Den ersten Workflow für KI auswählen, wenn jedes Team eine andere Idee hat

Warum jedes Team etwas anderes vorschlägt

Jede Abteilung schlägt die Arbeit vor, die sie am meisten belastet. Das ist nachvollziehbar, aber selten eine gute Grundlage für das erste Projekt. Der sichtbarste Schmerz liegt oft in einem Prozess mit schlechten Daten, unklaren Ergebnissen oder einer vorgeschalteten rechtlichen Prüfung. Ein erstes Projekt hat neben seinem eigenen Ergebnis eine zweite Aufgabe: Es schafft den Testsatz, den Systemzugang und die Prüfroutine, die spätere Projekte wiederverwenden. Das gelingt nur, wenn es abgeschlossen wird.

Sechs Fragen zur Bewertung jedes Kandidaten

1. 1

   Volumen

   Wie viele Fälle kommen pro Monat, und wie viel qualifizierte Arbeit kostet jeder? Multiplizieren Sie das Volumen mit dem gemessenen Nutzen pro Fall und stellen Sie das den Aufbau- und Betriebskosten sowie dem Prüfaufwand gegenüber. Wenige teure Fälle können ein Projekt rechtfertigen, viele triviale womöglich nicht.

2. 2

   Varianz

   Unterscheiden sich Fälle auf eine Weise, die keine Regel erfasst, etwa durch Freitext, gemischte Dokumente oder fehlende Felder? Funktioniert eine Regel, schreiben Sie die Regel. Braucht jeder Fall tiefes Urteilsvermögen, gibt ein Agent die meisten an einen Menschen zurück.

3. 3

   Zugang

   Kann ein Dienstkonto die Eingaben heute über eine vorhandene API lesen und die Ergebnisse schreiben? Ein Kandidat, der zuerst eine neue Integration, Screen Scraping oder eine Datenschutzprüfung braucht, hat ein Projekt vor dem Projekt.

4. 4

   Prüfaufwand

   Wie lange braucht eine Person, um ein Ergebnis zu prüfen, verglichen mit der Arbeit selbst? Zwei Beträge mit einer Bestellung abzugleichen dauert Sekunden. Eine Vertragszusammenfassung zu prüfen heißt, den Vertrag zu lesen.

5. 5

   Kosten eines Fehlers

   Lässt sich ein falsches Ergebnis erkennen und rückgängig machen, bevor es Schaden anrichtet? Ein interner Zuordnungsfehler kostet eine Verzögerung, eine falsche Zahlung oder eine falsche Zusage an einen Kunden kostet mehr.

6. 6

   Bekannte Ergebnisse

   Gibt es abgeschlossene Fälle, bei denen das richtige Ergebnis festgehalten wurde? Ohne sie gibt es keinen Testsatz, und ohne Testsatz kann niemand sagen, ob das System funktioniert.

Diese Fragen entsprechen der Scoping-Phase im AWS Generative AI Lens. Dort wird gefragt, ob generative KI für das Problem überhaupt relevant ist, wie Erfolg gemessen wird, ob das Projekt technisch und organisatorisch machbar ist und ob die nötigen Daten in brauchbarer Qualität vorliegen.

Ein durchgerechneter Vergleich dreier Vorschläge

Das folgende Beispiel ist hypothetisch. Eine Betriebsleitung erhält drei Vorschläge: Der Kundenservice möchte Antwortentwürfe für jede eingehende E-Mail, die Finanzabteilung möchte Lieferantenrechnungen mit Bestellungen abgleichen, und die Rechtsabteilung möchte eingehende Verträge auf abweichende Klauseln prüfen lassen.

• Der Rechnungsabgleich schneidet gut ab. Das Volumen ist hoch, die Fälle variieren durch Scans, Teillieferungen und Gutschriften, das ERP hat eine API, eine Sachbearbeiterin prüft einen vorgeschlagenen Abgleich in Sekunden, und jahrelang gebuchte Rechnungen liefern bekannte Ergebnisse. Ein falscher Abgleich lässt sich vor der Zahlung stoppen.
• E-Mail-Antworten schneiden ungleichmäßig ab. Das Volumen ist hoch und das Mailsystem erreichbar, aber eine gute Antwort ist Ermessenssache, frühere Antworten wurden nie bewertet, und die Prüfung einer komplexen Antwort dauert fast so lange wie das Schreiben. Ein engerer Ausschnitt, etwa das Klassifizieren und Weiterleiten eingehender Mails, schneidet deutlich besser ab.
• Die Vertragsprüfung schneidet als erstes Projekt schlecht ab. Das Volumen ist gering, eine übersehene Klausel ist teuer, und die Juristin liest ohnehin den ganzen Vertrag, sodass sich der Prüfaufwand kaum ändert.

Der Rechnungsabgleich kommt zuerst. Das Weiterleiten von E-Mails ist ein sinnvoller zweiter Kandidat, sobald das erste Projekt Test- und Prüfroutine aufgebaut hat. Die Vertragsprüfung wartet, bis es einen Grund zur Annahme gibt, dass der Prüfaufwand sinkt.

Prüfen Sie, ob eine Regel genügt

Bevor Sie einen Kandidaten als KI-Projekt bewerten, nehmen Sie fünfzig abgeschlossene Fälle und versuchen Sie, Regeln dafür zu schreiben. Googles Rules of Machine Learning beginnen mit dem Rat, auch ohne maschinelles Lernen zu starten, weil eine einfache Heuristik oft schon ein gutes Stück weit trägt. Anthropics Artikel über Agenten aus dem Jahr 2024 unterscheidet ähnlich: Feste Workflows passen zu klar definierten Aufgaben, Agenten zu offenen Problemen, deren Schritte sich nicht vorhersagen lassen. Auch das NIST AI Risk Management Framework verlangt, tragfähige Alternativen ohne KI zu berücksichtigen.

Decken Regeln die meisten der fünfzig Fälle ab, bauen Sie die Regeln und geben Sie den Rest an Menschen oder später an ein Modell. Das ist ein Erfolg, und es ist meist günstiger zu betreiben und leichter zu erklären.

Schneiden Sie den Gewinner auf einen ersten Ausschnitt zu

Rechnungen zu automatisieren ist ein Programm. Rechnungen in einer Währung mit Bestellbezug für die vierzig volumenstärksten Lieferanten abzugleichen ist ein erstes Projekt. Das NIST-Framework verlangt, den vorgesehenen Anwendungsumfang festzulegen und zu dokumentieren, und eine kurze Umfangsbeschreibung leistet genau das: welche Fälle dazugehören und welche nicht, was das System liefert, wer es prüft und wo es übergibt.

Die Bewertung für die Teams offenlegen

Teilen Sie die Bewertung mit jedem Team, das etwas vorgeschlagen hat, zusammen mit dem, was sie ändern würde. Ein Kandidat, der am Zugang gescheitert ist, kann zurückkommen, sobald die API existiert, und einer, dem bekannte Ergebnisse fehlten, kann jetzt mit deren Erfassung beginnen. Wenn Sie eine zweite Meinung zu einer Auswahlliste möchten: Unsere Arbeit an KI-Agenten beginnt damit, einen Prozess abzubilden und zu messen, was ein Fall heute kostet.

KI-Agenten und ProzessautomatisierungDaten und Zugänge, die ein Projekt vor dem Start braucht