KI-Quickscan: wo KI in deinem Unternehmen Sinn ergibt

Was ein KI-Quickscan liefert

Die meisten Unternehmen, die 'etwas mit KI' machen wollen, starten, ohne genau zu wissen, welches Problem sie eigentlich lösen. Sie lesen über Anwendungsfälle bei anderen Unternehmen, hören, dass Mitbewerber sich damit beschäftigen, und beschließen, dass sie auch anfangen müssen. Ohne zuerst zu prüfen, ob die eigenen Prozesse dafür bereit sind.

Ein KI-Quickscan dreht das um. Ich fange mit deiner aktuellen Arbeitsweise an, nicht mit der Technologie. Ich schaue mir an, wie Arbeit jetzt abläuft, wo Wiederholungen auftreten, wo Entscheidungen auf Basis von Mustern getroffen werden und wo manuelle Schritte die größte Reibung erzeugen. Auf Basis dieses Bildes liefere ich einen Bericht mit 3 bis 5 konkreten Kandidatenfällen.

Pro Fall enthält der Bericht: was der Prozess ist, warum KI hier vielversprechend oder ungeeignet ist, eine Schatzung des erforderlichen Aufwands und die erwartete Wirkung bei einem Vorankommen. Der Bericht enthält auch Fälle, bei denen ich explizit abrate, inklusive Begrundung. Ein Audit, der nur grune Hakchen vergibt, ist kein Audit.

Mein Discovery-Prozess

Ein Quickscan ist kein Fragebogen, den ich dir zuschicke. Es ist eine praktische Beobachtung, wie Arbeit bei dir abläuft. Ich verwende vier Schritte:

• ▸Aufnahmegesprach mit dem Team: Ich spreche mit den Menschen, die die tagliche Arbeit erledigen, nicht nur mit der Geschäftsführung. Sie wissen, wo die Reibung liegt.
• ▸Beobachtung manueller Schritte: Ich lasse Mitarbeiter ihre eigene Arbeit durchführen, während ich zuschaue. Viele Engpasse sind in einer Beschreibung nicht sichtbar, aber in der Praxis schon.
• ▸Datenflusaanalyse: Ich kartiere, woher Daten kommen, wohin sie gehen und wie oft sie manuell abgetippt oder kopiert werden.
• ▸Identifikation von Automatisierungskandidaten: Ich kennzeichne Prozesse mit hoher Wiederholung, geringer Ausnahmequote oder viel Mustererkennung als potenziell interessante KI-Kandidaten.

Ich mache das immer maßgeschneidert. Keine Standardchecklisten. Das Ergebnis hängt vollständig davon ab, was ich bei dir vorgefunden habe, nicht davon, was ich vorher zu finden erwartete.

Fälle, die ich typischerweise als vielversprechend kennzeichne

Nach mehreren Audits bei verschiedenen Unternehmen sehe ich wiederkehrende Muster. Dies sind die Kategorien, die ich am haufigsten als potenziell interessant markiere:

• ▸Dokumentenextraktion: Rechnungen, Angebote oder Verträge, bei denen jedes Mal dieselben Felder manuell in ein System ubertragen werden. KI kann diese Extraktion bei stabiler Dokumentenstruktur mit hoher Genauigkeit übernehmen.
• ▸Datenklassifikation: eingehende Nachrichten, Tickets oder Meldungen, die jemand manuell kategorisiert, bevor sie weitergeleitet werden. Wenn genugendes historisches Material vorhanden ist, ist das ein starker Kandidat.
• ▸Content-Routing: E-Mails oder Formulareinreichungen, die auf Basis des Inhalts an die richtige Abteilung oder Person gesendet werden müssen. Einfach zu automatisieren, wenn die Kategorien klar sind.
• ▸Sich wiederholende Entscheidungen mit Mustern: Genehmigungen, Priorisierungen oder Bewertungen, die immer auf denselben Faktoren basieren. Nicht um die menschliche Entscheidung zu ersetzen, sondern um sie vorzubereiten.
• ▸Zusammenfassung langer Quellen: Besprechungsnotizen, Kundengesprache oder technische Dokumentation, die manuell zusammengefasst werden. KI kann das als ersten Entwurf liefern, den jemand kurz durchsieht.

