Künstliche Intelligenz in der Praxis — vom Pilot zum Produktivbetrieb
Vom Pilot zum Produktivbetrieb — produktive Anwendungsfelder und Datenschutz bei KI in Schweizer Unternehmen.
- PoCdie häufigste Endstation von KI-Projekten
- dreiHürden: Datenqualität, Integration, Verantwortung
- revDSGgilt auch für KI, die Personendaten bearbeitet
Bei künstlicher Intelligenz trennt sich in Schweizer Unternehmen der beeindruckende Prototyp vom produktiven Betrieb. Diese Übersicht zeigt, woran der Sprung scheitert, wo KI heute echten Nutzen stiftet, wie eine sinnvolle Governance aussieht und was beim Datenschutz nach revDSG konkret zu beachten ist.
Vom Pilot zum Produktivbetrieb
Die meisten KI-Projekte scheitern nicht am Modell, sondern am Weg in den Alltag: fehlende Datenqualität, mangelnde Integration in bestehende Prozesse und unklare Verantwortlichkeiten. Wer KI produktiv nutzen will, plant Betrieb, Pflege und Kontrolle von Anfang an mit.
Der Unterschied zwischen einem Piloten und einem Produktivbetrieb liegt selten in der Qualität der Ergebnisse, sondern in den Fragen, die ein Pilot nicht stellen muss: Wer pflegt die Datenquelle, wenn sich das Format ändert? Wer merkt, wenn die Ausgaben schlechter werden? Wer entscheidet bei einem Zweifelsfall? Ein Prototyp darf diese Fragen offenlassen, ein Betrieb nicht.
- Eine benannte Messgrösse — eingesparte Bearbeitungszeit, Fehlerquote oder Antwortzeit, vorher und nachher vergleichbar
- Datenquellen mit Verantwortlichen — jemand pflegt sie und merkt, wenn sich etwas ändert
- Ein Prüfschritt für kritische Ausgaben — ein Mensch gibt frei, solange Qualität und Grenzen nicht bekannt sind
- Dokumentierte Datenflüsse — welche Informationen ein System verlassen und auf welcher Rechtsgrundlage
- Der Prototyp als Beweis — ein überzeugender Pilot sagt nichts über die Tragfähigkeit im Alltag
- Ein eigenes Modell ohne Not — für die meisten Aufgaben genügen etablierte Dienste
Produktive Anwendungsfelder
Realen Nutzen liefert künstliche Intelligenz heute vor allem bei klar umrissenen, wiederkehrenden Aufgaben — Textverarbeitung, Dokumentenanalyse, Kundenkommunikation und Prognosen. Werden dabei Personendaten verarbeitet, greifen die Datenschutzpflichten des revDSG auch für KI-Anwendungen.
Auffällig ist, wie stark der Nutzen mit der Enge der Aufgabe steigt. Ein System, das eingehende Rechnungen ausliest und in ein Buchhaltungsformat überträgt, liefert verlässliche Ergebnisse, weil die Eingabe begrenzt und das erwartete Resultat klar definiert ist. Dieselbe Technologie auf eine offen formulierte Aufgabe angesetzt — "analysiere unseren Markt" — erzeugt Text, dessen Richtigkeit niemand prüfen kann. Der Zuschnitt der Aufgabe ist damit die wichtigste Entscheidung im ganzen Projekt, und sie fällt vor der Auswahl eines Werkzeugs.
Die Hürde liegt selten im Modell. Sie liegt in der Datenqualität, in der Integration — und in der Frage, wer die Ergebnisse verantwortet.
Governance und Verantwortung
Je stärker künstliche Intelligenz in Entscheidungen eingebunden wird, desto wichtiger wird die Frage nach Verantwortung. Wer prüft die Ergebnisse? Wer haftet, wenn ein Modell falsch liegt? Erfolgreiche Einführungen definieren früh eine klare Governance: Zuständigkeiten, Prüfschritte für kritische Ausgaben und eine Dokumentation, welche Daten ein System nutzt. Das schützt nicht nur rechtlich, sondern schafft auch das Vertrauen, ohne das produktive Nutzung im Alltag scheitert.
