Die meisten Unternehmen denken bei KI an einen Chat. Bitkom 2025 zeigt, wie früh
das Feld noch steht: Nur 2 % der Unternehmen setzen KI in der IT-gestützten
Produktion ein, nur 26 % stellen ihren Mitarbeitern überhaupt einen
KI-Zugang bereit. Wer hier nur ein Chatfenster verteilt, lässt den größten Teil
liegen. In unserer Begleitung von KI-Einführungen sehen wir vier
Use-Case-Klassen, die immer wieder auftauchen.
In der reinen Nutzung dominiert der Chat — bei einem von uns gemessenen
Mittelständler waren das über 70 % aller Interaktionen. Der wirtschaftliche Wert
pro Use-Case liegt jedoch in Workflows und KI-Apps. Ein einzelner Workflow
liefert im Monat oft mehr als hunderte Chat-Anfragen.
Wer nur in einer Klasse baut, verliert einen Großteil des Potenzials.
Die beiden mittleren Klassen verwechseln Teams am häufigsten. Die Trennlinie ist
einfach: Ein Assistent ist flexibel — das Modell entscheidet je nach Anfrage,
ruft Tools selbst auf und liefert Markdown oder Artifacts. Ein Workflow hat
feste Schritte, typisierte Variablen und pro Schritt ein eigenes Modell. Datei-Output
in PowerPoint, Excel oder Word geht ausschließlich über einen Workflow.
Schlecht gebaute Workflows liefern beim ersten Test ein gutes Ergebnis und
scheitern still beim zehnten Lauf, wenn eine andere Person andere Eingaben macht.
Zwei Regeln verhindern das.
Erst manuell, dann modellieren. Spiel den Prozess drei Mal im Chat
durch — mit drei verschiedenen Eingaben — bevor du ihn als Workflow speicherst.
Du merkst dabei, welche Variablen wirklich variieren und ob das Modell liefert,
was du brauchst.
Drei Bestandteile pro Schritt. Jeder gute Schritt nennt mindestens eine
Variable, eine Referenz und ein Output-Schema. Maximal drei bis vier Schritte —
darüber verliert das Modell die ursprüngliche Aufgabe.
Anti-Pattern: Output ohne Schema
Der häufigste Fehler im Workflow-Builder: Der Prompt sagt, was erzeugt werden
soll, aber nicht in welcher Form. Modelle variieren dann von Lauf zu Lauf in
Länge, Reihenfolge und Bullet-Stil — und der Kollege bekommt eine Woche später
ein anderes Format. Schreib das Output-Schema explizit als Liste der
Abschnitte in den Prompt. Wo möglich, aktiviere die Dokumentausgabe — eine
.docx oder .xlsx erzwingt eine feste Struktur.
Damit KI echte Arbeit übernimmt, muss sie an deine Systeme. Zwei Wege, bewusst
nach Risiko getrennt:
Connector: Live-API mit Aktionen — der Assistent liest aktuelle Daten und
schreibt zurück (E-Mails senden, Tickets anlegen). Berechtigungen entsprechen
denen des einzelnen Nutzers im Quellsystem.
Data-Pool (RAG): read-only Wissens-Suche über große Dokumentenbestände,
zentral von Admins gepflegt.
Vorsicht bei Data-Pool-Berechtigungen
Ein Data-Pool übernimmt die Berechtigungen der Quelle nicht automatisch.
Anders als beim Connector greifen etwa SharePoint-Permissions nicht von selbst —
der Admin konfiguriert den Zugriff manuell. Kläre das, bevor sensibles
Wissen indexiert wird.
Die Zahlen aus realen Einführungen zeigen den Unterschied zwischen Spielerei und
Produktivsystem — alle anonymisiert.
Aufgabe
Vorher
Mit KI
Stellenanzeige (Workflow)
20 Min.
2 Min.
SHK-Angebot (Assistent)
45 Min.
5 Min.
Sales-Dashboard (KI-App)
Wochen
30 Min.
Lastenheft, erste Version
3–5 Tage
60 % an 1 Nachmittag
Ersparnis SHK-Angebot
80–90 %
Das Sales-Dashboard baute ein Mitarbeiter ohne Programmier-Kenntnisse — der
klassische Weg hätte einen Business-Analysten und mehrere Wochen gebraucht. Genau
hier kippt KI vom Hilfsmittel zum Prozess.
Beginne read-only: erst suchen und lesen, dann schreiben und handeln. Wie
du Schreibrechte und Datenzugriff sauber regelst, steht in
Governance & Sicherheit. Welche Aufgaben in deinem Team den größten
Hebel haben, zeigt die Use-Case-Landkarte — und was die
Breite über alle vier Klassen wirklich wert ist, rechnet
Wirkung messen vor.
ISO-zertifiziert
DSGVO-konform
EU-Hosting
Starte mit KI in deinem Unternehmen
Wir finden gemeinsam die passenden Use Cases, verbinden deine Systeme und führen KI Schritt für Schritt in den Arbeitsalltag ein.