KI-Automatisierung für KMU: Einsatzfelder, Kosten und Vorgehen
Der sinnvolle Einstieg beginnt nicht beim Modell, sondern bei einem klar abgegrenzten Ablauf: Wer braucht welches Ergebnis, aus welchen Daten und mit welcher Kontrolle?
Wo KI-Automatisierung wirklich hilft
Für ein mittelständisches Unternehmen ist der beste Start selten ein besonders spektakulärer Anwendungsfall. Attraktiv sind Abläufe, die regelmäßig auftreten, viel unstrukturierte Information enthalten und dennoch ein prüfbares Ergebnis liefern. Beispiele sind das Sortieren eingehender Anfragen, das Extrahieren von Daten aus Dokumenten, die Vorbereitung von Antworten aus freigegebenem Wissen oder die Übergabe eines vollständigen Vorgangs an eine Fachkraft.
Ein KI-System ist dabei nicht automatisch ein autonomer Entscheider. Häufig ist die robusteste Architektur eine Kombination: klassische Regeln prüfen Pflichtfelder und Berechtigungen; ein Sprachmodell interpretiert Text; bestehende Systeme führen die eigentliche Buchung oder Änderung aus; ein Mensch übernimmt Ausnahmen. Diese Aufgabenteilung reduziert Risiko und erleichtert die Evaluation.
Ein guter Kandidat hat fünf Eigenschaften
- Das Ziel des Ablaufs lässt sich in einem Satz beschreiben.
- Eingaben und erwartete Ausgaben sind anhand realer Fälle verfügbar.
- Fehler können erkannt, korrigiert und einer verantwortlichen Person zugeordnet werden.
- Die benötigten Systeme bieten einen verlässlichen Zugriff oder eine saubere Übergabe.
- Volumen, Bearbeitungszeit oder Qualitätsprobleme rechtfertigen die Veränderung.
Formulieren Sie zuerst den betrieblichen Engpass, die heutige Bearbeitung und das gewünschte Ergebnis. Erst danach lässt sich entscheiden, ob KI, Regeln oder eine Prozessänderung die passende Antwort sind.
Vier Muster für den Einstieg
Information aufbereiten: Das System sucht in freigegebenen Quellen, fasst Vorgänge zusammen oder bereitet eine Antwort vor. Weil keine Geschäftsdaten verändert werden, lässt sich der Nutzen vergleichsweise kontrolliert prüfen. Information strukturieren: Freitext, E-Mails oder Dokumente werden klassifiziert und in definierte Felder überführt. Hier zählen Vollständigkeit, Feldgenauigkeit und ein zuverlässiger Umgang mit fehlenden Angaben. Arbeit koordinieren: Der Agent legt einen Vorgang an, stößt einen Folgeschritt an oder informiert die zuständige Rolle. Dafür braucht er klare Berechtigungen und idempotente Schnittstellen, damit Aktionen nicht doppelt ausgeführt werden. Entscheidungen vorbereiten: Das System stellt Fakten, Regeln und Unsicherheiten zusammen, während die fachliche Entscheidung beim Menschen bleibt.
Diese Muster können später verbunden werden. Für den ersten Einsatz ist eine bewusste Begrenzung wertvoll: Sie schafft eine nachvollziehbare Testfläche und zeigt, an welcher Stelle echte Prozessverbesserung entsteht. Ein breiter „Unternehmensassistent“ ohne klaren Eigentümer ist dagegen schwer zu evaluieren und erzeugt schnell widersprüchliche Erwartungen.
Notieren Sie für den gewählten Ablauf auch ausdrücklich, was nicht automatisiert wird. Diese Negativabgrenzung schützt das Team vor schleichender Erweiterung während des Piloten und macht spätere Ausbauschritte zu bewussten Entscheidungen.
Welche Faktoren die Kosten bestimmen
Die Modellnutzung ist nur ein Teil der Gesamtkosten. Meist dominieren Prozessanalyse, Datenzugang, Integration, Sicherheitsanforderungen, Evaluation und der laufende Betrieb. Ein einfacher interner Assistent mit kuratierten Dokumenten ist anders zu kalkulieren als ein Agent, der Kundendaten verändert, Nachrichten versendet oder mehrere Systeme koordiniert.
| Kostenblock | Leitfrage |
|---|---|
| Prozess und Fachlogik | Wie viele Varianten, Ausnahmen und Freigaben gibt es? |
| Daten und Wissen | Sind Quellen aktuell, zugänglich und eindeutig verantwortet? |
| Integration | Welche Systeme müssen gelesen oder verändert werden? |
| Evaluation | Welche Testfälle belegen, dass das System ausreichend gut arbeitet? |
| Betrieb | Wer überwacht Qualität, Kosten, Vorfälle und Änderungen? |
Ein seriöser Business Case weist Annahmen als Annahmen aus. Er trennt einmalige Einführungskosten von wiederkehrenden Kosten und berücksichtigt Fachzeit für Kontrolle, Wartung und Verbesserung. Eine einzige versprochene Prozentzahl ohne Prozessdaten ist keine belastbare Kalkulation.
