Im Kundenkontakt
Support-Assistenten, die häufige Fragen beantworten, Tickets nach Thema und Dringlichkeit sortieren und die schwierigen Fälle mit bereits zusammengefasstem Gesprächsverlauf an einen Menschen übergeben. Vertriebsassistenten, die eingehende Leads qualifizieren, Produktfragen anhand eines Datenblatts beantworten und Follow-ups entwerfen, die ein Vertriebsmitarbeiter vor dem Versand überarbeitet. Im Handel und in der Reisebranche zeigt sich dasselbe Muster als Hilfe bei Bestellstatus und Buchungen. Das funktioniert, wenn Sie einen Bestand an früheren Gesprächen zum Lernen haben und einen klaren Eskalationsweg für Fälle, in denen das Modell unsicher ist – und es scheitert, wenn der Assistent alles beantworten soll und nie sagen darf: „Ich hole jemanden dazu.“
Betrieb und Backoffice
Hier liegt das meiste stille Geld. Die Dokumentenverarbeitung zieht Felder aus Rechnungen, Verträgen, Schadensmeldungen und Onboarding-Formularen, sodass ein Mensch prüft, statt abzutippen. Interne Wissensassistenten beantworten Fragen von Mitarbeitenden – HR-Richtlinien, IT-Runbooks, Produktspezifikationen – aus Ihren eigenen Dokumenten statt aus einem vergrabenen Wiki. Dazu kommen Entwürfe für Routineantworten, Besprechungsnotizen und erste Berichtsfassungen. Nichts davon ist glamourös. Aber es spart jedem Team pro Woche Stunden repetitiver Arbeit, und es ist meist der risikoärmste Einstieg, weil bei jedem Ergebnis ein Mensch eingebunden bleibt.
Daten und Entscheidungen
Nachfrage prognostizieren, Betrug oder Anomalien erkennen, Leads oder Risiken bewerten und eine Warteschlange priorisieren – also die Fälle, in denen genug Historie vorhanden ist, damit die Muster real sind und kein Wunschdenken. Eine Bank markiert eine auffällige Transaktion; ein Lager sagt den Bestand des nächsten Monats voraus; ein Kreditgeber reiht Anträge. Dafür braucht es saubere, gelabelte Daten und eine ehrliche Bewertung gegen ein Holdout-Set, keine Demo mit handverlesenen Zeilen. Der mögliche Gewinn ist groß – und ebenso die Kosten, wenn man ein Modell ausrollt, das niemand gemessen hat.
Woran KI-Projekte tatsächlich scheitern
Das Modell ist selten das Problem. Projekte bleiben an der unspektakulären Schicht drumherum hängen. Die Daten liegen verstreut über mehrere Systeme, die Hälfte ist veraltet, und niemand ist dafür verantwortlich – also antwortet der Assistent selbstbewusst aus der falschen Quelle. Der Pilot funktioniert in einem Notebook und hat dann keinen Ort, an dem er laufen kann, weil Deployment, Zugriffskontrolle und Monitoring nie eingeplant wurden. Und niemand hat festgelegt, was die KI eigenständig tun darf und was ein Mensch freigibt. Wählen Sie deshalb einen Anwendungsfall, für den die Daten bereits existieren und jemand verantwortlich ist. Dieser eine Filter stoppt mehr schlechte Projekte als jede Modellwahl.
Woran Sie erkennen, dass ein Anwendungsfall funktioniert
Legen Sie die Kennzahl fest, bevor Sie bauen, und beobachten Sie sie dann. Bei einem Support-Assistenten sind das die Deflection-Rate und wie oft ein Mensch eingreifen musste – ein Tool, das alles eskaliert, hat nichts eingespart. Bei der Dokumentenverarbeitung ist es der Anteil der Dokumente, die ohne Korrektur durchgehen, und die Fehlerquote bei denen, die es nicht tun. Bei einer Prognose ist es die Genauigkeit im Vergleich zu dem, was tatsächlich eingetreten ist, nicht zum Testset, auf das Sie abgestimmt haben. Meine Regel: Wenn Sie nicht in einem Satz sagen können, was beweisen würde, dass die Sache funktioniert, ist sie noch nicht reif für die Umsetzung.