Warum 90% der KI-Reporting-Projekte in österreichischen KMUs scheitern - und der 2.000€-Ausweg aus der Excel-Hölle

Ich sehe es jeden Tag: Österreichische Unternehmen kämpfen mit denselben Reporting-Problemen wie vor 15 Jahren. Während andere Länder ihre Datenanalyse automatisiert haben, klicken sich unsere KMUs noch immer durch endlose Excel-Tabellen. Das muss nicht so bleiben – aber nur, wenn wir endlich aufhören, KI-Projekte wie komplizierte IT-Großprojekte anzugehen. Meine Erfahrungen aus KI-Beratung von KI-Alpin zeigen: Mit 2.000 Euro und der richtigen Strategie kommen Sie aus der Excel-Hölle raus.

Die bittere Wahrheit: Warum fast alle KI-Reporting-Projekte scheitern

Nach meinen Analysen von über 50 KI-Projekten in österreichischen KMUs ist das Muster immer dasselbe: 90% der Unternehmen starten ihre Reporting automatisieren KI-Projekte völlig falsch. Sie kaufen teure Software, beauftragen Enterprise-Agenturen und wundern sich, warum nach sechs Monaten und 100.000 Euro Budget noch immer niemand die neuen Dashboards verwendet.

Das liegt nicht an mangelndem Willen oder fehlenden Ressourcen. Das Problem ist systematisch: Wir denken zu kompliziert. Während große Konzerne mit ihren IT-Abteilungen monatelang über Architekturen diskutieren können, brauchen KMUs pragmatische Lösungen, die morgen funktionieren. Genau hier liegt der Schlüssel zum Erfolg – und der Grund, warum meine Kunden mit einem Bruchteil des Budgets bessere Ergebnisse erzielen.

Der erste Kardinalfehler passiert bereits in der Planungsphase. Unternehmen konzentrieren sich auf die Technologie statt auf die strategische Fragstellung. Sie fragen "Welches KI-Tool verwenden wir?" statt "Welche Entscheidungen wollen wir schneller und besser treffen?". Diese Technologie-vor-Strategie-Mentalität führt zu Lösungen, die technisch perfekt, aber praktisch nutzlos sind. Ein Salzburger Produktionsbetrieb, den ich letztes Jahr beraten habe, wollte unbedingt Machine Learning für seine Absatzprognosen einsetzen. Nach einer Woche Analyse stellte sich heraus: Das Problem lag nicht in der Vorhersagegenauigkeit, sondern darin, dass die Vertriebsdaten in fünf verschiedenen Systemen lagen und niemand wusste, welche aktuell waren. Wir haben das Problem mit einem einfachen KI-Assistant gelöst, der die Datenquellen automatisch synchronisiert und inkonsistente Eingaben erkennt. Budget: 1.800 Euro. Zeitersparnis: 15 Stunden pro Woche.

Der zweite typische Fehler betrifft das Microsoft-365-Umfeld, das praktisch jede österreichische Firma verwendet. Viele Berater unterschätzen, wie tief SharePoint, Teams und Exchange in die Arbeitsabläufe integriert sind. Sie entwickeln externe Dashboards, die niemand öffnet, weil die Mitarbeiter ihre Daten dort erwarten, wo sie bereits arbeiten. Gleichzeitig ignorieren sie GDPR-Anforderungen oder behandeln Datenschutz als nachgelagerte Compliance-Übung. In der österreichischen Unternehmenslandschaft, wo Datenschutz nicht nur rechtliche Pflicht, sondern Vertrauenssache ist, führt das direkt zum Projektstopp.

Der dritte und vielleicht gravierendste Fehler liegt in unrealistischen Erwartungen. Unternehmen wollen den "einen KI-Assistant, der alles kann" – von der Umsatzprognose bis zur Mitarbeiterplanung. Das ist, als würde man einen Allrounder für Buchhaltung, Marketing und Produktion suchen. KI-Assistants funktionieren am besten, wenn sie spezifische, klar abgrenzbare Aufgaben lösen. Ein Wiener Handelsunternehmen hat das auf die harte Tour gelernt: Nach acht Monaten Entwicklungszeit hatten sie einen "universellen Business-Assistant", der bei jeder Frage oberflächliche Antworten gab. Wir haben das System in drei spezialisierte Assistants aufgeteilt – einen für Lagerbestandsanalysen, einen für Kundenverhalten und einen für Cashflow-Prognosen. Plötzlich erhielten sie präzise, handlungsrelevante Insights.

