Geschäftlichen Mehrwert mit Microsoft Fabric erschließen: Ein einheitlicher Ansatz für Enterprise AI

Von Mirko Peters · 2026-08-13

Willkommen zurück zu unserem Podcast und unserem begleitenden Blog! Wenn Sie unsere letzten Episoden verfolgt haben, wissen Sie, dass künstliche Intelligenz kein bloßes Zukunftskonzept mehr ist, über das wir nur theoretisch sprechen. Sie ist da, sie wird skaliert, und Organisationen weltweit beeilen sich, sie in ihren täglichen Betrieb zu integrieren…

Automatisch mit KI aus dem Originalbeitrag übersetzt. Englisches Original lesen

Willkommen zurück zu unserem Podcast und unserem begleitenden Blog! Wenn Sie unsere letzten Episoden verfolgt haben, wissen Sie, dass künstliche Intelligenz kein bloßes Zukunftskonzept mehr ist, über das wir nur theoretisch sprechen. Sie ist da, sie wird skaliert, und Organisationen überall beeilen sich, sie in ihre täglichen Abläufe zu integrieren. Der Schritt von einem vielversprechenden Proof of Concept zu einer robusten, produktionsreifen Unternehmensbereitstellung ist jedoch eine enorme Hürde. Viele Organisationen scheitern an fragmentierten Datenarchitekturen, mangelhafter Governance und fehlender klarer Ausrichtung auf die Geschäftsziele.

In diesem Beitrag gehen wir ausführlich darauf ein, wie einheitliche Plattformen wie Microsoft Fabric die Landschaft verändern. Indem sie Datensilos aufbrechen, die Integration vereinfachen und Governance direkt in die Kerninfrastruktur einbauen, helfen moderne Werkzeuge Unternehmen, echten Mehrwert zu erschließen. Ob Sie mit der Datenqualität ringen, nach Möglichkeiten suchen, zuverlässige Retrieval-Augmented Generation (RAG) umzusetzen, oder Ihre Führungskräfte mit messbarem ROI überzeugen müssen: Dieser Leitfaden zeigt Ihnen das konkrete Framework, das Sie für den Erfolg benötigen.

Enterprise AI definieren

Was ist Enterprise AI?

Enterprise AI bezeichnet eine Kategorie von Software, die speziell für große Organisationen entwickelt wurde. Sie nutzt fortschrittliche KI-Verfahren wie maschinelles Lernen und Verarbeitung natürlicher Sprache, um die digitale Transformation voranzutreiben. Diese Technologie adressiert hochwertige Anwendungsfälle im großen Maßstab und verbessert Geschäftsprozesse sowie die betriebliche Effizienz.

Hier erhalten Sie einen kurzen Überblick darüber, wie Branchenexperten Enterprise AI definieren:

Anders als herkömmliche KI-Lösungen ist Enterprise AI darauf ausgelegt, umfangreiche Datenbestände und Workloads zu verwalten. Sie lässt sich tief in bestehende Systeme wie ERP und CRM integrieren und stellt sicher, dass Ihre KI-Initiativen auf die Ziele Ihrer Organisation ausgerichtet sind.

Zentrale Merkmale von Enterprise AI

Enterprise AI besitzt mehrere zentrale Merkmale, die sie für geschäftskritische Abläufe geeignet machen. Wenn Sie diese Eigenschaften verstehen, können Sie KI in Ihrer Organisation gezielt einsetzen.

KI entfaltet den größten betrieblichen Nutzen, wenn sie direkt in die Systeme integriert wird, die Ihre Teams täglich ohnehin nutzen. Diese Integration verhindert, dass KI zu einem isolierten Werkzeug wird, und ermöglicht es ihr, die Produktivität insgesamt zu steigern.

Auch Datengovernance ist entscheidend. Sie stellt sicher, dass die Informationen, die KI speisen, korrekt, ethisch vertretbar und mit den sich wandelnden globalen Standards konform sind. Moderne Unternehmen setzen auf föderierte Governance-Frameworks, die Kontrolle und Agilität ausbalancieren, um die Datenintegrität zu wahren, ohne Innovation zu behindern.

Wenn Sie verstehen, was Enterprise AI ist und welche zentralen Merkmale sie besitzt, können Sie Ihre Organisation besser darauf vorbereiten, ihr volles Potenzial auszuschöpfen.

