Eine Big-Bang-Transformation durch einen modularen Modernisierungspfad ersetzt.

Kontext

Eine stabile Enterprise-Umgebung trug Arbeitsabläufe, die für eine andere Zeit entworfen worden waren.

Der Kunde war ein langjährig etabliertes deutsches Unternehmen im Gesundheitswesen. Die tägliche Arbeit umfasste finanzielle Administration, große Dokumentenmengen und umfangreiche fallbezogene Bearbeitung durch spezialisierte Beschäftigte.

Die Organisation hatte ihre Technologie in den vorausgegangenen Jahrzehnten mehrfach modernisiert. Die aktuelle Umgebung lief seit mehr als 20 Jahren und folgte einem klassischen Enterprise-Modell rund um Windows, Microsoft SQL Server, proprietäre Software und individuell entwickelte interne Anwendungen.

Das Alter dieses Stacks war nicht das eigentliche Problem. Die Umgebung blieb stabil und enthielt wertvolle Geschäftslogik, Datenstrukturen und operatives Wissen.

Die scheinbare Wahl

Der Führung wurden Disruption oder Stillstand als Alternativen präsentiert.

Eine Option bestand darin, eine große branchenspezifische Enterprise-Plattform einzuführen und das Unternehmen um deren Standardprozesse herum neu zu organisieren. Das versprach Konsolidierung, erforderte aber erhebliche Investitionen, lange Implementierungszyklen, umfangreiche Migrationen und deutliche operative Eingriffe.

Die Alternative war, die bestehende Umgebung beizubehalten und weiterhin begrenzte Anpassungen vorzunehmen. Das reduzierte das unmittelbare Risiko, konservierte aber Workflows, die bereits schwerer veränderbar und zunehmend aufwendiger erweiterbar wurden.

Keine der beiden Optionen beantwortete die zentrale Frage: Wie kann das Unternehmen ein Fundament für die nächste Generation von Workflow-Automatisierung, Datennutzung und angewandter KI schaffen, ohne die weiterhin gut funktionierenden Teile des Geschäftssystems aufzugeben?

• Der vollständige Wechsel auf eine Standardplattform wäre teuer und disruptiv.
• Reine Bestandspflege würde zunehmend spröde Prozessstrukturen erhalten.
• Eine generische Branchenlösung könnte die Fähigkeit des Unternehmens einschränken, sich durch eigene Abläufe zu differenzieren.
• Bestehende Individualsoftware enthielt bereits wertvolles domänenspezifisches Arbeitswissen.
• Zukünftige KI-Initiativen benötigten klarere Grenzen für Workflows, Daten und Integrationen.

Modernisierungsanalyse

Alternde Technologie und veraltete Arbeit voneinander trennen, bevor entschieden wird, was ersetzt werden muss.

Neoground analysierte das Betriebsmodell entlang von Arbeitsabläufen, internen Anwendungen, Datenbanken, Integrationen, Dokumentenverarbeitung und gruppenspezifischen Arbeitsweisen.

Die Analyse zeigte, dass die zugrunde liegende Datenstruktur ausreichend belastbar war, um weiterhin als Fundament zu dienen. Sie konnte dort erweitert und angepasst werden, wo dies nötig war, ohne eine sofortige unternehmensweite Migration zu erzwingen.

Die größere Chance lag im Zusammenspiel von Menschen, Abläufen und Software. Viele Beschäftigte bearbeiteten weiterhin Prozessfolgen aus der papierbasierten Administration – nur dass PDFs, digitale Formulare und Anwendungsfenster die physischen Akten ersetzt hatten.

Dadurch veränderte sich die Modernisierungsfrage von „Welche Plattform kaufen wir?“ zu „Welche operativen Fähigkeiten verbessern wir zuerst, welches Fundament bleibt bestehen und wie bereitet jeder Eingriff den nächsten vor?“

Workflow-Analyse

Vergleichbare Arbeit wurde mit unterschiedlichen lokalen Systemen und Gewohnheiten erledigt.

