// Tools & Entwicklung 23.09.2026 · 12:34 Uhr 15 Min. Lesezeit

Wie REWE digital die Akzeptanz eines KI Assistenten im IT Support steigert

Mindverse News

KI-gestützt erstellt 8 Quellen Arbeitsweise

Wie REWE digital die Akzeptanz eines KI Assistenten im IT Support steigert — Symbolbild

Das Wichtigste in Kürze

REWE digital entwickelte einen KI-gestützten Assistenten für den internen IT-Support, der zunächst technisch funktionierte, von den Beschäftigten jedoch kaum genutzt wurde.
Erst die Umbenennung des ursprünglichen „Hotline Agent“ in „Lumi“, ergänzt um einen Avatar und eine interne Kommunikationskampagne, führte zu deutlich höherer Akzeptanz.
Nach Angaben der veröffentlichten Projektinformationen werden inzwischen rund 5.000 Anfragen pro Monat automatisiert bearbeitet. Andere Darstellungen nennen monatlich 8.000 bis 9.000 bearbeitete Anfragen.
Die zentrale Automatisierungsquote liegt laut viadee-Projektreferenz bei 48 Prozent der Anfragen an die zentrale Support-Hotline. Weitere 13 Prozent werden strukturiert vorqualifiziert.
Der Fall zeigt, dass der Erfolg unternehmensinterner KI nicht allein von Modellqualität, Datenbasis und Systemarchitektur abhängt. Kommunikation, Vertrauen und die Einbettung in bestehende Arbeitsabläufe sind ebenso entscheidend.
Lumi wurde für rund 20.000 Verwaltungsmitarbeitende der REWE Group konzipiert und in bestehende Systeme wie Microsoft Teams, Confluence, SharePoint und Jira eingebunden.

// Inhalt · 13 Abschnitte

Ein funktionierendes System, das niemand verwenden wollte
Der Ausgangspunkt: Belastungsgrenzen im klassischen IT-Support
Warum technische Qualität zunächst nicht ausreichte
Aus dem Hotline Agent wird Lumi
Die vorliegenden Kennzahlen im Überblick
Wie Lumi in die IT-Landschaft eingebunden ist
Der Fall als Beispiel für organisatorischen Wandel
Datenschutz und Compliance als Voraussetzung
Was Unternehmen aus dem Projekt ableiten können
Warum das Beispiel nicht uneingeschränkt übertragbar ist
Die Bedeutung für den B2B-KI-Markt
Eine nüchterne Bilanz des Lumi-Projekts
Fazit
Quellen

Ein funktionierendes System, das niemand verwenden wollte

Unternehmen investieren zunehmend in KI-Anwendungen, um interne Prozesse zu beschleunigen, Serviceeinheiten zu entlasten und vorhandenes Wissen besser zugänglich zu machen. Besonders naheliegend ist der Einsatz im IT-Support: Viele Anfragen wiederholen sich, Antworten liegen bereits in Dokumentationen oder Wissensdatenbanken vor, und ein großer Teil der Fälle folgt standardisierten Abläufen.

Der Einsatz eines Chatbots scheint unter diesen Bedingungen zunächst vergleichsweise einfach. Ein System beantwortet Fragen, verweist auf passende Anleitungen oder erstellt bei komplexeren Anliegen automatisch ein Ticket. In der Praxis entscheidet sich der Erfolg jedoch nicht erst bei der technischen Leistungsfähigkeit. Er beginnt bei der Frage, ob Beschäftigte das System überhaupt als verlässlichen und geeigneten Ansprechpartner wahrnehmen.

Der interne KI-Support von REWE digital veranschaulicht diese Herausforderung besonders deutlich. Die IT-Einheit der REWE Group entwickelte einen Assistenten, der auf interne Wissensquellen zugreift und Supportanfragen automatisiert bearbeitet. Der erste Prototyp soll technisch bereits zuverlässig funktioniert haben. Dennoch blieb die Nutzung zunächst hinter den Erwartungen zurück. Die Mitarbeitenden griffen weiterhin auf die vertraute Hotline zurück.

