Was ist KI-Transformation?

KI-Transformation heißt, Arbeitsabläufe so umzubauen, dass KI-Systeme einen festen Platz darin haben — mit klarer Zuständigkeit, geprüften Ergebnissen und einem Weg zurück, wenn etwas kippt. Der Einkauf von Werkzeugen ist der kleinere Teil. Der größere ist die Frage, wer verantwortet, was das System ausgibt, und woran man merkt, dass es falsch liegt.

Was unterscheidet KI-Transformation von der Einführung eines KI-Tools?

Ein Tool wird beschafft, freigeschaltet und benutzt. Eine Transformation verändert, wer welche Entscheidung trifft und woran ein Ergebnis gemessen wird. Der Unterschied zeigt sich beim ersten Fehler: Bei einem Tool sucht man den Schuldigen, bei einem umgebauten Ablauf greift eine Prüfstufe, die vorher festgelegt wurde.

Was ist ein Large Language Model (LLM)?

Ein Large Language Model ist ein auf sehr großen Textmengen trainiertes Modell, das zu einer Eingabe die wahrscheinliche Fortsetzung erzeugt. Es schlägt nichts nach und prüft nichts — es setzt fort. Daraus folgt beides: die Bandbreite, mit der es Sprache verarbeitet, und die Zuverlässigkeit, die es nicht von sich aus mitbringt.

Warum antwortet ein KI-System manchmal überzeugend falsch?

Weil Formulierungssicherheit und Faktentreue im Modell nichts miteinander zu tun haben. Ein Modell erzeugt eine plausible Fortsetzung, auch wenn ihm der nötige Kontext fehlt. Dieser Fehler heißt Halluzination. Er lässt sich nicht wegtrainieren, aber eingrenzen — durch Zugriff auf belastbare Quellen und durch Prüfungen, die vor der Weitergabe greifen.

Braucht KI-Transformation eigene KI-Modelle im Unternehmen?

In den seltensten Fällen. Eigene Modelle zu trainieren ist teuer, und die Ergebnisse veralten mit dem nächsten Modellsprung der Anbieter. Was Unternehmen tatsächlich unterscheidet, ist der eigene Kontext: Daten, Regeln und Abläufe, die ein zugekauftes Modell nutzbar bekommt. Der Aufwand gehört dorthin, nicht ins Training.

Was bedeutet „Human in the Loop“?

Dass ein Mensch an einer festgelegten Stelle im Ablauf zustimmt, bevor es weitergeht — nicht, dass jemand irgendwie mit draufschaut. Der Unterschied liegt in der Festlegung: welcher Schritt, welche Person, welches Kriterium. Ohne das ist die Freigabe ein Reflex, kein Gate.

Womit sollte ein Unternehmen bei der KI-Einführung anfangen?

Mit einem Ablauf, den jemand ohnehin verantwortet und dessen Ergebnis sich in Sekunden beurteilen lässt. Ticket-Triage, Entwürfe von Release Notes, Vorsortierung von Anfragen. Solche Fälle sind unspektakulär, aber sie liefern innerhalb weniger Wochen belastbare Erfahrung — und die trägt weiter als eine beeindruckende Demo.

Wie wählt man den richtigen ersten KI-Use-Case aus?

Vier Fragen entscheiden das meiste: Ist die Eingabe strukturiert genug? Kann ein Mensch das Ergebnis schnell prüfen? Ist ein Fehler sichtbar und behebbar? Gibt es jemanden, der das Ergebnis verantwortet? Fällt eine Antwort aus, ist der Fall nicht falsch — er ist nur nicht der erste.

Was beweist ein Proof of Concept — und was nicht?

Ein PoC beweist, dass ein Modell die Aufgabe im Prinzip lösen kann. Er beweist nicht, dass der Ablauf im Alltag hält: bei unsauberen Eingaben, unter Last, mit Zuständigkeit, mit Nachweispflicht. Die Arbeit zwischen gelungener Demo und Betrieb ist regelmäßig größer als die davor.