Die Analyse zeigte, dass organisatorische Gruppen ähnliche Fälle häufig unterschiedlich bearbeiteten. Manche Teams hatten effiziente lokale Praktiken entwickelt, andere benötigten mehr Schritte oder zusätzliche manuelle Abstimmung.

Gemeinsame Tabellen, gruppenspezifische Listen und informelle Zwischenstände waren rund um die offiziellen Systeme gewachsen. Diese Werkzeuge lösten unmittelbare Anforderungen, fragmentierten aber zugleich Prozesswissen und erschwerten den Leistungsvergleich.

Neoground modellierte repräsentative Arbeitswege und trennte notwendige fachliche Beurteilung von wiederholter administrativer Bearbeitung. So wurde sichtbar, wo Workflows vereinfacht, standardisiert, durch bessere Software unterstützt oder automatisiert werden konnten.

• Vergleichbare Aufgaben wurden in verschiedenen Teams unterschiedlich erledigt.
• Lokale Tabellen enthielten Prozess- und Falldaten außerhalb zentraler Systeme.
• Wiederholte Dokumentenbearbeitung und Datenübertragung banden Zeit spezialisierter Beschäftigter.
• Effizientere lokale Arbeitsweisen wurden nicht konsequent organisationsweit übertragen.
• Workflow-Variation erschwerte die Gestaltung und Governance zukünftiger Automatisierung.
• Prozessverbesserung erforderte gemeinsame Prinzipien und zugleich Raum für legitime fachliche Unterschiede.

Modulare Modernisierung

Den kohärenten Kern erhalten und Grenzen schaffen, die kontrollierte Veränderung ermöglichen.

Neoground schlug ein modulares Interventionsmodell rund um drei getrennte Ebenen vor: mitarbeiternahe Workflows und Anwendungen, das zugrunde liegende Datenfundament sowie das breitere Netzwerk aus Werkzeugen, Plattformen und Integrationen.

Die zentrale interne Anwendung konnte relativ konsolidiert bleiben, weil Beschäftigte an einem Ort Zugriff auf einen breiten Satz zusammenhängender Fall- und Dokumenteninformationen benötigten. Ein rein verteiltes Microservice-Interface hätte die Nutzererfahrung fragmentiert, ohne einen gleichwertigen operativen Nutzen zu schaffen.

Intern konnte das System dennoch modulare Servicegrenzen übernehmen. Einzelne Workflows, Anwendungsbereiche, Integrationskomponenten und Datenbankbereiche ließen sich unabhängig verändern und blieben zugleich Teil einer einheitlichen Arbeitsumgebung.

1. 01

   Datenfundament erhalten

   Tragfähige bestehende Strukturen bewahren und gezielt verbessern, statt eine unnötige Vollmigration zu erzwingen.

2. 02

   Arbeitswege erfassen

   Verstehen, wie Dokumente, Entscheidungen und Falldaten durch die reale Arbeit fließen, bevor Software neu gestaltet wird.

3. 03

   Interne Anwendung modularisieren

   Eine kohärente Arbeitsoberfläche erhalten und Fähigkeiten gleichzeitig ausreichend trennen, um schrittweise Verbesserungen zu ermöglichen.

4. 04

   Integrationsgrenzen definieren

   Proprietäre Werkzeuge, Individualanwendungen, Dokumentensysteme und zukünftige Dienste über klarere Schnittstellen verbinden.

5. 05

   Einen Workflow nach dem anderen verbessern

   Messbare operative Veränderungen liefern, ohne der Organisation eine einzige disruptive Transformation aufzuzwingen.

6. 06

   Zukünftige Fähigkeiten vorbereiten

   Workflow-, Daten- und Anwendungsgrenzen so gestalten, dass sie Automatisierung und wachsende KI-Funktionalität tragen können.

Analyse der KI-Initiative

Das Unternehmen hatte KI-Ideen, aber noch keine gemeinsame KI-Fähigkeit.

