KI-Transformation bei der Deutschen Bahn: Strategien für Großkonzerne

Wie gelingt die KI-Transformation in einem Großkonzern wie der Deutschen Bahn mit über 220.000 Mitarbeitenden? Diese Frage steht im Zentrum der 100. Folge des AI FIRST Podcasts. Host Felix Schlenther spricht mit Dr. Michael Drass, Chief AI Officer der Deutschen Bahn, über die konkreten Schritte, mit denen der Konzern künstliche Intelligenz (KI) aus der Experimentierphase in die breite Anwendung bringt. Das Gespräch liefert einen tiefen Einblick in die Strategie, die Herausforderungen und die Erfolgsfaktoren bei der Implementierung von KI in einem komplexen, regulierten Umfeld. Dr. Drass erklärt, warum bei der Bahn alles auf messbare Wirkung in Kernprozessen ausgerichtet ist, wie der Rollout von Copilot für die gesamte Belegschaft organisiert wird und wie Geschwindigkeit, Mitbestimmung, Datenschutz und Governance in Einklang gebracht werden. Diese Episode ist eine wertvolle Ressource für alle, die KI in großen Organisationen vorantreiben und verstehen wollen, wie aus Hype ein echter operativer Mehrwert wird.

Das Wichtigste auf einen Blick

• Fokus auf Kernprozesse: KI ist bei der Deutschen Bahn kein Selbstzweck, sondern ein Werkzeug, das einen messbaren Mehrwert in zentralen Unternehmensbereichen wie der Zugdisposition oder der Instandhaltung liefern muss.
• Das Fundament ist entscheidend: Dr. Drass betont immer wieder, dass eine hohe Datenqualität und eine stabile, gemeinsame Plattforminfrastruktur wichtiger sind als das neueste KI-Modell. Ohne ein solides Fundament bleiben KI-Initiativen instabil und ineffektiv.
• Enablement als Schlüssel zum Erfolg: Die Einführung von KI-Werkzeugen wie Copilot wird von massiven Schulungsinitiativen begleitet. Mit über 30.000 durchgeführten Schulungen wird sichergestellt, dass die Mitarbeitenden die Technologie nicht nur erhalten, sondern auch kompetent und sicher nutzen können.
• Mitbestimmung und Governance von Anfang an: Anstatt im Nachhinein auf Barrieren zu stoßen, bindet die Deutsche Bahn Stakeholder wie Betriebsräte, Datenschützer und Juristen von Beginn an in den Prozess ein. Dieser ganzheitliche Ansatz schafft Vertrauen und beschleunigt die Umsetzung.
• Zwei Geschwindigkeiten für eine Organisation: Die Bahn verfolgt einen Zwei-Geschwindigkeiten-Ansatz. In Bereichen mit hohem KI-Reifegrad, wie der Softwareentwicklung, wird die Einführung neuer Technologien (z. B. agentische Systeme) beschleunigt. In der Breite wird ein langsameres, sorgfältig begleitetes Tempo gewählt, um die Organisation nicht zu überfordern.
• Die menschliche Seite der KI: Die intensive Arbeit mit KI-Agenten führt zu neuen Belastungen wie kognitiven Schulden und Intent-Schulden. Michael erklärt, dass KI Zeit für menschliche Interaktion freisetzen sollte, aber auch die Gefahr birgt, das eigene kritische Denken zu schwächen.

KI in den Kernprozessen der Bahn: Mehr als nur ein Chatbot

Lange bevor generative KI zum Hype-Thema wurde, war künstliche Intelligenz bereits tief in den Kernprozessen der Deutschen Bahn verankert. Michael erklärt, dass der Konzern schon vor über zehn Jahren begann, eigene KI-Modelle zu entwickeln. Der Fokus lag dabei stets auf dem Heavy Metal-Geschäft, also der operativen Seite des Bahnbetriebs. Ein prägnantes Beispiel ist die Zugdisposition der S-Bahn München. Hier wurde ein digitaler Zwilling des gesamten S-Bahn-Netzes geschaffen, der mit Live-Daten gespeist wird. In dieser Simulation testen KI-Agenten auf Basis von Reinforcement Learning permanent, wie durch kleine Anpassungen - etwa eine vorzeitige Wende eines Zuges - die Pünktlichkeit im Gesamtsystem verbessert werden kann. Dieses System, das bereits 2021 im Einsatz war, liefert den Disponenten Handlungsvorschläge und zeigt, wie weit die Bahn in der Anwendung von agentischer KI bereits ist.