Die spätere Entwicklung des Projekts wurde deshalb weniger durch ein neues KI-Modell als durch eine Veränderung der Wahrnehmung geprägt. Aus dem sachlich bezeichneten „Hotline Agent“ wurde „Lumi“. Ein eigener Name, ein Avatar und eine interne Markenkampagne sollten die Distanz zum System verringern. Die verfügbaren Projektangaben deuten darauf hin, dass diese Maßnahmen mit einem deutlichen Anstieg der Nutzung einhergingen.

Der Ausgangspunkt: Belastungsgrenzen im klassischen IT-Support

Die REWE Group beschäftigt in ihrer Verwaltung rund 20.000 Mitarbeitende. Für eine Organisation dieser Größe kann eine zentrale IT-Hotline schnell zu einem Engpass werden. Fragen zu Zugängen, Endgeräten, Software, Arbeitsplatzsystemen oder technischen Störungen treffen dort aufeinander. Mit wachsender Nachfrage verlängern sich Wartezeiten, während Supportmitarbeitende einen erheblichen Teil ihrer Arbeitszeit mit wiederkehrenden Standardfällen verbringen.

Eine überlastete Hotline hat nicht nur Auswirkungen auf die IT-Abteilung. Auch die Produktivität der anfragenden Beschäftigten kann sinken. Wer auf eine Antwort warten muss oder nicht weiß, an wen er sich wenden soll, verschiebt eine Aufgabe möglicherweise, versucht mehrere Kontaktwege oder verzichtet ganz auf eine Meldung. Für das Unternehmen entsteht dadurch ein zusätzliches Problem: Nicht erfasste Störungen lassen sich schwerer priorisieren, auswerten und dauerhaft beheben.

Ein digitaler Workplace-Agent kann an dieser Stelle mehrere Funktionen übernehmen. Er kann Fragen rund um die Uhr entgegennehmen, auf bestehendes Unternehmenswissen zugreifen und Antworten unmittelbar bereitstellen. Wenn eine automatisierte Lösung nicht möglich ist, kann das System die Informationen strukturiert an den zuständigen Support übergeben und ein Ticket anlegen. Im Idealfall wird dadurch nicht nur die Hotline entlastet. Auch die Qualität der Übergabe kann steigen, weil relevante Angaben bereits vorliegen.

Für REWE digital kam hinzu, dass eine Lösung von der Stange offenbar nicht alle Anforderungen abdeckte. Der Assistent sollte aus Compliance- und Datenschutzgründen innerhalb eines geeigneten europäischen Betriebsrahmens eingesetzt werden. Gleichzeitig sollte er auf bereits vorhandenes Wissen zugreifen, statt eine vollständig neue Wissensbasis aufzubauen. Als Quellen werden insbesondere Confluence und SharePoint genannt. Für die operative Weiterverarbeitung wurde das Ticketsystem Jira angebunden.

Warum technische Qualität zunächst nicht ausreichte

Vertraute Wege sind im Arbeitsalltag besonders stabil

Beschäftigte wählen bei einem akuten IT-Problem in der Regel den Weg, der ihnen bekannt ist und aus ihrer Sicht die größte Wahrscheinlichkeit für eine schnelle Lösung bietet. Eine Hotline ist persönlich etabliert, ihre Funktionsweise ist klar und die Mitarbeitenden wissen, dass am anderen Ende ein Mensch erreichbar ist. Ein neuer Chatbot muss sich dieses Vertrauen erst erarbeiten.

Ein technisch korrekt arbeitendes System kann daher trotzdem ignoriert werden. Das gilt insbesondere dann, wenn sein Nutzen nicht eindeutig erkennbar ist, seine Antworten schwer überprüfbar erscheinen oder unklar bleibt, was bei einem nicht verstandenen Anliegen geschieht. Auch die Bezeichnung eines Systems beeinflusst die erste Erwartung. Ein Ausdruck wie „Hotline Agent“ beschreibt zwar eine Funktion, vermittelt aber nur begrenzt eine konkrete Identität oder einen Anlass zur Interaktion.

