Fast alle Unternehmen, mit denen wir sprechen, haben bereits ihren Versuch mit künstlicher Intelligenz gemacht. Ein Chatbot, ein Assistent für das Vertriebsteam, ein Pilotprojekt zur Klassifizierung von Rechnungen. In der Demo hat es funktioniert, im Meeting hat es beeindruckt, und dann ist es dabei geblieben.
Die übliche Schlussfolgerung lautet: „KI ist für uns noch nicht ausgereift.“ Daran liegt es fast nie.
Die Modelle sind schon seit einiger Zeit gut genug für 90 % der geschäftlichen Anwendungsfälle. Was scheitert, ist die Schicht drumherum: wo das System läuft, mit welchen Daten es arbeitet, wer verantwortlich ist, wenn es sich irrt, und wie es bezahlt wird. Fünf Probleme, die nichts mit künstlicher Intelligenz zu tun haben, sondern mit Engineering und Organisation.
Gehen wir sie einzeln durch.
1. Das Projekt beginnt mit „Erst migrieren wir“
Das ist der Fehler Nummer eins.
Ihre aktuelle Software funktioniert und bringt Geld ein. Sie enthält zehn Jahre Geschäftslogik, Integrationen mit der Buchhaltung, Berechtigungen, die jemand mit Bedacht eingerichtet hat, und Kunden, die bereits damit umgehen können. Und dann kommt ein KI-Projekt, dessen erster Schritt darin besteht, sie zu ersetzen.
Kein Projekt, das mit „Erst migrieren wir“ beginnt, geht in Produktion. Ihm gehen das Budget, die Geduld oder der Sponsor aus, der es vorangetrieben hat, denn bevor es den ersten Nutzen liefert, muss etwas neu gebaut werden, das bereits funktioniert hat.
Was die Projekte tun, die es schaffen: Sie setzen die KI-Schicht auf das auf, was bereits existiert. Der Agent wird aus der bestehenden Software über deren API aufgerufen oder als Widget in das Produkt eingebettet, ohne dass die Nutzer die Umgebung verlassen müssen, in der sie ohnehin arbeiten. Nichts wird migriert. Wenn das Experiment nicht funktioniert, wird es abgeschaltet, und nichts ist kaputtgegangen.
Das verändert außerdem die interne Diskussion: Niemand muss mehr davon überzeugt werden, sein System wegzuwerfen, sondern nur davon, etwas daneben auszuprobieren.
2. Die Daten, die das Projekt nützlich machen würden, dürfen das Unternehmen nicht verlassen
Die zweite Blockade taucht auf, sobald das Projekt kein Spielzeug mehr ist.
Ein Assistent, der Ihre Daten nicht lesen kann, ist nutzlos. Doch sobald es darum geht, ihn an Ihr ERP, Ihr CRM oder Ihre Kundenhistorie anzubinden, stellt sich die berechtigte Frage: Verlässt das unser Haus? Wohin geht es? Wer sieht es?
Und oft lautet die ehrliche Antwort: Ja, es verlässt das Haus, es landet auf Servern Dritter, und weder die Rechtsabteilung noch ein Kunde mit sensiblen Daten wird das akzeptieren. In regulierten Branchen – Gesundheitswesen, Recht, Finanzen, Industrie mit geheimen Fertigungsverfahren – lässt sich das nicht mit einer Vertragsklausel lösen. Manche Daten dürfen Ihre Infrastruktur schlicht nicht verlassen.
Was die Projekte tun, die es schaffen: Sie legen von Anfang an fest, wo es ausgeführt wird. Es gibt drei Ebenen, und es lohnt sich, bewusst zu wählen, statt es zu spät herauszufinden:
API eines externen Anbieters
Am schnellsten eingerichtet. Geeignet für wenig sensible Daten, mit einem ordnungsgemäßen Auftragsverarbeitungsvertrag und der Zusicherung, dass nicht mit Ihren Informationen trainiert wird.
