Kapan kecerdasan buatan menciptakan nilai nyata? Panduan bagi perusahaan untuk menentukan apakah akan menggunakan AI terkelola atau tidak.
Pemilihan suara 📢
Diterbitkan pada: 3 Oktober 2025 / Diperbarui pada: 3 Oktober 2025 – Penulis: Konrad Wolfenstein
Kapan kecerdasan buatan menciptakan nilai nyata? Panduan bagi perusahaan untuk menentukan apakah akan menggunakan AI terkelola atau tidak – Gambar: Xpert.Digital
Miliaran dolar dihabiskan untuk AI? 95% proyek AI gagal - AI terkelola sebagai pengubah permainan? Mengapa outsourcing merupakan strategi yang lebih baik bagi banyak perusahaan
Realitas di balik hype AI
Diskusi seputar kecerdasan buatan di perusahaan-perusahaan Jerman telah mencapai titik balik. Dua tahun lalu, teknologi ini terutama dipandang sebagai alat eksperimental. Kini, 91 persen perusahaan Jerman memandang AI sebagai misi penting bagi model bisnis masa depan mereka. Pergeseran persepsi yang dramatis ini juga tercermin dalam angka-angka konkret: Saat ini, 40,9 persen perusahaan telah menggunakan AI dalam proses bisnis mereka – peningkatan signifikan dari 27 persen tahun lalu.
Namun demikian, pertanyaan krusial tetap ada: Kapan AI benar-benar menciptakan nilai nyata, dan bagaimana keberhasilan ini dapat diukur? Realitas yang menyadarkan menunjukkan bahwa meskipun telah diinvestasikan miliaran dolar, sebagian besar proyek AI gagal memberikan imbal hasil investasi yang diharapkan. Sebuah studi MIT mengungkapkan bahwa 95 persen proyek percontohan AI generatif di berbagai perusahaan gagal dan tidak mencapai imbal hasil investasi yang terukur.
Perbedaan antara harapan dan kenyataan ini menyoroti bahwa keberhasilan inisiatif AI tidak terlalu bergantung pada kinerja teknis model, tetapi lebih pada integrasi strategis ke dalam proses bisnis yang ada dan kemampuan untuk terus mengoptimalkan berdasarkan umpan balik dari praktik.
Cocok untuk:
- Laporan Tren AI Perusahaan Unframe: Dari Eksperimen AI pada tahun 2024 hingga Dampak Terukur pada tahun 2025
Mengidentifikasi dan mengukur nilai tambah riil
Kriteria evaluasi kuantitatif untuk keberhasilan AI
Nilai tambah aplikasi AI terwujud di berbagai tingkatan, yang semuanya memerlukan pengukuran sistematis. Rumus ROI klasik menjadi fondasinya: Pengembalian Investasi sama dengan total manfaat dikurangi total biaya, dibagi dengan total biaya, dikalikan 100 persen. Namun, pandangan sederhana ini tidak memadai untuk investasi AI, karena biaya dan manfaat menunjukkan struktur yang lebih kompleks.
Sisi biaya tidak hanya mencakup biaya nyata untuk lisensi dan perangkat keras, tetapi juga biaya tersembunyi untuk pembersihan data, pelatihan karyawan, dan pemeliharaan sistem yang berkelanjutan. Biaya manajemen perubahan yang seringkali diremehkan dan muncul ketika karyawan harus mempelajari alur kerja baru sangatlah penting.
Dari sisi manfaat, terdapat berbagai kategori: Manfaat moneter langsung melalui penghematan biaya atau peningkatan penjualan adalah yang paling mudah diukur. Misalnya, sebuah peritel mencapai ROI sebesar 380 persen dalam tiga tahun melalui optimalisasi inventaris berbantuan AI. Manfaat tidak langsung, seperti peningkatan kualitas keputusan, penurunan tingkat kesalahan, atau peningkatan kepuasan pelanggan, kurang terlihat, tetapi seringkali berharga.
Angka kunci operasional sebagai indikator keberhasilan
Selain metrik finansial, metrik operasional memainkan peran krusial dalam mengevaluasi nilai tambah AI. Efisiensi proses dapat diukur melalui penghematan waktu pada tugas-tugas yang berulang. Misalnya, Microsoft berhasil mengurangi proses perencanaan manual hingga 50 persen dan meningkatkan perencanaan tepat waktu hingga 75 persen melalui optimasi rantai pasokan yang didukung AI.
