ENEOS Materials hat über 1.000 individuelle GPTs erstellt und ChatGPT Enterprise für jeden Mitarbeiter bereitgestellt

Die Oberfläche ist der Einsatz: japanische Prompts statt Tooling

Die auffälligste Aussage dieser Ankündigung ist organisatorischer, nicht technischer Natur. ENEOS Materials berichtet, dass über 90 % der Mitarbeitenden ChatGPT Enterprise mindestens wöchentlich nutzen und mehr als 1.000 individuelle GPTs im gesamten Unternehmen entstanden sind. Ein solches Volumen entsteht nur, wenn die Art der Interaktion mit dem System der gewohnten Arbeitsweise entspricht – in diesem Fall: eine Aufgabe auf Japanisch beschreiben und ein Ergebnis zurückerhalten.

Taku Ichibayashi aus der Forschungs- und Entwicklungsabteilung sieht die Einführung weniger durch die reine Leistungsfähigkeit begrenzt als durch zwei vorgelagerte Bedenken: Sicherheit sensibler Unternehmensdaten und Genauigkeit der Ergebnisse. Der erklärte Ansatz des Teams – 'zuerst die Technologie selbst beherrschen und dann ihr Potenzial erkunden' – beschreibt eine Oberfläche, die abteilungsübergreifend eigenständig erlernt wurde, bevor sie skaliert wurde, und keine von oben verordnete Plattformvorgabe.

Eine Person ohne Programmierkenntnisse liefert ein Tool – das ist das eigentliche Signal

Das Beispiel aus der Personalabteilung ist der konkrete Beweis dafür, dass die Oberfläche entscheidend ist. Marie Takeda hat ein internes Tool zur Datenaggregation entwickelt, obwohl sie nach eigenen Worten zuvor keine Programmiererfahrung hatte, und berichtet von rund 90 % weniger Zeitaufwand für die Aggregation. Ein separater individueller GPT für die Personalabteilung verdichtet die Schulungsanalyse von ein bis zwei Stunden manueller Arbeit auf etwa 20 Sekunden.

Es war mein erster Versuch mit Programmierung, aber mit ChatGPT konnte ich das Tool selbst erstellen, ganz ohne Programmierkenntnisse.Montana Labs

Für praxisorientierte Teams ist dies die Frontend-Geschichte im Kleinen: Die Person, die das Problem mit dem Schulungs-Feedback versteht, baut die Lösung direkt selbst, ohne Übergabe an eine Warteschlange für Entwicklungsteams. Die natürlichsprachliche Oberfläche verkürzt die Distanz zwischen der Person mit dem Problem und der Person, die dagegen etwas bauen kann.

Deep Research und individuelle GPTs als fachspezifische Frontends

Die weiteren Anwendungsfälle zeigen dasselbe Muster in spezialisierter Arbeit. Im Werk in Ungarn nutzt das Team von Kenichi Sakemi Deep Research, um ungarischsprachige Quellen zu durchsuchen und präzise japanische Ergebnisse zu erhalten – Recherchen, die früher Monate dauerten, verkürzen sich so auf wenige zehn Minuten, verfahrenstechnische Berechnungen von einem halben Tag auf Minuten. Die Oberfläche dient hier gleichzeitig als Übersetzungs- und Suchebene über lokale Materialien, die das Team sonst nicht schnell hätte verarbeiten können.

Der individuelle GPT für Anlagenplanung der Engineering-Abteilung verarbeitet strukturierte Eingaben – Flüssigkeitstyp, Durchflussrate, Rohrdurchmesser, Druckverlust, Materialanforderungen – und liefert optimierte Spezifikationen gemäß den Unternehmensstandards, samt Materialkorrosionsprüfungen, die laut Sakemi inzwischen nur noch Sekunden dauern. Jeder individuelle GPT ist im Grunde eine eigens entwickelte Oberfläche, die die unternehmenseigenen Standards abbildet, und die Zahl von über 1.000 legt nahe, dass Mitarbeitende sich diese Oberflächen selbst bauen, statt auf die zentrale IT zu warten.

Die Schlussfolgerung: Die Einführung skalierte, weil die Barriere die Sprache war, nicht die Fähigkeit

ENEOS Materials zeigt, dass in einer von Arbeitskräftemangel geprägten Fertigungsbelegschaft die Begrenzung des KI-Nutzens nie die Intelligenz des Modells war – sondern die Frage, wer das Werkzeug bedienen konnte. Indem das Unternehmen die Bedienungsanleitung auf 'beschreiben Sie auf Japanisch, was Sie brauchen' reduzierte, machte es Fachexperten in Personalwesen, Verfahrenstechnik und Anlagenplanung zu Entwicklern, ohne sie zu Programmierern umzuschulen.

Sakuras erklärter Anspruch – Anlagen in der Fertigung 'in Alltagssprache zu steuern und die Produktion so einfach zu lenken und zu optimieren, wie wir mit ChatGPT interagieren' – überträgt dieselbe Grundidee von der Büroarbeit auf Maschinen. Die Wette lautet, dass die konversationelle Oberfläche – nicht ein spezialisiertes Bedienpanel – zur Standardschnittstelle für komplexe Systeme wird. Die über 1.000 individuellen GPTs sind der frühe Beweis: Wenn die Oberfläche der Art entspricht, wie Menschen bereits kommunizieren, verbreitet sich die Nutzung von selbst, statt durch einen aufwendigen Rollout erzwungen werden zu müssen.