Die Werbe- und Mediengruppe Dentsu hat einen prädiktiven Analytics-Copilot auf Azure AI Foundry und Azure OpenAI Service gebaut und ihn in unter 12 Wochen vom Proof of Concept in die Produktion gebracht. Der Konversationsassistent senkte die gesamte Time to Insight um 90 Prozent und die Analysezeit um 80 Prozent, laut der offiziellen Microsoft Customer Story vom November 2024, die fünf Teammitglieder namentlich nennt.
Wochenlanges Warten auf jede Media-Frage
Dentsu steuert das Marketing globaler Marken auf Basis von Media- und Consumer-Analytics. Prognosen, Budgetallokation und Kanaloptimierung treiben jede Kampagnenentscheidung, und vor dem Copilot kostete jede dieser Antworten Wochen an Spezialistenarbeit. Im Mediaeinkauf ist Timing Marge: Eine Prognose, die nach dem Ende des Kampagnenfensters eintrifft, hat den Wert null. Becca Kline, Senior Director of Analytics bei Dentsu, beschrieb die Kosten der Verzögerung in der Customer Story: „Verzögerte Kampagnen bremsen den Kundenservice und können zu verpassten Chancen führen.“ Die Nachfrage nach Insights wuchs schneller als die Kapazität der Analysten, und jede neue Kundenfrage reihte sich in die Warteschlange ein.
Das Unternehmen wählte generative KI als Weg zur Skalierung. Callum Anderson, Global Director for DevOps and SRE, fasste die Absicht zusammen: „Wir setzen auf generative KI für Effizienz- und Performance-Lösungen.“ Das Ziel: eine Chat-Oberfläche, in der Planer Fragen in natürlicher Sprache stellen, von der optimalen Budgetverteilung bis zur Kanalperformance, und datenbasierte Antworten in Minuten erhalten.
Die Entscheidung: ein Microservice in der Suite, statt eines eigenständigen Chatbots
Die Wahl, die den 12-Wochen-Horizont möglich machte, war architektonisch. Die Ingenieure von Dentsu entwarfen den Copilot als lose gekoppelten Microservice innerhalb der bestehenden Anwendungssuite des Unternehmens, integriert über APIs und das GraphQL-Protokoll, statt ein separates Chatbot-Produkt zu lancieren.
Diese eine Entscheidung brachte drei sich verstärkende Vorteile. Erstens erbte der Copilot die geteilten Governance-Module, die Dentsu bereits über seine Client-Anwendungen hinweg anwendet, sodass Responsible-AI-Kontrollen von Anfang an eingebaut waren. Zweitens fanden die Nutzer die neue Fähigkeit in vertrauten Werkzeugen mit konsistentem Look and Feel vor, was eine komplette Adoptionshürde beseitigte. Drittens war die Plattformarbeit bereits erledigt: Das Team deployte auf Azure Kubernetes Service mit Azure API Management, und Blue/Green-Deployment brachte den Copilot mit null Ausfallzeit in die Produktion. Unter der Haube läuft der Copilot als gerichtete azyklische Graph-Flows in Python, verbunden mit einem Azure-AI-Hub über Prompt Flow als dritte Architekturebene.
Die Geschwindigkeit kam ebenso aus Templates wie aus der Architektur. Lead DevOps Engineer Simon Ransom würdigte den GitHub-GenAIOps-Startpunkt: „Es war großartig, mit den Skripten des Azure AI Prompt Flow Templates einen Vorsprung zu bekommen.“ DevOps Engineer Jon Crocombe und Director of Project Management Katie Jenkins vervollständigen das genannte Team; Jenkins fasste die Zusammenarbeit mit den Microsoft-Ingenieuren zusammen: „Es war wirklich cool zu sehen, wie die Engineering-Köpfe von Microsoft und Dentsu zusammenkamen.“
Das Ergebnis, mit vollem Kontext
Die dokumentierten Ergebnisse: Analysen, die früher Wochen dauerten, sind jetzt in Minuten fertig, eine Reduktion der Analysezeit um 80 Prozent; die gesamte Time to Insight fiel um 90 Prozent; und die Analysekosten sanken ebenfalls. Das System ging in unter 12 Wochen vom Proof of Concept in die Produktion und läuft seit Ende 2024.
Die Quelle ist ebenso klar bei den Kompromissen. Der komprimierte Zeitplan verschob die systematische Antwort-Evaluation auf eine spätere Phase, und nach dem Launch reorganisierte das Team die Logik des Copilots, um die Antwortgenauigkeit zu erhöhen. Diese Abfolge (eine governte v1 schnell ausliefern, dann in der Produktion messen und verfeinern) ist eine reale Engineering-Entscheidung, die die Customer Story offen dokumentiert, und genau das macht den Fall glaubwürdig statt werblich.
Das Muster hat Bestand. Eine unabhängige Analyse von AI Expert Network vom März 2025 dokumentierte den Copilot im Betrieb als Entscheidungsunterstützungssystem, integriert mit den Geschäftsanwendungen von Dentsu, neben einem wachsenden KI-Portfolio mit Salesforce-basierten Retail-Media-Werkzeugen und Adobe-GenStudio-Integration. Dentsu speist die Erkenntnisse aus dem Copilot zudem zurück in das GitHub-Template und verwandelt einen internen Build in eine wiederverwendbare Blaupause.
Was andere Organisationen lernen können
Die übertragbare Lektion: Integrationsdesign schlägt Greenfield-Projekte. Viele Enterprise-KI-Programme bleiben zwischen Demo und Deployment stecken, weil die Demo außerhalb der Systeme lebt, in denen Governance, Identität und Nutzergewohnheiten bereits existieren. Dentsu drehte das Schema um: Der Copilot ging als ein weiterer Microservice in einer Suite in Produktion, die Governance, Monitoring und Release-Disziplin bereits trug, und die 12 Wochen sind das direkte Resultat.
Die Replikation verlangt konkrete Voraussetzungen. Eine bestehende Anwendungssuite mit geteilten Governance-Modulen gibt dem Copilot etwas zum Erben. Plattform-Templates, hier das Azure AI Prompt Flow Template auf GitHub, komprimieren die erste Meile der Entwicklung. DevOps-Reife, mit Blue/Green-Deployment auf Kubernetes, macht den Release-Tag zur Routine. Und ein bewusst eng geschnittenes erstes Release, mit Evaluation und Logik-Verfeinerung für die Produktionsphase eingeplant, hält den Zeitplan ehrlich. Organisationen mit diesen vier Assets können 12 Wochen als realistisches Ziel behandeln; alle anderen wissen jetzt genau, welche Infrastruktur zuerst zu bauen ist.
Artikel von SAGA, Success Stories & Real Cases
SAGA berichtet über Enterprise-KI-Implementierungen mit verifizierten Ergebnissen. Jede Metrik ist belegt. Jedes Unternehmen wird namentlich genannt.