Akzeptanz ist mehr als eine Frage der Benutzeroberfläche

Die geringe Nutzung lässt sich nicht allein als Designproblem einordnen. Sie berührt mehrere Ebenen der Veränderung in Organisationen. Beschäftigte müssen verstehen, wofür das System eingesetzt wird, welche Daten verarbeitet werden und wann weiterhin ein menschlicher Support erforderlich ist. Sie müssen zudem die Erfahrung machen, dass der Assistent tatsächlich hilfreiche Antworten liefert und nicht lediglich zusätzliche Arbeit erzeugt.

Die Einführung von KI kann außerdem Unsicherheit auslösen. Mitarbeitende fragen sich möglicherweise, ob ihre Eingaben ausgewertet werden, ob Fehler ihnen zugerechnet werden oder ob die Automatisierung langfristig Arbeitsplätze und Zuständigkeiten verändert. Auch wenn diese Bedenken im konkreten Projekt nicht im Einzelnen dokumentiert sind, gehören sie zu den typischen Akzeptanzfragen bei internen KI-Anwendungen.

Der Fall von REWE digital legt nahe, dass die technische Fertigstellung eines Prototyps deshalb nicht mit einem erfolgreichen Rollout gleichgesetzt werden kann. Zwischen „Das System funktioniert“ und „Die Organisation nutzt das System“ liegt ein eigenständiger Einführungsprozess.

Aus dem Hotline Agent wird Lumi

Die entscheidende Veränderung bestand nach den vorliegenden Informationen nicht in einem grundlegenden Austausch der technischen Plattform, sondern in einem Rebranding. Der Assistent erhielt den Namen „Lumi“, einen Avatar und eine interne Kommunikationskampagne. Damit wurde das System nicht mehr nur als abstraktes IT-Werkzeug präsentiert, sondern als eigenständiger digitaler Ansprechpartner.

Ein solcher Schritt kann mehrere Wirkungen haben. Erstens senkt ein Name die sprachliche und psychologische Schwelle zur Nutzung. Beschäftigte sprechen eher von „Lumi fragen“ als von „den Hotline Agent aufrufen“, weil der Zugang persönlicher und weniger technisch wirkt. Zweitens schafft ein Avatar einen visuellen Wiedererkennungswert. Drittens erleichtert eine interne Kampagne, den Nutzen des Systems in konkreten Alltagssituationen zu erklären.

Das Rebranding ersetzt dabei weder Qualität noch Prozessintegration. Es kann jedoch dafür sorgen, dass ein vorhandenes Angebot überhaupt wahrgenommen und ausprobiert wird. Erst wenn Beschäftigte mit dem System interagieren, entsteht die Möglichkeit, Vertrauen aufzubauen, Antwortqualität zu bewerten und Schwachstellen zu erkennen.

Nach den verfügbaren Angaben wurde der Assistent in diesem Zuge als „Lumi“ im Unternehmen positioniert. Rewe digital beschrieb die passende und nahbare Kommunikation mit den Mitarbeitenden als einen wichtigen Faktor für die Entwicklung. Die Nutzung stieg anschließend deutlich an. In verschiedenen Veröffentlichungen ist von rund 5.000 monatlich automatisiert gelösten Anfragen die Rede.

Die vorliegenden Kennzahlen im Überblick

Die verfügbaren Quellen nennen mehrere Kennzahlen, die den Umfang und die Wirkung des Projekts beschreiben. Sie sind allerdings nicht vollständig einheitlich. Eine Projektreferenz von viadee nennt eine vollständige Automatisierungsquote von 48 Prozent der Anfragen an die zentrale Hotline. Weitere 13 Prozent der Anliegen werden demnach strukturiert vorqualifiziert und an den Support übergeben.

