KI im Unternehmensalltag 2025: Was wirklich funktioniert (und was nicht)

KI ist gerade überall. Auf jeder Konferenz, in jedem Newsletter, in jedem zweiten LinkedIn-Post. Und gleichzeitig habe ich noch nie so viele enttäuschte Unternehmer getroffen, die ein KI-Tool gekauft haben und jetzt nicht wissen was sie damit anfangen sollen.

Dieser Post ist kein Verkaufspitch. Er ist ein ehrlicher Bericht darüber, was ich bei der KI-Integration in der Praxis gesehen habe — und was ich meinen Kunden rate.

Die drei häufigsten Fehler beim KI-Einstieg

1. Das falsche Problem lösen

KI ist keine Lösung für ein schlecht definiertes Problem. Wer nicht weiß was er automatisieren will, findet auch mit ChatGPT keine Antwort. Zuerst muss der Prozess klar sein — dann erst kommt das Tool.

2. Zu viel auf einmal

“Wir wollen unseren gesamten Kundenservice mit KI machen” ist kein Projekt, das in drei Wochen fertig ist. Die erfolgreichsten KI-Einführungen, die ich begleitet habe, haben mit einem einzigen, klar abgegrenzten Use-Case angefangen.

3. Kosten unterschätzen

GPT-4 klingt günstig. Aber wenn du 10.000 Dokumente täglich durchlaufen lässt, summieren sich die API-Kosten schnell. Lokale Modelle (Ollama, LM Studio) sind oft die bessere Wahl für repetitive, interne Aufgaben.

Was wirklich funktioniert: 4 Use Cases mit echtem ROI

1. Dokument-Q&A (RAG)

Ein Unternehmen hat hunderte PDFs: Handbücher, Verträge, interne Richtlinien. Mitarbeiter suchen täglich darin — und verschwenden dabei Zeit.

Lösung: Ein RAG-System (Retrieval Augmented Generation) indexiert alle Dokumente und beantwortet Fragen im Klartext. Der Mitarbeiter fragt: “Was ist die Kündigungsfrist laut Vertrag vom März 2023?” — und bekommt die Antwort in Sekunden, mit Quellenangabe.

Aufwand: 1–3 Tage Setup, je nach Datenmenge. Danach fast wartungsfrei.

2. E-Mail-Klassifizierung und Routing

Wer täglich viele eingehende E-Mails hat, kennt das Problem: Sortieren, zuweisen, priorisieren — alles manuell.

Lösung: Ein Workflow (z.B. in n8n) liest eingehende Mails, klassifiziert sie per LLM (Beschwerde? Anfrage? Spam?) und leitet sie automatisch weiter oder beantwortet einfache Anfragen direkt.

Aufwand: 1–2 Tage, je nach Mail-Volumen und Antwort-Komplexität.

3. Datennormalisierung

Immer wieder dieselbe Aufgabe: Daten kommen in unterschiedlichen Formaten rein (Excel, PDF, CSV, freitext) und müssen in ein einheitliches Format gebracht werden.

Lösung: LLM-gestützter Parser, der unstrukturierte Daten in strukturierte Ausgabe überführt — zuverlässiger als Regex, flexibler als starre ETL-Pipelines.

4. Zusammenfassungen & Reports

Meetings, Dokumente, Kundentelefonate — alles wird aufgezeichnet, aber niemand liest die Transkripte.

Lösung: Automatische Zusammenfassungen mit Whisper (Sprache-zu-Text) + LLM. Ergebnis: strukturierter Report mit Action Items, in unter einer Minute nach dem Meeting.

Lokale Modelle vs. Cloud-API: Wann was?

Szenario	Empfehlung
Interne, sensible Daten	Lokales Modell (Ollama + Llama 3)
Hohe Qualitätsanforderungen, externe Daten	Cloud API (Claude, GPT-4)
Hohe Volumen, einfache Aufgaben	Lokales Modell
Prototyp / Machbarkeitsstudie	Cloud API (schneller Start)

Mein Empfehlungsrezept für den KI-Einstieg

Einen Prozess identifizieren, der sich täglich oder wöchentlich wiederholt und Zeit kostet
Den Prozess aufschreiben — Input, Schritte, Output
Einen Machbarkeitscheck machen — ist das wirklich ein LLM-Problem oder ein simples Skript-Problem?
Klein starten — Pilot mit echten Daten, aber begrenztem Scope
Messen — Zeit vorher vs. nachher, Fehlerrate, Zufriedenheit

Wenn du einen konkreten Prozess hast und nicht weißt ob und wie KI helfen kann — schreib mir. Ich sage dir ehrlich ob es Sinn macht.

Weitere Beiträge zu Automatisierung und Infrastruktur im Blog. Meine KI-Integrationsleistungen findest du unter Leistungen.