KI-Einführung im Unternehmen Schritt für Schritt

Die KI-Einführung im Unternehmen ist ein Projekt, das mit der Auswahl eines konkreten Geschäftsprozesses beginnt, nicht mit dem Kauf eines Tools – zuerst klären Sie, wo das Team Zeit verliert und wie Sie die Verbesserung messen, dann prüfen Sie Daten und Sicherheitsanforderungen, und erst ganz am Ende wählen Sie Modell und Art der Integration. Die besten Ergebnisse bringt ein schrittweises Vorgehen: Audit, Pilot eines Prozesses mit klaren Kennzahlen, Schulung des Teams und erst dann Skalierung. Im Folgenden beschreiben wir jeden Schritt sowie die Fehler, durch die eine KI-Einführung am häufigsten bei der Präsentation stehen bleibt.

Dieser Leitfaden gilt sowohl für einfachere Anwendungen – Assistenten und KI-gestützte Automatisierungen – als auch für KI-Agenten, die selbstständig Prozessschritte in den Systemen des Unternehmens ausführen. Die Prinzipien sind dieselben, es unterscheiden sich das Risiko und die Zahl der Integrationen.

KI-Einführung in 10 Schritten – Überblick

1. Prozessaudit – Übersicht über Aufgaben, Volumina und Systeme.
2. Auswahl des ersten Prozesses – hohes Volumen, klare Kriterien, umkehrbare Folgen.
3. Datenbewertung – woher Agent oder Modell die Informationen beziehen und in welcher Qualität.
4. Sicherheit und DSGVO – Berechtigungen, Datenverarbeitung, Anbieterauswahl.
5. Analyse des EU AI Act – Risikoklassifizierung und Pflichten.
6. Lösungsdesign – Arbeitsteilung zwischen KI und Mensch, Integrationen, Limits.
7. Pilotprojekt – begrenzter Umfang, echte Vorgänge, Vergleich mit der bisherigen Arbeitsweise.
8. Erfolgsmessung – vor dem Start festgelegte KPIs.
9. Schulung des Teams – Arbeit mit KI, Regeln, Verantwortung.
10. Skalierung – weitere Prozesse, Monitoring, Wartung.

Schritt 1. Prozessaudit – womit die KI-Einführung im Unternehmen beginnt

Das Audit besteht aus einigen Gesprächen mit den Personen, die die Arbeit täglich erledigen, und einer Sichtung der Systeme, die sie nutzen. Ziel ist eine Liste von Kandidaten für KI-Unterstützung samt Basisdaten zu jedem davon. Für jeden Prozess sollten Sie erfassen:

• wie viele Vorgänge dieser Art pro Woche oder Monat anfallen und wie lange einer dauert;
• welche Eingangsdaten ankommen (E-Mails, PDFs, Formulare, Gespräche) und in welchem Format;
• welche Systeme die Mitarbeitenden nutzen – CRM, ERP, E-Mail, Kalender, Tabellen, Fachsysteme;
• wo Fehler, Verzögerungen und Frust im Team entstehen;
• was passiert, wenn sich die KI-Lösung irrt, und ob sich der Fehler leicht erkennen und rückgängig machen lässt.

Ein gutes Audit endet nicht nur mit einer Ideenliste, sondern auch damit, dass ein Teil davon verworfen wird. Viele Aufgaben löst eine klassische Automatisierung von Geschäftsprozessen ohne Sprachmodell – und das ist eine gute Nachricht, denn sie ist günstiger und berechenbarer.

Schritt 2. Auswahl des ersten Prozesses

Der erste Prozess entscheidet darüber, ob die Organisation an den Sinn weiterer Arbeiten glaubt. Deshalb wählen wir nicht den schwierigsten oder prestigeträchtigsten, sondern einen, der einige Bedingungen erfüllt:

• hohes Volumen wiederkehrender, aber nicht identischer Vorgänge;
• klares Kriterium für Korrektheit – leicht zu beurteilen, ob das Ergebnis stimmt;
• umkehrbare Folgen oder ein natürlicher Freigabepunkt durch einen Menschen;
• verfügbare Daten und APIs in den Systemen, die angebunden werden müssen;
• ein engagierter Prozessverantwortlicher auf der Fachseite.

