Welche künstliche Intelligenz gibt es für Unternehmen? Die Antwort hängt weniger vom Produktnamen ab als von der Aufgabe, die Sie lösen wollen. Ein Chatbot im Kundenservice, eine Rechnungsprüfung und eine Absatzprognose nutzen verschiedene Verfahren, brauchen verschiedene Daten und verursachen unterschiedlich viel Pflege. Wer mit einer Toolliste beginnt, kauft deshalb oft zuerst und klärt den Nutzen danach.
Dieser Beitrag ordnet das Feld nach Aufgabenklassen statt nach Anbietern. Sie erfahren, welche Prozesse sich zur Automatisierung eignen, wie Sie Datenreife und Datenschutz prüfen und wie Sie Kosten und Nutzen nüchtern gegenüberstellen. Am Ende steht ein Vorgehen für Pilot und Rollout, das Sie ohne technischen Hintergrund steuern können.
Entscheidend ist, was ein System im Betrieb tut. Fünf Klassen decken die meisten Vorhaben in KMU und Startups ab, auch wenn ihre Grenzen fließend verlaufen. Die Einteilung hilft Ihnen, Erwartungen und Gesprächspartner passend zu wählen.
| Aufgabenklasse | Was das System leistet | Typisches Beispiel | Wichtigste Voraussetzung |
|---|---|---|---|
| Regelbasierte Workflow-Automatisierung | Führt feste Schritte ohne Lernen aus | Freigaben und Benachrichtigungen zwischen Systemen weiterleiten | Klar beschriebener Prozess |
| Sprachmodelle (LLM-Integration) | Liest, fasst zusammen, formuliert und ordnet Text ein | Eingehende Anfragen vorsortieren, Antwortentwürfe erstellen | Gute Quelltexte und eine Qualitätsprüfung |
| Assistenten und Agenten | Verbinden ein Sprachmodell mit Systemzugriff und erledigen mehrstufige Aufgaben | Anfrage prüfen, im CRM nachschlagen, Antwort vorbereiten | Saubere Schnittstellen und klare Grenzen |
| Prädiktive Verfahren (überwachtes Lernen) | Berechnen aus Beispielen eine Prognose oder Zuordnung | Bilderkennung in der Qualitätsprüfung, Absatzprognose | Historische Daten mit bekanntem Ergebnis |
| Mustererkennung (unüberwachtes Lernen) | Gruppiert Daten und findet Auffälligkeiten | Kundensegmente, ungewöhnliche Buchungen | Umfangreiche, einheitliche Datensätze |
Die erste Klasse ist streng genommen keine KI, taucht aber in fast jedem Projekt auf. Oft genügt eine feste Regel, und das Sprachmodell übernimmt nur den unstrukturierten Teil, etwa das Lesen einer Anfrage. Das senkt die laufenden Kosten, weil ein Modell nur dort arbeitet, wo Urteilsvermögen gefragt ist.
Alles, was Sie heute einkaufen oder entwickeln lassen, gehört zur schwachen KI. Jana Koehler beschreibt in ihrem Beitrag zum Begriff der Künstlichen Intelligenz, was das heißt: Ein System kann dem Menschen in einer Spezialaufgabe überlegen sein, aber bei ganz anderen Aufgaben völlig versagen. Als Beispiel nennt sie Schachprogramme.
Starke KI, heute meist Artificial General Intelligence genannt, wäre dem Menschen in allen Belangen ebenbürtig. Sie bleibt eine Forschungsfrage und ist keine Einkaufsoption. Für Ihr Budget folgt daraus etwas Nützliches: Sie bezahlen immer für eine eng umrissene Aufgabe, und je schärfer Sie diese fassen, desto verlässlicher arbeitet das System.
Auch das Fraunhofer IAO hält fest, dass KI keine Magie ist, sondern auf klar definierten mathematischen Algorithmen beruht. Spricht ein Anbieter von einem System, das alles im Unternehmen versteht, lohnt sich daher die Rückfrage, welche konkrete Aufgabe es zuverlässig erledigt und woran Sie das messen.
