KI-Integration im Unternehmen: Roadmap vom Prozess zum Betrieb

Eine KI-Integration im Unternehmen ist kein isoliertes Software-Feature. Sie verändert einen Arbeitsablauf: Informationen werden anders gefunden, Entscheidungen vorbereitet oder Aufgaben teilweise automatisiert. Deshalb sollte die Planung beim Prozess und einem überprüfbaren Ergebnis beginnen – nicht bei einem Modell oder Tool.

Die folgende Roadmap führt von der Auswahl des Anwendungsfalls bis zum kontrollierten Betrieb. Sie eignet sich besonders für mittelständische Unternehmen, die einen ersten produktiven Einsatz belastbar aufsetzen möchten.

Schritt 1: Einen klaren Prozess auswählen

Ein geeigneter erster Use Case hat einen eindeutigen Anfang, ein prüfbares Ergebnis und begrenzte Folgen. Gute Kandidaten enthalten häufig unstrukturierte Informationen, wiederkehrende Entscheidungen und heute spürbaren manuellen Aufwand.

Beispiele:

• interne Dokumente durchsuchen und Antworten mit Quellen vorbereiten;
• eingehende Anfragen zusammenfassen und einer Kategorie vorschlagen;
• Informationen aus Dokumenten extrahieren und zur Prüfung bereitstellen;
• Angebots- oder Antwortentwürfe aus freigegebenen Daten erzeugen;
• Qualitätsprüfungen gegen eine feste Checkliste unterstützen.

„KI im Vertrieb einsetzen“ ist zu breit. „Neue Projektanfragen zusammenfassen, fehlende Angaben markieren und einen CRM-Entwurf erstellen“ ist testbar.

Schritt 2: Nutzen und Ausgangswert messen

Ohne Ausgangswert lässt sich ein Pilot kaum bewerten. Erfasse vorab:

• Fälle pro Woche oder Monat;
• durchschnittliche Bearbeitungszeit;
• häufige Fehler und Rückfragen;
• Wartezeit bis zur nächsten Bearbeitung;
• heutige Kosten und beteiligte Rollen;
• Qualitätsanforderung und akzeptable Fehlergrenze.

Das Ziel muss mehr sein als Zeitersparnis. Eine Integration kann auch Vollständigkeit erhöhen, Wissen schneller auffindbar machen oder Übergaben vereinheitlichen. Der erwartete Nutzen sollte aber messbar bleiben.

Schritt 3: Daten und Zugriffsrechte prüfen

KI-Systeme sind nur so brauchbar wie der freigegebene Kontext. Vor der technischen Auswahl sollten Teams klären:

1. Welche Daten werden benötigt?
2. Wo liegen sie und in welchem Format?
3. Wer darf sie heute sehen?
4. Wie aktuell, vollständig und widerspruchsfrei sind sie?
5. Welche personenbezogenen oder vertraulichen Inhalte sind enthalten?
6. Welche Daten dürfen einen bestimmten Dienst überhaupt erreichen?
7. Wie werden Löschung, Berichtigung und Berechtigungsänderungen übernommen?

Ein KI-Zugriff darf bestehende Rechte nicht erweitern. Wenn eine Person ein Dokument im Quellsystem nicht lesen darf, sollte sie es auch nicht indirekt über eine KI-Antwort erhalten.

Für wissensbasierte Anwendungen erklärt der Beitrag zum RAG-System im Unternehmen, wie Quellen, Berechtigungen und Fundstellen zusammenwirken.

Schritt 4: Risiko und Verantwortung einordnen

Nicht jede falsche Ausgabe hat dieselbe Folge. Ein interner Formulierungsvorschlag ist anders zu behandeln als eine Entscheidung über Beschäftigte, Kreditwürdigkeit oder medizinische Maßnahmen.

Bewerte mindestens:

• mögliche Schäden durch falsche oder fehlende Ergebnisse;
• betroffene Personen und Rechte;
• Sensibilität der verarbeiteten Daten;
• Möglichkeit menschlicher Prüfung;
• Rücknehmbarkeit einer ausgelösten Aktion;
• Missbrauchs- und Manipulationsmöglichkeiten;
• Abhängigkeit von Anbietern und Modellen.

Das freiwillige AI Risk Management Framework des NIST ordnet Risikomanagement in die Funktionen Govern, Map, Measure und Manage. Das ist auch für kleinere Vorhaben hilfreich: Zuständigkeiten festlegen, Kontext verstehen, Verhalten messen und Risiken laufend behandeln.

Der EU AI Act wird stufenweise angewendet. Seit August 2026 gelten unter anderem weitere Transparenz- und Durchsetzungsregeln; für bestimmte Hochrisikosysteme gelten gesonderte Zeitpunkte. Die aktuelle Übersicht der Europäischen Kommission sollte deshalb für jeden konkreten Anwendungsfall fachkundig geprüft werden.

