KI Entwicklung » So entstehen moderne KI-Anwendungen und intelligente Systeme

Die KI Entwicklung gehört zu den wichtigsten Bereichen der modernen Softwareentwicklung. Künstliche Intelligenz kann heute Texte verstehen und erzeugen, Bilder analysieren, Sprache erkennen, Daten auswerten, Muster identifizieren und komplexe Arbeitsabläufe automatisieren.

Doch hinter einer leistungsfähigen KI steckt weit mehr als ein einzelner Algorithmus. Eine professionelle KI-Anwendung besteht aus Daten, Modellen, Software, Schnittstellen, Infrastruktur und einem klar definierten Anwendungsfall.

Unternehmen stehen deshalb zunehmend vor der Frage: Wie lässt sich eine eigene KI entwickeln? Welche Technologien werden benötigt? Was kostet die Entwicklung einer KI und wann lohnt sich eine individuelle Lösung gegenüber einer fertigen KI-Software?

In diesem Ratgeber erklären wir die wichtigsten Grundlagen der KI Entwicklung, zeigen den typischen Entwicklungsprozess und geben einen Überblick über Technologien, Anwendungsfälle, Kosten und Herausforderungen.

KI Entwicklung bezeichnet die Konzeption, Entwicklung, Integration und Optimierung von Software, die Aufgaben ausführen kann, die normalerweise menschliche Fähigkeiten wie Lernen, Erkennen, Analysieren oder Sprachverstehen erfordern.

Dazu gehören beispielsweise Systeme für:

• maschinelles Lernen

• Bilderkennung

• Spracherkennung

• Textanalyse

• natürliche Sprachverarbeitung

• generative KI

• Datenanalyse

• Prognosen

• Empfehlungssysteme

• intelligente Automatisierung

• KI-Agenten

Eine KI muss dabei nicht zwangsläufig ein eigenes großes Sprachmodell sein.

Auch eine Software, die anhand historischer Unternehmensdaten zukünftige Entwicklungen prognostiziert, kann eine KI-Anwendung darstellen.

Die Entwicklung eines KI-Systems lässt sich vereinfacht in mehrere Phasen unterteilen:

Problem → Daten → Modell → Training → Integration → Test → Betrieb → Optimierung

Der konkrete Ablauf hängt vom jeweiligen Projekt ab.

Eine KI für Bilderkennung benötigt beispielsweise andere Daten und Modelle als ein KI-Chatbot.

Ein typischer Entwicklungsprozess sieht jedoch ungefähr so aus.

1. Anwendungsfall definieren

Am Anfang jedes KI-Projekts sollte nicht die Technologie stehen.

Die wichtigste Frage lautet:

Welches konkrete Problem soll die KI lösen?

Beispiele:

• Kundenanfragen automatisch bearbeiten

• Dokumente analysieren

• Betrug erkennen

• Verkaufszahlen prognostizieren

• Produktionsfehler erkennen

• Mitarbeiter bei der Recherche unterstützen

• Texte automatisch klassifizieren

• interne Unternehmensinformationen durchsuchen

Ein klar definierter Use Case erleichtert anschließend die Auswahl der passenden Technologie.

2. Anforderungen analysieren

Im nächsten Schritt werden die Anforderungen an das KI-System definiert.

Dabei können Fragen wie diese wichtig sein:

• Welche Aufgaben soll die KI übernehmen?

• Welche Daten werden benötigt?

• Wie genau muss das System sein?

• Wie schnell muss eine Antwort erfolgen?

• Wie viele Nutzer gibt es?

• Welche Systeme müssen angebunden werden?

• Welche Sicherheitsanforderungen bestehen?

• Welche Daten dürfen verarbeitet werden?

• Muss ein Mensch die Ergebnisse kontrollieren?

Diese Phase ist besonders wichtig, weil technische Entscheidungen später erhebliche Auswirkungen auf Kosten und Wartungsaufwand haben können.

3. Daten für die KI sammeln

Daten sind eine zentrale Grundlage vieler KI-Systeme.