Enterprise AI aufbauen: Aktuelle Lage

Trends bei Enterprise AI

Die Landschaft rund um Enterprise AI entwickelt sich rasant. Organisationen erkennen zunehmend, welches Potenzial KI für die Transformation ihrer Abläufe birgt. Hier sind einige bemerkenswerte Trends, die das aktuelle Umfeld prägen:

1. Aufstieg der generativen KI in Unternehmen: Unternehmen nutzen generative KI, um Inhalte zu erstellen, Prozesse zu automatisieren und Kundeninteraktionen zu verbessern.
2. KI-gestützte Entscheidungsintelligenz: Unternehmen nutzen KI, um Daten zu analysieren und fundierte Entscheidungen zu treffen, was Effizienz und Wirksamkeit steigert.
3. Hyperautomatisierung über alle Geschäftsbereiche hinweg: Unternehmen automatisieren komplexe Prozesse in verschiedenen Abteilungen und erzielen dadurch deutliche Produktivitätsgewinne.
4. Branchenspezifische KI-Lösungen: Maßgeschneiderte KI-Anwendungen entstehen, um spezifische Herausforderungen in Branchen wie Gesundheitswesen, Finanzwesen und Fertigung zu lösen.

Aktuelle Statistiken zeigen die wachsende Dynamik bei der KI-Einführung:

Diese Trends zeigen einen Wandel von der Planungsphase hin zum Produktivbetrieb bei der KI-Einführung. Die Public Cloud hat sich als dominierende Umgebung für KI-Workloads etabliert, und die Nutzung von Containern für den Produktivbetrieb von Machine Learning nimmt zu. Die COVID-19-Pandemie hat die Investitionen in KI-Infrastruktur zusätzlich beschleunigt und Unternehmen dazu gebracht, sich schnell anzupassen.

Dringlichkeit der KI-Einführung

Der Druck, KI einzuführen, hat in den vergangenen fünf Jahren spürbar zugenommen, besonders bei Fortune-500-Unternehmen. Unternehmen erkennen heute, dass KI nicht nur ein Wettbewerbsvorteil ist, sondern für das Überleben am Markt unverzichtbar wird.

Aktuelle Daten zeigen einen deutlichen Anstieg der Nachfrage nach bestimmten KI-bezogenen Rollen:

Wie Draup-CEO Vijay Swaminathan feststellte: „Die Fähigkeiten werden breiter, Rollen konsolidieren sich, und Menschen, die KI betreiben, sind gefragt.“ Diese Aussage spiegelt den wachsenden Bedarf an qualifizierten Fachkräften wider, die die Komplexität der KI-Implementierung und -Governance beherrschen.

Schritte zum Aufbau von Enterprise-KI

Geschäftsbedarf ermitteln

Um Enterprise-KI aufzubauen, die Ergebnisse liefert, sollten Sie zuerst Ihren Geschäftsbedarf ermitteln. Dieser Schritt ist entscheidend, damit Ihre KI-Initiativen mit den Zielen Ihres Unternehmens übereinstimmen. Die folgenden Strategien helfen Ihnen, diesen Bedarf genau zu bestimmen:

1. Fundament legen: Bereiten Sie Ihr Unternehmen vor, indem Sie die Führungsebene schulen und eine klare KI-Vision definieren, die auf langfristige Geschäftsziele ausgerichtet ist.
2. Relevante Anwendungsfälle identifizieren: Konzentrieren Sie sich auf KI-Initiativen, die strategische Ziele unmittelbar unterstützen. Suchen Sie nach Reibungspunkten in Ihren Prozessen und stellen Sie sicher, dass Ihre Daten für KI-Anwendungen bereit sind.
3. Bewerten und Risiken reduzieren: Prüfen Sie mögliche Anwendungsfälle, um Anspruch und Machbarkeit in Einklang zu bringen. Achten Sie darauf, dass sie messbare Ergebnisse liefern, die an Ihre geschäftlichen Prioritäten gekoppelt sind.

Berücksichtigen Sie außerdem, wie wichtig die Unterstützung durch Vorstand und Geschäftsführung ist. Ohne diesen Rückhalt ist der Projekterfolg kaum zu sichern. KI-Initiativen sollten auf hochpriorisierte Geschäftsergebnisse abzielen, um zu vermeiden, KI um ihrer selbst willen zu entwickeln.

