Leistungsfähige Modelle allein machen noch keine produktive Unternehmens-KI. Entscheidend ist, ob KI bestehende Systeme zuverlässig verbindet, Regeln einhält und Prozesse wiederholbar zu Ende führt.
Die meisten Unternehmen haben heute kein Intelligenzproblem mehr. Gute Sprachmodelle sind verfügbar. Demos lassen sich damit schnell bauen und sehen häufig beeindruckend aus. Das Problem beginnt danach.
Denn ein Unternehmensprozess besteht nicht daraus, eine gute Antwort zu formulieren. Er muss ausgeführt werden. Daten müssen aus unterschiedlichen Systemen kommen, Berechtigungen müssen stimmen, Bedingungen müssen geprüft werden und am Ende muss eine Aktion tatsächlich stattfinden. Und zwar nicht nur einmal, sondern beim tausendsten Durchlauf genauso wie beim ersten.
Genau an dieser Stelle scheitern viele heutige KI-Ansätze. Das Modell kann erklären, was passieren sollte. Es kann einen guten Vorschlag machen. Aber kann es den Prozess auch sicher ausführen?
Eine Demo kennt keinen Montagmorgen
In einer Demo funktioniert immer alles. Die Daten sind da. Die API antwortet. Niemand hat gerade ein Passwort geändert und der Datensatz enthält genau die Felder, die erwartet werden. Ein Montagmorgen im Unternehmen sieht allerdings gerne einmal anders aus: Ein Wert fehlt. Eine Schnittstelle liefert eine andere Antwort als letzte Woche. Personen haben nicht mehr die notwendige Berechtigung. Oder ein Kunde fällt in einen Sonderfall, den niemand im Prompt beschrieben hat. Solche Unregelmäßigkeiten sind normal und genau daraus bestehen reale Geschäftsprozesse.
Wenn ein Sprachmodell jetzt bei jeder einzelnen Ausführung erneut entscheiden soll, was als nächstes passiert, entsteht ein grundsätzliches Problem. Die Entscheidung bleibt probabilistisch. Das kann für offene Aufgaben sehr gut funktionieren. Bei einem kontrollierten Geschäftsprozess ist es allerdings gefährlich. Denn hier reicht es nicht, mit hoher Wahrscheinlichkeit richtig zu liegen. Es muss klar sein, welcher Schritt erlaubt ist, welche Daten verwendet werden dürfen und was passiert, wenn eine Bedingung nicht erfüllt ist.
KI-Denken und Prozessausführung müssen deshalb getrennt werden. Ein Modell kann sehr gut verstehen, was die Nutzenden erreichen möchten. Es kann daraus einen Prozess entwerfen. Danach sollte dieser Prozess aber nicht permanent neu erfunden werden. Er braucht eine geprüfte Ausführungslogik.
Sicherheit entsteht nicht im Prompt
Heute wird viel darüber diskutiert, welches Modell intelligenter ist. Wer mehr Kontext verarbeiten kann. Welches Modell bei Benchmarks vorne liegt. Für Enterprise AI ist eine andere Frage mindestens genauso wichtig: Kann ich denselben Prozess morgen unter denselben Bedingungen wieder ausführen? Wenn die Antwort darauf nicht eindeutig ist, entsteht kein Modellproblem, sondern ein Architekturproblem.
Aus der Interpretation der KI muss deshalb ein expliziter Plan entstehen. Darin steht, welche Systeme angesprochen werden, welche Daten notwendig sind, welche Bedingungen gelten und was bei einer Abweichung passiert. Fehlt eine Information, darf eine Unternehmens-KI nicht kreativ werden. Dann braucht es eine vorher definierte Reaktion. Nachfragen. Stoppen. Einen anderen Prozesspfad verwenden. Oder einen Menschen hinzuziehen.
Das klingt weniger spektakulär als ein autonomer Agent, der alles selbst entscheidet. Ist aber für Unternehmen wesentlich interessanter. Je mehr Prozesse automatisiert werden, desto weniger kann sich eine IT-Abteilung leisten, jede einzelne Transaktion als neues Experiment zu behandeln.
Die bestehende IT verschwindet nicht
Das zweite Problem vieler KI-Projekte ist die Integration. Unternehmen haben ERP-Systeme, CRM-Systeme, Ticketing, Produktionssoftware, eigene Fachanwendungen und teilweise Systeme, die seit Jahrzehnten produktiv laufen. Diese Landschaft verschwindet nicht plötzlich, weil ein neues Sprachmodell auf den Markt kommt.