Wie lange dauert es, bis KI im Unternehmen spürbar wirkt?

Ein eng gefasster erster Ablauf liefert nach vier bis acht Wochen ein Ergebnis, das man messen kann. Spürbar auf Abteilungsebene wird es typischerweise nach zwei bis drei solchen Durchläufen — nicht weil die Technik so lange braucht, sondern weil Zuständigkeiten, Prüfschritte und Gewohnheiten nachziehen müssen.

Sollte man mit einem zentralen KI-Team starten oder in den Fachbereichen?

Am besten mit beidem in getrennten Rollen. Ein zentrales Team stellt Plattform, Leitplanken und Erfahrung bereit; verantworten muss den einzelnen Use-Case der Fachbereich. Übernimmt die Zentrale auch die Verantwortung, wird sie zum Flaschenhals und die Fachbereiche lernen nichts.

Was ist der häufigste Fehler beim Einstieg in KI?

Zu breit anzufangen. Ein Projekt, das gleichzeitig mehrere Abteilungen, mehrere Datenquellen und mehrere Freigabewege berührt, scheitert nicht am Modell, sondern an der Abstimmung. Ein enger Schnitt mit einem klaren Verantwortlichen kommt schneller ans Ziel und liefert Argumente für den zweiten Schritt.

Was kostet die Einführung von KI im Unternehmen?

Die Lizenz- und Modellkosten sind meist der kleinste Posten. Ein erster produktiver Ablauf liegt typischerweise im niedrigen fünfstelligen Bereich, und der größte Teil davon ist Arbeitszeit: Zuschnitt, Anbindung an vorhandene Daten, Testfälle, Freigabewege. Die laufenden Modellkosten fallen daneben oft kaum ins Gewicht.

Welche Kostenposten werden bei KI-Projekten regelmäßig übersehen?

Vier: die Prüfung der Ergebnisse im Alltag, die Pflege der Testfälle, die Anpassung bei jedem Modellwechsel und die Aufräumarbeit an den Daten, auf die das System zugreift. Alle vier fallen dauerhaft an, nicht einmalig — und keiner von ihnen steht im Angebot eines Anbieters.

Wie misst man den Nutzen von KI im Unternehmen?

An derselben Kennzahl, an der der Ablauf vorher gemessen wurde: Durchlaufzeit, Nacharbeitsquote, Anzahl der Eskalationen. Wer eigens eine KI-Kennzahl erfindet, misst die Nutzung des Werkzeugs statt seiner Wirkung. Ein Vorher-Wert vor dem Start ist dabei wichtiger als ein ausgefeiltes Messkonzept danach.

Rechnet sich KI, wenn ein Mensch jedes Ergebnis prüfen muss?

Oft ja, weil Prüfen deutlich schneller geht als Erstellen. Entscheidend ist, dass sich die Prüfung tatsächlich in Sekunden erledigen lässt — das ist ein Kriterium für den Zuschnitt des Use-Cases, keine Frage der Disziplin. Braucht die Prüfung so lange wie die Aufgabe selbst, ist der Fall falsch geschnitten.

Lohnt sich ein Wechsel auf ein günstigeres KI-Modell?

Nur mit Beleg. Der Wechsel ist eine Verhaltensänderung des Systems, keine Konfigurationsänderung. Wer eine Sammlung von Testfällen pflegt, lässt sie gegen das neue Modell laufen und sieht in einer Stunde, was der Wechsel kostet. Ohne diese Sammlung ist die Ersparnis eine Wette.

Wann sollte man ein KI-Vorhaben abbrechen?

Wenn nach dem vereinbarten Zeitraum keiner der vorher festgelegten Werte erreicht ist und niemand erklären kann, woran es liegt. Das Abbruchkriterium gehört vor den Start — danach findet sich immer ein Grund, noch eine Runde zu drehen. Ein sauber beendetes Vorhaben ist kein Scheitern, sondern freigewordene Kapazität.

Werden Unternehmensdaten zum Training der KI-Anbieter verwendet?