KI war über allgemeine Werkzeuge für Beschäftigte und lose definierte Ideen rund um Dokumentenextraktion, Transformation und Assistenz in die Organisation gelangt. Die Nutzung blieb begrenzt, weil diese Werkzeuge neben der etablierten Arbeit lagen statt in ihr.

Beschäftigte mussten selbst Anwendungsfälle identifizieren, Kontext manuell rekonstruieren und entscheiden, wie KI-Ergebnisse in bestehende Prozesse passen sollten. Damit blieb KI peripher und die Integrationslast lag bei einzelnen Nutzenden.

Die Analyse zeigte, dass die Organisation nicht primär weitere isolierte Assistenten oder Experimente brauchte. Notwendig war eine wiederverwendbare Betriebsebene, die freigegebene KI-Fähigkeiten mit realen Daten, Workflows, Anwendungen, Kontrollen und menschlicher Prüfung verbinden konnte.

Sichere KI-Architektur

Sensible Identität von der Intelligenz trennen, die auf die Arbeit angewendet wird.

Gesundheitsbezogene und finanzielle Informationen erforderten strenge Kontrolle. Rohdaten aus Fällen oder Kundendokumente unterschiedslos an externe KI-Dienste zu senden, war keine akzeptable Grundlage.

Neoground entwarf eine interne KI- und Datenschutzebene, die sensible Informationen innerhalb der kontrollierten Umgebung verarbeiten konnte. Identifizierende oder geschützte Daten konnten transformiert, maskiert oder ersetzt werden, bevor ausgewählte Aufgaben leistungsfähigeren externen Modellen übergeben wurden.

Ergebnisse konnten anschließend in die geschützte Umgebung zurückgeführt und wieder mit dem maßgeblichen Fallkontext verbunden werden. Für Beschäftigte konnte der KI-gestützte Workflow weiterhin mit dem tatsächlichen Fall arbeiten. Die Datenschutzgrenze blieb in der Architektur verankert, statt davon abzuhängen, dass jede einzelne Person sensible Informationen manuell entfernt.

• Interne Verarbeitung sensibler Ausgangsdaten
• Automatisierte Erkennung und Transformation geschützter Daten
• Kontrollierte Nutzung externer KI mit anonymisiertem oder substituiertem Kontext
• Rückführung freigegebener Ergebnisse in den maßgeblichen internen Datensatz
• Wiederverwendbarer Zugriff für Chat, Extraktion, Klassifikation, Transformation und Hintergrundaufgaben
• Zentrale Richtlinien statt individueller Datenschutzentscheidungen durch Beschäftigte

Human-in-the-Loop-Betrieb

Automatisierung konnte schrittweise wachsen, ohne Verantwortung blind zu übertragen.

Die Architektur unterstützte sowohl sichtbare Assistenz für Beschäftigte als auch KI-Aufgaben im Hintergrund. Dokumente konnten klassifiziert, Informationen extrahiert, Texte transformiert oder vorgeschlagene Falldaten vorbereitet werden, bevor die nächste menschliche Bearbeitung begann.

Menschliche Prüfung blieb überall dort Teil des Workflows, wo Mehrdeutigkeit, professionelle Verantwortung oder Qualitätsanforderungen dies rechtfertigten. Korrekturen und Freigaben konnten zugleich Evidenz dafür liefern, Prompts, Modelle, Regeln und zukünftige Automatisierungsgrade zu verbessern.

Mit steigender Leistungsfähigkeit der KI konnte dieselbe Betriebsebene größere Teile einer Aufgabe übernehmen, ohne Datenschutz-, Integrations- und Governance-Modell für jeden neuen Anwendungsfall neu aufbauen zu müssen.

Die strategische Abwägung

Modernisierung erforderte keine Entscheidung zwischen „alles erhalten“ und „alles ersetzen“.

Eine generische Enterprise-Suite hätte die sichtbare Technologie modernisieren können, dabei die Organisation aber an die Betriebsannahmen eines anderen Anbieters angepasst. Fortlaufende isolierte Änderungen hätten Flexibilität erhalten, jedoch nicht die Struktur für eine breitere Transformation geschaffen.

