Wie KI echte Mehrwerte schafft.

Die Aufgabe vor das Werkzeug stellen

Suchen Sie einen wiederkehrenden Arbeitsschritt, der heute Zeit bindet: Informationen in Dokumenten finden, eingehende Anfragen vorsortieren oder einen Textentwurf vorbereiten. Beschreiben Sie zunächst, wer die Aufgabe erledigt, welche Informationen dafür gebraucht werden und woran ein gutes Ergebnis erkennbar ist.

Nicht jede dieser Aufgaben braucht ein Sprachmodell. Wenn feste Regeln das Ergebnis zuverlässig bestimmen, kann eine klassische Automatisierung einfacher und günstiger sein. KI wird interessant, wenn Sprache, uneinheitliche Dokumente oder Interpretationsspielraum eine Rolle spielen. Auch dann sollte der erste Anwendungsfall klein genug bleiben, um ihn vollständig zu verstehen.

Ein Beispiel: Anfragen besser vorbereiten

Angenommen, ein Serviceteam erhält Anfragen zu verschiedenen Produkten. Mitarbeitende lesen die Nachricht, suchen passende Unterlagen und formulieren eine Antwort. Ein KI-Assistent könnte das Anliegen zusammenfassen, relevante Dokumente vorschlagen und einen Antwortentwurf erstellen. Die Freigabe bleibt zunächst beim Team.

Das Ziel lautet dann nicht „Wir haben einen Chatbot“, sondern etwa: Die Vorbereitung einer fachlich korrekten Antwort soll weniger Aufwand verursachen. Ob das gelingt, lässt sich an Bearbeitungszeit, Korrekturbedarf und Qualität der gefundenen Quellen prüfen. Dieses Beispiel beschreibt einen möglichen Einsatz, kein Kundenprojekt oder zugesichertes Ergebnis.

Wissen zugänglich machen, Grenzen erhalten

Ein Modell kennt die internen Abläufe eines Unternehmens nicht automatisch. Soll es mit Unternehmenswissen arbeiten, braucht es geeignete, aktuelle Informationsquellen. Bei einem Suchansatz mit anschließender Antwortgenerierung werden beispielsweise passende Textstellen abgerufen und dem Modell als Kontext gegeben. Das kann Antworten besser nachvollziehbar machen, garantiert aber keine Fehlerfreiheit.

Berechtigungen müssen bereits beim Zugriff auf Dokumente greifen. Eine Person darf durch den Assistenten keine Informationen erhalten, die ihr im Quellsystem nicht zugänglich sind. Ebenso wichtig sind Verantwortliche für veraltete Inhalte und eine klare Antwort für Fälle, in denen keine belastbare Quelle gefunden wird.

Qualität mit echten Aufgaben prüfen

Stellen Sie vor dem Pilotbetrieb eine Sammlung typischer, schwieriger und unvollständiger Anfragen zusammen. Fachkundige Personen bewerten die Ergebnisse anhand vorher festgelegter Kriterien. Erfassen Sie auch falsche Antworten, fehlende Quellen und Fälle, in denen der Assistent seine Grenzen nicht erkennt.

Das NIST-Profil für generative KI beschreibt unter anderem Risiken durch plausible, aber falsche Ausgaben und die Bedeutung von Bewertung und Überwachung. Für einen betrieblichen Pilotversuch heißt das: Qualität nicht allein anhand weniger gelungener Vorführungen beurteilen.

Weiterführend: NIST: Generative Artificial Intelligence Profile ↗

Vom Pilotbetrieb in den Alltag

Starten Sie mit einem begrenzten Nutzerkreis und einem klaren Rückweg zum bisherigen Ablauf. Beobachten Sie neben Antwortqualität auch Wartezeiten, Kosten pro Vorgang und zusätzlichen Prüfaufwand. Ein schneller Entwurf bringt wenig, wenn seine Kontrolle länger dauert als die bisherige Bearbeitung.

Nach dem Pilotversuch stehen drei mögliche Entscheidungen: ausbauen, gezielt nachbessern oder den Ansatz verwerfen. Alle drei können sinnvoll sein. Eine belastbare Entscheidung ist wertvoller als eine Einführung, die allein durch Begeisterung für die Technologie getragen wird.

• Einen klaren Prozess und seine heutigen Schwachstellen benennen.
• Datenquellen, Zugriffsrechte und menschliche Freigabe festlegen.
• Qualitätskriterien und Vergleichswerte vor dem Pilotbetrieb definieren.
• Erst nach messbarem Nutzen über weitere Automatisierung entscheiden.