AI eats money
AI kann Unternehmen produktiver machen — oder sehr viel Geld verbrennen. Besonders dann, wenn unter Druck investiert wird, bevor intern verstanden wurde, wo AI wirklich Nutzen stiftet. Dann übernehmen oft externe Anbieter mit Standardrezepten, die kurzfristig Orientierung geben, langfristig aber teure Abhängigkeiten schaffen. Das Muster erinnert an frühere Großprojekte: viel Beratung, viel Anpassung, viel Komplexität — und am Ende ein System, das nur mit erheblichem Aufwand beweglich bleibt. Wer AI nachhaltig integrieren will, sollte deshalb nicht mit dem größten Budget starten, sondern mit dem größten Verständnis für das eigene Geschäft.
AI saves money
Der nachhaltigste Weg zur AI-Integration beginnt nicht mit einem Großprojekt, sondern mit den eigenen Leuten. Unternehmen, die ihr Domänenwissen systematisch mit AI-Kompetenz verbinden, bauen keine kurzfristige Showlösung, sondern echte Fähigkeiten auf. Ein Bottom-up-Ansatz schafft genau das: Er macht AI anschlussfähig an die Realität des Unternehmens — und hält die Strategie flexibel, wenn sich Modelle, Tools und Methoden weiterentwickeln.
Am Anfang steht deshalb nicht Technologie, sondern Befähigung. Mitarbeitende mit tiefem Prozessverständnis sollten gezielt in AI und Agentic AI weitergebildet werden. So bleibt kritisches Wissen im Unternehmen, während gleichzeitig die Grundlage für wirksame Automatisierung entsteht.
Darauf aufbauend sollten zwei Themen parallel starten: die AI-taugliche Strukturierung der Unternehmensdaten und die systematische Bewertung von Prozessen nach Automatisierungspotenzial. Externe Spezialisten können helfen, aber idealerweise nur als Coaches auf Zeit für das Transfer-Knowhow.
- Unternehmensdaten AI-verfügbar gestalten -> Retrieval-Augmented Generation + Agentic-Architecture
- Aktuelle Prozess-Landschaften nach möglicher Automatisierung durch Agenten analysieren und nach Aufwand und Ertrag gewichten -> Process Mining + Automation Assessment
RAG + Agentic-Architecture
Wer LLM’s (large language model) mit Unternehmens-Wissen verbinden will, sollte nicht beim Modell anfangen, sondern bei den Daten. Die Reihenfolge ist entscheidend: Erst Datenqualität und sinnvolle Segmentierung, dann Zugriffssteuerung, danach Retrieval und Reranking, ergänzt um Logs und eine belastbare Evaluation. Alles andere führt schnell zu beeindruckenden Demos — aber nicht zu verlässlichen Ergebnissen im Alltag.
Genau darin liegt der Unterschied zwischen einem Experiment und einer tragfähigen Lösung. Wenn Daten kontrolliert aufbereitet, sicher eingebunden und laufend überprüft werden, entsteht Schritt für Schritt eine Infrastruktur, die AI im Unternehmen wirklich nutzbar macht. Nicht als Spielerei, sondern als belastbare Wissens- und Arbeitsgrundlage.
- Datenqualität & Chunking — schlechte Daten führen auch mit guten Modellen zu schlechten Ergebnissen
- Zugriffssteuerung — was hier falsch angelegt wird, ist später nur schwer zu korrigieren
- Hybrides Retrieval & Reranking — nach der Datenqualität der wichtigste Hebel für gute Antworten
- Observability — ohne Logs kein Vertrauen und keine gezielte Verbesserung
- Evaluations-Pipeline — macht Qualität und Fortschritt messbar
Process Mining + Automation Assessment
Wo Agenten produktiv werden, verändert sich menschliche Arbeit nicht weniger, sondern mehr. Mitarbeitende werden zu Orchestratoren automatisierter Prozesse: Sie setzen Ziele, überwachen Ergebnisse, greifen bei Ausnahmen ein und entwickeln Abläufe weiter. Denn gerade bei agentischen Systemen gilt: Autonomie ohne Kontrolle ist kein Effizienzgewinn, sondern ein Risiko (siehe https://www.apollothirteen.com/de/article/uc-berkeley-study-shows-why-frontier-ai-models-will-deceive-you/?utm_source=copilot.com).
Das eröffnet eine neue Rolle im Unternehmen. Statt repetitive Aufgaben manuell abzuarbeiten, steuern Mitarbeitende künftig Systeme, die skaliert arbeiten — und schaffen so mehr Raum für Qualität, Innovation und echte Verbesserung.
Wer Prozesse für Agenten auswählt, sollte nicht mit der Frage beginnen, was technisch möglich ist, sondern was organisatorisch sinnvoll ist. Denn viele AI-Initiativen scheitern nicht an Modellen, sondern an schlecht verstandenen Abläufen.
Ein pragmatischer Ablauf hilft: zuerst den Fokus eingrenzen, dann den realen Ist-Prozess erfassen, anschließend entlang weniger Kriterien bewerten — etwa Regelgrad, Datenlage, Schnittstellen, Ausnahmen und Urteilsbedarf. So wird schnell sichtbar, ob ein Prozess eher für klassische Automatisierung taugt oder für einen Agenten, der mit Kontext, Tools und Unklarheiten umgehen muss.
Gerade bei Agenten braucht es jedoch eine zweite Prüfung: Wie klar ist das Ziel? Welche Systeme müssen angesprochen werden? Wie teuer wären Fehler? Und wie viel Kontextwissen muss verfügbar sein? Spätestens hier zeigt sich, ob ein Use Case nur interessant klingt oder tatsächlich tragfähig ist.
Die Priorisierungsmatrix ist dabei bewusst mehr als Dekoration: Sie schafft Übersicht, reduziert Wunschdenken und lenkt die Aufmerksamkeit auf die Fälle mit echtem Hebel. Denn am Ende zählt nicht, was sich theoretisch automatisieren ließe, sondern was praktisch Nutzen bringt.
Zusammenfassung
Bei der Auswahl von Prozessen für AI-Agenten sollte nicht die technische Machbarkeit im Vordergrund stehen, sondern der tatsächliche organisatorische Nutzen unter optimaler Einbeziehung der internen Ressourcen.
Sinnvoll ist ein schrittweises Vorgehen: Prozesse eingrenzen, den realen Ablauf erfassen und anhand klarer Kriterien bewerten. Gerade bei agentischen Systemen sind zusätzlich Zielklarheit, Systemzugriffe, Fehlerrisiken und Kontextbedarf entscheidend.
