Wie Sie die Geschäftsprobleme finden, die KI wirklich lösen sollte

Die meisten KI-Projekte werden von hinten aufgezogen. Zuerst ist ein Modell oder ein Agenten-Framework da, danach beginnt die Suche nach einer Aufgabe dafür. Diese Reihenfolge ist bequem, denn eine Fähigkeit lässt sich leicht vorführen, ein Geschäftsproblem nicht.

Diese Reihenfolge erklärt auch, warum die veröffentlichten Ergebnisse widersprüchlich wirken. Die Verbreitung von KI wächst deutlich schneller als der messbare finanzielle Nutzen, und dieselbe Technik liefert bei einer Aufgabe grosse Fortschritte und bei der nächsten schlechtere Antworten. Keines dieser Ergebnisse ist ein Urteil über KI. Beide sagen nur, dass es auf die Aufgabe ankommt.

Die Verbreitung wächst schneller als die Wirkung

2025 setzten 20 % der EU-Unternehmen mit mindestens 10 Beschäftigten KI-Technologien ein, ein Jahr davor waren es 13,5 % (Eurostat). Am häufigsten ging es um die Auswertung geschriebener Sprache.

Der finanzielle Nutzen hält damit nicht Schritt. In McKinseys Erhebung «The State of AI 2026» führten 37 % der Befragten überhaupt eine Wirkung auf das Betriebsergebnis auf KI zurück, und rund 6 % zählten zu den Unternehmen, die McKinsey als High Performer bezeichnet. Etwa 20 % gaben an, dass die Betriebskosten der KI ihren Einsatz bereits begrenzen.

Auf Aufgabenebene ist das Bild ebenso zweigeteilt. Eine Feldstudie mit 5'172 Mitarbeitenden im Kundendienst, veröffentlicht im Quarterly Journal of Economics, ergab, dass ein generativer KI-Assistent die pro Stunde gelösten Fälle um durchschnittlich 15 % erhöhte, wobei weniger erfahrene Mitarbeitende am stärksten profitierten (Brynjolfsson, Li und Raymond). Ein Feldexperiment mit 758 Beratenden, veröffentlicht in Organization Science, zeigte innerhalb der Leistungsgrenze des Modells 12,2 % mehr erledigte Aufgaben und eine um 25,1 % kürzere Bearbeitungszeit. Bei einer Aufgabe, die absichtlich jenseits dieser Grenze lag, kamen dieselben Teilnehmenden mit 19 % geringerer Wahrscheinlichkeit zur richtigen Lösung (Dell'Acqua und Kollegen).

Zusammen gelesen sagen diese Zahlen mehr als jede für sich.

Welche unserer Probleme schaffen genug messbaren Wert, haben die passenden Aufgabenmerkmale und Daten, und verkraften eine wahrscheinlichkeitsbasierte Antwort besser als gewöhnliche Software?

Eine Fähigkeit ist noch kein Anwendungsfall

«Zusammenfassen» ist eine Fähigkeit. «Die Zeit verkürzen, die Kundenbetreuende brauchen, um Gespräche in CRM-Einträge zu überführen, bei gleichbleibenden Pflichtfeldern und einer Freigabe vor dem Speichern» ist ein Anwendungsfall.

Der Unterschied liegt darin, dass sich das Zweite analysieren lässt. Es hat einen Ablauf, eine Menge, Kosten, eine verantwortliche Person und eine Definition von «fertig». «Ein LLM einführen», «Agenten einsetzen» und «generative KI im Unternehmen etablieren» haben nichts davon, und genau deshalb lassen sie sich weder bewerten noch budgetieren noch mit Argumenten ablehnen.

Eine brauchbare Problembeschreibung enthält vier Dinge: den heutigen Zustand, einen messbaren Schmerz, den Prozess, in dem er entsteht, und das gewünschte Ergebnis. Etwa so: Unsere Buchhaltung verarbeitet Lieferantenrechnungen in hunderten Layouts, das erzeugt zwei Tage Rückstand und viel Nachbearbeitung, und wir wollen Bearbeitungszeit und manuelle Eingriffe senken, ohne die Finanzkontrolle zu schwächen.

