Branchenforschung zeigt durchgehend: Strukturentscheidungen in großen Organisationen werden auf Basis unvollständiger, manuell zusammengestellter Daten getroffen. Bei Xon mit über 30.000 Mitarbeitenden in mehreren Divisionen und einem komplexen SAP-Orgdatenmodell dauert allein die Datenaufbereitung für eine Strukturanalyse Wochen. Berater:innen verbringen bis zu 80 % der Projektzeit mit Datenextraktion und -bereinigung, bevor die eigentliche Diagnose beginnt. Die Analysequalität variiert dann je nach Berater:in — dieselbe Org-Struktur, von zwei verschiedenen Spezialist:innen bewertet, ergibt zwei unterschiedliche Einschätzungen. Es gibt keinen systematischen, wiederholbaren Weg, die Designeffektivität zu bewerten oder Restrukturierungsszenarien in der Breite zu modellieren.
KI-gestützte Organisationsstruktur-Analyse für Xon
KI-System für Xons HR-Team: Org-Strukturen abfragen, analysieren und modellieren — mit Framework-Benchmarks und KI-Halluzinationsschutz.
Herausforderung
Lösungsarchitektur
Das System gibt Xons HR-Team und Org-Design-Berater:innen eine zentrale Plattform, um die gesamte Organisationsstruktur abzufragen, zu analysieren und zu testen. Berater:innen stellen Fragen in natürlicher Sprache — „Wo ist der Span of Control in Operations am weitesten?", „Welche Divisionen haben die meisten Management-Ebenen relativ zum Headcount?", „Was passiert, wenn wir diese zwei Geschäftseinheiten zusammenlegen?" — und erhalten fundierte, evidenzbasierte Antworten auf Basis der tatsächlichen SAP-Org-Daten.
Die Plattform wendet automatisch etablierte Org-Design-Frameworks an — Mintzbergs Strukturkonfigurationen, McKinsey 7S, Galbraiths Star Model, Bain Span-of-Control-Benchmarks und Xons eigene Designrichtlinien — um die aktuelle Struktur zu bewerten und Anomalien zu identifizieren. Sie generiert nicht nur Zahlen, sondern kontextreiche Befunde: „In der Chemicals-Division haben 34 % der Führungskräfte auf Ebene 4 weniger als 4 direkte Berichte — 43 % unter dem Benchmark für wissensbasierte Rollen."
Drei-Schichten-Architektur
Die Plattform basiert auf drei klar getrennten Schichten — Input, Query und Output — die jeweils für ein anderes Nutzer-Interaktionsmuster konzipiert sind.
Input-Schicht — Chat-Interface. Berater:innen und HR-Führungskräfte interagieren über ein natürlichsprachliches Chat-Interface. Keine Abfragesyntax, keine Report-Builder. Frage in natürlicher Sprache stellen — das System erledigt den Rest.
Query-Schicht — Vier Intent-Typen. Jede Frage wird in eine von vier Intent-Kategorien klassifiziert, die jeweils eine eigene Analyse-Pipeline auslösen:
| Intent | Engine | Was passiert | Beispielabfrage |
|---|---|---|---|
| Explore | LLM → Parametrisiertes SQL | LLM wählt aus einer kuratierten Query-Bibliothek und füllt Parameter — keine dynamische SQL-Generierung | „Zeige den Span of Control über alle Divisionen" |
| Diagnose | LLM → RAG | Metriken werden gegen abgerufene Framework-Benchmarks evaluiert (Mintzberg, Bain, etc.) | „Welche Teams verletzen Bains Span-Benchmarks?" |
| Simulate | LLM → Simulation | LLM parametrisiert das Szenario; Simulationsengine berechnet strukturelle Auswirkungen | „Was passiert, wenn wir Chemicals und Energy zusammenlegen?" |
| Recommend | LLM → Optimierung | LLM definiert Ziele und Constraints; Solver findet optimale Restrukturierungspfade | „Was sind die Top-3-Strukturänderungen zur Reduktion der Management-Ebenen?" |
Output-Schicht — Drei Kanäle. Ergebnisse werden über den Kanal geliefert, der zum Kontext passt: das Chat-Interface für Echtzeit-Exploration, BI-Dashboards für Visualisierung und Periodenvergleiche, und automatisierte PDF-Reports, die planmäßig an Stakeholder geliefert werden.
