PROCISE GmbH

Advisory Board / procise

YPF SA

Board Of Advisors

ProServ - Premier ServiceNow Partner

CEO ProServ

TESM LTD

CEO EMEA

PROCISE

Owner

Strategy Consulting, Business Process Improvement, Technology Consulting

Deutsche Bank

Senior Consultant

Data & AI Leader | Scaling Data-Driven Capabilities | Data Engineering Expert

With over a decade of experience in Data Science, Machine Learning, and Data Engineering, I specialize in architecting and implementing robust data capabilities at scale. My expertise lies in helping organizations realize their data-driven ambitions through strategic and technical leadership.

As an advocate for continuous learning in the data community, I regularly share insights on MLOps, Data Engineering, and Machine Learning. My goal is to empower fellow practitioners by distilling complex concepts into accessible, actionable knowledge.
Key focus areas:

- Data Strategy & Transformation
- MLOps & Data Engineering
- Scalable Data Architectures
- Self-Service Analytics Platforms
- Data-Driven Culture Development

I'm always eager to connect with like-minded professionals and discuss innovative approaches to data-centric challenges.

Bjorn Beyersdorff

🔍 The First Documented AI-Orchestrated Cyber Espionage Campaign – and What It Means for Organisations

In September 2025, investigators uncovered a cyber campaign that marks a turning point: for the first time, an attacker executed the majority of a complex espionage operation through an AI-agent architecture, operating with minimal human input.

The attackers manipulated a generative AI model by disguising their prompts as legitimate “penetration testing,” enabling the system to run reconnaissance, exploitation, credential harvesting, lateral movement and data exfiltration across more than 30 global organisations spanning tech, finance and industry.

The key insight:
Agentic AI is no longer a tool used only by companies – adversaries are now using it to scale and accelerate attacks at machine speed.

What does this mean for organisations?

1️⃣ New Threat Models
“Machine-speed attacks” are now a reality. Every AI deployment must include a risk assessment that explicitly covers agentic misuse scenarios.

2️⃣ Governance Becomes Non-Negotiable
Audit logs, role-based permissions, tool-access gateways and structured red-teaming must be core components of modern AI architectures.

3️⃣ Continuous Monitoring
Any agent capable of autonomous action needs operational monitoring – similar to automated systems in finance, production or supply chain.

4️⃣ Secure-by-Design
Companies building AI agents should embed safety, controls and transparency from day one, not as an afterthought.

This incident makes one thing very clear:
AI agents can create tremendous efficiency – but only if governance, security and oversight scale with them.

Geschäftsführer & AI-Experte bei Procise | Lean Six Sigma & KI-Strategien | Prozessoptimierung & Digitale Transformation

Das sind mit Abstand die besten Lean Six Sigma Kurse …  mit Community im Hintergrund deutlich wirksamer!

Die Zukunft der Lean Six Sigma Ausbildung ist da: Flexibel, Effizient, Praxisnah.

Lean Six Sigma Zertifizierung im vollen Berufsalltag? Das geht – wenn man das Lernen neu denkt. 💡

In der heutigen schnelllebigen Geschäftswelt, geprägt von Digitalisierung und KI, ist Operational Excellence entscheidender denn je. Doch traditionelle Weiterbildungsformate stoßen an ihre Grenzen: Sie sind oft zu zeitaufwendig, zu unflexibel und der Praxistransfer bleibt eine Herausforderung.
Ich freue ich mich außerordentlich, Ihnen heute das PROCISE Excellence System vorzustellen – unsere Antwort auf die Anforderungen moderner Weiterbildung.
Wir haben die Lean Six Sigma Ausbildung von Grund auf neu strukturiert, um sie nahtlos in Ihren Alltag zu integrieren und maximalen Impact zu garantieren.
Was macht unser System einzigartig?
🔹 Micro-Learning Design: Wir haben komplexe Inhalte in wirkungsvolle Lern-Nuggets von nur 5-8 Minuten zerlegt. Maximale Flexibilität für Ihren Terminkalender. 🔹 Integrierter Pfad: Ein klarer, strukturierter Weg vom White Belt bis zum Master Black Belt – mit lebenslangem Zugang. 🔹 Der Excellence Hub: Das Herzstück unseres Systems. Hier garantieren wir den Praxistransfer durch wöchentliche Live-Coachings, Experten-Support für Ihre Projekte und eine starke Community.
Wir sind überzeugt: Nur wer die Theorie erfolgreich in die Praxis umsetzt, schafft echten Mehrwert.
🎬 In unserem neuen Video geben wir Ihnen einen kompakten Überblick über das gesamte System und zeigen, wie Sie Ihre Karriere damit effizient beschleunigen können:

Starten Sie jetzt Ihre Reise zu operativer Exzellenz und testen Sie den Procise Excellence Hub einen Monat gratis! [Link zur Landingpage/Website]
Wie integrieren Sie Weiterbildung in Ihren Alltag? Ich bin gespannt auf Ihre Erfahrungen in den Kommentaren!

Die Kurse finden Sie übrigens hier : https://lnkd.in/e7PBDMHr

Seit über 12 Jahren beschäftige ich mich intensiv mit KI. Dabei beobachte ich leider immer wieder dasselbe: Projekte werden implementiert, ohne dass ein ausreichender Use Case oder ein überzeugender Business Case dahintersteht. Das Pferd wird von hinten aufgezäumt.

Deshalb teile ich in den kommenden Wochen einfache, aber wirkungsvolle KI-Anwendungsfälle aus verschiedenen Bereichen, die tatsächlich Mehrwert liefern.

Wir starten diese Woche mit den Top 5 KI Use Cases im HR-Bereich.

Die Priorisierung erfolgte mithilfe der WSJF-Matrix (Weighted Shortest Job First). 

Unsere Ergebnisse sind klar:

1. Interview-Scheduling (WSJF: 8.00)
2. Dokumenterstellung (Zeugnisse etc.) (WSJF: 6.20)
3. HR Service Desk (Chatbot) (z.B. Onboarding) (WSJF: 6.00)
4. Stimmungsanalyse (WSJF: 5.33)
5. CV-Pre-Screening (WSJF: 3.25)

Den Top-Use-Case "Interview-Scheduling" beleuchte ich heute in einem separaten Artikel genauer.

Welchen dieser 5 Use Cases wäre für Euch interressant?

Bei Bedarf bitte einen kurzen Kommentar mit dem entsprechenden Use-Case

600 Stunden Zeitgewinn im Recruiting – Ein Lean-KI Business Case. 📉

Wie viel "Muda" (Verschwendung) steckt in Ihrer Terminplanung? In meiner neuesten Analyse zeige ich, wie wir manuelle Koordination im HR durch KI-gestütztes Scheduling ersetzen und den Prozess stabilisieren.
Die Hard Facts des Use Cases:
Effizienz: Reduktion des Aufwands um 30 Min. pro Interview.
Kapazität: Freisetzung von ~600 Arbeitsstunden/Jahr (bei 1.200 Interviews).
Qualität: Senkung der "Time-to-Interview" auf unter 24h.
Wir folgen dabei dem Prinzip: Optimize before you Automate. Erst den Prozess glätten, dann digitalisieren.

👇 Die detaillierte Lean-Six-Sigma Analyse und den ROI gibt es hier im Artikel.

Im Kern des Lean Managements steht die Maximierung des Kundennutzens bei gleichzeitiger Minimierung von Verschwendung. Übertragen auf Human Resources 

Open article: Lean-KI Use Case Serie (Teil 1: HR "Automatisiertes Interview-Scheduling") by Bjorn Beyersdorff • 4 min read

Lean-KI Use Case Serie (Teil 1: HR "Automatisiertes Interview-Scheduling")

What top CEOs know about process optimization (that most companies overlook ...

• Symptoms are loud, root causes are quiet—hunt the quiet ones.
• If a step adds no value, they erase it, not prettify it.
• Bottlenecks? They frame them as leadership gaps, not machine glitches.
• Speed beats polish; momentum exposes flaws faster than meetings ever will.
• Data accuracy is their oxygen—no clean data, no credible decision.
• Every process has an owner, or it has chaos.
• AI is their microscope: predict, prevent, improve—on repeat.