Halten Sie vor jedem Technikgespräch fest: das Geschäftsziel, die verantwortliche Person, den heutigen Ablauf, Menge und Häufigkeit, Durchlaufzeit, Personalkosten, Nachbearbeitung und Fehlerquoten, die Kosten eines Fehlers, die beteiligten Systeme, die vorhandenen Daten und ihre Schutzklassifizierung, die regulatorischen Vorgaben, das Ermessen, das die Arbeit wirklich braucht, und die Ausgangswerte der Kennzahlen. Das ist der geschäftliche Kontext, und er verwandelt eine Initiative in etwas, das ein Ingenieur beurteilen kann.

Den Prozess verstehen, bevor man ihn automatisiert

Ein grosser Teil der gescheiterten Projekte automatisiert die sichtbare Tätigkeit, ohne den Ablauf darum herum anzuschauen. Zeichnen Sie die Arbeit als Kette auf: Eingang, Tätigkeit, Entscheidung, Übergabe, System, Ausnahme, Ergebnis. Suchen Sie dann, wo sich Arbeit staut, welche Schritte Nachbearbeitung erzeugen, wo Informationen zweimal erfasst werden, welche Entscheidungen auf unaufgeschriebenem Wissen beruhen, wo Menschen Daten von Hand zwischen Systemen bewegen, welche Freigaben keine Kontrolle bringen und welche Ausnahmen den grössten Teil des Aufwands verschlingen.

Dabei zeigt sich meist, dass der Automatisierungskandidat nicht der Engpass ist.

Wenn eine Rechnung drei Tage liegt, weil sie fünf Freigaben braucht, verschiebt eine automatische Weiterleitung durch dieselben fünf Freigaben die Warteschlange, statt sie aufzulösen. Wenn Mitarbeitende sechs bekannte Felder zwischen zwei Systemen kopieren, ist eine Schnittstelle verlässlicher als ein Agent. Wenn ein interner Assistent keine Antworten findet, weil die Dokumentation veraltet ist, behebt ein besseres Modell die Dokumentation nicht. Manchmal ist das wertvollste KI-Projekt eine Prozessänderung ohne KI.

Vier Situationen, die gleich aussehen

Anfragen, die im Steuerungsgremium gleich klingen, sind meist eines von vier verschiedenen Problemen, und jedes hat einen anderen richtigen ersten Schritt.

Gewöhnliche Software sollte die Standardwahl bleiben, wo sich das richtige Ergebnis exakt festlegen lässt: Berechnungen, deterministische Prüfungen, Berechtigungen, Anspruchsregeln, Datenbankoperationen, geplante Abläufe, Zustandsübergänge, Steuer- und Preisformeln. Wenn ein Ingenieur das korrekte Ergebnis in Code beschreiben kann, bringt ein wahrscheinlichkeitsbasiertes Modell vor allem Unsicherheit.

KI verdient ihren Platz dort, wo die Variabilität das Schwierige ist. Unstrukturierte Dokumente, freier Text, Sprachaufnahmen und Bilder, Klassifizierung, Extraktion, semantische Suche, Prognose, Anomalieerkennung, Empfehlung, Generierung, unvollständige Eingaben und Abläufe mit zu vielen Varianten für einen Regelbaum. Selbst dann braucht selten der ganze Prozess KI. Bewährt hat sich: KI für den mehrdeutigen Schritt, deterministische Software für die kontrollierten.

Die Grenze verläuft durch Ihre eigene Arbeit

Das Experiment mit den 758 Beratenden ist das praktisch nützlichste Ergebnis in diesem Feld, weil es etwas über die richtige Betrachtungsebene sagt. Zwei Tätigkeiten können für einen Menschen gleich anspruchsvoll und für ein Modell völlig unterschiedlich sein. Diese ungleichmässige Grenze folgt keinen Stellenbezeichnungen, keiner Hierarchie und keiner Abteilung. Sie verläuft durch einzelne Aufgaben.

Die richtige Frage lautet deshalb, ob KI diese bestimmte Aufgabe, für diese Nutzenden, auf unseren Daten, in ausreichender Qualität und zu tragbaren Kosten erledigen kann. Nicht, ob das neueste Modell allgemein leistungsfähig ist. Eine Aufgabe lohnt den Versuch, wenn sie häufig genug vorkommt, dass sich Verbesserungen summieren, teuer genug ist, messbar, variabel genug, dass Regeln an ihre Grenzen kommen, durch erreichbare Informationen gestützt und in ihrem Ergebnis überprüfbar. Lässt sich ein Fehler nicht erkennen, fällt die letzte Bedingung, und der Rest spielt keine Rolle mehr.

