AI Planning » So planen Unternehmen den erfolgreichen Einsatz von künstlicher Intelligenz

Künstliche Intelligenz entwickelt sich rasant und eröffnet Unternehmen völlig neue Möglichkeiten. Automatisierte Prozesse, intelligente Datenanalyse, generative KI, personalisierte Kundenkommunikation und KI-gestützte Software können Abläufe beschleunigen und neue Geschäftsmodelle ermöglichen. Doch bevor Unternehmen einfach verschiedene KI-Tools einsetzen, braucht es einen klaren Plan.

Genau hier setzt AI Planning an.

Unter AI Planning versteht man die strukturierte Planung, Vorbereitung und Umsetzung des Einsatzes von Artificial Intelligence (AI) beziehungsweise künstlicher Intelligenz (KI) innerhalb eines Unternehmens. Dabei geht es nicht nur um die Auswahl geeigneter KI-Software. Unternehmen müssen auch Ziele, Anwendungsfälle, Daten, Mitarbeiter, Kosten, technische Voraussetzungen, Datenschutz, Sicherheit und mögliche Risiken berücksichtigen.

Ein professionelles AI Planning hilft dabei, aus einer allgemeinen Idee eine konkrete KI-Strategie zu entwickeln. Statt wahllos verschiedene Tools auszuprobieren, können Unternehmen gezielt entscheiden, wo KI einen messbaren Mehrwert erzeugt und wie dieser Mehrwert langfristig skaliert werden kann.

AI Planning bezeichnet die systematische Planung des Einsatzes künstlicher Intelligenz in einem Unternehmen.

Dabei werden unter anderem folgende Fragen beantwortet:

• Welche Unternehmensziele sollen mit KI unterstützt werden?

• Welche Prozesse eignen sich für den Einsatz von KI?

• Welche KI-Anwendungen bieten den größten Mehrwert?

• Welche Daten werden benötigt?

• Welche technischen Voraussetzungen müssen vorhanden sein?

• Welche KI-Tools oder Modelle sind geeignet?

• Welche Kosten entstehen?

• Welche Mitarbeiter müssen geschult werden?

• Welche Datenschutz- und Sicherheitsanforderungen gelten?

• Wie wird der Erfolg eines KI-Projekts gemessen?

AI Planning bildet damit eine Verbindung zwischen Unternehmensstrategie, Technologie und praktischer Umsetzung.

Vereinfacht lässt sich der Prozess so darstellen:

Ziel definieren → Potenziale analysieren → Use Cases auswählen → Voraussetzungen prüfen → Lösung planen → Pilotprojekt starten → Ergebnisse messen → skalieren

Künstliche Intelligenz kann in nahezu jedem Unternehmensbereich eingesetzt werden. Gerade diese große Auswahl kann jedoch zum Problem werden.

Unternehmen stehen vor einer Vielzahl von Möglichkeiten:

• Chatbots

• generative KI

• Dokumentenanalyse

• Automatisierung

• Datenanalyse

• KI-Suche

• Sprachverarbeitung

• Bilderkennung

• Prognosemodelle

• KI-Agenten

• Programmierassistenten

Ohne eine klare Strategie besteht die Gefahr, dass Unternehmen zahlreiche KI-Tools anschaffen, ohne deren tatsächlichen Nutzen zu prüfen. Das kann zu sogenannten Tool-Wildwuchs führen. Mitarbeiter verwenden unterschiedliche Anwendungen, Daten werden möglicherweise unkontrolliert verarbeitet und niemand weiß genau, welche Lösung langfristig eingesetzt werden soll.

AI Planning schafft dagegen eine strukturierte Grundlage.

AI Planning ist eng mit einer KI-Strategie verbunden. Eine KI-Strategie beschreibt, welche Rolle künstliche Intelligenz langfristig im Unternehmen spielen soll.

Dabei können beispielsweise folgende Ziele definiert werden:

• Kosten reduzieren

• Arbeitsabläufe automatisieren

• Produktivität erhöhen

• Kundenservice verbessern

• neue Produkte entwickeln

• Daten besser nutzen

• Mitarbeiter entlasten

• neue Umsatzquellen erschließen

• Innovationsfähigkeit steigern

AI Planning übersetzt diese strategischen Ziele anschließend in konkrete Maßnahmen.

Beispiel:

Unternehmensziel: Kundenservice effizienter gestalten.

