KI beseitigt nicht das Chaos. Sie skaliert es.

Das Versprechen von KI im Unternehmensalltag klingt verlockend: Man nimmt bestehende, zeitaufwendige Prozesse, übergibt sie einem KI-Tool und erhält schneller bessere Ergebnisse. In der Praxis funktioniert das allerdings nur, wenn die Grundlagen stimmen.

Künstliche Intelligenz verarbeitet vorhandene Informationen und erzeugt daraus Ergebnisse in einer Geschwindigkeit und Menge, die manuell kaum erreichbar wären. Sind die Ausgangsdaten zuverlässig und die Prozesse klar definiert, kann das enorme Vorteile bringen.

Sind die Daten hingegen unvollständig, widersprüchlich oder schlecht strukturiert, produziert KI vor allem eines: mehr Ergebnisse auf einer fehlerhaften Grundlage. Und das oft mit bemerkenswerter Überzeugungskraft.

KI ist ein Verstärker. Und Verstärkung funktioniert in beide Richtungen.

Das Problem mit der scheinbaren Gewissheit

Die größte Gefahr bei KI-generierten Ergebnissen auf Basis schlechter Daten sind nicht unbedingt die Fehler selbst. Es ist die Tatsache, dass diese Fehler häufig nicht mehr als solche erkennbar sind.

Eine schlecht gepflegte Excel-Tabelle sieht meistens auch schlecht gepflegt aus.

Wer damit arbeitet, erkennt schnell, dass etwas nicht stimmt: Kategorien sind uneinheitlich, zahlreiche Felder fehlen, Bezeichnungen wurden vor einigen Jahren geändert, ohne die alten Datensätze anzupassen. Ein Mitarbeiter wird möglicherweise nachfragen, die Daten überprüfen oder auf Unstimmigkeiten hinweisen.

Eine KI kann aus derselben Tabelle innerhalb weniger Sekunden einen professionell wirkenden Bericht erstellen. Oder Produktbeschreibungen, Kundensegmente und Handlungsempfehlungen ableiten.

Das Ergebnis sieht ordentlich aus. Die Formulierungen sind schlüssig, die Struktur ist sauber und die Schlussfolgerungen wirken nachvollziehbar.

Die Probleme der Ausgangsdaten sind dadurch aber nicht verschwunden. Sie stecken jetzt in einem Ergebnis, das den Eindruck von Genauigkeit vermittelt.

Das macht bestimmte KI-Fehler besonders gefährlich.

Ein menschlicher Mitarbeiter signalisiert Unsicherheit möglicherweise durch Rückfragen, Vorbehalte oder erkennbare Lücken. Eine KI kann dagegen selbst dann eine überzeugend formulierte Antwort liefern, wenn entscheidende Informationen fehlen.

Das bedeutet nicht, dass KI grundsätzlich keine Unstimmigkeiten erkennen kann. Sie kann durchaus bei der Datenprüfung helfen. Problematisch wird es, wenn ihre Ergebnisse ungeprüft übernommen werden und sprachliche Sicherheit mit inhaltlicher Richtigkeit verwechselt wird.

Datenchaos wird nicht beseitigt, sondern vervielfacht

In vielen Unternehmen existieren Datenprobleme, die seit Jahren bekannt sind.

Da ist der Produktkatalog, in dem Eigenschaften uneinheitlich bezeichnet werden. Das CRM-System, in dem derselbe Kunde unter drei verschiedenen Namen und zwei E-Mail-Adressen geführt wird. Oder die Umsatzübersicht, in der unterschiedliche Währungen und Zahlenformate verwendet werden, weil irgendwann eine Vorlage geändert wurde.

Solche Probleme erschweren bereits die manuelle Arbeit.

Menschen können allerdings häufig auf Erfahrungswissen zurückgreifen. Ein Mitarbeiter weiß beispielsweise, dass „T-Shirt – blau – L“ und „Blaues T-Shirt (Größe L)“ vermutlich dasselbe Produkt bezeichnen. Oder dass ein ungewöhnlich hoher Betrag wahrscheinlich auf einen Fehler bei der Währungsumrechnung zurückzuführen ist.

Moderne KI-Systeme können solche Zusammenhänge ebenfalls erkennen. Allerdings hängt ihre Zuverlässigkeit stark davon ab, welche Informationen verfügbar sind und wie eindeutig sich diese interpretieren lassen.

