KI-Transformation, die im Team ankommt. Nicht nur in den Slides.
Ich helfe dem industrienahen Mittelstand dabei, Selbstwirksamkeitserfahrungen in Sachen KI zu sammeln und die Zukunft selbst in die Hand zu nehmen.
AI Transformation Advisor für den industrienahen Mittelstand.
Strategie, Durchführung, Upskilling und Change als ein integrierter Loop. Empirisch fundiert, nicht als Buzzword.
Die meisten KI-Projekte scheitern nicht an KI.
KI scheitert im Mittelstand nicht an Technologie. Sie scheitert an drei Dingen:
an jahrzehntelang gewachsenen Prozessen,
an fehlender Datenstrategie
und an Menschen, die drei Fragen nicht beantwortet bekommen: Kann ich das? Bringt mir das was? Ist mir der Aufwand zu groß?
Moderne Maschinen neben Excel-Listen von 2004.
Pilotprojekte ohne Fundament darunter.
Erwartung, Wert, Kosten — mein Ansatz beginnt hier.
Das integrierte Modell
Wo KI im Geschäftsmodell wirklich etwas bewegt.
Gebaut, nicht geplant. Sichtbarer Beweis im eigenen Haus.
Teams bauen selbst. Selbstwirksamkeit statt Zuschauen.
Der Loop schließt sich, oder er läuft nicht.
Die meisten Berater liefern eines davon. Strategie ohne Durchführung bleibt ein Foliensatz. Training ohne Strategie produziert Wissen ohne Anwendung. Der Loop funktioniert nur als Ganzes, und der psychologische Kern, der ihn zum Laufen bringt, ist Selbstwirksamkeit: Teams müssen selbst etwas bauen, damit sie daran glauben.
Kein Vorschussvertrauen: Jede Phase liefert einen sichtbaren, operativen Beweis, bevor die nächste beginnt. Sie investieren nicht in Roadmaps, sondern in funktionierende Ergebnisse aus dem eigenen Haus.
| Dimension | Die unausgesprochene Frage im Team |
|---|---|
| Erwartung | Kann ich KI in meinem Job überhaupt einsetzen? |
| Wert | Bringt mir persönlich das wirklich etwas? |
| Kosten | Ist mir der Lernaufwand vielleicht zu groß? |
Als Diagnose-Tool zu Beginn jeder Transformation. Warum scheitert Adoption in diesem konkreten Team? Ist es ein Erwartungsproblem, ein Wertproblem oder ein Kostenproblem? Jede der drei Antworten verlangt eine andere Intervention. Wer alle drei mit demselben Standard-Training beantwortet, verbrennt Budget und Wirkung.
Das Modell stammt nicht aus einem Management-Buch, sondern aus empirischer Forschung. Ich habe gemessen, warum Menschen beim Übergang in etwas Neues scheitern: Fähigkeit allein erklärt nicht, wer durchhält. Erwartung, Wert und Kosten entscheiden. KI-Transformation ist strukturell genau so ein Übergang.
| Phase | Fokus | Charakteristik |
|---|---|---|
| Phase 1Effizienz | Leicht zu findende Use Cases | Selbstfinanzierend, schnelle Beweise, baut Selbstwirksamkeit auf |
| Phase 2Effektivität | Schwer zu findende Use Cases | Braucht methodisches Training (z. B. Design Thinking), hier scheitern die meisten |
| Phase 3Innovation | Neue Produkte & Geschäftsmodelle | Erst möglich, wenn das Team die Technologie versteht statt nur benutzt |
Wichtiges Prinzip: Phasenübergänge werden nicht durch Kalenderdaten ausgelöst, sondern durch eine Kapazitätsschwelle: Erst wenn pro Person spürbar Zeit frei wird (Größenordnung vier Stunden pro Woche), ist Raum für die nächste Phase. Und: Die Sequenz läuft bottom-up. Das C-Level braucht operative Beweise, bevor es strategisch investiert.
AI Transformation Advisory
Directors und operative Führungskräfte im industrienahen Mittelstand
KI-Strategie & Roadmap plus Team-Enablement als ein integriertes Paket. Diagnose mit dem EVC-Modell, Priorisierung der Use Cases entlang des 3-Phasen-Modells, Begleitung bis zum operativen Beweis.
Hybrid, 6 bis 28 Wochen, hands-on. Keine Foliensätze, die im Schrank landen.
KI-WORKSHOPS
Projektmanager und Teams im industrienahem Mittelstand
Halbtägiges, praxisnahes Format. Die Teilnehmer arbeiten an ihren eigenen, echten Projekten, nicht an Beispieldaten. Domänenspezifische Inhalte: 8D-Reports, FMEA, Claim Management, Reklamationsbearbeitung, Technische Zeichnungen, Produktdesign, Sales etc.