Pengurangan kesalahan merupakan indikator kunci lainnya. Sistem AI dapat melampaui akurasi keputusan manusia di banyak bidang, yang secara langsung menghasilkan pengurangan biaya melalui lebih sedikit pengerjaan ulang dan keluhan. Sebuah penyedia jasa keuangan mencapai ROI sebesar 250 persen dalam satu tahun melalui deteksi penipuan berbasis AI.
Skalabilitas solusi AI menawarkan keuntungan khusus: Setelah diimplementasikan, solusi tersebut seringkali dapat diperluas untuk mencakup kumpulan data yang lebih besar atau lebih banyak kasus penggunaan tanpa peningkatan biaya yang proporsional. Skala ekonomi ini secara signifikan meningkatkan ROI jangka panjang.
Dimensi nilai tambah kualitatif
Tidak semua manfaat AI dapat langsung diukur. Peningkatan kualitas pengambilan keputusan yang dimungkinkan oleh analitik berbasis data dapat menciptakan nilai jangka panjang yang signifikan, meskipun nilai ini sulit diukur. Perusahaan melaporkan peningkatan perencanaan strategis ketika mereka menggunakan analisis dan prakiraan pasar berbasis AI.
Kepuasan karyawan dapat meningkat ketika AI mengambil alih tugas-tugas repetitif, sehingga karyawan dapat berfokus pada aktivitas yang lebih bernilai tambah. Hal ini berdampak pada penurunan tingkat pergantian karyawan dan peningkatan produktivitas, yang nilainya pada akhirnya dapat diukur dalam nilai moneter.
Inovasi dan daya saing mewakili dimensi kualitatif lebih lanjut. Perusahaan yang berhasil menggunakan AI dapat mengembangkan produk dan layanan baru atau mempersonalisasi penawaran yang sudah ada. Efek inovasi ini sulit diprediksi, tetapi dapat memberikan dampak transformatif pada model bisnis.
AI yang dikelola sebagai opsi strategis
Definisi dan perbedaan Managed AI Services
Layanan AI Terkelola menawarkan alternatif untuk pengembangan dan implementasi solusi AI secara mandiri. Penyedia layanan khusus bertanggung jawab atas seluruh siklus hidup AI: mulai dari konsepsi awal, pengembangan model, hingga optimalisasi dan pemeliharaan berkelanjutan dalam produksi.
Pendekatan ini berbeda secara fundamental dari penawaran perangkat lunak sebagai layanan tradisional, karena tidak hanya mencakup penyediaan perangkat AI siap pakai, tetapi juga konsultasi strategis, penyiapan data, dan adaptasi terhadap kebutuhan bisnis spesifik. Penyedia AI terkelola memikul tanggung jawab teknis dan operasional atas aplikasi AI.
Keuntungan dan tantangan AI Terkelola
Keunggulan utama AI Terkelola adalah berkurangnya kompleksitas teknis bagi perusahaan yang menggunakannya. Alih-alih membangun keahlian AI mereka sendiri, perusahaan dapat memanfaatkan keahlian khusus dari penyedia layanan. Hal ini mengurangi investasi awal dan risiko kesalahan implementasi.
Fleksibilitas dan skalabilitas Layanan AI Terkelola memungkinkan perusahaan untuk menyesuaikan penggunaan AI mereka agar sesuai dengan kebutuhan. Hal ini khususnya bermanfaat bagi usaha kecil dan menengah yang kekurangan sumber daya untuk departemen AI internal yang ekstensif.
Namun, AI yang dikelola juga menghadirkan tantangan. Ketergantungan pada penyedia layanan eksternal dapat menyebabkan hilangnya kendali atas proses bisnis penting. Perusahaan harus mempertimbangkan dengan cermat aplikasi AI mana yang dapat dialihdayakan tanpa mengorbankan daya saing mereka.
Struktur biaya dan pertimbangan ROI untuk AI Terkelola
Layanan AI terkelola biasanya beroperasi dengan model berlangganan yang memungkinkan biaya bulanan atau tahunan yang dapat diprediksi. Hal ini memudahkan perencanaan anggaran dan mengurangi risiko keuangan dibandingkan dengan pengembangan internal, yang seringkali melibatkan kenaikan biaya yang tidak terduga.
