Herzlich Willkommen zu den AI FIRST Insights!

Der Hype um KI-Automationen ist auf dem Peak angekommen. Überall sehen wir beeindruckende Demos und der Eindruck entsteht, mit KI ließe sich alles im Handumdrehen automatisieren.

Ein Beispiel gefällig?

Das Blaue vom Himmel wird versprochen, aber die Landung in der Realität ist oft härter als gedacht. Wer selbst (KI-)Automationen aufgesetzt hat, weiß das.

Viele Unternehmen stolpern über die Hürden, die unter der Oberfläche lauern.

Deshalb mache ich heute einen Realitätscheck:

• Worauf kommt es bei KI-Automationen wirklich an?
• Wann machen sie Sinn und wann nicht?
• Welche cleveren Alternativen gibt es?

Los geht's!

P.S. Dieser Newsletter ist in Zusammenarbeit mit dem Gemini 2.5 Pro Modell entstanden (ich liebe es!). Hier habe ich mein Vorgehen beschrieben.

Update AI Collective

Am 15.05. startet das AI Collective für 30 Teilnehmer aus dem Mittelstand, die ihre persönliche KI-Transformation und die ihres Unternehmens vorantreiben wollen.

Wir sind fleißig am produzieren der Akademie-Inhalte und ich habe diese Woche das Konzept für unsere wöchentlichen Live-Formate fertiggestellt. Folgende Formate werden sich wöchentlich abwechseln:

• Hackathon: Hier arbeiten wir gemeinsam an ganz konkreten Use Cases, entwickeln neue Ansätze, teilen unsere Ideen und lernen voneinander. Da freue ich mich am meisten drauf!
• State of AI: Eine Einordnung von mir zu den letzten KI-Entwicklungen, testen neuer Modelle, Agenten und Tools sowie Diskussion über die Relevanz und Auswirkungen.
• Mastermind: Offene Runde für die Lösung aktueller Herausforderungen und Erfahrungsaustausch innerhalb der Community.
• Experten Deep Dive: Ein Mitglied des Expert Circles teilt tiefe Einblicke zu Themen wie Agenten-Systemen, Bild & Video KI, Datenstrategie oder das Microsoft KI Ökosystem.

Du möchtest noch dabei sein?

6 Plätze sind noch verfügbar! Alle Informationen findest du hier. Trage dich auf die Warteliste ein, und wir senden dir ein individuelles Angebot sowie das detaillierte Programm zu.

→ Mehr Informationen zum AI Collective

Werbung Ende :) Jetzt geht's weiter mit der Insights-Ausgabe!

Was an KI-Automationen unterschätzt wird

Lass uns zuerst die Begriffe klären und abgrenzen:

Klassische Automatisierung: Folgt strikten "Wenn-Dann"-Regeln. Sie tut genau das, was programmiert wurde, nicht mehr und nicht weniger. ("Wenn ein Nutzer einen AI FIRST Account anlegt, dann lege ihn in unserer Datenbank an, sende einen Double Opt-In und aktualisiere den Status")

KI-Automatisierung: Nutzt KI (z.B. LLMs) für Aufgaben, die etwas Flexibilität erfordern (z.B. E-Mails verstehen und klassifizieren), agiert aber meist innerhalb eines festen Prozessrahmens. ("Wenn ein neuer AI FIRST Artikel in der Notion-Tabelle abgelegt wird, dann extrahiere (GPT4) die Kernbotschaft und Learnings und schreibe daraus (Claude 3.7 Sonnet) 3 unterschiedliche LinkedIn Posts.")

KI-Agenten: Gehen einen Schritt weiter. Sie sollen autonom agieren, Ziele verstehen, selbstständig Entscheidungen treffen, aus Erfahrungen lernen und ihre Strategie anpassen. Sie sind nicht mehr an starre Regeln gebunden. ("Hey Manus, Ich brauche eine Liste der E-Mail Adressen der DAX40 Chief AI Officer in einem Google Spreadsheet eingetragen" -> Manus arbeitet aktuell seit 30 Minuten daran)

Aber jetzt zum eigentlichen Thema: Worüber niemand so gerne spricht, der schon einmal versucht hat, eine "einfache" KI-Automation in einem echten Unternehmenskontext zum Laufen zu bringen.

