KI-Automatisierung im Unternehmen: Prozesse, Einsatzfelder, Ablauf und Kosten

Was ist KI-Automatisierung, und was unterscheidet sie von regelbasierter Automatisierung?

KI-Automatisierung bezeichnet den Einsatz von Sprachmodellen und anderen KI-Verfahren, um Arbeitsschritte automatisch zu erledigen, die das Verstehen von Text, Sprache oder Bildern voraussetzen: eine E-Mail dem richtigen Vorgang zuordnen, aus einem Lieferschein die Positionen auslesen, einen Antwortentwurf aus den eigenen Unterlagen formulieren. Regelbasierte Automatisierung arbeitet mit festen Wenn-dann-Regeln und bricht ab, sobald eine Eingabe vom erwarteten Format abweicht. Der Unterschied liegt im Umgang mit Unschärfe: Regeln brauchen strukturierte Daten, Sprachmodelle kommen mit Freitext zurecht, liefern dafür aber nicht bei jedem Durchlauf dasselbe Ergebnis.

In der Praxis kombinieren die meisten Lösungen beides: Das Modell übernimmt den einen Schritt, der Verständnis braucht, etwa das Einordnen einer Anfrage, feste Regeln legen danach den Datensatz an und benachrichtigen die zuständige Person.

Welche Prozesse lassen sich im Mittelstand heute sinnvoll automatisieren?

Fünf Felder lohnen sich im Mittelstand zuerst: der Posteingang, die Angebots- und Dokumentenvorbereitung, das Auslesen von Rechnungen und Lieferscheinen, das monatliche Reporting und die Datenpflege zwischen CRM und Buchhaltung. Alle fünf liegen im Backoffice, wo täglich viele ähnliche Vorgänge in Textform ankommen und von Hand in ein System übertragen werden.

Posteingang und Anfragen

Ausgangslage: ein Sammelpostfach, in dem Anfragen, Rechnungen, Bewerbungen und Werbung gemischt eintreffen und jeden Morgen jemand eine halbe Stunde sortiert. Die KI liest jede Nachricht, ordnet ihr Kategorie und Zuständigkeit zu, zieht Name, Anliegen und Kontaktdaten heraus und legt den Vorgang im System an. Was sie nicht eindeutig zuordnen kann, bleibt für einen Menschen liegen.

Angebots- und Dokumentenvorbereitung

Ausgangslage: Jedes Angebot beginnt damit, ein altes zu kopieren und die passenden Textbausteine zu suchen. Die KI zieht die Anforderungen aus der Anfrage, ordnet ihnen Positionen der eigenen Leistungsliste zu und markiert fehlende Angaben. Über Preise, Mengen und den Versand entscheidet der Vertrieb. Auftragsbestätigungen, Berichte und Verträge entstehen nach demselben Muster aus den eigenen Vorlagen.

Dokumente auslesen

Ausgangslage: Rechnungen, Lieferscheine, Formulare und Fotos von Aufmaßen kommen als PDF oder Bild an und werden abgetippt. Die KI erkennt die Felder, prüft sie gegen Bestellung oder Stammdaten und übergibt strukturierte Daten an Buchhaltung oder Warenwirtschaft. Der Mensch sieht nur die Abweichungen: eine Summe, die nicht zur Bestellung passt, eine unbekannte Lieferantennummer.

Reporting

Ausgangslage: Am Monatsende zieht jemand Zahlen aus drei Systemen in eine Tabelle und schreibt zwei Absätze Kommentar dazu. Die KI übernimmt das Zusammentragen, formuliert den Kommentar als Entwurf und weist auf auffällige Abweichungen hin. Ob eine Abweichung ein Problem ist, bewertet die Geschäftsleitung.

Datenpflege

Ausgangslage: Kundendaten liegen im CRM anders als in der Buchhaltung, Dubletten entstehen, Adressen veralten. Die KI gleicht Datensätze ab, erkennt Dubletten trotz unterschiedlicher Schreibweise und schlägt Zusammenführungen vor. Ausgeführt wird erst nach Freigabe, weil ein falsch zusammengeführter Kunde teurer ist als zehn Dubletten.

