Ein Werksleiter fragt, warum ein KI-gestützter Copilot keinen zuverlässigen Produktionsabweichungsbericht erstellen kann. Die Antwort liegt selten im Modell. Der Auftragsstatus befindet sich in einem System, die Bestandsdaten in einem anderen, Wartungsereignisse treffen verspätet ein, und die Teams verwenden unterschiedliche Definitionen von Ausfallzeiten. Genau hier liegt das praktische Problem zwischen Datenfundament und KI-Implementierung: Ein Unternehmen kann Entscheidungen nicht konsistent automatisieren oder ergänzen, wenn die zugrunde liegenden Prozesse und Daten inkonsistent sind.
Für betriebsintensive Organisationen ist dies kein Argument gegen KI. Es ist vielmehr ein Argument dafür, Transformationsprozesse so zu sequenzieren, dass KI-Investitionen die Leistung verbessern, anstatt eine weitere, voneinander unabhängige Ebene in den Technologie-Stack einzuführen.
Datenfundament vs. KI-Implementierung: Die wahre Entscheidung
Die falsche Frage lautet: „Sollten wir in Daten oder KI investieren?“ Die meisten Unternehmen benötigen beides. Sinnvollere Frage ist: Welche Einschränkungen verhindern derzeit bessere Entscheidungen, schnellere Umsetzung und skalierbare Automatisierung?
Eine Datengrundlage bildet die operative Basis, die Informationen für Personen, Prozesse und Systeme nutzbar macht. Sie umfasst definierte Geschäftsdaten, Verantwortlichkeiten, Qualitätskontrollen, Integrationsmuster, Zugriffsregeln und die Architektur, die erforderlich ist, um vertrauenswürdige Informationen bei Arbeitsvorgängen bereitzustellen. Außerdem ist eine Einigung über den Datengenerierungsprozess notwendig. Wenn eine Bestellung per E-Mail, Tabellenkalkulation und undokumentierten Ausnahmen den Besitzer wechselt, kann eine Datenplattform allein die Unklarheiten nicht beseitigen.
Die Implementierung von KI nutzt maschinelles Lernen, generative KI, Dokumentenanalyse oder Entscheidungsunterstützungsfunktionen, um ein definiertes Geschäftsergebnis zu erzielen. Sie kann Rechnungen klassifizieren, Serviceanfragen zusammenfassen, Geräteausfälle vorhersagen, Mitarbeiter durch Arbeitsabläufe führen oder ungewöhnliche Transaktionen identifizieren. Diese Anwendungsfälle können signifikante Verbesserungen bringen, ihre Ergebnisse hängen jedoch von der Qualität, Vollständigkeit und dem Kontext der eingehenden Daten ab.
Diese Unterscheidung ist wichtig, da KI zwar mit einem begrenzten Datensatz beeindruckende Ergebnisse erzielen kann, im täglichen Betrieb jedoch versagt. Eine Lösung, die für eine Geschäftseinheit gut funktioniert, kann unzuverlässig werden, sobald sie in mehreren Rechtseinheiten, ERP-Systemen, Sprachen, Genehmigungsregeln und Ausnahmebehandlungspfaden eingesetzt wird.
Warum der Prozess vor beidem kommt
Unternehmensdaten entstehen nicht isoliert. Sie werden durch Arbeitsabläufe generiert: Ein Kundendienstmitarbeiter aktualisiert einen Fall, ein Planer ändert einen Zeitplan, ein Lagerteam bestätigt einen Wareneingang oder die Finanzabteilung klärt eine Ausnahme. Sind diese Arbeitsabläufe unklar, nicht standardisiert oder stark manuell, weisen die resultierenden Daten dieselben Schwächen auf.
Deshalb sollte die Transformation mit einer Analyse des gesamten Prozesses beginnen. Ermitteln Sie, wo Transaktionen ihren Ursprung haben, wo Entscheidungen getroffen werden, welche Ausnahmen Beurteilungen erfordern und wo Mitarbeiter Informationen erneut eingeben oder abgleichen. Definieren Sie anschließend den Zielprozess und die für dessen Betrieb benötigten Daten.
Nehmen wir die Kreditorenbuchhaltung als Beispiel. Ein Unternehmen möchte möglicherweise generative KI einsetzen, um Lieferantenanfragen zu beantworten und Rechnungsdaten mithilfe von Dokumentenanalyse zu extrahieren. Diese Funktionen können hilfreich sein, jedoch nicht, wenn Lieferantenstammdaten doppelt vorhanden sind, der Zahlungsstatus systemübergreifend verzögert angezeigt wird und Ausnahmegründe als Freitextnotizen ohne einheitliche Kategorien vorliegen. Die unmittelbare Chance besteht darin, die Datenerfassung zu standardisieren, Ausnahmecodes zu definieren, relevante Systeme zu verknüpfen und die Zuständigkeit für Lieferantendaten festzulegen. Die KI kann dann einen stabilen Prozess unterstützen.
