Kontaktieren Sie uns
Wir von accompio helfen Ihnen gerne.
25.09.2026
Wie gelingt KI im Unternehmen? Henrik Wenck erklärt, welche Prozesse sich eignen, wie Mitarbeitende geschult werden und wie sich der Mehrwert messen lässt.
KI im Unternehmen entfaltet ihren Nutzen selten durch ein einzelnes Tool. Entscheidend ist, wie gut ein Anwendungsfall zum bestehenden Prozess passt, welche Daten zur Verfügung stehen und wie Ergebnisse anschließend weiterverarbeitet werden.
Viele Mitarbeitende nutzen künstliche Intelligenz bereits, etwa für Texte, Analysen oder Code. Auf Prozessebene bleibt das Potenzial häufig ungenutzt. Dort reicht es nicht, einen einzelnen Arbeitsschritt zu beschleunigen. Unternehmen müssen den gesamten Ablauf betrachten und klären, an welchen Stellen KI sinnvoll unterstützt, wo eine klassische Automatisierung besser passt und wann ein Mensch entscheiden sollte.
Henrik Wenck, Senior VP bei accompio AI, erklärt im Experteninterview, welche Prozesse sich für KI eignen, was gute KI-Trainings ausmacht und mit welchen Kennzahlen sich der tatsächliche Mehrwert messen lässt.
Wie finden Unternehmen geeignete KI-Use-Cases? Welche Rolle spielen Datenqualität, Mitarbeitende und messbare Ziele? Henrik Wenck zeigt im Video, wie aus einzelnen KI-Experimenten ein strukturiertes Vorgehen für Prozesse und Teams wird.
00:06 Herzlich willkommen aus Dresden zu unserem heutigen accompio Fokusthema: KI im Unternehmen. Wir sprechen über Prozessautomatisierung, Training und messbaren Mehrwert. Bei mir ist Henrik Wenck. Henrik, schön, dass du da bist. Stell dich gerne kurz vor und erläutere deine Rolle bei accompio. Ja, gerne. Hi Luisa. Ich bin Henrik Wenck,
00:29 bin seit über zehn Jahren im KI-Bereich tätig und habe die Senior-VP-Rolle bei accompio AI. Das ist die KI-Unit von accompio und im täglichen Doing unterstützen wir Unternehmen dabei, geeignete KI-Anwendungsfälle zu finden und diese umzusetzen. Da gehören auch Automatisierungen dazu und zusätzlich die Mitarbeitenden der jeweiligen Unternehmen zu befähigen, KI zu verwenden. Wenn wir dabei in die Praxis schauen, was würdest du sagen,
01:05 in welchen Bereichen verändert KI den Arbeitsalltag in Unternehmen? Also, ich glaube generell: KI findet den Weg in immer mehr Unternehmen. Eine Vielzahl an Unternehmen nutzt KI bereits bzw. fängt an, sie zu nutzen. Aber ich würde hier unterscheiden. Auf der einen Seite gibt es viel individuelle Nutzung, also Mitarbeitende, die entsprechend KI nutzen,
01:34 um Texte zu schreiben, um Code schreiben zu lassen oder um Sachen zu analysieren. Auf der anderen Seite die KI auf Prozessebene, Unternehmensprozessebene. Da, glaube ich, ist noch Luft nach oben, und da werden wir in den nächsten Jahren auch noch viel sehen. Denn wenn KI auf individueller Ebene stattfindet und man sich den Prozess vorstellt, verschiedene Prozessschritte hat, dann hat KI aktuell immer noch Probleme,
02:05 vom jeweiligen Prozessschritt in den nächsten zu gelangen. Und welche Tätigkeiten eignen sich da besonders, durch KI unterstützt oder auch automatisiert zu werden? Also ganz generell kann man sich das so vorstellen: Es gibt ja die normale Softwareentwicklung. Und bei der Softwareentwicklung hat man einen Input und einen Output und schafft dann ein Regelwerk, wie der Input zum Output wird.
02:34 Also ein Entwickler schreibt dann die Regeln in Code runter und dann wird das entsprechend so verarbeitet. Bei KI hat sich dieses Mantra geändert. Man hat einen Input und einen Output, und anhand von Beispielen lernt das KI-Modell die Regeln. Und auf einmal waren Use Cases möglich, die davor einfach nicht möglich waren, weil die Regelwerke zu komplex waren.