Andere Darstellungen sprechen von einer Erstlösungsquote von 58 Prozent. Zudem werden je nach Quelle entweder rund 5.000 automatisiert gelöste Anfragen oder insgesamt 8.000 bis 9.000 monatlich bearbeitete Anfragen genannt. Diese Abweichungen können darauf zurückgehen, dass unterschiedliche Bezugsgrößen verwendet werden. Möglich ist beispielsweise eine Unterscheidung zwischen allen vom Assistenten bearbeiteten Kontakten, vollständig gelösten Fällen und solchen, die nur für den menschlichen Support vorbereitet wurden.

Für eine belastbare Bewertung sollten Unternehmen deshalb genau definieren, welche Kennzahl sie messen. Relevant sind unter anderem:

- Gesamtzahl der eingehenden Anfragen

- Anteil vollständig automatisiert gelöster Anliegen

- Anteil vorqualifizierter und weitergeleiteter Fälle

- Zahl der eskalierten Vorgänge

- durchschnittliche Bearbeitungszeit

- Lösungsquote beim ersten Kontakt

- Zufriedenheit der Nutzenden

- Fehlerrate und notwendige Korrekturen

- Kosten pro bearbeitetem Fall

Ohne eine klare Definition besteht das Risiko, dass Unternehmen eine hohe Aktivität mit einer hohen Wirksamkeit verwechseln. Viele Interaktionen bedeuten nicht automatisch, dass der Support entlastet wird. Ebenso kann eine hohe Automatisierungsquote problematisch sein, wenn Antworten ungenau sind oder Fälle zu spät an Menschen übergeben werden.

Wie Lumi in die IT-Landschaft eingebunden ist

Der Assistent wurde nach den verfügbaren Projektinformationen zwischen Juni 2024 und März 2026 entwickelt beziehungsweise in den laufenden Betrieb überführt. Als technische Basis wird eine skalierbare Cloud- und KI-Infrastruktur auf Microsoft Azure genannt. Die Einbettung in Microsoft Teams soll den Zugang im bestehenden digitalen Arbeitsplatz erleichtern.

Die Integration in bereits verwendete Plattformen ist für interne KI-Projekte von hoher Bedeutung. Ein zusätzliches Portal mit eigenem Anmeldeprozess kann eine weitere Nutzungshürde darstellen. Wird der Assistent dagegen dort angeboten, wo Beschäftigte ohnehin arbeiten, reduziert sich der organisatorische Aufwand. Gleichzeitig muss die Einbettung so gestaltet sein, dass Zuständigkeiten, Berechtigungen und Datenflüsse nachvollziehbar bleiben.

Als angebundene Wissensquellen werden Confluence und SharePoint genannt. Der Assistent kann damit auf bestehende Dokumentationen zugreifen, anstatt Antworten ausschließlich aus allgemeinem Modellwissen abzuleiten. Für einen IT-Support ist dieser Unterschied entscheidend. Fragen zu internen Richtlinien, spezifischen Anwendungen, Gerätekonfigurationen oder Zugangsprozessen lassen sich nur zuverlässig beantworten, wenn das System auf aktuelle und unternehmensspezifische Informationen zurückgreifen kann.

Die Anbindung eines Ticketsystems wie Jira ermöglicht außerdem eine Übergabe in bestehende Supportprozesse. Der Chatbot bleibt dadurch nicht auf die reine Beantwortung von Fragen beschränkt. Er kann Informationen sammeln, ein Anliegen kategorisieren und für den menschlichen Support vorbereiten. Für die Beschäftigten entsteht im besten Fall ein einheitlicher Kontaktpunkt, unabhängig davon, ob die Lösung automatisiert oder durch ein Supportteam erfolgt.

Wissensqualität entscheidet über Antwortqualität

Ein KI-Assistent ist nur so zuverlässig wie die Inhalte, auf die er zugreift, und die Regeln, nach denen er diese Inhalte verwendet. Veraltete Anleitungen, widersprüchliche Dokumente oder unklare Zuständigkeiten wirken sich unmittelbar auf die Qualität der Antworten aus. Unternehmen müssen daher nicht nur ein Modell auswählen, sondern auch ihre interne Wissensorganisation überprüfen.

