Die Antwort klingt perfekt, die Grafik sieht sauber aus und die Analyse ist in wenigen Sekunden fertig. Genau darin liegt aber auch die neue Versuchung im Arbeitsalltag: Ergebnisse wirken plausibel, noch bevor wirklich hinterfragt wird, wie sie entstanden sind. Zwischen Effizienzgewinn, Datenchaos und automatisierten Entscheidungen entsteht gerade eine neue Form von Bequemlichkeit und damit auch die Frage, wie viel eigenes Denken Unternehmen künftig noch selbst leisten wollen.

IM+io: Wie ist die Idee zu Scavenger AI entstanden und was genau macht diese Lösung?

MH: Mein Mitgründer Felix Beissel und ich haben das Unternehmen vor etwa zweieinhalb Jahren gegründet. Wir haben damals beide im Data- und Business-Intelligence-Bereich gearbeitet und dort hautnah ein Problem erlebt: Unternehmen haben Tonnen an quantitativen Daten, aber die Analyse bleibt oft bei wenigen Expert:innen hängen. In den Business-Intelligence-Teams haben sich Anfragen gestapelt – hier noch eine Analyse, dort noch Kennzahlen fürs nächste Management-Meeting. Gleichzeitig hatten viele Mitarbeitende weder die Zeit noch das technische Wissen, um selbst mit den Daten zu arbeiten. Daraus entstand die Idee, das einfacher zu machen. Wir haben erst neben unseren Jobs daran gebaut, spät abends und früh morgens, dann aus Interviews die ersten Kund:innen gewonnen und schließlich unsere Jobs gekündigt. Heute bauen wir eine Software, an die Unternehmen ihre Datenbanken anbinden können, also etwa ERP-, MES- oder CRM-Systeme, aber auch Excel-Dateien. Unsere KI lernt gemeinsam mit dem Menschen die Business-Logik und Semantik dahinter. Danach können Nutzer:innen Fragen stellen, die sie sonst an Expert:innen gestellt hätten – zum Beispiel, welche Produkte in Frankreich die geringste Marge hatten und warum.

IM+io: Wie läuft die technische Implementierung eurer Lösung in Unternehmen ab?

MH: Technisch ist das relativ einfach. Wir haben mehrere hundert Standardkonnektoren zu gängigen Datenbanken. Am Ende wird unser Tool mit den Datenbanken des Unternehmens verbunden. Das kann in 20 bis 30 Minuten passieren, und die Verbindung kann genauso wieder gelöscht werden. Es lassen sich sehr viele Datenquellen anbinden, theoretisch bis zu 1.000. Für die meisten Unternehmen ist das natürlich nicht nötig, die haben eher zwei oder drei zentrale Quellen. Nach oben ist aber kaum eine Grenze gesetzt. Welche Daten Nutzer:innen anschließend sehen dürfen, hängt vom jeweiligen Rechte- und Rollensystem ab. Also davon, was in der Datenbank hinterlegt ist und welche Zugriffsrechte einzelne Personen haben.

IM+io: Was passiert, wenn die Datengrundlage selbst fehlerhaft ist?

MH: Das ist eine echte Herausforderung. Grundsätzlich versuchen wir immer, die Rohdaten anzubinden. Wenn ein Unternehmen mit Excel-Dateien arbeitet, wurden diese Daten ja oft ursprünglich aus irgendeinem System exportiert und anschließend manuell weiterverarbeitet. Genau dort entstehen schnell Fehler, etwa durch falsche Formeln oder Zahlendreher. Deshalb ist unser Ansatz, möglichst direkt an die Rohdaten zu gehen, damit manuelle Fehler gar nicht erst in die Analyse gelangen. Natürlich können auch in Rohdaten falsche Einträge vorkommen. Dafür haben wir Datenqualitätschecks, bei denen Ausreißer, fehlende Werte und ähnliche Auffälligkeiten sichtbar werden. Am Ende sind wir aber ein Datenanalyse-Tool, das mit den Daten arbeitet, die vorhanden sind. Wenn jemand falsche Zahlen eingetragen hat, sind wir an dieser Stelle ehrlich gesagt ein Stück weit machtlos. Eine KI-Lösung kann keine saubere Analyse liefern, wenn die Datengrundlage nicht stimmt.