Mit Bandbreiten statt Scheingenauigkeit planen
In einer frühen Phase sind viele Größen noch unbekannt: Wie oft fehlen Pflichtangaben? Wie häufig ist eine Wissensquelle veraltet? Wie viele Fälle benötigen eine menschliche Freigabe? Kalkulieren Sie deshalb mit transparenten Bandbreiten und markieren Sie, welche Annahme der Pilot belegen soll. Die Kosten einer Integration hängen zudem nicht nur davon ab, ob eine API existiert. Entscheidend sind Authentifizierung, Testumgebung, Rate Limits, Fehlermeldungen, Rückfalllogik und die Frage, wer Änderungen am Zielsystem verantwortet.
Ein pragmatischer Weg in sechs Schritten
- Entdecken: Fälle, Volumen, Beteiligte, Systeme und heutige Reibung dokumentieren.
- Entwerfen: Zielbild, Rollen, Datenflüsse, Grenzen und menschliche Übergabe festlegen.
- Bauen: Einen schmalen End-to-End-Ablauf mit realen Schnittstellen umsetzen.
- Evaluieren: Repräsentative Normalfälle, Grenzfälle und Missbrauchsszenarien testen.
- Einführen: Verantwortlichkeiten, Rückfallwege, Protokollierung und Schulung klären.
- Verbessern: Produktionssignale prüfen und Änderungen versioniert freigeben.
Der Prototyp sollte nicht nur schöne Antworten erzeugen. Er muss zeigen, wie Eingaben ankommen, welches Wissen verwendet wird, welche Aktion erlaubt ist, wann abgebrochen wird und was die Fachkraft bei einer Übergabe sieht. Genau dort unterscheiden sich eine Demo und ein betriebsfähiges System.
Qualität ist eine laufende Betriebsaufgabe
Sprachmodelle und Unternehmenswissen ändern sich. Deshalb braucht jede Lösung messbare Qualitätskriterien und eine verantwortliche Rolle. Geeignete Signale können die Vollständigkeit einer Datenerfassung, die korrekte Quellenverwendung, die Quote sauber übergebener Ausnahmen oder die Dauer bis zur fachlichen Klärung sein. Welche Metrik zählt, hängt vom Prozess ab.
Bei hohem Schadenspotenzial sollte das System weniger Freiheit erhalten: engerer Werkzeugsatz, stärkere Validierung und obligatorische Freigabe. Transparenz gegenüber betroffenen Menschen und dokumentierte Eskalationswege gehören von Anfang an in das Design.
Der erste Erfolg ist nicht „KI eingeführt“, sondern ein klarer Ablauf mit nachweisbarer Qualität und verantwortetem Betrieb.
Was nach dem Start überprüft werden sollte
Planen Sie feste fachliche Reviews statt nur technisches Uptime-Monitoring. Prüfen Sie Stichproben aus erfolgreich bearbeiteten Fällen ebenso wie Übergaben und Abbrüche. Beobachten Sie, ob neue Formulierungen, Produkte oder Richtlinien die Testabdeckung verändern. Kosten- und Latenzsignale gehören daneben, dürfen die fachliche Qualität aber nicht ersetzen. Jede wesentliche Änderung an Modell, Systemanweisung, Wissensbasis oder Werkzeugzugriff sollte eine passende Re-Evaluation auslösen.
Dokumentieren Sie außerdem Rückmeldungen der Mitarbeitenden: Werden Übergaben tatsächlich schneller verstanden? Entstehen neue manuelle Kontrollschritte? Umgehen Nutzer den vorgesehenen Kanal? Solche Beobachtungen zeigen früh, ob die technische Lösung den gesamten Ablauf verbessert oder Arbeit nur an eine andere Stelle verschiebt.
Verwandte Lösungen
Quellen und weiterführende Orientierung
- Bundesamt für Sicherheit in der Informationstechnik: Künstliche Intelligenz
- European Commission: Regulatory framework for AI
- NIST AI Risk Management Framework
Dieser Beitrag ist allgemeine Information und keine Rechtsberatung.