Für einen produktiven Betrieb sind unter anderem klare Verantwortlichkeiten für Dokumente, regelmäßige Aktualisierungen und nachvollziehbare Freigabeprozesse erforderlich. Ebenso wichtig ist eine technische Begrenzung des Antwortbereichs. Wenn der Assistent ausschließlich auf freigegebene interne Quellen zugreift und externes Wissen gezielt ausschließt, kann dies das Risiko unpassender oder nicht überprüfbarer Antworten reduzieren.

Die Quellen verweisen auf entsprechende Architektur- und Compliance-Leitplanken. Konkrete technische Details sind in den öffentlich zugänglichen Kurzbeschreibungen jedoch nur begrenzt dokumentiert. Eine abschließende Bewertung der tatsächlichen Antwortqualität, der Modellarchitektur oder der verwendeten Verfahren zur Vermeidung von Fehlinformationen ist daher auf Basis der vorliegenden Angaben nicht möglich.

Der Fall als Beispiel für organisatorischen Wandel

Der Erfolg von Lumi lässt sich als Zusammenspiel mehrerer Faktoren betrachten. Das Rebranding war sichtbar und offenbar wichtig für die Akzeptanz. Es war jedoch in ein größeres Vorhaben eingebettet: die Entlastung einer stark beanspruchten Hotline, die Bereitstellung eines rund um die Uhr verfügbaren Ansprechpartners, die Anbindung an vorhandene Wissensquellen und die automatisierte Weiterleitung komplexerer Anliegen.

Damit wird deutlich, dass der Chatbot nicht isoliert als Softwareprodukt betrachtet werden sollte. Er ist Teil eines Workplace-Support-Modells. Seine Leistungsfähigkeit hängt davon ab, wie gut die einzelnen Komponenten zusammenarbeiten:

- Die Beschäftigten müssen den Zugang kennen und akzeptieren.

- Die Wissensquellen müssen aktuell und strukturiert sein.

- Das System muss Antworten mit ausreichender Qualität liefern.

- Unklare oder kritische Fälle müssen zuverlässig an Menschen übergeben werden.

- Tickets müssen vollständig und korrekt im bestehenden System ankommen.

- Datenschutz, Informationssicherheit und betriebliche Mitbestimmung müssen berücksichtigt werden.

- Der Betrieb muss anhand belastbarer Kennzahlen überwacht werden.

Ein einzelner Erfolgsfaktor lässt sich aus den verfügbaren Informationen daher nicht ableiten. Das Rebranding war der sichtbare Wendepunkt. Die Grundlage für die Automatisierung bildeten jedoch die technische Integration, die interne Datenbasis und die Einbettung in den Supportprozess.

Datenschutz und Compliance als Voraussetzung

Ein interner Supportassistent verarbeitet potenziell sensible Informationen. Dazu können Namen, Kontaktdaten, Gerätekennungen, Zugangsinformationen, Fehlerbeschreibungen oder Angaben zu internen Systemen gehören. Auch wenn eine Anfrage zunächst harmlos wirkt, kann sie in Verbindung mit anderen Daten Rückschlüsse auf Personen oder betriebliche Abläufe ermöglichen.

Die Entscheidung für eine kontrollierte Cloud- und KI-Infrastruktur ist deshalb ein wesentlicher Bestandteil des Projekts. In den vorliegenden Angaben wird eine datenschutzkonforme Azure-Umgebung genannt. Daraus folgt jedoch nicht automatisch, dass sämtliche rechtlichen und organisatorischen Anforderungen erfüllt sind. Entscheidend sind unter anderem die konkrete Verarbeitung, die Rollenverteilung, Speicherfristen, Zugriffsrechte, Protokollierung und die Auswahl von Dienstleistern.