Microsoft 365 Copilot und ChatGPT, also die Werkzeuge, die im Unternehmen ohnehin vorhanden sind. EVC-basiert: jeder Teilnehmer verlässt den Raum mit einer eigenen Selbstwirksamkeitserfahrung.
Fractional CPO / Sparring
Mittelständler und Softwareunternehmen, die Produkt- und KI-Kompetenz auf Führungsebene brauchen, aber (noch) keine Vollzeitstelle
Regelmäßiges strategisches Sparring, Produkt-Roadmap, Begleitung von KI-Initiativen auf Entscheiderebene.
„Technik verstehen trifft Mittelstand verstehen. Und dazwischen: empirisch gemessen, warum Menschen bei Übergängen in Neues scheitern. KI ist genau dieser Übergang."
Forschungshintergrund statt Framework-Folklore
Promotion in Statistik und Ingenieursdidaktik, 14 Publikationen.
Ich habe Selbstwirksamkeit, systematische Fehlermuster und das EVC-Modell empirisch gemessen, lange bevor KI-Adoption ein Thema war.Das ist keine nachträglich übergestülpte Theorie, sondern der Kern meiner wissenschaftlichen Arbeit.
INDUSTRIE & AUTOMOTIVE-DOMÄNENSPRACHE
8D, FMEA, IATF, APQP und PPAP sind keine Vokabeln aus einem Briefing, sondern Projektalltag — genauso wie CAD-Daten, .stp-Austauschformate, Zeichnungsköpfe nach ISO 7200 und Stücklisten, die zwischen drei Systemen nicht zusammenpassen. Wer in Qualitätsmanagement, Konstruktion oder Fertigung arbeitet, muss mir nichts erklären.
Proof-first aus der Praxis
Data Scientist bei PwC, Senior PM bei DB Training, Bereichsleiter bei Haufe Akademie, heute Projekte, AI & Prozesse bei einem KI-Unternehmen mit Kunden wie Daimler Buses, Continental und Leica. Ich habe KI-Enablement in Konzernen und im Mittelstand gebaut, nicht nur beraten.
Product Manager, Data Scientist, Co-Founder
Ich bin Product Manager, Data Scientist und Co-Founder, lebe in Mannheim und arbeite an der Schnittstelle von KI, Prozessen und Menschen.
Mein Weg dorthin ist ungewöhnlich: Lehramt an der PH Heidelberg, Promotion in Statistik und Ingenieursdidaktik an der DHBW. Meine Forschungsfrage war immer dieselbe:
Wie bringt man Menschen durch den Übergang in etwas Neues, einen, der sie überfordert, und was bricht dabei warum zusammen? 14 Publikationen später ist die Antwort messbar: Nicht die Fähigkeit entscheidet, sondern Erwartung, Wert und Kosten.
Danach die Praxis: PwC, DB Training, Haufe Akademie. Heute leite ich bei der SUSI&James GmbH in Mannheim den Bereich Projekte, AI & Produkte und setze KI-Projekte mit Kunden wie Daimler Buses, Continental und Leica um. Parallel bin ich Co-Founder von Anpai Technologies.
Werdegang und Forschung im Detail| SUSI&James GmbH, Mannheim | Projekte, AI & Produkte (seit 07/2025) |
| Anpai Technologies UG | Co-Founder |
| Haufe Akademie | Bereichsleiter Lernplattformen |
| DB Training | Senior Product Manager |
| PwC | Data Scientist & Entwicklung eines internationalen ML/AI-Enablement-Programms |
| DHBW | Promotion Statistik / Ingenieursdidaktik |
| PH Heidelberg | Master of Education Mathematik |
Projekte u. a. mit:
14 Publikationen auf ResearchGate (PH Heidelberg / DHBW Mosbach). Forschungsschwerpunkte: Selbstwirksamkeit und EVC-Modell, systematische Fehlermuster, diagnostische Testentwicklung.
Dazu eine wachsende LinkedIn-Präsenz zu KI-Transformation im Mittelstand.
Die meisten KI-Projekte scheitern nicht an KI. Sie scheitern an Erwartung, Wert und Kosten.
KI ist kein Heilsbringer schlechter Prozesse. Sie ist ein Spiegel.
Selbstwirksamkeit ist der Engpass jeder Transformation: Teams müssen selbst etwas bauen, damit sie daran glauben.
Coding wird Commodity. Der Wert liegt im System Design.
Lassen Sie uns über Ihr Team sprechen, nicht über Tools.
30 Minuten, unverbindlich.
| christian.duesi@icloud.com | |
| Standort | Mannheim — Einsatzgebiet DACH, hybrid |
| Christian Düsi | |
| ResearchGate | Profil |