Typische gute Kandidaten sind die Triage von Anfragen im Kundenservice, der Eingangsrechnungs-Workflow, die Lead-Qualifizierung oder das Erstellen von Notizen und Aufgaben nach Meetings. Weitere Anregungen finden Sie in der Übersicht Beispiele für KI-Agenten im Unternehmen.

Schritt 3. Daten – der Treibstoff für KI

Ein Sprachmodell ist so gut wie die Informationen, die es erhält. In diesem Schritt prüfen wir, ob die Wissensdatenbank aktuell ist, ob Preislisten und Verfahren in einer Form vorliegen, die sich bereitstellen lässt, ob im CRM die wichtigsten Felder gepflegt sind und ob sich historische Vorgänge für Tests eignen. Oft zeigt sich, dass zuerst einige Dokumente bereinigt oder Status vereinheitlicht werden müssen – das ist keine verlorene Zeit, sondern eine Investition, die sich unabhängig von KI auszahlt.

Es lohnt sich auch, gleich ein Testset vorzubereiten: einige Dutzend oder Hundert historische Vorgänge samt ihrer korrekten Erledigung. Damit lassen sich die nächsten Versionen der Lösung vergleichen und Fortschritte objektiv bewerten.

Schritt 4. Sicherheit und DSGVO

Soll die KI mit Kunden- oder Mitarbeiterdaten arbeiten, muss der Schutz personenbezogener Daten vom ersten Tag an Teil des Projekts sein. Zu klären sind insbesondere:

• wo die Daten verarbeitet werden – beim Modellanbieter in der Cloud oder auf dem Server des Unternehmens mit einem Open-Source-Modell;
• die Bedingungen des Anbieters – Auftragsverarbeitungsvertrag, Ort der Verarbeitung, Regeln zur Speicherung und Nutzung von Daten (prüfen Sie die aktuellen Bedingungen des gewählten Anbieters);
• Datenminimierung – ob nur das an das Modell geht, was für die Aufgabe nötig ist;
• Berechtigungen – die Lösung hat nur Zugriff auf die notwendigen Systeme und Operationen, mit einem separaten technischen Konto;
• Logs – die Protokollierung jeder Aktion ermöglicht es, nachzuvollziehen, was passiert ist, und Fragen von Kunden oder Prüfern zu beantworten;
• Schutz vor Manipulation – externe Inhalte wie E-Mails können Versuche enthalten, dem Modell Befehle zu erteilen (Prompt Injection), daher erfordern kritische Operationen eine zusätzliche Kontrolle.

Binden Sie in diesen Teil den Datenschutzbeauftragten oder die für die DSGVO zuständige Person im Unternehmen ein. Ein frühes Gespräch ist deutlich günstiger als der Umbau einer fertigen Lösung.

Schritt 5. EU AI Act – was er für die Einführung bedeutet

Die EU-Verordnung über künstliche Intelligenz (EU AI Act) beruht auf einem risikobasierten Ansatz. Bestimmte Praktiken sind verboten, Hochrisikosysteme – u. a. in Bereichen wie Beschäftigung und Mitarbeiterbewertung, Zugang zu grundlegenden Diensten oder Bildung – unterliegen umfangreichen Anforderungen, und für viele andere Anwendungen stehen Transparenzpflichten im Vordergrund, etwa der Hinweis an Nutzer, dass sie mit einem KI-System kommunizieren. Die Verordnung betont zudem die Bedeutung der menschlichen Aufsicht und der KI-Kompetenz der Personen, die KI in der Organisation nutzen.

Die meisten typischen Geschäftsanwendungen – Antwortentwürfe, Ordnen von Dokumenten, Vertriebsunterstützung – fallen nicht in die Hochrisikokategorie, doch das muss für jeden Fall geprüft werden. Der Zeitplan für die Anwendung der einzelnen Vorschriften ist gestaffelt und wurde bereits geändert, daher sollten Sie bei einem konkreten Projekt die aktuelle Rechtslage prüfen oder einen Rechtsanwalt hinzuziehen. Die gute Nachricht: Die Prinzipien, die wir ohnehin beim Design anwenden – Freigabe wichtiger Entscheidungen durch einen Menschen, Logs, Transparenz gegenüber Kunden –, passen gut zu den Anforderungen der Verordnung.

