AI für Unternehmen: Der realistische Einstiegsguide

TL;DR

Beginne mit einem klar abgegrenzten Prozess. Prüfe, wo die Daten liegen, definiere ein brauchbares Ergebnis und teste die schwierigen Fälle, bevor du das Resultat an einen laufenden Arbeitsablauf anschließt. Das Modell ist oft der einfache Teil. Datenzugriff, Integration, Fehlerbehandlung und eine klare Entscheidung durch einen Menschen bestimmen den größeren Teil der Arbeit.

Beginne mit dem Prozess

„Wir wollen KI einsetzen“ ist noch kein Projekt. Ein brauchbarer Ausgangspunkt benennt die Arbeit:

Felder aus eingehenden Dokumenten auslesen
einen Posteingang sortieren und Antworten zur Prüfung entwerfen
eine interne Dokumentensammlung durchsuchbar machen
aus einem Gespräch strukturierte Notizen erstellen

Jedes dieser Beispiele hat einen Eingang, ein Ergebnis und jemanden, der beurteilen kann, ob dieses Ergebnis hilft. Das reicht für einen ersten Test.

Ein kleiner Umfang macht auch Fehler verständlicher. Fehlt bei einer Rechnung ein Feld, kann ich das Dokument und die Verarbeitungskette prüfen. Soll ein Assistent auf einmal das gesamte Backoffice verbessern, kann ein schwaches Resultat am Prompt, an den Quelldaten, an Berechtigungen, am Prozess oder an einer nie ausgesprochenen Erwartung liegen.

Prüfe die Daten vor dem Modell

Die ersten Fragen sind unspektakulär:

Wo liegen die relevanten Daten?
Sind sie über eine Schnittstelle, Datenbank oder einen Export erreichbar?
Welche Formate und Sonderfälle kommen wirklich vor?
Welche Daten dürfen das Gerät oder Unternehmensnetz verlassen?
Wer kann bestätigen, dass ein Ergebnis stimmt?

Diese Prüfung kann das Projekt verändern, bevor ein Modell ausgewählt ist. Für strukturierte Daten reicht vielleicht eine feste Regel. Ein kleines Koordinationsproblem löst womöglich eine Tabelle. KI wird interessant, wenn die Eingaben variieren, etwa bei Texten, Scans, Bildern oder natürlich formulierten Anfragen, und das Ergebnis trotzdem überprüfbar bleibt.

Bei BuchhaltGenie habe ich diese Lektion sehr konkret gelernt. Die Belegerkennung wurde um 71 Prozent besser, nachdem ich die Vor- und Nachverarbeitung rund um den OCR-Schritt geändert hatte. Das Modell blieb dasselbe. Verblasste Scans, Fotos und wechselnde Layouts machten die Datenpipeline wichtiger als den nächsten Modellwechsel.

Drei sinnvolle Startbereiche

Dokumente

Rechnungen, Formulare und Verträge enthalten wiederkehrende Felder in wechselnden Layouts. Eine erste Version kann ausgewählte Werte auslesen und zur Prüfung vorlegen. Entscheidend ist nicht, ob das Demodokument funktioniert. Entscheidend ist, wie der Ablauf mit echten PDFs, Scans, Fotos, fehlenden Feldern und unlesbaren Seiten umgeht.

Unsichere Werte können markiert werden, statt direkt im Buchhaltungs- oder ERP-System zu landen. So ist die erste Version nützlich, ohne vollständige Automatisierung vorzutäuschen.

Posteingang und Kommunikation

Ein Assistent kann Nachrichten einordnen, weiterleiten oder eine Antwort entwerfen. Das Absenden sollte am Anfang eine eigene Entscheidung bleiben. So wird sichtbar, welche Kategorien tragen, wo Kontext fehlt und welche Nachrichten nie automatisch beantwortet werden sollten.

Bei personenbezogenen oder vertraulichen Inhalten kann ein lokaler oder redigierter Weg nötig sein. Mein lokaler Mail-Assistent nutzt zuerst Modelle auf dem Gerät und hält rohe Bildanhänge vom Cloud-Fallback fern, weil sich Bilddaten nicht wie Text redigieren lassen.