KI-Planung:

1. Kundenanfragen analysieren

2. häufige Fragestellungen identifizieren

3. geeignete KI-Lösung auswählen

4. Wissensbasis aufbauen

5. Pilotprojekt starten

6. Antwortqualität messen

7. Lösung optimieren

8. auf weitere Bereiche ausweiten

Eine professionelle Planung des KI-Einsatzes sollte mehrere Bereiche berücksichtigen.

1. Unternehmensziele

Am Anfang steht nicht das KI-Tool, sondern das Ziel.

Unternehmen sollten zunächst klären:

Welches Problem soll gelöst werden?

Das verhindert, dass KI nur eingesetzt wird, weil sie gerade im Trend liegt.

2. Prozesse analysieren

Anschließend sollten bestehende Geschäftsprozesse untersucht werden.

Interessant sind insbesondere Prozesse mit:

• vielen wiederkehrenden Aufgaben

• hohem manuellen Aufwand

• großen Datenmengen

• langen Bearbeitungszeiten

• vielen Standardanfragen

• hohem Fehlerpotenzial

Solche Prozesse können besonders interessante KI-Anwendungsfälle darstellen.

3. KI Use Cases identifizieren

Ein KI Use Case beschreibt einen konkreten Anwendungsfall für künstliche Intelligenz.

Beispiele:

Kundenservice

KI erstellt Antwortvorschläge für Support-Mitarbeiter.

Marketing

KI unterstützt bei der Erstellung und Analyse von Content.

Vertrieb

KI analysiert Kundendaten und unterstützt bei der Vorbereitung von Verkaufsgesprächen.

Personalwesen

KI unterstützt bei administrativen Aufgaben und der Aufbereitung von Informationen.

IT

KI hilft bei Dokumentation, Code-Analyse, Fehlerdiagnose und Wissensmanagement.

Finanzen

KI kann bei der Analyse großer Datenmengen und der Erkennung bestimmter Auffälligkeiten unterstützen.

Unternehmen sollten nicht jeden möglichen KI Use Case gleichzeitig umsetzen. Stattdessen empfiehlt sich eine Priorisierung.

Ein einfacher Bewertungsansatz kann folgende Faktoren berücksichtigen:

Besonders interessant sind Use Cases mit hohem Nutzen und vergleichsweise geringem Aufwand.

Eine KI-Strategie funktioniert nur so gut wie die verfügbaren Daten und deren Qualität.

Vor einem KI-Projekt sollte deshalb geprüft werden:

• Welche Daten sind vorhanden?

• Wo liegen diese Daten?

• Wie aktuell sind sie?

• Sind sie vollständig?

• Sind sie strukturiert?

• Gibt es Dubletten?

• Wer darf auf die Daten zugreifen?

• Dürfen die Daten für den geplanten KI-Anwendungsfall verwendet werden?

Beispielsweise kann ein Unternehmen eine KI für die interne Wissenssuche entwickeln wollen. Dafür müssen zunächst relevante Dokumente, Handbücher, Richtlinien und Wissensdatenbanken identifiziert und aufbereitet werden.

Neben den Daten spielt die technische Infrastruktur eine wichtige Rolle.

Unternehmen müssen beispielsweise entscheiden:

• Cloud oder On-Premises?

• Externe KI-Plattform oder eigenes Modell?

• Welche APIs werden benötigt?

• Welche Systeme müssen integriert werden?

• Welche Schnittstellen existieren?

• Welche Rechenleistung wird benötigt?

• Wie werden Zugriffe kontrolliert?

• Wie werden Daten geschützt?

Nicht jeder KI-Anwendungsfall benötigt eine eigene KI-Infrastruktur. In vielen Fällen kann es sinnvoller sein, bestehende KI-Dienste oder APIs zu verwenden.

Ein weiterer Bestandteil von AI Planning ist die Auswahl der geeigneten Technologie. Je nach Anwendungsfall können unterschiedliche Lösungen sinnvoll sein.

Generative KI

Geeignet für beispielsweise:

• Texte

• Zusammenfassungen

• Ideen

• Wissensabfragen

• Dokumentenanalyse

• Content-Erstellung

Machine Learning

Geeignet für:

• Prognosen

• Klassifikation

• Mustererkennung

• Anomalieerkennung

• Risikoanalysen

Computer Vision

Geeignet für:

• Bilderkennung

• Qualitätskontrolle

• Objekterkennung

• visuelle Inspektionen

Sprach-KI

Geeignet für:

• Transkription

• Sprachassistenten

• Gesprächsanalyse

• automatische Sprachausgabe

Die Technologie sollte immer zum Problem passen und nicht umgekehrt.