Schritt 6. Lösungsdesign

Erst jetzt ist die Technologie an der Reihe. Das Design beantwortet folgende Fragen: Welche Schritte übernimmt die KI, welche der Mensch; an welchen Stellen ist eine Freigabe nötig; welche Systeme müssen integriert werden; welches Modell wird gewählt (ein kommerzielles wie Claude, GPT oder Gemini oder ein Open-Source-Modell auf dem eigenen Server); welche Limits für Kosten und Anzahl der Aktionen gelten. In einfacheren Fällen genügt eine Automatisierungsplattform mit einem KI-Schritt, in komplexeren ein dedizierter Agent mit eigenem Werkzeugsatz. Soll die Lösung ein eigenständiges Produkt mit eigener Oberfläche werden, hilft auch der Ansatz, der beschrieben ist auf der Seite KI-Anwendungen und KI-gestützte Entwicklung.

Schritt 7. Pilotprojekt

Im Pilotprojekt läuft die Lösung mit echten Vorgängen, aber in begrenztem Umfang – in einem Team, für einen Vorgangstyp oder im „Schattenmodus“, in dem die KI Ergebnisse vorbereitet, während die Mitarbeitenden weiter wie bisher arbeiten und vergleichen. Einige Regeln für einen guten Pilot:

• im Voraus festgelegte Dauer und klarer Umfang;
• anfangs werden alle KI-Ergebnisse von einem Menschen geprüft;
• ein einfacher Weg für das Team, Fehler und Anmerkungen zu melden;
• regelmäßige Auswertung der Logs und Verbesserung der Anweisungen;
• am Ende eine Entscheidung: ausweiten, nachbessern oder aufgeben.

Schritt 8. Erfolgsmessung – KPIs der KI-Einführung

Die Kennzahlen müssen vor dem Pilot festgelegt werden, zusammen mit einem Ausgangswert aus der Zeit vor der Einführung. Ohne sie beschränkt sich die Diskussion über Ergebnisse auf Eindrücke.

Schritt 9. KI-Schulungen für Unternehmen – das Team vorbereiten

Selbst die beste Lösung funktioniert nicht, wenn das Team nicht weiß, wie man sie nutzt, oder befürchtet, von der KI ersetzt zu werden. Die Schulung sollte mehrere Ebenen umfassen:

• Grundlagen – wie Sprachmodelle funktionieren, warum sie sich manchmal irren und wie man ein fehlerhaftes Ergebnis erkennt;
• Arbeit mit der konkreten Lösung – wo Entwürfe erscheinen, wie man sie korrigiert, wie man Fehler meldet, wann man einen Vorgang übernimmt;
• Sicherheitsregeln – welche Daten nicht in öffentliche KI-Tools gehören, wie man auf verdächtige Inhalte reagiert;
• Verantwortung – wer freigibt und wer für das Ergebnis verantwortlich ist.

KI-Schulungen für Unternehmen sollten anhand von Beispielen aus den eigenen Prozessen stattfinden, nicht mit allgemeinen Demos. Der EU AI Act legt im Übrigen Wert auf ein angemessenes Maß an KI-Kompetenz bei den Personen, die solche Systeme in der Organisation nutzen. Ebenso wichtig ist die Kommunikation: Die KI übernimmt das Abtippen und Suchen, die Menschen kümmern sich um Entscheidungen und Beziehungen.

Schritt 10. Skalierung und Wartung

Nach einem erfolgreichen Pilot ist die Versuchung groß, schnell auf weitere Abteilungen auszuweiten. Besser geht man schrittweise vor: zuerst den Umfang im selben Prozess erweitern (z. B. mehr Vorgangstypen oder schrittweise weniger Freigaben für die einfachsten Fälle), dann einen weiteren Prozess hinzufügen und dabei die vorhandenen Integrationen nutzen. Eine KI-Lösung braucht auch Wartung – Modelle ändern sich, die Abläufe im Unternehmen ebenfalls, daher sind Qualitätsmonitoring, Log-Auswertung und regelmäßige Tests mit einem Set von Referenzvorgängen nötig.

