In Folge 296 von MY DATA IS BETTER THAN YOURS (MDIBTY) spricht Jonas Rashedi mit Jens W. (Head of Data & AI, Lufthansa Group) über Airline Operations. Konkret: Realtime ist in Airline-Ops nicht optional, sondern Kernprozess. Verspätungen kaskadieren — eine falsche Entscheidung in Minute 10 kostet Stunden in Stunde 3.
3 Erkenntnisse aus dieser Folge
- 01
Realtime ist in Airline-Ops nicht optional, sondern Kernprozess. Verspätungen kaskadieren — eine falsche Entscheidung in Minute 10 kostet Stunden in Stunde 3.
- 02
Der Gen-AI-Hype hat Lufthansa nicht primär neue Use Cases geliefert, sondern bestehende beschleunigt: Bessere Übersetzung, bessere Dokumenten-Klassifikation, schnellere Wissensabfrage. Weniger Revolution, mehr Effizienz-Treiber.
- 03
Die KI-Grenze in einer regulierten Industrie liegt nicht am Modell, sondern an der Auditierbarkeit. Jede Entscheidung mit Passagier-Sicherheitsrelevanz muss nachvollziehbar sein — LLM-Black-Boxes haben hier keinen Platz.
Worum es in dieser Folge geht
Jens verantwortet Data & AI bei der Lufthansa Group. Das Unternehmen bewegt sich in einer der datenintensivsten Ops-Welten überhaupt — Millionen von Datenpunkten pro Tag, alle zeitkritisch, alle mit direktem Einfluss auf Kundenzufriedenheit und Kosten. Wir sprechen in dieser Folge über das, was hinter dem Flug passiert, was du als Passagier nicht siehst.
Die Storyline
Die besondere Härte von Airline-Ops
Wenn eine Maschine in München 20 Minuten Verspätung hat, beginnt in diesem Moment ein Dominoeffekt, der über den ganzen Tag Millionen Euro kosten kann. Wir haben keinen Puffer. Wir müssen in Echtzeit reagieren.
Das ist der Unterschied zu vielen anderen Data-Anwendungen: In einem Retail-Kontext kostet eine verspätete Reaktion Umsatz, aber nicht die Planung des ganzen Tages. In Airline-Ops kaskadiert alles.
Wo KI heute wirklich produktiv ist
Jens ist nüchtern: Die Kern-Use-Cases bei Lufthansa sind nicht die spektakulärsten. 1. Disruption-Management: KI-gestützte Crew- und Flotten-Reallokation bei Stornierungen. 2. Cargo-Yield-Optimierung: Preisbildung in Echtzeit. 3. Wartungs-Prognose: Predictive Maintenance für Komponenten. 4. Dokumenten-Verarbeitung: Klassifikation von Schriftwechsel, Passagier-Anträgen, behördlichen Unterlagen.
Was Gen AI verändert hat — und was nicht
Jens macht deutlich: Der Gen-AI-Hype hat für Lufthansa keine neuen Kategorien von Use Cases geschaffen. Er hat bestehende beschleunigt. Klassische NLP-Aufgaben (Übersetzung, Klassifikation, Entity-Extraktion), die früher Monate Modellentwicklung brauchten, sind heute in Wochen lauffähig. Das macht viele zuvor unwirtschaftliche Automations-Cases plötzlich sinnvoll.
Die Auditierbarkeits-Grenze
In einer regulierten Industrie ist jede Entscheidung mit Sicherheits-Relevanz auditierbar zu machen. Das schließt reine LLM-Black-Boxes für bestimmte Bereiche aus. Lufthansa arbeitet hier mit hybriden Ansätzen: Klassische Modelle treffen sicherheitsrelevante Entscheidungen, LLMs übernehmen Assistenz- und Textverarbeitungs-Aufgaben.
Warum mich das besonders umtreibt
Ich glaube, Unternehmen außerhalb der Luftfahrt unterschätzen, wie viel man von Airlines lernen kann: Realtime-Disziplin, Auditierbarkeit, Operationalisierung unter Druck. Jens' Folge liefert einen seltenen Blick hinter diese Kulisse — und zeigt, dass die großen Durchbrüche oft unspektakulär sind, aber messbar millionenschwer.
Jetzt reinhören
Jetzt reinhören
Diese Folgen könnten dich auch interessieren
Folge 323
Solo gegen alle: Wie 15 Jahre Datenhandwerk eine D2C-Brand allein tragen
Carlos Yniguez · 60Kollektiv
Folge 322
KI in NRW: Warum 90 % des Mittelstands noch nicht wirklich anfängt
Christian Temat · KI.NRW (Fraunhofer IAIS)
Folge 319
Warum Data Mesh ohne Data Citizens scheitert
Jonas Kell · Siemens Energy