KI-Experimente in Unternehmensintelligenz & Mehrwert verwandeln

Enterprise KI ist nicht auf Modelle beschränkt. Unternehmen können Testpilotprogramme durchführen, gängige Aufgaben ausführen und Proof-of-Concept-Modelle viel schneller als zuvor implementieren, doch sie scheitern häufig daran, über isolierte „KI“-Erfolge hinauszugehen.

Das Problem liegt jedoch nicht beim Modell, sondern in der Umgebung, in der sie arbeiten. Viele Skalierungsherausforderungen bleiben bestehen, darunter disparate Daten und unklare Eigentumsverhältnisse, vor allem weil diese Systeme entworfen wurden, bevor KI zu einer zentralen Geschäftsoption wurde.

Eine aktuelle Studie von Wipro and HFS Research kam zu dem Ergebnis, dass obwohl 90 % der Unternehmensleiter erwarten, dass menschliche und KI-Teams innerhalb von drei Jahren Realität werden, nur 18 % ihre Prozesse neu zu gestalten, um diese Zukunft zu unterstützen. Ebenso geben 87 % an, dass sie schneller in KI investieren, als sie den erzielten Mehrwert nachweisen können. Unternehmen können nicht erwarten, dass KI das Geschäft transformiert, wenn sie nicht die Aktualisierung ihrer Daten, Governance und Workflow‑Prozesse priorisiert haben.

KI-Fähigkeiten werden schnell allgegenwärtig. Wettbewerbsvorteile ergeben sich daraus, wie effektiv Organisationen Daten, Kontext, Intelligenz, Governance und Ausführung verbinden.

Pilotprojekte neigen zum Stillstand

Selbst wenn wertvolle Daten zur Verfügung stehen, können Pilotprogramme dennoch scheitern. Beispielsweise ist ein kleines Team, das weiß, woher die Daten für eine Tabelle stammen, in der Regel damit zufrieden. Es ist jedoch schwierig, dieses Maß an Datenverständnis über die gesamte Organisation hinweg zu skalieren. Mit agentischer KI lässt sich leicht Informationen aus mehreren Systemen abrufen oder Workflows etablieren, die zu Empfehlungen für Kunden führen. Während der KI‑Agent schnell handeln kann, ist oft unklar, ob die Daten vertrauenswürdig sind. 

Wenn Unternehmen versuchen, von einem KI‑Anwendungsfall auf viele zu expandieren, steigt die Skepsis und es können Probleme auftreten. Wenn Kundeninformationen aus verschiedenen Systemen stammen, kann es unmöglich sein, nachzuvollziehen, wie die ursprünglichen Daten gewonnen und aufbereitet wurden. Ebenso können Governance‑Richtlinien existieren, doch ist unklar, ob diese Regeln auf den Datensatz angewendet wurden, den die Agenten beziehen.

Daher ist das Skalieren von KI zwar verlockend, aber Inkonsistenzen schaffen Stolperfallen. Um den wahren Mehrwert aus agentischer KI zu sichern, müssen Unternehmen Daten- und Workflow‑Designs von Anfang an implementieren, nicht nachträglich. 

Eine vertrauenswürdige KI‑Basis aufbauen

Der Aufbau einer soliden, KI‑bereiten Basis bedeutet, dass Menschen und KI‑Systeme vertrauenswürdige Daten entdecken, darauf zugreifen und sie nutzen können, wobei ein angemessenes Governance‑System vorhanden ist. 

Konzentrieren Sie sich auf drei wesentliche Fähigkeiten: 

1. Es ist entscheidend, einen einheitlichen Ansatz für Daten und KI zu verfolgen. Agentische KI‑Anwendungen müssen Daten aus einer soliden Basis beziehen, nicht aus disparaten und getrennten Systemen. Das reduziert Verwirrungen durch überlappende Datenquellen erheblich und erleichtert die Anwendung systematischer Regeln für Zugriff, Qualität und Compliance.
2. Die Integration von Governance bereits zu Beginn des Systems ist entscheidend, um die Nutzung von Daten zu steuern. Beispielsweise sollte ein Agent, der eine Handlung empfiehlt, auf genehmigte Informationen zurückgreifen, innerhalb eines definierten Berechtigungssatzes operieren und ein nachvollziehbares Protokoll darüber bereitstellen, wie er zu den gelieferten Ergebnissen gelangt ist.
3. Setzen Sie KI in realen Workflows und Prozessen ein. KI sollte in jene Workflows eingebettet werden, in denen Mitarbeitende bereits Reibungen erleben, etwa bei der Bearbeitung von Kundenanfragen oder der Fehlersuche in der IT. 