Der pragmatische Ausweg: KI-Assistants in 90 Tagen

Die gute Nachricht: Es geht auch anders. Mein 90-Tage-Ansatz hat sich in über 30 Projekten bewährt und kostet einen Bruchteil der traditionellen Enterprise-Lösungen. Das Geheimnis liegt in der schrittweisen Herangehensweise und dem Fokus auf messbare Quick Wins.

Die ersten 30 Tage verwenden wir für ein strukturiertes Pilotprojekt, das realistic expectations setzt und die Grundlage für alles Weitere schafft. Wir starten mit einem Datenquellen-Audit im bestehenden Microsoft-365-Umfeld. Viele Unternehmen sind überrascht, wie viele verwertbare Daten bereits in SharePoint-Listen, Teams-Chats und Outlook-Terminen schlummern. Ein oberösterreichischer Maschinenbauer hatte beispielsweise seine komplette Projekthistorie in verschiedenen Teams-Kanälen dokumentiert, wusste aber nicht, wie er diese Informationen für zukünftige Angebote nutzen könnte. Mit einem einfachen KI-Assistant, der diese Chats analysiert und Muster in erfolgreichen Projekten identifiziert, konnte er seine Angebotsqualität deutlich verbessern.

Parallel entwickeln wir erste Proof-of-Concepts mit Power BI und KI-Anbindung. Hier zeigt sich der Vorteil des tool-agnostischen Ansatzes: Je nach Anforderung nutzen wir n8n für einfache Workflows, Make für komplexere Automatisierungen oder LangChain für anspruchsvolle Datenanalysepipelines. Das Entscheidende ist nicht die Technologie, sondern dass die Lösung nahtlos in die bestehende Arbeitsumgebung passt. Ein Tiroler Tourismusunternehmen wollte seine Buchungsberichte automatisieren. Statt ein externes Dashboard zu bauen, haben wir einen Claude-basierten Assistant entwickelt, der direkt in Teams arbeitet und auf Textanfragen mit formatierten Reports antwortet. Die Mitarbeiter können jetzt schreiben "Zeige mir die Auslastung für nächste Woche" und erhalten in Sekunden eine detaillierte Analyse.

Das Stakeholder-Alignment in dieser Phase entscheidet über Erfolg oder Misserfolg. Österreichische KMUs, oft Familienunternehmen mit gewachsenen Strukturen, brauchen eine andere Change Management-Strategie als internationale Konzerne. Wir investieren bewusst Zeit in persönliche Gespräche, Bedenken-Management und die schrittweise Einbindung von Skeptikern. Die "Langsam aber sicher"-Mentalität der österreichischen Unternehmenskultur ist dabei kein Hindernis, sondern ein Vorteil: Wenn einmal alle an Bord sind, ist die Umsetzung nachhaltiger als bei hektischen Schnellschüssen.

In den folgenden 60 Tagen konzentrieren wir uns auf die eigentliche Implementierung der KI-Assistants. Das Context-Engineering – also die Kunst, den KI-Systemen die richtigen Fragen zu stellen und Antworten zu interpretieren – ist dabei der entscheidende Erfolgsfaktor. Hier unterscheiden sich gute von mittelmäßigen KI-Implementierungen. Ein Kärntner Logistikunternehmen wollte seine Routenoptimierung verbessern. Statt einfach historische Daten in ein Machine Learning-Modell zu füttern, haben wir einen Assistant entwickelt, der Wetterdaten, Verkehrsinformationen und saisonale Besonderheiten kontextuell bewertet. Das System liefert nicht nur optimierte Routen, sondern erklärt auch die Entscheidungslogik – entscheidend für die Akzeptanz bei erfahrenen Fahrern.

Die Integration in die bestehende Datenlandschaft erfolgt GDPR-konform von der ersten Zeile Code an. Alle Verarbeitungsschritte sind dokumentiert, Daten verlassen nie den EU-Raum, und die Mitarbeiter haben jederzeit Einblick in die verwendeten Algorithmen. Das ist nicht nur rechtlich notwendig, sondern schafft auch das Vertrauen, das für eine erfolgreiche Adoption unverzichtbar ist.