Bei den Geschäftskunden-Angeboten der großen Anbieter in der Regel nicht; dort ist die Nutzung von Eingaben fürs Training vertraglich ausgeschlossen. Bei kostenlosen und privaten Zugängen gilt das häufig nicht. Der Unterschied liegt im Vertrag, nicht im Modell — und genau deshalb ist er eine Beschaffungsfrage.

Was ist Shadow AI und warum ist sie ein Problem?

Shadow AI ist die Nutzung von KI-Werkzeugen an der IT vorbei, meist über private Zugänge. Das Problem ist selten böser Wille, sondern eine Lücke im Angebot: Wo kein freigegebener Weg existiert, entsteht ein inoffizieller. Verbieten verlagert die Nutzung nur, ein brauchbarer freigegebener Zugang beendet sie.

Was verlangt der EU AI Act von Unternehmen?

Der AI Act staffelt Pflichten nach Risiko. Für die meisten betrieblichen Anwendungen — Textentwürfe, Zusammenfassungen, Klassifikation — greifen vor allem Transparenzpflichten und der Nachweis, dass Beschäftigte im Umgang mit den Systemen geschult sind. Personalauswahl, Kreditvergabe und ähnliche Entscheidungen fallen in die Hochrisiko-Klasse mit deutlich weitergehenden Anforderungen. Eine Rechtsberatung ersetzt dieser Absatz nicht.

Wie verhindert man, dass eine KI vertrauliche Daten preisgibt?

Über die Rechte, nicht über den Prompt. Ein KI-Assistent darf nur auf das zugreifen, was die anfragende Person ohnehin sehen dürfte — diese Prüfung gehört in die Datenschicht. Anweisungen im Systemprompt sind eine Bitte, keine Zugriffskontrolle, und lassen sich mit genügend Anläufen umgehen.

Was ist eine Prompt Injection?

Ein Angriff, bei dem Anweisungen in Daten versteckt werden, die das System später verarbeitet — in einer Webseite, einem Dokument, einer eingehenden Mail. Das Modell unterscheidet Anweisung und Inhalt nicht zuverlässig. Die Gegenmaßnahme sind enge Rechte und Freigaben vor wirksamen Aktionen, nicht ein besserer Prompt.

Braucht ein KI-Assistent eigene Zugriffsrechte auf interne Dokumente?

Er braucht keine eigenen, er braucht die der fragenden Person. Ein System, das mit einem Sammelkonto auf alles zugreift, macht jede Berechtigungsstruktur im Unternehmen wirkungslos — und man merkt es erst, wenn jemand eine Antwort bekommt, die er nicht hätte bekommen dürfen.

Wer sollte im Unternehmen für ein KI-System verantwortlich sein?

Eine benannte Person im Fachbereich, die das Ergebnis verantwortet und über Budget entscheidet — nicht ein Gremium und nicht die IT allein. Ohne diesen Owner gibt es niemanden, der einen Fehler abstellt oder das System abschaltet, und beides braucht es früher, als man denkt.

Wie testet man KI-Workflows auf Fehler?

Mit einer Sammlung echter Fälle samt erwartetem Ergebnis, die sich auf Knopfdruck erneut durchrechnen lässt. Diese Sammlung — das Eval-Set — wächst mit jedem Fehler, der im Betrieb auffällt. Sie ist der einzige Weg, Änderungen an Prompts, Daten oder Modell zu bewerten, ohne zu raten.

Was passiert, wenn der Anbieter das Modell aktualisiert?

Das Verhalten ändert sich, oft unmerklich und nicht immer zum Besseren. Formulierungen verschieben sich, Randfälle werden anders entschieden. Wer Testfälle pflegt, sieht die Verschiebung in einem Durchlauf; wer keine hat, erfährt davon aus einer Beschwerde.

Welche Fähigkeiten brauchen Beschäftigte für die Arbeit mit KI?

