Was bei KI wirklich funktioniert: Ehrliche Use-Cases aus realen Kundenprojekten

von EXORD - Jarmo Friesenborg

In den letzten zwei Jahren ist rund um KI viel versprochen worden und wenig davon hält dem Alltag in echten Unternehmen stand. In unseren Projekten mit KMUs hat sich sehr klar gezeigt, welche Use-Cases wirklich Zeit sparen und welche nur nach ?Innovation? klingen, aber operativ nichts bringen. In diesem Artikel teilen wir offen, was sich bewährt hat, was wir heute anders machen würden und welche Architektur für KMU-Prozesse langfristig tragfähig ist: weg vom Hype, hin zu messbaren Effizienzgewinnen.

Bild: Midjourney

Wir haben in den letzten zwei Jahren einige KI-Projekte umgesetzt. Für Fertigungsunternehmen, Dienstleister, Kanzleien. Unterschiedliche Branchen, unterschiedliche Erwartungen. Inzwischen haben wir ein klares Bild davon, was messbar Zeit spart und was nur gut klingt.

Dieser Artikel ist kein Verkaufspitch. Er ist eine ehrliche Bilanz aus dem, was wir gebaut haben, was funktioniert hat und was wir so nicht mehr empfehlen würden.

Die Frage, die wir uns bei jedem Projekt stellen: Kann KI hier wirklich Zeit einsparen, oder ist das nur ein Buzzword? Das ist der beste Filter, den ein Entscheider haben kann.

Dokumentenextraktion mit Schema: Das funktioniert wirklich

Der stärkste Use-Case, den wir bisher umgesetzt haben, ist auch der unspektakulärste. Spezifische Daten aus größeren Dokumenten extrahieren und in ein definiertes Schema überführen.

Rechnungen, Verträge, technische Dokumentationen, Antragsformulare. Dokumente, aus denen ein Mensch bisher manuell Felder herausgelesen hat, die dann irgendwo eingetippt wurden. Dieser Prozess ist fehleranfällig, langsam und teuer.

Mit einem gut konfigurierten LLM und einem klaren Output-Schema erreichen wir 80 bis 90 Prozent Genauigkeit. Der Mensch schaut drüber, statt alles selbst zu extrahieren. Statt dreißig Minuten pro Dokument sind es drei. Der Mitarbeiter validiert, korrigiert Ausreißer und ist fertig.

Das Schema ist dabei nicht optional, sondern der Kern der Architektur. Strukturierter Output bedeutet, dass das Ergebnis prüfbar ist. Man sieht sofort, wo die KI unsicher war oder ein Feld leer gelassen hat. Mensch-im-Loop ist hier kein Kompromiss, sondern das Feature, das das System zuverlässig macht.

RAG: Wissen schneller finden, nicht ersetzen

KI beschleunigt Wissensbeschaffung. Das gilt nirgends so direkt wie bei Retrieval-Augmented Generation, kurz RAG.

Ein mittelständisches Unternehmen hat oft Wissen, das irgendwo steckt. In technischen Handbüchern, internen Wikis, Protokollen aus dem letzten Jahr. Niemand liest das vollständig. Mit einem RAG-System wird dieses Wissen in natürlicher Sprache durchsuchbar.

Praktisch sieht das so aus: Ein neuer Mitarbeiter fragt das System nach dem Onboarding-Prozess für Lieferanten. Statt drei Dokumente manuell zu durchsuchen, bekommt er eine zusammengefasste Antwort mit Quellenangabe. Oder ein Support-Mitarbeiter fragt nach einem spezifischen Fehlercode in einer Maschine. Das System findet die relevante Passage aus dem Handbuch in Sekunden.

Mitarbeiter können sich mit LLMs den Kontext komplexerer Aufgaben außerdem leichter erklären lassen. KI als Erklär-Tool, nicht als Entscheider. Diese Nutzungsform wird in vielen Projekten unterschätzt.