Auch Transparenz gegenüber den Beschäftigten ist erforderlich. Sie sollten erkennen können, dass sie mit einem KI-System interagieren, welche Daten für die Bearbeitung benötigt werden und wann eine menschliche Prüfung erfolgt. Zusätzlich müssen klare Regeln für die Qualitätssicherung und die Behandlung fehlerhafter Antworten existieren.

Bei einem unternehmensinternen Assistenten sind zudem Fragen der betrieblichen Mitbestimmung relevant. Die Einführung kann Auswirkungen auf Arbeitsabläufe, Leistungs- und Verhaltenskontrolle oder die Organisation des Supports haben. In den Veröffentlichungen zum Projekt wird auf gemeinsam entwickelte Compliance-Leitplanken mit dem Betriebsrat verwiesen. Details zu den konkreten Vereinbarungen sind öffentlich nicht vollständig beschrieben.

Was Unternehmen aus dem Projekt ableiten können

1. Nutzung als eigenes Projektziel definieren

Viele KI-Projekte werden zunächst anhand technischer Kriterien bewertet: Antwortgeschwindigkeit, Integrationsfähigkeit oder Modellleistung. Diese Kennzahlen sind notwendig, reichen aber nicht aus. Bereits in der Konzeptionsphase sollte festgelegt werden, wie die Nutzung gemessen und welche Zielgruppen erreicht werden sollen.

Ein System, das technisch verfügbar ist, aber kaum verwendet wird, erzeugt keinen relevanten geschäftlichen Nutzen. Deshalb sollten Unternehmen Nutzungsraten, wiederkehrende Anliegen, Abbruchquoten und Rückmeldungen der Beschäftigten von Beginn an erfassen. Die Einführung darf nicht erst nach dem technischen Go-live beginnen.

2. Kommunikation nicht an das Projektende verschieben

Die Kommunikation sollte erklären, welches Problem der Assistent löst, welche Aufgaben er übernimmt und wo seine Grenzen liegen. Ein Name oder Avatar kann dabei helfen, reicht aber allein nicht aus. Beschäftigte benötigen konkrete Beispiele aus ihrem Arbeitsalltag und eine verlässliche Antwort auf die Frage, was bei einer falschen oder unvollständigen Antwort geschieht.

Die interne Kampagne rund um Lumi zeigt, dass auch ein scheinbar einfacher kommunikativer Schritt die Wahrnehmung einer Technologie verändern kann. Für andere Unternehmen bedeutet das nicht, dass jede KI-Anwendung zwingend eine Persönlichkeit oder einen Avatar braucht. Es bedeutet vielmehr, dass die Gestaltung des Zugangs und der Kommunikation als Teil der Produktentwicklung verstanden werden sollte.

3. Bestehende Prozesse statt paralleler Insellösungen nutzen

Ein Chatbot entfaltet seinen Nutzen insbesondere dann, wenn er in vorhandene Arbeitsabläufe integriert ist. Beschäftigte sollten nicht zwischen mehreren Portalen wechseln müssen. Gleichzeitig muss die Automatisierung mit dem Ticketsystem, den Zuständigkeiten und den Eskalationswegen des Supports verbunden sein.

Die Einbindung in Microsoft Teams sowie die Verbindung mit Wissensplattformen und Jira folgen diesem Grundsatz. Für andere Organisationen ist daraus die Frage abzuleiten, welche Systeme bereits etabliert sind und wie ein KI-Assistent darin eingebettet werden kann, ohne zusätzliche Komplexität zu schaffen.

4. Wissensmanagement als zentrale Voraussetzung behandeln

Der Aufbau eines KI-Supports kann Schwächen in der internen Dokumentation sichtbar machen. Wenn Anleitungen veraltet, schwer auffindbar oder widersprüchlich sind, kann auch ein leistungsfähiges Modell keine verlässliche Antwort garantieren. Vor dem Rollout sollten Unternehmen deshalb prüfen, welche Inhalte aktuell sind, wem sie gehören und nach welchen Regeln sie verwendet werden dürfen.