Think of it this way:

Patching a process is like repainting rust.
Pulling the rust out is where the ROI lives.

At Procise, I blend Lean Six Sigma with AI daily—mapping causes, flagging variables, letting algorithms do in hours what workshops do in weeks. The result? Faster cycles, lower costs, and breathing room for real innovation.

Ready to manage bottlenecks the way CEOs do?

Follow me for weekly, straight-to-the-point playbooks on AI-powered process excellence.

No alternative text description for this image

New KPI for Agentic Systems: Autonomy Reliability

How do you really measure if an AI agent is ready to run on its own?

Here’s a metric we’ve found incredibly useful across automation and agentic AI projects:

Autonomy Reliability (%) = (Auto-Runs without human input & without incidents ÷ Total Auto-Runs) × 100

Why it matters:

It quantifies trust in your agent’s autonomy.
It enables structured go/no-go decisions for scaling.
It integrates cleanly into DMAIC (Control) and AI Business Cases.

Implementation Tip:
Track this weekly by capability.
→ Green ≥ 95 % Yellow 90–95 % Red < 90 %
Add columns for Interventions, Incidents, and MTTR to catch weak spots early.

Outcome:
You’ll know which agents can operate safely without supervision — and which still need a human-in-the-loop.

How are you currently measuring autonomy or reliability in your AI systems?

Sicherheitsprüfung | LinkedIn

JSESSIONID

li_at

Turn promises into performance.

Many companies proudly advertise fast response times or high service levels — but behind the scenes, their processes can’t keep up.

If your team promises to resolve 95% of requests within 60 minutes, yet your control loops (detect → decide → act) take almost as long, you’re setting yourself up for missed targets and frustrated customers.

Real reliability starts when leaders design systems that spot issues early, empower quick decisions, and enable action within minutes — not hours.

The result? Predictable performance, stronger customer trust, and fewer late-night escalations.

Leadership isn’t just about setting SLAs — it’s about engineering the organization to keep them.

How fast can your company’s promises actually respond?

Eine kurze Bitte an euch, liebe Community:

Meine Tochter führt derzeit im Rahmen ihres Studiums der Wirtschaftspsychologie eine kurze, etwa fünfminütige Umfrage zum Thema Home-Office durch. Wenn ihr sie unterstützen möchtet, würde ich mich sehr freuen – jede Teilnahme hilft ihr enorm bei ihrem Projekt.

Vielen Dank für eure Unterstützung! 🙏

Open article: 0% ausgefüllt by soscisurvey.de

Spannender Ansatz, wie man Datenschutz und aussagekräftige Analytics elegant verbinden kann. 💡
Gerade für Unternehmen, die viele Nutzer- oder IoT-Daten verarbeiten, ist Pseudonymisierung ein echter Gamechanger – weniger Risiko, gleiche Insights.

👉 Lohnt sich zu lesen, wenn du wissen willst, wie moderne Datenarchitekturen Privacy & Performance unter einen Hut bringen.

👉 Founder & CEO, Procise | Driving AI & Six Sigma Transformation | Process Optimization & Project Leadership

Datenschutzfreundliche Analytics – ohne Datenverlust

Viele Analytics-Systeme arbeiten heute noch mit echten Nutzer-IDs oder Gerätekennungen. Das ist bequem – aber riskant.
Ein Leak genügt, und schon sind Personen identifizierbar.

Die Lösung heißt Tag-Telemetry mit Pseudonymisierung.

So funktioniert’s:

Beim Erfassen eines Events (z. B. Klick, Sensorwert, Login) wird die Roh-ID nicht gespeichert.
Stattdessen erzeugt ein „Tokenization-Service“ eine temporäre Pseudonym-ID – etwa pid_9f3a….
Diese ID wird regelmäßig rotiert (z. B. wöchentlich), sodass dieselbe Person in unterschiedlichen Zeiträumen eine neue Kennung bekommt.