Produktive Enterprise AI muss deshalb auf bestehende Systeme aufsetzen und mit ihnen arbeiten können. Sie muss wissen, wo welche Information liegt, welche Quelle für einen Wert relevant ist und was sie in einem System überhaupt verändern darf. Dazu kommt ein weiterer Punkt: Nicht jedes Unternehmen kann sensible Prozessdaten beliebig in externe Cloud-Umgebungen übertragen. Gerade in regulierten und sicherheitskritischen Bereichen braucht es Architekturen, die auch kontrollierte oder On-Premises-Umgebungen abbilden können.
Die entscheidende Frage ist also nicht: Kann eine KI eine Aufgabe lösen? Sondern: Kann sie die Aufgabe innerhalb der bestehenden IT-Landschaft sicher lösen? Das ist ein erheblicher Unterschied.
Von Assistenz zu Execution
Die meisten KI-Anwendungen in Unternehmen sind heute Assistenzsysteme. Sie schreiben Texte, analysieren Dokumente, fassen Informationen zusammen oder schlagen den nächsten Schritt vor. Danach übernimmt ein Mensch und führt diesen Schritt in einem anderen System aus. Das ist hilfreich, aber nur die erste Stufe.
Process Execution bedeutet, dass KI nicht nur beschreibt, was getan werden sollte, sondern der Prozess tatsächlich ausgeführt wird: Daten aus mehreren Systemen abrufen. Bedingungen prüfen. Eine Entscheidung innerhalb definierter Grenzen treffen. Eine Aktion auslösen. Das Ergebnis zurückschreiben. Erst wenn eine Lösung das alles übernimmt, entsteht echte Automatisierung.
Dabei muss die KI nicht permanent sichtbar sein. Im Gegenteil. Viele der sinnvollsten KI-Anwendungen werden wahrscheinlich überhaupt kein Chatfenster haben. Sie laufen im Hintergrund. Jemand formuliert beispielsweise ein Ziel oder stößt einen Vorgang an. Die KI versteht die Absicht und übersetzt sie in einen Prozess. Die eigentliche Ausführung läuft anschließend über eine geprüfte Logik und die vorhandenen Unternehmenssysteme.
Human-in-the-Loop ist Pflicht
Wenn KI mehr Prozesse selbst ausführt, wird häufig sofort die Frage gestellt, ob der Mensch dann überhaupt noch gebraucht wird. Die eigentliche Frage lautet aber: An welcher Stelle braucht der Prozess einen Menschen? Nicht jeder Vorgang braucht eine Freigabe, aber manche eben schon.
Wenn Daten widersprüchlich sind. Wenn ein bestimmter Schwellenwert überschritten wird. Wenn eine Entscheidung rechtliche oder finanzielle Auswirkungen hat. Oder wenn ein Sonderfall außerhalb der bekannten Prozesslogik liegt. Diese Punkte müssen Teil der Architektur sein.
Human-in-the-Loop darf nicht bedeuten, dass irgendwo ein Mensch sitzt und auf eine Fehlermeldung wartet. Im Prozess muss vorher festgelegt sein, wann eine Freigabe notwendig ist, welche Informationen die Person dafür bekommt und was anschließend passiert. Der Mensch bleibt damit verantwortlich, ohne jeden Standardschritt manuell ausführen zu müssen. Genau das ist der Unterschied zwischen kontrollierter Autonomie und einem System, das einfach machen darf.
Fazit: Der Wettbewerb verschiebt sich
Sprachmodelle werden mit der Zeit immer besser werden. Sie werden größere Kontexte verstehen, bessere Pläne erstellen und Werkzeuge zuverlässiger benutzen. Vielleicht werden die Unterschiede zwischen einzelnen Modellen in bestimmten Bereichen noch erheblich sein. Für Unternehmen löst das aber nur einen Teil des Problems.
Der nächste relevante Wettbewerb bei Enterprise AI findet in der Ausführung statt: Wer kann Modelle mit bestehenden Systemen verbinden? Wer kann aus einer KI-Interpretation eine kontrollierbare Prozesslogik machen? Wer kann dokumentieren, welche Daten verwendet wurden und warum eine bestimmte Aktion ausgelöst wurde?
Und vor allem: Wer kann das nicht nur einmal in einer Demo zeigen, sondern zehntausendmal im produktiven Betrieb wiederholen? Unternehmen brauchen nicht noch mehr KI, die ihnen erklärt, was theoretisch möglich wäre. Sie brauchen KI, die Arbeit erledigt. Und die genau weiß, wann sie damit aufhören und wieder einen Menschen fragen muss.