Generative KI hat die Planung von KI-Projekten deutlich verändert. Unternehmen können heute viele Anwendungen relativ schnell testen.

Beispielsweise:

Dokumente → KI-Modell → Zusammenfassung → Mitarbeiter

oder:

Kundenanfrage → KI-Analyse → Antwortvorschlag → Support-Mitarbeiter

Allerdings sollte auch bei generativer KI genau geplant werden, welche Daten verarbeitet werden und wie die Qualität der Ergebnisse kontrolliert wird.

Ein bewährter Ansatz ist der Start mit einem Pilotprojekt. Statt sofort einen KI-Prozess im gesamten Unternehmen einzuführen, wird zunächst ein begrenzter Anwendungsfall getestet.

Beispiel:

Ein Unternehmen möchte KI im Kundenservice einsetzen. Statt sofort sämtliche Kundenanfragen automatisiert bearbeiten zu lassen, könnte zunächst ein internes System Antwortvorschläge für eine kleine Support-Gruppe erzeugen.

Dabei können folgende Kennzahlen gemessen werden:

• Bearbeitungszeit

• Antwortqualität

• Fehlerquote

• Mitarbeiterzufriedenheit

• Kundenzufriedenheit

• Anzahl der übernommenen KI-Vorschläge

Erst wenn die Ergebnisse überzeugend sind, wird die Lösung erweitert.

Ein wichtiger Punkt jeder Unternehmensplanung ist der Return on Investment (ROI). KI sollte nicht nur technisch funktionieren. Sie sollte auch wirtschaftlich sinnvoll sein.

Unternehmen können beispielsweise folgende Größen vergleichen:

Investitionskosten

gegen

eingesparte Arbeitszeit + reduzierte Kosten + zusätzlicher Umsatz + weitere wirtschaftliche Vorteile

Beispiel:

Eine KI-Anwendung reduziert den manuellen Aufwand für einen Prozess um 30 Prozent. Wenn dadurch monatlich viele Arbeitsstunden eingespart werden, kann sich die Investition in Software, Integration und Schulung möglicherweise schnell amortisieren. Der tatsächliche ROI hängt jedoch immer vom konkreten Anwendungsfall ab.

Ein häufiger Fehler bei KI-Projekten besteht darin, ausschließlich die technische Perspektive zu betrachten. Die Mitarbeiter, die täglich mit den jeweiligen Prozessen arbeiten, kennen häufig die größten Probleme. Deshalb sollten sie frühzeitig eingebunden werden.

Mitarbeiter können beispielsweise beantworten:

• Welche Aufgaben kosten besonders viel Zeit?

• Wo entstehen regelmäßig Fehler?

• Welche Prozesse sind unnötig kompliziert?

• Welche Informationen fehlen?

• Welche Aufgaben würden sich für Automatisierung eignen?

Dadurch können Unternehmen realistischere KI Use Cases identifizieren.

Technologie allein reicht nicht aus. Mitarbeiter müssen auch verstehen, wie KI funktioniert und wie sie sinnvoll eingesetzt wird. Deshalb sollte eine AI-Planung auch KI-Weiterbildung berücksichtigen.

Mögliche Schulungsinhalte sind:

• KI-Grundlagen

• generative KI

• Prompt Engineering

• KI-Tools

• Datenschutz

• IT-Sicherheit

• Qualitätskontrolle

• verantwortungsvoller KI-Einsatz

Eine gute KI-Strategie verbindet daher Technologie, Prozesse und Menschen.

Die Einführung künstlicher Intelligenz kann Arbeitsabläufe verändern. Deshalb gehört auch Change Management zur Planung.

Mitarbeiter können beispielsweise Bedenken haben:

• Wird KI meinen Arbeitsplatz ersetzen?

• Muss ich neue Software lernen?

• Werden meine Leistungen mit KI verglichen?

• Welche Aufgaben bleiben bei mir?

• Wer trägt die Verantwortung für KI-Ergebnisse?