Ohne ein digitales System, in dem der Vorgang landet, bringt auch die beste Automatisierung wenig. Betriebe, die Anfragen und Aufträge bisher auf Papier und in Tabellen verwalten, fangen beim Posteingang und bei der Ablage an, nicht beim Chatbot; welches System dafür taugt, gehört in eine Digitalberatung.

Wie lässt sich KI im Kundenservice einführen?

Im Kundenservice gibt es drei Stufen, die aufeinander aufbauen: Vorqualifizierung, Antwortentwürfe für Mitarbeitende und ein Bot, der direkt mit Kunden spricht. Auf Stufe zwei bleiben die meisten Betriebe besser einige Monate, bevor sie über Stufe drei nachdenken.

Vorqualifizierung heißt: Jede eingehende Nachricht wird nach Anliegen, Dringlichkeit und Kundenstatus eingeordnet, bevor ein Mensch sie sieht. Reklamationen landen vor Rückfragen zum Lieferstatus, Bestandskunden mit offenem Auftrag vor allgemeinen Anfragen. Das Risiko ist gering, weil die KI keinen Kundenkontakt hat.

Antwortentwürfe sind die Assistenzstufe. Das Modell bekommt die Anfrage, die Kundenhistorie und die eigene Wissensbasis und formuliert einen Vorschlag. Die zuständige Person prüft, ändert und schickt ab. Fehler bleiben intern, und die Wissensbasis wird im Alltag getestet, bevor ein Kunde je mit ihr in Berührung kommt. Der Anteil der Entwürfe, die unverändert rausgehen, zeigt nach einigen Wochen, welche Anliegen ein Bot allein bewältigen könnte.

Ein Kundenbot auf der Website oder im Messenger lohnt erst danach, und nur mit eigener Wissensbasis. Ein Bot ohne diese Anbindung erfindet Lieferzeiten und Garantiebedingungen. In jede Umsetzung gehören die Abgabe an einen Menschen bei Unsicherheit, ein Protokoll jeder Antwort und der Hinweis, dass hier eine KI schreibt. Letzteres verlangt auch die KI-Verordnung der EU. Wie ein Assistent entsteht, der aus den eigenen Unterlagen antwortet, beschreibt die Seite zu Generative AI.

Woran erkennt man einen Prozess, der sich für KI-Automatisierung eignet?

Ein geeigneter Prozess ist häufig, folgt einem erkennbaren Muster mit Varianz, basiert auf Text oder Dokumenten und liefert Ergebnisse, die entweder einen Fehler vertragen oder sich mit wenig Aufwand prüfen lassen. Fehlt eines dieser vier Merkmale, wird das Projekt teurer als sein Nutzen.

Häufig bedeutet: mindestens einige Dutzend Fälle pro Woche. Ein Ablauf, der zehnmal im Monat vorkommt, amortisiert keinen Aufbau. Regelhaft mit Varianz beschreibt das eigentliche Einsatzgebiet: Der Ablauf ist im Prinzip immer gleich, die Eingaben sind es nicht. Genau diese Lücke füllen Sprachmodelle. Ist die Eingabe schon strukturiert, etwa ein Formular mit Pflichtfeldern, reicht eine regelbasierte Automatisierung, die günstiger und verlässlicher ist.

Textbasiert: Die Information steckt in E-Mails, PDFs, Formularen oder Gesprächsnotizen. Prozesse, die an physischen Handgriffen hängen, bleiben außen vor. Prüfbar ist ein Ergebnis, wenn ein Mensch es in Sekunden bestätigen oder verwerfen kann oder ein Fehler wenig kostet. Eine falsch kategorisierte E-Mail wird beim nächsten Blick korrigiert. Eine falsch ausgelöste Zahlung kostet Wochen.