Unter der Oberfläche von YouTube-Tutorials und der den "Kommentiere mit "Automation"-Templates lauert die Wirklichkeit eines laufenden Betriebs mit eingeschwungenen Prozessen:

• Datenchaos: Selten sind Datenquellen stabil. Formate ändern sich, Schnittstellen werden angepasst, Systeme liefern inkonsistente Informationen – die Automation braucht ständige Pflege.
• Die Tücke der Sonderfälle: 80% des Prozesses sind vielleicht einfach, aber die restlichen 20% bestehen aus unzähligen Edge Cases und Fehlerszenarien, die abgefangen und behandelt werden müssen.
• Skalierungsprobleme: Die Demo funktioniert super für einen Datensatz. Aber was passiert, wenn plötzlich hunderte oder tausende davon verarbeitet werden müssen? Hier brechen Automationen schnell mal.
• Umfangreiche Dokumente: Im Beispiel wird ein knackiger One-Pager analysiert. Im Alltag müssen aber oft 100-seitige Verträge, Berichte oder technische Dokumentationen verarbeitet werden.
• KI-Modelle machen Fehler: Die Modelle sind nicht deterministisch, sondern berechnen die Wahrscheinlichkeit. Wenn 3 von 100 Ergebnissen einen Fehler aufweisen, kannst du den Prozess trotzdem automatisieren oder sollte ein Mensch drüberschauen? Das muss mitgedacht werden.

In einem Start Up mit grüner Wiese, modernen Systemen und überschaubarer Komplexität in den Daten, sind (KI-)Automationen ungleich weniger komplex als bei einem Mittelständler mit 30 Jahren IT-Legacy, dutzenden Daten-Silos (uA in den Köpfen der Mitarbeiter) und organisch gewachsenen Prozessen.

All diese Faktoren beeinflussen massiv den Aufwand, der in den Aufbau robusterAutomationen fließt. "Simple" Workflows können Wochen bis Monate an Arbeit erfordern, damit sie wirklich stabil in einem laufenden Produktivbetrieb implementiert werden können.

Folgende Faktoren beeinflussen die Komplexität (und damit auch den Aufwand):

1. Anzahl der Prozessschritte und Entscheidungen im Prozess
2. Anzahl der eingesetzten Systeme/Tools
3. Datenqualität und -struktur
4. Anzahl der Sonderfälle
5. Qualität der Prozessdokumentation
6. Erfahrung im Umgang mit Automationen

Wann KI-Automationen Sinn machen

Bei aller Komplexität und Fallstricke sind Automationen natürlich trotzdem sinnvoll und der Automationsgrad eines Unternehmens (und damit der geringeren Kostenstruktur und Skalierbarkeit) wird entscheidend für künftige Wettbewerbsfähigkeit!

Die Frage ist: Wann lohnt sich der Aufwand wirklich?

Ein guter Orientierungspunkt sind die "3 R's":

• Robustheit: Der zu automatisierende Prozess sollte stabil sein und sich nicht ständig ändern. Warum? Jede Prozessänderung bedeutet potenziell hohen Anpassungsaufwand für die Automatisierungslösung. Je stabiler der Ablauf, desto nachhaltiger die Automation.
• Repetitiv: Die Aufgabe sollte häufig anfallen. Eine Automatisierung zu bauen, die nur dreimal im Jahr läuft, rechnet sich selten. Je höher die Frequenz, desto größer der Hebel durch die Automation.
• Regelbasiert: Prozesse mit klaren, definierten Regeln und wenig Interpretationsspielraum sind deutlich einfacher (und risikoärmer) zu automatisieren als solche, die viel menschliches Urteilsvermögen oder komplexe Einzelfallentscheidungen erfordern.

Neben den "3 R's" gibt es fundamentalere Grundvoraussetzungen, die oft über Erfolg oder Misserfolg entscheiden:

1. Prozessreife: Der Prozess ist standardisiert (läuft immer gleich ab), dokumentiert(alle Schritte sind nachvollziehbar festgehalten) und stabil (nicht voller Ad-hoc-Änderungen).
2. IT-Infrastruktur & Systemlandschaft: Eine Automation lebt nicht im luftleeren Raum. Sie muss mit bestehenden Systemen interagieren können. Das erfordert passende Schnittstellen (APIs), gesicherten Datenzugriff und generelle Integrationsfähigkeit der beteiligten Tools.
3. Datenverfügbarkeit und -qualität: KI-basierte Automationen benötigen Daten – oft in großen Mengen und vor allem in guter Qualität. Sind die benötigten Daten überhaupt verfügbar? Sind sie fehlerfrei, vollständig und konsistent? Schlechte Datenqualität ist ein häufiges K.O.-Kriterium, denn "Garbage In, Garbage Out" gilt hier besonders. Zudem muss der Zugriff auf die Daten geklärt sein, unter Berücksichtigung von Datenschutzvorgaben und Datensilos.