Eine kuratierte Wissensbasis kann die Qualität der Antworten erhöhen und die Nachvollziehbarkeit verbessern. Gleichzeitig sollte festgelegt werden, wie neue Erkenntnisse aus Supporttickets zurück in die Dokumentation einfließen. Der Chatbot kann damit nicht nur Informationen abrufen, sondern indirekt auch Hinweise auf wiederkehrende Wissenslücken liefern.

5. Menschliche Übergaben präzise gestalten

Automatisierung bedeutet im IT-Support nicht zwangsläufig, dass menschliche Arbeit vollständig entfällt. Viele Fälle werden weiterhin komplex, sicherheitsrelevant oder individuell sein. Entscheidend ist, ob der Assistent solche Fälle früh erkennt und strukturiert übergibt.

Die genannte Vorqualifizierungsquote von 13 Prozent verdeutlicht diese zweite Funktion. Ein nicht vollständig automatisierter Vorgang kann dennoch effizienter werden, wenn die notwendigen Angaben bereits erhoben und sinnvoll kategorisiert wurden. Dabei muss für die Beschäftigten klar bleiben, dass eine Weiterleitung erfolgt und mit welcher Reaktionszeit sie rechnen können.

Warum das Beispiel nicht uneingeschränkt übertragbar ist

Der Fall Lumi liefert wichtige Hinweise, ist aber kein allgemeingültiger Beweis dafür, dass ein Rebranding jedes gescheiterte KI-Projekt retten kann. Die Wirkung eines Namens oder Avatars hängt vom Nutzungskontext, der Unternehmenskultur und der Qualität der dahinterliegenden Lösung ab.

Wenn Antworten häufig falsch sind, Daten nicht aktuell vorliegen oder Tickets unvollständig erstellt werden, dürfte eine freundlichere Außendarstellung die grundlegenden Probleme nicht lösen. Im Gegenteil: Eine stärker vermenschlichte Präsentation kann Erwartungen erhöhen, die das System nicht erfüllen kann.

Auch die gemeldeten Erfolgsquoten müssen im Kontext betrachtet werden. Eine Automatisierungsquote von 48 Prozent kann je nach Zusammensetzung der Anfragen eine erhebliche Entlastung bedeuten. Sie sagt jedoch allein nichts darüber aus, wie zufrieden die Beschäftigten sind, wie viele Fälle nachträglich korrigiert werden mussten oder ob bestimmte Nutzergruppen den Assistenten weiterhin meiden.

Für eine belastbare Übertragbarkeit wären zusätzliche Informationen hilfreich. Dazu gehören etwa die Entwicklung der Nutzung vor und nach dem Rebranding, die Verteilung der Anfragearten, die Antwortgenauigkeit, die durchschnittliche Zeit bis zur Lösung und die Kosten des Betriebs. Diese Details sind in den öffentlich zugänglichen Quellen nur teilweise enthalten.

Die Bedeutung für den B2B-KI-Markt

Der Fall von REWE digital steht für eine Entwicklung, die viele Unternehmen betrifft: Der Schwerpunkt verlagert sich von einzelnen KI-Piloten hin zu dauerhaft betriebenen Anwendungen in Geschäftsprozessen. Für Anbieter und Anwender reicht es nicht mehr, ein Modell bereitzustellen. Entscheidend wird, ob die Anwendung in bestehende Systeme passt, Unternehmenswissen sicher nutzt und von den Beschäftigten angenommen wird.

Für den B2B-Markt entstehen daraus mehrere Anforderungen. KI-Lösungen müssen sich in vorhandene Kommunikations- und Kollaborationsplattformen integrieren lassen. Sie benötigen kontrollierbare Datenzugriffe, nachvollziehbare Antwortgrundlagen und klare Rollenmodelle. Darüber hinaus werden Funktionen für Monitoring, Feedback und kontinuierliche Verbesserung wichtiger.

Auch die Gestaltung der Nutzererfahrung gewinnt an Bedeutung. Ein Assistent muss nicht zwingend menschlich erscheinen. Er sollte jedoch verständlich, erreichbar und berechenbar sein. Nutzer müssen wissen, was das System kann, welche Informationen es benötigt und wie sie bei Unsicherheit oder Fehlern Unterstützung erhalten.

