KI sinnvoll nutzen: Aufwand, Wirkung und Grenzen

Vom Arbeitsproblem statt vom Werkzeug ausgehen

Die erste Frage lautet nicht: Wo können wir generative KI einbauen? Sie lautet: Welche Arbeit kostet unnötig Zeit, erzeugt wiederkehrende Fehler oder verhindert eine bessere Leistung? Erst wenn der Ablauf verstanden ist, lässt sich prüfen, ob KI einen sinnvollen Beitrag leisten kann. Andernfalls wird eine interessante Technologie an einen ungeklärten Prozess geschraubt. Das sieht in einer Präsentation modern aus, löst aber noch kein Problem.

Beschreiben Sie den heutigen Ablauf mit Eingang, Bearbeitung, Entscheidung und Ergebnis. Wer liefert welche Information? Wo wartet Arbeit? Welche Ausnahme benötigt Erfahrung? Welche Qualität erwartet der Empfänger? Ein schlechter Prozess wird durch KI nicht automatisch gut. Er kann nur schneller unübersichtlich werden. Häufig zeigen schon diese Fragen, dass eine klare Vorlage, eine Suche, eine Schnittstelle oder das Entfernen eines unnötigen Schrittes mehr bringt.

Für einen möglichen Anwendungsfall braucht es ein Ziel, einen Ausgangswert und eine verantwortliche Person. Beispiele sind weniger Suchzeit, ein schnellerer erster Entwurf oder vollständigere Klassifikation. „Wir nutzen jetzt KI“ ist kein Ergebnis. Ohne Vergleich bleibt jede Verbesserung eine gefühlte Verbesserung, und Gefühle sind als betriebliche Kennzahl nur begrenzt belastbar.

Eignung von Prozess, Ergebnis und Daten prüfen

Ein guter Kandidat besitzt ausreichend häufige Fälle, einen erkennbaren Nutzen und ein Ergebnis, das fachlich geprüft werden kann. Wiederkehrende Zusammenfassungen, Entwürfe oder Zuordnungen können passen. Seltene Entscheidungen mit erheblichen Folgen, schwacher Datenbasis und kaum prüfbarem Ergebnis verdienen dagegen besondere Zurückhaltung. Nicht alles, was Menschen mühsam finden, lässt sich verantwortbar automatisieren.

Die Daten müssen verfügbar, verständlich und für den vorgesehenen Zweck nutzbar sein. Veraltete Kategorien, widersprüchliche Ablagen und fehlende Kontextinformationen verschwinden nicht im Modell. Sie werden Teil des Ergebnisses. Datenqualität bedeutet deshalb nicht nur Fehlerfreiheit. Sie umfasst Herkunft, Aktualität, Vollständigkeit, Berechtigung und die Frage, ob wichtige Gruppen oder Sonderfälle angemessen vertreten sind.

Prüfen Sie außerdem, wie stark sich Fälle verändern. Ein stabiler Prozess lässt sich leichter testen als ein ständig wechselnder. Bei wissensintensiver Arbeit kann eine KI unterstützen, während die fachliche Entscheidung beim Menschen bleibt. Diese Aufteilung muss konkret sein: Wer prüft was, anhand welcher Quellen und mit welchem Zeitbudget? „Human in the loop“ ist erst dann eine Kontrolle, wenn der Mensch tatsächlich sinnvoll eingreifen kann.

Die wahren Kosten vollständig rechnen

Zur Lizenz kommen Auswahl, Vertragsprüfung, technische Einrichtung, Konten, Berechtigungen, Schnittstellen und Schutzmaßnahmen. Danach folgen Testfälle, Schulung, Support, Dokumentation und die Anpassung des Arbeitsablaufs. Im Betrieb entstehen Kosten für Qualitätskontrolle, Nacharbeit, Überwachung, Änderungen des Anbieters und neue Modellversionen. Diese Anteile werden gerne übersehen, weil sie auf mehrere Budgets verteilt sind.

Auch die Zeit der Nutzenden gehört in die Rechnung. Ein erster Entwurf in zwei Minuten ist kein Produktivitätsgewinn, wenn danach zwanzig Minuten für Faktenprüfung und Formatkorrektur nötig sind. Verglichen wird die vollständige Aufgabe vom Eingang bis zum verwendbaren Ergebnis. Eine Tätigkeit, die vorher zehn Minuten dauerte, kann mit KI durchaus eine Stunde benötigen. Das ist kein prinzipielles Argument gegen KI, aber ein recht deutlicher Hinweis gegen diese konkrete Umsetzung.

Rechnen Sie auch Ausnahmen und Fehler ein. Wie viele Fälle benötigen manuelle Nacharbeit? Wie teuer ist ein übersehener Fehler? Wer unterstützt, wenn das System nicht verfügbar ist? Was kostet die Rückkehr zum bisherigen Verfahren? Ein kleiner Pilot mit echter Zeitmessung ist belastbarer als eine allgemeine Produktivitätsprognose. Der Pilot soll lernen, nicht die bereits getroffene Kaufentscheidung dekorieren.