Je nach Anwendungsfall können beispielsweise folgende Daten benötigt werden:

• Texte

• Bilder

• Videos

• Audiodateien

• Kundendaten

• Verkaufsdaten

• Sensordaten

• Logdaten

• Dokumente

• Datenbankeinträge

Bei einem Machine-Learning-Projekt können historische Daten genutzt werden, damit ein Modell Muster erkennt.

Bei einer generativen KI-Anwendung können dagegen beispielsweise Unternehmensdokumente als Wissensquelle für ein RAG-System dienen.

4. Daten aufbereiten

Rohdaten sind häufig nicht direkt für ein KI-System geeignet.

Daten müssen unter Umständen:

• bereinigt

• strukturiert

• normalisiert

• kategorisiert

• anonymisiert

• dedupliziert

• validiert

werden.

Dieser Prozess wird häufig als Data Preparation oder Datenaufbereitung bezeichnet.

Eine hohe Datenqualität ist entscheidend.

Denn ein leistungsfähiges Modell kann schlechte oder fehlerhafte Daten nicht automatisch in hochwertige Informationen verwandeln.

5. Das passende KI-Modell auswählen

Anschließend muss entschieden werden, welche Art von KI-Modell zum Projekt passt.

Mögliche Ansätze sind beispielsweise:

• Machine Learning

• Deep Learning

• Large Language Models

• Computer Vision

• Natural Language Processing

• klassische statistische Modelle

• generative KI

• multimodale Modelle

Nicht jedes KI-Projekt benötigt ein komplexes Modell.

Für bestimmte Aufgaben kann ein einfacheres Machine-Learning-Modell vollkommen ausreichend sein.

6. KI-Modell trainieren

Beim Training lernt ein Machine-Learning-Modell anhand von Daten bestimmte Muster.

Ein vereinfachtes Beispiel:

Ein Unternehmen möchte eine KI entwickeln, die Supporttickets automatisch kategorisiert.

Dafür können historische Tickets verwendet werden, die bereits Kategorien besitzen.

Das Modell lernt daraus beispielsweise Zusammenhänge zwischen:

Text → Problem → Kategorie

Nach dem Training kann das Modell versuchen, neue Tickets automatisch zu klassifizieren.

Machine Learning, also maschinelles Lernen, ist ein Teilbereich der künstlichen Intelligenz.

Dabei werden Algorithmen eingesetzt, die aus Daten lernen können.

Statt jede einzelne Regel manuell zu programmieren, wird ein Modell anhand von Beispielen trainiert.

Ein klassisches Beispiel ist die Spam-Erkennung.

Anstatt für jede mögliche Spam-Mail eine Regel zu programmieren, kann ein Modell anhand vieler Beispiele lernen, welche Merkmale häufig mit Spam verbunden sind.

Deep Learning ist ein Teilbereich des Machine Learning.

Deep-Learning-Modelle verwenden häufig künstliche neuronale Netzwerke mit vielen Schichten.

Diese Technologie wird unter anderem bei folgenden Aufgaben eingesetzt:

• Bilderkennung

• Sprachverarbeitung

• Spracherkennung

• generativer KI

• autonomem Fahren

• komplexer Mustererkennung

Moderne generative KI basiert in vielen Fällen auf sehr großen neuronalen Netzwerken.

Generative KI kann neue Inhalte erzeugen.

Dazu gehören beispielsweise:

• Texte

• Bilder

• Videos

• Audio

• Musik

• Programmcode

Generative KI hat die Entwicklung von KI-Anwendungen deutlich verändert.

Unternehmen können heute beispielsweise KI-Assistenten entwickeln, die natürliche Sprache verstehen und auf interne Unternehmensinformationen zugreifen.

Unternehmen müssen nicht zwangsläufig ein eigenes KI-Modell von Grund auf entwickeln.

In vielen Projekten ist es sinnvoller, ein bereits vorhandenes Modell zu verwenden und daraus eine individuelle Anwendung zu entwickeln.

Beispielsweise kann eine eigene Software:

Benutzeroberfläche + Unternehmensdaten + KI-Modell + Datenbank + Automatisierung

kombinieren.

Das kann deutlich effizienter sein, als selbst ein riesiges Basismodell zu trainieren.

Eine besonders wichtige Technologie für Unternehmens-KI ist Retrieval-Augmented Generation, kurz RAG.

