KI im Unternehmen: So fangen Sie ohne teures Projekt an

Beginnen Sie beim Problem, nicht beim Werkzeug

Viele Unternehmen nähern sich KI aus der falschen Richtung. Jemand sieht eine beeindruckende Demo, die Geschäftsführung verlangt „ein KI-Projekt“, und das Team sucht monatelang nach einer Stelle, an der sich die Technologie einsetzen lässt. Heraus kommt meist ein ausgefeilter Prototyp, den nach der Präsentation niemand mehr anfasst.

Was funktioniert, ist das Gegenteil. Beginnen Sie bei einer Aufgabe, die es schon gibt, die Stunden Ihres Teams verschlingt und für die es einen klar definierten richtigen Weg gibt. Fragen Sie dann, ob ein KI-Modell einen Teil davon gut genug übernehmen kann. Lautet die Antwort ja, kann das erste Projekt klein sein, schnell testbar und günstig zu beenden, falls es nicht aufgeht.

Dieser Leitfaden richtet sich an kleine und mittlere Unternehmen, die diesen ersten Schritt vernünftig gehen wollen: wo KI bereits liefert, wie Sie den ersten Anwendungsfall auswählen, wie Sie ihn messen und worauf Sie achten sollten.

Wo KI heute bereits gut funktioniert

Aktuelle Sprachmodelle sind gut darin, Text zu lesen, zu schreiben, zusammenzufassen und zu klassifizieren. Sie können auch Bilder und eingescannte Dokumente interpretieren. Das deckt einen großen Teil der Verwaltungs- und Kundenservicearbeit in jedem Unternehmen ab. Die folgenden Anwendungsfälle sind ausgereift, das heißt, die Technologie ist stabil und die Risiken sind gut bekannt:

• Kundenservice und FAQ: Ein Assistent antwortet über WhatsApp, Ihre Website oder per E-Mail auf Basis Ihrer eigenen Informationen (Öffnungszeiten, Richtlinien, Lieferzeiten, Katalog) und übergibt das Gespräch an einen Menschen, wenn die Frage vom Schema abweicht oder der Kunde darum bittet.
• Lead-Vorauswahl und -Qualifizierung: Die KI liest die Nachricht einer Person, die über ein Formular oder eine Anzeige gekommen ist, erkennt, was sie möchte, stellt fehlende Fragen und gibt dem Vertrieb eine Zusammenfassung mit einem Prioritätsvorschlag.
• Lesen und Extrahieren von Daten aus Dokumenten: Rechnungen, Belege, Verträge und Formulare werden zu strukturierten Feldern, die direkt in Ihr System gelangen, statt von Hand eingetippt zu werden.
• Zusammenfassungen: Lange Support-Verläufe, Besprechungen, Berichte und Verträge werden in das Format verdichtet, das Ihr Team braucht, mit markierten Kernpunkten.
• Klassifizierung von Bestellungen und Tickets: Jede eingehende Anfrage erhält eine Kategorie, eine Dringlichkeitsstufe und einen Verantwortlichen, sodass die Warteschlange bereits sortiert beginnt.
• Automatisierung zwischen Tools: Die KI verbindet E-Mail, Ihr CRM, Tabellen und interne Systeme und interpretiert, was auf der einen Seite eingeht, um die andere zu befüllen.
• KI im Produkt: Die intelligente Funktion wird Teil dessen, was Sie verkaufen. In LessCal, einer von uns entwickelten App, fotografieren Nutzer ihren Teller, und die KI schätzt die Kalorien der Mahlzeit.

So wählen Sie Ihren ersten Anwendungsfall

Ideen zu finden ist leicht. Die erste auszuwählen ist der schwierige Teil. Ein guter Ausgangspunkt ist die Frage an Ihr Team, welche Aufgaben es am liebsten loswerden würde. Die Antwort zeigt oft direkt auf die Kandidaten, und die Menschen, die die Lösung nutzen werden, wollen von Anfang an, dass sie funktioniert.

