Unsere Methodik
Strukturierte Frameworks für reproduzierbare KI-Erfolge
MOTIVE Framework
Unser System für strukturiertes, human-zentriertes Prompt Engineering.
Motivation
Warum mache ich das?
Object
Was erwarte ich?
Tool
Womit arbeite ich?
Instruction
Wie soll es gemacht werden?
Variables
Was kann ich anpassen?
Evaluation
Wie prüfe ich die Qualität?
TRIARDIS-Methode
Wie unsere Frameworks in der operativen KI-Intervention zusammenarbeiten — vom Use-Case bis zum produktiven System in 6 Wochen.
Jeder Pilot wird als Use-Case-Unit (UCU) beschrieben: klar abgegrenzt, mit definiertem Scope, Governance-Einschränkungen und messbaren Erfolgskriterien. Kein Pilot ohne vollständige UCU-Beschreibung.
Bevor wir implementieren, identifizieren wir mit dem Agentic AI Discovery & Elaboration Framework, welche Prozesse Agentic-AI-Kandidaten sind — auf Basis messbarer Friktionen, nicht Ideen.
Woche 1–2 Discovery & Design, Woche 3–6 Build & Test: jede Phase mit Gate-Review. Ergebnis: ein operativer Agent in produktiver Umgebung, nicht ein Proof of Concept.
Advanced AI Canvas
Strukturiertes Planungs-Framework für KI-Initiativen mit progressiver Elaborationsmethodik.
Opportunity
Was ist das Problem und der Nutzen?
Solution
Wie löst KI es technisch?
Consumers
Wer nutzt es, wer ist betroffen?
Data
Welche Daten werden benötigt?
Strategy
Warum wir, warum jetzt?
Policy
Was muss sich ändern? (Governance)
Transfer
Wie bauen wir es?
Success
Wie messen wir Erfolg?
MOTIVE-Framework im Training
Das MOTIVE-Framework ist das Herzstück aller abamix Enablement-Trainings — von Team Starter bis Copilot Professional.
In beiden Formaten lernen Teams das MOTIVE-Framework von Grund auf und bauen eine eigene Prompt-Bibliothek auf — strukturiert, versioniert, sofort einsetzbar.
MOTIVE-Prompts für Teams, Word, Outlook, Excel und PowerPoint: rollenspezifische Templates, die direkt in die Microsoft 365-Umgebung integriert werden.
AI Strategy Framework
Modulares Strategieberatungskonzept für nachhaltige KI-Strategien in KMU.
Orientierung
- Strategische Zielklärung
- Reifegradanalyse
Portfolioentwicklung
- Use Case Definition
- Machbarkeitsbewertung
Planung
- Zielbildentwicklung
- Roadmap-Erstellung
Steuerung
- KPI-Modell
- Governance-Setup
Einsatzkontexte: Strategieprojekte, Quick Assessment, Use Case Sprint, Fördervorbereitung
Power-Skills
Die KI-Kernkompetenzen für den erfolgreichen Einsatz im Unternehmen.
Prompt Engineering
Präzise Anfragen formulieren
Creative AI
KI für Innovation nutzen
Adaptability
Agil arbeiten mit KI
Orchestration
Mehrere KI-Systeme steuern
Governance
Verantwortungsvoll einsetzen
Automation
Prozesse skalieren
Agentic AI Canvas
Das 11-Dimensionen-Canvas beschreibt jeden Use Case vollständig — von der Geschäftslogik bis zur regulatorischen Einschätzung. Nur elaborierte Use Cases werden pilotiert.
Zielbild
Warum ist dieser Use Case sinnvoll? Welches Problem wird gelöst, welcher wirtschaftliche Nutzen entsteht?
Leistung
Was leistet der Agent genau? Welche Ausgaben produziert er, was sind Nicht-Ziele?
Nutzer
Wer nutzt den Use Case direkt, wer ist mittelbar betroffen? Welche Rollen steuern und überwachen?