02:59 Und dazu gehören Use Cases auf normalem Text, also natürlicher Sprache, als auch bzw. um das konkreter zu machen: Wenn man beispielsweise ein IT-Support-Ticket hat und das einem Output oder einer Abteilung bzw. einer Person zuordnen möchte, dann ist das ein toller Anwendungsfall für KI. Genauso auch, wenn man Fragestellungen hat und eine bestimmte Antwort haben möchte. Die Antwort kann auch basierend auf internem Wissen
03:32 sein. Wenn man also Wissen zuordnen möchte, ist KI auch toll. Was ich in der Praxis auch häufig sehe, ist KI in der Datenextraktion. Also ein Dokument kommt rein und automatisch werden Sachen wie der Rechnungsbetrag, das Datum usw. extrahiert. Das basiert alles auf unstrukturierten Daten und das kann zu einem Output gemappt werden. Wenn wir da jetzt
04:01 mal die Prozessperspektive einnehmen: Einzelne Arbeitsschritte werden ja recht häufig schon automatisiert. Was muss ich an diesem Prozess verändern, um einen tatsächlichen Mehrwert bzw. eine Verbesserung für den gesamten Ablauf herzustellen? Also, ich glaube, zuallererst sollte man sich den Ablauf aus der Vogelperspektive ansehen. Man sollte schauen, aus welchen Prozessschritten mein Ablauf besteht und wirklich bei der Engstelle anfangen
04:33 und sich dann mit der Engstelle auch fragen: Wenn ich diesen Punkt jetzt automatisiere oder effizienter gestalte, verschiebe ich nicht eigentlich nur das Problem? Wenn ich beispielsweise Texte schreiben lasse und im nächsten Arbeitsschritt genauso lange brauche, diese Texte zu prüfen, wie als wenn ich die Texte selbst schreiben würde, dann habe ich nichts gewonnen. Deswegen müssen Prozesse mit KI neu gedacht werden und man muss gucken: Wo startet man?
05:05 Da würde ich immer empfehlen: bei dem Problem, da, wo es gerade stockt. Dann muss man gucken: Was passiert davor? Was gehen für Daten rein? Habe ich die Datenqualität, die ich benötige, um diesen Prozess zu unterstützen, zu automatisieren? Und dann muss ich auch schauen: Was passiert danach? Also kann der Output des Prozesses oder des Prozessschrittes direkt weiterverarbeitet werden und wenn ja, unter welchen Bedingungen?
05:38 Also muss das Modell einen bestimmten Schwellwert überschreiten? Also bei welcher Confidence kann das Ergebnis weiterverwendet werden? Und ab welchem Punkt sollte auch ein Mensch draufschauen? Das ist mein nächster Punkt im Hinblick auf Prozessautomatisierung. Wo stößt KI da aktuell noch an Grenzen und wo ist der Mensch unerlässlich an der Stelle? Also, wie gerade schon gesagt, ich glaube, Datenqualität spielt
06:11 bei ganz, ganz, ganz vielen KI-Use-Cases eine riesige Rolle. Dann natürlich auch die probabilistische Natur von KI. Also, man kann sich das vorstellen: Wenn ich jetzt einen Prozess habe, der zehn Prozessschritte hätte und jeder dieser Prozessschritte mit 95 % Genauigkeit verarbeitet werden würde, dann multiplizieren sich die Fehler jeden einzelnen Prozessschrittes. Und auf einmal liege ich am Ende des Prozesses nicht mehr bei 95 %
06:43 Genauigkeit, sondern nach dem Prinzip nur noch bei 60 %. Da ist die Frage: Reicht es aus oder kann ich, wie anfangs gesagt, auch die normale Softwareentwicklung verwenden, um bestimmte Prozesse deterministisch laufen zu lassen? So, dann. Was wir häufig auch sehen, ist die Regulatorik. Nichts ist ärgerlicher, wenn man einen KI-Use-Case umgesetzt hat, der gut funktioniert und man dann entsprechend merkt: Hey,
07:15 den hätte ich gar nicht so umsetzen dürfen. Und zur zweiten Frage: Was sollte der Mensch weiterhin tun? Hm, ich denke, KI kann gut Arbeit erledigen, aber schwer Verantwortung tragen. Also beim Menschen sollte die Verantwortung liegen und genauso auch die Beziehungsarbeit. Sei es die interne als auch die mit Kunden nach außen.