Eine klare Trennlinie verläuft zwischen eng umrissenen Aufgaben und dem Versprechen allgemeiner Autonomie. Die folgende Gegenüberstellung hilft bei der ersten Einordnung.
Koehler weist darauf hin, dass kein Ansatz des maschinellen Lernens garantieren kann, wie gut das gelernte System in der Anwendung arbeitet. Planen Sie deshalb immer eine menschliche Prüfung und eine laufende Messung ein. Das kostet etwas Aufwand, verhindert aber, dass Fehler unbemerkt in Ihre Abläufe wandern.
Wer verstehen will, welche künstliche Intelligenz es für Unternehmen gibt, stößt auf drei Lernformen, die Koehler unterscheidet. Sie müssen die Verfahren nicht beherrschen, aber sie erklären, welche Daten ein Vorhaben braucht.
Für KMU spielen die ersten beiden Formen die größere Rolle, während verstärkendes Lernen eher bei Steuerung und Robotik auftaucht. Sprachmodelle hinter Assistenten und Agenten arbeiten auf einer anderen Grundlage, doch auch hier gilt: Die Qualität der Quellen bestimmt die Qualität des Ergebnisses.
Welche künstliche Intelligenz gibt es für Unternehmen, die vor allem Mitarbeitende entlasten wollen? Meist sind es drei Bauformen, die sich in ihrer Selbstständigkeit unterscheiden. Mit jeder Stufe wächst der Nutzen, aber auch der Aufwand für Absicherung und Überwachung.
Als Faustregel gilt: Beginnen Sie auf der niedrigsten Stufe, die das Problem löst. Ein Agent braucht klare Berechtigungen, Protokolle und definierte Abbruchpunkte, sonst wird jeder Fehler zum Vorgang im System. Wie Sie solche Vorhaben vorab bewerten, beschreibt unser Beitrag dazu, wie Sie KI-Agenten für Unternehmen prüfen.
Das Modell ist selten die schwierige Entscheidung. Der Anwendungsfall ist es.
Ein Prozess eignet sich, wenn er oft vorkommt, klar abgrenzbar ist und messbar Zeit oder Fehler kostet. Prüfen Sie Kandidaten anhand dieser Kriterien.
Bilden Sie den Prozess anschließend auf einer Seite ab. Notieren Sie Auslöser, Eingaben, Entscheidungen, beteiligte Systeme, Ausnahmen, Ergebnis und die verantwortliche Person. Diese Prozesslandkarte zeigt oft schon vor jedem KI-Einsatz, wo Medienbrüche und Doppelarbeit entstehen, und manches Problem löst sich dadurch ohne Technik.
Der KI Bundesverband berichtet in einem Rückblick über ein neues Use-Case-Handbuch mit elf umgesetzten KI-Projekten aus dem Mittelstand und fasst das Fazit so: KI muss kein Großprojekt sein, der Einstieg beginnt mit dem passenden Use Case. Nach eigenen Angaben hat der Verband mehr als 700 Mitglieder, und auf der Website des KI Bundesverbands finden Sie einen Einblick in die deutsche KI-Landschaft.
Daten entscheiden häufiger über den Erfolg als das Modell. Prüfen Sie vier Dinge, bevor Sie ein Budget freigeben.
Der letzte Punkt wiegt schwerer, als er klingt. Koehler beschreibt als Concept Drift, dass Systeme in Bereichen, die sie beim Training kaum gesehen haben, häufig fehlerhafte Ausgaben liefern. Da sich Ihr Umfeld ändert, brauchen Sie regelmäßiges Nachtrainieren und Beobachtung. Welche künstliche Intelligenz gibt es für Unternehmen, die kaum digitale Daten besitzen? Meist beginnt die sinnvolle Lösung bei Regeln und Datenerfassung, nicht bei einem Modell.
Sobald ein System personenbezogene Daten verarbeitet, gilt die DSGVO. Das betrifft Kundenanfragen, Bewerbungen und Mitarbeiterdaten ebenso wie Rechnungen mit Ansprechpartnern. Klären Sie früh, welche Daten das System sieht, wo es sie verarbeitet und ob ein Dienstleister in Ihrem Auftrag arbeitet. In diesem Fall ist in der Regel ein Auftragsverarbeitungsvertrag nötig.
