KI in Unternehmensprozessen erfolgreich einsetzen
KI in Unternehmensprozessen:
Drei Faktoren für nachhaltigen Erfolg
Künstliche Intelligenz ist in Unternehmen angekommen. Sie unterstützt bereits bei Recherchen, Übersetzungen, Textanalysen, Protokollen und der Bearbeitung grosser Informationsmengen. Auch die Automatisierung von Unternehmensprozessen beispielsweise im Qualitätsmanagement (QM) – von der Erstellung Q-relevanter Dokumente bis zum Reklamationsmanagement – ist heute technisch greifbar.
Trotzdem führt der schnelle Einstieg mit einem KI-Werkzeug nicht automatisch zu einem belastbaren Ergebnis. Die entscheidende Managementfrage lautet daher nicht: „Welches Tool können wir einsetzen?“ Sondern: „Für welchen Prozess ist KI geeignet, welche Daten stehen zur Verfügung und wer trägt die fachliche Verantwortung für das Ergebnis?“
KI im Unternehmen:
zwischen Hype und nachhaltigem Nutzen
Die öffentliche Diskussion erweckt häufig den Eindruck, KI-Systeme könnten komplexe Aufgaben nahezu selbstständig lösen.
In der betrieblichen Praxis zeigt sich ein differenzierteres Bild: KI kann Inhalte strukturieren, Muster erkennen, Vorschläge erzeugen und wiederkehrende Arbeitsschritte beschleunigen. Ob diese Ergebnisse verwendbar sind, hängt jedoch massgeblich vom Anwendungskontext ab.
Gerade in qualitätskritischen oder regulierten Prozessen reicht ein Ergebnis, das auf den ersten Blick plausibel wirkt, nicht aus. Es muss fachlich richtig, nachvollziehbar, reproduzierbar und für den vorgesehenen Zweck geeignet sein. Das gilt insbesondere dann, wenn aus dem KI-Ergebnis weitere Entscheidungen, Dokumente oder Prozessschritte abgeleitet werden.
Unsere Praxis-Erfahrung: Professionell aussehende KI-Texte sind nicht automatisch fachlich korrekt
Unsere eigene Erfahrung zeigt, wie schnell die Leistungsfähigkeit von KI überschätzt wird. In einem internen DHC-Projekt untersuchte ein siebenköpfiges Team, wie KI-Werkzeuge bei der Erstellung von Standardarbeitsanweisungen für das Change-Management unterstützen können.
Die Beteiligten verfügten über unterschiedliche Qualifikations- und Erfahrungsniveaus – vom Back-Office bis zum Principal Consultant mit langjähriger Erfahrung in der Erstellung auditfähiger GxP-Dokumente. Die Wahl der Prompts blieb den Mitarbeitenden überlassen. Das Ergebnis war zunächst überzeugend: Aufbau, Deckblatt, Gliederung und Kapitelbezeichnungen wirkten unabhängig vom Ausbildungshintergrund logisch und professionell. Bei der fachlichen Prüfung zeigten sich jedoch deutliche Schwächen. Je weiter die Person von der konkreten Aufgabe und dem zugrunde liegenden Prozess entfernt war, desto größer war der Überarbeitungsbedarf. Auch die mit Unterstützung eines Experten erstellte Fassung musste noch wesentlich überarbeitet werden. Der entscheidende Unterschied lag jedoch darin, dass fachliche Lücken schneller erkannt und gezielter behoben werden konnten.
Als grobe interne Schätzung ergab sich – abhängig von Aufgabe und Ausgangsmaterial – ein Einsparpotenzial von etwa 10 bis 30 Prozent. Dieses Potenzial realisiert sich allerdings nur, wenn Prüfung, Überarbeitung und Verantwortungsübernahme von Anfang an eingeplant werden.