Meist scheitert es an den Daten

Gartner befragte 1'203 Verantwortliche für Datenmanagement. 63 % verfügten nicht über die für KI nötigen Datenpraktiken oder wussten es nicht. Gartner erwartet zudem, dass Unternehmen bis 2026 60 % der KI-Projekte aufgeben, die nicht durch KI-taugliche Daten gestützt sind. Diese zweite Zahl ist eine Analystenprognose und keine gemessene Quote; sie beschreibt die Abhängigkeit, nicht einen belegten Anteil.

Was Datenreife bedeutet, hängt vom Anwendungsfall ab. Ein Prognosemodell braucht historische Beobachtungen, repräsentative Ergebnisse, verlässliche Kennzeichnungen, genügend Beispiele seltener Ereignisse und eine gewisse Stabilität zwischen Vergangenheit und Zukunft. Dokumentenverarbeitung braucht repräsentative Dokumente, die erwarteten Felder, die Randfälle, eine bekannte Ausgabestruktur und Prüfregeln. Ein Wissensassistent braucht verbindliche Quellen, Berechtigungen, die auch halten, brauchbare Metadaten, Aktualisierungs- und Löschprozesse sowie Testfragen. Ein Agent braucht mehr als Dokumente: verlässlichen Zugriff auf CRM, ERP, Ticketsystem, Datenbanken, Identitätsverwaltung, interne Schnittstellen und die Geschäftsregeln selbst.

Klären Sie für jeden Kandidaten, ob die Daten vorhanden, aktuell, repräsentativ und rechtlich nutzbar sind, wem sie gehören, ob die Berechtigungen die Anbindung überleben und ob sich daraus ein Testdatensatz bauen lässt. Fehlen die Antworten, ist die erste Investition Datenarbeit und nicht KI.

Gesparte Stunden sind kein Geld

Ein technisch machbares Problem kann wirtschaftlich bedeutungslos sein. Schätzen Sie Jahresmenge, durchschnittliche Bearbeitungszeit, Personalkosten, Nachbearbeitung, Ausnahmebehandlung, Fehlerkosten, Verzögerungskosten, entgangenen Umsatz und die heutigen Technikkosten, und rechnen Sie erst dann aus, wie viel Wert tatsächlich zu holen ist.

Ein Denkfehler kommt oft genug vor, um ihn zu benennen. Gesparte Stunden sind kein Geld. Wenn ein Assistent zehn Stunden pro Woche freispielt und diese Kapazität weder abgebaut noch neu eingesetzt wird, ist Luft entstanden, keine Ersparnis. Wert entsteht, wenn die Kapazität mehr Volumen bewältigt, den Service verbessert, Überstunden abbaut, externe Ausgaben ersetzt, Zahlungszyklen verkürzt oder Menschen anspruchsvollere Arbeit übernehmen. Entscheiden Sie, welcher dieser Wege es sein wird, bevor jemand eine Rendite in einen Business Case schreibt.

Was ein Fehler kostet

Durchschnittliche Genauigkeit ist als Entscheidungsmass allein schwach. Ein System mit «95 % Genauigkeit» kann hervorragend oder unbrauchbar sein, je nachdem, wie die verbleibenden 5 % aussehen. Vier Fragen klären das: Was passiert, wenn es falsch liegt? Lässt sich der Fehler erkennen? Lässt er sich rückgängig machen? Und was kostet die Prüfung?

Ein falscher interner Entwurf, den jemand vor dem Versand liest, gehört in eine andere Kategorie als eine abgelehnte Bewerbung, eine ausgelöste Zahlung, eine gestoppte Produktionslinie oder eine medizinische Empfehlung. Die menschliche Kontrolle sollte im Verhältnis zu Unsicherheit und Folgen stehen, was nicht dasselbe ist wie eine Freigabe für alles.

Ein Bewertungsmodell, das sich anwenden lässt

Damit die Priorisierung wiederholbar und nicht politisch wird, sollten alle Kandidaten nach denselben Kriterien bewertet werden. Das folgende Modell ist unser eigenes und für die praktische Vorauswahl über Abteilungen hinweg gebaut. Es ist eine Heuristik zum Vergleichen, kein geprüfter Erfolgsindikator.