Typische Fehler bei der KI-Einführung im Unternehmen

• Mit dem Tool beginnen – „Kaufen wir Lizenzen und schauen mal“ endet meist in sporadischer Nutzung ohne messbaren Effekt.
• Ein zu ehrgeiziges erstes Projekt – ein Agent „für alles“ ist schwer zu testen und verliert schnell das Vertrauen des Teams.
• Kein Prozessverantwortlicher – ohne eine Person auf der Fachseite trifft niemand Entscheidungen über Änderungen.
• Keine Kennzahlen vor dem Start – ein Effekt lässt sich nicht nachweisen, wenn unklar ist, wie es vorher war.
• DSGVO und Sicherheit übergangen – vor allem zu weit gefasste Berechtigungen und fehlende Logs.
• Volle Autonomie ab dem ersten Tag – die Freigabe durch einen Menschen lässt sich schrittweise reduzieren, wenn die Daten zeigen, dass es sicher ist.
• Keine Tests mit echten Daten – eine Lösung, die mit einigen Beispielen aus der Präsentation funktioniert, kann bei echten E-Mails versagen.
• Keine Wartung – eine Lösung ohne Monitoring verliert mit der Zeit an Qualität.

Die meisten dieser Fehler haben eine gemeinsame Ursache: Die KI-Einführung wird als Kauf behandelt, nicht als Veränderung der Arbeitsweise. Dabei funktioniert künstliche Intelligenz im Unternehmen am besten, wenn sie in einen konkreten Prozess eingebunden ist, eine klar definierte Rolle hat und derselben Kontrolle unterliegt wie jede Mitarbeiterin und jeder Mitarbeiter.

Genau so arbeiten wir bei der Einführung von KI-Agenten in Unternehmen – vom Audit über den Pilot eines Prozesses bis zu Integrationen mit CRM, E-Mail und ERP sowie der Schulung des Teams.

Sie planen eine KI-Einführung und wissen nicht, mit welchem Prozess Sie beginnen sollen? Wir führen ein Audit durch, zeigen einen Prozess für den Pilot auf, legen Erfolgskennzahlen fest und entwerfen eine Lösung mit menschlicher Aufsicht, Logs und Kostenlimits. Sehen Sie sich unser Angebot KI-Agenten für Unternehmen an oder kontaktieren Sie uns.

Häufig gestellte Fragen

Wie lange dauert die KI-Einführung im Unternehmen?

Das hängt vom Umfang, der Zahl der Integrationen und der Datenqualität ab. Audit und Pilot für einen Prozess sind meist ein Projekt von Wochen, nicht Monaten; die Skalierung auf weitere Abteilungen ist dagegen ein zeitlich gestreckter Prozess.

Womit beginnt man die KI-Einführung?

Mit einem Prozessaudit und der Auswahl eines Prozesses mit hohem Volumen, klaren Kriterien für ein korrektes Ergebnis und umkehrbaren Fehlerfolgen. Tool und Modell wählt man erst, wenn klar ist, welches Problem gelöst werden soll.

Ist eine KI-Einführung DSGVO-konform?

Sie kann es sein, wenn der Datenschutz von Anfang an berücksichtigt wird: Wahl eines Anbieters mit passendem Auftragsverarbeitungsvertrag oder eines Modells auf dem eigenen Server, Begrenzung der Daten, minimale Berechtigungen und Protokollierung. Es lohnt sich, den Datenschutzbeauftragten schon in der Projektphase einzubinden.

Betrifft der EU AI Act mein Unternehmen?

Der EU AI Act betrifft Unternehmen, die KI-Systeme anbieten oder einsetzen, der Umfang der Pflichten hängt jedoch vom Risikoniveau der Anwendung ab. Die meisten typischen Geschäftsanwendungen sind vor allem mit Transparenzpflichten verbunden, während z. B. KI im Recruiting strengeren Anforderungen unterliegt – jeder Fall sollte individuell bewertet werden.

Sind KI-Schulungen für Mitarbeitende notwendig?

Ja. Das Team muss wissen, wie die Lösung funktioniert, wie man ein fehlerhaftes Ergebnis erkennt, welche Daten nicht in öffentliche Tools gehören und wer für Entscheidungen verantwortlich ist. Am besten bewähren sich Schulungen, die auf den Prozessen des eigenen Unternehmens basieren.

Wie misst man die Ergebnisse einer KI-Einführung?

Vor dem Pilot müssen Kennzahlen festgelegt und ein Ausgangswert gemessen werden: Bearbeitungszeit pro Vorgang, Anteil der Ergebnisse ohne Korrekturen, Anzahl der Eskalationen, Anzahl der Fehler und Kosten pro Vorgang. Der Vergleich dieser Werte vor und nach der Einführung zeigt den tatsächlichen Effekt.