Vor allem drei: einschätzen können, ob eine Aufgabe überhaupt für KI taugt; ein Ergebnis prüfen können, ohne es selbst erstellt zu haben; und einen Ablauf so beschreiben können, dass sich Teile davon abgeben lassen. Prompt-Formeln veralten mit jeder Modellgeneration, diese drei nicht.

Warum stockt die KI-Einführung nach der Pilotphase?

Weil der Pilot von Freiwilligen getragen wird und der Regelbetrieb von Teamleitungen. Deren Zielvorgaben belohnen meist Termintreue, und ein neuer Ablauf kostet zuerst Zeit. Solange dieser Widerspruch nicht aufgelöst ist, bleibt KI ein Nebenprojekt engagierter Einzelner.

Wie geht man mit Fehlern eines KI-Systems im laufenden Betrieb um?

Indem man sie sortiert statt einzeln behebt. Wiederkehrende Fehler bilden Klassen — fehlender Kontext, veraltete Quelle, falsch verstandener Sonderfall —, und jede Klasse hat eine eigene Antwort. Ein Fehler, der keiner Klasse zuzuordnen ist, ist ein Hinweis darauf, dass die Prüfung an der falschen Stelle sitzt.

Nachschlagen

Häufige Fragen zur KI-Transformation

Antworten auf die wiederkehrenden Fragen zur KI im Unternehmen: Einstieg, Kosten, Datenschutz, Betrieb und die Rollen, die es dafür braucht.

Grundlagen

Was mit KI-Transformation gemeint ist, und woran sich der Unterschied zu „wir nutzen jetzt auch einen Chatbot“ festmachen lässt.

Was ist KI-Transformation?: KI-Transformation heißt, Arbeitsabläufe so umzubauen, dass KI-Systeme einen festen Platz darin haben — mit klarer Zuständigkeit, geprüften Ergebnissen und einem Weg zurück, wenn etwas kippt. Der Einkauf von Werkzeugen ist der kleinere Teil. Der größere ist die Frage, wer verantwortet, was das System ausgibt, und woran man merkt, dass es falsch liegt.
Was unterscheidet KI-Transformation von der Einführung eines KI-Tools?: Ein Tool wird beschafft, freigeschaltet und benutzt. Eine Transformation verändert, wer welche Entscheidung trifft und woran ein Ergebnis gemessen wird. Der Unterschied zeigt sich beim ersten Fehler: Bei einem Tool sucht man den Schuldigen, bei einem umgebauten Ablauf greift eine Prüfstufe, die vorher festgelegt wurde.
Was ist ein Large Language Model (LLM)?: Ein Large Language Model ist ein auf sehr großen Textmengen trainiertes Modell, das zu einer Eingabe die wahrscheinliche Fortsetzung erzeugt. Es schlägt nichts nach und prüft nichts — es setzt fort. Daraus folgt beides: die Bandbreite, mit der es Sprache verarbeitet, und die Zuverlässigkeit, die es nicht von sich aus mitbringt.
Warum antwortet ein KI-System manchmal überzeugend falsch?: Weil Formulierungssicherheit und Faktentreue im Modell nichts miteinander zu tun haben. Ein Modell erzeugt eine plausible Fortsetzung, auch wenn ihm der nötige Kontext fehlt. Dieser Fehler heißt Halluzination. Er lässt sich nicht wegtrainieren, aber eingrenzen — durch Zugriff auf belastbare Quellen und durch Prüfungen, die vor der Weitergabe greifen.
Braucht KI-Transformation eigene KI-Modelle im Unternehmen?: In den seltensten Fällen. Eigene Modelle zu trainieren ist teuer, und die Ergebnisse veralten mit dem nächsten Modellsprung der Anbieter. Was Unternehmen tatsächlich unterscheidet, ist der eigene Kontext: Daten, Regeln und Abläufe, die ein zugekauftes Modell nutzbar bekommt. Der Aufwand gehört dorthin, nicht ins Training.
Was bedeutet „Human in the Loop“?: Dass ein Mensch an einer festgelegten Stelle im Ablauf zustimmt, bevor es weitergeht — nicht, dass jemand irgendwie mit draufschaut. Der Unterschied liegt in der Festlegung: welcher Schritt, welche Person, welches Kriterium. Ohne das ist die Freigabe ein Reflex, kein Gate. Mehr dazu: Der erste KI-Agent sollte langweilig sein

Einstieg & erste Schritte

Wo anfangen, wie zuschneiden, und woran man merkt, dass ein Pilot mehr war als eine gelungene Vorführung.

