Ein kleines Unternehmen braucht keine KI-Strategie. Es braucht zwei, höchstens drei Stellen, an denen etwas wirklich aufhört, die Zeit der Mitarbeiter zu fressen, und die Sicherheit, dass sich das nach einem Quartal berechnen lässt. KI im kleinen Unternehmen scheitert meist nicht an der Wahl des Modells. Sie scheitert an Daten, die über Postfächer verstreut sind, an fehlenden Integrationen und daran, dass auf Kundenseite niemand wirklich für den Prozess verantwortlich ist.
Seit 2006 bauen wir bei Web Systems Anwendungen, Integrationen und Automatisierungen, und seit einigen Jahren auch Umsetzungen von KI-Anwendungen auf Basis von Sprachmodellen. Die Schlussfolgerung aus diesen Projekten ist langweilig: Es rechnet sich das, was wiederholbar und messbar ist, ein bekanntes Volumen hat und auf Daten beruht, die bereits im System liegen. Nachfolgend drei Anwendungen, die diese Bedingung erfüllen. Dazu das, was sie verdirbt, wenn man sie ohne Plan angeht.
Inhaltsverzeichnis
Wann sich KI im kleinen Unternehmen schnell rechnet und wann sie ein Kostenfaktor bleibt
Der Rentabilitätstest ist einfach. Der Prozess muss täglich ausgeführt werden, eine vorhersehbare Form der Eingabe und eine akzeptable Fehlerschwelle haben. Wenn ein Fehler nur bedeutet, dass ihn jemand später korrigiert, ist das Risiko tragbar. Bedeutet er eine Verpflichtung gegenüber dem Kunden oder einen Buchhaltungsfehler, ergänzen Sie eine Kontrolle, und diese Kontrolle frisst einen Teil der Einsparungen.
Die Warnsignale sieht man meist schon beim ersten Gespräch. Die Daten liegen in privaten Postfächern und Tabellen, es gibt keine einzige Quelle der Wahrheit, und der Prozess selbst ändert sich jeden Monat, weil er von den Gewohnheiten einer bestimmten Person abhängt. Dann bringen wir zuerst den Ablauf in Ordnung und ergänzen das Modell später.
Die Kosten der Umsetzung sind nicht die Lizenz. Dazu gehören Integrationen und das Erkämpfen des Zugangs zu den Daten, Inferenz, die linear mit dem Volumen wächst, Qualitätstests, die Pflege der Prompts sowie eine Reserve für Regression nach einem Modellwechsel. Deshalb führen wir den Piloten mit Produktionsdaten durch, nicht mit schön ausgewählten Beispielen. Nur schmutzige Eingaben zeigen die wahre Wirksamkeit. Der häufigste Fehler? Der Start mit der spektakulärsten statt mit der am besten wiederholbaren Anwendung.
Anwendung eins: Bearbeitung wiederkehrender Anfragen und Vorqualifizierung
Es geht nicht um einen Chatbot, der den Menschen ersetzt. Es geht um eine Schicht, die eingehende Nachrichten sortiert: Sie erkennt das Thema, zieht die für ein Angebot nötigen Daten heraus, weist den Vorgang der richtigen Person zu und bereitet einen Antwortentwurf vor. Der Mensch bestätigt oder korrigiert, statt zum hundertsten Mal dasselbe zu schreiben.
Die Entscheidung, die über die Qualität bestimmt, betrifft die Wissensquelle. Das Modell soll ausschließlich auf Basis der firmeneigenen Dokumente, Preislisten und Geschäftsbedingungen antworten. Nicht aus dem eigenen Gedächtnis. Nur mit dieser Einschränkung lässt sich der Inhalt kontrollieren und erklären, woher ein konkreter Satz stammt.
Dazu kommen ein verpflichtender Eskalationsweg und das offene Eingeständnis des Systems, dass es etwas nicht weiß. Eine Halluzination in einer Vertriebs- oder Reklamationsantwort ist kein Imageschaden. Sie ist eine mögliche Verpflichtung, die jemand später einfordert. Über den Rückfluss entscheiden zwei Dinge: die verkürzte Zeit bis zur ersten Antwort und die Entlastung der Person, die bisher immer wieder dieselben Absätze abgeschrieben hat.
Anwendung zwei: Dokumentenverarbeitung und Datenextraktion
Rechnungen, Bestellungen, Spezifikationen, Abnahmeprotokolle, Verträge. Unstrukturierte Eingabe, Ausgabe in Form konkreter Felder, die in ein System wandern. Hier ist der Rückfluss oft am schnellsten, weil die manuelle Arbeit mit bloßem Auge sichtbar ist und ihre Kosten in Stunden zählbar sind, die niemand mag. Ausführlicher haben wir das im Zusammenhang mit der automatischen Verarbeitung von Rechnungen beschrieben.
Die technische Anforderung ist eine einzige und steht nicht zur Diskussion: Die Anwendung validiert das Ausgabeschema, statt dem zu vertrauen, was das Modell zurückgegeben hat. Dazu kommen die Grenzfälle, die immer auftauchen – ein schräg mit dem Telefon aufgenommener Scan, ein Anhang in einer fremden Sprache, ein Dokument in einem Layout, das niemand vorgesehen hat. Die automatische Speicherung umfasst ausschließlich Ergebnisse oberhalb der Sicherheitsschwelle, der Rest geht in die Prüfwarteschlange.
