KI-Automatisierung bezeichnet Abläufe, in denen ein KI-Modell — meist ein Sprachmodell — einen Arbeitsschritt übernimmt, der sich nicht in feste Regeln fassen lässt. Klassische Automatisierung arbeitet nach dem Muster „wenn A, dann B". Sobald die Eingabe aber Freitext ist, in wechselnder Form ankommt oder eine Einschätzung verlangt, greift dieses Muster nicht mehr. Genau dort setzt KI-Automatisierung an. Dieser Artikel erklärt den Begriff, grenzt ihn ab und zeigt, woran Sie geeignete Anwendungsfälle erkennen.
Was unterscheidet KI-Automatisierung von klassischer Automatisierung?
Der Unterschied liegt in der Art der Eingabe, nicht im Anspruch. Regelbasierte Prozessautomatisierung ist deterministisch: Bei gleicher Eingabe kommt immer dasselbe heraus, und man kann vorher aufschreiben, was passieren wird. Ein Sprachmodell ist das nicht — es liefert eine plausible Ausgabe, keine garantierte. Dafür kann es mit Eingaben umgehen, für die niemand vorab eine Regel formulieren könnte.
| Regelbasierte Automatisierung | KI-Automatisierung | |
|---|---|---|
| Eingabe | Strukturiert (Felder, Datensätze, Ereignisse) | Unstrukturiert (Freitext, E-Mails, PDF, Gesprächsnotizen) |
| Verhalten | Deterministisch — gleiche Eingabe, gleiches Ergebnis | Probabilistisch — Ergebnis kann variieren |
| Prüfbarkeit | Vollständig nachvollziehbar entlang der Regeln | Stichprobe, Schwellenwerte, menschliche Freigabe nötig |
| Typische Aufgabe | Daten übertragen, Dokumente erzeugen, Benachrichtigen | Einordnen, zusammenfassen, extrahieren, formulieren |
| Kostenmodell | Aufwand einmalig plus Betrieb | Zusätzlich laufende Kosten je Verarbeitung |
In der Praxis laufen beide fast immer zusammen: Der Ablauf wird regelbasiert gebaut, und das Sprachmodell übernimmt darin genau den einen Schritt, den Regeln nicht abdecken. Wer stattdessen den kompletten Prozess einem Modell überlässt, handelt sich Unvorhersehbarkeit ein, wo er sie nicht braucht.
Welche Aufgaben übernimmt KI im Unternehmen konkret?
Die belastbaren Anwendungsfälle im Mittelstand sind unspektakulärer, als die Debatte vermuten lässt. Es geht selten um autonome Entscheidungen, meistens um Vorarbeit:
- Eingehende Anfragen nach Thema und Dringlichkeit vorsortieren, bevor ein Mensch sie sieht
- Aus Rechnungen, Lieferscheinen oder Verträgen die relevanten Felder auslesen und an das Zielsystem übergeben
- Lange E-Mail-Verläufe oder Gesprächsnotizen zu einer Zusammenfassung im CRM verdichten
- Antwortentwürfe vorbereiten, die eine Mitarbeiterin prüft und freigibt, statt sie neu zu schreiben
- Freitextangaben aus Formularen den passenden Kategorien oder Zuständigkeiten zuordnen
- Interne Dokumente durchsuchbar machen, sodass Fragen mit Belegstellen beantwortet werden
Der letzte Punkt beschreibt das Verfahren, das dem Modell vor der Antwort die passenden Stellen aus den eigenen Daten vorlegt — ausführlich erklärt in RAG einfach erklärt.
Woran erkennt man einen geeigneten KI-Anwendungsfall?
Ein Anwendungsfall trägt, wenn er alle vier Bedingungen erfüllt. Fehlt eine, wird das Ergebnis in der Regel teurer oder unzuverlässiger als die manuelle Lösung:
- Unstrukturierte Eingabe: Der Schritt scheitert heute daran, dass die Information als Fließtext oder Dokument ankommt — nicht daran, dass eine Schnittstelle fehlt.
- Toleranz gegenüber Fehlern: Ein gelegentlich falsches Ergebnis ist verkraftbar, weil es auffällt oder geprüft wird, bevor es Wirkung entfaltet.
- Prüfbarkeit: Es gibt einen Weg festzustellen, ob die Ausgabe richtig war — durch Stichprobe, Gegenprüfung im Zielsystem oder menschliche Freigabe.
- Menge: Der Schritt kommt oft genug vor, dass sich Aufbau und laufende Verarbeitungskosten rechnen.
Schlechte Kandidaten sind spiegelbildlich: Schritte mit rechtlicher oder finanzieller Endgültigkeit ohne Freigabe, Aufgaben mit strukturierter Eingabe (dort ist die regelbasierte Lösung günstiger und zuverlässiger) und Fälle, in denen niemand sagen kann, wie ein richtiges Ergebnis aussieht.
Welche Rolle spielen Sprachmodelle dabei?
Das Sprachmodell ist der austauschbare Teil. Welches Modell zum Einsatz kommt, entscheidet über Qualität, Geschwindigkeit und laufende Kosten — nicht über die Architektur des Ablaufs. Für einfache Einordnungsaufgaben reicht ein kleines, günstiges Modell; für mehrschrittige Aufgaben mit Werkzeugnutzung lohnt ein stärkeres. Weil sich der Markt schnell bewegt, ist es sinnvoll, die Modellwahl als Konfiguration zu behandeln und nicht fest zu verdrahten.
