KI kann Arbeit beschleunigen, aber sie löst keine unklaren Prozesse. Am meisten bringt sie dort, wo ein konkreter Ablauf existiert: Recherche, Zusammenfassung, Klassifikation, Entwurf, Datenprüfung, Supportvorbereitung oder interne Assistenz.
Für KMU ist die wichtigste Frage nicht, welches Modell gerade am meisten Aufmerksamkeit bekommt. Wichtiger ist, welche wiederkehrende Arbeit tatsächlich Zeit frisst und ob ein KI-System dort zuverlässig helfen kann.
Gute Use Cases
Ein guter KI-Use-Case ist begrenzt und überprüfbar. Er hat klare Eingaben, klare Ausgaben und eine Person, die das Ergebnis beurteilt. Besonders sinnvoll sind Aufgaben, bei denen viel gelesen, sortiert oder vorbereitet wird.
Beispiele:
- Supportanfragen strukturieren.
- interne Wissensartikel zusammenfassen.
- wiederkehrende Texte vorbereiten.
- Dokumente nach Kategorien vorsortieren.
- Rechercheergebnisse mit Quellen sammeln.
Ein schlechter Use Case ist oft zu gross formuliert: «Unsere KI soll den Support übernehmen» oder «Wir automatisieren die Beratung». Besser ist ein kleiner Einstieg: eingehende Supportanfragen strukturieren, fehlende Angaben erkennen, eine Antwort vorbereiten und den Menschen entscheiden lassen.
Wo Vorsicht nötig ist
KI-Systeme können falsche Antworten liefern, vertrauliche Daten verarbeiten oder scheinbare Sicherheit erzeugen. Darum braucht es Datenregeln, Tests und klare Grenzen. Nicht jede Aufgabe gehört in ein externes Modell.
Für KMU ist oft nicht das grösste Modell entscheidend, sondern die passende Einbettung in vorhandene Abläufe.
Daten zuerst ordnen
Vor einem KI-Projekt sollte klar sein, welche Daten verarbeitet werden dürfen. Öffentliche Website-Texte sind anders zu behandeln als Kundendaten, Verträge, medizinische Informationen, Finanzzahlen oder interne Zugangsdaten.
Ein einfacher Start ist eine Datenklassierung:
- öffentlich,
- intern,
- vertraulich,
- besonders schützenswert oder kritisch.
Danach lässt sich entscheiden, ob ein externer Dienst, ein lokales Modell, eine private Umgebung oder gar keine KI passend ist. Das ist eng mit Datenschutz und Datenminimierung verbunden.
Was vorher geklärt werden sollte
- Welche Daten dürfen verarbeitet werden?
- Wer prüft das Ergebnis?
- Wie wird Qualität gemessen?
- Wo braucht es Protokolle oder Freigaben?
- Was passiert, wenn die KI falsch liegt?
Qualität prüfen
KI-Ergebnisse sollten nicht nur beeindruckend wirken, sondern geprüft werden. Bei Texten kann man Stichproben lesen. Bei Klassifikationen kann man Trefferquoten messen. Bei Recherche braucht es Quellen. Bei Automationen braucht es Protokolle und klare Abbruchpunkte.
Besonders wichtig ist die Frage, wer verantwortlich bleibt. KI kann vorbereiten, sortieren und vorschlagen. Entscheidungen mit Wirkung auf Kunden, Finanzen, Sicherheit oder Rechte sollten nachvollziehbar bleiben.
Integration statt Tool-Sammlung
Viele Unternehmen sammeln zuerst Tools und suchen danach den Nutzen. Sinnvoller ist der umgekehrte Weg: Ablauf skizzieren, Engpass benennen, Daten prüfen, kleine Lösung bauen, testen, verbessern.
Manchmal ist das Ergebnis kein Chatbot, sondern ein stilles Werkzeug: ein Formular, das Anfragen strukturiert; ein interner Helfer, der Dokumente zusammenfasst; ein Skript, das wiederkehrende Daten prüft; oder ein Assistent, der Supportinformationen vorbereitet.
Merksatz
KI ist dann nützlich, wenn sie einen konkreten Ablauf verbessert und ihre Grenzen sichtbar bleiben.