Ein pragmatischer Einstieg besteht darin, KI zunächst assistierend einzusetzen — mit einem Menschen, der die Ergebnisse freigibt — und die Automatisierung erst zu erhöhen, wenn Qualität und Grenzen des Systems bekannt sind. So bleibt die Kontrolle erhalten, während der Nutzen schrittweise wächst. Ebenso gehört zur Governance die Frage, welche Daten ein System verlassen dürfen: Werden vertrauliche Informationen an einen externen Dienst gesendet, braucht es eine Rechtsgrundlage und eine bewusste Abwägung. Verantwortungsvolle KI-Nutzung heisst deshalb nicht, jede Möglichkeit auszuschöpfen, sondern die richtigen Grenzen zu ziehen.
Realistische Erwartungen
Ein grosser Teil der Enttäuschung mit KI-Projekten entsteht aus überzogenen Erwartungen. Künstliche Intelligenz ersetzt selten ganze Rollen, sondern übernimmt Teilaufgaben — und tut das umso zuverlässiger, je klarer sie umrissen sind. Wer den Nutzen an einer messbaren Grösse festmacht, etwa an eingesparter Bearbeitungszeit oder einer geringeren Fehlerquote, kann nüchtern beurteilen, ob sich der Aufwand lohnt. Für Schweizer Unternehmen ist dieser pragmatische Blick der Unterschied zwischen einem teuren Experiment und einem Werkzeug, das im Alltag tatsächlich entlastet.
Analysen zum Thema
Datenqualität vor Modellwahl: wo KI-Vorhaben wirklich hängen
In Auswahlprozessen wird wochenlang über Anbieter verglichen. Über den Zustand der eigenen Daten spricht meist niemand — obwohl dort entschieden wird.
Vom KI-Pilot in den Regelbetrieb: vier Bedingungen
Der Pilot funktioniert, die Demo überzeugt, und dann bewegt sich ein Jahr nichts. Das Problem liegt fast nie am Modell.
Verwandte Themen
Warum bleiben viele KI-Projekte im Proof-of-Concept stecken?
Weil der Sprung vom Prototyp in den Produktivbetrieb an Datenqualität, Integration in bestehende Prozesse und klaren Verantwortlichkeiten scheitert — nicht am Modell selbst. Ein beeindruckender Pilot sagt wenig über die produktive Tragfähigkeit aus.
Wo setzen Schweizer Unternehmen KI heute produktiv ein?
Vor allem in Textverarbeitung und Kundenkommunikation, in der Dokumentenanalyse sowie in Prognose- und Assistenzfunktionen. Der grösste Nutzen entsteht dort, wo KI klar umrissene, wiederkehrende Aufgaben übernimmt.
Was ist beim Datenschutz mit KI zu beachten?
Werden Personendaten verarbeitet, gelten die Pflichten des revDSG auch für KI-Anwendungen. Wichtig sind Transparenz gegenüber Betroffenen, eine Rechtsgrundlage für die Bearbeitung und Sorgfalt bei der Auswahl externer Dienste.
Braucht ein KMU eigene KI-Modelle?
In den seltensten Fällen. Für die meisten Aufgaben genügen etablierte Dienste, die in bestehende Abläufe eingebunden werden. Eigene Modelle lohnen sich nur bei sehr spezifischen Daten und klarem, wiederkehrendem Nutzen.
Wie misst man den Nutzen eines KI-Projekts?
Am besten an einer konkreten Grösse, die sich vorher und nachher vergleichen lässt — etwa eingesparte Bearbeitungszeit, eine geringere Fehlerquote oder schnellere Antwortzeiten. Fehlt eine solche Messgrösse, lässt sich kaum beurteilen, ob sich der Aufwand gelohnt hat.