Wie Albertsons einen zentralen KI-Kern aufbaut, um ihn über 2.300 Filialen zu skalieren
von Aly McGue
Im Einzelhandel ist der Margendruck strukturell bedingt. Die Unternehmen, die vorne liegen, treffen schnellere und präzisere Entscheidungen in den Bereichen Merchandising, Personal und Lieferkette und tun dies durchgängig in Tausenden von Standorten. Die Frage für die meisten großen Einzelhändler: Sind ihre Organisationen darauf ausgelegt, KI schnell genug zu skalieren, um etwas zu bewirken? Albertsons Companies ist einer der größten Lebensmittel- und Drogeriehändler Amerikas und betreibt rund 2.300 Filialen mit einem Umsatz von 80 Milliarden US-Dollar. Sunil Gopinath leitet weltweit die Bereiche Daten und KI für das Unternehmen und leitet auch Albertsons Companies India, seinen größten Technologie- und KI-Hub. Sein Auftrag: die KI- und Datenbasis schaffen, um einen großartigen Einzelhändler schnell und in großem Umfang in ein datengesteuertes Unternehmen zu verwandeln.
Die Überzeugung, die sich durch unser Gespräch zog, war eindeutig: Schluss mit der Akzeptanz von Fragmentierung. Die Unternehmen, die KI-Ambitionen mit einer starken Unternehmensgrundlage verbinden, werden gewinnen. Alle anderen führen teure Experimente durch.
Unterstützt wird diese Strategie durch die Databricks Platform, die Albertsons in den Bereichen Data Engineering, ML, Governance und Analytics einsetzt. Diese gemeinsame Grundlage macht das 'eine Plattform'-Mandat real und gibt jedem Team die gleichen Startvoraussetzungen anstelle eines anderen Werkzeugsatzes.
Aly McGue: Wie haben Sie Ihre Organisation von fragmentierten, von Geschäftsbereichen gesteuerten KI-Experimenten zu einem zentralisierten KI-Kernteam und Betriebsmodell weiterentwickelt?
Sunil Gopinath: Wir haben aufgehört, Fragmentierung zu tolerieren, und eine feste architektonische Entscheidung getroffen. Ein Team, eine Plattform, ein Betriebsmodell. Wir haben uns um vier große KI-Wetten organisiert: Kundenerlebnis, Merchandising-Intelligenz, Personal und Lieferkette. Diese gaben uns strategischen Fokus. Der zentrale KI-Kern gab uns die Muskeln zur Umsetzung.
Die Logik war einfach. Es gab einen klaren organisatorischen Bedarf an gemeinsamen horizontalen Komponenten, wie z. B. Governance, Sicherheit und einem zentralen Repository wiederverwendbarer Modelle. Ein engagiertes Team, das sich auf diese Bausteine konzentriert, bedeutet, dass die Anwendungsteams sich nicht um Hygiene und Grundlagen kümmern müssen. Sie können sich ganz darauf konzentrieren, das Geschäft besser, vorhersehbarer und handlungsorientierter zu gestalten.
Wir haben auch einen unternehmensweiten Governance-Ausschuss, der leitende Stakeholder und Führungskräfte zusammenbringt, um gemeinsame, akzeptable Standards für KI und KI-Governance festzulegen. Das ist kollektive Entscheidungsfindung auf Führungsebene. Das ist es, was es zum Erfolg bringt.
Aly: Was war die Strategie zum Aufbau gemeinsamer Standards, einer zentralen Plattform und wiederverwendbarer Beschleuniger, um die Effizienz bei Albertsons zu steigern und gleichzeitig lokale Innovationen und Anwendungsfälle zu ermöglichen?
Sunil: Am besten lässt sich das wie ein Franchise-Modell vorstellen. Gemeinsame Infrastruktur, Standards und Governance im Zentrum. Lokale Ausführung und Innovation an den Rändern.
Wir haben wiederverwendbare Beschleuniger entwickelt: Ingestionspipelines und Vorlagen; Feature-Store-Muster; Modellüberwachung; Leistungsbeobachtbarkeit; und Governance-Wrapper. Jedes Team kann sich einklinken und 10x schneller arbeiten. Der Sinn der Plattform ist, dass sie die Innovation nicht einschränkt. Sie beschleunigt sie.
Unsere Philosophie ist, dass man Innovation mit Vertrauen und Governance in Einklang bringen muss, sowohl von unseren Mitarbeitern als auch von unseren Kunden. Die Standards sind also nicht willkürlich. Sie spiegeln wider, was notwendig ist, damit das Geschäft, die Händler und die Kunden dem, was die KI tut, tatsächlich vertrauen.