Was nicht funktioniert hat: Vollautonome Systeme

Vollautonome Systeme haben in unseren Projekten nicht funktioniert. Um ehrlich zu sein: Das war Token-Verschwendung, viel Hype ohne greifbaren Mehrwert.

Das Problem ist strukturell. Wenn man einer KI sagt, erledige das komplett autonom, entstehen zu viele Fehler. Die KI generiert Outputs, die oberflächlich plausibel wirken, aber inhaltlich nicht stimmen. Fehler in einer vollautonomen Pipeline sind schwer nachzuvollziehen, weil man nicht sieht, an welchem Schritt es schiefgelaufen ist.

Für Entscheider bedeutet das konkret: fehlende Nachvollziehbarkeit ist ein operatives Risiko. Dazu kommen Kostenexplosionen durch hohe Token-Mengen und keine verlässliche Qualität im Output. Wer vollautonome Agenten in kritische Prozesse integriert, kauft sich Probleme, die er erst Monate später versteht.

Das Muster: Human-in-the-Loop schlägt Vollautonomie

Aus allen Projekten zusammen ergibt sich ein klares Muster. KI erledigt 80 bis 90 Prozent der Arbeit, der Mensch validiert. Das ist keine Schwäche, das ist die Architektur, die tatsächlich funktioniert.

Vollautonomie klingt attraktiv, ist in der Praxis aber teuer, fehleranfällig und intransparent. Der Assistenz-Modus, bei dem KI vorschlägt und der Mensch entscheidet, ist die richtige Architektur für die meisten KMU-Prozesse. Er ist günstiger im Betrieb, liefert bessere Ergebnisse und lässt sich auditieren.

Eine einfache Faustregel: Je höher die Konsequenz eines Fehlers, desto mehr Mensch braucht der Loop.

Der Filter für Entscheider: Wann KI Sinn macht

Wichtig ist, das Problem zu verstehen. Erst dann die Technologie wählen.

Überall, wo klar definierte Regeln gelten und deterministisch gelöst werden kann, macht KI keinen Sinn. Dort ist klassische Software billiger, schneller und zuverlässiger. Eine Preisberechnung nach festen Regeln, ein Statuswechsel im CRM, ein automatischer E-Mail-Versand nach Trigger: das sind keine KI-Aufgaben.

KI lohnt sich bei unstrukturierten Daten, Sprache, Mustererkennung und Wissenssuche. Regelbasierte Berechnungen und Formulare mit festen Feldern gehören in klassische Software. Freitext aus Dokumenten extrahieren funktioniert gut mit KI und einem definierten Schema. Internes Wissen durchsuchbar machen ist ein klarer RAG-Fall. Vollautonome Prozesssteuerung empfehlen wir nicht. Sprachliche Mustererkennung funktioniert, aber nur mit Human-in-the-Loop.

Fazit: Erst Problem verstehen, dann Technologie wählen

• Dokumentenextraktion mit definiertem Schema funktioniert. Sie spart messbar Zeit und ist mit Mensch-im-Loop zuverlässig genug für den Produktiveinsatz.
• RAG beschleunigt Wissensbeschaffung in Unternehmen mit komplexen, verteilten Informationen.
• Vollautonome Systeme sind überbewertet. Sie produzieren Fehler, die schwer nachzuvollziehen sind, und rechtfertigen die Kosten selten.

Wer als Entscheider KI evaluiert, sollte mit einer konkreten Frage beginnen: Wo verlieren meine Mitarbeiter heute Zeit auf eine Weise, die strukturiert genug ist, dass KI helfen kann? Wenn die Antwort konkret ist, lässt sich ein sinnvoller Use-Case bauen. Wenn sie vage bleibt, ist KI wahrscheinlich das falsche Tool. Wenn wir dir bei der Entscheidung helfen können, dann nimm gerne Kontakt mit EXORD auf:
https://exord.de/contact