Fehlt der notwendige Kontext, kann die KI falsche Annahmen treffen, ohne dass diese im Ergebnis offensichtlich werden.

Beispiel: Automatisierte Produktbeschreibungen im E-Commerce

Ein Onlineshop verwaltet 20.000 Artikel unterschiedlicher Lieferanten. Die Produktdaten stammen aus verschiedenen Systemen. Manche Lieferanten verwenden englische Farbbezeichnungen, andere deutsche. Größenangaben sind uneinheitlich, Materialinformationen fehlen teilweise und identische Produkte werden unterschiedlich kategorisiert.

Nun soll eine KI für sämtliche Artikel ansprechende, SEO-optimierte Produktbeschreibungen erstellen. Technisch ist das problemlos möglich.

Innerhalb kurzer Zeit entstehen Tausende Beschreibungen. Allerdings können sich die Unstimmigkeiten aus den Produktdaten direkt in den generierten Texten wiederfinden.

Aus fehlenden Angaben werden möglicherweise plausible Vermutungen. Unterschiedliche Bezeichnungen führen zu inkonsistenten Beschreibungen. Falsch zugeordnete Attribute werden übernommen und sprachlich überzeugend verarbeitet.

Das Ergebnis sind nicht einfach nur schlechte Produktdaten. Es sind schlechte Produktdaten, die automatisiert in Tausende veröffentlichungsreife Texte verwandelt wurden.

Was vorher ein internes Datenqualitätsproblem war, wird jetzt zu einem Problem für Kunden, Suchmaschinen und möglicherweise die Retourenquote.

Beispiel: Kundensegmentierung mit KI

Ähnliches gilt für die automatische Analyse von Kundendaten. Wenn ein CRM zahlreiche Dubletten enthält, Kundengruppen uneinheitlich gepflegt wurden oder wichtige Informationen fehlen, kann eine KI trotzdem Kundensegmente erstellen.

Diese können auf den ersten Blick sinnvoll erscheinen. Allerdings beruhen sie möglicherweise auf falschen Zuordnungen, unvollständigen Kaufhistorien oder mehrfach erfassten Kunden.

Wer auf dieser Grundlage automatisierte Marketingkampagnen ausspielt, überträgt bestehende Datenprobleme unmittelbar auf die Kundenkommunikation. Unternehmen, die KI erfolgreich in ihre Abläufe integrieren, profitieren deshalb besonders von einer soliden Datenbasis.

Dazu gehören einheitliche Definitionen, konsistente Formate, klare Zuständigkeiten und nachvollziehbare Regeln für die Datenpflege.

KI kann bei der Bereinigung schlechter Daten helfen. Sie sollte aber nicht darüber hinwegtäuschen, dass diese Arbeit notwendig ist.

Unklare Prozesse werden durch KI nicht automatisch besser

Dasselbe Prinzip gilt für betriebliche Abläufe. Viele Prozesse funktionieren nicht deshalb, weil sie besonders gut dokumentiert sind, sondern weil erfahrene Mitarbeiter die Lücken ausgleichen.

Sie wissen, wann eine Ausnahme sinnvoll ist, welche Fälle an Vorgesetzte weitergegeben werden müssen und was mit einer bestimmten Arbeitsanweisung tatsächlich gemeint ist. Dieses Wissen steht allerdings häufig in keinem Handbuch.

Wird ein solcher Prozess automatisiert, fehlt plötzlich genau das Erfahrungswissen, das ihn bisher zuverlässig gemacht hat. Eine KI kann zwar Entscheidungen vorbereiten und unterschiedliche Situationen bewerten. Ohne klare Vorgaben muss sie jedoch selbst interpretieren, wie mit unklaren Fällen umzugehen ist.

Das kann funktionieren. Es kann aber genauso gut dazu führen, dass falsche Entscheidungen schneller und häufiger getroffen werden.

Beispiel: KI im Kundenservice

Ein Unternehmen möchte seinen Kundenservice mithilfe eines KI-Systems automatisieren.

Bisher entscheiden erfahrene Mitarbeiter selbstständig, wann eine Reklamation kulant behandelt wird, wann ein Fall eskaliert werden muss und welche Ausnahmen von den üblichen Regeln möglich sind. Diese Entscheidungen beruhen auf jahrelanger Erfahrung. Schriftlich festgelegt wurden die Kriterien nie.