Wenn Du an diese Grundvoraussetzungen und die 3 R's einen Haken ✅ machen kannst, dann stehen die Chancen für ein erfolgreiches Automatisierungsprojekt gut!

Zur Inspiration und zum Einsteig findest Du hier übrigens 400+ Vorlagen (viele davon werden auch als Lead Magnet für LinkedIn verwendet :) )

Was sich mit KI-Agenten ändert

KI-Agenten arbeiten autonom.

Das bedeutet: Du gibst das Ziel vor und der Agent nutzt sein LLM, um den Arbeitsprozess zu planen, auf gegebene Tools (Internet, E-Mail Programm, Taschenrechner, ...) zuzugreifen und seinen Prozess fortlaufend anzupassen.

Das klingt mächtig – ist es potenziell auch. Aber diese Autonomie bringt eine völlig neue Ebene der Komplexität mit sich:

• Unvorhersehbarkeit: Was genau wird der Agent tun, besonders in neuen Situationen? Sein Verhalten ist nicht mehr vollständig deterministisch.
• Überwachungsaufwand: Autonome Systeme müssen sorgfältig überwacht werden. Wer stellt sicher, dass der Agent das Richtige tut und keine kostspieligen Fehler macht?
• Ethische Fragen & Kontrolle: Wie stellt man sicher, dass Agenten ethisch handeln? Welche Kontrollmechanismen braucht es, um notfalls eingreifen zu können?

Wenn schon die "normale" KI-Automatisierung komplexer ist als oft angenommen, dann stellt der produktive und sichere Einsatz autonomer KI-Agenten eine nochmals deutlich größere Herausforderung dar.

Super Beispiel aus dem Podcast mit Sebastian Küpers:

Ein Agent-Team sollte eine Wettbewerbsanalyse durchführen. Dafür wurden 20(!) Agent-Teams aus je 3-4 Agents gebaut, die in diesem Team zusammenarbeiten. Der Prozess wurden bis ins Detail zerlegt und unter den Teams aufgeteilt:

• Team 1: Outline für die Analyse erstellen
• Team 2: Suchbegriffe überlegen
• Team 3: Suchen ausführen und Ergebnisse in Doc schreiben
• ....

Am Ende kommt ein 80%-Ergebnis raus, was von Menschen weiterbearbeitet wird. Du siehst also: den Super-Agent den du mit deinen Systemen zusammenstöpselst und der dann deine Arbeit erledigt, gibt es (noch) nicht.

Aber es geht schnell voran: Standards wie das Model Context Protocol (MCP) zielen darauf ab, die Kommunikation zwischen verschiedenen KI-Modellen und Tools zu standardisieren. Praktisch ein Adapter zwischen LLMs und Tools.

Das wird in Zukunft den Integrationsaufwand erheblich reduzieren und die Anbindung von Agenten an bestehende Systeme deutlich vereinfachen.

KI kommt da hin, wo wir arbeiten

Die gute Nachricht inmitten all der Komplexität: Wir müssen das Rad nicht immer neu erfinden. Ein klarer Trend zeichnet sich ab: KI-Funktionen, Automationen und sogar Agenten-Fähigkeiten werden zunehmend direkt in die Software-Tools integriert, die wir täglich nutzen.

• ChatGPT selbst integriert mit Deep Research agentenähnliche Fähigkeiten zur Informationsbeschaffung direkt in den Chatbot.
• Kundenservice-Plattformen wie Zendesk führen eigene "Agents" ein, die Serviceanfragen teil- oder vollautomatisiert bearbeiten können.
• CRM-Systeme wie Salesforce arbeiten mit Hochdruck an "Agentforce" und ähnlichen Funktionen, um Vertriebs- und Marketingprozesse mit KI zu unterstützen und zu automatisieren.

Ich gehe davon aus, dass viele KI-Automationen in Zukunft einfacher über bestehende Systeme abbildbar sind. Natürlich wird es weiterhin den Bedarf nach Anpassung und der Verbindung unterschiedlicher Systeme geben.

Wenn die KI direkt im Fach-Tool "lebt" oder einfacher angebunden werden kann, entfallen viele der zuvor beschriebenen Hürden. Die Nutzung wird leichter, die Akzeptanz steigt und der Mehrwert ist schneller sichtbar. Die Zukunft liegt weniger im isolierten Basteln, sondern mehr in der intelligenten Nutzung eingebetteter und gut integrierter KI-Funktionen.