Perhitungan ROI untuk AI terkelola berbeda dengan pengembangan internal. Meskipun investasi awal biasanya lebih rendah, terdapat biaya operasional berkelanjutan. Analisis total biaya multi-tahun sering kali menunjukkan bahwa layanan AI terkelola dapat lebih hemat biaya, meskipun biaya berkelanjutannya lebih tinggi, karena implementasinya lebih cepat dan risikonya lebih rendah.
Kemandirian versus layanan terkelola
Perdebatan otonomi dalam aplikasi AI
Keputusan antara pengembangan AI independen dan layanan terkelola menimbulkan pertanyaan mendasar tentang kedaulatan digital. Banyak perusahaan Jerman skeptis tentang ketergantungan mereka pada penyedia AI eksternal, terutama dari AS atau Asia. Sebuah studi Bitkom baru-baru ini menunjukkan bahwa 78 persen perusahaan di Jerman merasa ketergantungan mereka pada penyedia cloud AS bermasalah.
Kekhawatiran ini bukannya tanpa dasar. Layanan AI berbasis cloud menimbulkan risiko terkait perlindungan data, kepatuhan, dan pengendalian strategis. Di saat yang sama, layanan ini juga menyediakan akses ke model AI canggih yang sulit direplikasi secara internal.
AI Lokal sebagai alternatif ketergantungan cloud
Implementasi AI on-premise, yang datanya diproses secara eksklusif di server internal, menawarkan alternatif bagi ketergantungan pada cloud. Pendekatan ini memastikan kepatuhan GDPR dan kontrol maksimal atas data perusahaan yang sensitif.
Keunggulan AI lokal antara lain latensi rendah, karena tidak memerlukan transfer data ke server eksternal, serta independensi dari penyedia layanan eksternal dan potensi kegagalannya. AI lokal dapat menjadi pilihan yang lebih baik, terutama untuk aplikasi waktu nyata atau area yang sensitif terhadap data.
Namun, AI on-premise juga menghadirkan tantangan. Keahlian yang dibutuhkan untuk implementasi dan pemeliharaan cukup besar, dan investasi awal untuk perangkat keras dan personel bisa sangat signifikan. Lebih lanjut, skalabilitas seringkali terbatas dibandingkan dengan solusi berbasis cloud.
Pendekatan hibrida sebagai kompromi
Banyak perusahaan memilih solusi hibrida yang menggabungkan keunggulan kedua pendekatan tersebut. Aplikasi penting dan sensitif data dijalankan secara lokal, sementara tugas yang kurang penting atau membutuhkan komputasi intensif dialihdayakan ke layanan cloud.
Strategi hibrida ini memungkinkan Anda mempertahankan kendali atas proses bisnis utama sekaligus menikmati kinerja dan efektivitas biaya layanan cloud. Namun, kompleksitas arsitekturnya meningkat secara signifikan, sehingga membutuhkan kapasitas manajemen yang sesuai.
🤖🚀 Platform AI Terkelola: Solusi AI yang lebih cepat, lebih aman, dan lebih cerdas dengan UNFRAME.AI
Di sini Anda akan mempelajari bagaimana perusahaan Anda dapat menerapkan solusi AI yang disesuaikan dengan cepat, aman, dan tanpa hambatan masuk yang tinggi.
Platform AI Terkelola adalah paket lengkap dan bebas repot untuk kecerdasan buatan. Alih-alih berurusan dengan teknologi yang rumit, infrastruktur yang mahal, dan proses pengembangan yang panjang, Anda akan mendapatkan solusi siap pakai yang disesuaikan dengan kebutuhan Anda dari mitra spesialis – seringkali dalam beberapa hari.
Manfaat utama sekilas:
⚡ Implementasi cepat: Dari ide hingga aplikasi operasional dalam hitungan hari, bukan bulan. Kami memberikan solusi praktis yang menciptakan nilai langsung.
Keamanan data maksimal: Data sensitif Anda tetap menjadi milik Anda. Kami menjamin pemrosesan yang aman dan sesuai aturan tanpa membagikan data dengan pihak ketiga.
💸 Tanpa risiko finansial: Anda hanya membayar untuk hasil. Investasi awal yang tinggi untuk perangkat keras, perangkat lunak, atau personel sepenuhnya dihilangkan.