Vier Hürden kommen zuerst. Ein Kandidat, der an einer davon scheitert, wird nicht bewertet; zuerst wird die Lücke geschlossen. Gibt es ein messbares Ergebnis? Sind repräsentative, verlässliche und rechtlich zulässige Daten erreichbar? Lassen sich Fehler erkennen, prüfen, begrenzen oder ausreichend rückgängig machen? Und bietet KI einen echten Vorteil gegenüber einfacherer Software oder einer Prozessänderung?

Kandidaten, die alle vier Hürden überstehen, werden auf zehn Dimensionen mit 1 bis 5 bewertet, jede mit einem eigenen Gewicht. Der Gesamtwert auf einer Skala bis 100 ist die Summe aus Bewertung ÷ 5 × Gewicht.

Das Ergebnis lesen

Über 80 heisst: ein starker Kandidat für einen Piloten. Zwischen 65 und 79 ist der Fall aussichtsreich, sobald die grösste Unsicherheit geprüft wurde. Zwischen 50 und 64 müssen zuerst die Grundlagen verbessert werden, und unter 50 sollte man zurückstellen oder anders lösen. Diese Bänder sind Prioritätsschwellen, keine Erfolgswahrscheinlichkeiten.

Ein Rechnungsablauf mit variablen Layouts, der bei Geschäftswert, Aufgabenpassung und Häufigkeit je 5 erreicht, bei Datenreife, Fehlerökonomie, Kontrolle, regulatorischer Passung, Zeit bis zum Nutzen und Prüfbarkeit je 4 und bei der Anbindung 3, kommt auf 86. Das ist ein starker Kandidat für einen kontrollierten Piloten, und es lohnt sich zu sehen, wie viel davon aus Punkten stammt, die mit dem Modell nichts zu tun haben.

Wo sich dieses Muster bewährt hat

Veröffentlichte Ergebnisse fallen in zwei Kategorien, die man nicht vermischen sollte: unabhängige Forschung und Zahlen, die ein Unternehmen über sich selbst berichtet.

Microsoft beschreibt bei Concentrix einen Ablauf zur Dokumentenverarbeitung mit rund 100'000 Rechnungen pro Monat in über 300 Layouts, mit einer Extraktionsgenauigkeit über 96 %, die im Januar 2026 99 % erreichte. Morgan Stanley gibt an, dass der interne KI-Assistent von 98 % der Beraterteams genutzt wird und das System Debrief Gesprächszusammenfassungen und Aufgaben aus freigegebenen Kundenterminen erzeugt. Siemens berichtet, dass Pilotprojekte mit dem Industrial Copilot die reaktive Instandhaltungszeit um durchschnittlich 25 % senkten. DBS nannte im Geschäftsbericht 2025 mehr als 2'000 KI- und ML-Modelle in über 430 Anwendungsfällen und rechnete Datenanalyse und KI einen jährlichen wirtschaftlichen Wert von rund 1 Milliarde SGD zu.

Alle vier sind Angaben der Unternehmen selbst. Keine davon ist eine kontrollierte Schätzung, und keine ist eine Prognose für ein anderes Haus. Übertragbar ist die Architektur, nicht der Prozentsatz: KI nimmt die Variabilität auf, deterministische Logik steuert den Geschäftsprozess, und für folgenreiche Schritte bleibt eine benannte Person verantwortlich.

Die Softwareentwicklung zeigt, warum fremde Zahlen gefährlich sind. METRs randomisierte Studie ergab, dass KI-Werkzeuge von Anfang 2025 erfahrene Open-Source-Entwickler in der getesteten Umgebung um 19 % langsamer machten. Im Februar 2026 berichtete METR, neuere Werkzeuge beschleunigten wahrscheinlich stärker als die zuerst getesteten, erklärte aber gleichzeitig, dass Auswahleffekte im neuen Experiment eine verlässliche Bezifferung unmöglich machten. Zwei glaubwürdige Ergebnisse im Abstand eines Jahres, die in verschiedene Richtungen zeigen. Messen Sie stattdessen Ihre eigenen Entwickler, Ihre Repositories und Ihren tatsächlichen Aufgabenmix.