Datenanforderungen
Welche Systeme, Datenquellen und Zugriffsrechte werden benötigt? Wo liegen Datenqualitätsrisiken?
Strategische Rolle
Welche Infrastruktur baut dieser Use Case auf, die spätere Use Cases nutzen? Wo liegt er im Portfolio?
Prozessveränderung
Welche manuellen Tätigkeiten entfallen? Welche neuen Kontrollschritte entstehen? Wie verändert sich der Workflow?
Governance
Wo muss der Mensch weiterhin entscheiden? Welche Aktionen sind explizit ausgeschlossen? Wie wird der Audit-Trail sichergestellt?
Erfolgsmessung
Welche KPIs definieren Erfolg? Wie wird gemessen, wann ein Pilot als bestanden gilt?
Agentic Fit Check
Formale Dokumentation des 6-Kriterien-Scores mit konkreten Prozessnachweisen. Score 0–6, Schwellenwert 3.
Tool-Registry
Vollständige Liste aller Aktionen, die der Agent ausführen darf — inkl. Systeme, APIs, Schreibrechte und Negativliste.
Pilotscope & EU AI Act
Definition des Pilotumfangs, Abbruchkriterien und vorläufige EU-AI-Act-Risikoklassifikation vor Pilotstart.
Ergebnis der Elaboration — Routing-Empfehlung
AADEF — Agentic AI Discovery & Elaboration Framework
Wie wir Use Cases für Agentic AI identifizieren, bewerten und bis zur Pilotreife beschreiben.
AADEF beantwortet zwei Fragen: Welche Prozessaktivitäten eignen sich für Agentic AI — und wie muss ein Use Case beschrieben sein, damit er pilotierbar und steuerbar wird?
Prozesse analysieren
Strukturiertes Prozessinventar — wer ist verantwortlich, wo liegen messbare Friktionen auf Zeit, Qualität oder Kosten?
Agentic Fit prüfen
6-Kriterien-Score: Wiederholbarkeit, Mehrstufigkeit, Datenzugriff, Entscheidungslogik, definierte Ausnahmen, klare Grenzen. Score 0–6, Schwellenwert 3.
Use Cases ausarbeiten
11-Dimensionen-Canvas: Zielbild, Datenanforderungen, Governance, Erfolgsmessung, EU AI Act Einschätzung, Tool-Registry, Pilotscope.
Routing-Empfehlung
Foundation = direkt pilotierbar. Performing = höhere technische Vorbereitung nötig. Redirect RPA = kein Agentic-AI-Kandidat.
Was AADEF sicherstellt
- Kein Use Case basiert auf einer Idee — jeder Kandidat hat eine belegte Friktion und definierten Pilotscope.
- Governance ist integriert: menschliche Kontrollpunkte, Negativlisten, Audit-Trails und EU AI Act Klassifikation vor dem Piloten.
- Die Reihenfolge der Use Cases ist eine Architekturentscheidung: frühe UCUs bauen Infrastruktur auf, die alle späteren nutzen.
Die EU AI Act Einschätzungen im AADEF sind Erstbewertungen — sie ersetzen keine formale Rechtsbeurteilung durch den Datenschutzbeauftragten.
Wissenschaftlich fundiert
Unsere Methodik basiert auf peer-reviewed Forschung
MOTIVE: A structured lifecycle framework for human-centered prompt engineering
Sienou, A. (2026)
IEEE ACDSA 2026, Philippines. IEEE Xplore.
Berechnung von Product Carbon Footprints mit SAP-Lösungen
Preuss, P.; Sienou, A. (2026)
ERP Information, 2026
Teambroker: Constraint Based Brokerage of Virtual Teams
Karduck, A.P.; Sienou, A. (2006)
Enterprise Information Systems VI, Springer-Verlag
Forming the Optimal Team of Experts for Collaborative Work
Karduck, A.P.; Sienou, A. (2004)
AIAI 2004, IFIP vol 154, Springer, Boston, MA