Praxisbeispiel: Vom Excel-Chaos zur intelligenten Automatisierung

Der oberösterreichische Maschinenbauer, den ich bereits erwähnt habe, ist ein perfektes Beispiel für den pragmatischen Ansatz. Das Unternehmen mit 85 Mitarbeitern kämpfte mit einem klassischen Problem: 40 Stunden pro Monat investierte das Controlling-Team in manuelle Berichte aus sieben verschiedenen Systemen – ERP, CRM, Zeiterfassung, Projektmanagement, Lager, Qualitätssicherung und Buchhaltung. Die Berichte waren drei Tage alt, wenn sie beim Management ankamen, und enthielten regelmäßig Inkonsistenzen zwischen den Datenquellen.

Die Ausgangssituation war typisch für österreichische KMUs: Gewachsene Systemlandschaften, kompetente Mitarbeiter, die sich mit Excel-Formeln abmühten, und ein Management, das bessere Entscheidungsgrundlagen brauchte, aber nicht wusste, wie das ohne sechsstellige IT-Investitionen möglich sein sollte. Genau hier setzt meine Beratungsphilosophie an: Befähigung statt Abhängigkeit, praktische Lösungen statt theoretische Perfektion.

Wir haben zunächst die bestehenden Datenflüsse analysiert und die kritischen Entscheidungspunkte identifiziert. Es stellte sich heraus, dass 80% der Managemententscheidungen auf nur fünf Kennzahlen basierten: aktuelle Auftragslage, Materialverfügbarkeit, Produktivität der Teams, Qualitätsmetriken und Cashflow-Entwicklung. Statt alle sieben Systeme gleichzeitig anzugehen, haben wir uns auf diese fünf Kernbereiche konzentriert.

Der entwickelte KI-Assistant arbeitet mit einer Kombination aus automatisierten Datenabfragen und intelligenter Anomalie-Erkennung. Jeden Morgen um 7 Uhr sammelt das System die relevanten Daten, identifiziert Abweichungen vom gewohnten Muster und erstellt einen kontextualisierten Bericht. Statt nackter Zahlen erhält das Management Aussagen wie "Die Produktivität in Halle 2 ist gestern um 15% gesunken, vermutlich wegen der verzögerten Materiallieferung von Lieferant X. Der Rückstand kann bis Donnerstag aufgeholt werden, wenn die geplante Überstunde genehmigt wird."

Das System kostet im laufenden Betrieb etwa 200 Euro monatlich – weniger als ein Bürostuhl. Die Zeitersparnis beträgt tatsächlich 85% der ursprünglich investierten Zeit, das heißt, aus 40 Stunden manueller Arbeit sind sechs Stunden geworden, die hauptsächlich für Plausibilitäts-Checks und strategische Interpretation verwendet werden. Noch wichtiger: Die Entscheidungsgeschwindigkeit hat sich drastisch verbessert. Probleme werden oft schon erkannt, bevor sie sich auf die Produktion auswirken.

Das Investment für die Entwicklung und Implementierung belief sich auf exakt 1.800 Euro über drei Monate. Das umfasste die Analyse, Entwicklung, Integration, Tests und Schulungen. Zum Vergleich: Angebote von Enterprise-Beratungen für ähnliche Projekte lagen zwischen 50.000 und 120.000 Euro – und hätten deutlich länger gedauert. Mehr Details zu ähnlichen Projekte und Case Studies finden Sie in unserem Portfolio.

Die österreichische Besonderheit: Regulatorik trifft Mentalität

Was österreichische KMUs von deutschen oder schweizerischen unterscheidet, ist die spezielle Kombination aus strengen Datenschutzanforderungen und einer konservativen, qualitätsfokussierten Unternehmensmentalität. Diese Eigenschaften sind für KI-Projekte eher Chance als Hindernis – aber nur, wenn man sie von Anfang an mitdenkt.