Womit sollte ein Unternehmen bei der KI-Einführung anfangen?: Mit einem Ablauf, den jemand ohnehin verantwortet und dessen Ergebnis sich in Sekunden beurteilen lässt. Ticket-Triage, Entwürfe von Release Notes, Vorsortierung von Anfragen. Solche Fälle sind unspektakulär, aber sie liefern innerhalb weniger Wochen belastbare Erfahrung — und die trägt weiter als eine beeindruckende Demo. Mehr dazu: Der erste KI-Agent sollte langweilig sein
Wie wählt man den richtigen ersten KI-Use-Case aus?: Vier Fragen entscheiden das meiste: Ist die Eingabe strukturiert genug? Kann ein Mensch das Ergebnis schnell prüfen? Ist ein Fehler sichtbar und behebbar? Gibt es jemanden, der das Ergebnis verantwortet? Fällt eine Antwort aus, ist der Fall nicht falsch — er ist nur nicht der erste.
Was beweist ein Proof of Concept — und was nicht?: Ein PoC beweist, dass ein Modell die Aufgabe im Prinzip lösen kann. Er beweist nicht, dass der Ablauf im Alltag hält: bei unsauberen Eingaben, unter Last, mit Zuständigkeit, mit Nachweispflicht. Die Arbeit zwischen gelungener Demo und Betrieb ist regelmäßig größer als die davor.
Wie lange dauert es, bis KI im Unternehmen spürbar wirkt?: Ein eng gefasster erster Ablauf liefert nach vier bis acht Wochen ein Ergebnis, das man messen kann. Spürbar auf Abteilungsebene wird es typischerweise nach zwei bis drei solchen Durchläufen — nicht weil die Technik so lange braucht, sondern weil Zuständigkeiten, Prüfschritte und Gewohnheiten nachziehen müssen.
Sollte man mit einem zentralen KI-Team starten oder in den Fachbereichen?: Am besten mit beidem in getrennten Rollen. Ein zentrales Team stellt Plattform, Leitplanken und Erfahrung bereit; verantworten muss den einzelnen Use-Case der Fachbereich. Übernimmt die Zentrale auch die Verantwortung, wird sie zum Flaschenhals und die Fachbereiche lernen nichts.
Was ist der häufigste Fehler beim Einstieg in KI?: Zu breit anzufangen. Ein Projekt, das gleichzeitig mehrere Abteilungen, mehrere Datenquellen und mehrere Freigabewege berührt, scheitert nicht am Modell, sondern an der Abstimmung. Ein enger Schnitt mit einem klaren Verantwortlichen kommt schneller ans Ziel und liefert Argumente für den zweiten Schritt.

Kosten & Nutzen

Was KI im Unternehmen tatsächlich kostet, welche Posten regelmäßig übersehen werden und wie sich Nutzen belegen lässt, ohne ihn zu behaupten.