Das Beste:
➡️ Funnels, Retention-Analysen oder A/B-Tests bleiben möglich.
➡️ Persönliche Daten bleiben im „Vault“ – isoliert, verschlüsselt, und nur mit 4-Augen-Freigabe rückverfolgbar.
➡️ Selbst bei einem Leak ist kein Rückschluss auf reale Personen möglich.

Ein echter Gewinn: mehr Datenschutz, weniger Risiko – gleiche analytische Power.

Wie gehst du mit Pseudonymisierung oder anonymisierten Telemetriedaten um?
Hast du in deinem Unternehmen schon vergleichbare Lösungen im Einsatz?

Interesse an der Referenzarchitektur (inkl. n8n/Kafka‑Topics, Schema‑Avro, Key‑Rotation‑Policy und Audit‑Log‑Vorlage) – dann meldet euch ;)

CTQ → KPI → Signal: Turning Noise into Action in the Supply Chain

Every supply chain team measures a lot.
But few link what they measure to what truly matters for customers.

That’s where the CTQ → KPI → Signal chain comes in:

1️⃣ CTQ (Critical to Quality): What’s critical for your customers’ experience.
→ Example: On-shelf availability, freshness, zero late deliveries.

2️⃣ KPI: Metrics that translate those CTQs into measurable performance.
→ Fill Rate, Stockout %, Days of Inventory, OTIF.

3️⃣ Signal: Real-time data that moves those KPIs.
→ POS transactions, IoT shelf sensors, promo calendars, temperature drifts.

When you connect these three levels, forecasting and quality management stop being reactive.
They become self-correcting systems.

💡 Example:
A retailer linked POS + promo signals to safety-stock policies.
Result: 20 % fewer stockouts and 15 % lower working capital — without touching lead times.

Takeaway:
If your supply chain dashboards aren’t organized by CTQ → KPI → Signal, you’re leaving early-warning value on the table.

Ask yourself:

Do our metrics still reflect what’s critical for our customers — or just what’s easy to measure?

Ein cooles Beispiel dafür, wie gut gemachte Supply-Chain-Optimierung einen echten Unternehmenswert schafft. Besonders spannend: die klare Zuordnung von Einsparzielen zu konkreten Hebeln – damit wird Transformation messbar und steuerbar. 🚀

Keurig Dr Pepper will seine Kaffeesparte abspalten – und dabei rund 200 Mio. US-Dollar Einsparungen in der Supply Chain erzielen.
Das Ziel: eine robustere, effizientere Wertschöpfungskette vom Einkauf über die Produktion bis zur Distribution.

Was dabei spannend ist:

50 % der Gesamteinsparungen kommen allein aus der Supply Chain.
Die Hebel sind klar messbar: bessere Beschaffung, Standortkonsolidierung, optimierte Logistik.
Der Zeithorizont von drei Jahren erlaubt sauberes Monitoring – ein Musterbeispiel für datengetriebenes Management.

Für alle, die sich mit Prozess- und Effizienzthemen beschäftigen, zeigt dieser Fall, wie strategische Transformation und Lean Thinking in der Praxis aussehen.

💡 Frage an dich:
Wo liegen in deiner Organisation vergleichbare Einsparpotenziale – und sind sie bereits messbar definiert?

Small Experiments, Big Change: How to Make Transformation Stick

Body:
Most transformation programs fail because they try to change everything at once.
A better way? Think in experiments, not programs.

Instead of a 12-month roadmap, run short “change sprints” lasting 2–4 weeks:

Define one clear problem.
Form a simple hypothesis: “If we do X, we’ll improve Y by Z%.”
Test it with one team.
Measure before and after.
Decide: scale it, adjust it, or stop it.

These small, measurable steps reduce resistance, build confidence, and create visible progress. Over time, they lead to genuine, lasting change.

Warum Daten in Echtzeit so wichtig sind – und was eine „Signal-Latenz-SLA“ damit zu tun hat

In vielen Unternehmen fließen heute bereits unzählige Datenströme aus Sensoren, IoT-Geräten oder Kassensystemen. Doch oft kommen diese Informationen zu spät an – Entscheidungen basieren dann auf der Vergangenheit statt auf der Gegenwart.

