In der öffentlichen Debatte dominieren autonome Super-Agenten: KI-Systeme, die selbstständig komplexe Aufgabenketten planen und ausführen. Im Unternehmensalltag liegt der grössere Hebel jedoch oft an unspektakulärerer Stelle. Eine aktuelle Betrachtung verweist auf Angebote, Aufträge, Rechnungen und Serviceanfragen als jene Prozesse, bei denen sich der Einsatz von KI-Agenten besonders lohnt. Eine zugrunde liegende Studie untersucht, welche Abläufe sich dafür eignen.

Das klingt wenig glamourös, ist aber betriebswirtschaftlich naheliegend. Genau diese Prozesse laufen in hoher Frequenz, folgen wiederkehrenden Mustern und binden Arbeitszeit in Abteilungen, die ohnehin unter Druck stehen. Wo viele gleichartige Vorgänge anfallen, schlägt jede eingesparte Minute messbar durch – anders als bei Einzelfällen, die ohnehin Expertenurteil erfordern.

Warum Routineprozesse der bessere Einstieg sind

Ein KI-Agent ist, vereinfacht gesagt, ein Softwarebaustein, der ein Sprachmodell mit Zugriff auf Werkzeuge und Daten verbindet und daraus Arbeitsschritte ableitet. Je klarer der Rahmen, desto zuverlässiger das Ergebnis. Angebotsvorbereitung, Auftragserfassung, Rechnungsprüfung und die Vorqualifizierung von Serviceanfragen bieten diesen Rahmen: Es gibt strukturierte Eingangsdaten, definierte Zielformate und in der Regel eine bestehende Prüfinstanz, die das Ergebnis freigibt.

Damit entstehen drei Vorteile gegenüber dem Versuch, gleich ein hochautonomes System zu bauen:

  • Überprüfbarkeit: Das Resultat lässt sich an einem Soll vergleichen – eine Rechnung stimmt oder stimmt nicht.
  • Begrenztes Risiko: Fehler fallen früh auf und bleiben in ihren Auswirkungen eingegrenzt, wenn ein Mensch die Freigabe behält.
  • Messbarkeit: Durchlaufzeiten, Fehlerquoten und Bearbeitungsaufwand sind in diesen Prozessen meist schon heute dokumentiert.

Für Projekte zur Prozessoptimierung heisst das: Die Auswahl des Anwendungsfalls entscheidet stärker über den Erfolg als die Wahl des Modells. Wer mit einem Prozess startet, dessen Kennzahlen bereits erhoben werden, kann den Nutzen belegen, statt ihn behaupten zu müssen.

Einführung im Konzern: das Beispiel L'Oréal

Dass die technische Machbarkeit nur ein Teil der Aufgabe ist, zeigt ein zweiter Bericht. L'Oréal führt KI bei rund 90.000 Beschäftigten ein und setzt dabei auf ein eigenes GPT statt auf die blosse Nutzung von ChatGPT – also auf eine unternehmenseigene Umgebung anstelle eines öffentlich zugänglichen Dienstes. Arooj Humayun, CIO bei L'Oréal DACH, beschreibt dafür einen mehrstufigen Plan.

Zwei Fragen stehen laut der Darstellung im Mittelpunkt: Wie bringt man Mitarbeitende dazu, die Werkzeuge tatsächlich zu nutzen? Und wie findet man sinnvolle Anwendungsfälle? Beides sind Organisationsfragen, keine reinen IT-Fragen. Zudem wird beschrieben, wie das Unternehmen die Nutzung überprüft und welche Auswirkungen sich auf Jobs abzeichnen.

Der Ansatz einer eigenen Umgebung hat einen praktischen Hintergrund: Unternehmensdaten bleiben in einem kontrollierten Rahmen, Zugriffsrechte lassen sich an bestehende Strukturen koppeln, und die Werkzeuge können auf interne Inhalte zugeschnitten werden. Für regulierte Branchen und für Unternehmen mit sensiblen Kunden- oder Vertragsdaten ist das häufig die Voraussetzung dafür, überhaupt produktiv zu starten.

Was beide Berichte gemeinsam zeigen

Die beiden Meldungen betrachten unterschiedliche Ebenen, kommen aber zur gleichen Richtung. Die eine fragt, welche Prozesse sich eignen, die andere, wie man die Einführung in einer grossen Organisation strukturiert. Zusammengenommen ergibt sich ein Muster: Nutzen entsteht dort, wo ein klar umrissener Prozess auf eine Organisation trifft, die Anwendungsfälle systematisch sucht und die Nutzung überprüft.

Abweichend ist der Massstab. Die Studienperspektive argumentiert prozessorientiert und branchenübergreifend, das Konzernbeispiel beschreibt einen konkreten, mehrstufigen Rollout in einem Unternehmen mit zehntausenden Beschäftigten. Mittelständische Unternehmen können den Rollout-Aufwand nicht eins zu eins übernehmen, wohl aber die Logik: erst Anwendungsfälle identifizieren, dann begrenzt starten, Nutzung beobachten, danach ausweiten.

Praktische Konsequenzen für die Umsetzung

Für die Planung lassen sich daraus einige Leitlinien ableiten:

  1. Prozesse mit hoher Fallzahl und klaren Regeln zuerst betrachten – Angebotserstellung, Auftragserfassung, Rechnungsprüfung, Erstqualifizierung von Serviceanfragen.
  2. Ausgangswerte erheben, bevor automatisiert wird. Ohne Vorher-Werte gibt es keinen belastbaren Nachher-Vergleich.
  3. Datenzugriff und Freigabeschritte früh klären, statt sie nachträglich an einen Prototyp anzuflanschen.
  4. Die Fachabteilungen in die Suche nach Anwendungsfällen einbeziehen; sie kennen die Ausnahmen, an denen Automatisierung scheitert.
  5. Nutzung messen und Rückmeldungen auswerten, um zu erkennen, ob ein Werkzeug im Alltag tatsächlich ankommt.

Einordnung für Web- und Softwareprojekte

Für die Projektpraxis verschiebt sich der Schwerpunkt von der Modellauswahl hin zur Prozess- und Datenarbeit: saubere Schnittstellen, nachvollziehbare Freigaben und strukturierte Inhalte sind die Voraussetzung dafür, dass Agenten überhaupt verlässlich arbeiten. Wer Web- und Backendsysteme heute plant, sollte sie so schneiden, dass Vorgänge wie Angebot, Auftrag oder Serviceanfrage maschinenlesbar zugänglich sind – unabhängig davon, ob der KI-Einsatz sofort erfolgt. Und die Einführung bleibt ein Organisationsprojekt: Akzeptanz, klare Zuständigkeiten und messbare Ziele entscheiden darüber, ob aus einem Pilotversuch ein produktiver Prozess wird.

Quellen