Ryba Wooden Products ist ein polnischer Familienbetrieb, der Schneidebretter, Tabletts und Dekorationsartikel aus Holz herstellt. Das Unternehmen beliefert Privatkunden, Hotels, Restaurants und Firmen, die Produkte unter ihrer eigenen Marke in Auftrag geben.
Das Unternehmen wollte seine AI Readiness verbessern, indem es praktische Entscheidungen über KI und seine internen Systeme trifft. Es musste wissen, wo ein KI-Agent die tägliche Arbeit unterstützen könnte, welche Ideen eine Investition verdienten und welche Daten- und Kundensysteme zuerst verbessert werden mussten. Soba Labs hat das Audit durchgeführt, das diese Fragen beantwortet hat.
Es ging nicht um eine weitere isolierte KI-Demo. Das Projekt verband ein Betriebsaudit mit der Umsetzung. Es lieferte eine KI-Roadmap, migrierte die Betriebsdaten nach PostgreSQL und half dem Team, ein CRM auszuwählen und einzuführen, das zum Unternehmen passt.
Die geschäftliche Herausforderung
KI-Chancen liegen selten innerhalb einer einzigen Abteilung. Ein Vertriebsassistent braucht unter Umständen Produktdaten. Ein Betriebsagent ist möglicherweise auf konsistente Auftragsdaten angewiesen. Einem Reporting-Workflow kann man nicht vertrauen, wenn jede Quelle denselben Kunden anders beschreibt. Deshalb muss agentische Prozessautomatisierung den gesamten Geschäftsprozess berücksichtigen, nicht nur die Aufgabe, die einem Agenten zugewiesen ist.
Ryba Wooden Products hatte deshalb drei zusammenhängende Fragen:
- Welche internen Aufgaben eigneten sich für KI-Unterstützung?
- Welches Datenfundament würden diese Systeme brauchen?
- Welches CRM konnte den Vertriebsprozess des Unternehmens und künftige Integrationen unterstützen?
Diese als getrennte Anschaffungen zu behandeln, hätte noch mehr unverbundene Systeme geschaffen. Das Audit betrachtete sie als ein gemeinsames Betriebsmodell.
Eine Roadmap, die von der Arbeit ausgeht
Der erste Teil des Projekts ermittelte, wo KI repetitive Arbeit abnehmen oder Informationen leichter nutzbar machen könnte. Wir haben die Chancen anhand derselben praktischen Fragen bewertet: Wiederholt sich die Aufgabe oft genug? Sind die Quellinformationen verfügbar? Lässt sich das Ergebnis überprüfen? Was soll passieren, wenn das System unsicher ist? Dieser Ansatz steht im Einklang mit dem NIST AI Risk Management Framework, das Organisationen auffordert, den Kontext zu erfassen und Risiken zu messen, bevor sie ein KI-System im Einsatz steuern.
Die Roadmap gruppierte die Chancen nach geschäftlichen Bedürfnissen statt nach Tools. Dazu gehörten Kunden- und Vertriebsunterstützung, der Zugang zu internem Wissen, operatives Reporting und wiederkehrende Koordination auf Basis strukturierter Datensätze. So wurde die KI-Einführung zu einer Abfolge überprüfbarer Geschäftsentscheidungen statt zu einer Liste unverbundener Experimente.
Diese Unterscheidung war wichtig. Das Ziel war nicht, überall einen Agenten einzusetzen. Es ging darum zu entscheiden, wo ein Agent einen klar definierten Teil eines Workflows übernehmen kann und wo ein Mensch das Ergebnis weiterhin prüfen muss. Der Ansatz folgt derselben Grenze, die wir in unserem Leitfaden zu Human-in-the-Loop-Systemen beschreiben.