Verschiedene Branchen haben einen unterschiedlichen Geschäftsbedarf, den Enterprise-KI wirksam adressieren kann. Die folgende Tabelle fasst einige typische Bedarfe über verschiedene Branchen hinweg zusammen:

Werkzeuge für den Aufbau von Enterprise-KI

Die Wahl der richtigen Werkzeuge ist entscheidend für den Aufbau von Enterprise-KI. Diese Werkzeuge sollten sich nahtlos in Ihre bestehenden Systeme integrieren und zugleich robuste Governance- und Compliance-Funktionen bieten. Die folgenden Schlüsseltools sollten Sie in Betracht ziehen:

Überblick über Microsoft Fabric

Microsoft Fabric ist eine einheitliche Datenplattform, die die Architektur für Enterprise-KI vereinfacht. Die Plattform vereint Data Engineering, Analytics, KI und Anwendungsentwicklung in einem einzigen Ökosystem. Diese Integration ermöglicht es Ihnen, die Einführung von KI zu beschleunigen und zugleich Datenqualität und Governance sicherzustellen. Zu den wichtigsten Funktionen von Microsoft Fabric gehören:

• Tiefe Integration in zentrale Geschäftssysteme
• Integrierte Governance, Nachvollziehbarkeit und Compliance für Enterprise-KI
• Zuverlässiger Wissenszugriff mit Enterprise- und agentischem RAG
• Skalierbarkeit ohne Neuentwicklung
• Schnellere Bereitstellung und geringerer Betriebsaufwand
• Stärkere Sicherheit und automatisiertes Risikomanagement

Mit Microsoft Fabric schaffen Sie einen strukturierten Weg zu produktionsreifer KI, sodass Ihre Investitionen greifbare Geschäftsergebnisse liefern.

Weitere wichtige Werkzeuge

Neben Microsoft Fabric können auch einige weitere Werkzeuge Ihre Enterprise-AI-Initiativen voranbringen. Berücksichtigen Sie Folgendes:

• APIs: Verwenden Sie APIs, um Legacy-Systeme mit KI-Funktionen zu verbinden und so eine standardisierte Kommunikation sicherzustellen.
• Middleware: Setzen Sie Middleware ein, die den Austausch zwischen Legacy-Systemen und KI-Komponenten erleichtert.
• Data Lakes: Konsolidieren Sie Daten in einem einheitlichen Data Lake, um umfassende Datensätze für die KI-Analyse bereitzustellen.
• Echtzeitverarbeitung: Streben Sie eine Datenverarbeitung in Echtzeit an, um die Genauigkeit der KI-Vorhersagen zu verbessern.

Diese Werkzeuge helfen Ihnen, KI-Lösungen effektiv in Ihre bestehende IT-Infrastruktur zu integrieren, und stellen sicher, dass Sie den größtmöglichen Nutzen aus Ihren KI-Initiativen ziehen.

Governance bei Enterprise AI

Bedeutung von Governance

Governance spielt eine entscheidende Rolle für den erfolgreichen Einsatz von Enterprise AI. Sie schafft den Rahmen, der Ihre KI-Initiativen lenkt, und stellt sicher, dass diese mit den Unternehmenszielen und ethischen Standards übereinstimmen. Hier sind einige zentrale Gründe, warum Governance unverzichtbar ist:

1. Leistungskennzahlen: Sie müssen Genauigkeit, Effizienz und Zuverlässigkeit Ihrer KI-Systeme nachverfolgen. So erkennen Sie, wie gut Ihre KI-Initiativen funktionieren.
2. Anomalieerkennung: Automatisierte Systeme können ungewöhnliche Muster erkennen, die auf Probleme hindeuten. Dieser proaktive Ansatz ermöglicht es Ihnen, Probleme zu beheben, bevor sie eskalieren.
3. Audit-Protokolle: Detaillierte Aufzeichnungen der KI-Aktivitäten ermöglichen es Ihnen, Probleme gezielt nachzuvollziehen und zu beheben.

Wirksame Governance stellt die Einhaltung von Vorschriften sicher und steuert die mit KI-Technologien verbundenen Risiken. Sie betont außerdem, wie wichtig eine dynamische Steuerung ist, wenn neue Werkzeuge und Anwendungsfälle entstehen. Ohne angemessene Governance setzen Sie Ihre Organisation reputations-, regulatorischen und rechtlichen Risiken aus.