IM+io: Wie begleitet ihr Unternehmen nach der Einführung eurer Lösung?

MH: Wir begleiten Unternehmen eigentlich von vorne bis hinten. Das eine ist das KI-Thema, das andere ist das Geschäftsproblem, das darunter liegt und gelöst werden soll. Bevor die KI das macht, was sie soll, braucht es viel gedankliche Arbeit. Es geht darum zu verstehen, welches Problem eigentlich gelöst werden soll, wie Ergebnisse einzuordnen sind und was man anschließend damit macht. Deshalb begleiten wir die Unternehmen nicht nur bei der technischen Einführung, sondern auch bei der Nutzung und darüber hinaus. In der Praxis kann das ein Jahr oder eineinhalb Jahre dauern – von der ersten Idee bis zur Einführung und weiter in die tatsächliche Anwendung hinein. Das Modell ist ein klassisches monatliches Abo-Modell, in dem sowohl die Lizenzgebühr als auch ein großer Teil von Beratung, Training und Begleitung enthalten ist.

IM+io: Warum bietet ihr die Lösung aktuell nicht vollständig lokal im Unternehmen an?

MH: Diese Frage kommt immer wieder, und der Wunsch ist auch nachvollziehbar. Das Problem ist derzeit, dass lokale KI-Modelle noch nicht dieselbe Qualität liefern wie die Modelle, die online verfügbar sind. In unseren Tests waren die Ergebnisse lokal oder on-premise deutlich schlechter als bei der Web-App. Deshalb haben wir das aktuell wieder etwas zurückgestellt. Ich gehe aber davon aus, dass sich das in den nächsten ein bis eineinhalb Jahren ändern wird und man dann dieselbe Qualität auch lokal erreichen kann. Im Moment ist das aus Qualitätsgründen noch nicht der Fall.

IM+io: Wie geht ihr mit dem Risiko um, dass KI falsche Antworten gibt oder halluziniert?

MH: Das ist die größte Herausforderung in diesem Bereich, besonders wenn es um Finanzdaten und Kennzahlen geht. Da muss alles perfekt sitzen, weil es keinen Raum für Halluzinationen gibt. Wir lösen das vor allem dadurch, dass unser Tool mit Code-Generierung arbeitet. Nutzer:innen stellen eine Frage, das System schreibt dafür Code, schickt diesen an die Datenbank und holt sich von dort das Ergebnis. Wenn nach etwas gefragt wird, das es gar nicht gibt, kann die KI sich nicht einfach etwas ausdenken, weil sie nur den Code generiert und die Datenbank abfragt. Der zweite wichtige Punkt sind Rückfragen. Wenn eine Frage zu unkonkret ist, etwa „Gib mir mal den Umsatz“, fragt das System zurück: für welche Produkte, netto oder brutto, in welchem Zeitraum? Wir wollen, dass das System erst dann antwortet, wenn es ziemlich sicher verstanden hat, worauf die Frage hinausläuft. Denn sonst kann eine Antwort formal korrekt sein, aber auf einer anderen Annahme beruhen als die der Person, die gefragt hat.

IM+io: Lernt das System über diesen Dialog mit den Nutzer:innen dazu?

MH: Genau so funktioniert es. Wenn eine Rückfrage einmal beantwortet wurde und die Antwort bewusst abgespeichert wird, kann das System daraus lernen. Ein Beispiel wäre die Frage nach dem Umsatz. Wenn das System zurückfragt, wie der Umsatz überhaupt berechnet werden soll, weil es verschiedene Möglichkeiten gibt, kann die passende Formel hinterlegt werden. Wenn danach eine zweite Person dieselbe Frage stellt, muss diese Rückfrage nicht noch einmal gestellt werden. Das System baut sich also nach und nach die Semantik und Business-Logik auf, die im Unternehmen gebraucht wird. Es geht nicht darum, dass die KI einfach irgendetwas aus den Daten macht, sondern dass sie im Zusammenspiel mit den Menschen lernt, welche Annahmen, Begriffe und Berechnungen im jeweiligen Unternehmen gelten.