Zuerst das Fundament bauen
Das Audit zeigte, dass künftige Automatisierung von einer stärkeren gemeinsamen Datenschicht abhing. Wir haben geholfen, die Betriebsdaten nach PostgreSQL zu migrieren, und dem Unternehmen damit eine Datenbank gegeben, die auf konsistente Datensätze, kontrollierten Zugriff, Reporting und künftige Integrationen ausgelegt ist. Die Constraints von PostgreSQL können gültige Werte, eindeutige Kennungen und Beziehungen zwischen Datensätzen auf Datenbankebene erzwingen.
Die Migration war Teil des abgeschlossenen Projekts, keine Empfehlung für später. Sie gab der KI-Roadmap und dem Kundensystem ein gemeinsames technisches Fundament.
Eine gut dimensionierte Datenbank schafft für sich allein keinen geschäftlichen Wert. Ihr Wert ergibt sich aus den Entscheidungen, die sie ermöglicht. Teams können neue Systeme an eine verlässliche Quelle anbinden, Verantwortlichkeiten für wichtige Datensätze festlegen und vermeiden, für jede künftige Automatisierung dieselbe Integration neu zu bauen. Dieselbe Abhängigkeit prägt unsere Fallstudie zu Gamrat: Der Pilot eines geplanten Angebotsassistenten kann erst starten, wenn freigegebene Preis-, Bestands- und Lieferdaten verfügbar sind.
Auswahl und Einführung des CRM
Die CRM-Entscheidung folgte demselben Prinzip. Ein CRM-System hilft einem Unternehmen, seine Interaktionen mit Kunden und Interessenten zu steuern. Wir haben Ryba Wooden Products dabei unterstützt, die verfügbaren Optionen mit dem tatsächlichen Vertriebsprozess, den Datenanforderungen und dem Integrationsbedarf abzugleichen. Am Ende stand ein ausgewähltes und eingeführtes CRM, keine Shortlist von Anbietern.
CRM und PostgreSQL-Fundament wurden gemeinsam geplant. Kundendatensätze, Betriebsdaten und künftige Workflow-Automatisierung hatten nun einen klareren Platz im System. Das verringerte das Risiko, ein Kundentool zu wählen, das isoliert funktioniert, aber spätere KI-Arbeit blockiert.
Was sich für das Unternehmen verändert hat
Ryba Wooden Products schloss das Projekt mit messbaren operativen Verbesserungen und einem stärkeren Systemfundament ab:
- Prozesse wurden 30% schneller abgeschlossen;
- operative Fehler gingen um 42% zurück;
- eine priorisierte Übersicht, wo KI-Agenten interne Abläufe unterstützen können;
- klare Grenzen dafür, welche Arbeit unter menschlicher Kontrolle bleiben sollte;
- Betriebsdaten nach PostgreSQL migriert;
- ein CRM, ausgewählt und eingeführt nach den Bedürfnissen des Unternehmens.
Die schnellere Arbeit und die geringere Fehlerquote entstanden, weil KI-Chancen, Datenarchitektur und Kundenprozesse als ein gemeinsamer Plan behandelt wurden statt als drei unabhängige Technologieentscheidungen.
Das Ergebnis
Das Projekt ging vom Audit in die Umsetzung über. Ryba Wooden Products erhielt eine praxisnahe KI-Roadmap und die Systeme, die nötig sind, um sie umzusetzen. Prozesse wurden 30% schneller abgeschlossen, während operative Fehler um 42% zurückgingen. Das Unternehmen kann jeden künftigen Agenten an echten Workflows, verlässlichen Daten und einem CRM messen, das bereits mit der Arbeitsweise des Teams verbunden ist.
Die Lehre ist klar. Ein KI-Audit ist nur dann nützlich, wenn es verändert, was das Unternehmen als Nächstes tut. Priorisieren Sie die Arbeit, stärken Sie das Datenfundament und führen Sie die operativen Systeme ein, auf die künftige Agenten angewiesen sein werden.
In den Worten des Kunden
“They audited where AI could actually help us, then did the work. Our operational data moved to PostgreSQL, a CRM went in around how we really sell, and processes now run 30% faster with 42% fewer errors.”
Rafał Ryba, CEO, Ryba Wooden