Ein weiterer Bereich ist die Instandhaltung. Anstatt dass Wagenmeister jeden Zug manuell auf Schäden oder Graffiti untersuchen, fahren die Züge durch spezielle Kameratore. KI-gestützte Bilderkennungsmodelle, die auf DB-eigenen Daten trainiert wurden, analysieren die Aufnahmen und identifizieren präzise, an welchem Waggon eine Reinigung oder Reparatur notwendig ist. Auch in der Fahrgastinformation spielen KI-Prognosemodelle eine entscheidende Rolle, um Verspätungen so exakt wie möglich vorherzusagen - eine hochkomplexe Aufgabe, bei der Datenqualität alles ist.

Wie rollt man KI für 220.000 Mitarbeitende aus?

Die Einführung einer flächendeckenden KI-Anwendung wie Microsoft Copilot für über 220.000 Menschen stellt eine völlig andere Herausforderung dar als spezialisierte KI-Lösungen in Kernprozessen. Felix und Michael diskutieren, dass ein einfacher technischer Rollout hier nicht ausreicht. Die Deutsche Bahn verfolgt stattdessen einen ganzheitlichen Ansatz, den Michael mit dem Bau eines Tunnels vergleicht, der von zwei Seiten gleichzeitig vorangetrieben wird.

Von oben werden Führungskräfte, Konzernvorstände und Aufsichtsräte geschult, um ein grundlegendes Verständnis für die Chancen und Risiken von KI zu schaffen. Gleichzeitig wird von unten ein breites Enablement-Programm für die gesamte Belegschaft ausgerollt. Mit über 30.000 durchgeführten Schulungen in diesem Jahr wird sichergestellt, dass die Mitarbeitenden je nach ihrem individuellen Reifegrad die passenden Lernangebote erhalten - vom Anfänger bis zum Pro-User. Das Ziel ist es, den Appetit auf die Nutzung von KI zu wecken, denn erst aus dem Use (der Nutzung) entstehen die wertvollen Use Cases (Anwendungsfälle).

Entscheidend für den Erfolg ist laut Michael die frühzeitige Einbindung aller relevanten Gremien. Anstatt auf den Widerstand von Betriebsräten oder Datenschützern zu warten, werden diese von Anfang an an einen Tisch geholt. In gemeinsamen Runden wird eine gemeinsame Sprache entwickelt und sichergestellt, dass alle Bedenken berücksichtigt werden. Dieser integrative Ansatz schafft Vertrauen und verhindert, dass Projekte in späten Phasen an formalen Hürden scheitern.

Agentische Softwareentwicklung: Der schmale Grat zwischen Produktivität und Kontrollverlust

Agentische KI, also Systeme, die autonom Aufgaben erledigen, hebt die Interaktion mit Technologie auf ein neues Level - und bringt neue Herausforderungen mit sich. Michael teilt seine persönlichen Erfahrungen aus der Arbeit mit Coding-Agenten, die er nutzt, um eigene kleine Software-Tools zu bauen. Er beschreibt eine enorme kognitive Belastung, die entsteht, wenn man versucht, mehrere Agenten gleichzeitig zu steuern und deren komplexe Arbeitsweise nachzuvollziehen. Er spricht von kognitiven Schulden - der Unfähigkeit, den von der KI erzeugten Code vollständig zu verstehen - und Intent-Schulden, bei denen der ursprüngliche Zweck einer Aufgabe im Prozess verloren geht.

Diese intensive Interaktion kann zu einem Zustand führen, den Felix als Brain Fry bezeichnet. Die ständige Stimulation und der schnelle Output der KI verleiten dazu, das eigene kritische Nachdenken zu überspringen. Beide sind sich einig, dass es eine bewusste Anstrengung erfordert, sich Zeit für ungestörtes, analoges Denken zu nehmen - sei es mit Stift und Papier -, um die eigenen Gedanken zu ordnen, bevor man sie an eine KI übergibt. Die Fähigkeit, klare Anweisungen zu geben und kritisch zu prüfen, wird zu einer der wichtigsten Kompetenzen im KI-Zeitalter.