🎯 Fokus pada bisnis inti Anda: Fokuslah pada keahlian Anda. Kami menangani seluruh implementasi teknis, operasional, dan pemeliharaan solusi AI Anda.
📈 Tahan Masa Depan & Skalabel: AI Anda tumbuh bersama Anda. Kami memastikan pengoptimalan dan skalabilitas berkelanjutan, serta menyesuaikan model secara fleksibel dengan kebutuhan baru.
Lebih lanjut tentang itu di sini:
Dari uji coba hingga produksi: Strategi praktis untuk penskalaan AI di UKM
Skalabilitas sebagai indikator keberhasilan
Dari proyek percontohan hingga implementasi di seluruh perusahaan
Kemampuan untuk meningkatkan skala aplikasi AI dianggap sebagai salah satu indikator terpenting nilai tambah yang nyata. Banyak perusahaan masih terjebak dalam fase uji coba tanpa berhasil mentransisikan inisiatif AI mereka ke dalam operasi rutin. Hanya sekitar 5 persen proyek percontohan yang berhasil mencapai skala produksi.
Skalabilitas yang sukses membutuhkan lebih dari sekadar keunggulan teknis. Adaptasi organisasi, program pelatihan karyawan, dan integrasi ke dalam proses bisnis yang ada juga sama pentingnya. Perusahaan harus membangun tata kelola AI yang menetapkan standar untuk kualitas data, validasi model, dan manajemen risiko.
Cocok untuk:
- Akhir dari pelatihan AI? Strategi AI dalam transisi: Pendekatan "Cetak Biru" alih-alih segunung data – Masa depan AI di perusahaan
Persyaratan infrastruktur untuk penskalaan
Sistem AI yang skalabel membutuhkan infrastruktur TI yang tangguh dan mampu mengimbangi pertumbuhan volume data serta kebutuhan yang semakin kompleks. Solusi berbasis cloud seringkali menawarkan keunggulan melalui skalabilitas bawaannya, sementara sistem lokal mungkin memerlukan investasi perangkat keras tambahan.
Arsitektur data memainkan peran krusial dalam skalabilitas. Sistem AI hanya sebaik data yang digunakannya. Perusahaan harus berinvestasi dalam sistem manajemen data berkualitas tinggi yang menjamin kualitas dan aksesibilitas data.
Metrik untuk penskalaan yang sukses
Keberhasilan penskalaan AI dapat diukur dengan berbagai metrik. Jumlah kasus penggunaan yang berhasil bertransisi dari fase uji coba ke fase produksi merupakan indikator langsung. Kecepatan implementasi aplikasi AI baru juga sama pentingnya.
Penerimaan pengguna dalam organisasi merupakan faktor penting lainnya. Tingkat adopsi yang tinggi di antara karyawan menunjukkan bahwa solusi AI benar-benar menciptakan nilai tambah, bukan sekadar gimmick teknis.
Skala ekonomi tercermin dalam pengembangan biaya per kasus penggunaan atau per titik data yang diproses. Implementasi AI yang sukses menunjukkan penurunan biaya marjinal karena biaya tetap dapat disebar ke lebih banyak aplikasi.
Faktor keberhasilan spesifik industri dan ukuran
Adopsi AI berdasarkan ukuran perusahaan
Penggunaan AI sangat bervariasi tergantung pada ukuran perusahaan. Meskipun 56 persen perusahaan besar menggunakan AI, angkanya hanya 38 persen untuk usaha kecil dan menengah, dan hanya 31 persen untuk usaha mikro. Perbedaan ini dapat dijelaskan oleh ketersediaan sumber daya dan skala ekonomi yang berbeda.
Perusahaan besar memiliki sumber daya keuangan, teknologi, dan manusia yang lebih luas, yang memfasilitasi investasi AI. Mereka juga lebih diuntungkan dari skala ekonomi, karena biaya investasi awal yang tinggi diamortisasi lebih cepat seiring dengan volume produksi yang lebih besar.
Di sisi lain, usaha kecil menghadapi kendala sumber daya yang menghambat adopsi teknologi inovatif. Pilihan pembiayaan yang terbatas, kurangnya tenaga kerja yang berkualifikasi, dan tantangan investasi awal yang tinggi merupakan hambatan yang signifikan.