Dabei wird ein Sprachmodell mit einer externen Wissensquelle verbunden.

Der Ablauf kann vereinfacht so aussehen:

Frage → relevante Dokumente suchen → Informationen abrufen → KI generiert Antwort

Ein Unternehmen könnte beispielsweise interne:

• Handbücher

• Richtlinien

• Supportdokumente

• Produktinformationen

• technische Dokumentationen

an ein RAG-System anbinden.

Mitarbeiter können anschließend Fragen in natürlicher Sprache stellen.

Das System sucht relevante Informationen und verwendet diese als Kontext für die Antwort.

RAG-Systeme nutzen häufig Vektordatenbanken oder vergleichbare Suchtechnologien.

Dokumente können dabei in sogenannte Vektorrepräsentationen umgewandelt werden.

Dadurch lassen sich Inhalte nicht nur anhand exakter Wörter, sondern auch anhand ihrer semantischen Bedeutung suchen.

Das ist besonders hilfreich, wenn Nutzer eine Frage anders formulieren als der entsprechende Text im Dokument.

Ein weiterer wichtiger Bereich der modernen KI Entwicklung sind KI-Agenten.

Ein KI-Agent kann – abhängig von Architektur und Berechtigungen – mehrere Schritte eines Prozesses durchführen.

Ein Agent könnte beispielsweise:

1. eine Anfrage verstehen,

2. Informationen suchen,

3. eine Datenbank abfragen,

4. eine Berechnung durchführen,

5. ein Ergebnis erzeugen,

6. einen Workflow starten.

Damit geht KI über einen klassischen Chatbot hinaus.

KI-Agenten können insbesondere interessant sein, wenn komplexere Geschäftsprozesse automatisiert werden sollen.

Eine eigene KI Software besteht in der Praxis häufig aus mehreren Komponenten.

Eine mögliche Architektur könnte beispielsweise enthalten:

Frontend

Die Benutzeroberfläche, über die Mitarbeiter mit dem System interagieren.

Backend

Die Geschäftslogik der Anwendung.

KI-Schicht

Das verwendete Modell oder die KI-API.

Datenbank

Speicherung von Benutzer-, Unternehmens- oder Anwendungsdaten.

Wissensdatenbank

Dokumente und Informationen, auf die die KI zugreifen kann.

Authentifizierung

Benutzerkonten und Berechtigungen.

Monitoring

Überwachung von Leistung, Fehlern und Kosten.

Damit wird deutlich:

KI Entwicklung ist häufig Softwareentwicklung plus KI-Technologie.

Für die Entwicklung von KI-Anwendungen kommen verschiedene Programmiersprachen zum Einsatz.

Python

Python gehört zu den wichtigsten Programmiersprachen im Bereich künstliche Intelligenz und Machine Learning.

Ein Grund dafür ist das große Ökosystem an Bibliotheken und Frameworks.

Python wird beispielsweise für:

• Datenanalyse

• Machine Learning

• Deep Learning

• Prototyping

• KI-APIs

• Automatisierung

eingesetzt.

JavaScript und TypeScript

JavaScript und TypeScript spielen insbesondere bei Webanwendungen eine wichtige Rolle.

Sie können beispielsweise für:

• Frontends

• Backends

• KI-Webanwendungen

• Dashboards

• API-Integrationen

eingesetzt werden.

Java, C# und C++

Auch andere Programmiersprachen können für KI-Systeme relevant sein.

Welche Sprache sinnvoll ist, hängt stark von der vorhandenen IT-Infrastruktur und dem konkreten Projekt ab.

Für KI-Projekte existiert ein umfangreiches Ökosystem aus Frameworks und Bibliotheken.

Dazu gehören unter anderem:

• PyTorch

• TensorFlow

• scikit-learn

• Hugging Face

• verschiedene LLM-Frameworks

• Datenverarbeitungsbibliotheken

• Vektordatenbanken

Die konkrete Auswahl sollte vom Anwendungsfall abhängig gemacht werden.

Ein besonders schneller Einstieg in die Entwicklung einer KI-Anwendung besteht darin, vorhandene KI-Modelle über APIs anzubinden.