Trust-Architektur
Dieses System zieht eine klare Grenze zwischen dem, was berechnet wird, und dem, was interpretiert wird — und macht diese Grenze für alle Nutzer:innen sichtbar.
Alle quantitativen Metriken — Span-of-Control-Verteilungen, Management-Schichtenzahlen, Reporting-Kettentiefen, Role-Overlap-Indikatoren — werden deterministisch aus den extrahierten SAP-Daten berechnet. Diese Zahlen werden nie von der KI generiert. Die KI-Schicht sitzt darüber: eine Retrieval-Augmented-Generation-Pipeline, die in der kuratierten Framework-Bibliothek verankert ist und durch Vertex AI Embeddings auf Google Cloud betrieben wird. Das LLM interpretiert die deterministischen Metriken im Kontext dieser Frameworks und erzeugt natürlichsprachliche Diagnosen.
Jede KI-Ausgabe ist an konkrete Datenpunkte in der extrahierten Org-Struktur zurückgebunden. Das Modell kann keine Org-Knoten, Positionen oder Beziehungen fabrizieren, die nicht in den Daten existieren. Wo Datenlücken bestehen — eine fehlende Reporting-Linie, eine unbesetzte Position — flaggt das System die Lücke explizit, anstatt zu interpolieren. Konfidenzniveaus begleiten jeden KI-generierten Befund und machen transparent, wo das System sicher ist und wo menschliches Urteil übernehmen sollte. Jede KI-generierte Empfehlung durchläuft ein menschliches Approval-Gate, bevor sie als handlungsleitender Befund in Reports oder Dashboards erscheint. Token-Verbrauch wird pro Query-Session getrackt und ausgewiesen — volle Transparenz über KI-Rechenkosten.
Datenintegration
Das System verbindet sich über eine sichere, read-only Connector-Schicht mit Xons SAP-Umgebung — es unterstützt sowohl SAP HCM als auch SuccessFactors Employee Central als Datenquellen. Zwei Integrationspfade stehen je nach IT-Governance von Xon zur Verfügung: eine Live-API-Verbindung für routinemäßige inkrementelle Syncs oder periodische Batch-Importe für tiefgehende Quartalsanalysen. Beide Pfade speisen ein normalisiertes Analysemodell, das auf Cloud SQL gehostet wird.
Der Connector flaggt automatisch Datenqualitätsprobleme — fehlende Reporting-Linien, Vakanz-Inkonsistenzen, doppelte Positionszuordnungen — und quantifiziert diese, bevor irgendeine Analyse läuft. Die Data Pipeline verarbeitet ausschließlich strukturelle Org-Daten: Positionen, Org-Einheiten und Reporting-Beziehungen. Keine Gehaltsdaten, keine Leistungsbewertungen, keine persönlichen Mitarbeitendendaten gelangen ins System. Zugangsdaten für den SAP-Zugriff werden in einer verschlüsselten Secrets-Verwaltung auf Google Cloud gespeichert, nie im Klartext übertragen und verwenden kurzlebige Session-Tokens, die nach jedem Extraktionslauf invalidiert werden.
Deployment & Monitoring
Das System ist wahlweise on-premise oder als dedizierte Google-Cloud-Instanz deploybar, je nach IT-Governance-Anforderungen von Xon. Die Applikationsschicht läuft auf Cloud Run mit Auto-Scaling. Wöchentliche automatisierte Strukturscans liefern Reports ohne manuelle Auslösung. Framework-Updates und neue Benchmarks werden ohne Systemausfall eingespielt. Die Architektur ist auf ISO 27001-Anforderungen ausgelegt, mit vollständigen Audit-Trails über jede Abfrage und jedes Datenextraktions-Event.
Weitergedacht — Autonomes Struktur-Monitoring
Die abfragegesteuerte Plattform ist das Fundament. Für Organisationen, die auf agentische Workflows setzen, unterstützt dieselbe Architektur einen vollständig autonomen Modus — in dem das System nicht nur Fragen beantwortet, sondern eigenständig Analysen initiiert.