Auch das Betriebsmodell spielt hinein. Der KI Bundesverband gründet eine Arbeitsgruppe zu On-Device-, Edge-, On-Premises- und hybriden Setups, weil sich die Frage stellt, wo und unter wessen Kontrolle KI-Systeme laufen. Für sensible Daten kann ein lokaler oder hybrider Betrieb sinnvoll sein, verlagert aber Aufgaben für Betrieb und Wartung zu Ihnen oder Ihrem Partner. Ein Debattenabend des KI-Stammtischs Nord, bei dem die Gruppe „On Premise“ nur knapp gewann, zeigt, dass es keine allgemeingültige Antwort gibt.
Dazu kommt die Verantwortung. Bitkom und das DFKI fragen in ihrem Positionspapier zur Entscheidungsunterstützung mit KI aus dem Jahr 2017, welchen Raum Algorithmen bei Entscheidungen zu Gesundheit, Bildung, Karriere oder Finanzen bekommen sollen und wer dafür verantwortlich ist. Legen Sie deshalb fest, wer ein Ergebnis freigibt. Welche Anforderungen für Ihr Vorhaben gelten, bestätigen Ihr Datenschutzbeauftragter oder Ihre Rechtsberatung, denn die Antwort hängt vom Einzelfall ab.
Eine belastbare Zahl gibt es erst nach der Analyse Ihres Prozesses. Die Spanne reicht von einer schmalen Automatisierung bis zu einem Agenten mit vielen Systemanbindungen, und der Unterschied liegt selten im Modell. Er liegt im Aufwand für Integration und Absicherung. Fordern Sie deshalb Angebote an, die folgende Posten getrennt ausweisen.
Den Nutzen rechnen Sie in drei Schritten. Multiplizieren Sie erstens die Fälle pro Monat mit den eingesparten Minuten und Ihrem internen Stundensatz. Addieren Sie zweitens vermiedene Fehlerkosten, und ziehen Sie drittens die laufenden Kosten ab. Teilen Sie dann die Einmalkosten durch den monatlichen Nettonutzen, dann sehen Sie, nach wie vielen Monaten sich das Vorhaben trägt.
Seien Sie bei den Annahmen vorsichtig. Eingesparte Minuten werden nur dann zu eingesparten Kosten, wenn Kapazität tatsächlich frei wird oder Sie Wachstum ohne Neueinstellung auffangen. Rechnen Sie deshalb mit einer vorsichtigen und einer optimistischen Variante. Welche künstliche Intelligenz es für Unternehmen gibt, ist am Ende auch die Frage, welche sich in Ihrer Rechnung selbst bezahlt macht.
Welche künstliche Intelligenz gibt es für Unternehmen als Fertigprodukt, und wann lohnt der Eigenbau? Standardprodukte passen, wenn Ihr Prozess dem Üblichen entspricht. Eine Eigenentwicklung zahlt sich aus, wenn Integration oder Besonderheiten Ihres Prozesses den Ausschlag geben.
| Kriterium | Standardtool | Individuelle Lösung |
|---|---|---|
| Startzeit | Meist schnell einsatzbereit | Braucht Analyse und Aufbau |
| Passung zum Prozess | Sie passen den Prozess dem Tool an | Die Lösung folgt Ihrem Prozess |
| Integration | Hängt von vorhandenen Schnittstellen ab | Auf Ihre Systeme zugeschnitten |
| Laufende Kosten | Gebühren pro Nutzer oder Nutzung | Betrieb und Weiterentwicklung |
| Abhängigkeit | Vom Anbieter und seinem Fahrplan | Hängt davon ab, wem Code und Dokumentation gehören |
| Datenkontrolle | Richtet sich nach den Anbieterbedingungen | Richtet sich nach Ihrer Architektur |
Häufig bietet sich ein hybrides Vorgehen an: Ein Standardtool erledigt das Gängige, und eine schlanke eigene Schicht verbindet es mit Ihren Systemen und Regeln. Prüfen Sie die Eigenentwicklung dort, wo ein Prozess Sie vom Wettbewerb unterscheidet oder wo Altsysteme keine Schnittstellen bieten. Im zweiten Fall kann zuerst eine Modernisierung der Software nötig sein.