Welche Probleme nicht zu KI gehören

Diese Entscheidung verdient dieselbe Sorgfalt wie die Suche nach Kandidaten. Hier zahlt sich eine gute Analyse am deutlichsten aus.

Probleme mit einer eindeutigen Antwort. Nutzen Sie kein Sprachmodell, um Steuern zu berechnen, Berechtigungen durchzusetzen, Identifikatoren zu prüfen, Zinsen zu ermitteln oder feste Geschäftslogik auszuführen. Dafür gibt es Code. KI ist gerade dort wertvoll, wo deterministische Logik unpraktisch wird.

Arbeit mit kleiner Menge und geringem Wert. Eine Aufgabe, die einige Male im Jahr anfällt und fünfzehn Minuten dauert, rechtfertigt kein angebundenes System, so gut die Architektur auch wäre.

Kaputte Prozesse. Unnötige Freigaben, Doppelerfassung, die verschwinden sollte, unklare Zuständigkeiten, veraltete Formulare und schlechte Stammdaten werden durch Automatisierung schlimmer, weil sie dadurch dauerhaft werden.

Probleme ohne messbares Ergebnis. «KI-first werden» ist kein Ergebnis. «Agenten einführen» und «innovativer werden» ebenso wenig. Ohne eine betriebliche oder wirtschaftliche Messgrösse lässt sich der Erfolg nicht belegen, was meist auch bedeutet, dass das Projekt nie gestoppt wird.

Aufgaben mit teuren, nicht überprüfbaren Fehlern. Bei folgenreichen Tätigkeiten kann KI weiterhin bei Vorbereitung und Recherche helfen. Vollständige Automatisierung ist schwer zu vertreten, wenn Entscheidungen unumkehrbar sind, Fehler Menschen schaden können, die Grundlage nicht rekonstruierbar ist, das Modell nicht verlässlich erkennt, dass es falsch liegt, oder niemand fachlich prüfen kann.

Probleme ohne passende Daten. Ein Modell kann keine fehlende betriebliche Wirklichkeit ersetzen. Veraltete Dokumentation, nie erfasste Ergebnisse, unzuverlässige Kennzeichnungen und unklare Zugriffsrechte sind Voraussetzungen, keine Umsetzungsdetails.

Aufgaben, deren Prüfung so lange dauert wie die Arbeit. Menschliche Kontrolle schafft nur Wert, wenn das Prüfen weniger kostet als die Arbeit ohne KI. Wenn jemand jede Antwort neu erarbeiten muss, um sie beurteilen zu können, ist die Arbeit verschoben und nicht verschwunden.

KI um der KI willen. Gartner berichtete im Januar 2026, dass bis Ende 2025 mindestens 50 % der Projekte mit generativer KI nach dem Proof of Concept aufgegeben wurden, unter anderem wegen schlechter Daten, schwacher Risikokontrollen, steigender Kosten und unklaren Nutzens. Die Technik kann funktionieren, während das Projekt trotzdem scheitert.

Regulierung gehört in die Analyse

Für Schweizer und europäische Unternehmen ist die rechtliche Einordnung Teil der Bewertung einer Chance. Sie spät zu entdecken ist der Weg, auf dem ein funktionierender Prototyp unbrauchbar wird.

Die Schweiz hat noch kein allgemeines KI-Gesetz. Der Bundesrat hat die Bundesverwaltung beauftragt, eine Vorlage zur Umsetzung der KI-Konvention des Europarats vorzubereiten; ein Vernehmlassungsentwurf wird bis Ende 2026 erwartet (Bundeskanzlei). Das heisst nicht, dass KI unreguliert wäre. Das revidierte Datenschutzgesetz gilt seit dem 1. September 2023, und der EDÖB hält fest, dass das DSG für die KI-gestützte Bearbeitung von Personendaten gilt, mit besonderem Gewicht auf Transparenz und automatisierten Einzelentscheidungen. Fällt eine automatisierte Einzelentscheidung in den Anwendungsbereich von Artikel 21 DSG, muss der Verantwortliche die betroffene Person informieren und ihr ermöglichen, ihren Standpunkt darzulegen und eine Überprüfung durch einen Menschen zu verlangen, unter Vorbehalt der gesetzlichen Ausnahmen (EDÖB).