Modell in Ihrer eigenen Cloud
Der Prozess läuft in Ihrem Cloud-Konto, mit Ihren Ressourcen und Ihren Berechtigungen. Die Daten verlassen Ihren Perimeter nicht.
Selbst gehostetes Modell auf Ihrer eigenen GPU
Nicht einmal die Prompts verlassen das Haus. Das ist die teuerste und langsamste Variante, und manchmal ist sie die einzige praktikable.
Die Frage ist nicht, welche Ebene die beste ist, sondern welche zur Sensibilität des jeweiligen Prozesses passt. Ein vernünftig aufgestelltes Unternehmen nutzt am Ende alle drei nebeneinander.
3. Das Pilotprojekt hat weder einen Verantwortlichen noch einen Prozess dahinter
Ein KI-Pilotprojekt entsteht meist aus der Neugier einer einzelnen Person. Es funktioniert, solange diese Person es vorantreibt. Sobald sie das Projekt wechselt oder das Unternehmen verlässt, schläft es ein.
Das eigentliche Problem ist größer als KI, und es lautet: Das Wissen darüber, wie Ihr Unternehmen arbeitet, steckt in den Köpfen der Menschen. Wie ein Lead qualifiziert wird, was ein erfahrener Kollege prüft, bevor ein Angebot rausgeht, was man bei einem bestimmten Kundentyp nie tut. Nichts davon ist aufgeschrieben. Jeder macht es auf seine Weise, und es kommen unterschiedliche Ergebnisse heraus.
Wenn Sie versuchen, einen Prozess zu automatisieren, den niemand definiert hat, automatisieren Sie die Version der Person, die an diesem Tag gerade dran war.
Was die Projekte tun, die es schaffen: Sie machen den Prozess zu einem Artefakt, bevor sie ihn automatisieren. Kein PDF, das niemand öffnet, sondern eine ausführbare Definition: welcher Agent was tut, mit welchen Anweisungen, auf welcher Wissensbasis, mit welchen Berechtigungen und mit welchem Ergebnis. Etwas, das veröffentlicht, versioniert und aktualisiert wird, sodass das „So arbeiten wir“ nicht mehr davon abhängt, dass eine bestimmte Person im Unternehmen bleibt.
Das ist übrigens der am meisten unterschätzte Nutzen solcher Projekte. Es sind nicht die eingesparten Stunden. Es ist, dass das Wissen bleibt.
4. Das Preismodell hält dem Erfolg nicht stand
Dieses Problem bringt in der Skalierungsphase die meisten Pilotprojekte zu Fall, und kaum jemand sieht es kommen.
Ein Pilotprojekt mit zehn Nutzern ist günstig. Wenn es funktioniert und Sie es hundertfünfzig Personen zur Verfügung stellen wollen, stellen Sie fest, dass Sie pro Nutzer zahlen, ob Aktivität stattfindet oder nicht. Das Projekt, das mit zehn Nutzern rentabel war, ist es mit hundertfünfzig nicht mehr, gerade weil es funktioniert hat.
Und es gibt eine zweite Ebene: Wenn das Tool gut ist, nutzen es auch Leute, die es nicht täglich brauchen. Sie zahlen volle Lizenzen für minimale Nutzung.
Was die Projekte tun, die es schaffen: Sie rechnen nach tatsächlicher Nutzung ab, nicht pro Nutzer. Und sie trennen, was für Infrastruktur bezahlt wird, von dem, was für den Service bezahlt wird, sodass Sie beides einzeln sehen und optimieren können. Wenn Ihr Anbieter Ihnen alles zusammen in Rechnung stellt, können Sie nicht erkennen, wohin Ihr Geld fließt, und es daher auch nicht reduzieren.
Ein schneller Test vor der Unterschrift: Lassen Sie sich erklären, was mit Ihrer Rechnung passiert, wenn sich die Nutzung morgen verzehnfacht. Wenn die Antwort ein Sprung in die nächste Preisstufe ist, ist es keine nutzungsbasierte Abrechnung.