Unternehmen sollten diese Fragen offen kommunizieren. Der Fokus sollte dabei nicht ausschließlich auf Automatisierung liegen. In vielen Fällen kann KI Mitarbeiter vor allem von monotonen Aufgaben entlasten und ihnen mehr Zeit für komplexere Tätigkeiten geben.

Datenschutz gehört zu den wichtigsten Themen bei der Planung von KI-Anwendungen. Vor jedem Projekt sollte geprüft werden, welche Daten verarbeitet werden.

Besonders relevant sind beispielsweise:

• personenbezogene Daten

• Kundendaten

• Mitarbeiterdaten

• Gesundheitsdaten

• Finanzinformationen

• vertrauliche Unternehmensinformationen

• Geschäftsgeheimnisse

Unternehmen sollten festlegen, welche Daten in welchen KI-Systemen verarbeitet werden dürfen.

Auch die IT-Sicherheit darf nicht vernachlässigt werden.

Mögliche Risiken sind beispielsweise:

• unbefugter Zugriff

• Datenabfluss

• kompromittierte Schnittstellen

• unsichere Drittanbieter

• manipulierte Eingaben

• falsche Berechtigungen

Deshalb sollten KI-Anwendungen in bestehende Sicherheitskonzepte integriert werden.

Dazu gehören beispielsweise:

• Zugriffskontrollen

• Authentifizierung

• Protokollierung

• Verschlüsselung

• Berechtigungskonzepte

• Monitoring

• regelmäßige Sicherheitsprüfungen

AI Governance beschreibt Regeln, Prozesse und Verantwortlichkeiten für den Einsatz künstlicher Intelligenz.

Unternehmen sollten beispielsweise festlegen:

• Welche KI-Systeme dürfen verwendet werden?

• Wer darf neue KI-Anwendungen einführen?

• Welche Daten dürfen verarbeitet werden?

• Wer überprüft KI-Ergebnisse?

• Welche Anwendungen benötigen eine besondere Freigabe?

• Wie werden KI-Systeme dokumentiert?

• Wer ist für ein KI-System verantwortlich?

Dadurch entsteht ein kontrollierter Rahmen für den Einsatz von KI.

Unternehmen in der Europäischen Union müssen außerdem regulatorische Anforderungen berücksichtigen. Der EU AI Act verfolgt einen risikobasierten Ansatz und stellt abhängig von der jeweiligen KI-Anwendung unterschiedliche Anforderungen.

Deshalb sollte bereits bei der Planung geprüft werden:

Welche Rolle spielt die KI-Anwendung innerhalb des Unternehmens und welche regulatorischen Anforderungen können daraus entstehen?

Insbesondere bei sensiblen oder risikoreichen Anwendungen ist eine sorgfältige Prüfung wichtig.

Unternehmen können ihren KI-Einsatz beispielsweise anhand einer Roadmap strukturieren.

Phase 1: Analyse

Zunächst werden Unternehmensziele, Prozesse und bestehende KI-Anwendungen analysiert.

Phase 2: Use Cases

Potenzielle KI-Anwendungsfälle werden gesammelt und bewertet.

Phase 3: Priorisierung

Die wichtigsten Use Cases werden anhand von Nutzen, Aufwand, Kosten und Risiken priorisiert.

Phase 4: Vorbereitung

Daten, Infrastruktur, Mitarbeiter und organisatorische Voraussetzungen werden vorbereitet.

Phase 5: Pilotprojekt

Ein ausgewählter Use Case wird in einem begrenzten Rahmen umgesetzt.

Phase 6: Messung

Die Ergebnisse werden anhand definierter KPIs bewertet.

Phase 7: Optimierung

Probleme werden identifiziert und die Lösung verbessert.

Phase 8: Skalierung

Erfolgreiche KI-Anwendungen werden auf weitere Bereiche übertragen.

Nehmen wir ein mittelständisches Unternehmen mit einem großen Kundenservice.

Der aktuelle Prozess sieht folgendermaßen aus:

Kundenanfrage → Mitarbeiter liest Anfrage → Recherche → Antwort schreiben → Kontrolle → Versand Das Unternehmen möchte diesen Prozess effizienter gestalten. Im Rahmen des AI Planning wird untersucht, ob KI einzelne Arbeitsschritte unterstützen kann.

Eine mögliche Lösung:

Kundenanfrage → KI klassifiziert Anfrage → relevante Informationen suchen → Antwortvorschlag erstellen → Mitarbeiter prüft → Versand Die KI ersetzt dabei nicht automatisch den Mitarbeiter. Stattdessen unterstützt sie den bestehenden Prozess.