Die Einstiegsalternative: Mitarbeiter-Erweiterung

Angesichts der Komplexität von Vollautomatisierungsprojekten und der Tatsache, dass viele Tools die nötige KI-Intelligenz erst nach und nach integrieren – was ist ein pragmatischer, risikoärmerer Weg, um trotzdem sofort von KI zu profitieren?

Die Antwort liegt oft in der Mitarbeiter-Erweiterung (Augmentation).

Statt zu versuchen, ganze Prozesse oder Rollen auf einen Schlag zu ersetzen, konzentriert sich dieser Ansatz darauf, Mitarbeiter gezielt mit KI-Werkzeugen bei Teilaufgaben zu unterstützen. Das hat entscheidende Vorteile:

1. Einfacher Einstieg & schnellere Erfolge: KI-Tools ermöglichen einen einfachen Start und schnelle Erfolge. Mitarbeiter erfahren rasch konkreten Nutzen (Zeitersparnis, Qualitätssteigerung), was motiviert, ohne bestehende Prozesse sofort umzuwerfen.
2. Vertrauen aufbauen, Lernen fördern: Dieser Ansatz baut Berührungsängste ab und schafft Vertrauen. Mitarbeiter lernen KI als unterstützenden Co-Piloten kennen, wodurch positive erste Erfahrungen die Akzeptanz für zukünftige, weitergehende Schritte fördern.
3. Grundlage für die Zukunft legen: Die Erweiterung der Mitarbeiterfähigkeiten durch KI ist eine strategische Grundlage, nicht nur ein schneller Erfolg. Sie liefert wertvollen Input (Lösungen, Anwendungsfälle) und hilft zu erkennen, welche Prozesse sich für tiefere Automatisierung eignen, um diese zukünftig gezielt und erfahrungsbasiert zu steigern.

Kurz gesagt: Mit der Mitarbeiter-Erweiterung startest du schlanker, erzielst schneller sichtbare Erfolge, baust Vertrauen auf und legst gleichzeitig das Fundament für eine intelligentere Automatisierung in der Zukunft.

Wie gehe ich normalerweise vor, um von der Erweiterung zur Automation zu kommen?

1. Einführung einer allg. KI-Plattform ein (Glean, Langdock, Copilot (wenn's sein muss), meinGPT, Zive, ...)
2. Entwicklung von Anwendungsfällen durch produktives ausprobieren und strukturierte Workshops.
3. Aufsetzen von KI-Assistenten zur Unterstützung.
4. Testen der Qualität und Zuverlässigkeit dieser Assistenten und kontinuierliche Verbesserung.
5. Wenn Ergebnisse fortlaufend zuverlässig: Integration der Assistenten in einen Teilprozess und Verbindung mit Drittsystemen -> Hier sind wir in der Automation, konnten jedoch vorher den Prozess "auf dem Fußweg" testen und verbessern.

🏁 Fazit

Was nehmen wir also aus dieser Diskussion über KI-Automatisierung mit?

• Wann lohnt es sich? Echte Automatisierungsprojekte entfalten ihr Potenzial am besten bei robusten, repetitiven und regelbasierten Prozessen. Entscheidend sind aber auch die Hausaufgaben: Ein reifer, dokumentierter Prozess, gute Datenqualität und -verfügbarkeit sowie eine passende IT-Landschaft mit Schnittstellen sind das A und O.
• Was wird unterschätzt? Fast immer die Skalierung von der Demo zum Echtbetrieb mit hunderten Fällen, die Menge an Sonderfällen und Fehlern, die abgefangen werden müssen, und die technische Komplexität der Integration verschiedener Tools und Datenquellen.
• Wie starten? Mein klarer Rat: Beginne mit der Mitarbeiter-Erweiterung!Unterstütze deine Teams mit KI bei Teilaufgaben. So erprobst du den KI-Einsatz im Kleinen, behältst die menschliche Kontrolle, erzielst schnelle Erfolge und baust Vertrauen auf. Darauf aufbauen kannst du automatisieren.
• Wer hilft? Unterschätze nicht die nötige Expertise. Wenn es an die Umsetzung echter Automatisierung geht, hole dir Spezialisten an Bord, die sich zu 100% auf Automatisierungslösungen in deinem spezifischen Technologie-Umfeld (Tech-Stack) konzentrieren. Alles andere endet meist in Frustration und versenkten Ressourcen.

KI-Automatisierung birgt riesiges Potenzial und wird in Zukunft immer wichtiger werden.

Wer die Komplexität anerkennt und die Voraussetzungen schafft, kann enorme Potenziale heben.

Bs nächsten Sonntag,

Felix