Wie läuft ein KI-Automatisierungsprojekt ab, und wie lange dauert es?

Ein Projekt gliedert sich in vier Phasen: Prozessaufnahme, Pilot, Rollout und Betrieb. Nach Erfahrungswerten dauert die Prozessaufnahme ein bis zwei Wochen, der Pilot vier bis acht Wochen, der Rollout auf weitere Prozesse zwei bis sechs Monate; der Betrieb läuft danach dauerhaft.

In der Prozessaufnahme wird der Ist-Ablauf dokumentiert, mit den Menschen, die ihn täglich machen. Dabei tauchen die Sonderfälle auf, die in keiner Anweisung stehen: der Kunde, der immer per Fax bestellt, die Rechnung, die vor der Buchung erst an den Einkauf geht. Am Ende stehen die Schritte, die Ausnahmen und die Einschätzung, welcher Schritt zum Modell gehört und welcher zu einer Regel. Häufig lässt sich der Ablauf hier schon vereinfachen, bevor etwas automatisiert wird.

Der Pilot setzt einen einzelnen Prozess um. Am Anfang prüft ein Mensch jedes Ergebnis, das nach außen geht; sobald die Fehlerquote über echte Fälle bekannt ist, beschränkt sich die Prüfung auf die Fälle, die das Modell selbst als unsicher meldet. Vier bis acht Wochen gelten, solange die Systeme über Schnittstellen erreichbar sind. Fehlen sie, weil etwa die Warenwirtschaft nur einen manuellen Export kennt, verlängert sich der Pilot, oder es braucht eigene Anbindungen aus der Software-Entwicklung. Am Ende steht eine Messung: Wie viele Fälle hat das Modell richtig bearbeitet, wie viel Zeit hat der Prozess vorher und nachher gekostet.

Der Rollout überträgt das Muster auf weitere Prozesse. Im Betrieb bleiben Aufgaben, die nie ganz verschwinden: Ergebnisse stichprobenartig kontrollieren und die Automatisierung anpassen, wenn sich Vorlagen, Zuständigkeiten oder das Modell ändern.

Was kostet KI-Automatisierung in der Einführung und im Betrieb?

Die Kosten teilen sich in einen einmaligen Aufbau und laufende Posten. In Agenturangeboten für den Mittelstand kostet ein Prozess-Check über ein bis drei Abläufe 1.500 bis 5.000 Euro, ein Pilot für einen einzelnen Prozess 5.000 bis 15.000 Euro und ein Rollout über mehrere Prozesse mit Anbindung an CRM oder Warenwirtschaft 20.000 bis 60.000 Euro.

Wo ein Projekt innerhalb dieser Spannen landet, entscheiden die Zahl der anzubindenden Systeme und ihre Schnittstellen, die Qualität der vorhandenen Daten, jede zusätzliche Ausnahme im Ablauf und eine laufende Betreuung, falls sie gebraucht wird. Der Schwerpunkt der Gesamtkosten liegt fast immer beim Aufbau.

Im Betrieb ist das Modell der kleinste Posten. Nach den öffentlichen Preislisten der großen Anbieter kostet eine typische Anfrage samt Antwortentwurf einen Bruchteil eines Cents bis wenige Cent; bei einigen hundert Vorgängen im Monat ergeben sich daraus 20 bis 150 Euro monatlich. Dazu kommen Lizenzen für Plattform oder Hosting, 30 bis 300 Euro im Monat. Der größte laufende Posten ist die Betreuung: Wer Kontrolle, Anpassungen und Modellwechsel an einen Dienstleister gibt, zahlt dafür 300 bis 1.500 Euro im Monat. Bleibt beides im Haus, gilt ein Erfahrungswert aus der Softwarewartung: pro Jahr 15 bis 20 Prozent der Aufbaukosten als Arbeitszeit.

Ab wie vielen Vorgängen rechnet sich KI-Automatisierung?