Schritt 5: Die passende Architektur wählen

„Wir verwenden ein Sprachmodell“ beschreibt noch keine Lösung. Eine KI-Integration kann mehrere Bausteine kombinieren:

• Modell für Klassifikation, Extraktion oder Textgenerierung;
• freigegebene Wissensquellen und Suche;
• deterministische Geschäftsregeln;
• Schnittstellen zu CRM, ERP, DMS oder Ticketsystem;
• strukturierte Ein- und Ausgabeformate;
• menschliche Freigabeschritte;
• Protokollierung, Monitoring und Kostenlimits;
• Rückfallweg bei Fehler oder Unsicherheit.

Für stabile Wenn-dann-Entscheidungen ist klassische Automatisierung oft zuverlässiger. Das Modell sollte dort eingesetzt werden, wo Sprache, Kontext oder variable Inhalte tatsächlich einen Mehrwert schaffen.

Schritt 6: Eine belastbare Evaluation bauen

Vor dem Pilotbetrieb braucht das Team einen repräsentativen Testsatz. Er sollte nicht nur saubere Standardfälle enthalten, sondern auch:

• unvollständige und widersprüchliche Eingaben;
• seltene, aber wichtige Sonderfälle;
• veraltete oder nicht berechtigte Quellen;
• manipulierte Anweisungen in Dokumenten;
• Mehrdeutigkeit und fehlende Informationen;
• Fälle, in denen das System ablehnen oder nachfragen muss.

Bewertet werden können je nach Aufgabe:

„Klingt gut“ ist kein Evaluationskriterium. Die Bewertung braucht klare Schwellen und dokumentierte Fehlerklassen.

Schritt 7: Mit begrenzter Verantwortung pilotieren

Der Pilot sollte einen realen Prozess abbilden, aber die Folgen begrenzen. Ein sinnvoller Startmodus ist häufig:

• KI erstellt nur einen Vorschlag;
• ein Mensch prüft und bestätigt;
• externe Nachrichten werden nicht automatisch versendet;
• Schreibzugriffe auf Geschäftssysteme bleiben eng begrenzt;
• jeder Vorgang erhält Eingabe, Ergebnis, Version und Status;
• Fehler können ohne Datenverlust erneut bearbeitet werden.

Während des Piloten werden nicht nur Modellfehler erfasst. Auch zusätzliche Prüfzeit, Akzeptanz, unklare Zuständigkeiten und neue Rückfragen gehören in die Auswertung.

Schritt 8: Einführung und Betrieb organisieren

Eine produktive Integration braucht einen Eigentümer. Diese Rolle verantwortet nicht jede technische Änderung selbst, sorgt aber dafür, dass Nutzen, Risiken und Betrieb zusammenbleiben.

Zum Betriebsmodell gehören:

• fachliche und technische Verantwortlichkeit;
• Freigabeprozess für Änderungen;
• Versionsstand von Modell, Prompts und Wissensquellen;
• laufende Qualitätsstichproben;
• Kosten-, Latenz- und Fehlermonitoring;
• Incident- und Abschaltprozess;
• Schulung der betroffenen Mitarbeitenden;
• regelmäßige Prüfung von Berechtigungen und Datenquellen;
• Plan für Anbieter- oder Modellwechsel.

Eine Integration ist nicht „fertig“, sobald sie live ist. Daten, Modelle, Prozesse und regulatorische Anforderungen verändern sich.

Build, Buy oder vorhandene Software erweitern?

Standardsoftware passt, wenn …

• der Prozess weitgehend üblich ist;
• die vorhandenen Integrationen ausreichen;
• Konfiguration statt Individualentwicklung genügt;
• Daten- und Betriebsanforderungen zum Anbieter passen.

Eine individuelle Integration passt, wenn …

• der Prozess einen echten Wettbewerbsvorteil bildet;
• mehrere interne Systeme verbunden werden müssen;
• Rechte, Freigaben oder Qualitätslogik spezifisch sind;
• der Ablauf nicht in ein Standardprodukt passt;
• Kontrolle über Datenfluss und Betrieb besonders wichtig ist.

Ein hybrider Ansatz passt oft am besten

Ein vorhandenes Modell oder Plattformprodukt wird über eine begrenzte Integrationsschicht mit Regeln, Datenquellen und bestehenden Systemen verbunden. So bleibt die individuelle Entwicklung auf den geschäftlich relevanten Teil beschränkt.

Wann ein KI-Projekt gestoppt werden sollte

Ein sauberer Pilot darf zu einem Nein führen. Stoppe oder überarbeite den Ansatz, wenn:

• das Ergebnis nicht zuverlässig bewertbar ist;
• notwendige Daten dauerhaft ungeordnet oder unzulässig sind;
• menschliche Prüfung mehr Aufwand erzeugt als sie spart;
• Fehlerfolgen nicht ausreichend begrenzt werden können;
• ein deterministischer Ablauf dieselbe Aufgabe besser löst;
• Betrieb und Verantwortung ungeklärt bleiben;
• der Nutzen nur in einer Demo, nicht im realen Prozess sichtbar ist.

Eine erfolgreiche KI-Integration verbindet einen geeigneten Prozess mit freigegebenen Daten, prüfbaren Ergebnissen und einem klaren Betriebsmodell. Das ist weniger spektakulär als eine Demo – aber deutlich wertvoller.

Die Seite zur KI-Integration für Unternehmen zeigt, wie atondix Use Case, Daten, Architektur und Pilot in eine technische Roadmap überführt.