Das ist die häufigste Frage, die wir von Unternehmen hören: „Wir wollen AI, aber wo anfangen?“. Die falsche Antwort beginnt mit dem Namen eines Tools. Die richtige Antwort beginnt mit der Frage, welche Entscheidung oder welche Arbeit wir schneller, günstiger oder präziser erledigen wollen. Die Technologie steht am Ende dieses Weges, nicht am Anfang.
Häufigster Fehler: mit dem Tool beginnen#
Die Versuchung ist offensichtlich – jemand hat ein Demo gesehen, über ein Modell gelesen und will „AI haben“. Doch eine Implementierung, die mit dem Tool beginnt, endet meist als Lösung auf der Suche nach einem Problem: ein schönes Demo, das niemand nutzt, weil es kein reales Bedürfnis erfüllt.
Drehe die Reihenfolge um. Schreibe zuerst drei Prozesse auf, die heute schmerzen – die Stunden fressen, fehleranfällig sind oder Menschen mit langweiliger, repetitiver Arbeit blockieren. Erst dann frage, ob und wie AI sie verbessern kann. Das Tool wird zum Prozess passend ausgewählt, nicht der Prozess zum Tool.
Wie erkennt man einen guten ersten Prozess#
Ein guter Kandidat für die erste Implementierung hat vier Merkmale:
- Wiederholbar – passiert dutzende oder hunderte Male, nicht einmal pro Quartal. Wiederholbarkeit ist der Hebel.
- Zeitaufwendig – frisst reale Stunden, die sich zählen lassen. Ohne Stunden gibt es keine Basis für die Renditeberechnung.
- Messbar – das Ergebnis lässt sich in Zahlen bewerten (Prozent korrekter Klassifizierungen, Bearbeitungszeit, Anzahl der ohne menschliches Zutun abgeschlossenen Anfragen).
- Bereits manuell vorhanden – jemand erledigt es heute von Hand, daher hast du einen Referenzpunkt und fertige Beispiele zur Qualitätsbewertung (ein Kontroll-Set / einige Few-Shot-Beispiele). Damit misst du die Wirksamkeit ab dem ersten Tag – ohne ein eigenes Modell zu trainieren.
Wenn ein Prozess diese vier Kriterien erfüllt, ist er ein guter Kandidat – unabhängig davon, wie „spektakulär“ er von außen wirkt. Die erste Implementierung soll Wert beweisen, nicht beeindrucken.
Vier Prozesse, die sich am schnellsten auszahlen#
In polnischen Unternehmen kehren dieselben Ideen immer wieder – weil sie funktionieren:
| Prozess | Was AI macht | Messbares Ergebnis |
|---|---|---|
| Buchung von Kostenrechnungen | Klassifiziert und extrahiert Felder (Steuernummer, Betrag, Datum) | % der ohne manuellen Eingriff gebuchten Rechnungen |
| Kategorisierung von Support-Anfragen | Weist Anfragen einer Warteschlange/Priorität zu | Zeit bis zur ersten Antwort |
| Datenauslesen aus Lebensläufen/Dokumenten | Extrahiert Felder ins System | Stunden manueller Übertragung |
| Bearbeitung häufigster Kundenfragen | Antwortet mit eurem Wissen (RAG) | % der ohne menschliches Zutun abgeschlossenen Fälle |
Gemeinsamer Nenner: enger Scope, klares Ergebnis, bestehender manueller Prozess. Es ist kein Zufall, dass Klassifizierer und Extraktion das schnellste ROI liefern – sie sind per Definition messbar.
Ein Vorbehalt: Lebenslaufdaten sind personenbezogene Daten von Bewerbern (DSGVO), nicht selten mit sensiblen Feldern. Reines Auslesen und Übertragen von Feldern ist noch begrenztes Risiko – doch sobald derselbe Prozess beginnt, Bewerber zu bewerten, zu ranken oder auszuwählen, fällt er in den Hochrisikobereich des AI Act (Beschäftigung/Rekrutierung) und erfordert menschliche Aufsicht, Dokumentation und oft eine DSFA/DPIA. Deshalb trennen wir von Anfang an Extraktion von Vorauswahl – Details im Beitrag AI im Recruiting: Lebenslauf-Extraktion und Compliance.
Die funktionierende Reihenfolge#
Eine erfolgreiche Implementierung folgt meist diesem Weg:
- Prozess-Audit – liste auf, was wiederholbar, zeitaufwendig und fehleranfällig ist. Prüfe die Organisationsbereitschaft.
- Wahl eines Prozesses – die kleinste Änderung mit dem größten Hebel. Der Automatisierungs-Finder hilft bei der Eingrenzung.
- Renditeberechnung – wie viele Stunden monatlich, welcher Stundensatz, welche Implementierungskosten. Der ROI-Rechner liefert Zahlen, keine Vermutungen.