07:46 Du hast gerade die Verantwortung angesprochen, die unerlässlich ist. Wenn wir jetzt davon ausgehen, dass KI aktuell eher Routineaufgaben übernimmt: Welche Fähigkeiten oder welche Skills werden dann bei Mitarbeitenden wichtiger? Also, ich glaube, der Unterschied zum aktuellen Arbeiten oder zum vorherigen Arbeiten ist der, dass viele Arbeitsprozesse nicht mehr bei null anfangen. Man startet selten noch mit einem leeren Blatt,
08:16 sondern man lässt sich den ersten Entwurf mit KI generieren und damit erfordert das einfach ein anderes Skillset. Ich muss den Output entsprechend lesen, ich muss ihn einschätzen können und ich muss auch kritisch hinterfragen können: Ist das, was mir gezeigt wird, wirklich das Richtige? Also, wenn ich das zusammenfassen müsste, würde ich sagen:
08:41 Das Prozesswissen ist weiterhin bzw. eigentlich noch wichtiger geworden, weil ich die Prozesse verstehen muss. Ich muss verstehen, was dauert wie lange und wo können Fehler auftreten. Und auf der anderen Seite dieses kritische Prüfen. KI-Modelle sind wahnsinnig gut darin, Output zu erzeugen, der sich gut anhört. Und genau da brauche ich die fachliche Einschätzung, um zu sagen: Das hört sich nur gut an, ist aber fachlich falsch. Kommen wir mal zum Thema KI-Training.
09:14 Diese Fähigkeiten muss so ein Mitarbeiter ja auch neu entwickeln. Was muss so ein KI-Training vermitteln, dass ein Mitarbeiter wirklich diese Fähigkeiten entwickelt und nicht nur lernt, ein Tool zu bedienen? Ich glaube, die Frage trifft das Problem schon auf den Kopf. Also viele KI-Trainings, die sind sehr generalistisch gehalten und ich bin der Meinung, ein KI-Training sollte sich auf den Arbeitsalltag des jeweiligen Mitarbeitenden konzentrieren, weil sonst nimmt man Inhalte mit, die zwar schön und unterhaltsam sind,
09:48 aber letztendlich gar nicht auf das mappen, was man tagtäglich tut. Ich denke, man sollte auch den Fokus darauf legen, nicht nur Regeln beizubringen, wie bestimmte Software verwendet werden sollte, sondern man sollte die Prinzipien verstehen, weil die Softwarelandschaft ändert sich aktuell wahnsinnig schnell. Da kann man sagen: Alle paar Monate gibt es neue Anbieter bzw. viele Unternehmen hinterfragen auch: Auf welche Anbieter sollte ich mich denn langfristig festlegen? Und
10:28 genau, wenn man entsprechend verstanden hat, welche Prinzipien dahinter liegen, die kann man dann auch übertragen auf neue Tools. Und dann wahrscheinlich der dritte Punkt. Da würde ich sagen: das kritische Denken oder das kritische Prüfen. Mitarbeitende sollten nicht nur darauf trainiert werden, Output zu erzeugen, sondern auch den Output zu hinterfragen. Und jetzt ist es aber häufig so, dass die Erwartungen nach so einer Schulung
10:58 ähm, ja, nicht ganz erfüllt werden und dass das Erlernte nicht unbedingt mit in den Arbeitsalltag übertragen und mitgenommen werden kann. Was würdest du sagen: Woran liegt das? Also, das haben wir auch in der Praxis schon häufig gesehen. Ich denke, es liegt daran: Man hatte die tolle Weiterbildung, hat viel entsprechend gelernt. Kommt am nächsten Morgen ins Büro und es warten hunderte E-Mails oder 100 E-Mails und Calls, die man entsprechend für den Tag aufgeschoben hat,
11:32 und man ist einfach aufgrund der Zeitknappheit ganz schnell wieder in seiner eigenen vorherigen Routine. Und diese Routine aufzubrechen ist eigentlich die eigentliche Herausforderung. Also meiner Meinung nach sollte man den Mitarbeitenden Zeit und Raum geben, das neu Erlernte anzuwenden. Und genauso sollte die Unternehmenskultur das so offen vorleben und erwarten, dass die Mitarbeitenden
12:03 das Gelernte auch verwenden in ihrem täglichen Arbeiten. Ich würde gerne das Thema Produktivität noch mal ansprechen. Du hast es vorhin auch schon erwähnt: Wenn ich Tätigkeiten mit KI umsetze und hinterher aber genauso lange prüfen muss, wie die eigene Erstellung gedauert hätte, ist es kein Mehrwert. Das ist nicht produktiv. Kannst du
12:28 vielleicht noch ein paar Tipps geben, woran ich erkennen kann, ob eine Tätigkeit durch KI wirklich und tatsächlich produktiver geworden ist? Ja, ich glaube, bei KI ist es wichtig, zwei Begrifflichkeiten immer wieder zu trennen. Das ist einmal die Aktivität und die Produktivität. KI-Tools sind unglaublich gut darin, Output zu erzeugen. Das ist aber erstmal nur eine Menge. Das sagt gar nichts über die Produktivität entsprechend aus.