Pola aplikasi khusus industri
Penggunaan AI sangat bervariasi di berbagai industri. Dalam periklanan dan riset pasar, 84,3 persen perusahaan sudah menggunakan AI, diikuti oleh penyedia layanan TI dengan 73,7 persen dan industri otomotif dengan 70,4 persen.
Perbedaan-perbedaan ini mencerminkan ketertarikan terhadap teknologi digital dan kemungkinan penerapannya secara spesifik. Industri dengan data dalam jumlah besar dan proses yang terstandarisasi seringkali dapat menerapkan dan memanfaatkan AI dengan lebih mudah.
Industri yang lebih tradisional seperti perhotelan, produksi makanan, dan manufaktur tekstil masih ragu-ragu dalam mengadopsi AI. Hal ini sebagian disebabkan oleh rendahnya tingkat digitalisasi, tetapi juga karena kurangnya kesadaran akan kasus penggunaan yang relevan.
Risiko dan hambatan menuju kesuksesan
Hambatan teknis dan organisasi
Penyebab paling umum kegagalan proyek AI bukan terletak pada teknologinya sendiri, melainkan pada kekurangan organisasi. Data yang tidak memadai, kurangnya ketersediaan dan kualitas data, serta tanggung jawab yang tidak jelas sering kali menyebabkan proyek terhenti.
Struktur silo dalam perusahaan menghambat keberhasilan implementasi AI karena menghalangi pemikiran proses yang holistik. Proyek AI membutuhkan kolaborasi interdisipliner antara TI, departemen bisnis, dan manajemen.
Kurangnya transparansi dalam pengukuran manfaat merupakan kendala lain. Tanpa KPI dan kriteria keberhasilan yang jelas, kemajuan tidak dapat diukur dan perbaikan tidak dapat diidentifikasi. Hal ini menyebabkan berkurangnya dukungan manajemen dan pada akhirnya, proyek akan dihentikan.
Tantangan kepatuhan dan tata kelola
Dengan berlakunya Peraturan AI Uni Eropa pada Agustus 2024, persyaratan kepatuhan telah menjadi faktor penentu keberhasilan. Perusahaan harus memastikan bahwa aplikasi AI mereka mematuhi persyaratan peraturan, yang menciptakan kompleksitas dan biaya tambahan.
Menetapkan struktur tata kelola AI yang tepat membutuhkan tanggung jawab, standar, dan mekanisme kontrol yang jelas. Banyak perusahaan meremehkan upaya yang diperlukan untuk penyesuaian organisasi ini.
Pedoman etika dan transparansi dalam pengambilan keputusan AI menjadi semakin penting, baik untuk kepatuhan maupun penerimaan di antara karyawan dan pelanggan. Membangun kompetensi dan proses yang diperlukan membutuhkan waktu dan sumber daya.
Prospek dan tren masa depan
Perkembangan pasar AI Jerman
Pasar AI Jerman mengalami akselerasi yang signifikan. Keinginan perusahaan untuk berinvestasi terus meningkat: 82 persen berencana meningkatkan anggaran AI mereka dalam dua belas bulan ke depan, lebih dari setengahnya, setidaknya 40 persen.
Perkembangan ini didorong oleh semakin sadarnya masyarakat bahwa AI bukan lagi pilihan, tetapi menjadi prasyarat untuk daya saing. Sebanyak 51 persen perusahaan kini meyakini bahwa perusahaan tidak memiliki masa depan tanpa penggunaan AI.
Perkembangan teknologi dan bidang aplikasi baru
Sistem AI multimoda yang dapat memproses berbagai jenis data seperti teks, gambar, dan audio secara bersamaan berada di ambang terobosan dalam penggunaan yang luas. Teknologi ini membuka bidang aplikasi baru dan dapat meningkatkan solusi yang sudah ada secara signifikan.
Pembelajaran mesin otomatis dan platform tanpa kode mendemokratisasi akses ke teknologi AI. Bahkan perusahaan tanpa keahlian teknis yang mendalam pun dapat semakin diuntungkan oleh AI.
Integrasi AI ke dalam proses DevOps, yang dikenal sebagai AIOps, mentransformasi cara pengelolaan operasi TI. Dengan memprediksi dan mengotomatiskan proses TI, perusahaan dapat meningkatkan efisiensi dan mengurangi waktu henti.