In der EU gilt die KI-Verordnung seit dem 2. August 2026 allgemein, und danach änderte sich der Zeitplan. Das KI-Omnibus-Paket trat am 27. Juli 2026 in Kraft und verschob die Anwendungstermine der wichtigsten Hochrisiko-Pflichten auf den 2. Dezember 2027 für Systeme nach Anhang III und auf den 2. August 2028 für Hochrisiko-KI in regulierten Produkten nach Anhang I (Verordnung (EU) 2026/1744 sowie die Umsetzungsseiten der Europäischen Kommission). Einzelne Transparenzregeln gelten bereits seit August 2026. Schweizer Organisationen sollten Artikel 2 zum räumlichen Anwendungsbereich genau lesen, denn er erfasst bestimmte Anbieter und Betreiber in Drittstaaten, wenn das Ergebnis in der Union verwendet wird. Wo die DSGVO greift, gibt Artikel 22 zusätzlich ein Recht, bestimmten ausschliesslich automatisierten Entscheidungen nicht unterworfen zu werden. Das ist keine Rechtsberatung, und die praktische Folge ist nur: Die Einordnung ist in der Analyse günstig und nach dem Bau teuer.

Das Modell kaufen, den Prozess bauen

Sobald ein Anwendungsfall die Priorisierung übersteht, entscheiden Sie, wie viel davon Sie überhaupt selbst bauen müssen. Kaufen, wenn das Problem Standard ist, ausgereifte Software es abdeckt, die Anbindung leicht ist, die Abgrenzung gering und das Sicherheits- und Datenbearbeitungsmodell des Anbieters akzeptabel. Bauen oder anpassen, wenn eigener Ablauf oder eigene Daten im Zentrum stehen, eine tiefe ERP- oder CRM-Anbindung nötig ist, Berechtigungen speziell sind, Nachvollziehbarkeit ungewöhnliche Anforderungen stellt oder die verfügbare Software nicht zum Prozess passt.

Für die meisten Unternehmen ist das keine Entweder-oder-Frage. Üblich ist, Modell oder Plattform zu kaufen und Ablauf, Anbindung, Berechtigungen, Prüfung und Steuerung darum herum zu bauen. Ein eigenes Basismodell ist selten der Unterschied. Der eigene Prozess ist es häufig.

Für den Betrieb gilt dieselbe Logik.

Zu vermeiden ist die Verkürzung, Cloud sei unsicher und Selbst-Hosting sicher. Ein selbst gehostetes Suchsystem mit falschen Dokumentberechtigungen gibt vertrauliche Inhalte genauso zuverlässig heraus. Entscheidend sind Datenklassifizierung, Standort, Aufbewahrung, Auftragsverhältnisse, Verschlüsselung, Identität und Berechtigungen, Volumen, Latenz, Ausfallsicherheit, Kosten, Überwachung, Modelllebenszyklus, Störungsbehandlung und die Frage, wer um drei Uhr nachts zuständig ist. Selbst-Hosting bringt Kontrolle und überträgt Verantwortung in derselben Bewegung.

Die Prüfung endet nicht beim Start

Eine überzeugende Vorführung ist kein Beweis. Das AI Risk Management Framework des NIST empfiehlt, KI-Systeme vor dem Einsatz und regelmässig im Betrieb zu testen, und behandelt die Überwachung im Betrieb als Teil des Risikomanagements, weil sich das Verhalten mit den Daten und Bedingungen ändert.

Nötig sind zwei Ebenen. Die Systemqualität umfasst Genauigkeit, Präzision und Trefferquote, Extraktionsfehler, den Anteil unbelegter Antworten, die Relevanz der Suche, den Erfolg von Werkzeugaufrufen, Eskalations- und Korrekturquoten, Latenz, Kosten pro erfolgreicher Aufgabe und die Erholung nach Fehlern. Die Geschäftsqualität misst das Ergebnis, für das das Projekt existierte: Durchsatz, Kosten, Durchlaufzeit, Rückstand, Einhaltung von Zusagen, Fehlerkosten, Umsatz, Abschlussquote, Ausfallzeit oder Zufriedenheit. Der Betriebszyklus ist prüfen, ausrollen, überwachen, Rückmeldungen sammeln, Regressionstests, aktualisieren. Ein KI-System ist laufende Software, kein abgeschlossenes Innovationsprojekt.