12:56 Wo Produktivität entsprechend dazukommt, ist, wenn es messbar wird. Wenn ich entsprechend weiß: Wie hat der Prozess davor geklappt? Wo liege ich jetzt? Also diese Vergleichbarkeit, diese Messbarkeit entsprechend aufzuzeigen. Das ist ein Weg zur Produktivität, sonst ist es nur ein Bauchgefühl. Gibt es da konkrete Kennzahlen, um diese Messbarkeit oder diesen messbaren Effekt auch im Unternehmen sichtbar zu machen?
13:30 Es gibt definitiv generelle Kennzahlen dafür. Also man kann sich entsprechend anschauen: Wie ist die Durchlaufzeit des jeweiligen Prozesses aktuell und wie ist sie nach der KI-Automatisierung? Wie sieht es aus bei der Qualität, also wie viel Nacharbeit habe ich? Wie oft muss ich entsprechend als Mitarbeitender über diesen Output schauen und diesen korrigieren? Und darüber hinaus
14:01 ist eigentlich die wirkliche Verwendung der KI-Lösung. Weil es bringt nichts, die tollste KI-Lösung im Unternehmen zu haben und keiner nutzt sie, sondern man muss entsprechend auch aktiv messen: Wie sehr wird die KI-Lösung genutzt? Und wenn ein Unternehmen jetzt mit KI im Arbeitsalltag starten möchte, wie sollte es da deiner Erfahrung nach am besten vorgehen?
14:30 Also, in unserer Erfahrung ist es so, dass sie erst mal schauen sollten: Wo nutzen Mitarbeitende eigentlich bisher schon KI? Und das ist häufig mehr, als die meisten Personen erwarten. Also, das ist das große Thema Schatten-KI. Dann sollte man die jeweiligen Prozesse oder die potenziellen Prozesse anhand von strukturierten Kriterien analysieren. Und dann im letzten Schritt schauen, welche Mitarbeitenden
15:05 gerade wenn man die KI bzw. die KI-Lösung umgesetzt hat, dann auch die Mitarbeitenden zu befähigen, die Lösung zu nutzen und darüber hinaus weiter zu denken. Genau. Kann ein KI-Assessment in solchen Fällen auch Potenziale aufdecken? Auf jeden Fall. Deswegen ist es eine der Leistungen, die wir auch aktiv anbieten. Wir nennen das KI-Assessment.
15:33 Wir nennen das KI-Audit und da setzen wir uns mit Unternehmen an einen Tisch, haben Interviews mit den Mitarbeitenden, mit der Geschäftsführung, um entsprechend die Potenziale zu analysieren und schauen, dann eine geeignete Roadmap aufzubauen, was das Unternehmen kurz-, mittel- und langfristig mit KI am besten machen kann. Organisatorisch gibt es auch einiges zu beachten,
16:03 besonders im Hinblick auf Weiterbildung und Arbeitsorganisation. Wir hatten das vorhin schon kurz angerissen: Wenn KI nicht mehr nur punktuell, sondern dauerhaft Teil von Prozessen werden soll, was müssen Unternehmen konkret ändern? Also, ich glaube, KI kann man aus der aktuellen Arbeitswelt nicht mehr rausdenken. Und damit ist die Weiterbildungsmöglichkeit bzw. die Weiterbildung sollte nicht mehr punktuell passieren.