Betrachten Sie KI nicht als ein eigenständiges Werkzeug. Stattdessen sollten Sie sich darauf konzentrieren, Agenten, menschliche Aufsicht und Entscheidungsfindung in einem gesteuerten End‑to‑End‑Prozess zu verbinden. Menschliche Aufsicht ist entscheidend, doch es geht eher darum, spezifische Kontrollen für komplexe Prozesse zu haben. 

KI in die Praxis umsetzen

Der Aufbau einer Datenbasis, die KI nutzen kann, ist entscheidend. Ein Beispiel stammt aus einer Procure‑to‑Pay‑Operation eines Unternehmens im Bereich Consumer Healthcare. Ein großes Unternehmen kann enorme Mengen an Rechnungen verarbeiten und gleichzeitig komplexe Genehmigungsprozesse managen. Die manuelle Prüfung dieser Rechnungen verlangsamte die Zahlungszyklen und schränkte die Sichtbarkeit ein, wo Probleme auftraten. Der Einsatz von agentischer KI zur Verarbeitung der Rechnungen führte zu einem zu 70 % berührungslosen Betrieb und einer Effizienzsteigerung von 45 %. Das KI‑gestützte System verarbeitet etwa eine Million Rechnungen pro Jahr, was rund 6 Milliarden $ an Wert entspricht, während die komplexesten Anliegen an Menschen zur Prüfung weitergeleitet werden.

Ziel ist es, einen gesteuerten Prozess zu schaffen, in dem das System die richtigen Informationen abrufen, genehmigte Regeln anwenden, aus wiederkehrenden Mustern lernen und nur bei Bedarf eskalieren kann. Eine robuste Datenbasis liefert KI‑Systemen den Kontext, der für Planung, Analyse und Reporting erforderlich ist, wobei die Sicherheit eines vorhandenen Governance‑Systems gewährleistet ist.

Schritte für die weitere Vorgehensweise

Um das Unternehmen langfristig erfolgreich aufzustellen, sollte die Erweiterung und Skalierung von KI mit derselben Sorgfalt angegangen werden, die für ein unternehmensweites Transformationsprogramm verwendet wird.

1. Daten und KI: Vor dem Start verstehen Sie die ursprüngliche Quelle der Informationen und fragen Sie: Waren die Daten unvollständig? Waren die Geschäftsdefinitionen inkonsistent? Haben Zugriffsrestriktionen das System daran gehindert, den notwendigen Kontext zu sehen? Fehlt den Mitarbeitenden ein Workflow, um die KI‑Ausgabe zu nutzen oder zu hinterfragen?
2. Eine Basis schaffen: Es ist entscheidend, eine solide Datenbasis aufzubauen, die die für die ersten Anwendungsfälle wichtigsten Datenbereiche priorisiert. Definieren Sie Eigentumsverhältnisse und setzen Sie von Anfang an Zugriff mit abgestimmten Qualitätskontrollen um. Ziel sind hochwertige, gesteuerte Daten, die Vertrauen schaffen und bessere Entscheidungen ermöglichen. 
3. Identifizieren Sie einige wichtige Workflows, bei denen die Geschäftsprobleme kristallklar sind; Daten verfügbar sind und der Erfolg leicht messbar ist. Erstellen Sie Agenten, die sich auf diese Workflows konzentrieren, einschließlich solcher, die menschliche Intervention erfordern, um Qualität sicherzustellen. 

Was die Zukunft bringt

Der nächste Wettbewerbsvorteil wird nicht aus dem Zugang zu KI resultieren. Er wird aus der Fähigkeit entstehen, unternehmensweite Daten in Unternehmensintelligenz und messbare Geschäftsergebnisse im großen Maßstab zu transformieren. Enterprise‑KI wird davon abhängen, wie gut Modelle erstellt werden und wie die darauf aufgebauten Agenten verantwortungsbewusst und produktiv agieren. In einer Welt fragmentierter, schlecht beschaffter und unverwalteter Daten zu leben, wird positive Geschäftsergebnisse einschränken. Unternehmen, die Daten, Governance und Workflow‑Neugestaltung verbinden, können Experimente in langfristigen Mehrwert verwandeln. Der Weg zu agentischer KI beginnt mit den betrieblichen und datenbasierten Grundlagen, die intelligentes Handeln ermöglichen.