Vom Fundament zur Governance: Die Balance zwischen Geschwindigkeit und Sicherheit

Wie schafft es ein Großkonzern, bei der rasanten Entwicklung von KI Schritt zu halten, ohne die Kontrolle zu verlieren? Die Deutsche Bahn setzt auf eine klare Strategie, die Stabilität und Agilität verbindet. Das Mantra lautet: Konzentriere dich auf das Fundament. Anstatt jedem neuen Hype hinterherzulaufen, wird der Fokus auf die Verbesserung der Datenqualität, die Definition von Datenprodukten und den Aufbau einer robusten Plattform gelegt. Denn, so Michael, KI ist keine Zauberwaffe, die schlechte Prozesse oder mangelhafte Daten heilen kann.

Um Innovation zu ermöglichen, hat die Bahn einen Playground geschaffen - eine sichere Sandbox-Umgebung, in der Teams neue Modelle und agentische Systeme testen können, ohne dass diese in die produktive Umgebung gelangen können. Alles, was in diesem Labor entsteht, wird regelmäßig zurückgesetzt, um die Entstehung unkontrollierter Schatten-IT zu verhindern.

Gleichzeitig wird ein Zwei-Geschwindigkeiten-Ansatz gefahren. In Bereichen, in denen der Reifegrad der Technologie hoch und der Nutzen klar ist, wie in der Softwareentwicklung, wird die Einführung agentischer Systeme forciert. Hier werden Entwickler gezielt dabei unterstützt, Aufgaben wie die Testautomatisierung oder Dokumentation an Agenten zu übergeben. Für die breite Masse der Mitarbeitenden, etwa bei Office-Anwendungen, wird die nächste Stufe der Agenten (z. B. Copilot Coworker) langsamer und ganzheitlich begleitet eingeführt, um eine Überforderung zu vermeiden.

Praktische Schritte für die KI-Transformation in deinem Unternehmen

Aus dem Gespräch mit Dr. Michael Drass lassen sich konkrete Handlungsempfehlungen für die Einführung von KI in großen Organisationen ableiten:

1. Beginne beim Prozess, nicht bei der Technologie: Analysiere zuerst deine Arbeitsabläufe und Daten. Frage dich, wo ein echtes Problem liegt, bevor du nach einer KI-Lösung suchst. Einen schlechten Prozess mit KI zu automatisieren, führt nur zu einem schlechten automatisierten Prozess.
2. Schaffe ein solides Fundament: Investiere in Datenqualität, Daten-Governance und eine skalierbare Plattforminfrastruktur. Dies ist die unsichtbare, aber entscheidende Vorarbeit für jeden nachhaltigen KI-Erfolg.
3. Binde alle Stakeholder frühzeitig ein: Setze dich von Tag eins an mit Betriebsräten, Datenschutzbeauftragten, Juristen und der IT-Sicherheit an einen Tisch. Ein gemeinsames Verständnis und transparente Kommunikation bauen Vertrauen auf und verhindern spätere Blockaden.
4. Setze auf massives Enablement: Statte deine Mitarbeitenden nicht nur mit Tools aus, sondern befähige sie durch gezielte und an den Reifegrad angepasste Schulungen. Wecke die Neugier und fördere das Prinzip erst Use, dann Case.
5. Etabliere kontrollierte Freiräume: Richte eine sichere Sandbox-Umgebung (einen Playground) ein, in der Teams ohne Risiko experimentieren können. Das fördert Innovation, ohne die Stabilität der Produktivsysteme zu gefährden.
6. Fahre mit angepasster Geschwindigkeit: Nicht jede Abteilung oder jeder Anwendungsfall ist reif für die neueste KI-Technologie. Führe Innovationen dort schnell ein, wo der Nutzen hoch und das Team erfahren ist, und wähle für die breite Masse ein langsameres, begleitendes Tempo.