5. Keine Nachvollziehbarkeit, also keine Verantwortlichkeit
Solange das Pilotprojekt ein Experiment ist, fragt niemand nach. Sobald es etwas Wichtiges berührt – ein Angebot, eine Antwort an einen Kunden, eine Buchung –, taucht die Frage auf, die alles stoppt:
Wenn das hier einen Fehler macht, wer trägt die Verantwortung, und wie weisen wir es nach?
„Das Modell hat entschieden“ ist kein Audit-Trail. Das genügt weder gegenüber einem Kunden noch gegenüber einem Prüfer noch gegenüber der spanischen Datenschutzbehörde (Agencia Española de Protección de Datos). Und da der europäische AI Act schrittweise zur Anwendung kommt, wird dies je nach Risikostufe des Systems von einer guten Praxis zur Pflicht.
Was die Projekte tun, die es schaffen: Sie gestalten drei Dinge vom ersten Tag an.
Abstufbare Autonomiemodi
Es ist kein Alles-oder-nichts. Ein Agent, der einen internen Entwurf verfasst, kann selbstständig arbeiten; einer, der eine Rechnung ausstellt, nicht. Sinnvoll ist ein Spektrum: autonome Ausführung, Freigabe des Plans, Freigabe jeder Aufgabe, Freigabe jedes Schritts. Und das sollte pro Agent und pro Auftrag einstellbar sein, nicht global.
Explizite Grenzen
Der Agent darf nur auf das zugreifen, was auf seiner Positivliste von Tools und Daten steht. Das ist nicht nur gute Hygiene: Es schützt vor Anweisungen, die in einem vom Agenten verarbeiteten Dokument versteckt sind, einem realen und wenig bekannten Angriffsvektor. Dazu eine Verbrauchsobergrenze, damit eine Schleife nicht zur Kostenfalle wird.
Vollständige Protokollierung
Wer hat was wann angefragt, mit welchen Informationen, welche Tools wurden aufgerufen und welches Ergebnis kam heraus. Wenn Sie eine Entscheidung sechs Monate später nicht rekonstruieren können, können Sie sie nicht verteidigen.
Wie ein Projekt aussieht, das es schafft
Alles zusammengenommen ist das Muster ziemlich einheitlich:
- 1
Es beginnt mit einem konkreten, messbaren Prozess. Nicht „KI im Unternehmen einführen“, sondern „Daten aus Lieferantenrechnungen klassifizieren und extrahieren, was uns heute zwölf Stunden pro Woche kostet“. Wenn Sie nicht sagen können, was es heute kostet, können Sie auch nicht nachweisen, dass es besser geworden ist.
- 2
Es setzt auf dem auf, was bereits existiert. Ohne vorherige Migrationen.
- 3
Es legt fest, wo die Daten liegen, bevor eine einzige Zeile Code geschrieben wird. Und das entscheidet die Geschäftsseite mit technischer Beratung, nicht umgekehrt.
- 4
Es definiert den Prozess, bevor er automatisiert wird. Auch wenn ihn zum ersten Mal jemand aufschreibt.
- 5
Es hat von Anfang an Berechtigungen, Grenzen und Protokollierung. Diese werden nicht nachträglich hinzugefügt, denn nachträglich heißt: wenn es bereits einen Vorfall gegeben hat.
- 6
Bezahlt wird nach Nutzung. Damit es nicht gerade dadurch unwirtschaftlich wird, dass es gut funktioniert.
Keiner dieser Punkte ist besonders anspruchsvoll. Umso auffälliger ist, wie selten sie umgesetzt werden: Die Diskussion über KI in Unternehmen dreht sich weiterhin darum, welches Modell das beste ist, obwohl der Unterschied zwischen einem Projekt, das es schafft, und einem, das scheitert, fast nie dort liegt.
Woher diese Einschätzung kommt
Sie sollten wissen, aus welcher Perspektive wir schreiben. Bei Namastech setzen wir seit Jahren Automatisierungen und KI-Projekte in Unternehmen um und haben die fünf oben genannten Probleme aus nächster Nähe erlebt. Einige davon in eigenen Projekten.