Was kostet die Einführung von KI im Unternehmen?: Die Lizenz- und Modellkosten sind meist der kleinste Posten. Ein erster produktiver Ablauf liegt typischerweise im niedrigen fünfstelligen Bereich, und der größte Teil davon ist Arbeitszeit: Zuschnitt, Anbindung an vorhandene Daten, Testfälle, Freigabewege. Die laufenden Modellkosten fallen daneben oft kaum ins Gewicht.
Welche Kostenposten werden bei KI-Projekten regelmäßig übersehen?: Vier: die Prüfung der Ergebnisse im Alltag, die Pflege der Testfälle, die Anpassung bei jedem Modellwechsel und die Aufräumarbeit an den Daten, auf die das System zugreift. Alle vier fallen dauerhaft an, nicht einmalig — und keiner von ihnen steht im Angebot eines Anbieters. Mehr dazu: Nutzbares Wissen aus verstreuten Daten generieren
Wie misst man den Nutzen von KI im Unternehmen?: An derselben Kennzahl, an der der Ablauf vorher gemessen wurde: Durchlaufzeit, Nacharbeitsquote, Anzahl der Eskalationen. Wer eigens eine KI-Kennzahl erfindet, misst die Nutzung des Werkzeugs statt seiner Wirkung. Ein Vorher-Wert vor dem Start ist dabei wichtiger als ein ausgefeiltes Messkonzept danach.
Rechnet sich KI, wenn ein Mensch jedes Ergebnis prüfen muss?: Oft ja, weil Prüfen deutlich schneller geht als Erstellen. Entscheidend ist, dass sich die Prüfung tatsächlich in Sekunden erledigen lässt — das ist ein Kriterium für den Zuschnitt des Use-Cases, keine Frage der Disziplin. Braucht die Prüfung so lange wie die Aufgabe selbst, ist der Fall falsch geschnitten. Mehr dazu: Der erste KI-Agent sollte langweilig sein
Lohnt sich ein Wechsel auf ein günstigeres KI-Modell?: Nur mit Beleg. Der Wechsel ist eine Verhaltensänderung des Systems, keine Konfigurationsänderung. Wer eine Sammlung von Testfällen pflegt, lässt sie gegen das neue Modell laufen und sieht in einer Stunde, was der Wechsel kostet. Ohne diese Sammlung ist die Ersparnis eine Wette. Mehr dazu: KI-Workflows brauchen Tests, nicht nur Intuition
Wann sollte man ein KI-Vorhaben abbrechen?: Wenn nach dem vereinbarten Zeitraum keiner der vorher festgelegten Werte erreicht ist und niemand erklären kann, woran es liegt. Das Abbruchkriterium gehört vor den Start — danach findet sich immer ein Grund, noch eine Runde zu drehen. Ein sauber beendetes Vorhaben ist kein Scheitern, sondern freigewordene Kapazität.

Daten, Recht & Sicherheit

Wo Unternehmensdaten landen, was der AI Act verlangt und welche Risiken sich technisch eingrenzen lassen — und welche nicht.

Werden Unternehmensdaten zum Training der KI-Anbieter verwendet?: Bei den Geschäftskunden-Angeboten der großen Anbieter in der Regel nicht; dort ist die Nutzung von Eingaben fürs Training vertraglich ausgeschlossen. Bei kostenlosen und privaten Zugängen gilt das häufig nicht. Der Unterschied liegt im Vertrag, nicht im Modell — und genau deshalb ist er eine Beschaffungsfrage.
Was ist Shadow AI und warum ist sie ein Problem?: Shadow AI ist die Nutzung von KI-Werkzeugen an der IT vorbei, meist über private Zugänge. Das Problem ist selten böser Wille, sondern eine Lücke im Angebot: Wo kein freigegebener Weg existiert, entsteht ein inoffizieller. Verbieten verlagert die Nutzung nur, ein brauchbarer freigegebener Zugang beendet sie.
Was verlangt der EU AI Act von Unternehmen?: Der AI Act staffelt Pflichten nach Risiko. Für die meisten betrieblichen Anwendungen — Textentwürfe, Zusammenfassungen, Klassifikation — greifen vor allem Transparenzpflichten und der Nachweis, dass Beschäftigte im Umgang mit den Systemen geschult sind. Personalauswahl, Kreditvergabe und ähnliche Entscheidungen fallen in die Hochrisiko-Klasse mit deutlich weitergehenden Anforderungen. Eine Rechtsberatung ersetzt dieser Absatz nicht.
Wie verhindert man, dass eine KI vertrauliche Daten preisgibt?: Über die Rechte, nicht über den Prompt. Ein KI-Assistent darf nur auf das zugreifen, was die anfragende Person ohnehin sehen dürfte — diese Prüfung gehört in die Datenschicht. Anweisungen im Systemprompt sind eine Bitte, keine Zugriffskontrolle, und lassen sich mit genügend Anläufen umgehen.
Was ist eine Prompt Injection?: Ein Angriff, bei dem Anweisungen in Daten versteckt werden, die das System später verarbeitet — in einer Webseite, einem Dokument, einer eingehenden Mail. Das Modell unterscheidet Anweisung und Inhalt nicht zuverlässig. Die Gegenmaßnahme sind enge Rechte und Freigaben vor wirksamen Aktionen, nicht ein besserer Prompt.
Braucht ein KI-Assistent eigene Zugriffsrechte auf interne Dokumente?: Er braucht keine eigenen, er braucht die der fragenden Person. Ein System, das mit einem Sammelkonto auf alles zugreift, macht jede Berechtigungsstruktur im Unternehmen wirkungslos — und man merkt es erst, wenn jemand eine Antwort bekommt, die er nicht hätte bekommen dürfen. Mehr dazu: Nutzbares Wissen aus verstreuten Daten generieren