Ob ein Modell in der Cloud oder auf eigener Hardware läuft, ist eine getrennte Frage — der Realitätscheck zum lokalen Betrieb und Was ist Ollama? gehen darauf ein. Kurz gefasst: Lokal ist bei sensiblen Daten und kleinen Modellen realistisch, bei Spitzenmodellen in der Regel nicht wirtschaftlich.
Was ist bei Datenschutz und EU AI Act zu beachten?
Zwei Regelwerke greifen parallel. Die DSGVO gilt, sobald personenbezogene Daten verarbeitet werden — also praktisch immer, wenn Kundenanfragen oder Mitarbeiterdaten im Spiel sind. Maßgeblich sind dann Rechtsgrundlage, Auftragsverarbeitungsvertrag mit dem Modellanbieter und die Frage, wo verarbeitet wird. Der EU AI Act kommt als produktbezogene Regulierung hinzu und stuft KI-Systeme nach Risiko ein; die Pflichten hängen davon ab, wofür das System eingesetzt wird.
- Klären, welche Daten das Modell tatsächlich zu sehen bekommt — oft lässt sich der Umfang deutlich reduzieren
- Prüfen, ob der Anbieter Verarbeitung in der EU und einen Auftragsverarbeitungsvertrag anbietet
- Ausschließen, dass Eingaben zum Training weiterverwendet werden (bei Geschäftskonditionen meist vertraglich regelbar)
- Einsatzzweck dokumentieren — er entscheidet über die Risikoeinstufung nach EU AI Act
- Festlegen, an welcher Stelle ein Mensch prüft und freigibt
Wie startet man in der Praxis?
- Einen einzelnen Schritt auswählen, der die vier Bedingungen oben erfüllt — nicht einen ganzen Prozess.
- Den bestehenden Ablauf sauber beschreiben: Auslöser, Systeme, Ergebnis. Ohne das automatisiert man Unklarheit mit.
- Ein Erfolgskriterium festlegen, das sich messen lässt (Trefferquote, eingesparte Bearbeitungszeit, Durchlaufzeit).
- Klein bauen und im Schattenbetrieb mitlaufen lassen: Das Modell schlägt vor, der Mensch entscheidet weiterhin.
- Erst wenn die Trefferquote stimmt, die Freigabestufe lockern — und die Messung beibehalten.
Dieses Vorgehen entspricht dem, was wir in Projekten zur KI-Automatisierung anwenden: erst der Prozess, dann das Modell. Wenn der zugrunde liegende Ablauf noch gar nicht automatisiert ist, beginnt der Weg meist eine Stufe früher — bei der Prozessautomatisierung.
Quellen
Häufige Fragen
Was ist KI-Automatisierung einfach erklärt?
KI-Automatisierung bedeutet, dass ein KI-Modell innerhalb eines ansonsten fest definierten Ablaufs einen Arbeitsschritt übernimmt, der sich nicht in Regeln fassen lässt — zum Beispiel Freitext einordnen, ein Dokument auslesen oder eine Zusammenfassung erzeugen. Der Prozess drumherum bleibt regelbasiert.
Was ist der Unterschied zwischen KI-Automatisierung und Prozessautomatisierung?
Prozessautomatisierung arbeitet nach festen Regeln und liefert bei gleicher Eingabe immer dasselbe Ergebnis. KI-Automatisierung kommt dort dazu, wo die Eingabe unstrukturiert ist und keine Regel formuliert werden kann. Beide schließen sich nicht aus — in der Praxis ist die KI ein Baustein innerhalb eines regelbasierten Ablaufs.
Welche KI-Anwendungsfälle eignen sich für den Mittelstand?
Solche mit unstrukturierter Eingabe, ausreichender Menge, Fehlertoleranz und einer Möglichkeit zur Prüfung: Anfragen vorsortieren, Dokumentenfelder auslesen, E-Mail-Verläufe zusammenfassen, Antwortentwürfe vorbereiten. Schritte mit rechtlicher Endgültigkeit gehören nur mit menschlicher Freigabe dazu.
Ist KI-Automatisierung DSGVO-konform möglich?
Ja, aber es hängt an der Umsetzung: Es braucht eine Rechtsgrundlage, einen Auftragsverarbeitungsvertrag mit dem Modellanbieter, Klarheit darüber, wo verarbeitet wird, und den Ausschluss der Weiterverwendung der Eingaben zum Training. Oft lässt sich zusätzlich der Datenumfang reduzieren, den das Modell überhaupt zu sehen bekommt.
Braucht man große Datenmengen, um mit KI zu starten?
Für den Einsatz vortrainierter Sprachmodelle nicht. Eigene Daten werden nicht zum Training gebraucht, sondern um dem Modell im Einzelfall die richtigen Stellen vorzulegen. Große Datenmengen sind erst relevant, wenn ein eigenes Modell trainiert oder feinjustiert werden soll — das ist im Mittelstand selten der wirtschaftlichste Weg.