Aly: Wie überdenken Sie die Fähigkeiten und die Führung, die für den Betrieb dieses zentralen KI-Kerns erforderlich sind, und wie stellen Sie sicher, dass die Plattform nicht-technische Teams effektiv unterstützt?
Sunil: Unser Ansatz funktioniert in drei Schichten: maschinelles Lernen, das vorhersagt, GenAI, das antwortet, und agentenbasierte KI, die handelt. All dies ist in die Arbeitsweise unserer Mitarbeiter integriert.
Für technische Teams sind wir zum KI-gestützten Engineering übergegangen. In 9 Monaten haben wir 1,38 Millionen Zeilen KI-generierten Code akzeptiert, wobei über 90 % der Ingenieure KI-Tools nutzen. Wir haben die Geschwindigkeit, mit der wir entwickeln und ausliefern können, grundlegend verändert, und das vervielfacht sich.
Für nicht-technische Teams haben wir Low-Code-Dashboards, Prompt-Bibliotheken und die Generierung von Konversationsagenten entwickelt. Wir haben unsere eigene agentenbasierte KI-Plattform, auf der selbst nicht-technische Teams Agenten per Drag & Drop erstellen können. Und wenn sie sich damit nicht wohlfühlen, können sie einfach ein Gespräch führen und sagen: „Erstelle mir einen Agenten zur Überwachung dieser KPIs“, und er wird es tun. Das Ziel auf beiden Seiten ist dasselbe: weniger Zeit mit der Suche nach Antworten, mehr Zeit mit der Entscheidungsfindung.
Speziell zur Talentfrage suchen wir nicht nur nach technischer Kompetenz oder Vertrautheit mit den neuesten KI-Tools. Wir stellen nach Einstellung ein: Lernbereitschaft, Experimentierfreude, Innovationsgeist. Die Tools werden sich weiterhin in rasantem Tempo weiterentwickeln. Aber wenn diese kulturellen Merkmale verinnerlicht sind, eignen sich die Leute sie an und setzen sie um.
Aly: Wer in Ihrem Führungsteam ist letztendlich für den Erfolg des unternehmensweiten KI-Kerns verantwortlich und wie haben sich Ihre KPIs geändert?
Sunil: Die Verantwortung liegt ganz oben. Für uns ist KI eine Geschäftsstrategie. Unsere Kennzahlen spiegeln das wider: Wiederverwendungsraten über Märkte hinweg, Zeit bis zur Bereitstellung, Compliance mit verantwortungsvoller KI und vor allem Geschäftsergebnisse, die mit KI-Verbesserungen verbunden sind. Wenn eine Initiative keine Auswirkungen zeigen kann, skaliert sie nicht. Diese Disziplin muss von oben durchgesetzt werden, und das macht KI zu einem echten Vorteil und nicht nur zu einem teuren Experiment.
Sunil beschreibt keine schrittweise Entwicklung hin zur Zentralisierung. Er beschreibt eine bewusste Verpflichtung: ein Team, eine Plattform, ein Betriebsmodell, mit strategischen Wetten, die die Arbeit fokussieren, und wiederverwendbaren Beschleunigern, die die Geschwindigkeit vervielfachen.
Merchandising Intelligence ist eine von vier strategischen KI-Prioritäten, die großen Wetten, zu denen sich Albertsons im Rahmen seiner umfassenden unternehmensweiten Transformation verpflichtet hat, und sie veranschaulicht, wie das zentrale Modell aussieht, wenn es auf ein reales Geschäftsproblem trifft. Die Plattform basiert auf Databricks, mit Genie auf der Interaktionsebene. Händler können komplexe Fragen in einfacher Sprache stellen und erhalten kontrollierte, vertrauenswürdige Antworten, ohne eine Abfrage schreiben oder ein Ticket einreichen zu müssen. Databricks bietet die zugrunde liegende Grundlage für Data Engineering, ML und Analytics.
Für Führungskräfte, die damit ringen, wie sie KI von einzelnen Experimenten zu unternehmensweiten Fähigkeiten entwickeln können, bietet das Franchise-Modell von Albertsons einen nützlichen Rahmen: das Zentrum steuern, die Ränder befreien und sicherstellen, dass jedes Team auf dem aufbaut, was bereits bewiesen wurde.
Um Ihre Investitionen zu benchmarken und Ihre Roadmap für die Einbettung von KI in Ihr gesamtes Unternehmen und Ihre Produkte zu entwickeln, laden Sie das Databricks State of AI Agents-E-Book herunter.
(Dieser Blogbeitrag wurde mit KI-gestützten Tools übersetzt.) Originalbeitrag
Abonnieren Sie unseren Blog und erhalten Sie die neuesten Beiträge direkt in Ihren Posteingang.