1. Die Datenlage verstehen

Am Anfang steht keine Technologieentscheidung, sondern eine Bestandsaufnahme: Welche Informationen liegen bereits vor? In welchen Systemen, Dokumenten oder Postfächern befinden sie sich? Wie vollständig, aktuell und verlässlich sind sie?

Diese Fragen entscheiden darüber, was sich automatisieren lässt. Wenn relevante Informationen fehlen oder widersprüchlich sind, kann auch ein leistungsfähiges Modell keine belastbare Entscheidung treffen.

2. Informationen in Struktur übersetzen

Viele Geschäftsprozesse arbeiten mit unstrukturierten Inhalten: E-Mails, PDFs, Gesprächsnotizen oder Freitext. Damit weitere Schritte zuverlässig ablaufen können, müssen daraus klare Felder, Kategorien und Beziehungen entstehen.

KI kann bei dieser Übersetzung helfen. Das Ergebnis sollte jedoch nicht einfach freier Text sein, sondern eine kontrollierbare Struktur, die von anderen Systemen geprüft und verarbeitet werden kann.

3. Regeln bleiben Regeln

Lässt sich eine Entscheidung eindeutig mit einem Regelwerk beschreiben, sollte sie in der Regel auch deterministisch umgesetzt werden. Preisgrenzen, Pflichtfelder, Freigabestufen oder feste Zuständigkeiten benötigen kein Sprachmodell.

Klassische Logik ist an diesen Stellen schneller, günstiger, nachvollziehbarer und verlässlicher. KI ist kein Ersatz für saubere Prozesslogik, sondern eine gezielte Ergänzung.

4. KI für echte Unschärfe einsetzen

Interessant wird KI dort, wo Bedeutung, Kontext oder Abwägung gefragt sind: bei der Einordnung einer individuellen Anfrage, der Bewertung komplexer Dokumente oder der Vorbereitung einer Empfehlung.

Auch dann muss klar sein, welchen Entscheidungsspielraum die KI erhält, wann ein Mensch übernimmt und wie Ergebnisse geprüft werden. So entsteht ein kontrollierter Workflow statt einer Blackbox.

5. Unternehmenswissen gezielt verfügbar machen

Allgemeines Modellwissen reicht für unternehmensspezifische Entscheidungen selten aus. Richtlinien, Produktinformationen, Erfahrungswerte und interne Standards müssen im passenden Moment auffindbar und in einer geeigneten Form bereitgestellt werden.

Entscheidend ist nicht, möglichst viele Dokumente anzubinden. Entscheidend ist, der KI genau das belastbare Wissen zu geben, das sie für den jeweiligen Schritt benötigt — inklusive Quelle und Aktualität.

6. Modell, Werkzeuge und Kosten passend wählen

Nicht jede Aufgabe braucht das größte Modell. Einfache Klassifizierungen können mit kleineren, schnelleren Modellen gelöst werden; anspruchsvolle Bewertungen benötigen gegebenenfalls mehr Kontext und Leistung.

Zusätzlich kann ein Workflow kontrollierte Werkzeuge erhalten: eine Datenbankabfrage, eine Berechnung oder den Zugriff auf ein Drittsystem. Gute Architektur hält Eingaben kurz, wählt Modelle nach Aufgabe und macht Kosten messbar.

Zur Architekturfrage gehört auch, ob ein Schritt wirklich mehrere Agents braucht. Jede zusätzliche Instanz erhöht Tokenverbrauch, Laufzeit und Abstimmungsaufwand — oft genügt ein gut ausgestatteter Ablauf.

7. Datenschutz von Beginn an mitdenken

DSGVO-Konformität entsteht nicht durch einen Haken am Projektende. Es muss früh geklärt werden, welche personenbezogenen Daten verarbeitet werden, wo sie gespeichert werden, welche Anbieter beteiligt sind und wann Daten anonymisiert oder gelöscht werden.

Datenminimierung, geeignete Verträge, nachvollziehbare Zugriffe und klare Aufbewahrungsregeln gehören deshalb direkt in die Konzeption des Prozesses.

Das Ziel: so wenig KI wie nötig, so viel Wirkung wie möglich

Ein guter automatisierter Prozess kombiniert strukturierte Daten, verlässliche Regeln und gezielt eingesetzte KI. Er ist verständlich, messbar und im Alltag beherrschbar.

Genau diese Trennung macht Lösungen nicht weniger innovativ — sondern robuster, wirtschaftlicher und langfristig nutzbar.