Dabei übernimmt der externe Anbieter beispielsweise die Bereitstellung des Modells.

Die eigene Software übernimmt dann:

• Benutzeroberfläche

• Geschäftslogik

• Datenverwaltung

• Authentifizierung

• Workflows

• Integration

Das kann die Entwicklungszeit erheblich reduzieren.

Diese Frage gehört zu den wichtigsten Entscheidungen eines KI-Projekts.

Bestehendes Modell verwenden

Vorteile:

• schneller Start

• geringere Entwicklungskosten

• weniger Infrastruktur

• weniger Know-how für Modelltraining erforderlich

Modell anpassen

Eine bestehende KI kann je nach Modell und Anwendungsfall beispielsweise durch:

• Fine-Tuning

• RAG

• Prompt Engineering

• zusätzliche Daten

• spezialisierte Verarbeitung

an einen bestimmten Anwendungsfall angepasst werden.

Eigenes Modell trainieren

Ein komplett eigenes Modell kann sinnvoll sein, wenn sehr spezielle Anforderungen bestehen.

Allerdings steigen dadurch normalerweise:

• Entwicklungsaufwand

• Datenbedarf

• Infrastrukturkosten

• Know-how-Anforderungen

• Wartungsaufwand

deutlich.

Für viele Unternehmen ist deshalb die Kombination aus bestehendem KI-Modell + eigenen Daten + individueller Software der pragmatischere Ansatz.

Die Kosten für die Entwicklung einer KI können sehr unterschiedlich ausfallen.

Ein kleines KI-Projekt kann beispielsweise relativ überschaubar sein.

Eine komplexe Unternehmensplattform kann dagegen erhebliche Investitionen erfordern.

Die Kosten hängen unter anderem ab von:

• Funktionsumfang

• Datenmenge

• Modell

• Infrastruktur

• Anzahl der Nutzer

• Sicherheitsanforderungen

• Schnittstellen

• Entwicklungszeit

• laufenden API-Kosten

• Wartung

• Monitoring

Ein einfacher KI-Assistent auf Basis einer bestehenden API ist beispielsweise wesentlich einfacher umzusetzen als ein eigenes Foundation Model.

Projektumfang

Je mehr Funktionen benötigt werden, desto größer ist der Entwicklungsaufwand.

Daten

Große und komplexe Datenbestände können erhebliche Aufbereitungsarbeit verursachen.

Integration

Schnittstellen zu CRM-, ERP-, ERP-, Ticketsystemen oder anderen Unternehmenssystemen können zusätzlichen Aufwand erzeugen.

Sicherheit

Unternehmensanwendungen benötigen häufig Authentifizierung, Rollenmodelle, Verschlüsselung und Monitoring.

KI-Modell

Die Wahl des Modells beeinflusst sowohl Entwicklung als auch laufende Kosten.

Unternehmen können KI in vielen Bereichen einsetzen.

Kundenservice

Automatische Beantwortung häufiger Fragen und Unterstützung von Supportmitarbeitern.

Vertrieb

Analyse von Leads und Unterstützung bei der Kundenrecherche.

Marketing

Content-Erstellung, Datenanalyse und Kampagnenunterstützung.

IT

Analyse von Logs, Dokumentation und Unterstützung bei der Fehleranalyse.

Personalwesen

Unterstützung bei bestimmten administrativen Prozessen.

Produktion

Fehlererkennung und Predictive Maintenance.

Finanzen

Datenanalyse, Anomalieerkennung und Prognosen.

Gerade für kleine und mittlere Unternehmen kann KI interessant sein.

Mittelständische Unternehmen verfügen häufig über wertvolle branchenspezifische Daten und Prozesse.

Eine individuell entwickelte KI kann beispielsweise genau auf diese Abläufe zugeschnitten werden.

Mögliche Lösungen sind:

• interner KI-Assistent

• Dokumenten-KI

• Support-KI

• Wissensdatenbank

• Prognosesystem

• KI-gestützte Suchmaschine

• automatisierte Datenanalyse

• KI-Agent

Dabei sollte der wirtschaftliche Nutzen immer im Mittelpunkt stehen.