Das sind Kategorien, keine Garantien. Ob ein konkreter Fall vielversprechend ist, hängt von der Qualität deiner Daten, der Konsistenz des Prozesses und der Bereitschaft des Teams ab, mit einer KI-Komponente zu arbeiten.

Fälle, von denen ich typischerweise abrate

Genauso wichtig wie die Chancen ist zu wissen, was man besser nicht mit KI angehen sollte. Ich rate davon ab, wenn:

• ▸Das Volumen zu gering ist: eine Aufgabe, die zweimal im Monat vorkommt, bringt zu wenig Rendite, um sie zu rechtfertigen. Eine gute Automatisierung braucht Skalierungsvorteile.
• ▸Der Prozess deterministisch ist: wenn jeder Schritt genau in Regeln ohne Ausnahmen beschrieben werden kann, ist eine regelbasierte Lösung schneller, günstiger und zuverlassiger als KI.
• ▸Die Markensensitivität zu hoch ist: für Texte oder Bilder, die direkt nach außen gehen und stark an deine Stimme oder deinen Stil gebunden sind, ist KI-Generierung ohne gründliche menschliche Prüfung zu riskant.
• ▸Die Daten fehlen: KI-Anwendungen auf Basis von Mustererkennung benötigen historisches Material. Wenn das fehlt oder zersplittert ist, fehlt die Grundlage.
• ▸Die Ausnahme die Regel ist: wenn der Prozess so viele Ausnahmen hat, dass die KI-Ausgabe immer korrigiert werden muss, baut man zusatzliche Arbeit ein statt weniger.

Ich erwaline das explizit im Bericht. Ein ehrliches 'das macht keinen Sinn' ist mehr wert als ein begeistertes 'das bauen wir', das nach einigen Monaten stehen bleibt.

Beispielausgabe: Fälle in einer Prioritätsmatrix

Ein Bericht von mir sieht nicht wie eine Prasentation voller Aufzahlungspunkte aus. Es ist ein Arbeitsdokument mit folgenden Spalten pro identifiziertem Fall:

Dies ist ein vereinfachtes Beispiel. Die tatsächliche Matrix enthält mehr Kontext pro Zeile und eine Erklärung, warum etwas hoch oder niedrig bewertet wird. Das Ziel ist, dass du nach dem Lesen des Berichts eine überlegte Entscheidung treffen kannst, nicht dass du die Empfehlungen blind befolgst.

Was ich nicht tue

Ein Quickscan ist eine Discovery, kein Verkaufsgesprach für ein Implementierungsprojekt. Ich mache diesen Unterschied bewusst:

• ▸Ich nutze den Audit nicht als Trichter zu einem möglichst großen Folgeprojekt. Der Bericht ist das Produkt. Ob du danach etwas baust, mit mir oder jemand anderem, ist deine Entscheidung.
• ▸Ich schreibe keine generischen KI-Strategieberichte. Alles im Bericht basiert auf dem, was ich bei dir beobachtet habe, nicht auf branchenweiten Trends.
• ▸Ich mache keine Empfehlungen für Technologie, die ich nicht in deinem Kontext analysiert habe. Kein 'du könntest ChatGPT Plus kaufen', ohne zu wissen, was du damit tun würdest.
• ▸Ich mache keine Versprechen über Implementierungsergebnisse. Der Audit gibt eine Schatzung ab, keine Garantie. Die Realität beim Bau kann von dem abweichen, was die Discovery zeigte.
• ▸Ich tue nicht so, als ob es immer KI-Fälle gibt. Wenn ich nach der Discovery zu dem Schluss komme, dass es keine guten Kandidaten gibt, steht das im Bericht.

Weiterlesen