- Pilotprojekt zu festen Kosten – ein funktionierendes System für einen Prozess, mit einer vorab vereinbarten Erfolgsschwelle (z. B. „≥ X % korrekte Klassifizierungen, und unsichere Fälle gehen an einen Menschen“). Wir definieren, wer und wie Fehler prüft und was bei einer unsicheren Antwort passiert – bevor wir um Vertrauen bitten.
- Schrittweise Erweiterung – erst wenn der erste Prozess Zahlen liefert, kommt der nächste dazu.
Zuerst Daten und Ordnung, dann die AI-Schicht. Es müssen keine perfekten Daten sein – aber es lohnt sich, einen engen Ausschnitt für den ersten Prozess zu ordnen, nicht die ganze Organisation auf einmal.
Wann sich die Investition auszahlt#
Die Faustregel ist einfach und berechenbar:
- Der Prozess frisst weniger als ein paar Stunden monatlich → die Rendite im ersten Jahr ist fraglich, beginne mit etwas Größerem.
- Der Prozess frisst einige Dutzend Stunden monatlich → bei einem Pilotprojekt zu festen Kosten (Größenordnung: ab einigen Tausend zł, je nach Anzahl der Integrationen) und ~70 % automatisierbarer Arbeit zahlt sich die Implementierung meist in 2–4 Monaten aus. Die genaue Amortisationszeit hängt von den Implementierungskosten ab – berechne sie für deinen Fall im ROI-Rechner.
- In die Renditerechnung beziehen wir auch die laufenden Kosten ein – Wartung, Modellaufrufe und regelmäßige Qualitätsprüfungen, weil sich Daten und Prozesse ändern. Das ist meist ein Bruchteil der Einsparung, aber nicht null, und wir rechnen es ehrlich mit.
Amortisationszeit = Implementierungskosten ÷ monatliche Einsparung, deshalb sind 2–4 Monate das typische Ergebnis für ein Pilotprojekt zu festen Kosten, keine starre Regel.
Deshalb wählen wir nicht den „coolsten“ Prozess, sondern den mit der größten Anzahl zurückgewonnener Stunden. Die Rendite berechnest du selbst mit dem ROI-Rechner – das ist deterministische Mathematik, kein Versprechen.
Live ausprobieren#
Bevor du etwas implementierst, beschreibe den Prozess, und das Modell hilft, ihn in automatisierbare Schritte zu zerlegen (Playground: PII maskiert, keine Retention):
FAQ#
Wo konkret mit der AI-Implementierung beginnen?#
Mit einem Prozess-Audit, nicht mit der Tool-Auswahl. Liste drei wiederholbare, zeitaufwendige und messbare Prozesse auf, wähle den mit der größten Anzahl zurückgewonnener Stunden und bestätige ihn mit einem Pilotprojekt zu festen Kosten. Das Tool wird erst am Ende passend zum Prozess ausgewählt – niemals umgekehrt.
Welchen Prozess zuerst automatisieren?#
Den, der wiederholbar, zeitaufwendig ist, ein messbares Ergebnis hat und heute bereits manuell erledigt wird. In der Praxis gewinnen meist Klassifizierung und Datenextraktion (Rechnungen, Anfragen, Dokumente) sowie die Bearbeitung häufigster Kundenfragen – weil das Ergebnis per Definition messbar ist und sich die Rendite berechnen lässt.
Lohnt sich AI-Implementierung für kleine Unternehmen?#
Umso mehr, je mehr repetitive manuelle Arbeit das Unternehmen leistet. Wenn der gewählte Prozess einige Dutzend Stunden monatlich frisst, zahlt sich die Implementierung bei einem Pilotprojekt zu festen Kosten meist in 2–4 Monaten aus. Wenn weniger als ein paar Stunden – besser mit einem größeren Prozess beginnen oder warten. Die Amortisationszeit hängt von den Implementierungskosten ab, berechne deine eigene Zahl daher im ROI-Rechner.
Muss ich geordnete Daten haben?#
Sie müssen nicht perfekt sein. Oft starten wir mit einem Daten-Audit und wählen einen Prozess, der mit dem funktioniert, was ihr bereits habt (Dokumente, FAQ, Anfragehistorie). RAG kann mit bestehendem Wissen arbeiten, ohne alles umzubauen – und dort, wo Daten schwach sind, ordnen wir zuerst den engen Ausschnitt für den ersten Prozess.
Wie lange dauert die erste Implementierung?#
Ein Pilotprojekt für einen Prozess dauert meist Wochen, nicht Monate. Wir beginnen mit der kleinsten Änderung mit dem größten Hebel, messen das Ergebnis und erweitern erst dann den Scope – mit Verifizierung auf jedem Schritt.