Dieser Ansatz beugt zudem einem häufigen Fehler vor: der beschleunigten Automatisierung eines fehlerhaften Prozesses. Eine schnellere Weiterleitung unklarer Genehmigungen oder eine schnellere Integration in einen unkontrollierten Workflow führt nicht zu mehr Effizienz. Sie erhöht lediglich den Umfang der noch zu korrigierenden Arbeit.
Wie eine nutzbare Datengrundlage aussieht
Eine Datengrundlage erfordert kein mehrjähriges Programm, bevor sich ein geschäftlicher Nutzen ergibt. Sie benötigt einen klar definierten Umfang, der an priorisierte Prozesse gekoppelt ist. Ziel ist nicht die Zentralisierung aller verfügbaren Datensätze. Ziel ist es vielmehr, die für wichtige operative Entscheidungen benötigten Daten vertrauenswürdig, zeitnah und kontrolliert bereitzustellen.
Für jeden Anwendungsfall sollten Führungskräfte ein klares Datenprodukt definieren: die festgelegten Informationen, Kennzahlen, Verantwortlichkeiten, Qualitätsanforderungen und Zugriffsregeln, auf die ein Team oder eine Automatisierung angewiesen ist. Ein Datenprodukt zur Auftragsabwicklung könnte beispielsweise Auftragspositionen, verfügbaren Lagerbestand, Versandstatus, Kundenpriorität und Ausnahmegründe umfassen. Jedes Feld benötigt eine vereinbarte Definition und einen verantwortlichen Verantwortlichen.
Eine praxisorientierte Grundlage berücksichtigt auch Integration und Timing. Ein Dashboard, das auf Daten des Vortages basiert, mag für die monatliche Kapazitätsplanung ausreichend sein, ist aber für die Auftragsabwicklung am selben Tag unzureichend. Ebenso benötigt ein KI-Assistent, der Handlungsempfehlungen gibt, Zugriff auf aktuelle Richtliniendokumente, den aktuellen Transaktionsstatus und den relevanten Kunden- oder Anlagenkontext. Die Architektur sollte die für den Geschäftsprozess erforderliche Geschwindigkeit und Zuverlässigkeit widerspiegeln, nicht eine allgemeine Technologiepräferenz.
Governance ist ebenso operativ. Sie bedeutet, dass einfache, aber wichtige Fragen beantwortet werden können: Wem gehört dieses Feld? Was passiert bei einer fehlgeschlagenen Validierung? Welches System dient als Datenquelle? Wer darf die Daten für einen KI-Anwendungsfall nutzen? Wie werden sensible Informationen geschützt? Diese Kontrollen reduzieren den Wartungsaufwand, der häufig nach einem erfolgreichen Pilotprojekt anfällt.
Wenn KI schon vor Fertigstellung des Fundaments eingesetzt werden kann
„Grundlagen schaffen“ sollte keine Ausrede sein, sinnvolle Arbeit auf unbestimmte Zeit hinauszuzögern. Manche KI-Initiativen können frühzeitig beginnen, wenn der Prozess klar definiert, das Risiko überschaubar und die Eingangsdaten kontrolliert sind.
Ein Wissensassistent für interne Richtlinien kann ein sinnvoller erster Anwendungsfall sein, wenn er auf genehmigte Dokumente zurückgreift, klare Berechtigungen besitzt und Mitarbeitende bei Unsicherheit auf die entsprechenden Quellen verweist. die Dokumentenklassifizierung ist hilfreich, wenn die Anzahl der Dokumenttypen begrenzt ist und die Ergebnisse manuell geprüft werden. Solche Projekte unterstützen Teams beim Aufbau von Akzeptanz-, Governance- und Messverfahren, während gleichzeitig größere Datenverbesserungen vorangetrieben werden.
Der Kompromiss liegt im Umfang. Frühe KI-Projekte sollten keine weitreichenden Entscheidungen ohne verlässliche Daten, Nachvollziehbarkeit und Eskalationswege treffen. Ein Assistent kann eine Antwort an einen Lieferanten entwerfen. Er sollte Zahlungsbedingungen nicht selbstständig auf Basis unvollständiger Datensätze ändern. Ein Prognosemodell kann auf wahrscheinliche Lagerengpässe hinweisen. Es sollte die Planungskompetenz erst dann ersetzen, wenn seine Leistungsfähigkeit unter normalen Schwankungen, in Spitzenzeiten und in Extremfällen getestet wurde.
Die richtige Reihenfolge hängt von vier Bedingungen ab:
- Der Geschäftsprozess hat einen definierten Verantwortlichen und ein messbares Ergebnis.
- Die erforderlichen Daten liegen in ausreichender Qualität für die beabsichtigte Entscheidung vor.
- Ausnahmen können an eine Person oder einen kontrollierten Workflow weitergeleitet werden.