Die GDPR-konforme Implementierung von KI-Assistants ist komplex, aber nicht unmöglich. Entscheidend ist, dass alle Verarbeitungsschritte transparent und nachvollziehbar sind. Wir entwickeln unsere Systeme grundsätzlich so, dass Benutzer jederzeit verstehen können, wie eine Empfehlung oder Analyse zustande gekommen ist. Das bedeutet nicht, dass wir auf leistungsfähige KI-Modelle verzichten, sondern dass wir sie mit Erklärungs-Layern kombinieren. Ein steirischer Industriebetrieb nutzt beispielsweise einen Assistant für die Personalplanung. Das System schlägt optimale Schichtpläne vor, kann aber für jede Empfehlung die zugrundeliegenden Faktoren – Verfügbarkeiten, Qualifikationen, Arbeitszeithöchstgrenzen, historische Präferenzen – detailliert erläutern. Das schafft Vertrauen bei den Mitarbeitern und erfüllt gleichzeitig alle Transparenz-Anforderungen der GDPR.

Datenverarbeitung erfolgt grundsätzlich im EU-Raum. Wir nutzen europäische Cloud-Provider oder, wo möglich, On-Premises-Lösungen. Das ist nicht nur rechtlich sauberer, sondern auch ein wichtiger Vertrauensfaktor für österreichische Unternehmen, die nach Jahren von Datenskandalen sensibel auf Datenschutz reagieren. Alle Audit-Trails sind automatisch dokumentiert, sodass bei Behördenanfragen oder internen Audits keine aufwändige Recherche nötig ist.

Das Change Management in österreichischen KMUs funktioniert anders als in internationalen Konzernen. Die "Langsam aber sicher"-Mentalität, die manchmal als Innovationshemmnis kritisiert wird, ist für KI-Projekte eigentlich ideal. Statt schneller, oberflächlicher Implementierungen nehmen wir uns Zeit für gründliche Stakeholder-Gespräche, ausführliche Tests und schrittweise Rollouts. Ein Vorarlberger Familienbetrieb hat sechs Monate gebraucht, bis alle Abteilungsleiter von der neuen Lösung überzeugt waren – aber dann war die Adoption zu 100% erfolgreich, weil alle Bedenken im Vorfeld ausgeräumt wurden.

Die Erfolgskommunikation erfolgt ohne Buzzwords und Marketing-Sprech. Österreichische Unternehmer sind grundsätzlich skeptisch gegenüber übertriebenen Technologie-Versprechen. Wir kommunizieren konkrete, messbare Verbesserungen: "15 Stunden weniger Excel-Arbeit pro Woche", "Fehlerquote in der Datenverarbeitung von 12% auf 2% reduziert", "Entscheidungen drei Tage früher möglich". Diese nüchterne, ergebnisorientierte Kommunikation passt perfekt zur österreichischen Unternehmenskultur und schafft realistische Erwartungen.

ROI-Messung: Zahlen, die überzeugen

Die Erfolgs-Kontrolle von KI-Projekten ist entscheidend für langfristige Akzeptanz und kontinuierliche Verbesserung. Wir messen sowohl quantitative als auch qualitative Faktoren, aber immer mit dem Fokus auf praktische Relevanz für das Management.

Die quantitativen Metriken sind relativ einfach messbar und überzeugen auch KI-Skeptiker. Zeitersparnis bei Reporting-Prozessen lässt sich auf die Minute genau dokumentieren. Ein niederösterreichischer Handelsbetrieb hat durch automatisierte Umsatzberichte acht Stunden pro Woche gespart – das entspricht bei einem durchschnittlichen Controlling-Gehalt von 3.500 Euro brutto etwa 1.400 Euro monatlicher Kostenersparnis. Das KI-System hat sich also bereits im dritten Monat amortisiert.

Fehlerreduktion in der Datenanalyse ist ein weiterer messbarer Erfolgsfaktor. Manuelle Excel-Bearbeitung führt erfahrungsgemäß zu 8-15% Fehlern – vergessene Formeln, verrutschte Zellbezüge, inkonsistente Datenformate. KI-Assistants reduzieren diese Fehlerquote auf unter 2%, weil sie systematisch arbeiten und Anomalien automatisch flaggen. Ein Salzburger Dienstleistungsunternehmen hat durch reduzierten Korrekturaufwand zusätzlich fünf Stunden pro Woche gewonnen.

Am wichtigsten ist jedoch die schnellere Entscheidungsfindung. Wenn kritische Berichte statt in drei Tagen in drei Minuten verfügbar sind, verändert das die gesamte Managementdynamik. Probleme werden früher erkannt, Chancen schneller genutzt, strategische Anpassungen rechtzeitig eingeleitet. Das lässt sich schwerer quantifizieren, aber die Effekte sind deutlich spürbar.