Strategien für wirksame Governance

Die Umsetzung wirksamer Governance in Enterprise-AI-Projekten erfordert ein strukturiertes Vorgehen. Hier sind einige Strategien, die sich bewährt haben:

• KI-Initiativen an der Unternehmensvision ausrichten: Stellen Sie sicher, dass Ihre KI-Projekte zu langfristigen Zielen beitragen. Diese Ausrichtung schafft Rückhalt bei der Führungsebene und den Stakeholdern.
• Abteilungsübergreifende Einbindung fördern: Beziehen Sie unterschiedliche Perspektiven in die KI-Governance ein. Die Zusammenarbeit über Abteilungsgrenzen hinweg erhöht die Wirksamkeit Ihres Governance-Rahmens.
• Klare Governance-Richtlinien festlegen: Entwickeln Sie Richtlinien und Workflows, die den gesamten KI-Lebenszyklus abdecken. Diese Klarheit hilft Ihren Teams, ihre Rollen und Verantwortlichkeiten zu verstehen.

Um Ihren Governance-Rahmen weiter zu stärken, sollten Sie folgende Schritte in Betracht ziehen:

1. Entwickeln Sie ein umfassendes Ethik-Curriculum, das die zentralen Werte der KI betont.
2. Starten Sie Zertifizierungsprogramme, um das Verständnis der Mitarbeitenden für KI-Ethik zu überprüfen.
3. Bieten Sie kontinuierliche Weiterbildungsangebote an, damit Mitarbeitende stets über KI-Governance informiert sind.

Indem Sie Governance in jeder Phase des KI-Lebenszyklus verankern, stellen Sie sicher, dass Ihre KI-Initiativen ethisch und regelkonform bleiben. Dieser proaktive Ansatz reduziert nicht nur Risiken, sondern steigert auch die Wirksamkeit Ihrer KI-Systeme insgesamt.

Praxisbeispiele für Enterprise AI

Erfolgreiche Fallstudien

Viele Organisationen haben Enterprise AI bereits erfolgreich eingeführt und damit gezeigt, welches Potenzial sie für messbare geschäftliche Ergebnisse bietet. Hier sind einige bemerkenswerte Fallstudien, die die Wirksamkeit von KI in verschiedenen Branchen belegen:

Diese praxisnahen Anwendungsfälle zeigen, wie KI Abläufe verändern und erhebliche Einsparungen bringen kann. Der Erfolg dieser Projekte beruht oft auf mehreren zentralen Faktoren:

• Klares Geschäftsziel: Ein klar definiertes Problem oder Ziel sorgt dafür, dass die KI-Lösung echten Mehrwert liefert.
• Qualitätsvolle Daten und die richtigen Werkzeuge: Hochwertige Daten und geeignete KI-Tools sind entscheidend für den Erfolg.
• Einbindung der Beteiligten und Schulung: Die Nutzer einzubinden und sie zu schulen, ist für die Akzeptanz unverzichtbar.
• Iterative Umsetzung: Mit Pilotprojekten zu beginnen und Lösungen laufend zu verfeinern, führt zu besseren Ergebnissen.

Lehren aus gescheiterten Projekten

Trotz der Erfolge scheitern viele KI-Projekte in Unternehmen. Wenn Sie diese Fehlschläge verstehen, können Sie typische Fallstricke vermeiden. Hier sind einige häufige Gründe, warum Projekte scheitern:

1. Die Erwartungen der Führungsebene stimmen oft nicht mit den Projektzielen überein, was zu Unklarheit über die Erfolgskriterien führt.
2. Schlechte Datenqualität und unausgewogene Datensätze beeinträchtigen die Leistung des KI-Modells erheblich.
3. Fehlende Fachkräfte erschweren die erfolgreiche Umsetzung von KI-Projekten.
4. Widerstand gegen Veränderungen und fehlende Akzeptanz bei den Nutzern können Technologie wirkungslos machen, unabhängig von ihren Fähigkeiten.

Laut einer Umfrage von Gartner scheitern über 80 % der KI-Projekte, und das ist doppelt so häufig wie bei Nicht-KI-IT-Projekten. Nur 48 % der KI-Projekte gehen tatsächlich in den Produktivbetrieb, und der Weg vom Prototyp bis zur Produktion dauert im Schnitt 8 Monate.