KI, Regeln und klassische Automatisierung vergleichen

Feste Regeln sind stark, wenn Eingaben und Entscheidungen eindeutig sind. Ein Formular kann Pflichtfelder prüfen, eine Datenbank exakt filtern und ein Workflow klar definierte Freigaben erzwingen. Solche Lösungen sind häufig günstiger, nachvollziehbarer und stabiler. KI ist interessant, wenn Sprache, Bilder oder uneinheitliche Inhalte interpretiert werden müssen und eine rein regelbasierte Lösung unverhältnismäßig aufwendig wäre.

Oft ist eine Kombination sinnvoll: Regeln begrenzen Eingaben und Berechtigungen, KI erzeugt einen Vorschlag, ein Fachverfahren prüft Pflichtangaben und ein Mensch entscheidet über folgenreiche Schritte. Dadurch wird die Stärke der KI genutzt, ohne ihr Aufgaben zu geben, die deterministische Technik zuverlässiger erledigt. Der Begriff „KI-gestützt“ ist schließlich keine automatische Qualitätsauszeichnung.

Ein Vergleich sollte mindestens Nutzen, Genauigkeit, Erklärbarkeit, Reaktionszeit, Betriebskosten, Abhängigkeit und Ausfallverhalten enthalten. Für jede Alternative werden dieselben realen Fälle verwendet. Das verhindert, dass der KI-Prototyp mit sorgfältig ausgewählten Beispielen glänzt, während der bisherige Prozess an seinem schwierigsten Tag gemessen wird.

Einen Pilot bauen, der etwas beweisen kann

Ein Pilot braucht einen begrenzten Zweck, eine feste Nutzergruppe, geeignete Daten und ein Ende. Vor dem Start werden Erfolgskriterien, Abbruchkriterien und das bisherige Vergleichsniveau dokumentiert. Testfälle umfassen normale Vorgänge, schwierige Sonderfälle und bewusst problematische Eingaben. Nur freundliche Beispiele zeigen vor allem, dass freundliche Beispiele funktionieren.

Erfasst werden Bearbeitungszeit, Ergebnisqualität, Nacharbeit, Fehlerarten, Nutzererfahrung und technische Stabilität. Fachleute bewerten blind oder nach einheitlichen Kriterien, wenn das möglich ist. Ein einzelner Prozentwert reicht selten: Ein System kann im Durchschnitt gut sein und ausgerechnet bei seltenen, folgenreichen Fällen versagen. Deshalb werden Fehler nach Bedeutung und nicht nur nach Häufigkeit betrachtet.

Der Pilot endet mit einer Entscheidung: einstellen, anpassen, erneut begrenzt testen oder kontrolliert ausrollen. Offene Voraussetzungen erhalten Verantwortliche und Termine. Wird der Versuch beendet, ist das kein Scheitern. Ein begründetes Nein vor dem großen Rollout kann der wirtschaftlich wertvollste Ertrag des gesamten Projekts sein.

Qualität im laufenden Betrieb sichern

Nach der Einführung verändern sich Modelle, Daten, Funktionen und Nutzung. Deshalb werden Qualitätsmerkmale regelmäßig mit repräsentativen Fällen geprüft. Auffällige Ergebnisse, Beschwerden und Korrekturen fließen in die Bewertung ein. Wenn ein Anbieter eine neue Funktion aktiviert oder ein Datenbestand wesentlich geändert wird, kann eine erneute Prüfung notwendig sein.

Die Kontrolle muss zum Ergebnis passen. Bei einem internen Ideenvorschlag genügt häufig eine normale fachliche Prüfung. Bei externen Veröffentlichungen, wichtigen Kundeninformationen oder finanziellen Folgen sind Quellen, Vollständigkeit und Freigabe strenger zu behandeln. Die Verantwortung darf nicht zwischen Modell, Anbieter und Nutzendem verschwinden. Eine Person oder Rolle muss für den verwendeten Output einstehen.

Gute Kennzahlen verbinden Wirkung und Aufwand: nutzbare Ergebnisse beim ersten Durchlauf, durchschnittliche Nacharbeit, Fehler mit hoher Bedeutung, Verfügbarkeit und tatsächliche Nutzung. Eine hohe Zahl erzeugter Texte ist keine gute Kennzahl, wenn niemand sie braucht. Volumen zeigt Aktivität. Nutzen zeigt sich erst im Arbeitsprozess.

Praxisbeispiel: Antworten auf interne Fragen

Ein fiktives Unternehmen möchte interne Richtlinien durch eine KI besser durchsuchbar machen. Heute benötigen Beschäftigte lange für die Suche und fragen häufig dieselben Ansprechpartner. Der gewünschte Nutzen ist klar: schnellere Orientierung bei gleichbleibender Verlässlichkeit. Die KI darf Antworten vorschlagen, aber keine Richtlinie erfinden oder eine verbindliche Einzelfallentscheidung treffen.