Die zentrale Erkenntnis
«KI erzeugt nicht automatisch Qualität. Sie vervielfacht vielmehr die Wirkung der Rahmenbedingungen, in denen sie eingesetzt wird: eines klaren Prozesses, geeigneter Daten und einer belastbaren fachlichen Bewertung.»
Warum „einfach mal anfangen“ keine KI-Strategie ist
Ein kleiner Pilot kann sinnvoll sein. Unkontrolliertes Ausprobieren ersetzt jedoch keine Konzeption. Wer KI in einen betrieblichen Prozess integrieren möchte, muss zunächst klären, welche Aufgabe automatisiert oder unterstützt werden soll, wie das gewünschte Ergebnis aussieht und welche Fehlerfolgen entstehen können.
Die Einführung innovativer Technologien folgt damit bekannten Regeln erfolgreicher Projekte. Agilität bedeutet, Annahmen früh zu testen und aus Ergebnissen zu lernen. Sie bedeutet nicht, auf Prozessverständnis, Qualitätskriterien, Governance oder Verantwortlichkeiten zu verzichten. Ein schlecht definierter Prozess wird durch KI nicht automatisch besser – er wird im Zweifel nur schneller und undurchsichtiger ausgeführt.
Drei Faktoren für erfolgreiche KI-Projekte
1. Prozesskenntnisse: Erst den Ablauf verstehen, dann automatisieren
Die wichtigste Voraussetzung ist ein präzises Verständnis des Prozesses. Dazu gehören nicht nur die nominalen Schritte, sondern auch Varianten, Ausnahmen, Rollen, Entscheidungen und die erforderlichen Eingabedaten. Vor einer KI-Unterstützung sollte deshalb feststehen:
- Welche Prozessschritte es gibt – und in welcher Reihenfolge?
- Welche Inputs benötigt werden und in welcher Qualität diese vorliegen müssen?
- Welches Ergebnis bei jedem Schritt zu erwarten ist?
- Welche Varianten und Abweichungen in der Praxis auftreten können?
- Wer (Person) und mit welcher Qualifikation über die Qualität eines KI-generierten Inhalts entscheidet und freigibt oder entsprechend eskaliert?
Für die strukturierte Darstellung können bewährte Methoden wie Prozessmodelle oder Turtle-Diagramme hilfreich sein. Sie machen sichtbar, welche Inputs, Aktivitäten, Verantwortlichkeiten und Outputs zusammengehören. Je standardisierter ein Prozess ist und je eindeutiger sein erwartetes Ergebnis beschrieben werden kann, desto leichter lässt sich KI gezielt einsetzen.
2. Datenqualität: Die Grundlage für belastbare Ergebnisse
KI-Anwendungen sind auf Daten angewiesen. Bei generativer KI gilt das ebenso wie bei Machine-Learning-Anwendungen – auch wenn die konkrete technische Nutzung der Daten unterschiedlich ist. Entscheidend ist nicht nur die Menge der Daten, sondern ihre Eignung für den jeweiligen Anwendungsfall.
Für die Bewertung der Datenqualität sind insbesondere folgende Kriterien relevant:
- Korrektheit: Sind die Inhalte sachlich richtig und frei von relevanten Fehlern?
- Vollständigkeit und Konsistenz: Decken die Daten den Prozess ausreichend ab und widersprechen sie sich nicht?
- Nachvollziehbarkeit: Sind Herkunft, Auswahl, Aufbereitung, Versionierung und Verwendung dokumentiert?
- Robustheit: Liefert das System auch bei realistischen Abweichungen und veränderten Eingaben brauchbare Ergebnisse?
Datenqualität ist kein einmaliger Prüfungsschritt. Sie muss während des gesamten Lebenszyklus beobachtet und verbessert werden. Ergebnisse, die fachlich als fehlerhaft oder unvollständig bewertet werden, liefern wichtige Hinweise für die Weiterentwicklung von Datenbasis, Regeln, Prompts oder Modellen.
