Im Rahmen des Projekts unterstützte Cassini dabei, Leistungen, Prozesse und passende IT-Systeme für Data Center Logistics strukturiert zusammenzuführen. Teil des Projektteams waren unter anderem Lisa Korte und Son Do. Im Interview sprechen sie darüber, welchen Ansatz sie verfolgt haben, worin die größte Herausforderung bestand und welche Erkenntnisse aus dem Projekt besonders relevant waren.
Welche Aufgabenstellung hatte Cassini im Projekt?
Rund um Rechenzentren, Cloud und KI-Infrastruktur entwickelt sich derzeit ein Markt mit sehr spezifischen Anforderungen an Logistik und IT. Für den Aufbau dieser globalen Infrastruktur braucht es spezialisierte Services, belastbare Prozesse und hochintegrierte IT-Landschaften. Unsere Aufgabe bestand darin, einen internationalen Logistikdienstleister dabei zu unterstützen, dieses Marktumfeld strukturiert und skalierbar zu adressieren. Konkret ging es um zwei Themen. Zum einen sollten typische Leistungen entlang der Wertschöpfungskette identifiziert und strukturiert werden, beispielsweise Transport, Lagerung, sensibles Spezialhandling, Vormontage oder technische Leistungen wie Rack Assembly. Zum anderen stand die Frage im Mittelpunkt, wie sich diese Leistungen schneller, standardisierter und global konsistent anbieten und implementieren lassen. Dafür mussten bestehende Prozesse, Business Capabilities und IT-Systeme aus unterschiedlichen Regionen und Geschäftsbereichen analysiert und in wiederverwendbare Referenzarchitekturen überführt werden.
Welchen Ansatz habt ihr dabei verfolgt?
Data Center Logistics erfordert das Zusammenspiel vieler spezialisierter IT-Systeme. In einzelnen Szenarien mussten mehr als 30 Systeme berücksichtigt werden. Einige davon sind Standardlösungen, etwa für Abrechnung oder Workforce Management. Je nach Use Case kommen jedoch zusätzliche Anforderungen hinzu, beispielsweise für sensibles Spezialhandling, technische Services oder globale Echtzeit-Transparenz. Deshalb haben wir mit modularen Blueprints gearbeitet: standardisierte Lösungsbausteine für typische Szenarien wie Transport, Vormontage oder Installation von Server-Racks. Wenn ein Kunde beispielsweise möchte, dass Komponenten eines Rack-Systems weltweit konsolidiert, vormontiert und zeitkritisch an einen Rechenzentrumsstandort geliefert werden, kann der Logistikdienstleister auf bestehende Referenzarchitekturen und validierte Lösungsansätze zurückgreifen. Der Vorteil ist, dass man nicht jedes Projekt bei null startet, sondern auf bestehenden Erfahrungen, Prozessen und IT-Bausteinen aufbaut. Dadurch lassen sich Ausschreibungen schneller bearbeiten, Risiken reduzieren und globale Rollouts effizienter umsetzen.
Was war die größte Herausforderung?
Die größte Herausforderung bestand darin, unterschiedliche Anforderungen, Prozesse und regionale Gegebenheiten in einem sehr dynamischen Marktumfeld zusammenzuführen. Da sich der Markt für Data Center Logistics derzeit mit hoher Geschwindigkeit entwickelt, existieren viele Standards und Betriebsmodelle noch nicht in vollständig etablierter Form. Gleichzeitig müssen globale Infrastrukturprojekte bereits heute unter hohem Zeitdruck umgesetzt werden. Unsere Aufgabe bestand deshalb vor allem darin, bestehende Informationen, Erfahrungen und Anforderungen aus unterschiedlichen Bereichen und Regionen strukturiert zusammenzuführen und daraus belastbare, wiederverwendbare Lösungsansätze abzuleiten.
Welche Rolle spielte KI?
KI spielte vor allem als Strukturierungs- und Analysebeschleuniger eine zentrale Rolle. Im Kern ging es um Content Engineering, also darum, vorhandene Informationen so aufzubereiten, dass sie strukturiert analysiert, verknüpft und wiederverwendet werden können. Vorhandene Dokumente, Workshop-Transkripte, Interviewinhalte und Kundenanforderungen wurden systematisch aufbereitet, harmonisiert und miteinander verbunden. Dafür haben wir einen eigenen AI-Harness aufgebaut, also eine projektspezifische KI-Arbeitsumgebung, die auf den bereitgestellten Dokumenten, Workshop-Ergebnissen und unserem fachlichen Modellierungswissen basiert. Dieser Harness unterstützt dabei, verstreutes Wissen schneller auffindbar zu machen, Inhalte zu clustern und erste Entwürfe für Capability-Modelle, Business Requirements und Architekturbausteine abzuleiten. Der Mehrwert lag nicht darin, Expertenwissen zu ersetzen, sondern es gezielt zu hebeln. KI half, große Informationsmengen schneller zu strukturieren, Muster zu erkennen und Inkonsistenzen sichtbar zu machen. Die finale fachliche Bewertung, Priorisierung und Validierung blieben weiterhin Aufgabe der Fachexperten.
Was war eure wichtigste Erkenntnis aus dem Projekt?
Für uns war die wichtigste Erkenntnis, dass es in neuen Märkten kein fertiges und erprobtes Wissen gibt. Gerade im Umfeld von Data Center Logistics entstehen viele Standards und Prozesse erst. Das bedeutet, man muss sich Strukturen oft gemeinsam erarbeiten, Hypothesen bilden und iterativ vorgehen. Gleichzeitig hat das Projekt gezeigt, wie wichtig unterschiedliche Perspektiven und Expertisen sind. Erst durch die enge Zusammenarbeit von Business, Operations, IT und Architektur entsteht ein Gesamtbild, aus dem belastbare Lösungen entwickelt werden können. Uns ist dabei noch einmal klar geworden: Es geht weniger darum, von Anfang an auf jede Frage die perfekte Antwort zu haben. Entscheidend ist vielmehr, schnell die richtigen Impulse zu setzen und gemeinsam mit dem Kunden Lösungen zu entwickeln, die skalierbar und praktisch umsetzbar sind.