Internes Wissen

Eine Suche über Richtlinien, Handbücher, Projektnotizen oder Supportdokumente hilft, wenn die Antwort irgendwo vorhanden ist, aber niemand mehr weiß, wo. Die erste Version sollte mit einer kleinen, gepflegten Sammlung arbeiten und ihre Quellen sichtbar machen. Ohne Verweis auf ein Dokument ist eine Antwort schwer zu prüfen und leicht zu überschätzen.

Die schwierige Frage ist meist die Zuständigkeit: Wer hält die Quellen aktuell, wer darf sie sehen und was passiert, wenn sich zwei Dokumente widersprechen?

Definiere den Test

Ein brauchbares Erfolgskriterium benennt Felder, Stichprobe und Prüfung. Zum Beispiel:

Lies Lieferant, Rechnungsnummer, Datum und Summe aus diesem Satz echter Rechnungen aus und markiere jedes unsichere Feld zur Prüfung.

Das Ziel hängt vom Prozess und von den Folgen eines Fehlers ab. Eine allgemeine Genauigkeitszahl passt nicht auf jedes Projekt. Ein Antwortentwurf und eine Zahlungsanweisung brauchen andere Schwellen und Sicherungen.

Nimm schwierige Beispiele von Anfang an dazu: gedrehte Scans, leere Anhänge, lange E-Mail-Verläufe, veraltete Dokumente und Eingaben in der falschen Sprache. An diesen Fällen zeigt sich, ob der Ablauf einen klaren Ausweg hat.

Plane die Arbeit rund um das Modell

Ein Prototyp kann schnell ein Modell aufrufen. Ein nutzbarer Ablauf braucht zusätzlich:

Zugriff auf das Quellsystem
Berechtigungen und Regeln für den Umgang mit Daten
Protokolle, die den gewählten Verarbeitungspfad zeigen
eine Reaktion auf fehlende oder unsichere Ergebnisse
eine Person, die das Ergebnis annehmen oder ablehnen kann
einen Weg, die Integration zu stoppen oder zurückzunehmen

Deshalb kläre ich den Umfang, bevor ich Preis oder Zeitplan nenne. Derselbe Extraktions-Prompt kann hinter einer manuellen Upload-Seite oder mitten in einem laufenden Buchhaltungsprozess stehen. Das sind zwei verschiedene Projekte.

Bei Personen- oder Kundendaten können DSGVO und EU AI Act die Gestaltung beeinflussen. Welche Pflichten gelten, braucht eine Prüfung des konkreten Falls. Technisch beginnt es einfacher: nur die nötigen Daten erfassen, Zugriffe beschränken, Datenwege dokumentieren und folgenreiche Entscheidungen überprüfbar halten.

Ein kleiner erster Durchlauf

Wähle einen Prozess mit klarer Zuständigkeit.
Sammle eine repräsentative Stichprobe samt schwieriger und gescheiterter Fälle.
Definiere das Ergebnis und wie ein Mensch es prüft.
Baue den kleinsten Test, der auf dieser Stichprobe laufen kann.
Ordne die Fehler nach Typ, bevor du mehr automatisierst.
Verbinde das Ergebnis erst dann mit dem laufenden Prozess, wenn der Prüfweg funktioniert.

Scheitert der Test, zeigt die Fehlerliste trotzdem, ob Datenqualität, Zugriff, Modellverhalten oder Prozessgestaltung das Problem sind. Funktioniert er, gibt es eine gemessene Grundlage für den nächsten Integrationsschritt.

Den längeren Weg vom Test zum gepflegten System beschreibe ich in Von 250+ Prototypen zum Produkt. Harness Design für KI-Coding-Agenten zeigt den Entwicklungsprozess rund um so einen Build. Im Arbeitsweise-Abschnitt steht, wie ich solche Vorhaben strukturiere. Wenn du einen Prozess gemeinsam einordnen willst, schick ihn mir über den Kontaktbereich.