16:32 Das ist ein stetiger Fluss an Weiterbildungen, den man seinen Mitarbeitenden ermöglichen sollte. Man sollte schauen, Richtlinien im Unternehmen oder Leitplanken zu schaffen, die den Mitarbeitenden Halt geben. Also: Was darf ich, was darf ich nicht, auch gerade auf der anderen Seite hinsichtlich der Regulatorik, um keine größeren Bußgelder zu riskieren.
17:04 Und auf der anderen Seite entsprechend die Unternehmenskultur für KI umzubauen, dass entsprechend KI-Nutzung vorgelebt wird. Viele Unternehmen setzen auch Multiplikatoren in Teams ein, die entsprechend als Ansprechpartner dienen und den Mitarbeitenden zeigen, wie KI nutzbar gemacht werden kann. Und ja, also ich denke, wir befinden uns jetzt in einem stetigen Wandel. Und der wird von Monat zu Monat anders aussehen.
17:40 Abschließend habe ich noch eine Frage, aus deiner Sicht: Welche Fehler machen Unternehmen beim Einsatz von KI-gestützter Prozessautomatisierung am häufigsten? Und lässt sich das vielleicht vermeiden? Ja, ich denke, basierend auf meiner eigenen Erfahrung, dass viele Unternehmen diesen Prozess noch sehr unstrukturiert angehen. Sie holen sich Tools ins Haus, haben vielleicht eine Weiterbildung und hoffen, dass sich das Thema entsprechend dadurch schon regelt.
18:11 Was wir sehen, gerade hinsichtlich der Prozessautomatisierung, ist, dass es am hilfreichsten ist, sich wirklich an diese Prozesse zu setzen. Zu überlegen: Wie möchte ich denn meine Prozesse mit KI gestalten? Dass sie sich einen Plan machen: Wie befähige ich meine Mitarbeitenden langfristig, mit KI zu arbeiten, und wie messe ich die Wirkung von KI? Und das nicht nur vor dem Prozess und nach dem Prozess, sondern kontinuierlich nach dem Prozess.
18:43 Weil die KI wird sich auch immer wieder ändern. Henrik, vielen Dank für das informative Gespräch. Mir hat es viel Spaß gemacht. Ich hoffe, Ihnen ebenso. Wir hören uns gerne beim nächsten accompio Fokusthema. Machen Sie es gut.
Im Arbeitsalltag zeigt sich KI auf zwei Ebenen. Auf der individuellen Ebene nutzen Mitarbeitende Anwendungen zum Schreiben, Programmieren oder Analysieren. Diese Nutzung ist in vielen Unternehmen bereits angekommen.
Auf Prozessebene ist die Aufgabe anspruchsvoller. Ein Unternehmensprozess besteht aus mehreren Arbeitsschritten, Systemen und Verantwortlichkeiten. Wenn KI nur einen davon bearbeitet, muss ihr Ergebnis zuverlässig in den nächsten Schritt gelangen. Genau an diesen Übergängen entstehen häufig Medienbrüche, zusätzlicher Prüfaufwand oder neue Engpässe.
Der sinnvolle Einsatz von KI beginnt deshalb mit einer Prozessanalyse. Erst wenn Input, gewünschter Output und nachfolgende Verarbeitung klar sind, lässt sich beurteilen, ob KI, klassische Softwarelogik oder eine Kombination aus beidem die passende Lösung ist.
Besonders interessant sind Aufgaben, bei denen feste Regelwerke schnell zu komplex werden. KI-Modelle können anhand von Beispielen lernen, welche Eingaben zu welchem Ergebnis führen sollen. Dadurch lassen sich auch unstrukturierte Inhalte wie Texte oder Dokumente verarbeiten.
Ein IT-Support-Ticket kann anhand seines Inhalts einer zuständigen Abteilung oder Person zugeordnet werden. Ein ähnliches Prinzip nutzt AI Flow für die Klassifikation eingehender Anfragen. Voraussetzung ist, dass Kategorien, Zuständigkeiten und die weitere Bearbeitung sauber definiert sind.
KI kann Fragen mit internem Wissen verknüpfen und einen ersten Antwortentwurf bereitstellen. Damit das zuverlässig funktioniert, müssen die Wissensquellen aktuell, zugänglich und fachlich eindeutig sein. Für sensible Inhalte braucht es außerdem eine kontrollierte Umgebung, etwa eine zentrale KI-Wissensplattform für Unternehmen.
