KI in Unternehmen sieht in der Praxis wie ein einzelner Workflow aus, nicht wie eine Transformation

Die üblichen Listen zu KI in Unternehmen Beispiele sortieren nach Kategorie: Marketing, Kundenservice, Produktion, Finanzen. Das hilft niemandem bei einer konkreten Entscheidung, weil jede Kategorie ein Dutzend völlig unterschiedliche Umsetzungen zusammenfasst. Nützlicher ist die Frage, wie eine einzelne Umsetzung tatsächlich aussah, mit welchem Umfang, welcher Eingabe und welcher Kontrolle.

Fall 1: Dokumentenverarbeitung statt Dateneingabe

Ein Fertigungsunternehmen erhielt Bestellungen als PDF, in unterschiedlichen Formaten von unterschiedlichen Kunden. Die Lösung war keine allgemeine "KI für Dokumente", sondern eine intelligente Dokumentenverarbeitung mit einer klar definierten Aufgabe: PDF einlesen, Positionen extrahieren, gegen SAP-Stammdaten validieren, als geprüften SAP-Auftrag anlegen. Abweichungen, die die Validierung nicht bestehen, gehen an einen Menschen, nicht ins System. Der Umfang war eng genug, dass die Fehlerquote von Anfang an messbar war, und die Freigabe blieb dort, wo sie vorher auch lag.

Fall 2: Computer Vision in der Fertigung

Ein zweiter Fall betraf keine Sprache, sondern Bilder. Industrielle Computer-Vision-Modelle prüften Produktionslinien auf Anomalien, die auf eine beginnende Fehlfunktion hindeuten, bevor sie zum Ausfall wurde. Der entscheidende Unterschied zu einem generischen Pilotprojekt: das Modell wurde gegen eine spezifische, bekannte Fehlerklasse trainiert und validiert, nicht gegen "alles, was ungewöhnlich aussieht". Das macht das Ergebnis überprüfbar, weil man weiß, wonach das System sucht und wonach nicht.

Fall 3: Unternehmensweite Suche mit Freigabelogik

Ein Medienunternehmen mit über 500 Nutzern hatte das gegenteilige Problem: zu viele Inhalte, verteilt über zu viele Systeme, um sie mit einer klassischen Suche zu finden. Die KI-gestützte Suchplattform, die daraus entstand, war technisch anspruchsvoll, aber inhaltlich einfach zu beschreiben: eine Suche, die versteht, wonach gefragt wird, und nur Inhalte zurückgibt, auf die die anfragende Person tatsächlich Zugriff hat. Die Berechtigungslogik war dabei genauso wichtig wie das Sprachmodell.

Was diese drei Fälle gemeinsam haben

Keiner der drei war ein Programm zur "KI-Transformation". Jeder hatte einen einzelnen Workflow als Grenze, eine Eingabe, die klar definiert war, und eine Stelle, an der ein Mensch die letzte Entscheidung behielt oder das System gegen eine bekannte Referenz geprüft werden konnte. Genau diese Eingrenzung ist der Unterschied zwischen einem Anwendungsfall, der sich bewerten lässt, und einer Idee, die auf einer Folie gut aussieht. Ein AI Discovery Sprint bewertet, welche Ihrer eigenen Ideen diesen Zuschnitt bereits hat und welche ihn erst bekommen muss, bevor sie ein Budget verdient. Einen Überblick über die Fähigkeiten, aus denen solche Fälle entstehen, finden Sie auf unserer KI-Seite.