KI im Unternehmen: die Anwendungsfälle, die wirklich Wert schaffen.

Selten wurde eine Technologie so schnell in den Reden und so langsam in den Prozessen übernommen. Alle Führungsteams haben beeindruckende Demonstrationen gesehen. Viele haben Piloten gestartet. Sehr wenige können einen vollständigen Prozess benennen, dessen Leistung sich dauerhaft verändert hat. Diese Diskrepanz hat wenig mit der Reife der Modelle zu tun; sie liegt an der Art, wie Unternehmen ihre Anwendungsfälle auswählen. Oder genauer: an der Art, wie sie sie nicht auswählen.

Warum „KI überall“ scheitert

KI auf alle Themen gleichzeitig zu streuen, führt unweigerlich zum selben Ergebnis: einer Sammlung verwaister Piloten. Die Mechanismen sind immer dieselben.

• Die Demonstration ersetzt den Prozess. Ein Assistent, der im Lenkungsausschuss glänzt, und eine Verarbeitung, die ihr Versprechen über Tausende realer Vorgänge hält, mit ihren Ausnahmen, Streitfällen und schlecht gescannten Dokumenten, sind zwei verschiedene Dinge. Das erste erhält man in wenigen Wochen. Das zweite verlangt, den umgebenden Prozess neu zu gestalten.
• Niemand besitzt das Ergebnis. Wenn der Anwendungsfall in einem Labor entsteht statt bei einem Prozessverantwortlichen, verantwortet niemand die Lücke zwischen Versprechen und Produktivbetrieb. Der Pilot gelingt, die Ausrollung bleibt verwaist, das Thema erlischt.
• Die Daten werden zu spät entdeckt. Unternehmens-KI schließt nicht über das Internet, sondern über Ihre Aufträge, Rechnungen, Verträge und Kontakthistorien. Wenn diese unvollständig oder widersprüchlich sind, industrialisiert das Modell die Verwirrung. Viele KI-Projekte sterben an einem Datenproblem, das ein ehrliches Scoping vom ersten Tag an offengelegt hätte.

Was einen guten Anwendungsfall auszeichnet

Unser Raster ist bewusst nüchtern. Fünf Bedingungen, alle notwendig.

• Ein häufiger Prozess, der viel menschliche Aufmerksamkeit kostet. Der Wert der KI zählt sich in Vorgängen; misstrauen Sie prestigeträchtigen Themen mit geringem Volumen.
• Ein in den Begriffen des Fachbereichs messbares Ergebnis: Durchlaufzeit, Fehlerquote, vermiedene Last, Antwortzeit gegenüber dem Kunden. Vor dem Projekt definiert. Nachträglich rekonstruierte Kennzahlen beweisen nichts.
• Zugängliche und ausreichend verlässliche Daten, oder ein explizit im Umfang enthaltenes Vorhaben zur Datenbereinigung.
• Ein fachlicher Eigentümer, der das Ergebnis so sehr will, dass er bereit ist, seinen eigenen Prozess dafür zu ändern.
• Ein Weg in den Produktivbetrieb: Integration ins System, Ausnahmebehandlung, Überwachung. Ohne Industrialisierungsplan bleibt ein Anwendungsfall ein Prototyp, unabhängig vom Budget.

Ersetzen Sie „Wo können wir KI einsetzen?“ durch „Welcher Prozess soll in einem Jahr anders funktionieren?“: Die Hälfte der Sortierung ist damit erledigt.

Auf SAP und Salesforce: Was die Hürde zum Produktivbetrieb nimmt

Die Anwendungsfälle, die den Produktivbetrieb erreichen, ähneln sich. Wir sehen sie sich um fünf Felder gruppieren, von denen zwei vor allem im Kernsystem und zwei vor allem in der Kundenbeziehung leben.

Die Dokumentenextraktion

Lieferantenrechnungen, Bestellungen, Konnossemente, Zollerklärungen, Ausweisdokumente bei der Kontoeröffnung: Ein erheblicher Teil der Verwaltungsarbeit besteht darin, Dokumente zu lesen, um ihren Inhalt in SAP oder ins CRM neu einzugeben. Assistierte Extraktion, Abgleich und Verbuchung bilden das sicherste Terrain der Unternehmens-KI. Die Volumen sind hoch, das Ergebnis ist überprüfbar, und die Gewinne sind für die Teams selbst sichtbar, was für die Akzeptanz alles ändert. In einer Wirtschaft, in der viele Dokumente noch auf Papier oder als Handyfoto zirkulieren, bestimmt die Qualität der Erfassung alles: Sie gehört zum Projekt.