Daraus ist Softngeeks entstanden, unsere KI-Plattform für Unternehmen, die genau auf diesen Prinzipien aufbaut: Die agentische Schicht setzt auf der Software auf, die Sie bereits haben, ohne dass etwas migriert wird; alles läuft in Ihrer eigenen Cloud und mit Ihren Daten; Prozesse werden paketiert und versioniert, statt nur in jemandes Kopf zu existieren; jeder Agent hat seinen eigenen Autonomiemodus und ein vollständiges Protokoll seiner Aktionen; und bezahlt wird nach tatsächlicher Nutzung statt pro Nutzer.
Sie müssen Softngeeks nicht nutzen, um umzusetzen, was dieser Artikel beschreibt. Wir sind aber überzeugt, dass jede Plattform, für die Sie sich entscheiden, auf diese fünf Fragen gute Antworten haben sollte, und viele der heute auf dem Markt verfügbaren Plattformen haben sie nicht.
Häufig gestellte Fragen
Wo fange ich an, wenn mein Unternehmen kein technisches Team hat?
Mit einer Prozessanalyse, nicht mit einem Tool. Identifizieren Sie zwei oder drei wiederkehrende, messbare Aufgaben mit geringem Risiko und bewerten Sie, welche das beste Verhältnis von Aufwand zu Wirkung bietet. Das Tool wählen Sie danach aus, wenn Sie wissen, was es lösen soll. Genau das ist die Aufgabe einer Technologie- und KI-Beratung.
Kann ich KI mit Kundendaten nutzen, ohne gegen die DSGVO zu verstoßen?
Ja, wenn die Verarbeitung eine Rechtsgrundlage hat, ein Auftragsverarbeitungsvertrag mit dem Anbieter besteht, der Anbieter nicht mit Ihren Daten trainiert und keine internationalen Übermittlungen außerhalb des Europäischen Wirtschaftsraums ohne geeignete Garantien stattfinden. Bei hoher Sensibilität beseitigt der Betrieb des Modells auf Ihrer eigenen Infrastruktur einen Großteil des Problems an der Wurzel.
Wie lange dauert es, bis sich die Investition auszahlt?
Wenn das Projekt klar abgegrenzt ist, Wochen und nicht Monate. Projekte, die ein Jahr brauchen, um Ergebnisse zu liefern, sind meist von Anfang an schlecht abgegrenzt.
Lohnt sich ein eigenes Modell statt einer API?
Nur wenn es einen konkreten Grund gibt: Daten, die das Unternehmen nicht verlassen dürfen, ein Volumen, bei dem die API teurer wird als die Infrastruktur, oder eine regulatorische Anforderung. Als Standardentscheidung nicht.
Gibt es öffentliche Fördermittel für KI-Projekte?
Es gab staatliche Förderlinien in Spanien, die sowohl strategische KI-Beratung als auch die Einführung von Lösungen finanzieren, und die Förderaufrufe öffnen und schließen. Bevor Sie ein Projekt mit einer Förderung einplanen, sollten Sie den aktuellen Stand der Digitalisierungsförderungen prüfen.
Was ist der Unterschied zwischen einem Agenten und einem Chatbot?
Ein Chatbot antwortet. Ein Agent handelt: Er fragt Systeme ab, ruft Tools auf, verkettet Schritte und liefert ein Ergebnis. Dieser Unterschied erklärt auch, warum ein Agent Berechtigungen, Grenzen und Protokollierung braucht und ein Chatbot kaum.
Steckt Ihr KI-Pilotprojekt fest?
Wir analysieren, warum es nicht vorankommt und was nötig wäre, um es in Produktion zu bringen, oder wir helfen Ihnen, es von Anfang an richtig zu konzipieren. Die erste Analysesitzung ist unverbindlich.
Mit unserem KI-Team sprechen