Aus Rechnungen, Formularen oder anderen Dokumenten lassen sich relevante Angaben wie Betrag, Datum oder Referenznummern extrahieren. AI Flow Inbox Extract überführt solche Informationen in eine strukturierte Form, damit operative Systeme sie weiterverarbeiten können.
Wer einen Prozess nur an einer Stelle beschleunigt, verschiebt das Problem unter Umständen in den nächsten Arbeitsschritt. Henrik Wenck empfiehlt deshalb, den gesamten Ablauf aus der Vogelperspektive zu betrachten.
Der Ausgangspunkt ist die Stelle, an der ein Prozess aktuell stockt. Dort sollte geprüft werden, ob eine Automatisierung wirklich Zeit spart oder nur zusätzlichen Prüfaufwand erzeugt.
Ein KI-Modell kann nur mit den Informationen arbeiten, die ihm zur Verfügung stehen. Fehlende, uneinheitliche oder veraltete Daten senken die Verlässlichkeit des Ergebnisses.
Vor der Umsetzung muss feststehen, was nach dem KI-Schritt passiert. Kann das Ergebnis direkt in ein weiteres System übernommen werden? Muss es freigegeben werden? Wer übernimmt einen Fall, wenn wichtige Angaben fehlen?
Für automatisierte Entscheidungen braucht es klare Qualitätsgrenzen. Eine hohe Confidence kann die direkte Weiterverarbeitung erlauben. Bei einem unsicheren Ergebnis sollte ein Mensch prüfen und entscheiden.
Nicht jeder Prozessschritt benötigt KI. Eindeutige Regeln lassen sich oft verlässlicher mit klassischer Software abbilden. In der Praxis entsteht der größte Nutzen häufig aus einer Kombination: KI verarbeitet variable Inhalte, deterministische Logik steuert klar definierte Abläufe.
KI arbeitet probabilistisch. Ein plausibel klingendes Ergebnis kann fachlich falsch sein. In langen Prozessketten kommt ein weiterer Effekt hinzu: Wenn mehrere Schritte jeweils eine gewisse Fehlerwahrscheinlichkeit haben, können sich die Abweichungen über den gesamten Ablauf verstärken.
Auch regulatorische Anforderungen müssen vor der Umsetzung geklärt werden. Ein funktionierender KI-Use-Case bringt wenig, wenn er Daten auf eine Weise verarbeitet, die im Unternehmen nicht zulässig ist. Klare Regeln und eine belastbare KI-Governance gegen Shadow AI gehören deshalb zur technischen Planung.
„KI kann gut Arbeit erledigen, aber schwer Verantwortung tragen.“
Henrik Wenck, Senior VP bei accompio AI
Verantwortung und Beziehungsarbeit bleiben beim Menschen. Das gilt für interne Entscheidungen ebenso wie für den Kontakt mit Kundinnen und Kunden. Mitarbeitende müssen Ergebnisse einordnen, fachlich prüfen und die Folgen einer Entscheidung überblicken können.
Ein KI-Training ist dann hilfreich, wenn es den konkreten Arbeitsalltag der Teilnehmenden aufgreift. Eine allgemeine Einführung kann Interesse wecken. Für die praktische Anwendung brauchen Mitarbeitende Beispiele, Aufgaben und Risiken aus ihren eigenen Prozessen.
Eine fortlaufende Lernkultur ist wirksamer als eine einmalige Schulung. Die AI Academy für Mitarbeitende schafft dafür eine gemeinsame Grundlage. Ergänzend können Multiplikatoren in einzelnen Teams als Ansprechpersonen dienen und konkrete Einsatzmöglichkeiten weitertragen.
KI-Tools können in kurzer Zeit viel Output erzeugen. Diese Aktivität ist noch kein Beleg für Produktivität. Aussagekräftig wird der Einsatz erst, wenn ein Unternehmen den Prozess vor und nach der Einführung anhand derselben Kriterien betrachtet.
Diese Kennzahlen sollten kontinuierlich erhoben werden. Modelle, Daten und Arbeitsabläufe verändern sich. Eine Messung direkt nach der Einführung reicht deshalb nicht aus. Beim Testen von künstlicher Intelligenz spielen neben der fachlichen Qualität auch Stabilität und Verhalten unter veränderten Bedingungen eine Rolle.