Ein besonders interessanter Anwendungsfall ist die Entwicklung einer internen Unternehmens-KI.

Mitarbeiter könnten beispielsweise Fragen stellen wie:

„Wie läuft unser Bestellprozess ab?“

„Welche Schritte gelten bei einem IT-Problem?“

„Welche Anforderungen hat Produkt X?“

Die KI kann anschließend relevante Unternehmensinformationen abrufen und verständlich zusammenfassen.

Das kann die Suche nach Informationen erheblich vereinfachen.

Bei der Entwicklung einer KI-Anwendung spielt Datenschutz eine wichtige Rolle.

Besonders bei Unternehmensprojekten sollte frühzeitig geprüft werden:

• Welche personenbezogenen Daten werden verarbeitet?

• Wo werden Daten gespeichert?

• Welche Anbieter erhalten Zugriff?

• Wie lange werden Informationen gespeichert?

• Welche Zugriffsrechte bestehen?

• Wie werden Daten geschützt?

Datenschutz sollte nicht erst nach Abschluss der Entwicklung berücksichtigt werden.

Besser ist ein Ansatz, bei dem Datenschutz bereits bei der Konzeption berücksichtigt wird.

KI-Systeme können neue Sicherheitsrisiken erzeugen.

Dazu gehören beispielsweise:

• unberechtigte Datenzugriffe

• Prompt Injection

• Datenabfluss

• manipulierte Eingaben

• missbräuchliche API-Nutzung

• kompromittierte Schnittstellen

Deshalb sollte eine professionelle KI-Anwendung Sicherheitsmechanismen besitzen.

Dazu können gehören:

• Authentifizierung

• Rollen und Berechtigungen

• Zugriffskontrollen

• Logging

• Monitoring

• Rate Limiting

• sichere API-Architektur

• Datenverschlüsselung

Auch regulatorische Anforderungen können bei der Entwicklung einer KI relevant sein.

Der EU AI Act verfolgt einen risikobasierten Ansatz.

Je nach Zweck und Einsatzbereich eines KI-Systems können unterschiedliche Anforderungen gelten.

Bei der Entwicklung sollte deshalb frühzeitig geprüft werden:

• Welche Funktion besitzt die KI?

• Wer verwendet sie?

• Welche Entscheidungen unterstützt sie?

• Welche Risiken entstehen?

• Welche Daten werden verarbeitet?

• Welche Transparenzanforderungen bestehen?

Eine KI-Anwendung sollte daher nicht ausschließlich technisch betrachtet werden.

Vor dem produktiven Einsatz muss eine KI gründlich getestet werden.

Dabei sollten verschiedene Fragen beantwortet werden:

• Wie genau arbeitet das System?

• Wie reagiert es auf ungewöhnliche Eingaben?

• Produziert es falsche Antworten?

• Wie schnell ist die Verarbeitung?

• Wie hoch sind die Kosten?

• Funktioniert das System bei vielen Nutzern?

• Sind Sicherheitsmechanismen vorhanden?

Bei generativer KI sollten außerdem typische Fehler wie Halluzinationen berücksichtigt werden.

Als Halluzination bezeichnet man bei generativen KI-Systemen Situationen, in denen ein Modell Informationen erzeugt, die plausibel klingen, aber falsch oder nicht durch die verfügbaren Informationen gestützt sind.

Ein Beispiel:

Ein Nutzer stellt eine Frage zu einem internen Unternehmensprozess.

Die KI kennt die benötigte Information nicht und erzeugt trotzdem eine scheinbar überzeugende Antwort.

Deshalb sind bei geschäftskritischen KI-Anwendungen geeignete Kontrollmechanismen wichtig.

Eine KI-Anwendung ist nach dem Launch nicht automatisch fertig.

Modelle, Daten, APIs und Geschäftsprozesse verändern sich.

Daher sollte eine KI-Lösung regelmäßig überwacht werden.

Dabei können beispielsweise folgende Kennzahlen interessant sein:

• Antwortqualität

• Fehlerrate

• Antwortzeit

• API-Kosten

• Nutzungsvolumen

• Nutzerfeedback

• Sicherheitsereignisse

Eine professionelle KI-Entwicklung berücksichtigt deshalb auch den späteren Betrieb.