Um aus diesen Fehlschlägen zu lernen, sollten Sie folgende Lehren berücksichtigen:

• Die meisten KI-Pilotprojekte in Unternehmen scheitern aus nicht-technischen Gründen: fehlende klare Geschäftskennzahlen, mangelnde Datenreife, unzureichendes Change Management und ein zu breit gefasster Umfang.
• Eine KI-Plattform einzuführen, bevor Sie Ihre Daten bereinigt haben, kann zu erheblichen Verlusten führen.
• Ein generischer KI-Assistent, der nicht auf bestimmte Arbeitsabläufe zugeschnitten ist, verschwendet häufig Ressourcen.
• Die Ebene des Change Managements zu überspringen, ist ein häufiger Fehler: 70 % der KI-Projekte scheitern an fehlender Akzeptanz der Mitarbeitenden.

Wenn Sie diese Herausforderungen erkennen, können Sie Ihr Unternehmen besser auf eine erfolgreiche KI-Einführung vorbereiten.

Herausforderungen beim Aufbau von KI in Unternehmen

Häufige Hürden

Der Aufbau unternehmensweiter KI-Systeme bringt einige Herausforderungen mit sich. Sie können auf verschiedene Hindernisse stoßen, die Ihren Fortschritt bremsen. Hier sind einige der am häufigsten genannten Probleme:

• Komplexität der KI-Modelle: Rund 35 % der Chief AI Officers (CAIOs) nennen die Komplexität beim Aufbau, bei der Integration und bei der Verwaltung von KI-Modellen als größte Hürde für die Einführung.
• Grenzüberschreitende Datenbeschränkungen: Fast 60 % der KI-Verantwortlichen berichten, dass grenzüberschreitende Datenbeschränkungen erhebliche Probleme verursachen. Diese Vorschriften können Ihren Zugriff auf Daten und deren effektive Nutzung einschränken.
• Komplexität der Integration: Mehr als die Hälfte der Organisationen nennt die Komplexität der Integration als größte Herausforderung bei der Entwicklung unternehmensweiter KI-Systeme. Große Organisationen tun sich oft schwer, KI in bestehende Systeme einzubinden, da die Softwareanwendungen vielfältig sind und jeweils eigene Anforderungen haben.
• Kultureller Widerstand: Widerstand gegen Veränderungen in Organisationen kann die Einführung von KI-Technologien bremsen. Mitarbeitende fühlen sich von neuen Technologien möglicherweise bedroht oder wissen nicht, wie sie sich anpassen sollen.

Diese Hürden können Ihren Weg zu einer erfolgreichen KI-Einführung erheblich blockieren.

Umgang mit Herausforderungen bei der Umsetzung

Um diese Herausforderungen zu meistern, brauchen Sie wirksame Strategien. Hier sind einige Ansätze, mit denen Sie Umsetzungshürden in unternehmensweiten KI-Projekten überwinden können:

• Eine umfassende KI-Strategie entwickeln: Richten Sie Ihre KI-Initiativen an den Geschäftszielen aus. Diese Ausrichtung stellt sicher, dass Ihre Projekte die Ziele Ihrer Organisation unterstützen.
• In Data Governance investieren: Sorgen Sie für saubere, zugängliche Daten. Schlechte Datenqualität kann zu unzuverlässigen KI-Ergebnissen führen, deshalb sollten Sie das Datenmanagement priorisieren.
• Sichere, skalierbare Plattformen nutzen: Setzen Sie auf Plattformen, die mit Ihren Anforderungen mitwachsen können. Diese Flexibilität erlaubt es Ihnen, sich anzupassen, während sich Ihre KI-Initiativen weiterentwickeln.
• Bereichsübergreifende Zusammenarbeit fördern: Fördern Sie die Zusammenarbeit zwischen IT und Fachbereichen. Dieses Teamwork steigert die Wirksamkeit Ihres KI-Governance-Frameworks.
• Erklärbare KI einsetzen: Schaffen Sie Vertrauen und sichern Sie die Compliance, indem Sie auf erklärbare KI-Frameworks setzen. Transparenz bei KI-gestützten Entscheidungen kann die Bedenken der Beteiligten ausräumen.