Wo Sie anfangen sollten

Sie brauchen keine sechsmonatige Strategiearbeit, um den ersten Kandidaten zu finden. Suchen Sie die Prozesse, die teuer sind oder an einem Engpass hängen. Halten Sie den Ausgangszustand fest: Menge, Zeit, Qualität, Kosten. Zeichnen Sie den echten Ablauf auf, Ausnahmen und Behelfslösungen eingeschlossen. Entfernen Sie, was nicht existieren sollte. Vergleichen Sie dann die Lösungsklassen in dieser Reihenfolge: Prozessänderung, Software und Schnittstellen, Workflow-Automatisierung, KI-Unterstützung und erst danach KI-Automatisierung. Wenden Sie die vier Hürden an, bewerten Sie, was übrig bleibt, und bauen Sie den kleinsten vollständigen Ablauf mit repräsentativen Daten und echten Anbindungen, denn ein Chatbot ohne Systemzugriff beweist fast nichts.

Vergleichen Sie danach mit dem Ausgangszustand, und seien Sie bereit aufzuhören. Ein Pilot, der zeigt, dass KI hier nicht eingesetzt werden sollte, hat ein brauchbares Ergebnis geliefert und das Produktionsbudget gespart.

Bei Alpine Edge behandeln wir die Suche nach Anwendungsfällen als Fach- und Ingenieurarbeit, bevor sie eine KI-Aufgabe wird. Das Ergebnis soll keine lange Liste möglicher Anwendungen sein, sondern eine kürzere Liste von Problemen, die sich zu lösen lohnen, die Begründung, warum KI dazu passt, eine Architektur, die zum Unternehmen passt, und ausdrückliche Gründe für die Ablehnung des Rests. Wenn Sie an diesem Punkt stehen, ist eine fokussierte technische Einschätzung meist der bessere erste Schritt als die Zusage für ein Programm, und die Fälle, die bestehen, begleiten wir von der Analyse über Architektur und Integration bis in einen belastbaren Betrieb.

Woher diese Zahlen kommen

• Eurostat, KI-Einsatz in EU-Unternehmen. Verbreitung 2025.
• McKinsey, The State of AI 2026. Wirkung auf das Betriebsergebnis, High Performer, Kostenbremse.
• Brynjolfsson, Li und Raymond, Generative AI at Work. Quarterly Journal of Economics; 5'172 Mitarbeitende im Kundendienst.
• Dell'Acqua et al., Navigating the Jagged Technological Frontier. Organization Science; 758 Beratende.
• Gartner, fehlende KI-taugliche Daten gefährden KI-Projekte. Befragung von 1'203 Verantwortlichen und die Prognose.
• Gartner, warum die Hälfte der GenAI-Projekte scheitert. Analyse vom Januar 2026.
• METR, Produktivitätsstudie Anfang 2025. Randomisierte Studie mit erfahrenen Entwicklern.
• METR, Aktualisierung Februar 2026. Warum das neuere Ergebnis nicht verlässlich zu beziffern ist.
• Microsoft, Dokumentenverarbeitung bei Concentrix. Vom Unternehmen berichtete Menge und Genauigkeit.
• Morgan Stanley, AI Assistant und Debrief. Vom Unternehmen berichtete Nutzung.
• Siemens, Industrial Copilot in der Instandhaltung. Vom Anbieter berichtetes Pilotergebnis.
• DBS, Geschäftsbericht 2025. Vom Unternehmen berichtetes Portfolio und zugerechneter Wert.
• Europäische Kommission, Regulierungsrahmen für KI. Anwendungstermine der KI-Verordnung.
• EUR-Lex, Verordnung (EU) 2026/1744. Das Omnibus-Paket und die neuen Hochrisiko-Termine.
• EUR-Lex, KI-Verordnung. Amtlicher Text, einschliesslich Artikel 2 zum räumlichen Anwendungsbereich.
• EUR-Lex, DSGVO. Artikel 22 zu automatisierten Einzelentscheidungen.
• EDÖB, KI und Datenschutz. Anwendbarkeit des DSG auf KI-Bearbeitungen.
• EDÖB, Informationspflicht. Artikel 21 DSG und automatisierte Einzelentscheidungen.
• Bundeskanzlei, Regulierung von KI. Stand der Schweizer Gesetzgebung und geplante Vernehmlassung.
• NIST, AI Risk Management Framework. Tests vor dem Einsatz und Überwachung im Betrieb.