Das neue KI-System übernimmt nun einen großen Teil der Anfragen. Standardfälle werden schnell und zuverlässig bearbeitet. Die Bearbeitungszeiten sinken, und die Mitarbeiter werden entlastet.

Bei ungewöhnlichen Beschwerden zeigt sich jedoch ein Problem: Das System kennt die internen Entscheidungsregeln nicht, weil diese nie dokumentiert wurden. Es beantwortet möglicherweise auch solche Anfragen selbstständig, die eigentlich eine individuelle Prüfung erfordern.

Wenn der Prozess vollständig automatisiert abläuft, können solche Fehlentscheidungen unbemerkt bleiben und sich wiederholen. Die eigentliche Schwachstelle liegt deshalb nicht zwangsläufig in der KI.

Der Prozess war schon vorher unzureichend definiert. Die Automatisierung macht diese Schwäche nur deutlicher und potenziell folgenreicher.

Bevor sich ein Geschäftsprozess sinnvoll automatisieren lässt, sollten zumindest die wesentlichen Grundlagen geklärt sein:

• Welche Informationen werden benötigt?
• Welche Entscheidungen müssen getroffen werden?
• Nach welchen Kriterien erfolgen diese Entscheidungen?
• Wie werden Ausnahmen behandelt?
• Wann muss ein Mensch eingreifen?
• Woran erkennt man, dass der Prozess erfolgreich abgeschlossen wurde?

Das klingt nach klassischer Prozessoptimierung. Genau das ist es auch. Diese Arbeit wäre selbst ohne KI sinnvoll gewesen.

Wenn niemand mehr verantwortlich ist

Ein drittes Problem betrifft die Verantwortlichkeiten. In einem gut organisierten Unternehmen sollte für wichtige Entscheidungen und Ergebnisse klar sein, wer dafür verantwortlich ist.

KI schafft nun eine neue Situation: Inhalte, Analysen und Entscheidungen können in großer Menge entstehen, ohne dass automatisch festgelegt ist, wer sie überprüft und verantwortet.

„Das hat die KI gemacht“ ist keine Zuständigkeitsregelung. Wenn auf einer Unternehmenswebsite falsche KI-generierte Informationen veröffentlicht werden, wer hätte sie kontrollieren müssen?

Wenn eine automatisierte E-Mail-Kampagne die falsche Kundengruppe anspricht, wer trägt die Verantwortung für die Segmentierung? Wenn eine KI-gestützte Auswertung eine falsche Handlungsempfehlung liefert, weil die zugrunde liegenden Daten fehlerhaft waren, wer hätte das erkennen sollen?

Diese Fragen sind nicht neu. Unklare Verantwortlichkeiten gab es schon lange vor ChatGPT und anderen KI-Systemen. Neu ist vor allem die Geschwindigkeit, mit der die Konsequenzen sichtbar werden können. Wenn ein Mitarbeiter wöchentlich einen Bericht erstellt und niemand eindeutig für die Qualitätskontrolle zuständig ist, führt das möglicherweise gelegentlich zu Problemen.

Wenn eine KI täglich fünfzig Berichte erstellt, kann dieselbe organisatorische Schwachstelle wesentlich größere Auswirkungen haben. Deshalb braucht auch KI-gestützte Arbeit klar definierte Verantwortlichkeiten.

Für jedes relevante Ergebnis sollte feststehen, wer die fachliche Verantwortung trägt, nach welchen Kriterien es geprüft wird und unter welchen Bedingungen es verwendet werden darf. Das bedeutet nicht, dass jedes einzelne KI-Ergebnis manuell freigegeben werden muss.

Bei risikoarmen und gut kontrollierten Prozessen können automatisierte Prüfungen ausreichen. Bei sensiblen Inhalten, finanziellen Entscheidungen oder rechtlich relevanten Vorgängen kann dagegen eine menschliche Freigabe notwendig sein. Entscheidend ist, dass der Kontrollmechanismus bewusst festgelegt wird.

Automatisierung darf nicht dazu führen, dass Verantwortung verschwindet.

Was Unternehmen tatsächlich für den erfolgreichen KI-Einsatz brauchen

Unternehmen, die langfristig von KI profitieren, sind nicht zwangsläufig diejenigen, die die neuesten oder teuersten Tools einsetzen. Häufig sind es diejenigen, die ihre organisatorischen und technischen Grundlagen im Griff haben. Drei Bereiche sind dabei besonders wichtig.