Entscheidend ist die Zahl der Vorgänge, und die Schwelle liegt bei einigen hundert gleichartigen Fällen im Monat. Die folgende Modellrechnung arbeitet mit angenommenen Werten und stammt aus keinem Kundenprojekt.

Angenommen, ein Dienstleistungsbetrieb erhält 400 Anfragen im Monat über E-Mail und Website-Formular. Jede Anfrage kostet heute rund sechs Minuten: lesen, zuordnen, im CRM anlegen, eine Standardantwort anpassen. Das sind 40 Stunden im Monat. Nach der Automatisierung sortiert die KI, legt den Vorgang an und liefert den Antwortentwurf; Prüfung und Freigabe dauern im Schnitt zwei Minuten, zusammen gut 13 Stunden. Frei werden knapp 27 Stunden, bei einem Vollkostensatz von 35 Euro je Stunde rund 930 Euro im Monat.

Dagegen stehen ein Pilot für 8.000 Euro und laufend rund 100 Euro für Modell und Plattform plus 300 Euro Betreuung, der untere Rand der Spanne oben. Netto bleiben etwa 530 Euro im Monat, der Aufbau ist nach gut 15 Monaten bezahlt.

Dieselbe Automatisierung bei 100 Anfragen im Monat: Frei werden knapp sieben Stunden, rund 230 Euro. Die laufenden Kosten sinken kaum mit, weil Plattform und Betreuung unabhängig vom Volumen anfallen; bei rund 350 Euro im Monat kostet der Betrieb mehr, als er einspart, und der Aufbau amortisiert sich nie.

Frei werdende Zeit ist nur dann Geld, wenn sie in andere Arbeit fließt oder Überstunden und Aushilfen ersetzt; Minuten, die sich über den Tag verteilen, tauchen in keiner Bilanz auf. Effekte, die sich schlecht beziffern lassen, etwa schnellere Antworten auf liegen gebliebene Anfragen, bleiben in der Rechnung außen vor.

Woran scheitern KI-Automatisierungsprojekte?

Die vier häufigsten Ursachen sind fehlendes Prozessverständnis, eine schlechte Datenbasis, fehlende Freigaberegeln und die Fixierung auf ein Werkzeug.

Fehlendes Prozessverständnis zeigt sich, wenn niemand im Haus den Ablauf vollständig beschreiben kann, weil er über Jahre in den Köpfen von zwei Personen gewachsen ist. Die Prozessaufnahme deckt das auf; dauert sie länger als geplant, ist das bereits der erste Nutzen des Projekts: Der Ablauf wird zum ersten Mal vollständig aufgeschrieben.

Eine schlechte Datenbasis ist der zweite Klassiker. Ein Modell, das Anfragen einem Kunden zuordnen soll, scheitert an einem CRM mit drei Schreibweisen desselben Firmennamens. Vor dem Pilot bereinigte Stammdaten sparen im Pilot Wochen; ohne Bereinigung sind die Zuordnungen so unzuverlässig wie die Daten selbst.

Fehlende Freigaberegeln lassen falsche Ergebnisse durchrutschen, ohne dass es jemand bemerkt. Ohne Stichproben, ohne Protokoll und ohne die Regel, welche Fälle ein Mensch sehen muss, fällt ein Fehler erst auf, wenn ein Kunde sich beschwert.

Die Fixierung auf ein Werkzeug meint den umgekehrten Weg: Zuerst wird eine Plattform oder ein Modell gekauft, dann ein Prozess dafür gesucht. Das Ergebnis sind Automatisierungen, die niemand gebraucht hat, und Lizenzen, die weiterlaufen. Die Auswahl des Werkzeugs gehört ans Ende der Prozessaufnahme. Ob ein Ablauf im Haus die vier Merkmale überhaupt erfüllt, lässt sich vorab in einer KI-Beratung klären.

Was gilt beim Datenschutz, und was sollte nicht automatisiert werden?

