Wann braucht Prozessautomatisierung tatsächlich KI?

💡 Kurz gesagt:

• Ein komplizierter Prozess braucht nicht automatisch KI. Sind Regeln explizit und wiederholbar, ist konventionelle Software meist genauer, günstiger und leichter prüfbar.
• KI verdient eine Rolle bei Unsicherheit. Ein Modell kann helfen, wenn das System unstrukturierten Text interpretieren oder ein Urteil treffen muss, das feste Regeln nicht ausdrücken können.
• Wählen Sie die Intervention für jeden Schritt, nicht für den gesamten Prozess. Regeln, Integrationen und Sprachmodelle können in einem Arbeitsablauf zusammenwirken; das Geschäftsergebnis zählt mehr als das Technologielabel.

Bei Vanity mussten jährlich ungefähr 100.000 Leads an die richtige Vertriebsvertretung gelangen. Anfragen kamen aus verschiedenen Ländern, Sprachen und Zeitzonen. Das Team leitete sie manuell in Google Sheets weiter; jede Zuordnung dauerte fünf bis fünfzehn Minuten.

Land, Sprache, Schicht, Abwesenheit, Kapazität und bisherige Zuständigkeit beeinflussten die Entscheidung. Die Regeln waren kompliziert, die Entscheidung selbst aber nicht mehrdeutig. Wir wussten, was jeweils passieren sollte.

Darum bat das von uns für Vanity gebaute Echtzeit-Lead-Management-System keine KI um die erste Zuweisung. Software wandte die Regeln an und übergab das Ergebnis an das CRM. Die Zuordnung wurde echtzeitfähig, die Genauigkeit lag über 99 Prozent.

Heute ließe sich dieselbe Aufgabe leicht als KI-Projekt verkaufen. KI hätte die Lösung nicht verbessert. Benötigt wurde Software, die bekannte Regeln konsequent anwendet.

Komplexität und Unsicherheit sind verschiedene Probleme

Nehmen wir an, ein Team möchte KI im Kundensupport einsetzen, weil Kunden zu lange warten. Die Verzögerung kann verschiedene Ursachen haben. Wenn Supportkräfte unregelmäßige Kundennachrichten schlecht interpretieren, kann ein Sprachmodell helfen. Existiert die richtige Antwort, wird aber nicht gefunden, reicht vielleicht eine bessere Suche. Ist die Entscheidung gefallen, erreicht aber das Bestellsystem nicht, liegt das Problem bei der Integration.

Von außen sehen alle drei Fälle gleich aus: Der Kunde wartet. Die richtige Intervention ändert sich mit dem Grund der Verzögerung.

Googles Leitfaden zum Framing von Machine-Learning-Problemen empfiehlt, das gewünschte Ergebnis ohne Bezug auf Machine Learning zu definieren und das vorgeschlagene System dann mit der bisherigen Methode oder einer einfachen Regel zu vergleichen. Lässt sich das Problem nicht ohne Erwähnung von KI erklären, bleibt die Beschreibung vermutlich noch auf die Lösung zentriert.

KI verdient ihren Platz, wenn Arbeit unregelmäßige Information auslegen oder ein Urteil fällen muss, das nicht in feste Regeln passt. Besteht die Aufgabe darin, bekannte Regeln anzuwenden oder Daten zwischen Systemen zu bewegen, ist konventionelle Software meist besser. Ein Modell bei einer vorhersagbaren Aufgabe kann das Ergebnis unnötig variabel machen.

KI hatte bei REDAR eine enge, aber notwendige Aufgabe

REDAR ist ein KI-unterstütztes Finanzprodukt zur Beobachtung von KAP-Meldungen und offenen Quellen. Wegen Datenlizenzbeschränkungen bleibt es ein privates System, das ein Freund und ich nutzen, keine öffentliche Plattform. Es extrahiert wichtige Information und liefert sie über Weboberfläche und Telegram.

Reguläre KAP-Daten kann REDAR mit deterministischen Regeln verarbeiten. Diese Regeln funktionieren nicht mehr, wenn eine Meldung oder ein Artikel aus offenen Quellen als unregelmäßiger Text ankommt. Dort nutzen wir ein Sprachmodell, um benötigte Informationen zu extrahieren und eine Zusammenfassung vorzubereiten.