Der erste Schritt ist eine ehrliche Bestandsaufnahme. Unternehmen sollten erfassen, welche KI-Tools Mitarbeitende bereits nutzen, für welche Aufgaben sie eingesetzt werden und welche Probleme damit gelöst werden sollen. Dabei wird häufig mehr Nutzung sichtbar als erwartet.
Anschließend werden potenzielle Prozesse nach einheitlichen Kriterien bewertet. Dazu gehören der erwartete Nutzen, die technische Machbarkeit, die Datenlage, der Prüfaufwand und mögliche Risiken. Ein KI-Use-Case-Sprint hilft, Ideen zu strukturieren und zu priorisieren.
Für eine breitere Einordnung eignet sich ein KI-Assessment oder KI-Audit. Interviews mit Mitarbeitenden und Geschäftsführung zeigen, wo bereits Erfahrungen bestehen und welche Prozesse besonders relevant sind. Daraus entsteht eine Roadmap mit kurz-, mittel- und langfristigen Maßnahmen. Der AI Compass Health Check liefert dafür eine strukturierte Ausgangsbasis.
Ein häufiger Fehler ist ein unstrukturiertes Vorgehen. Unternehmen kaufen ein Tool, bieten eine Schulung an und erwarten, dass sich die Nutzung anschließend von selbst entwickelt. Damit fehlen jedoch gemeinsame Ziele, Verantwortlichkeiten und messbare Kriterien.
Hilfreicher ist ein verbindlicher Plan. Er beschreibt, welche Prozesse verändert werden sollen, wie Mitarbeitende langfristig befähigt werden und wie sich die Wirkung der eingesetzten KI laufend messen lässt. Dazu gehören auch Leitplanken für erlaubte Anwendungen, Daten und Freigaben. Da sich KI-Lösungen schnell verändern, muss dieser Plan regelmäßig überprüft werden.
KI kann unter anderem Support-Tickets klassifizieren, Anfragen zuständigen Teams zuordnen, internes Wissen auffindbar machen und Daten aus Dokumenten extrahieren. Der Nutzen hängt davon ab, ob das Ergebnis zuverlässig in den nächsten Prozessschritt übernommen werden kann.
Geeignet sind vor allem wiederkehrende Aufgaben mit klar definiertem Input und Output, bei denen unstrukturierte Daten verarbeitet werden. Vor der Umsetzung müssen Datenqualität, nachgelagerte Schritte und der erforderliche Prüfaufwand bewertet werden.
Eine menschliche Prüfung ist besonders wichtig, wenn die Confidence niedrig ist, sensible Daten betroffen sind oder eine Entscheidung rechtliche, finanzielle oder persönliche Folgen hat. Verantwortung und fachliche Freigabe bleiben beim Menschen.
Ein wirksames Training verbindet die Grundlagen mit realen Arbeitsprozessen. Es vermittelt Prozesswissen, übertragbare Prinzipien, den sicheren Umgang mit Daten und die kritische Prüfung von KI-Ergebnissen.
Geeignete Kennzahlen sind Durchlaufzeit, Qualität, Nacharbeit und tatsächliche Nutzung. Entscheidend ist der Vergleich mit dem Prozess vor der Einführung und eine fortlaufende Messung nach dem Start.
Ein KI-Assessment untersucht bestehende Nutzung, Prozesse, Daten, Kompetenzen und Risiken. Aus Interviews und einer strukturierten Bewertung entsteht eine priorisierte Roadmap für kurzfristige, mittelfristige und langfristige KI-Maßnahmen.
Sie möchten geeignete KI-Use-Cases identifizieren, Prozesse sinnvoll automatisieren und Mitarbeitende auf die neue Arbeitsweise vorbereiten? accompio unterstützt Sie von der Bestandsaufnahme über die Roadmap bis zur technischen Umsetzung und Befähigung Ihrer Teams.
Henrik Wenck ist seit mehr als zehn Jahren im KI-Bereich tätig und arbeitet als Senior VP bei accompio AI. Er unterstützt Unternehmen dabei, geeignete KI-Anwendungsfälle zu identifizieren, umzusetzen und Mitarbeitende für den produktiven Einsatz von KI zu befähigen.
