Eine KI-Roadmap, die einen Workflow live bringt und dann den nächsten

Was ist eine KI-Roadmap?

Sie ist ein Umsetzungsplan, keine Strategiepräsentation. Während eine Strategie festhält, in welchen Unternehmensbereichen KI sinnvoll sein könnte, legt eine Roadmap für die Umsetzung fest, welcher Workflow zuerst gebaut wird, mit welchen Systemen er verbunden ist, wer seine Ergebnisse freigibt und was erfüllt sein muss, bevor er in die nächste Phase geht.

Die folgenden Phasen verwenden wir in unseren eigenen Projekten. Jede hat ein in einfachen Worten formuliertes Abnahmekriterium, damit das Team weiß, wann eine Phase abgeschlossen ist, und der Auftraggeber den Fortschritt sieht, ohne Code lesen zu müssen.

Wie wählen Sie den ersten Workflow für die Automatisierung aus?

Wählen Sie eine Aufgabe, die häufig vorkommt, Regeln folgt, die sich aufschreiben lassen, und eine Kennzahl hat, die Sie heute schon messen können. Gute erste Kandidaten sind repetitiv und klar abgegrenzt: eingehende Anrufe außerhalb der Geschäftszeiten beantworten, Lieferantenrechnungen in QuickBooks erfassen, neue Leads in HubSpot verteilen oder Felder aus Formularen in eine Tabelle oder ein ERP übernehmen.

Beginnen Sie nicht mit dem sichtbarsten oder politisch heikelsten Prozess. Ein erstes Projekt sollte umkehrbar sein: Bleibt es hinter den Erwartungen zurück, wechselt das Team einfach zur alten Arbeitsweise zurück, während das Problem behoben wird. Wir bewerten Kandidaten anhand von vier Fragen, bevor wir einen empfehlen.

Diese Nachfrage ist nicht ungewöhnlich. Leadqualifizierung und Nachfassen, Lösung von Kundenanfragen im Support, Telefonannahme und Anrufe außerhalb der Geschäftszeiten, die Übernahme von Dokumenten in Systeme und das Onboarding von Mitarbeitern gelten 2026 als die Workflows, die kleine und mittlere Unternehmen am häufigsten nachfragen, und jeder davon passt gut zu den vier oben genannten Fragen.

• Volumen: Kommt die Aufgabe oft genug pro Woche vor, um ins Gewicht zu fallen?
• Regeln: Könnte eine neue Mitarbeiterin sie anhand einer einseitigen Anleitung lernen?
• Baseline: Kennen wir heute die Minuten pro Aufgabe und die Fehlerquote?
• Verantwortung: Gibt es eine Person, die die Ergebnisse freigibt und das Resultat abnimmt?

Brauchen Sie saubere Daten, bevor Sie mit Ihrer KI-Roadmap starten?

Nein, aber Sie brauchen Zugriff und eine klare Übersicht, wo jedes Feld liegt. Die meisten Unternehmen haben uneinheitliche Datensätze, und ein gut gebautes System rechnet damit: Es validiert, was es liest, markiert, was es nicht auflösen kann, und leitet diese Fälle an einen Menschen weiter.

In dieser Phase sammeln wir API-Zugangsdaten oder Dienstkonten für jedes System, ordnen Quellfelder den Zielfeldern zu (zum Beispiel die Gesamtsumme einer PDF-Rechnung einer Position einer Lieferantenrechnung in NetSuite) und stellen eine Stichprobe echter Eingaben zusammen, auch der unordentlichen. Diese Stichprobe wird zum Evaluierungsset, das in jeder späteren Phase verwendet wird.

Hier werden auch die Berechtigungen festgelegt. Das System sollte den engsten Zugriff erhalten, mit dem es seine Aufgabe erfüllen kann, etwa Lesezugriff auf eine einzelne SharePoint-Bibliothek statt auf den gesamten Mandanten und Schreibzugriff nur auf die Objekte, die es aktualisiert.

Was passiert in der Entwicklungsphase?

Die Entwicklung macht aus dem abgebildeten Prozess eine laufende Pipeline mit einem definierten Auslöser, Verarbeitungsschritten und einer Rückschreibung. Ein typischer Ablauf startet mit einem Auslöser (einer neuen E-Mail, einem abgeschickten Formular, einer Datei, die in Google Drive landet, einem eingehenden Anruf über Twilio), ruft benötigten Kontext ab, fragt das Modell mit einem strukturierten Ausgabeschema an, validiert das Ergebnis und schreibt es entweder ins Zielsystem oder legt es in eine Prüfwarteschlange für Menschen.

Wir lassen das Evaluierungsset nach jeder wesentlichen Änderung an Prompts, Retrieval oder Modellwahl laufen, damit eine Korrektur an einer Stelle nicht unbemerkt etwas anderes kaputt macht. Konfidenzschwellen entscheiden, was direkt durchläuft und was auf einen Menschen wartet, und jeder Prompt und jede Ausgabe werden protokolliert, damit sich jede Entscheidung später nachvollziehen lässt.

In dieser Phase wählen Sie auch die Werkzeuge. Ein Workflow-Tool wie n8n, Make oder Zapier eignet sich für ereignisgesteuerte Abläufe zwischen SaaS-Systemen, während LangChain oder LangGraph in Python zu Agenten passt, die eigene Tool-Aufrufe und Zustände brauchen. In jedem Fall liegen Code, Workflows und Prompts in Ihren Konten und Ihrem Repository, nicht in unseren.