- Die Anforderungen an Sicherheit, Zugriff und Verantwortlichkeit sind klar.
Sind diese Bedingungen erfüllt, kann ein KI-Anwendungsfall einen Mehrwert bieten und gleichzeitig genau aufzeigen, wo die Datengrundlage noch verbessert werden muss.
Messen Sie das Geschäftsergebnis, nicht die Modellaktivität
KI-Implementierungsprogramme erfassen häufig Aktivitätskennzahlen: aktivierte Nutzer, eingereichte Anfragen, verarbeitete Dokumente oder bereitgestellte Modelle. Diese Kennzahlen deuten zwar auf eine gewisse Akzeptanz hin, belegen aber keinen operativen Nutzen.
Unternehmensleiter sollten jede Initiative mit Prozesskennzahlen verknüpfen. Im Finanzbereich können dies beispielsweise die Quote der automatisierten Bearbeitung, die Bearbeitungszeit von Ausnahmefällen, die Kosten pro Rechnung oder die Pünktlichkeit der Zahlungen sein. Im Kundenservice können dies Kennzahlen wie die Lösungsquote beim Erstkontakt, die Bearbeitungszeit, der Fallrückstand und die Einhaltung der Service-Level-Vereinbarungen sein. In der Fertigung können relevante Kennzahlen unter anderem die Terminstabilität, ungeplante Ausfallzeiten, Ausschuss und die Zeit zur Behebung von Qualitätsproblemen umfassen.
Eine Ausgangsbasis ist unerlässlich. Ohne sie kann ein Team echte Leistungssteigerungen nicht von saisonalen Schwankungen im Arbeitsaufkommen, Personalveränderungen oder temporären Notlösungen unterscheiden. Neben der Geschwindigkeit sollten auch Qualitätsmerkmale erfasst werden. Ein schnellerer Klassifizierungsprozess, der zu mehr fehlerhaften Fällen führt, bedeutet keine Produktivitätssteigerung.
Hier kommt es auf die integrierte Bereitstellung an. Prozessneugestaltung, Datenmanagement, Automatisierung, KI, Dashboards und Change-Management sollten sich gegenseitig verstärken. Wenn verschiedene Anbieter die einzelnen Ebenen ohne gemeinsames Betriebsmodell betreuen, erben Unternehmen oft fragmentierte Verantwortlichkeiten und kostspielige Schnittstellen. Eine einheitliche Transformations-Roadmap macht Abhängigkeiten sichtbar und hilft Teams, Prioritäten zu setzen und messbare Ergebnisse zu erzielen.
Eine praktische Abfolge für Unternehmensleiter
Beginnen Sie mit ein oder zwei Prozessen, bei denen Transaktionsvolumen, manueller Aufwand, Entscheidungsverzögerungen oder Compliance-Risiken hoch sind. Bilden Sie den aktuellen Workflow funktions- und systemübergreifend ab. Quantifizieren Sie Nacharbeiten, Wartezeiten, Ausnahmeaufkommen und die Kosten mangelnder Transparenz.
Definieren Sie anschließend den Zielbetriebsprozess und die zu seiner Steuerung benötigten Daten. Standardisieren Sie Definitionen, legen Sie Verantwortlichkeiten fest und verknüpfen Sie die Systeme, die die relevanten Datensätze enthalten. Automatisieren Sie vorhersehbare Schritte, für die stabile Regeln gelten. Dies schafft oft unmittelbaren Mehrwert, noch bevor fortgeschrittene KI zum Einsatz kommt.
Setzen Sie KI dort ein, wo sie eine spezifische Entscheidung, Interaktion oder Aufgabe mit unstrukturierten Daten verbessert. Planen Sie eine menschliche Überprüfung ein, wenn das Risiko oder die Unsicherheit hoch ist, und überwachen Sie die Ergebnisse nach der Implementierung. Erweitern Sie den Einsatz erst, nachdem die erste Implementierung gezeigt hat, dass Qualität, Governance und Wirtschaftlichkeit unter realen Betriebsbedingungen bestehen.
Ective betrachtet diese Vorgehensweise als eine operative Disziplin: Arbeitsabläufe organisieren, Daten strukturieren, wiederkehrende Aufgaben automatisieren und KI dort einsetzen, wo sie die Leistung wesentlich verbessert. Das Ergebnis ist kein isoliertes Pilotprojekt, sondern eine operative Fähigkeit, die sich auf andere Funktionen und Geschäftsbereiche ausweiten lässt.
Die leistungsstärksten KI-Programme beginnen nicht mit der Modellauswahl. Sie setzen an einem Geschäftsprozess an, der optimiert werden soll, an Daten, die eine fundierte Entscheidung ermöglichen, und an einem klaren Standard für bessere Leistung. Darauf aufbauend hat jede weitere KI-Investition eine deutlich höhere Chance, in den täglichen Betrieb integriert zu werden, anstatt nur eine weitere vielversprechende Demonstration zu bleiben.
