Leitfaden

Das ROI Problem

KI ist mittlerweile überall und in jedem Unternehmen Gesprächsthema. Tatsächlich sehen aber nur 60-80% der Unternehemen die KI einsetzen, ein tatsächliches return on investment laut Studien von McKinsey im “State of AI” Report aus Ende 2025. Doch wie kann man als mittelständisches Unternehmen KI gezielt einsetzen um reale Zeit zu sparen und dabei nicht einfach den cloud overhead unnötig zu erhöhen? Wir als Internetagentur arbeiten mit ML und AI schon lange, bevor GPT3 in den Hype kam. Jetzt geben wir einen Einblick, wie wir mit KI arbeiten und Prozesse dauerhaft automatisieren.

1. Klassische Automatisierung vs AI Automatisierung

Zuerst aber eine klare Abgrenzung der Bereiche klassische Automatisierung und KI Automatisierungen. Während in beiden Ansätzen die Grundidee in der Automatisierung von repetitiven Aufgaben liegt, gibt es dennoch einen entscheidenden Unterschied. Im klassischen Fall folgt der Prozess einem deterministischen Wenn dann Prinzip. Nur unter gleichen Bedingungen kann immer das gleiche Ergebnis erzielt werden.

KI-Automatisierung hingegen nutzt maschinelles Lernen, um unstrukturierte Daten zu verarbeiten, aus Kontexten zu lernen und eigenständig Entscheidungen zu treffen.

2. Warum die Modellwahl nebensächlich ist

Kommen wir nun aber direkt zu den entscheidenden Vorteilen und Stolpersteinen. Der Wettbewerbsvorteil bei KI liegt nicht im Modell, sondern im System, das darum gebaut wird. Jeder kann das selbe Modell mieten, zwischen ihnen wechseln und aussuchen. Der wahre Vorteil entsteht erst beim Gießen des Fundaments. 

3. Die 4 System Bausteine

Aufteilen lässt sich dies am sinnvollsten in vier Bausteine. Eine Wissensschicht, die Daten sauber anbindet und durchsuchbar macht. Eine Orchestrierungsschicht, die Absichten direkt erkennt, die Frage schärft, die richtige Quelle und das richtige Modell wählt, Kontext abruft und sich selbst über Evals prüft. Eine Agentenschicht, die mehrstufige Aufgaben übernimmt und dabei in den Rechten und Regeln bleibt. Und ein Unternehmensgedächtnis, das festhält, was funktioniert und was nicht. 

4. Was Automatisierungen nicht sind

In der Realität bedeutet das nichts anderes, als dass das Entwickeln von Google Apps Scripts und das Verwenden von teuren / neuen AI Modellen sind nicht mehr der USP von Prozessoptimierungsagenturen und sollten es auch nicht sein. Ein Prozess, der über 150K Tokens pro System Prompt braucht, wöchentlich kaputt geht und manuell angestoßen werden muss, ist keine Automatisierung, sondern ein kostspieliges Experiment.

FUF Insight

Wie man KI Automatisierungen richtig baut

Um genau das zu vermeiden, ist es hoch relevant, ein System aufzuziehen, das auf einem soliden Fundament steht. Das Modell ist austauschbare Infrastruktur, der Vorteil liegt im Runtime, also in Intent Detection, Retrieval, Tool Selection, Memory, Evals und Model Routing. Prompting ist kein dauerhafter Skill, sondern wandert in den Hintergrund, ein Agent schreibt den Prompt, ein anderer führt ihn aus. Entscheidend ist die Lücke zwischen Capability und Operating Model: Agenten erhöhen die Fähigkeit, aber wenn Rechte, Review Schleifen und Verantwortung im alten Betriebsmodell stecken bleiben, entsteht Shadow Automation, schnelle Ausführung ohne Rechenschaft. 

Daraus folgt eine feste Reihenfolge, erst Wissensschicht verbinden, dann Governance vor Skalierung, dann Evaluation in den Betrieb, dann Agenten skalieren. Ein Agent ist ein Werkzeug, das im Auftrag eines Mitarbeiters handelt, Verantwortung wird also nicht reduziert, sondern verschoben, auf den, der ihn eingesetzt, autorisiert und beaufsichtigt hat.

Kontakt