Wir übergaben nicht den ganzen Arbeitsablauf einem LLM. Strukturierter Inhalt folgt einem deterministischen Pfad; das Modell tritt ein, wo Unsicherheit steigt. Die Zustellung über Telegram zählt genauso wie das Modell: Eine gute Zusammenfassung hat wenig Wert, wenn sie die richtige Person nicht rechtzeitig erreicht.

Ein anderes Problem hatten wir mit Banktransaktionen in einem internen Finanzdashboard. Statt jede Bank einzeln zu integrieren, nutzten wir einen Integrationsanbieter. Nicht die Anbindung einer Bank war die eigentliche Last, sondern die Wartung von 30 bis 40 Verbindungen bei sich ändernden Schnittstellen. Benötigt wurde ein Anbieter, der diese Wartung übernimmt, kein Modell.

Vanity brauchte explizite Regeln, das Finanzdashboard eine gepflegte Integration, REDAR ein Sprachmodell für unregelmäßigen Text. Alle drei nutzten Technologie; nur eines brauchte KI.

Empfehlung und Handlung tragen unterschiedliches Risiko

Eine Kundennachricht falsch zu klassifizieren ist nicht dasselbe wie eine falsche Geldüberweisung auszulösen. Welche Fehler das Unternehmen tolerieren kann, bestimmt sich auch danach, was das System tun darf.

Das NIST AI Risk Management Framework stellt dieselben praktischen Fragen: Wo wird das Modell eingesetzt, und was geschieht bei Fehlern? Ein Fehler kann korrigierbar sein, wenn ein Modell nur Information vorbereitet. Er wird zum operativen Ereignis, wenn das System eine Kundenantwort versendet, eine Zahlung anstößt oder einen Antrag ablehnt.

Die Systemgrenze gehört deshalb an den Anfang des Entwurfs. Irreversible Handlungen, autonome Ausführung und Situationen ohne rechtzeitige menschliche Intervention brauchen engere Kontrollen.

„Ein Mensch gibt frei“ reicht nicht. Klickt der Prüfer nur durch Modellentscheidungen, kann die Freigabe keine reale Kontrolle bieten. Wer Information, Zeit oder Befugnis zur Anfechtung einer Empfehlung nicht besitzt, ist keine wirksame Absicherung. Der Prozess hat Verantwortung nur verlagert.

Das Enterprise AI Playbook des Stanford Digital Economy Lab kommt aus 51 erfolgreichen Bereitstellungen bei 41 Organisationen zu einem ähnlichen Ergebnis: Die Technologiewahl war selten die schwierigste Frage. 77 Prozent der schwierigsten Herausforderungen wurden als nichttechnische Kosten wie Prozessneugestaltung, Datenqualität und Change Management eingeordnet. Das stützt Diagnose von Problem und Betriebsmodell vor dem Hinzufügen eines Modells; die reine Erfolgsstichprobe des Berichts darf jedoch nicht als allgemeine Erfolgsquote gelesen werden.

Erst das Problem lösen, dann das Modell wählen

Notieren Sie das Geschäftsergebnis, das sich ändern soll. Prüfen Sie dann, ob Integration, SQL-Abfrage, explizite Regeln oder konventionelle Software das Problem lösen können. Ist KI weiterhin nötig, definieren Sie, welche Daten das Modell nutzen darf, was bei Fehlern passiert und welche Handlungen es selbst ausführen darf.

KI an dieser Stelle auszuschließen ist kein schlechtes Ergebnis. Bei Vanity war es die richtige Entscheidung. Bei REDAR ließ derselbe Prozess dem Modell eine enge, wertvolle Aufgabe.

Die Modellauswahl folgt danach. Den umfassenderen Grund erkläre ich in Mit dem Geschäftsproblem beginnen, nicht mit dem KI-Modell.

Weitere Entscheidungen zu Modellen, Information, Befugnissen und Evaluierung finden Sie im Leitfaden zum Entwurf eines KI-Systems für Ihr Unternehmen.