Der erweiterte Kundenservice

Auf Salesforce Service Cloud fasst die KI die Historie eines Kunden vor dem Anruf zusammen, schlägt dem Berater eine Antwort vor, klassifiziert und leitet eingehende Anfragen weiter, ob sie per E-Mail, per WhatsApp oder über die Filiale kommen. Der Wert ist real, wenn der Berater Herr der Antwort bleibt und das System aus seinen Korrekturen lernt. Er verschwindet, wenn man versucht, den Berater bei Anfragen zu ersetzen, die den Kunden binden, einen Streitfall oder eine Rückerstattung.

Die in den Betrieb verankerte Prognose

Bedarfsprognose, Antizipation von Lieferverzögerungen, Liquiditätsprojektion: Prognose schafft Wert, wenn ihr Ergebnis eine wiederkehrende, mit Werkzeugen unterstützte Entscheidung speist, einen Beschaffungsplan oder eine Liquiditätsbesprechung, statt eines weiteren Dashboards. Das entscheidende Kriterium hat nichts mit der Raffinesse des Modells zu tun. Eine fachliche Handlung muss sich dank ihm ändern.

Das Scoring

Priorisierung von Interessenten, Abwanderungsrisiko eines Abonnenten, Neigung, ein Angebot zu zeichnen: Scoring in Salesforce Sales Cloud oder Marketing Cloud ist nützlich, wenn es erklärt, anfechtbar und überprüft wird. Ein Score, den niemand begründen kann, wird am Ende von den Vertriebsmitarbeitenden ignoriert, oder schlimmer, unterschiedslos auf Kunden angewendet, die er falsch einordnet. Und sobald er Personen betrifft, unterliegt er dem Gesetz Nr. 2008-12: erklärter Zweck, Information der Betroffenen, Widerspruchsrecht.

Die Agenten

Assistenten, die mit dem Wissen des Unternehmens antworten, Agenten, die Transaktionen unter menschlicher Kontrolle vorbereiten oder ausführen, auf SAP wie auf Salesforce: Die vielversprechendste Familie ist auch die anspruchsvollste. Sie setzt einen strengen Rahmen voraus. Abgegrenzter Handlungsbereich, Nachvollziehbarkeit jeder Aktion, menschliche Freigabe für alles, was das Unternehmen bindet. Ein Agent ohne Governance ist nichts anderes als ein operatives Risiko mit guter Oberfläche.

Drei Bedingungen, die Begeisterung nicht ersetzt

Keine dieser Familien hält ohne drei Fundamente. Zunächst saubere Daten: zwischen ERP und CRM geteilte Stammdaten, gemeinsame Definitionen, gesteuerte Zugriffe. Das ist das undankbare Vorhaben, das alle anderen bedingt, und der Grund, warum unser Angebot Data & Analytics die Daten und ihre Nutzung gemeinsam behandelt. Sodann menschliche Aufsicht: Jemand schaut, was das Modell produziert, korrigiert, und seine Korrekturen fließen ins Modell zurück. Und schließlich eine Governance: Wer entscheidet, was die KI tun darf, wer verantwortet ihre Fehler, wie werden die Betroffenen informiert. Wir weigern uns, darin Innovationsbremsen zu sehen. Es ist das, was eine Unternehmensfähigkeit von einem Dauerexperiment trennt.

Was uns die Praxis gelehrt hat

Einige Lehren aus unseren Projekten, ohne eines zu nennen. Die Vertrauensschwelle einer Extraktion wird mit den Teams eingestellt, die prüfen, nicht im Büro eines Architekten: zu niedrig, und sie vertrauen nicht mehr; zu hoch, und sie geben alles neu ein. Ein Modell driftet: Was auf den Dokumenten vom Januar funktionierte, verschlechtert sich auf denen vom Juni, wenn ein Lieferant sein Format ändert, und niemand sieht es, wenn niemand misst. Die Teams übernehmen, was ihnen eine lästige Aufgabe abnimmt, und lehnen ab, was ihnen eine hinzufügt, sei sie noch so klein. Und der beste Anwendungsfall ist fast immer weniger spektakulär als der im Lenkungsausschuss präsentierte, und genau er ist zu finanzieren.

Weil diese Fundamente im Kern des Systems und im CRM leben, lässt sich der KI-Pfad nicht unabhängig vom ERP-Pfad und vom Pfad der Kundenbeziehung denken. Ein sauberer SAP-S/4HANA-Kern mit harmonisierten Prozessen und verlässlichen Daten, und ein Salesforce mit einer einheitlichen Kundensicht, bleiben unserer Ansicht nach die besten KI-Investitionen, die die meisten Unternehmen tätigen können. Wir erläutern das in unserer Lektüre des Termins ECC 2027 und in unserem Standpunkt zur Kundenbeziehung von Banken und Telekommunikationsanbietern. Unser Angebot KI & Automatisierung setzt genau dort an.