Ein Pilot beantwortet eine Frage: Funktioniert die Lösung an einem begrenzten Prozess unter realen Bedingungen? Er ersetzt weder den Rollout noch den Dauerbetrieb. Legen Sie deshalb vorab schriftlich fest, woran Sie Erfolg erkennen.
Gehen Sie in den Rollout, wenn die Messgrößen stabil über dem Ausgangswert liegen und Ausnahmen beherrschbar bleiben. Weiten Sie dann schrittweise aus, statt alle Teams gleichzeitig umzustellen. Beobachten Sie den Betrieb weiter, weil sich Eingaben und Umfeld ändern, wie der Concept Drift zeigt.
Ein guter Partner stellt zuerst Fragen zu Ihrem Prozess, nicht zu Ihrem Budget. Achten Sie darauf, ob er Anwendungsfall, Datenlage und Risiken benennt, bevor er eine Technologie vorschlägt. Erklärt er außerdem, wann Ihr Vorhaben ohne KI besser fährt, spricht das für Urteilsvermögen.
Xerx ist ein unabhängiges Design- und Engineering-Studio in Innsbruck und baut KI-Agenten, LLM-Integrationen und Workflow-Automatisierung für Startups und KMU. Wenn Sie vor der Auswahl erst Anwendungsfälle priorisieren möchten, bietet sich die KI-Beratung und KI-Potenzialanalyse von Xerx an. Ergänzend hilft unser Beitrag zur Digitalisierungsstrategie für KMU mit Fragen für das erste KI-Projekt.
Wählen Sie genau einen Prozess, und fassen Sie ihn in einem Use-Case-Brief zusammen. Der Brief passt auf eine Seite und enthält diese Punkte.
Mit diesem Brief führen Sie jedes Anbietergespräch auf derselben Grundlage, und Angebote lassen sich vergleichen. Die Frage, welche künstliche Intelligenz es für Unternehmen gibt, schrumpft damit auf eine Frage, die Sie selbst beantworten können: Welche Klasse löst diesen einen Prozess zu vertretbaren Kosten?
Eine seriöse Zahl gibt es erst nach der Analyse Ihres Prozesses. Der Preis hängt vor allem von Integration, Absicherung, laufenden Gebühren und Betrieb ab. Lassen Sie sich Angebote mit getrennten Posten geben und vergleichen Sie diese anhand desselben Use-Case-Briefs.
Das hängt von der Aufgabenklasse ab. Prädiktive Verfahren brauchen historische Daten mit bekanntem Ergebnis. Sprachmodelle arbeiten dagegen oft mit Ihren bestehenden Dokumenten und Texten, wenn diese digital und aktuell vorliegen.
Das lässt sich nur im Einzelfall beantworten. Entscheidend sind die verarbeiteten Daten, der Betriebsort und der Vertrag mit dem Dienstleister. Bestätigen Sie das Vorhaben mit Ihrem Datenschutzbeauftragten oder einer Rechtsberatung.
Dann, wenn die Integration in Ihre Systeme oder die Besonderheit Ihres Prozesses den Ausschlag gibt. Folgt Ihr Ablauf dem Üblichen, reicht oft ein Standardtool, gegebenenfalls ergänzt um eine schlanke eigene Anbindung.
Weiterlesen
Wo helfen KI und Workflow-Automatisierung Ihrem Unternehmen wirklich? Acht Fragen führen von der Prozessauswahl über Datenschutz und ROI bis zum Pilotprojekt.
Welche Prozesse sich für Automatisierung eignen, wie Sie den ROI rechnen und wann Standardtool oder Eigenentwicklung passt: eine Entscheidungshilfe für KMU.
Was ein B2B-Portal leisten soll, was Kosten und Dauer bestimmen und warum Datenqualität und Kundenakzeptanz über den Erfolg entscheiden: ein Leitfaden für Entscheider.