Sobald personenbezogene Daten durch ein Modell laufen, und das ist bei E-Mails und Kundendaten praktisch immer der Fall, gelten die Regeln der DSGVO: ein definierter Zweck, eine Rechtsgrundlage, Datenminimierung und ein Auftragsverarbeitungsvertrag mit jedem Anbieter, der Daten im Auftrag verarbeitet. Die technischen Weichen dafür lassen sich vorab stellen.

In der Praxis bekommt das Modell nur, was es für seinen Schritt braucht. Für die Kategorisierung einer Anfrage reicht der Text, Kundennummer und Adresse müssen nicht mit. Wo sich Namen und Kontaktdaten vor der Verarbeitung durch Platzhalter ersetzen lassen, sinkt das Risiko deutlich. Beim Hosting gibt es drei Wege: EU-Rechenzentren der großen Modellanbieter mit Verträgen ohne Speicherung der Eingaben, europäische Anbieter mit Modellen vollständig in der EU, offene Modelle auf eigener Infrastruktur. Welcher davon passt, hängt an der Sensibilität der Daten und am Budget; eigenes Hosting lohnt erst bei hohem Volumen.

Wo ein Betriebsrat besteht, ist er einzubeziehen, sobald ein System Rückschlüsse auf das Arbeitsverhalten einzelner Mitarbeitender zulässt, und das tun Protokolle über Freigaben und Bearbeitungszeiten schnell.

Neben der DSGVO gilt die KI-Verordnung der EU, die 2024 in Kraft getreten ist und deren Pflichten gestaffelt wirksam werden. Beim Sortieren von Post, beim Entwerfen von Antworten und beim Reporting läuft sie im Wesentlichen auf Transparenz hinaus: Wer mit einem Chatbot schreibt, muss erkennen können, dass eine KI antwortet. Texte, die ein Modell zur Information der Öffentlichkeit verfasst, werden gekennzeichnet, wenn kein Mensch sie redaktionell prüft. Die strengen Auflagen für Hochrisiko-Systeme gelten anderswo, etwa bei Entscheidungen über Personal oder Kredite. Was die Verordnung ganz untersagt, spielt im Büroalltag keine Rolle. Wie nah die Grenze trotzdem liegt, zeigt der Posteingang: Bewerbungen an die Personalabteilung weiterzuleiten ist Sortierarbeit, sie nach Eignung vorzusortieren fällt in den Hochrisiko-Bereich.

Was nicht automatisiert werden sollte, folgt einer Regel: Alles, was für die betroffene Person rechtliche oder ähnlich schwerwiegende Folgen hat, bleibt beim Menschen. Entscheidungen dieser Art, die allein eine Automatik trifft, erlaubt die DSGVO nur in engen Ausnahmen und immer mit dem Recht auf eine menschliche Überprüfung; Kündigungen, Bonitäts- und Kreditentscheidungen und die Auswahl von Bewerbern fallen darunter. Aus Haftungsgründen gehören auch Zahlungsfreigaben und alles, was medizinischen oder rechtlichen Rat ersetzt, in menschliche Hand. Ungeeignet sind auch Beschwerden mit emotionaler Aufladung: Ein Modell kann sie erkennen und vorsortieren, die Antwort schreibt ein Mensch. Eine rechtliche Einordnung des eigenen Vorhabens ersetzt dieser Überblick nicht; dafür sind die Datenschutzbeauftragte des Unternehmens oder eine Kanzlei zuständig.

Mit welchem Prozess sollte ein Unternehmen starten?

Der beste Einstieg ist der Ablauf, der im Haus die meisten gleichartigen Textvorgänge erzeugt und dessen Ergebnis sich sofort prüfen lässt; in den meisten Betrieben ist das der Posteingang. Acht Wochen mit einem laufenden Posteingang zeigen, wie der Betrieb mit Modellen, Freigaben und Datenfragen zurechtkommt; der zweite Prozess läuft danach mit weniger Reibung. Wie diese Schritte als beauftragte Leistung aussehen, beschreibt die Seite zur KI-Automatisierung.