Betrieb & Team

Was nach dem Go-Live anfängt: Zuständigkeit, Prüfung, Modellwechsel — und die Frage, welche Fähigkeiten Beschäftigte dafür brauchen.

Wer sollte im Unternehmen für ein KI-System verantwortlich sein?: Eine benannte Person im Fachbereich, die das Ergebnis verantwortet und über Budget entscheidet — nicht ein Gremium und nicht die IT allein. Ohne diesen Owner gibt es niemanden, der einen Fehler abstellt oder das System abschaltet, und beides braucht es früher, als man denkt.
Wie testet man KI-Workflows auf Fehler?: Mit einer Sammlung echter Fälle samt erwartetem Ergebnis, die sich auf Knopfdruck erneut durchrechnen lässt. Diese Sammlung — das Eval-Set — wächst mit jedem Fehler, der im Betrieb auffällt. Sie ist der einzige Weg, Änderungen an Prompts, Daten oder Modell zu bewerten, ohne zu raten. Mehr dazu: KI-Workflows brauchen Tests, nicht nur Intuition
Was passiert, wenn der Anbieter das Modell aktualisiert?: Das Verhalten ändert sich, oft unmerklich und nicht immer zum Besseren. Formulierungen verschieben sich, Randfälle werden anders entschieden. Wer Testfälle pflegt, sieht die Verschiebung in einem Durchlauf; wer keine hat, erfährt davon aus einer Beschwerde. Mehr dazu: KI-Workflows brauchen Tests, nicht nur Intuition
Welche Fähigkeiten brauchen Beschäftigte für die Arbeit mit KI?: Vor allem drei: einschätzen können, ob eine Aufgabe überhaupt für KI taugt; ein Ergebnis prüfen können, ohne es selbst erstellt zu haben; und einen Ablauf so beschreiben können, dass sich Teile davon abgeben lassen. Prompt-Formeln veralten mit jeder Modellgeneration, diese drei nicht.
Warum stockt die KI-Einführung nach der Pilotphase?: Weil der Pilot von Freiwilligen getragen wird und der Regelbetrieb von Teamleitungen. Deren Zielvorgaben belohnen meist Termintreue, und ein neuer Ablauf kostet zuerst Zeit. Solange dieser Widerspruch nicht aufgelöst ist, bleibt KI ein Nebenprojekt engagierter Einzelner.
Wie geht man mit Fehlern eines KI-Systems im laufenden Betrieb um?: Indem man sie sortiert statt einzeln behebt. Wiederkehrende Fehler bilden Klassen — fehlender Kontext, veraltete Quelle, falsch verstandener Sonderfall —, und jede Klasse hat eine eigene Antwort. Ein Fehler, der keiner Klasse zuzuordnen ist, ist ein Hinweis darauf, dass die Prüfung an der falschen Stelle sitzt.

Begriffe aus diesen Antworten stehen erklärt im KI-Glossar.