Hier hilft ein einfaches Prinzip: Eine klare Zeitvorgabe für Datenflüsse, auch „Signal-Latenz-SLA“ genannt.
Beispiel:

95 % aller Sensordaten sollen innerhalb von 60 Minuten verarbeitet sein.

Warum das wichtig ist:

Schnellere Reaktion: Systeme und Teams können auf aktuelle Veränderungen reagieren.
Verlässliche Kennzahlen: KPIs wie Verfügbarkeit oder Lieferpünktlichkeit spiegeln die Realität wider.
Stabilere Prozesse: Wenn Daten pünktlich kommen, greifen auch automatische Steuerungen zuverlässig.

Man kann sich das vorstellen wie beim Autofahren: Wenn dein Navi dir sagt, wo der Stau vor einer Stunde war, hilft dir das nicht weiter. Erst mit aktuellen Signalen steuerst du wirklich vorausschauend.

💡 Fazit: Wer KI oder IoT nutzt, sollte nicht nur über Datenqualität reden – sondern auch über Datenzeit.

💡 Was ändert sich jetzt für KI in Europa – Meilensteine 25/26

Am 1. August 2024 trat der EU AI Act in Kraft – das erste umfassende Gesetz der Welt zur Regulierung von Künstlicher Intelligenz. 🏛️
Damit startet ein klarer Zeitplan:

Februar 2025: Verbot „unzulässiger“ KI-Anwendungen (z. B. manipulative Systeme).
August 2025: Regeln für große KI-Modelle („General Purpose AI“) treten in Kraft.
August 2026: Hauptpflichten für sogenannte Hochrisiko-KI-Systeme gelten.
August 2027: Letzte Übergangsfristen enden.

Parallel dazu erscheinen neue Leitlinien, etwa der ISPE GAMP AI-Guide und das Reflection Paper der EMA für den Arzneimittelbereich.
Beide zeigen: KI wird künftig nicht nur technisch, sondern auch regulatorisch zum Qualitäts- und Vertrauensfaktor.

🚀 Für Unternehmen bedeutet das:
Jetzt ist der Moment, um Governance, Datenqualität und KI-Validierung aufzubauen – bevor Audits und Aufsichtsbehörden es verlangen.

Europa gestaltet damit aktiv, wie verantwortungsvolle KI aussehen soll – ein entscheidender Schritt zwischen Innovation und Sicherheit.

DMAIC × KI: Wie man Prozesse und künstliche Intelligenz sinnvoll verbindet

Viele Unternehmen wollen „KI einsetzen“ – aber wissen oft nicht, wo sie anfangen sollen.
Der Schlüssel liegt in einem klaren Vorgehensmodell. Und genau hier hilft DMAIC – ein klassischer Lean-Six-Sigma-Rahmen – kombiniert mit moderner KI.


1. Define – Das Problem richtig verstehen
Bevor man Daten analysiert oder Modelle trainiert, muss klar sein:
Was ist das eigentliche Ziel? Wo steckt der größte Nutzen?
Hier hilft KI, indem sie Dokumente, E-Mails oder Prozessbeschreibungen automatisch durchsucht und die wichtigsten Themen, Risiken oder Zielkonflikte zusammenfasst.


2. Measure – Daten erfassen und prüfen
„Garbage in, garbage out“ gilt auch für KI.
Deshalb: erst messen, dann handeln.
KI-Assistenten können Datenquellen prüfen, Dubletten finden und Lücken erkennen – etwa in Lieferketten oder Qualitätsdaten.
So entstehen saubere, belastbare Messpunkte.


3. Analyze – Muster und Ursachen finden
Hier beginnt die Magie: KI erkennt Zusammenhänge, die Menschen oft übersehen.
Zum Beispiel:

Warum treten Lieferverzögerungen immer bei bestimmten Wetterbedingungen auf?
Welche Kombination von Parametern führt zu Qualitätsproblemen?

Mithilfe von KI-gestützten Analysen lassen sich solche Ursachen objektiv und schnell identifizieren.


