Wird KI auf ungeordnete Unternehmensprozesse gesetzt, in der Hoffnung, dass sie die Arbeit schneller und effizienter macht, entsteht vor allem automatisiertes Chaos. Die Abläufe werden schneller, zugleich unüberschaubarer, und effizienter werden sie dadurch kaum. Ob KI wirkt, entscheidet sich deshalb an der Grundlage, auf die sie gesetzt wird. Diese Grundlage nenne ich Foundation. Sie besteht aus klaren Prozessen, aus einer semantischen Schicht über den Daten, aus einem Kontext, der beschreibt, worauf es ankommt, und aus einem Rahmen aus Leitplanken, Governance, Beobachtbarkeit und Verifikation, in dem die KI arbeitet.

Klare Prozesse als Voraussetzung

Wie gut sich ein Prozess mit KI automatisieren lässt, zeigt die Softwareentwicklung. Ein moderner Entwicklungsprozess ist bereits weitgehend strukturiert, ob spezifikationsgetrieben oder nach Scrum: Es ist festgelegt, wie eine Anforderung hereinkommt, wie sie bewertet, detailliert und priorisiert wird und wie sie anschließend umgesetzt wird. Auf dem Weg liegen definierte Gates wie Reviews und Security-Checks, am Ende steht eine CI-Pipeline. Viele dieser Schritte werden heute noch von Menschen ausgeführt. Weil der Prozess selbst klar ist, lässt er sich mit KI weitgehend automatisieren, einschließlich der Reviews und der Rückgabe zur Verbesserung. Die KI prüft dabei neben der technischen Korrektheit auch, ob eine Umsetzung inhaltlich zur Anforderung passt – eine Prüfung, die bisher erst der Anwender vorgenommen hat.

Dasselbe Prinzip gilt außerhalb der Softwareentwicklung. Bei einem mittelständischen Medizintechnik-Unternehmen haben wir ein CRM und eine Lösung für den technischen Kundendienst eingeführt. Bevor eine Software ausgewählt wurde, haben wir die Prozesse im Kundenservice gemeinsam betrachtet und bereinigt und dabei zahlreiche Sonderwege aufgelöst. Das Ziel war ein Prozess, der auch ohne Software effizient funktioniert. Die Software, die anschließend darübergelegt wurde, konnte diesen Prozess gezielt unterstützen und in weiten Teilen automatisieren.

Semantik und Kontext

Sobald KI mit Daten arbeitet, braucht sie eine zweite Grundlage. Im Nakoa Brain, einer KI-Plattform für Retail Media, die ich bei Nakoa aufbaue, entsteht dafür ein semantischer Katalog, der mit jeder neuen Datenquelle wächst. Er beschreibt für jede Kennzahl, was sie bedeutet und in welchen Kombinationen sie sinnvoll verwendet werden kann und in welchen nicht.

Hinzu kommt eine Kontextschicht mit mehreren Ebenen. Die oberste Ebene bildet das Unternehmen ab, mit seiner Strategie und seinen Zielen. Darunter liegt eine Marketing-Ebene mit den Teilzielen und Taktiken, die das Unternehmen am Markt verfolgt und die die Kampagnen berücksichtigen sollen. Eine weitere Ebene beschreibt den jeweiligen Marktplatz und seine Mechaniken: wie ein bestimmter Kampagnentyp dort funktioniert, welche Erfahrungen es damit gibt, wie er aufgesetzt wird und wie sich die Kampagnentypen den Phasen des Kundenprozesses zuordnen lassen.

Katalog und Kontext sind ein sehr großer und zugleich einer der wichtigsten Bestandteile der Plattform (siehe auch Kontextmodellierung ist die eigentliche Engineering-Aufgabe). Fehlen sie oder sind sie unvollständig, entstehen mittelmäßige Analysen und daraus mittelmäßige Empfehlungen.

Leitplanken, Governance, Beobachtbarkeit und Verifikation

Daten, Semantik und Kontext bilden die inhaltliche Grundlage. Damit die KI darauf verlässlich arbeiten kann, braucht sie zusätzlich einen Rahmen, der ihr Handeln begrenzt, regelt, sichtbar macht und ihre Ergebnisse prüft.

Leitplanken legen fest, was die KI selbstständig tun darf und wo eine Freigabe notwendig ist. Im Nakoa Brain werden vorgeschlagene Maßnahmen erst nach einer Freigabe ausgeführt; wie weit die Autonomie reicht, orientiert sich daran, ob eine Entscheidung rückgängig gemacht werden kann (siehe Reversibilität als Leitplanke für Autonomie). Governance regelt, wer welche Entscheidungen freigibt und wie diese nachvollziehbar bleiben; im Nakoa Brain prüfen und genehmigen die Berater alle Aktionen, bevor sie live gehen. Beobachtbarkeit macht sichtbar, was die KI im Prozess tut, Schritt für Schritt (siehe Beobachtbarkeit vor Kontrolle einbauen).

Verifikation betrachtet schließlich das Ergebnis selbst kritisch, bevor es weitergegeben wird. In der Softwareentwicklung ist das das Code-Review, im Machine Learning sind es Evaluationen, die die Qualität eines Ergebnisses systematisch prüfen. Im Nakoa Brain übernimmt diese Rolle zum Beispiel ein Validator, der eine Prognose auf Basis einer zu kurzen Zeitreihe als unsicher kennzeichnet und diesen Vorbehalt an den Anwender weitergibt.

Von der Analyse in die Umsetzung

Das Gewicht dieser Grundlage wird deutlich, wenn man betrachtet, was auf ihr aufbaut. Das Nakoa Brain analysiert, leitet daraus Empfehlungen ab, was zu tun ist, und kann viele dieser Maßnahmen nach Freigabe auch selbst ausführen. Durch die Ausführung entstehen neue Daten, die wieder in die Analyse einfließen, und die Schleife schließt sich (siehe Das Doppelschleifenmodell für agentische Operations). Die Plattform führt damit von der Analyse zur Maßnahme und von der Maßnahme in die Umsetzung. Jede dieser Stufen ist nur so gut wie die Grundlage, auf der sie aufsetzt.

Foundation als Voraussetzung

Eine tragfähige Foundation für KI besteht damit aus vier Teilen: aus Prozessen, die klar genug sind, um automatisiert zu werden, aus einer semantischen Schicht, die den Daten Bedeutung gibt, aus einem Kontext, der Ziele und Mechaniken abbildet, und aus einem Rahmen aus Leitplanken, Governance, Beobachtbarkeit und Verifikation. Hinzu kommt die Organisation, die das Neue trägt (siehe Das Innere des Wandels). Wer KI einführen will, beginnt mit dieser Grundlage.