IM+io: Wie macht ihr die Ergebnisse für technische und nichttechnische Nutzer:innen nachvollziehbar?

MH: Transparenz war für uns von Anfang an ein wichtiger Punkt. Nutzer:innen müssen wissen, woher die Antworten kommen. Für technische Nutzer:innen zeigen wir den Code an, der generiert wurde, um zu diesem Ergebnis zu kommen. Dieser Code kann dann manuell verbessert werden. Alternativ kann man auch in natürlicher Sprache reinschreiben, welche Annahmen falsch waren. Für nichttechnische Nutzer:innen erklären wir, was im Code passiert ist. Dann wird in natürlicher Sprache beschrieben, welche Berechnungen durchgeführt wurden, was womit multipliziert oder dividiert wurde und aus welchen Daten sich das System bedient hat. Auch dort kann man wieder korrigierend eingreifen und sagen: Hier ist ein Fehler, bitte mach es anders. Es geht also nicht nur darum, vorne ein Ergebnis auszugeben, sondern nachvollziehbar zu machen, wie dieses Ergebnis zustande gekommen ist.

IM+io: Wo seht ihr aktuell die größten Risiken beim Arbeiten mit KI im Unternehmensalltag?

MH: Ich glaube, man ist in unserem Bereich manchmal etwas überkritisch, weil Menschen ebenfalls Fehler machen. Ich kenne kein Unternehmen, in dem alle Menschen komplett fehlerfrei arbeiten – inklusive mir selbst. Natürlich kann es vorkommen, dass eine KI einen Fehler macht. Genauso kann es passieren, dass eine Kollegin oder ein Kollege eine Analyse schickt und darin ein Fehler steckt. Das heißt aber nicht, dass man den eigenen Kopf ausschalten kann. Die Bewertung bleibt beim Menschen. Man muss Ergebnisse einordnen, prüfen, ob sie plausibel sind, und verstehen, warum eine Analyse gemacht wird. Gleichzeitig macht die KI das, was sonst ein Mensch tun würde, nur deutlich schneller. Ein Data Scientist würde ebenfalls einen Code schreiben, ihn ausführen und das Ergebnis prüfen. Der Unterschied ist, dass es nicht eine Woche im Team dauert, sondern vielleicht drei Sekunden. Kritisch wird es dort, wo alles, was mit KI gemacht wird, automatisch gut klingt. Das muss aber nicht heißen, dass es richtig oder wertvoll ist.

IM+io: Wie geht ihr intern mit KI um, wenn es um strategische oder kreative Aufgaben geht?

MH: Intern gibt es die klare Vorgabe, dass strategische Themen, Memos oder externe Kommunikation nicht einfach von KI geschrieben werden. Der Grund ist relativ simpel: Menschen im Team wurden eingestellt, weil sie eigene Gedanken entwickeln, Zusammenhänge erkennen und Probleme lösen können. Genau diese Fähigkeit soll nicht verloren gehen. KI wird deshalb eher als Werkzeug genutzt, um bestehende Gedanken weiterzudenken oder zusätzliche Perspektiven zu bekommen. Wenn bereits etwas erarbeitet wurde, kann man damit prüfen, ob Blind Spots übersehen wurden oder ob es noch andere Blickwinkel gibt. Kritisch wird es aus unserer Sicht dann, wenn KI schon der Startpunkt des Denkens wird. Dann entstehen oft Inhalte, die zwar gut formuliert sind, aber sehr generisch bleiben.m Fachpublikum

IM+io: Wo zeigt sich beim Einsatz von KI der Preis der digitalen Bequemlichkeit besonders deutlich?