Agenten führen wöchentliche geplante Strukturscans über alle Divisionen durch und vergleichen aktuelle Spans, Layers und Reporting-Tiefen sowohl mit Framework-Benchmarks als auch mit Xons eigenen Designrichtlinien. Wenn eine Abteilung 40 Mitarbeitende einstellt, ohne eine neue Führungsebene einzuziehen, und der Span of Control über die Bain-Benchmarks hinaus driftet, flaggt das System die Anomalie proaktiv — HR-Führungskräfte erhalten eine Benachrichtigung mit kontextueller Analyse, anstatt den Drift Monate später beim jährlichen Review zu entdecken.
Das System pflegt eine kontinuierlich wachsende Wissensbasis: aktuelle Org-Design-Forschung, aktualisierte Benchmarks, Branchenberichte und Xons interne Richtlinien. Neue Erkenntnisse fließen automatisch in die Analyse ein. Strategiedokumente, OKRs und Board-Präsentationen werden zu zusätzlichen Datenquellen — so bewertet das System die Struktur nicht nur gegen externe Frameworks, sondern gegen Xons erklärte Unternehmensstrategie.
Die menschliche Rolle verschiebt sich vom Steuern der Analyse zum Prüfen und Genehmigen von Empfehlungen. Das Approval-Gate bleibt bestehen — jede KI-generierte Empfehlung erfordert weiterhin menschliche Freigabe, bevor sie handlungsleitend wird. Aber die Initiative geht vom System aus.
Sicherheit & Datenschutz (POPIA)
Xon operiert in mehreren Rechtsräumen, darunter Südafrika, wo der Protection of Personal Information Act (POPIA) die Verarbeitung personenbezogener Daten regelt. Dieses System wurde mit POPIA-Compliance als Grundlage konzipiert — nicht als nachträgliche Ergänzung.
Datenisolierung & LLM-Datenschutz
Die gesamte Datenverarbeitung — einschließlich LLM-Inferenz — läuft innerhalb von Xons eigenem Google-Cloud-Tenant über Vertex AI. Google ist vertraglich verpflichtet, Prompts, Antworten oder hochgeladene Daten nicht zum Training seiner Modelle zu verwenden. Xon behält 100 % Eigentum an allen Ein- und Ausgaben.
- Alle Daten verschlüsselt im Ruhezustand (AES-256) und bei der Übertragung (TLS 1.3), mit optionalen kundenverwalteten Verschlüsselungsschlüsseln (CMEK)
- Rollenbasierte Zugangskontrolle stellt sicher, dass Nutzer:innen nur den Organisationsbereich sehen, für den sie autorisiert sind
- Mandantenisolierung — Xons Daten laufen in einer dedizierten Umgebung, nie vermischt mit anderen Kunden
- Private Endpunkte und VPC Service Controls leiten den gesamten Datenverkehr über Googles privates Backbone — keine Daten passieren das öffentliche Internet
- Volle Kontrolle über Datenresidenz — einsetzbar in spezifischen Regionen (z. B. europe-west3 Frankfurt oder africa-south1 Johannesburg)
- API-Credentials in Google Cloud Secret Manager mit automatischer Schlüsselrotation und kurzlebigen Session-Tokens
Für Organisationen mit strengeren Souveränitätsanforderungen unterstützt die Architektur auch selbst gehostete Open-Source-Modelle — siehe FAQ für Details.
Audit-Trail & Rechenschaftspflicht
Jede Abfrage, jedes Datenextraktions-Event und jeder KI-generierte Befund wird mit Zeitstempel und Benutzeridentität protokolliert. Dies liefert die Rechenschaftsspur, die POPIAs Section 19 für Organisationen vorschreibt, die personenbezogene Daten verarbeiten. Das System ist auf ISO 27001-Anforderungen ausgelegt.
Deployment-Flexibilität
Je nach Xons Anforderungen an die Datenresidenz kann das System on-premise oder als dedizierte Google-Cloud-Instanz in einer bestimmten Region deployed werden. Keine geteilte Infrastruktur, kein mandantenübergreifendes Daten-Mixing.
Dies ist ein technisches Blueprint basierend auf öffentlich verfügbaren Branchendaten. Es stellt keine für ein bestimmtes Unternehmen durchgeführte Arbeit dar.