Die qualitativen Erfolgsindikatori sind subtiler, aber nicht weniger wichtig. Mitarbeiterzufriedenheit steigt signifikant, wenn frustrierende Routine-Aufgaben wegfallen und mehr Zeit für strategische work bleibt. Die Datenqualität und -konsistenz verbessert sich automatisch, weil die Systeme einheitliche Standards verwenden. Und vor allem: Die strategischen Insights aus automatisierten Reports sind oft überraschend und wertvoll, weil KI-Systeme Muster erkennen, die dem menschlichen Auge entgehen.

Ein burgenländischer Produktionsbetrieb hat beispielsweise entdeckt, dass die Maschinenproduktivität bei bestimmten Weather conditions um 8% sinkt – ein Zusammenhang, der in manuellen Berichten nie aufgefallen wäre. Diese Erkenntnis führte zu Anpassungen in der Produktionsplanung und einer deutlichen Effizienzsteigerung.

Realistische Grenzen und kritische Betrachtung

Ehrlichkeit gehört zu einer seriösen KI-Beratung dazu: Nicht jedes Problem lässt sich mit künstlicher Intelligenz lösen, und nicht jedes Unternehmen ist bereit für KI-Assistants. Es gibt klare Grenzen und Voraussetzungen, die man von Anfang an kommunizieren muss.

KI-Assistants funktionieren am besten bei strukturierten, wiederkehrenden Aufgaben mit ausreichend historischen Daten. Wenn ein Unternehmen grundsätzliche Probleme mit der Datenqualität hat oder wichtige Geschäftsprozesse nicht dokumentiert sind, muss zuerst die Basis stimmen. Ein KI-System kann schlechte Daten nicht in gute Entscheidungen verwandeln – es macht höchstens die Probleme systematischer sichtbar.

Die verfügbaren Studien zum KI-Einsatz in österreichischen KMUs sind noch begrenzt. Während internationale Forschung beeindruckende Produktivitätssteigerungen belegt, fehlen lokale Langzeituntersuchungen. Meine Empfehlungen basieren auf Praxiserfahrungen aus etwa 50 Projekten – eine solide Basis, aber noch kein statistisch repräsentatives Sample. Entsprechend transparent kommuniziere ich die Limitierungen meiner Einschätzungen.

Außerdem funktioniert der Ansatz nicht in jedem Unternehmen gleich gut. Familienunternehmen mit starken persönlichen Beziehungen und gewachsenen Strukturen sind oft ideale Kandidaten, weil Entscheidungswege kurz sind und Vertrauen eine große Rolle spielt. In stark hierarchischen Organisationen oder Unternehmen mit häufigen Strategiewechseln ist die Erfolgschance geringer. Change Management braucht Zeit und Kontinuität – beides ist nicht immer gegeben.

Die größte kritische Stimme kommt paradoxerweise oft von IT-Abteilungen, die befürchten, dass einfache KI-Lösungen ihre Expertise abwerten. Das ist ein verständlicher, aber meist unbegründeter Reflex. Erfolgreiche KI-Implementierungen entstehen nur in Zusammenarbeit zwischen Business-Experten und IT-Profis. Die Rolle der IT verschiebt sich von der reinen Systembetreuung hin zur strategischen Technologie-Beratung – eine Aufwertung, keine Bedrohung.

Konkrete Handlungsempfehlungen für österreichische KMUs

Basierend auf meinen Erfahrungen gibt es ein paar konkrete Schritte, die jedes Unternehmen sofort umsetzen kann, um sich auf KI-gestützte Automatisierung vorzubereiten.

In den nächsten 30 Tagen sollten Sie ein Excel-Dependency-Audit durchführen. Listen Sie alle wiederkehrenden Excel-Berichte auf, dokumentieren Sie den wöchentlichen Zeitaufwand und identifizieren Sie die drei zeitaufwändigsten Prozesse. Das sind Ihre ersten Automatisierungs-Kandidaten. Parallel dazu verschaffen Sie sich einen Overblick über Ihre Microsoft-365-Datenquellen. Oft sind deutlich mehr verwertbare Informationen vorhanden als gedacht – sie sind nur nicht systematisch zugänglich.