3. Fachexpertise: Menschen bleiben für die Qualität verantwortlich
Erfolgreiche KI-Lösungen brauchen erfahrene Fachexpertinnen und Fachexperten. Sie müssen nicht jedes technische Detail des Modells verstehen. Sie müssen aber beurteilen können, ob ein Ergebnis für den konkreten Prozess korrekt, vollständig und angemessen ist. Dafür benötigen sie ein Verständnis der kausalen Zusammenhänge zwischen den bereitgestellten Informationen und dem erzeugten Ergebnis.
In kritischen Prozessen muss ausserdem eindeutig geregelt sein, wann ein KI-Ergebnis nur ein Vorschlag ist, wann eine menschliche Prüfung erforderlich ist und wer die finale Entscheidung trifft. KI kann Verantwortung unterstützen, aber nicht übernehmen.
Der Einsatz von KI erfordert also generelles aber auch spezielles Fachwissen, vor allem aber ein breites Wissen an Erfahrung.
Das richtige Team entscheidet über den Projekterfolg
Ein KI-Projekt sollte nicht ausschließlich technisch besetzt werden. Ebenso wenig reicht eine reine Fachkonzeption ohne Daten- und Technologiekompetenz. Bewährt hat sich eine bewusst ausgewogene Zusammensetzung aus mindestens drei Perspektiven:
- Prozessspezialistinnen und Prozessspezialisten, die Abläufe, Rollen und Varianten kennen.
- Data Analysts oder Data Engineers, die Rohdaten bewerten, aufbereiten und in nutzbare Informationen überführen.
- Fachexpertinnen und Fachexperten, die die Qualität und Verwendbarkeit der KI-Ergebnisse beurteilen.
Je nach Risiko und Einsatzgebiet kommen weitere Rollen hinzu – etwa IT-Architektur, Informationssicherheit, Datenschutz, Qualitätsmanagement, Regulatory Affairs oder Validierung. Wichtig ist, dass diese Perspektiven nicht nacheinander, sondern gemeinsam in die Gestaltung einfliessen. Ihre Methoden und Prioritäten können unterschiedlich sein. Genau deshalb braucht das Projekt klare Ziele, Entscheidungskriterien und Verantwortlichkeiten.
Von der Idee zur tragfähigen KI-Anwendung: ein pragmatisches Vorgehen
Für Entscheider und Fachverantwortliche empfiehlt sich ein schrittweises Vorgehen, das Nutzen und Risiko gemeinsam betrachtet:
- Use Case auswählen: Identifizieren Sie einen konkreten Prozess mit erkennbarem Nutzen, klarer Abgrenzung und messbarem Ergebnis.
- Prozess und Risiken beschreiben: Dokumentieren Sie Ablauf, Varianten, Inputs, Outputs, Rollen und mögliche Fehlerfolgen.
- Daten bewerten: Prüfen Sie Verfügbarkeit, Qualität, Herkunft, Zugriff, Schutzbedarf und Repräsentativität der Daten.
- Qualitätskriterien festlegen: Definieren Sie vor dem Pilot, wann ein Ergebnis als richtig, vollständig, nachvollziehbar und verwendbar gilt.
- Human Oversight gestalten: Legen Sie Prüf-, Freigabe- und Eskalationspunkte sowie Verantwortlichkeiten fest.
- Pilot mit realistischen Fällen durchführen: Testen Sie nicht nur Idealbeispiele, sondern auch typische Varianten und Grenzfälle.
- Nutzen und Aufwand messen: Bewerten Sie Qualität, Durchlaufzeit, Fehlerquote, Akzeptanz und erforderlichen Nachbearbeitungsaufwand.
- In den Betrieb überführen: Regeln Sie Schulung, Monitoring, Änderungsmanagement, Dokumentation und kontinuierliche Verbesserung.