MH: Der Preis zeigt sich vor allem darin, dass Menschen dazu neigen, Ergebnissen sehr schnell zu vertrauen, nur weil sie professionell wirken. Gerade bei KI klingt vieles plausibel und sauber formuliert, obwohl Aussagen inhaltlich falsch oder nicht ausreichend hinterfragt sein können. Dadurch entsteht die Gefahr, dass Ergebnisse einfach übernommen werden, ohne sie noch kritisch einzuordnen. Besonders problematisch wird das bei Entscheidungen, Analysen oder internen Prozessen, wenn niemand mehr überprüft, warum ein Ergebnis eigentlich zustande gekommen ist. Genau deshalb bleiben Transparenz und Nachvollziehbarkeit so wichtig. KI kann Prozesse massiv beschleunigen, ersetzt aber nicht die Verantwortung, Ergebnisse im Kontext zu bewerten und kritisch mitzudenken.

IM+io: Was bedeutet es, eine europäische KI-Lösung zu bauen?en letzten Jahren am meisten überrascht?

MH: Wir sehen in Europa aktuell ein deutlich erhöhtes Bedürfnis nach Souveränität und Sicherheit. Wir haben die Firma bewusst in Deutschland gegründet und in Europa gehalten. Wir wollten nicht in die USA gehen, weil wir gesagt haben: Wir wollen das für Europa machen und dazu beitragen, die europäische Wirtschaft zu stärken. Praktisch bedeutet das, dass wir unsere Services in Europa hosten und alles in Europa halten. Es soll nichts über amerikanische Anbietende oder nach Amerika herausgehen. Das ist die technische Kernessenz von „aus Europa für Europa“. Gleichzeitig merken wir, dass europäische Unternehmen andere Anforderungen haben als amerikanische. Besonders bei Transparenz und Nachvollziehbarkeit der Ergebnisse gibt es in Europa einen sehr hohen Bedarf. In Gesprächen mit amerikanischen Firmen haben wir diesen Need nicht in derselben Form gesehen. Genau deshalb haben wir diese Nachvollziehbarkeit in unsere Lösung eingebaut.

IM+io: Wie blickt ihr auf die internationale Entwicklung von KI-Regulierung und Transparenz?

MH: Ich glaube grundsätzlich, dass wir bei KI noch ganz am Anfang stehen. Alles, was wir jetzt sehen; also Amerika ist ein bisschen vorne, Europa ein bisschen hinterher, ist auf einer Timeline von drei Jahren vielleicht gar nicht so entscheidend, wenn man sieht, mit welcher Geschwindigkeit sich alles entwickelt. Ich glaube nicht, dass es immer so bleiben wird. Gleichzeitig vermute ich eher, dass Europa sich ein Stück weit an Amerika anpassen wird und Amerika weiter in Richtung eines unregulierten Raums driftet. Ich sehe dort aktuell keinen stärkeren Bedarf nach Transparenz. Das heißt nicht, dass ich das gut finde. Ich habe persönlich eine Meinung dazu, was ich sinnvoll fände. Aber wenn ich es einschätzen müsste, glaube ich, dass es sich eher in diese Richtung entwickeln wird.

IM+io: Wie wirkt sich KI aus eurer Sicht auf Jobs und Rollen in Unternehmen aus?

MH: Die ehrliche Antwort ist: Ich befürchte, es wird Reduktion geben, und ich glaube, da sollte man sich nichts schönreden. Wir sehen es bei uns selbst und bei unseren Kund:innen. Intern wird es oft nicht so verkauft. Da heißt es eher, man gibt Mitarbeitenden mehr Power. Das stimmt auch. Aber wenn eine Person durch KI dieselbe Power hat wie vorher zehn Personen, braucht man am Ende nicht mehr zehn Personen im Team. Ich glaube, das wird kommen, ob man das will oder nicht. Entscheidend ist dann, wie man damit umgeht. Die Effizienzgewinne, die durch KI entstehen, müssen genutzt werden, um Menschen umzubilden, auszubilden und neue Wege zu schaffen. Das kann bis hin zu höheren oder bedingungslosen Grundeinkommen gehen, finanziert durch Effizienzgewinne, die in Unternehmen entstehen. Das ist aus meiner Sicht die Formel, die langfristig aufgehen muss.