Im Pilot werden freigegebene Dokumente mit Versionsstand verwendet. Jede Antwort muss auf konkrete Fundstellen verweisen. Fachverantwortliche testen typische Fragen, veraltete Begriffe und Fälle ohne eindeutige Antwort. Gemessen werden Suchzeit, korrekte Quellen, notwendige Korrekturen und die Zahl berechtigter „weiß ich nicht“-Antworten. Gerade die letzte Kategorie ist wichtig: Ein System, das immer antwortet, ist nicht automatisch besonders hilfreich.

Der Pilot zeigt Nutzen bei einfachen Fragen, aber Unsicherheit bei widersprüchlichen Dokumenten. Das Unternehmen bereinigt deshalb zunächst den Bestand und begrenzt den Einsatz. Dieser Schritt ist kein Umweg. Er macht sichtbar, dass Wissenspflege und KI zusammenhängen. Das Modell war nicht die einzige Baustelle; es hat nur höflich darauf gezeigt.

Wann ein Nein die richtige Entscheidung ist

Gegen den Einsatz spricht, wenn das Problem nicht klar ist, geeignete Daten fehlen, Ergebnisse nicht sinnvoll geprüft werden können oder ein Fehler unvertretbare Folgen hätte. Ebenso kritisch sind fehlende Verantwortlichkeit, unklare Verträge und ein Betrieb ohne realistischen Ausstieg. Dann wird nicht aus Angst gestoppt, sondern weil wesentliche Voraussetzungen fehlen.

Ein Nein kann zeitlich begrenzt sein. Die Organisation kann Daten ordnen, den Prozess vereinfachen, Kompetenzen aufbauen oder den Anwendungsfall enger schneiden. Danach wird neu entschieden. Es besteht kein KI-Zwang. Wettbewerbsvorteile entstehen nicht dadurch, jede neue Funktion als Erste einzuschalten, sondern passende Fähigkeiten zuverlässig in den eigenen Betrieb zu übersetzen.

Die Abschlussfrage lautet deshalb: Würden wir diese Lösung auch dann wählen, wenn auf der Verpackung nicht KI stünde? Wenn die Antwort ja lautet und Nutzen, Aufwand und Risiken belegt sind, ist das ein guter Anfang. Wenn die Antwort nein lautet, hat die Technik vielleicht Begeisterung erzeugt. Begeisterung ist willkommen. Sie ersetzt nur keine Entscheidung.

Vom Einzelfall zu einem brauchbaren Portfolio

Wenn mehrere Ideen entstehen, werden sie nicht nur nach sichtbarem Nutzen sortiert. Aufwand, Datenreife, Prüfaufwand, mögliche Folgen und Abhängigkeiten gehören daneben. Ein Anwendungsfall mit mäßigem Nutzen, aber sehr guten Voraussetzungen kann für den Einstieg geeigneter sein als die große Vision mit fünf ungeklärten Schnittstellen. Das Portfolio zeigt außerdem, welche Vorhaben dieselben Grundlagen benötigen und deshalb sinnvoll gemeinsam vorbereitet werden können.

Eine einfache Matrix genügt zunächst. Für jede Idee werden Problem, Zielgruppe, Häufigkeit, heutiger Aufwand, erwartete Wirkung, Datenlage, Fehlerfolgen und verantwortliche Rolle festgehalten. Die Bewertung bleibt begründet und veränderbar. Eine scheinbar exakte Punktzahl sollte keine Unsicherheit verstecken. Wenn zentrale Angaben fehlen, ist „noch nicht entscheidungsreif“ häufig die ehrlichere Kategorie.

Beendete Piloten und verworfene Ideen bleiben mit ihrer Begründung auffindbar. Sonst prüft das nächste Team dieselbe ungeeignete Lösung einige Monate später erneut. Gleichzeitig dürfen frühere Entscheidungen neu betrachtet werden, wenn sich Daten oder Technik wesentlich ändern. Lernen bedeutet, Erfahrung zu bewahren, ohne sie zum ewigen Verbot zu erklären.

Bei der Portfolioprüfung wird außerdem sichtbar, ob mehrere Vorhaben dieselben knappen Fachleute oder Datenquellen benötigen. Eine zeitliche Reihenfolge schützt vor parallelen Piloten, die einzeln klein wirken und gemeinsam den Betrieb überfordern. Priorisierung bedeutet deshalb nicht nur, die beste Idee zu wählen. Sie bedeutet auch, die Organisation in die Lage zu versetzen, diese Idee ordentlich einzuführen, zu prüfen und dauerhaft zu tragen.

Ein regelmäßiger kurzer Portfolio-Termin reicht häufig: neue Ideen aufnehmen, laufende Versuche anhand ihrer Erkenntnisse bewerten und beendete Vorhaben schließen. Dabei wird nicht die größte Zahl aktiver Piloten belohnt. Ein überschaubarer Bestand mit klaren Entscheidungen schafft mehr Nutzen als eine Sammlung ewiger Experimente, deren Status irgendwann nur noch aus dem Kalender ihrer ursprünglichen Projektleitung hervorgeht.