Eine Umsetzung der Extraktion ist produktionsreif, wenn sie den vollständigen Satz an Elementen hat:
- Eine einzige Dokumentenquelle statt dreier Postfächer und eines Netzlaufwerks
- Ein explizites Ausgabeschema mit Feldtypen und Pflichtfeldern
- Validierung auf Anwendungsseite, die schemawidrige Antworten ablehnt
- Eine Sicherheitsschwelle und darunter eine Warteschlange zur manuellen Prüfung
- Ein Log von Eingabe und Ausgabe, mit dem sich jede Entscheidung nachvollziehen lässt
- Ein Weg zur Fehlerkorrektur, der dem Nutzer offensteht, nicht dem Programmierer
Anwendung drei: Automatisierung des Ablaufs zwischen Systemen, die niemand verbunden hat
Ein typisches kleines Unternehmen hat einen Shop, ein Buchhaltungsprogramm, ein CRM und ein Postfach. Die Daten wandern zwischen ihnen über den Menschen und die Zwischenablage. Und jedes solche Abschreiben ist eine Gelegenheit für einen Tippfehler in der Kontonummer oder im Artikelindex.
Das Modell bewährt sich hier als Übersetzer zwischen Formaten und als Entscheider an den wenigen Punkten, an denen eine einfache Bedingung nicht ausreicht, weil eine Produktbeschreibung manchmal in Prosa verfasst ist. Der ganze Rest des Ablaufs bleibt gewöhnlicher, deterministischer Code. Die umgekehrte Reihenfolge, also die gesamte Automatisierung auf dem Modell aufzubauen, ergibt ein System, das sich weder diagnostizieren noch wiederholen lässt.
Die Integrationsthemen nehmen meist mehr Zeit in Anspruch als die KI-Schicht selbst: API-Limits des Anbieters, Idempotenz bei Wiederholungen, eine Warteschlange statt synchroner Aufrufe, definiertes Verhalten bei Nichtverfügbarkeit eines Dienstes. Langweilig? Sehr. Aber der reale Rückfluss entsteht aus dem Wegfall von Übertragungsfehlern und deren Folgen, nicht aus den eingesparten Minuten allein.
Daten, Sicherheit und das, wonach Kunden zu spät fragen
Die erste Frage lautet immer gleich: Was verlässt eigentlich das Unternehmen. Die Antwort ist die Minimierung des Umfangs der übertragenen Daten, Anonymisierung dort, wo ein Identifikator für die Aufgabe nicht nötig ist, ein Auftragsverarbeitungsvertrag und die bewusste Wahl der Region, in der der Anbieter die Inhalte verarbeitet.
Ein lokal betriebenes Modell ergibt bei wirklich sensiblen Daten oder bei einem konstant hohen Volumen Sinn. Bei einigen Dutzend Dokumenten pro Tag sind das meist Infrastruktur- und Wartungskosten ohne Begründung. Unabhängig von der Variante gilt die Trennung der Berechtigungen: Die KI-Schicht erhält Zugriff genau auf die Daten, die der Prozess benötigt. Nicht auf die gesamte Datenbank über ein Administratorkonto.
Prompt Injection über den Inhalt eines Dokuments oder einer Nachricht vom Kunden ist ein Vektor, dem man in der Praxis begegnet, keine akademische Kuriosität. Ich habe es live gesehen. Inhalte von außen behandeln wir wie Daten, nie wie eine Anweisung. Das Protokollieren der Entscheidungen schließt das Thema ab – ohne das rekonstruieren Sie nicht, warum das System so und nicht anders geantwortet hat.
Wartung: warum eine KI-Umsetzung nicht mit der Abnahme endet
Das Modell, auf dem die Lösung aufgebaut wurde, wird irgendwann abgeschaltet oder aktualisiert. Das Verhalten des Systems verschiebt sich dann ohne eine einzige Änderung im Code auf Kundenseite, und die Symptome sind subtil: eine etwas andere Formatierung eines Feldes, eine andere Auslegung einer unklaren Formulierung im Vertrag. Niemand bemerkt das sofort.
Die einzige Verteidigung gegen eine solche stille Regression ist ein Satz von Testfällen, der auf echten Dokumenten und Nachrichten beruht und nach jeder Änderung ausgeführt wird. Ebenso wichtig ist eine Person im Unternehmen, die sich die Prüfwarteschlange ansieht und Fehler meldet. Ohne sie wird das System nicht mehr korrigiert und nach einigen Monaten vertraut ihm das Team schlicht nicht mehr.
Messen Sie den Verbrauch pro Prozesseinheit vom ersten Tag an, denn ein Anstieg des Volumens kann die gesamte Wirtschaftlichkeitsrechnung umwerfen. Eine reife Umsetzung erkennt man an einem Punkt: Man kann sie abschalten und ohne Lähmung des Unternehmens zur manuellen Arbeit zurückkehren.
Womit Sie im nächsten Quartal beginnen
Wählen Sie einen Prozess: den mit dem größten Volumen und den geringsten Kosten eines Fehlers. Drei auf einmal enden als drei Piloten ohne Verantwortlichen. Legen Sie die Messgröße vor dem Start fest, um nach einem Quartal die Frage nach dem Rückfluss mit einer Zahl zu beantworten und nicht mit einem Eindruck.
Die Vorbereitung der Daten und Zugänge dauert meist länger als das Anbinden des Modells. Und das ist normal. Wenn Sie ein MVP, eine Integration, eine Automatisierung, eine KI-Umsetzung oder den Aufbau von Individualsoftware auf Basis eines bestehenden Systems planen, sprechen Sie uns an. Wir beginnen mit einem Gespräch über den Prozess, nicht über die Technologie.