Gleichzeitig beginnen Sie mit der Evaluation möglicher Pilotprojekt-Partner. Achten Sie dabei auf drei Kriterien: praktische Erfahrung mit KMU-Strukturen, transparente Preisgestaltung ohne versteckte Kosten, und die Bereitschaft, Wissen zu transferieren statt dauerhafte Abhängigkeiten zu schaffen. Große Beratungsunternehmen sind oft nicht die beste Wahl für erste KI-Schritte – sie sind auf komplexe, langfristige Projekte ausgelegt, nicht auf schnelle, pragmatische Lösungen.

Die mittelfristige Strategie für die nächsten 3-6 Monate konzentriert sich auf die Implementation der ersten KI-Assistants in kritischen Bereichen. Wählen Sie bewusst Anwendungsfälle mit hoher Sichtbarkeit und messbaren Erfolgen. Ein automatisierter Umsatzbericht, der jeden Morgen pünktlich und fehlerfrei ankommt, überzeugt mehr als komplexe Prognosemodelle, deren Nutzen erst nach Monaten erkennbar wird.

Etablieren Sie parallel einen structured Change Management-Prozess. In österreichischen KMUs bedeutet das vor allem: persönliche Gespräche, Geduld für Bedenken, und die konsequente Einbindung von einfluential Mitarbeitern. KI-Projekte scheitern selten an der Technologie, sondern an mangelnder Akzeptanz.

ROI-Tracking sollten Sie von Tag eins an einführen. Dokumentieren Sie zeitsparung, Fehlerreduktion und Verbesserungen in der Entscheidungsgeschwindigkeit. Diese Daten sind entscheidend für die Argumentation bei weiterführenden Investitionen und für die Motivation der Mitarbeiter.

Der realistische Weg nach vorn

KI-gestützte Automatisierung ist für österreichische KMUs kein Zukunftstraum mehr, sondern eine praktikable Realität. Die Technologie ist verfügbar, die Kosten sind überschaubar, und die Erfolgsbeispiele häufen sich. Entscheidend ist der pragmatische Ansatz: Schritt für Schritt, mit messbaren Zielen und realistischen Budgets.

Der 2.000-Euro-Einstieg, den ich immer wieder erwähne, ist keine Marketing-Phrase, sondern eine bewusste Positionierung. Während Enterprise-Lösungen bei 50.000 Euro beginnen und oft Jahre dauern, können KMUs mit einem Zwanzigstel des Budgets erste Erfolge erzielen. Das bedeutet nicht, dass komplexe Automatisierungen unmöglich sind – aber sie entstehen durch evolution, nicht durch revolution.

Die österreichische Unternehmenslandschaft ist ideal für diesen Ansatz. Die »Langsam aber sicher«-Mentalität, die oft als Innovationshindernis kritisiert wird, ist für nachhaltige KI-Implementierungen ein Vorteil. Familienunternehmen mit kurzen Entscheidungswegen, erfahrenen Mitarbeitern und langfristiger Perspektive können KI-Assistents deutlich erfolgreicher integrieren als Großkonzerne mit komplexen Hierarchien und wechselnden Strategien.

Die nächsten Entwicklungsstufen werden noch spannender. Während wir heute hauptsächlich bei der Automatisierung bestehender Prozesse ansetzen, wird KI in naher Zukunft völlig neue Geschäftsmodelle ermöglichen. Österreichische KMUs, die jetzt die Grundlagen legen, haben einen entscheidenden Vorsprung gegenüber those, die weiter warten.

Falls Sie mehr über praktische KI-Implementierung in österreichischen KMUs erfahren möchten, finden Sie weitere Einblicke im Blog. Für konkrete Fragen zu Ihren spezifischen Herausforderungen stehe ich gerne zur Verfügung: Simon Micheler, CEO von KI-Alpin freut sich auf Ihren Kontakt.

Über den Autor

Simon Micheler ist Gründer und Innovationsmanager im Bereich Künstliche Intelligenz. Als CEO von KI-Alpin unterstützt er Unternehmen bei der Implementierung moderner KI-Lösungen. Er hat Medien- und Kommunikationswissenschaften an der Universität Wien studiert und ein spezialisiertes Programm für Künstliche Intelligenz an der Universität Oxford absolviert. Mit seiner Erfahrung in Marketing, Produktentwicklung und Unternehmensstrategie kombiniert er technologische Expertise mit einem klaren Fokus auf gesellschaftlichen Mehrwert.