung (DBRS)

LLM agnostisch (austauschbar)

OpenAI, Claude, Mistral, Google Gemini, lokale Modelle
geroutet über LiteLLM als zentrales Gateway.

Deloitte-Bericht: Menschliche Kompetenzen sind der Motor für leistungsstarke Teams im Zeitalter der KI

KI funktioniert MIT Teams, die auch ohne KI funktionieren – sie macht sie schneller, stärker und wirksamer.

Wer erwartet, dass Künstliche Intelligenz organisatorische Schwächen kompensiert, wird enttäuscht. Deloitte-Forschung mit über 1.394 Fachleuten zeigt: Hochleistungsteams nutzen KI deutlich häufiger - und erzielen messbar bessere Ergebnisse in Effizienz, Problemlösung und Zusammenarbeit. Nicht weil die Technologie sie rettet, sondern weil funktionierende Teams wissen, wie sie gemeinsam Lösungen einsetzen. ( https://www.deloitte.com/us/en/about/press-room/high-performing-teams.html )

Ein AI Operating Model ohne Kulturebene ist eine Betriebsanleitung ohne Betrieb.

Für Unternehmen bietet Experience Innovation das praxistaugliche Fundament zu erfolgreicher Innovation und KI-Nutzung – Klarheit, Prozesse, Vertrauen, Zusammenarbeit.

Architektur

AI Operating Model in vier Schichten - jede austauschbar

Das Operating Model ist schichtenweise aufgebaut.

Die Funktion jeder Schicht ist klar definiert.
Die konkrete Implementierung ist frei wählbar - auch Microsoft Copilot oder Google Gemini fügen sich ein.
Übersichtsgrafik

Context Layer

DBRS

Strukturiertes Wissen als Grundlage jeder AI-Interaktion.

Execution Layer

KI Codierung

Code, Prompts und Versionierung. KI-fähige Entwicklungsumgebung.

Orchestration Layer

Abläufe (Workflows)

Workflows verbinden die Schichten und machen Prozesse reproduzierbar.

Model Layer

Large Lange Models (LLM)

LLMs über ein zentrales Gateway – kein Modell dauerhaft festgeschrieben.

KI Agenten / Agentic AI

Rollen der AI Agents mit Regeln und Haltung

KI ohne Werthaltung ist Werkzeug. Jeder Agent verkörpert eine Denktradition mit Regeln, die über die technische Funktion hinausgeht.

SAMY
Nutzt Kontext Tolksdorf.digital und whitelisted Weltwissen

Innovation Mentor

System Assistant
for Mentoring You,
Fragen stellen, bevor Antworten gegeben werden

Alan
Nutzt detailliertes Wissen um Programmierung und IT

Alan Touring

Britischer Computer Pionier, knackte während WW2 ENIGMA
Was nicht formalisierbar ist, ist nicht lösbar

Simone
Unabhängige Prüfinstanz für Governance und Policies

Simone Veil

Moralische Integrität, glühende Europäerin
Unbequeme Wahrheit vor bequemem Konsens

William
Systems Thinking und Qualitäts Management

W. Edwards Deming

Begründer vom PDCA Zyklus, Systemdenken & Qualität
Fehler im System suchen, nicht beim Menschen

Arbeitsweisen

Augmented Thinking & Augmented Engineering

LLMs sind keine Gleichmacher. Sie finden statistisch das zum Kontext Passende - und verstärken damit das Individuelle des Systems Mensch-LLM. Das Ergebnis beruht auf Einsatz und Eigenschaften von beiden.

Vibe Mode

Augmented Thinking

Mensch und LLM denken gemeinsam – fließend, offen, explorativ. Das Modell wird nicht gesteuert, sondern eingeladen. Voraussetzung: Offenheit.
Ziele vom Vibe Mode sind das Verstehen des Gesuchten und die Formulierung der Aufgabenstellung um das Gesuchte zu erreichen.

CAISE Mode (Collaborative AI Supported Engineering)

Augmented Engineering

Mensch und LLM arbeiten strukturiert – präzise, formalisierbar, überprüfbar. Ergebnisse sind reproduzierbar und versionierbar. Voraussetzung: Aufgabenstellung und Struktur.
Realisierung mit Engineering-Methoden der Aufgabenstellung im Team, bestehend aus Mensch und KI.

LLM-agnostisches Design

LLM Nutzung - Modellwechsel als Methode

Es gibt kein bestes Modell. Der bewusste Wechsel zwischen Modellen ist keine Notlösung – sondern eine kognitive Methode mit drei bewährten Mustern.

Modellwechsel als kognitive Methode – zur Überwindung von Denkblockaden, Erweiterung von Perspektiven und automatischer Qualitätssicherung.

Reformulierung

Wer in einer Sackgasse steckt, wechselt das Modell und schildert die Situation neu. Die Neubeschreibung ist bereits ein Denkschritt.

Perspektivwechsel

Jedes Modell gewichtet den eigenen Lösungsraum anders - nicht weil es besser ist, sondern weil es anders ist.

Cross-Model Review

Lösung mit Modell A entwickeln - von Modell B erklären lassen. Qualität entsteht durch den Perspektivwechsel, nicht durch Mehraufwand.

Datenfluss & Lernzyklus

Das System Mensch & KI lernt im Kontext - nicht im Modell

Neues Wissen fliesst nicht ins LLM zurück, sondern mit Context Engineering in das Kontextsystem. Der Rückpfeil ist der entscheidende Schritt.

Start

Frage im Dialog

Wissensquelle

Kontext des Fragenden

Kontextsystem

DBRS

Orchestrierung

n8n

LLM Wahl

LLM Gateway

Ergebnis

Ausgabe

Kreislauf : Lernen → Kuratieren → Verstärken

Kontextsystem

Ergänzung des Bestehenden

← Feedback & Reflektion

Ergänzung mit klassichen Lehrmitteln und Erprobung

Positionierung