4. Improve – Lösungen testen und simulieren
Anstatt direkt ins Risiko zu gehen, kann man mit KI Simulationen durchspielen:
Wie wirkt sich eine neue Bestellregel auf Lagerkosten aus?
Wie verändert sich die Durchlaufzeit, wenn man Lieferanten anders priorisiert?
KI-Modelle machen diese „Was-wäre-wenn-Szenarien“ greifbar – und liefern datenbasierte Entscheidungshilfen.


5. Control – Stabilität sichern
Auch nach der Verbesserung bleibt KI im Spiel:
Automatische Kontrollmechanismen erkennen, wenn Prozesse wieder aus der Spur geraten.
Ob durch Daten-Drift, Ausreißer oder Systemfehler – die KI meldet frühzeitig Abweichungen und hilft, den Kurs zu halten.


Drei einfache Beispiele aus der Praxis:

1. Bestandsmanagement: KI erkennt Anomalien in Lagerbeständen und schlägt neue Bestellmengen vor.
2. Lieferanten-Risikoanalyse: Verträge und E-Mails werden automatisch bewertet, um Risiken früh zu erkennen.
3. Transport-Optimierung: KI prognostiziert Lieferzeiten (ETA) und warnt bei drohenden Verspätungen.


Fazit
DMAIC liefert die Struktur.
KI liefert die Geschwindigkeit und Tiefe in der Analyse.
Gemeinsam entsteht ein klarer, wiederholbarer Weg – vom Problem bis zur stabilen Lösung.

AI-Kosten 2026: Wer keine Preisreserve plant, riskiert seine ROI-Story.

LLM-Preise, Kontextlängen und Token-Modelle ändern sich rasant. Die Folge: unerwartete OPEX-Spitzen.
Mein Rat für 2026-Budgets:
👉 Plane +10 – 20 % OPEX-Reserve für AI-APIs und Modelle ein.
👉 Überwache monatlich drei FinOps-Kennzahlen:

CPP (Cost per Prompt)
CPV (Cost per Value)
WUC (Waste-Usage Quote)

So bleibt dein ROI auch dann stabil, wenn Preise oder Nutzung explodieren.
Nenn es ruhig: Preisresiliente Produktivität.

Wie gehst du aktuell mit LLM-Kostenvolatilität in deinen Projekten um?

Geschäftsführer, Dipl. Ing., Lean Six Sigma Master Black Belt, SCRUM Master, SAFe SCRUM Master, Nachhaltigkeitsmanager (TÜV)

Große Transformationsprogramme haben häufig eine lange Planungs- und Konzeptionsphase. Gleichzeitig warten die Fachbereiche auf eine schnelle Hilfe um Kosten zu sparen, die Durchlaufzeit zu reduzieren oder mit dem Veränderungsdruck aus verschiedenen Richtungen umzugehen. 

Ein Mehrgenerationenplan (MGP) hat sich hier als nützlich erwiesen. Was ist das Ziel für die nächsten 6 bis 12 Monate, für das nächste Jahr oder darüber hinaus. Gleichzeitig kann mit KVP Workshops der Organisation kurzfristig geholfen werden. Bei General Electric hieß dies „die Blutung stoppen“. Und danach mit End2End Prozessoptimierungen und Lean Six Sigma Methoden die Prozesse auf das gewünschte Niveau heben. 

Ich sehe in unseren aktuellen Transformationen dass Unternehmen die Wichtigkeit von Prozessmanagement erkannt haben. Ohne Prozesse keine brauchbaren Daten und ohne brauchbare Daten wird es mit KI und der Digitalisierung sehr schwierig 🙂 Was ist Eure Erfahrung?

Apple uses Google's AI for a new generation of Siri

Siri is about to get a serious upgrade — powered by Google’s Gemini AI model, boasting over 1.2 trillion parameters.
According to Bloomberg, Apple is preparing a $1 billion-per-year deal to bring the new Siri experience to iPhones by 2026.

This isn’t a merger between Apple and Google — it’s more like a temporary alliance.
Gemini provides the power, Apple keeps the control.
A classic Yoda move: wise, strategic — and a bit mysterious.

Even the biggest players now turn to external AI “forces” when speed and scalability matter.
The lesson? In the new AI era, success isn’t about building everything yourself — it’s about forming the right alliances.