Cocok untuk:
- Optimasi bisnis dengan AI: Distributor TI dari Afrika Selatan memampatkan pembuatan kutipan menjadi beberapa klik dan detik
Rekomendasi Strategis untuk Perusahaan
Perusahaan harus menyelaraskan strategi AI mereka dengan penciptaan nilai jangka panjang, alih-alih peningkatan efisiensi jangka pendek. Berinvestasi dalam kualitas data dan penyesuaian organisasi seringkali lebih penting daripada memilih algoritma terbaik.
Mengembangkan keterampilan AI internal tetap penting, bahkan saat menggunakan layanan terkelola. Perusahaan perlu memahami cara kerja AI dan kasus penggunaan mana yang relevan dengan bisnis mereka.
Pendekatan iteratif dengan langkah-langkah kecil dan terukur mengurangi risiko dan memungkinkan pembelajaran berkelanjutan. Proyek percontohan harus dirancang untuk skalabilitas sejak awal.
Memilih mitra yang tepat, baik untuk layanan terkelola maupun konsultasi, sering kali menentukan keberhasilan atau kegagalan. Perusahaan harus mencari keahlian yang terbukti dan pengalaman spesifik di industrinya.
Konsep implementasi praktis dan pengukuran
Pengembangan kerangka kerja ROI AI
Kerangka kerja terstruktur untuk pengukuran ROI dimulai dengan mendefinisikan tujuan bisnis secara jelas dan menerjemahkannya menjadi KPI yang terukur. Hal ini harus mencakup indikator utama yang memberikan sinyal awal keberhasilan atau kegagalan, serta indikator tertinggal yang mengukur dampak jangka panjang.
Pengukuran dasar sebelum implementasi AI sangat penting untuk penilaian keberhasilan selanjutnya. Tanpa pengetahuan yang akurat tentang situasi awal, peningkatan tidak dapat diukur.
Tinjauan dan penyesuaian berkala terhadap konsep pengukuran diperlukan, karena sistem AI dan kebutuhan bisnis terus berkembang. Pengukuran ROI harus dipandang sebagai proses berulang, bukan aktivitas satu kali.
Strategi implementasi untuk berbagai jenis perusahaan
Usaha kecil dan menengah harus memulai dengan kasus penggunaan yang terdefinisi dengan jelas yang memungkinkan kesuksesan yang cepat. Solusi berbasis cloud atau layanan terkelola dapat membantu membatasi investasi awal.
Perusahaan besar dapat meluncurkan proyek percontohan paralel di berbagai area untuk mengidentifikasi sinergi dan mengembangkan praktik terbaik. Membangun kompetensi AI terpusat dapat mempercepat penskalaan di seluruh perusahaan.
Terlepas dari ukuran perusahaan, keterlibatan departemen bisnis sejak awal sangatlah penting. Proyek AI tidak boleh dipandang sebagai inisiatif TI semata, melainkan sebagai proyek transformasi yang digerakkan oleh bisnis.
Kecerdasan buatan berpotensi mentransformasi perusahaan-perusahaan Jerman secara fundamental dan menciptakan keunggulan kompetitif baru. Namun, keberhasilan tidak hanya bergantung pada teknologi yang dipilih, melainkan juga pada pendekatan strategis, implementasi organisasi, serta pengukuran dan optimalisasi yang berkelanjutan. Layanan AI terkelola dapat menjadi pilihan yang berharga, terutama bagi perusahaan yang ingin memanfaatkan AI secara cepat tanpa perlu membangun keahlian internal yang ekstensif.
Keputusan antara pengembangan internal dan layanan eksternal harus dibuat berdasarkan kebutuhan bisnis spesifik, sumber daya yang tersedia, dan tujuan strategis. Yang lebih penting daripada keputusan teknologi adalah fokus yang konsisten pada nilai bisnis yang terukur dan kemauan untuk terus beradaptasi dan meningkatkan sistem AI.
Unduh Laporan Tren AI Perusahaan Unframe 2025
Klik di sini untuk mengunduh:
Saran - Perencanaan - Implementasi
Saya akan dengan senang hati menjadi penasihat pribadi Anda.
menghubungi saya di bawah Wolfenstein ∂ xpert.digital
Hubungi saya di bawah +49 89 674 804 (Munich)