• Auslöser und Eingang, mit Dublettenprüfung.
• Retrieval mit Quellenangaben, wo Antworten von Ihren Dokumenten abhängen.
• Strukturierte Ausgabe und Validierungsregeln auf Feldebene.
• Prüfwarteschlange für Menschen bei geringer Konfidenz oder hohem Wert.
• Protokollierung von Prompts, Ausgaben und Kosten pro Aufgabe.

Wie sollten Sie vor dem Livegang testen?

Lassen Sie das neue System zuerst im Schattenbetrieb laufen: Es verarbeitet echte Arbeit parallel, während die Mitarbeiter die Aufgabe weiter auf die alte Weise erledigen. Die Ergebnisse werden nebeneinander verglichen, Abweichungen geprüft, und das Evaluierungsset wächst mit jedem neu gefundenen Fehlermuster.

Der Schattenbetrieb endet, wenn sowohl die Fehlerquote als auch der Anteil der zur Prüfung weitergeleiteten Fälle innerhalb der in Phase eins vereinbarten Ziele liegen. Vor dem Start proben wir außerdem den Rückfall: den Auslöser abschalten, die Arbeit an Menschen zurückleiten und sicherstellen, dass nichts halb geschrieben im CRM oder ERP zurückbleibt.

Was passiert nach dem Start?

Mit dem Start beginnt die Monitoring-Phase, nicht das Ende des Projekts. Alarme lösen bei fehlgeschlagenen API-Aufrufen, ungewöhnlichen Kosten pro Aufgabe, sprunghaft steigendem Prüfvolumen und veralteten Daten aus, und ein Monatsbericht vergleicht Volumen, Genauigkeit und eingesparte Zeit mit der Baseline aus Phase eins.

Geben Sie dem Monitoring einen benannten Verantwortlichen auf Ihrer Seite. Alarme, die in ein gemeinsames Postfach gehen, das niemand liest, sind so gut wie keine Alarme. Deshalb leiten wir sie an den Workflow-Verantwortlichen und an die IT weiter, zusammen mit einem kurzen Runbook, das sagt, was zuerst zu prüfen ist und wann das System abgeschaltet werden sollte.

Rechnen Sie mit Pflegeaufwand. Modellanbieter stellen Modelle ein und ersetzen sie, Feldnamen ändern sich, wenn jemand das CRM bearbeitet, und Lieferanten schicken neue Dokumentlayouts. Jede Änderung wird vor der Auslieferung gegen das Evaluierungsset getestet. Sobald der erste Workflow stabil läuft und sich auszahlt, wiederholt sich die Roadmap für den nächsten, meist schneller, weil Zugriffe, Protokollierung und Prüfansichten bereits vorhanden sind.

Zu unseren Fallstudien gehört eine Beratung für regulatorische Fragen, deren Compliance-Tool die Erstellung von Statusberichten von 4-5 Stunden auf unter 15 Minuten senkte. Genau solche Vorher-nachher-Werte sollte der Bericht nach dem Start für jeden Workflow zeigen.

Wie lange dauert die Umsetzung einer KI-Roadmap?

Das hängt eher vom Umfang als von der Technologie ab. Laut dem Leitfaden von Softude aus dem Jahr 2026 dauert ein einzelner Anwendungsfall typischerweise 3-5 Monate, Einführungen über mehrere Abteilungen hinweg 6-12+ Monate.

Ein enger Umfang verkürzt jede Phase: ein Auslöser, ein oder zwei angebundene Systeme, ein überschaubares Evaluierungsset und ein einziger freigebender Verantwortlicher. Wir schätzen den Zeitplan in der kostenlosen Analyse und legen ihn zusammen mit dem Preis fest; unser Ratgeber zu den Implementierungskosten erklärt, was beides bestimmt.

Welche Compliance-Prüfungen gehören in die Roadmap?

Verankern Sie Compliance-Prüfungen in Phase zwei, vor jeder Entwicklung, denn sie können beeinflussen, welche Anbieter Sie überhaupt einsetzen dürfen. Nach HIPAA braucht jeder KI-Anbieter, der geschützte Gesundheitsdaten verarbeitet, ein unterzeichnetes Business Associate Agreement, und große Modellanbieter unterzeichnen BAAs nur für bestimmte API- oder Enterprise-Tarife, nicht für Privatkundentarife.

Sprach-Workflows haben eigene Regeln. Die FCC entschied am 8. Februar 2024, dass KI-generierte Stimmen nach dem TCPA als künstliche Stimmen gelten, sodass ausgehende Anrufe damit eine vorherige ausdrückliche Einwilligung erfordern. Erreichen Ihre KI-Ergebnisse Menschen in der EU, gelten ab dem 2. August 2026 die Transparenzpflichten nach Artikel 50 der KI-Verordnung (EU AI Act). In Colorado regelt SB 26-189 ab dem 1. Januar 2027 automatisierte Entscheidungsfindung bei folgenreichen Entscheidungen. Dies ist keine Rechtsberatung; klären Sie die Einzelheiten mit Ihrem Rechtsbeistand.