Wenn sogar die Bundesbank KI einsetzt…

Bundesbank-Präsident Joachim Nagel nutzt eine eigene KI-Anwendung, um den Tonfall seiner Reden zu prüfen – also ob sie „hawkish“ oder „dovish“ klingen.
Warum? Schon kleine Nuancen in der Sprache können Märkte bewegen. Die KI hilft, unbeabsichtigte Signale zu vermeiden.

Spannend daran:

Die Bundesbank hat ein Modell namens MILA (Monetary-Intelligent Language Agent) entwickelt, das Reden Satz für Satz auf Tonalität und Kontext analysiert.
Nagel betont, dass die Reden weiterhin von Menschen geschrieben werden – die KI dient als Kontrollinstanz.
Er sieht auch Potenzial in der Bankenaufsicht und Risikoprüfung – also weit über Kommunikation hinaus.

Ein schönes Beispiel für „Human + AI“:
Menschen entscheiden, KI prüft, unterstützt und macht Entscheidungen robuster.

👉 Was meinst du:
Sollten Führungskräfte in Politik und Wirtschaft KI-Tools einsetzen, um ihre Kommunikation zu reflektieren?

Wollt Ihr etwas mehr über MILA wissen? Dann hinterlasst eine Nachricht :)

Figma × ServiceNow: From Design to Enterprise App in Minutes

A quiet revolution happened on November 6, 2025 — ServiceNow and Figma announced a partnership that could reshape how enterprise applications are built.

For the first time, a Figma design can directly generate a functional, secure ServiceNow app.
No more manual recreation of layouts or data models. No hand-off friction between design and development.


What’s new

The integration connects Figma’s Model Context Protocol (MCP) Server with ServiceNow’s Build Agent.
That means the agent doesn’t just “see” your design — it understands components, layout logic, and hierarchy.

A designer provides a Figma link.
The Build Agent interprets it, creates the UI, maps data structures, and produces an app that complies with ServiceNow’s governance, security, and audit frameworks.


Why it matters

Speed: Early pilots report an 80 % reduction in initial app-build time.
Governance: Generated apps inherit ServiceNow’s security and version control model.
Alignment: Design and development teams finally operate from the same source of truth.
Accessibility: Citizen developers can now move from idea to working prototype without leaving enterprise compliance boundaries.


Strategic implications

For enterprises running complex process architectures, this is more than convenience — it’s a structural shift in the design-to-deployment pipeline.

It enables:

Rapid iteration of internal tools and workflows
Continuous feedback between design and process teams
Seamless governance integration across departments

In short: design becomes the new interface for enterprise automation.

My take:
Agentic workflows like this will define the next era of enterprise productivity — where intelligent intermediaries connect creativity with compliance, and ideas flow directly into execution.

ERBACHER the food family

Content Marketing Strategist

Head of Digital Marketing Services

Teamleiter Content Marketing

Josera Petfood

Online-Marketingmanager

t-online

Werkstudententätigkeit im SEO-Team bei der Deutschen Telekom.

Werkstudent SEO

Als Teamleiter des Content Marketing bei foodforplanet in Kleinheubach kümmere ich mich gemeinsam mit meinem Team um spannende Inhalte für die Heimtierbranche. Als interne Agentur arbeiten wir sehr eng mit der Marke "Josera" zusammen.

taplio

The Battle

Bjorn Beyersdorff

Christopher Bock

Followers

Posts

Engagements

Likes

Performance ScoreBjorn Beyersdorff's LinkedIn Performance

Ready to grow your LinkedIn presence?

taplio

The Battle

Bjorn Beyersdorff

Christopher Bock

Followers

Posts

Engagements

Likes

Performance Score.css-goub6s{font-size:var(--chakra-fontSizes-md);font-weight:500;color:var(--chakra-colors-gray-600);display:block;margin-top:var(--chakra-space-1);}Bjorn Beyersdorff's LinkedIn Performance

Ready to grow your LinkedIn presence?

Performance ScoreBjorn Beyersdorff's LinkedIn Performance