1. Datenqualität und klare Datenstrukturen

Daten sollten in konsistenten Formaten vorliegen und nach nachvollziehbaren Regeln gepflegt werden. Das bedeutet unter anderem:

• Einheitliche Benennungen und Definitionen
• Klare Datenstrukturen und Formate
• Möglichst wenige Dubletten und widersprüchliche Einträge
• Verlässliche, maßgebliche Datenquellen
• Festgelegte Zuständigkeiten für die Datenpflege
• Regelmäßige Qualitätskontrollen

In vielen Unternehmen verteilen sich relevante Informationen auf Excel-Dateien, ERP-Systeme, CRM-Lösungen, Onlineshops und weitere Anwendungen. Das ist nicht automatisch problematisch.

Schwierig wird es, wenn dieselben Informationen mehrfach und unterschiedlich gepflegt werden oder niemand mehr weiß, welches System den aktuellen Datenstand enthält. Bevor KI diese Informationen sinnvoll nutzen kann, sollten solche Widersprüche zumindest erkannt und für die jeweiligen Anwendungsfälle geklärt werden.

2. Dokumentierte und nachvollziehbare Prozesse

Ein Prozess sollte so beschrieben sein, dass sich auch jemand einarbeiten kann, der ihn bisher nicht ausgeführt hat. Wenn wichtige Entscheidungen ausschließlich auf dem Erfahrungswissen einzelner Mitarbeiter beruhen, fehlt eine verlässliche Grundlage für die Automatisierung. Daher lohnt es sich, bestehende Abläufe zunächst zu dokumentieren.

Welche Arbeitsschritte sind notwendig? Welche Informationen werden benötigt? Wo gibt es Ausnahmen? Welche Entscheidungen können anhand eindeutiger Regeln getroffen werden?

Oft zeigt sich bereits bei dieser Bestandsaufnahme, dass sich Prozesse vereinfachen oder vollständig automatisieren lassen, ohne dafür überhaupt KI einzusetzen. Und genau das sollte ebenfalls ein mögliches Ergebnis sein.

Nicht jedes Automatisierungsproblem braucht künstliche Intelligenz.

Wenn sich eine Aufgabe mit einfachen Regeln, einer Datenbankschnittstelle oder einem klassischen Skript zuverlässig lösen lässt, kann das die bessere Lösung sein. KI ist besonders dort interessant, wo unstrukturierte Informationen verarbeitet, Inhalte interpretiert oder Aufgaben bearbeitet werden müssen, die sich nicht vollständig durch starre Regeln beschreiben lassen.

3. Klare Verantwortlichkeiten und Qualitätskontrolle

Für KI-gestützte Abläufe müssen Zuständigkeiten definiert werden. Wer ist für die Datenbasis verantwortlich? Wer entscheidet über Änderungen am Prozess? Wer überprüft die Ergebnisse? Und wer greift ein, wenn das System fehlerhaft arbeitet?

Ebenso wichtig sind geeignete Kontrollmechanismen. Dazu können beispielsweise Stichproben, Plausibilitätsprüfungen, automatische Validierungen, Protokollierung und Freigabeprozesse gehören.

Je größer die möglichen Auswirkungen eines Fehlers, desto wichtiger ist eine zuverlässige Kontrolle. Ein automatisch generierter interner Textentwurf benötigt andere Sicherheitsmaßnahmen als ein System, das eigenständig Kundenbestellungen verändert oder verbindliche Zusagen verschickt.

Es geht also nicht darum, KI möglichst stark einzuschränken. Es geht darum, ihr innerhalb klar definierter Grenzen Aufgaben zu übertragen, die sie zuverlässig erledigen kann.

KI-Einführung ist mehr als die Installation eines Tools

In der öffentlichen Diskussion entsteht manchmal der Eindruck, Unternehmen müssten lediglich das richtige KI-Tool finden, um ihre Arbeitsabläufe grundlegend zu verändern. Die Realität ist weniger spektakulär.

Eine erfolgreiche KI-Integration beginnt häufig mit Tätigkeiten, die wenig mit künstlicher Intelligenz zu tun haben. Datenbestände müssen geprüft, Schnittstellen verstanden, Prozesse dokumentiert und Verantwortlichkeiten geklärt werden. Das ist keine besonders beeindruckende Demonstration für eine Produktpräsentation.