Für Unternehmen wie Mindverse, die KI-Anwendungen für Text, Inhalte, Bilder, Recherche und weitere Aufgaben in einer integrierten Umgebung zugänglich machen, ergibt sich daraus ein übergreifender Produkt- und Beratungsbedarf. Der Nutzen von KI entsteht nicht allein durch die Generierung eines Ergebnisses, sondern durch die Verbindung von Technologie, Daten, Prozessen und Anwendern. Für B2B-Kunden wird daher relevant sein, wie gut sich KI-Werkzeuge in bestehende Arbeitsweisen integrieren und kontrolliert betreiben lassen.

Eine nüchterne Bilanz des Lumi-Projekts

Die Entwicklung von Lumi zeigt einen bemerkenswerten Gegensatz: Ein KI-System kann technisch einsatzbereit sein und dennoch organisatorisch scheitern. Erst die gezielte Arbeit an Wahrnehmung und Kommunikation führte offenbar dazu, dass Beschäftigte den Assistenten als realistische Alternative zur Hotline akzeptierten.

Die später veröffentlichten Kennzahlen weisen auf eine relevante Entlastung des zentralen IT-Supports hin. Rund 48 Prozent vollständig automatisierte Anfragen sowie weitere vorqualifizierte Anliegen stellen, sofern die Angaben vergleichbar sind, einen substanziellen Automatisierungsgrad dar. Die Zahl von rund 5.000 monatlich automatisiert gelösten Anfragen verdeutlicht zudem die Größenordnung des Einsatzes. Wegen abweichender Angaben zu Anfragevolumen und Lösungsquote sollten die Zahlen jedoch nicht ohne definitorischen Kontext miteinander verglichen werden.

Der wichtigste Befund liegt deshalb nicht in einer einzelnen Quote. Er liegt in der Erkenntnis, dass Enterprise-KI mehrere Bedingungen gleichzeitig erfüllen muss. Sie muss technisch funktionieren, auf geeignete Unternehmensdaten zugreifen, in bestehende Prozesse eingebunden sein, rechtliche und organisatorische Leitplanken einhalten und von den Menschen im Unternehmen akzeptiert werden.

Das Beispiel REWE digital macht damit eine oft unterschätzte Dimension sichtbar: Die Einführung eines KI-Assistenten ist nicht beendet, wenn das Modell korrekte Antworten liefert. Sie beginnt erst dann, wenn die Organisation bereit ist, den Assistenten in den Arbeitsalltag zu integrieren.

Fazit

Aus einem zunächst wenig genutzten internen Chatbot wurde bei REWE digital ein regelmäßig eingesetzter KI-Assistent für den Workplace Support. Der Wendepunkt war nach den verfügbaren Informationen kein grundlegendes technisches Upgrade, sondern eine neue Positionierung. Der Name Lumi, ein Avatar und eine interne Kommunikationskampagne machten aus einem abstrakten Werkzeug einen leichter zugänglichen digitalen Ansprechpartner.

Die technische Basis blieb dennoch entscheidend. Der Assistent greift auf interne Wissensquellen zu, ist in bestehende Kommunikations- und Ticketsysteme eingebunden und soll Datenschutz- sowie Compliance-Anforderungen berücksichtigen. Die gemeldeten Automatisierungs- und Vorqualifizierungsquoten zeigen, welches Potenzial ein solcher Ansatz im großflächigen IT-Support bieten kann.

Für Entscheider lautet die zentrale Schlussfolgerung: Akzeptanz sollte nicht als nachgelagerte Kommunikationsaufgabe behandelt werden. Sie gehört in die Konzeption, in die Gestaltung der Nutzererfahrung und in die Erfolgsmessung. Ein KI-System erzielt seinen geschäftlichen Nutzen erst dann, wenn Menschen es verstehen, ihm vertrauen und es im passenden Moment tatsächlich verwenden.