Ein typischer Ablauf kann folgendermaßen aussehen:

Phase 1: Idee

Ein konkretes Problem wird identifiziert.

Phase 2: Analyse

Anforderungen und Daten werden untersucht.

Phase 3: Proof of Concept

Eine erste technische Lösung wird entwickelt.

Phase 4: Prototyp

Die wichtigsten Funktionen werden umgesetzt.

Phase 5: Integration

Bestehende Systeme werden angebunden.

Phase 6: Tests

Qualität, Sicherheit und Performance werden überprüft.

Phase 7: Launch

Das System wird produktiv eingesetzt.

Phase 8: Optimierung

Nutzung und Ergebnisse werden ausgewertet und verbessert.

Bei größeren KI-Projekten kann ein Proof of Concept (PoC) sinnvoll sein.

Dabei wird zunächst geprüft, ob die gewünschte Idee technisch funktioniert.

Ein PoC beantwortet beispielsweise:

Kann unsere KI die vorhandenen Dokumente zuverlässig durchsuchen?

oder:

Kann das Modell unsere Supporttickets ausreichend genau kategorisieren?

Dadurch können Unternehmen Risiken reduzieren, bevor große Summen in die vollständige Entwicklung investiert werden.

Eine gute KI-Anwendung zeichnet sich nicht nur durch ein leistungsfähiges Modell aus.

Wichtige Faktoren sind:

Benutzerfreundlichkeit

Die Anwendung sollte einfach zu bedienen sein.

Datenqualität

Die zugrunde liegenden Informationen müssen zuverlässig sein.

Geschwindigkeit

Nutzer sollten nicht unnötig lange auf Ergebnisse warten.

Sicherheit

Daten und Systeme müssen geschützt werden.

Transparenz

Nutzer sollten verstehen können, wie die KI eingesetzt wird.

Kontrollierbarkeit

Bei wichtigen Entscheidungen sollte menschliche Kontrolle möglich sein.

Skalierbarkeit

Das System sollte mit steigender Nutzung wachsen können.

Die KI Entwicklung wird sich in den kommenden Jahren weiter verändern.

Besonders wichtig sind unter anderem:

• generative KI

• multimodale Modelle

• KI-Agenten

• lokale KI

• On-Premises-KI

• kleinere spezialisierte Modelle

• automatisierte Workflows

• KI-gestützte Softwareentwicklung

• intelligente Datenanalyse

Dabei wird KI zunehmend zu einem Bestandteil klassischer Software.

Die Zukunft besteht deshalb wahrscheinlich nicht nur aus einzelnen Chatbots.

Vielmehr werden KI-Funktionen direkt in Unternehmenssoftware, Betriebssysteme, Suchsysteme und digitale Geschäftsprozesse integriert.

KI Entwicklung ist ein zentraler Bestandteil der digitalen Transformation.

Von einfachen KI-Assistenten bis hin zu komplexen Unternehmensplattformen gibt es heute zahlreiche Möglichkeiten, künstliche Intelligenz in Software zu integrieren.

Dabei muss nicht jedes Unternehmen ein eigenes KI-Modell trainieren.

In vielen Fällen ist es sinnvoller, bestehende Modelle mit eigenen Daten, RAG, APIs und individueller Software zu kombinieren.

Entscheidend für den Erfolg ist deshalb nicht nur die Wahl des KI-Modells.

Ebenso wichtig sind:

• ein klarer Anwendungsfall

• hochwertige Daten

• eine solide Softwarearchitektur

• Datenschutz

• IT-Sicherheit

• Tests

• Monitoring

• menschliche Kontrolle

• ein nachvollziehbarer wirtschaftlicher Nutzen

Wer KI nicht als kurzfristigen Trend, sondern als Bestandteil einer langfristigen digitalen Strategie betrachtet, kann daraus nachhaltige Vorteile entwickeln.

Die wichtigste Frage lautet daher nicht: „Wie können wir irgendeine KI entwickeln?“

Sondern:

„Welches konkrete Problem können wir mit künstlicher Intelligenz besser, schneller oder günstiger lösen?“