IM+io: Mit Blick auf Netzwerke, was würdet ihr heute anders machen?

LP: Mir fällt für Dock 11 nichts Konkretes ein, was wir grundlegend anders machen würden. Wir haben uns von Anfang an bewusst agil und unabhängig aufgestellt, damit wir jederzeit umsteuern können. Andere Förderinstitutionen in der Kreativwirtschaft haben größere Probleme, weil sie in Verwaltungsstrukturen eingebunden sind und weniger beweglich sind. Diese Unabhängigkeit war für uns ein Kernprinzip, und darauf haben wir immer geachtet.

IM+io: Was funktioniert heute schon besonders gut bei Scavenger AI, und woran wird noch gearbeitet?

MH: Sehr gut sind wir bei deskriptiven Fragen. Wenn eine Datenbank angebunden ist und jemand konkret etwas wissen möchte, kann das System diese Frage beantworten. Der größte Teil unserer aktuellen Arbeit geht aber in die Warum-Fragen. Also nicht nur: Welche sieben Produkte hatten die geringste Marge? Sondern: Woran liegt das eigentlich? Dafür braucht das System mehr Kontext. Genau diesen Sprung wollen wir schaffen. Ich glaube, da sind wir schon relativ gut und weit, aber das ist das nächste Level. Wenn die Lösung nicht nur beschreibt, was passiert ist, sondern auch helfen kann zu verstehen, warum es passiert ist, wird sie deutlich mächtiger.

IM+io: Wo soll die Reise langfristig hingehen?

MH: Das übergeordnete Ziel ist, den europäischen Counterpart zu den großen amerikanischen Business-Intelligence-Playern zu bauen. Dafür braucht es aus meiner Sicht ein proaktives System. Heute ist es noch so: Ich stelle eine Frage und bekomme eine Antwort. Wir wollen aber dahin, dass ein Unternehmen seine gesamten Daten angebunden hat und das System sieht, was die unterschiedlichen Abteilungen fragen. Dadurch kennt es irgendwann die Probleme im Unternehmen, abteilungsübergreifend. Am Ende hätte man ein System, das die Daten besser kennt als jede einzelne Person und auch die Probleme besser kennt als jede einzelne Person. Dann könnte man die KI nachts 1.000 Analysen laufen lassen und morgens eine Lösung für ein Problem bekommen, das man vielleicht noch gar nicht kannte. Das ist für mich proaktive Business Intelligence.

IM+io: Welche Tipps würdet ihr Unternehmen geben, bevor sie mit KI-Projekten starten?

MH: Der erste Punkt ist ganz klar: Die Datenqualität muss passen, und es braucht eine sinnvolle Datenlandschaft. Das ist die absolute Grundlage, nicht nur für unser System, sondern für sehr viele KI-Anwendungsfälle.

Das zweite ist: Einfach einmal probieren. Viele Unternehmen scheuen sich davor, Fehler zu machen. Die Unternehmen, mit denen wir arbeiten, sind im Nachhinein aber oft froh, den Sprung ins kalte Wasser gewagt zu haben. Man hat am Anfang keine vollständige Sicherheit, lernt aber extrem viel – über KI, über die eigenen Prozesse und darüber, was noch getan werden muss.

Der dritte Punkt ist, eine Person klar zu bestimmen, die für Daten verantwortlich ist. Diese Person muss nicht alles selbst richtigstellen, aber sie sollte die Hoheit über das Thema haben, also Data Owner sein, Rückfragen beantworten können und sich damit auskennen. Genau diese Verantwortung ist wichtig, damit Datenprojekte nicht irgendwo zwischen Abteilungen hängen bleiben.