DNP führte ChatGPT Enterprise in zehn Abteilungen ein und machte das Chatfenster zur zentralen Oberfläche

Das Chatfenster als einzige Oberfläche, die Mitarbeitende lernen mussten

Dai Nippon Printing, 1876 gegründet und mit mehr als 37.000 Mitarbeitenden, beschloss im April 2023, KI unternehmensweit einzuführen, baute bis Mai eine sichere Umgebung auf und startete ChatGPT Enterprise im Februar 2025 in zehn Kernabteilungen. Auffällig an den berichteten Ergebnissen ist, wie viel Arbeit inzwischen über eine einzige konversationelle Oberfläche läuft statt über eigens entwickelte Anwendungen.

Das Unternehmen setzte sich konkrete Verhaltensziele: Jeder Mitarbeitende sollte ChatGPT mindestens 100 Mal pro Woche nutzen, und Teams sollten über 50 % der Aufgabenzeit automatisieren. Innerhalb von drei Monaten meldet DNP eine wöchentliche Nutzungsrate von 100 % und dass 90 % der Anwendungsfälle messbare Ergebnisse zeigten. Unabhängig von der jeweiligen Aufgabe war das Frontend, mit dem die Mitarbeitenden arbeiteten, immer dasselbe Textfeld.

Wenn die Oberfläche konversationell ist, schreiben auch Nicht-Programmierer Code

Das deutlichste Beispiel liefert DNPs Abteilung für Fertigungstechnologie-Forschung, wo Mitarbeitende ohne jede Python-Erfahrung über ChatGPT Enterprise Code generierten und ausführten, um Versuchsgeräte zu bedienen, Messungen vorzunehmen und Materialbewertungsdaten zu analysieren. DNP zufolge wurde Arbeit, die traditionell mehr als ein Jahr dauerte, in wenigen Tagen umgesetzt, und die Strukturierung von Informationen aus englischen Patenten und Geräteprinzipien schrumpfte von mehreren Monaten auf drei Tage.

Das ist die praktische Bedeutung eines konversationellen Frontends: Die Oberfläche gleicht die Kompetenzlücke aus. Statt ein Datenanalyse-Tool mit eigener Benutzeroberfläche auszuliefern, ließ DNP Forschende ihre Absicht in natürlicher Sprache beschreiben und erhielt ausführbaren Code zurück. Die Hürde, die normalerweise zwischen Fachwissen und Software steht — nämlich zu wissen, wie man die Software schreibt — verschob sich in den Chat-Dialog selbst.

Custom GPTs als gemeinsame Oberfläche für Unternehmenswissen

DNP meldet eine Wiederverwendungsrate von 70 % bei Wissen durch Custom GPTs sowie eine von Isaku Osawa geleitete Initiative zur Wissensbewahrung, die Papierhandbücher und historische Qualitätsprotokolle in eine interne, über diese Custom GPTs zugängliche Wissensdatenbank überführt. Die Zeit zur Definition der Datenarchitektur sank um 90 %, und das Team konnte doppelt so viele Fachartikel durchsehen.

Unser Ziel ist es, über Generationen gewachsenes Wissen in digitale Arbeitskraft zu verwandeln.Montana Labs

Die Design-Entscheidung dabei: Die Retrieval-Oberfläche und das allgemeine Chat-Frontend sind ein und dasselbe Produkt. Unternehmenswissen bekommt kein eigenes Portal; es wird zu einem weiteren GPT, das neben denen steht, die Mitarbeitende bereits täglich nutzen. Diese Wiederverwendungsrate legt nahe, dass sich der Wert nicht im einzelnen Prompt, sondern auf der gemeinsamen Oberfläche summiert.

Die IP- und Compliance-Arbeit zeigt: Die Oberfläche endet weiterhin beim Menschen

In der ICT-F&E-Abteilung automatisierte Yohei Ishidas Team Patentrecherche, Zusammenfassung und Klassifizierung, reduzierte die Rechercheszeit um 95 % und erweiterte die Abdeckung um das Zehnfache, während erste Entwürfe für Wettbewerbsanalysen die Vorbereitungszeit um 80 % senkten. Ishida merkt an, dass Anmeldungen früher von individuellem Ermessen abhingen, mit von Person zu Person unterschiedlichen Standards; die gemeinsame Oberfläche machte Entscheidungen objektiver.

Im Bereich IT-Governance verkürzte Masahiro Kobayashis Team den Auditvergleich von 30 auf 5 Minuten, die Auswahl kryptografischer Suiten von 3 Stunden auf 1 Stunde und eine erste Prüfung von rund 100 CIS-Benchmark-Punkten von zwei Personentagen auf 10 Minuten. Er stellt klar: Die Oberfläche liefert Entwürfe, keine Entscheidungen.

Überprüfung und finale Kontrolle bleiben Aufgabe der Menschen.Montana Labs

Die konkrete Lehre: die Oberfläche standardisieren, nicht den Workflow

DNPs Rollout ist deshalb bemerkenswert, weil das Unternehmen keine zehn abteilungsspezifischen Tools baute. Es gab zehn Abteilungen ein konversationelles Frontend und ließ jedes Team darauf aufbauend eigene Custom GPTs und gemeinsame Anwendungsfälle entwickeln. Hiroyuki Otake beschreibt den Mechanismus schlicht: Die Nutzung wurde sichtbar gemacht, Teams experimentierten, teilten Erkenntnisse und iterierten — so entstanden aus demselben Ausgangspunkt Patent-Workflows, Python-Analysen und die Digitalisierung von Wissen.

Für Teams, die überlegen, wie sie generative KI intern einführen sollen, liegt DNPs Lehre auf der Hand: Der Hebel entstand durch die Standardisierung des Zugangspunkts und das Entstehenlassen von Workflows darauf, statt für jeden Anwendungsfall ein eigenes Frontend zu entwickeln. Die Chat-Oberfläche war einheitlich; der Wert lag in dem, was Mitarbeitende, einschließlich Nicht-Programmierer, damit aufbauten.