Was KI leisten kann – und was nicht
KI-Werkzeuge eignen sich besonders, wenn grosse Mengen strukturierter oder unstrukturierter Informationen verarbeitet, Inhalte klassifiziert, Entwürfe erstellt oder wiederkehrende Arbeitsschritte unterstützt werden sollen. Beispiele sind die Vorstrukturierung von Reklamationen, die Suche in Wissensbeständen, die Zusammenfassung von Dokumenten oder die Vorbereitung von Protokollen.
Nicht geeignet ist die Vorstellung, KI könne ohne fachliche Kontrolle zuverlässig über die Prozessqualität entscheiden. Plausible Formulierungen sind kein Beleg für sachliche Richtigkeit. In GxP-relevanten Anwendungen sind deshalb zusätzlich eine risikobasierte Bewertung, geeignete Governance und – abhängig vom bestimmungsgemässen Einsatz – die erforderliche Validierung beziehungsweise Qualifizierung zu berücksichtigen.
Fazit: KI wird dann wertvoll, wenn sie in den Prozess passt
Die optimale Nutzung von KI-Werkzeugen in betrieblichen Prozessen ist weniger eine Frage des spektakulärsten Tools als der Qualität des Gesamtsystems. Unternehmen erzielen nachhaltigen Nutzen, wenn sie den Prozess verstehen, die Daten beherrschen und die erforderliche Fachexpertise sichern.
Für das Management bedeutet das: KI-Projekte brauchen klare Ziele, eine realistische Nutzenbetrachtung und eine Governance, die Qualität und Verantwortung sichtbar macht.
Für Fachverantwortliche bedeutet es: Ihre Erfahrung wird durch KI nicht überflüssig – sie wird zum entscheidenden Faktor dafür, ob aus einem plausiblen Entwurf ein belastbares Arbeitsergebnis wird.
Jetzt den passenden KI-Anwendungsfall bewerten
Sie prüfen, wie KI in Ihren betrieblichen oder qualitätsrelevanten Prozessen eingesetzt werden kann? DHC unterstützt Unternehmen bei der Identifikation geeigneter Use Cases, der Prozess- und Datenanalyse sowie bei der risikobasierten Bewertung und Validierung KI-gestützter Systeme.
Häufige Fragen zu KI in Unternehmensprozessen
Welche Voraussetzungen braucht KI in betrieblichen Prozessen?
Mindestens einen klar beschriebenen Prozess, geeignete und nachvollziehbare Daten, definierte Qualitätskriterien sowie Fachleute, die KI-Ergebnisse beurteilen können. Bei kritischen Anwendungen kommen Governance-, Sicherheits-, Datenschutz- und gegebenenfalls Validierungsanforderungen hinzu.
Warum ist Prozesswissen für KI-Projekte so wichtig?
Prozesswissen zeigt, welche Eingaben benötigt werden, welche Varianten auftreten und welches Ergebnis tatsächlich erwartet wird. Ohne dieses Wissen lässt sich ein formal überzeugendes, aber fachlich falsches Ergebnis nur schwer erkennen.
Muss ein Fachanwender das KI-Modell technisch verstehen?
Nicht jedes technische Detail. Er oder sie muss aber die Grenzen der Anwendung kennen, die Ergebnisse fachlich prüfen und die Zusammenhänge zwischen Eingaben und Ergebnissen nachvollziehen können.
Wie lässt sich KI in regulierten Prozessen einsetzen?
Mit einem risikobasierten Ansatz: bestimmungsgemäßen Einsatz definieren, Risiken bewerten, Verantwortlichkeiten festlegen, Daten- und Zugriffskontrollen etablieren, Ergebnisse überwachen und erforderliche Nachweise für den konkreten Einsatz führen.
Wie sollten Unternehmen mit einem KI-Projekt beginnen?
Mit einem abgegrenzten Use Case, dessen Nutzen und Ergebnisqualität messbar sind. Ein gemeinsamer Workshop von Prozess-, Daten- und Fachexpertise schafft dafür in kurzer Zeit eine belastbare Entscheidungsgrundlage.