Anschließend wird gemessen, ob sich die Bearbeitungszeit tatsächlich reduziert und gleichzeitig die Qualität erhalten bleibt.

Nicht jedes KI-Projekt ist automatisch erfolgreich. Einige Fehler treten besonders häufig auf.

Fehler 1: Mit der Technologie beginnen

„Wir brauchen unbedingt KI.“

Das ist kein ausreichendes Ziel.

Besser:

„Wir haben ein konkretes Problem und prüfen, ob KI dafür eine geeignete Lösung ist.“

Fehler 2: Zu viele Projekte gleichzeitig

Wenn Unternehmen zehn KI-Projekte gleichzeitig starten, fehlen häufig Ressourcen für eine saubere Umsetzung. Besser ist ein schrittweises Vorgehen.

Fehler 3: Daten unterschätzen

Schlechte Daten können die Qualität einer KI-Anwendung erheblich beeinträchtigen.

Fehler 4: Mitarbeiter nicht einbeziehen

Eine technisch funktionierende Lösung kann trotzdem scheitern, wenn Mitarbeiter sie nicht akzeptieren oder verwenden.

Fehler 5: Datenschutz erst am Ende prüfen

Datenschutz sollte bereits während der Planung berücksichtigt werden.

Fehler 6: Erfolg nicht messen

Ohne KPIs lässt sich nur schwer feststellen, ob ein KI-Projekt tatsächlich einen wirtschaftlichen Mehrwert erzeugt.

Je nach Use Case können unterschiedliche Kennzahlen verwendet werden.

Beispiele:

Produktivität

• Bearbeitungszeit

• Anzahl bearbeiteter Vorgänge

• eingesparte Arbeitszeit

Qualität

• Fehlerquote

• Korrekturaufwand

• Kundenzufriedenheit

Finanzen

• Kostenersparnis

• zusätzlicher Umsatz

• ROI

Nutzung

• aktive Nutzer

• Anzahl der KI-Anwendungen

• Nutzungsrate

Mitarbeiter

• Akzeptanz

• Schulungsfortschritt

• Zufriedenheit

Die KPIs sollten bereits vor dem Pilotprojekt definiert werden.

Auch kleine und mittelständische Unternehmen können AI Planning einsetzen. Dabei muss die Planung nicht kompliziert sein.

Ein einfacher Prozess kann bereits aus sechs Fragen bestehen:

1. Welches Problem wollen wir lösen?

2. Kann KI dieses Problem sinnvoll unterstützen?

3. Welche Daten werden benötigt?

4. Welche Lösung ist technisch und wirtschaftlich sinnvoll?

5. Welche Risiken müssen berücksichtigt werden?

6. Wie messen wir den Erfolg?

Damit lässt sich bereits eine solide Grundlage für erste KI-Projekte schaffen.

KI-Planung endet nicht mit der Einführung eines Tools. Technologien entwickeln sich ständig weiter.

Neue Modelle können:

• leistungsfähiger

• günstiger

• schneller

• sicherer

• einfacher integrierbar

Deshalb sollten Unternehmen ihre KI-Strategie regelmäßig überprüfen. Eine Lösung, die heute wirtschaftlich nicht sinnvoll ist, kann in einigen Monaten interessant werden. Umgekehrt kann ein heute verwendetes Tool durch eine bessere Alternative ersetzt werden.

AI Planning sollte deshalb als kontinuierlicher Prozess verstanden werden.

Mit der Weiterentwicklung generativer KI und sogenannter KI-Agenten dürfte die strategische Planung des KI-Einsatzes noch wichtiger werden. Unternehmen werden zunehmend nicht nur einzelne KI-Tools einsetzen, sondern ganze KI-gestützte Workflows aufbauen.

Beispielsweise:

E-Mail → Klassifizierung → Datenbankabfrage → Analyse → Antwortentwurf → Freigabe → Dokumentation Dadurch verschiebt sich der Fokus von einzelnen KI-Anwendungen hin zu intelligenten Geschäftsprozessen. Unternehmen benötigen deshalb zunehmend eine klare Vorstellung davon, welche Aufgaben KI übernehmen soll, welche Aufgaben beim Menschen bleiben und wie beide miteinander zusammenarbeiten.