Dass ein Unternehmen KI benötigt, bedeutet nicht automatisch, dass es einen neuen Chat-Bildschirm braucht. Die eigentliche Frage lautet, welche Aufgabe dadurch besser erledigt wird. Ein konkreter Anwendungsfall wie Dokumentensuche, Klassifizierung oder Entwurfserstellung erleichtert es, den Erfolg zu bewerten.
Nicht jedes Unternehmen braucht dieselbe KI-Lösung. Während ein Team Schwierigkeiten hat, eine große Menge an Dokumenten zu klassifizieren, verbringt ein anderes Team viel Zeit damit, eingehende Anfragen an die richtige Person weiterzuleiten. Der erste Schritt besteht darin, vor der Wahl eines Werkzeugs zu erkennen, welche dieser Aufgaben sich tatsächlich wiederholt.
01Messen Sie zuerst den heutigen Aufwand
Halten Sie fest, wie viele Personen an einem Vorgang beteiligt sind, welche Schritte sich wiederholen und wo am häufigsten Fehler entstehen. Ein Vorschlag für Thema und Priorität aus eingehenden Anfragen zu erzeugen, kann zum Beispiel ein begrenzter, sinnvoller Einstieg sein. Sämtliche Kundenbeziehungen ohne menschliche Kontrolle zu steuern, ist dagegen ein deutlich größerer und riskanterer Rahmen.
Bei diesem ersten Beispiel lässt sich der Erfolg an der Genauigkeit des Vorschlags, am Korrekturbedarf der Mitarbeitenden und an der Bearbeitungszeit messen. Ein solcher Rahmen macht aus einer allgemeinen Erwartung eine überprüfbare Investitionsentscheidung.
02Eine messbare Aufgabe auswählen
Schreiben Sie auf, welche Aufgabe konkret abgeschlossen werden soll, statt allgemein „Effizienz steigern“ anzustreben. Ein Beispiel wäre, eine Supportanfrage dem richtigen Team zuzuordnen oder den passenden Abschnitt in einem Dokument zu finden. Legen Sie Ausgangssituation, erwartetes Ergebnis und den Punkt fest, an dem ein Mensch eingreift. Jede Aufgabe zu automatisieren, sollte nicht das Ziel der ersten Version sein.
03Nicht jeder Schritt erfordert KI
Für Berechnungen oder Prüfungen, die sich mit einer eindeutigen Regel abbilden lassen, ist klassische Automatisierung oft die bessere Wahl. Zu prüfen, ob ein Pflichtfeld ausgefüllt ist, ist zum Beispiel nicht dasselbe wie eine Anfrage in Freitext zu interpretieren. Eine gute Lösung kombiniert beide Methoden dort, wo es sinnvoll ist.
Diese Unterscheidung kann unnötige Kosten senken und das Systemverhalten nachvollziehbarer machen. Wichtiger als die Aussage „Überall steckt KI drin“ ist zu wissen, an welcher Stelle sie warum eingesetzt wird.
04Den Datenzugriff begrenzen
Dass ein Modell technisch auf eine Information zugreifen kann, bedeutet nicht, dass es sie jedem Nutzer anzeigen darf. Die Berechtigungen der Quelldokumente müssen auch in der Such- und Antwortebene erhalten bleiben. Prüfen Sie im Voraus, welche Daten an einen externen Anbieter gehen und wie lange sie dort gespeichert werden. Dass eine Anwendung in Wien gehostet wird, bedeutet nicht automatisch, dass jeder eingesetzte externe KI-Anbieter denselben Standort hat; die Datenbedingungen jedes Anbieters müssen separat geprüft werden.
Verstreute Dokumente, veraltete Beschreibungen und widersprüchliche Angaben beeinträchtigen ebenfalls das Ergebnis der Lösung; welche Quelle maßgeblich ist, muss von Anfang an festgelegt werden.
05Flüssige Antworten nicht mit korrekten Antworten verwechseln
Erstellen Sie ein Testset aus repräsentativen und schwierigen Beispielen. Beziehen Sie auch fehlende Informationen, widersprüchliche Dokumente und Fälle ohne Antwortmöglichkeit ein. Quellenangaben, das Kenntlichmachen von Unsicherheit und der Übergang zur menschlichen Prüfung sind Teil des Produktverhaltens. Das NIST AI Risk Management Framework bietet dafür eine Referenz, um Risiken über Entwicklung und Nutzung hinweg zu berücksichtigen.
06Legen Sie von Anfang an fest, wie menschliche Freigabe und der Fehlerpfad aussehen
Künstliche Intelligenz kann falsche oder unvollständige Ergebnisse liefern. Für ein Angebot an einen Kunden, externe Kommunikation oder eine wichtige Änderung an einem Datensatz kann ein Freigabeschritt erforderlich sein. Es sollte im Voraus geplant werden, wie ein Ergebnis mit geringer Konfidenz zur Prüfung vorgelegt wird, wie die Arbeit bei einem Ausfall des Dienstes weitergeht und wie vorgenommene Änderungen protokolliert werden.
07Kosten und Fehler sichtbar machen
Erklären Sie dem Nutzer den Status lange laufender oder wiederholter Vorgänge. Verfolgen Sie Warteschlangen, Kontingente und Anbieterfehler; zeigen Sie keine Erfolgsmeldung, bevor ein Ergebnis tatsächlich vorliegt. Führen Sie dasselbe Testset erneut aus, wenn sich Modell oder Daten ändern. Ein gutes KI-Produkt ist nicht nur eine beeindruckende Demo, sondern ein Arbeitsmittel mit bekannten Grenzen, das sich nachverfolgen lässt. In unserem KI-Service gestalten wir Lösungen nach diesen Maßstäben; die Rolle menschlicher Expertise im Entwicklungsprozess beschreiben wir in einem eigenen Beitrag.
In unserem KI-Service wählen wir zunächst einen klar abgegrenzten Anwendungsfall, validieren ihn mit Beispieldaten und binden die erfolgreich getestete Lösung anschließend in den bestehenden Arbeitsablauf ein.
08Vor dem Start vorbereiten
- Die eine, messbare Aufgabe, bei der KI unterstützen soll
- Echte Beispiele, wie diese Aufgabe heute erledigt wird
- Zu nutzende Dokumente und Datenquellen mit ihren Zugriffsrechten
- Datentypen, die nicht an externe Anbieter gehen dürfen
- Entscheidungen, die eine menschliche Freigabe erfordern
- Beispiele, die eine erfolgreiche von einer fehlgeschlagenen Antwort unterscheiden
Geschrieben von
Das Paradigma7-Team
Produkt, Entwicklung und Betrieb
Wir sind ein Team aus Ankara und entwickeln Software für Europa. Nichts davon ist Theorie: Es sind die Prozesse, die wir in Kundenprojekten tatsächlich fahren.
Über uns