Häufig gestellte Fragen
Welche SAP-Systeme werden unterstützt?+
Das System unterstützt sowohl SAP HCM als auch SAP SuccessFactors Employee Central über sichere, read-only Verbindungen. Kein Schreibzugriff, kein Eingriff in Produktionssysteme. Die Datenextraktion unterstützt sowohl API-basierte inkrementelle Syncs als auch periodische Batch-Importe, je nach IT-Governance-Vorgaben von Xon.
Wie lange dauert die Implementierung?+
Die Implementierung ist in drei Phasen aufgeteilt: Datenintegration und Kernanalyse (3–4 Wochen), Framework-Engine und Query-Interface (3 Wochen), Szenario-Modellierung und Reporting (2–3 Wochen). Gesamtdauer bis zur produktiven Nutzung: ca. 8–10 Wochen — vorausgesetzt ist ein definierter read-only API-Zugang zum SAP-System ab Tag eins.
Wie verhindert das System KI-Halluzinationen?+
Jede Aussage ist an konkrete Datenpunkte in der extrahierten Org-Struktur zurückgebunden — das Modell kann keine Aussagen über Strukturen treffen, die nicht in den Daten vorhanden sind. Framework-Benchmarks werden über Retrieval-Augmented Generation aus verifizierten Quelldokumenten bezogen, nicht aus dem Trainings-Wissen des Modells. Wo Datenlücken bestehen, weist das System diese explizit aus, anstatt zu interpolieren. Konfidenzniveaus begleiten jeden Befund.
Welche Einsparungen sind für Xon realistisch?+
Laut PwC/Strategy& hat ein Fortune-100-Unternehmen ca. 200 Mio. USD durch Spans-and-Layers-Optimierung erzielt — 25 % der Gesamteinsparungen eines globalen Effizienzprogramms. Für ein Unternehmen der Größenordnung Xons liegt die konservative Erwartung bei 10–25 % Reduktion der Managementkosten durch strukturierte Span-Optimierung, ohne operative Leistung zu beeinträchtigen.
Können wir statt Vertex AI ein selbst gehostetes Open-Source-Modell verwenden?+
Ja. Die Architektur ist modellunabhängig konzipiert. Für Organisationen mit noch strengeren Souveränitätsanforderungen — etwa Behörden, Verteidigungsunternehmen oder regulierte Finanzinstitute — kann die Analyse-Engine mit selbst gehosteten Open-Source-Modellen wie Llama 3 (Meta), Mistral Large oder Qwen betrieben werden, deployed über Frameworks wie vLLM oder HuggingFace TGI auf Ihrer eigenen Infrastruktur. Der Kompromiss besteht in einem höheren Betriebsaufwand (GPU-Infrastruktur, Modellaktualisierungen, Monitoring) und potenziell geringerer Modellleistung im Vergleich zu Frontier-Modellen. Für die meisten Unternehmenskunden bietet Vertex AI die ideale Balance aus Leistung und Datensouveränität.
Verlassen unsere HR-Daten jemals unsere Cloud-Umgebung?+
Nein. Die gesamte Datenverarbeitung — SAP-Extraktion, Graph-Normalisierung, LLM-Inferenz und Ergebnisgenerierung — findet innerhalb Ihres Google Cloud-Projekts statt. Vertex AI ist vertraglich verpflichtet, Ihre Daten nicht für Modelltraining zu verwenden, und unterstützt private Endpunkte sowie VPC Service Controls, sodass kein Datenverkehr das öffentliche Internet passiert. Optional können Sie kundenverwaltete Verschlüsselungsschlüssel (CMEK) einsetzen — wenn Sie den Schlüssel widerrufen, kann Google die Daten nicht mehr verarbeiten.
Quellen & Referenzen
- PwC Strategy& — Management Spans and Layers: Fortune 100 erzielte ~200 Mio. USD Einsparungen
- Bain — Spans and Layers Optimization: >200 Mio. USD/Jahr durch Span-Erhöhung
- Google Cloud Datenverarbeitungsvereinbarung — vertragliche Datenschutzgarantien
- Google Cloud Dienstspezifische Bedingungen — Vertex AI Datennutzungsbeschränkungen
Bereit, das umzusetzen?.
Also available in English: Keith Govender