Die E-Mails zu sortieren, die in Ihrem Support-Postfach landen, ist ein guter erster Anwendungsfall. Kredite für Kunden zu genehmigen ist es nicht: Die Regeln sind voller Ausnahmen, und ein Fehler ist teuer. KI kann bei solchen Aufgaben später helfen, aber damit fängt man nicht an. Ihr erster Anwendungsfall sollte vier Kriterien gleichzeitig erfüllen:

• Wiederkehrend: Das Team erledigt dasselbe viele Male am Tag, fast immer auf dieselbe Weise.
• Hohes Volumen: Es gibt genug Fälle, damit der Gewinn sichtbar wird und Sie echte Beispiele zum Testen haben.
• Klare Regeln: Sie könnten einem neuen Mitarbeitenden schriftlich erklären, wie eine richtige Antwort aussieht. Wenn sich Ihr eigenes Team nicht einig ist, was richtig ist, wird die KI es auch nicht richtig machen.
• Günstige Fehler: Wenn die KI sich irrt, und das passiert hin und wieder, ist der Schaden gering und leicht zu beheben.

So messen Sie Ergebnisse, bevor Sie ausweiten

Bevor Sie irgendetwas einschalten, halten Sie fest, wie die Aufgabe heute abläuft: wie lange jeder Fall dauert, wie viele pro Tag eingehen, wie viele mit Fehlern zurückkommen und wie lange Kunden auf eine Antwort warten. Ohne diese Ausgangsbasis ist jedes Ergebnis nur eine Meinung.

Definieren Sie dann Erfolg so, dass Sie ihn tatsächlich überprüfen können. Einige hilfreiche Kennzahlen:

• Genauigkeit: In einer von einem Menschen geprüften Stichprobe, wie viele Antworten oder Klassifizierungen richtig waren.
• Zeit pro Fall: wie viel Zeit das Team jetzt aufwendet, einschließlich der Zeit für die Prüfung dessen, was die KI getan hat.
• Übergabequote: im Kundenservice, wie viele Gespräche die KI allein löst, wie viele einen Menschen brauchen und ob die Übergabe zum richtigen Zeitpunkt erfolgt.
• Wahrnehmung der Nutzer: Haben Kunden und Mitarbeitende den Eindruck, dass es besser geworden ist oder nur anders.
• Kosten pro Fall: was Sie für das KI-Modell ausgeben, geteilt durch die Zahl der bearbeiteten Fälle.

Wann Sie ausweiten und wann Sie aufhören

Lassen Sie den Pilot lange genug laufen, um die normalen Schwankungen des Geschäfts zu erfassen, ruhige wie volle Tage. Sind die Zahlen gut, weiten Sie aus. Sind sie halbwegs gut, passen Sie die Anweisungen und die Informationen an, auf die die KI zurückgreift, bevor Sie entscheiden, dass es nicht funktioniert. Sind sie schlecht, haben Sie es für sehr wenig Geld herausgefunden, und genau das war der Sinn des Pilots.

Vereinbaren Sie diese Schwellenwerte, bevor der Pilot beginnt. Wird Erfolg erst definiert, wenn die Zahlen vorliegen, findet man tendenziell trotzdem einen Grund weiterzumachen, und das Projekt wächst, ohne etwas bewiesen zu haben.

Worauf Sie achten sollten

Mit Sorgfalt eingesetzt, ist KI ein verlässliches Werkzeug. Sorglos eingesetzt, schafft sie neue Probleme. Diese Punkte gehören in jedes seriöse Projekt:

• Personenbezogene Daten und Datenschutzrecht (DSGVO, LGPD und Ähnliches): Wenn die KI Kundengespräche, Dokumente oder Datensätze lesen soll, müssen Sie wissen, wohin diese Daten gehen, wie lange sie gespeichert werden und ob der Anbieter sie zum Training von Modellen verwenden darf. Senden Sie dem Modell nur, was die Aufgabe erfordert.
• Menschliche Prüfung dort, wo Fehler teuer sind: Antworten zu Preisen, Vertragsbedingungen, Gesundheit oder rechtlichen Fragen sollten über einen Menschen laufen, bevor sie den Kunden erreichen, zumindest bis die Qualität nachgewiesen ist.
• Halluzinationen: Sprachmodelle erfinden manchmal mit voller Überzeugung eine Antwort. Die Abwehr besteht darin, die KI auf die Informationen Ihres Unternehmens zu beschränken, sie die Quelle nennen zu lassen und sie anzuweisen, „Das weiß ich nicht“ zu sagen und einen Menschen hinzuzuziehen, wenn die Information fehlt.
• Nutzungskosten pro Aufruf: Zusätzlich zur Entwicklung wird jede verarbeitete Nachricht oder jedes Dokument vom Modellanbieter berechnet. Pro Aufruf wirkt das vernachlässigbar, wächst aber mit Volumen und Textlänge. Schätzen Sie die monatlichen Kosten, bevor Sie skalieren, und legen Sie Ausgabenlimits fest.
• Abhängigkeit vom Anbieter (Vendor-Lock-in): Modelle wechseln häufig Version, Preis und Verhalten. Eine gut gebaute Lösung kapselt den Teil, der mit dem Modell spricht, sodass ein Anbieterwechsel eine Anpassung und keine Neuentwicklung ist.

Ein Weg in Schritten

Ein teures KI-Projekt ist fast immer eines, das alles auf einmal versucht hat. Ein Vorgehen in Etappen schützt Ihr Budget: Die Investition wächst mit dem Vertrauen, und die Entscheidung weiterzugehen beruht auf Daten aus Ihrem eigenen Betrieb, nicht auf den Versprechen eines Anbieters.

Der sicherere Weg hat vier Etappen, und jede beginnt erst, nachdem die vorherige Ergebnisse gezeigt hat:

• Kleiner Pilot: ein einziger Anwendungsfall, mit echten Daten und einer kleinen Nutzergruppe. In dieser Phase spricht die KI manchmal gar nicht mit Kunden. Sie schlägt eine Antwort vor, und das Team entscheidet, ob es sie verwendet.
• Messen: Vergleichen Sie die Pilotzahlen mit Ihrer Ausgangsbasis und hören Sie auf die Menschen, die ihn im Alltag genutzt haben.
• In die bestehenden Tools integrieren: Sobald die Ergebnisse bestätigt sind, läuft die KI direkt in WhatsApp, im CRM, im E-Mail-Programm oder im System, das Ihr Team bereits nutzt. Niemand muss ein neues Werkzeug lernen oder zwischen Bildschirmen kopieren und einfügen.
• Skalieren: Erhöhen Sie das Volumen, öffnen Sie es für weitere Teams oder wenden Sie denselben Ansatz auf einen zweiten, ähnlichen Prozess an, und behalten Sie dabei Kosten und Qualität im Blick.

Fehler, die das erste Projekt teurer machen

Einige Muster tauchen immer wieder in KI-Projekten auf, die mehr gekostet haben, als sie sollten:

• Mit der ehrgeizigsten Idee beginnen, etwa einem Assistenten, der alles über das Unternehmen weiß, statt mit einer klar definierten Aufgabe.
• Die Informationen, auf die sich die KI stützen soll, nicht ordnen. Ist das Handbuch veraltet, sind es die Antworten auch.
• Auf Messung verzichten und nach dem Eindruck derjenigen entscheiden, die die Demo gesehen haben.
• Die KI Kunden antworten lassen, ohne klaren Weg zu einem Menschen.
• Alles an einen einzigen Modellanbieter binden, ohne Spielraum zum Wechseln.

Wie BG Coding Ihnen helfen kann

Bei BG Coding beginnen KI-Projekte damit, den Prozess zu verstehen: welche Aufgaben am meisten Zeit kosten, wo das Volumen liegt und welche Entscheidung die KI unterstützen soll. Davon ausgehend schlagen wir einen Pilot mit echten Daten und einer Erfolgskennzahl vor, die vor Arbeitsbeginn vereinbart wird.

Hat sich der Pilot bewährt, integrieren wir die Lösung in die Tools, die Ihr Unternehmen bereits nutzt, und verfolgen nach dem Start Kosten und Qualität. Wenn Sie eine wiederkehrende Aufgabe im Blick haben und wissen möchten, ob die KI sie übernehmen kann, erzählen Sie uns, wie sie heute abläuft.