Es ist aber häufig der Unterschied zwischen einer Lösung, die in einer Demo hervorragend funktioniert, und einer Lösung, die im täglichen Betrieb zuverlässig Ergebnisse liefert. Unternehmen, die diese Grundlagen überspringen, erleben oft einen ähnlichen Verlauf:

Zunächst sorgt die neue Technologie für Begeisterung. Erste Aufgaben werden schneller erledigt, und die Möglichkeiten erscheinen nahezu unbegrenzt. Mit zunehmender Nutzung fallen jedoch Fehler, Unstimmigkeiten und unerwartete Sonderfälle auf.

Die Ergebnisse müssen häufiger kontrolliert und korrigiert werden als erwartet. Der erhoffte Effizienzgewinn schrumpft.

Am Ende entsteht möglicherweise der Eindruck, KI sei für die eigenen Geschäftsprozesse noch nicht ausgereift. Dabei lag das Problem zumindest teilweise an den Voraussetzungen, unter denen sie eingesetzt wurde.

Die entscheidenden Hürden beim KI-Einsatz sind häufig nicht technischer, sondern organisatorischer Natur.

Der positive Nebeneffekt: Die Vorarbeit lohnt sich auch ohne KI

Es gibt allerdings eine gute Nachricht. Viele Maßnahmen, die ein Unternehmen auf den Einsatz künstlicher Intelligenz vorbereiten, sind unabhängig davon sinnvoll. Wer seine Produktdaten bereinigt, verbessert gleichzeitig die Datenqualität im Onlineshop. Kunden finden Produkte leichter, Filter funktionieren zuverlässiger und auch die Suchmaschinenoptimierung kann davon profitieren.

Wer Geschäftsprozesse dokumentiert, erleichtert die Einarbeitung neuer Mitarbeiter und reduziert die Abhängigkeit von einzelnen Personen. Wer Zuständigkeiten eindeutig regelt, vermeidet Missverständnisse, unnötige Rückfragen und Fehler durch unklare Entscheidungen. Und wer die Schnittstellen zwischen seinen Systemen verbessert, schafft die Grundlage für zahlreiche weitere Automatisierungen.

Diese Verbesserungen zahlen sich langfristig aus, auch wenn anschließend nicht jeder Prozess mit KI umgesetzt wird. Künstliche Intelligenz kann deshalb ein sinnvoller Anlass sein, längst überfällige organisatorische und technische Verbesserungen anzugehen.

Unternehmen, die ihre KI-Einführung als umfassenderes Projekt zur Verbesserung ihrer Arbeitsabläufe verstehen, können gleich doppelt profitieren: durch effizientere Prozesse und durch KI-Anwendungen, die auf einer zuverlässigen Grundlage arbeiten.

Fazit: Erst Ordnung schaffen, dann automatisieren

KI kann Unternehmen erheblich produktiver machen. Sie kann Informationen auswerten, Inhalte erstellen, Daten aufbereiten und komplexe Arbeitsabläufe unterstützen. In geeigneten Anwendungsfällen kann sie Aufgaben sogar weitgehend selbstständig übernehmen.

Was sie nicht automatisch leistet, ist die Beseitigung sämtlicher organisatorischer Schwächen eines Unternehmens. Ungepflegte Daten bleiben ungepflegte Daten, auch wenn eine KI daraus ansprechend formulierte Berichte erstellt. Unklare Prozesse bleiben unklar, auch wenn ihre einzelnen Schritte automatisiert werden. Und fehlende Verantwortlichkeiten verschwinden nicht dadurch, dass Entscheidungen zunehmend von Software vorbereitet oder getroffen werden.

Wer schlechte Prozesse automatisiert, bekommt nicht automatisch gute Prozesse. Er bekommt zunächst einmal schnellere schlechte Prozesse.

Deshalb sollte die zentrale Frage vor einer KI-Einführung nicht lauten: „Welches Tool können wir einsetzen?“ Sinnvoller ist die Frage: „Sind unsere Daten, Prozesse und Systeme überhaupt darauf vorbereitet?“

Die Antwort darauf bestimmt häufig, ob KI im Unternehmen langfristig einen messbaren Mehrwert schafft oder lediglich zusätzliche Komplexität erzeugt.

Wer herausfinden möchte, welche Unternehmensprozesse sich für künstliche Intelligenz eignen und wo zunächst technische oder organisatorische Grundlagen verbessert werden sollten, findet weitere Informationen zu meiner KI-Integration und technischen Beratung.