Unternehmen stehen bei der Integration von KI häufig vor großen Herausforderungen, weil der Datenzugriff fragmentiert ist und Sicherheitsanforderungen erfüllt werden müssen. Datensilos führen zu unvollständigen Datensätzen, wodurch KI-Modelle schlecht trainiert werden und Prognosen unzuverlässig ausfallen. Um diese Probleme zu lösen, sollten Sie eine einheitliche Datenebene einrichten, die nahtlosen Datenzugriff über verschiedene Systeme hinweg ermöglicht. So kann KI mit vollständigen und korrekten Informationen arbeiten.

Wenn Sie diese Herausforderungen frühzeitig angehen, schaffen Sie ein wirksameres Umfeld für Ihre Enterprise-AI-Initiativen.

Häufige Fragen

Was ist Enterprise AI?

Enterprise AI bezeichnet künstliche Intelligenz, die für große Organisationen entwickelt wurde. Diese Lösungen verbessern Geschäftsprozesse, steigern die betriebliche Effizienz und treiben die digitale Transformation voran.

Warum ist Governance bei Enterprise AI wichtig?

Governance stellt sicher, dass Ihre KI-Initiativen mit ethischen Standards und den Zielen Ihrer Organisation übereinstimmen. Sie hilft, Risiken zu steuern, die Datenqualität zu sichern und die Einhaltung gesetzlicher Vorgaben zu gewährleisten.

Wie erkenne ich geeignete Anwendungsfälle für KI?

Beginnen Sie damit, die strategischen Ziele Ihrer Organisation zu bewerten. Suchen Sie nach Bereichen, in denen KI Schwachstellen beheben, die Effizienz steigern oder das Kundenerlebnis verbessern kann.

Welche Werkzeuge sind für den Aufbau von Enterprise AI unverzichtbar?

Zu den wichtigsten Werkzeugen gehören Microsoft Fabric für Datenintegration und Governance, APIs zur Anbindung von Systemen und Data Lakes zur Konsolidierung von Informationen. Diese Werkzeuge unterstützen eine wirksame Umsetzung von KI.

Wie messe ich den Erfolg meiner KI-Initiativen?

Legen Sie klare Erfolgskennzahlen fest, die an Ihre Geschäftsziele gekoppelt sind. Verfolgen Sie Leistungsindikatoren wie Genauigkeit, Effizienz und ROI, um die Wirkung Ihrer KI-Projekte zu bewerten.

Welche typischen Herausforderungen gibt es bei der Einführung von Enterprise AI?

Zu den häufigen Herausforderungen zählen Probleme mit der Datenqualität, die Komplexität der Integration, kulturelle Widerstände und der Bedarf an qualifizierten Fachkräften. Diese Hürden zu überwinden ist entscheidend für eine erfolgreiche Umsetzung.

Wie überwinde ich Widerstände gegen die Einführung von KI?

Fördern Sie eine Kultur der Zusammenarbeit und Weiterbildung. Binden Sie Mitarbeitende ein, indem Sie den Nutzen von KI aufzeigen und Schulungen anbieten, damit sie sich an neue Technologien anpassen können.

Welche Rolle spielt die Datenqualität für den Erfolg von KI?

Hochwertige Daten sind für wirksame KI-Modelle unverzichtbar. Schlechte Datenqualität kann zu ungenauen Erkenntnissen und gescheiterten Bereitstellungen führen.

Fazit

Der Aufbau von Enterprise AI erfordert weit mehr als einen guten Algorithmus. Er verlangt einen strukturierten Ansatz, saubere Daten und eine einheitliche Plattformstrategie. Wie wir in diesem Beitrag erörtert haben, bedeutet der Schritt vom Pilotprojekt zum produktiven Einsatz, technische Fähigkeiten an klaren Geschäftszielen auszurichten, robuste Governance zu verankern und sich auf messbare Ergebnisse zu konzentrieren.

Um diese Strategien tiefer zu verstehen und Praxisratschläge von Branchenführern zu hören, sehen Sie sich unbedingt unsere passende Podcast-Folge an, From Pilot to Production: Building Enterprise AI That Actually Delivers with Leon Gordon [MVP]. Leon gibt wertvolle Einblicke, was nötig ist, um die Lücke zwischen ersten Experimenten und unternehmenstauglichem Erfolg zu schließen.