Neoground identifizierte einen bewussteren Weg: stabile Daten- und Domänengrundlagen erhalten, Arbeitsabläufe mit individueller Software verbessern, Anwendungs- und Integrationslandschaft modularisieren und eine sichere KI-Fähigkeit etablieren, die viele Anwendungsfälle bedienen kann.

Dieser Ansatz bewahrte operative Kontinuität und differenzierendes Geschäftswissen und schuf zugleich klarere Wege für zukünftige Veränderung.

Das Unternehmen brauchte nicht ein neues System, das die alte Welt vollständig ersetzt. Es brauchte eine Architektur, in der sich jeder wertvolle Teil weiterentwickeln kann, ohne den Rest festzuhalten.

Ergebnis

Aus einer Debatte über Komplettaustausch wurde ein sequenziertes Modernisierungs- und KI-Programm.

Die Führung erhielt ein klareres Bild davon, welche Teile der bestehenden Umgebung weiterhin wertvoll waren, welche Workflows die größte Reibung erzeugten und wo modulare Eingriffe Fortschritt ohne unternehmensweite Migration ermöglichen konnten.

Die empfohlene Architektur erhielt eine einheitliche Arbeitsoberfläche und erlaubte gleichzeitig, Datenbankbereiche, Workflows, Integrationen und Anwendungsfähigkeiten in kontrollierten Schritten zu verbessern.

Prozessunterschiede und lokale tabellenbasierte Arbeitsweisen wurden als organisatorische Themen sichtbar und nicht lediglich als Softwarefehler behandelt. Damit entstand eine Grundlage, Workflows zunächst zu verbessern und erst anschließend zu automatisieren.

Auch die KI-Initiative entwickelte sich über voneinander getrennte Werkzeuge hinaus. Das Unternehmen erhielt ein sicheres Fähigkeitsmodell, über das interne und externe KI Dokumentenverarbeitung, Datenextraktion, Transformation, Assistenz für Beschäftigte und zukünftige Hintergrundautomatisierung unterstützen konnte, ohne die Kontrolle über sensible Informationen aufzugeben.

Eine formale unternehmensweite Produktivitätsattribution lag nicht vor. Das Mandat schuf stattdessen die technischen und operativen Bedingungen, unter denen Prozesseffizienz und Automatisierung schrittweise wachsen konnten.

• Stabile Daten- und Domänengrundlagen wurden erhalten.
• Ein disruptiver Wechsel auf eine Standardplattform galt nicht länger als einziger Modernisierungspfad.
• Arbeitswege und Prozessvariationen wurden zu expliziten Eingaben für die Transformation.
• Interne Software konnte durch modulare, sequenzierte Eingriffe weiterentwickelt werden.
• Gruppenspezifische Tabellen und fragmentierte Prozessaufzeichnungen wurden zur Konsolidierung identifiziert.
• KI-Anwendungsfälle erhielten eine gemeinsame sichere und wiederverwendbare Betriebsebene.
• Sensible Daten konnten geschützt bleiben, während freigegebene externe KI-Fähigkeiten genutzt wurden.
• Menschliche Prüfung und Korrektur blieben Teil qualitätssensibler Workflows.

Hinweis zur Vertraulichkeit

Warum diese Fallstudie anonymisiert bleibt.

Das Mandat umfasste gesundheitsbezogene Verarbeitung, finanzielle Workflows, sensible Enterprise-Architektur, interne Betriebspraktiken, Transformationspläne und den Umgang mit geschützten Daten. Unternehmen, spezialisierte Prozesse, Softwareprodukte und Implementierungsdetails werden deshalb nicht identifiziert.

Der Kunde hat diese öffentliche Fallstudie weder beauftragt noch freigegeben; ein Testimonial oder eine Empfehlung wird nicht impliziert. Die beschriebenen Erkenntnisse und die Architektur entsprechen dem tatsächlichen Mandat, während wirtschaftlich und operativ sensible Details verallgemeinert wurden.