KI-Projekt im Unternehmen starten: ein praktischer erster Plan

So starten Sie ein KI-Projekt im Unternehmen: Wählen Sie eine Aufgabe, die echte Zeit oder echtes Geld kostet, sammeln Sie eine Stichprobe der Daten, von denen sie abhängt, legen Sie fest, was „gut genug“ heißt, bevor jemand entwickelt, und führen Sie dann einen kleinen, befristeten Pilot mit den Menschen durch, die die Aufgabe heute erledigen. Skalieren Sie nur, was der Pilot belegt, und prüfen Sie Datenschutz und den europäischen AI Act ab der ersten Woche, nicht in der letzten.

Zuletzt aktualisiert: 21. Oktober 2026.

Dieser Leitfaden beschreibt ein erstes KI-Projekt Schritt für Schritt: den Anwendungsfall wählen, die Daten prüfen, zwischen Kaufen, Konfigurieren und Entwickeln entscheiden, einen Pilot durchführen und messen, die in Europa geltenden Regeln einhalten und einen erfolgreichen Pilot in den Alltag bringen. Er richtet sich an Gründer, Verantwortliche für Operations und Führungskräfte, die „etwas mit KI machen“ sollen und einen Plan wollen, der mit einem Ergebnis endet statt mit einer Demo.

Bei Odduel, einer Kreativ- und Technologieagentur in Barcelona und São Paulo, entwirft und entwickelt unser Leistungsbereich KI-Entwicklung KI-Funktionen, Assistenten und Automatisierungen für Unternehmen, und wir setzen KI in unserer eigenen Arbeit ein: wiederkehrende Schritte wie erste Entwürfe und Datenaufbereitung sind automatisiert, und Menschen prüfen, was hinausgeht. Der folgende Plan ist der, dem wir mit Kunden folgen, und er gilt, wer auch immer Ihr Projekt umsetzt.

Kurz gesagt: Beginnen Sie mit einer Aufgabe, nicht mit einer Technologie. Wählen Sie einen Prozess, dessen heutige Kosten klar sind und dessen Fehler sich beheben lassen, sehen Sie sich die echten Daten an, vereinbaren Sie ein messbares Erfolgskriterium und eine menschliche Prüfung und testen Sie einige Wochen mit den Verantwortlichen der Aufgabe. Kaufen oder konfigurieren Sie ein vorhandenes Tool, wo eines passt; entwickeln Sie nur dort, wo Ihr Prozess oder Ihre Daten der Vorteil sind. Dokumentieren Sie, welche Daten wohin gehen, sagen Sie Menschen, wenn sie mit einem KI-System zu tun haben, und schulen Sie das Team, das es nutzt.

Schritt 1: den ersten Anwendungsfall wählen

Das beste erste KI-Projekt ist eng gefasst, häufig und messbar. Es ersetzt oder beschleunigt eine Aufgabe, die bereits erledigt wird, nutzt vorhandene Daten und liefert Ergebnisse, die jemand prüfen kann.

• Häufig: Die Aufgabe fällt viele Male pro Woche an, sodass sich kleine Gewinne summieren.
• Heute teuer: Sie können ungefähr sagen, wie viele Stunden oder wie viel Verzögerung sie verursacht.
• Prüfbar: Eine Person kann erkennen, ob das Ergebnis stimmt.
• Korrigierbar: Ein Fehler lässt sich erkennen und beheben, bevor er einen Kunden erreicht, oder er wiegt wenig, wenn er es tut.
• Verantwortet: Die Menschen, die die Aufgabe heute erledigen, wollen sie verbessern.

Typische erste Projekte sind das Sortieren und Beantworten von Routineanfragen, das Auslesen von Daten aus Dokumenten, erste Fassungen von Standardtexten, Zusammenfassungen langer Unterlagen zur Prüfung, das Verschlagworten und Durchsuchen von internem Wissen und die Prüfung von Inhalten gegen Regeln. Projekte, die mit „einer KI-Strategie für das ganze Unternehmen“ oder „einem Chatbot, der alles weiß“ beginnen, bleiben meist stecken.

Die Tabelle vergleicht übliche Startpunkte danach, wie schnell sie Nutzen zeigen und wie viel Sorgfalt sie brauchen.

Erster Anwendungsfall	Typischer Nutzen	Benötigte Daten	Hauptrisiko	Menschliche Prüfung
Routineanfragen sortieren und Antworten entwerfen	Schnellere Antworten, weniger manuelles Sortieren	Frühere Anfragen und Antworten	Falsche oder zu selbstsichere Antworten	Eine Person gibt anfangs vor dem Versand frei
Daten aus Dokumenten auslesen	Weniger Abtippen, weniger Fehler	Beispieldokumente mit korrekten Werten	Falsch gelesene Felder	Stichproben und eine Warteschlange für Ausnahmen
Standardtexte entwerfen	Zeitersparnis bei ersten Entwürfen	Freigegebene Beispiele, Stilregeln	Ungenaue Fakten, unpassender Ton	Eine Redaktion prüft jeden Text
Internes Wissen durchsuchen	Schnellere Antworten für Mitarbeitende	Aktuelle Dokumente mit Verantwortlichen	Veraltete oder vertrauliche Antworten	Quellen bei jeder Antwort
Inhalte gegen Regeln prüfen	Einheitliche Prüfungen	Die Regeln und gekennzeichnete Beispiele	Übersehene Fälle	Eine prüfende Person bearbeitet markierte Fälle

Schritt 2: erst die Daten, dann das Modell

Ein KI-Projekt ist nur so gut wie die Daten, mit denen es arbeitet. Sammeln Sie vor der Tool-Wahl eine realistische Stichprobe: einige hundert Anfragen, einen Stapel Dokumente, die Wissensbasis so, wie sie wirklich ist.

• Sind sie verfügbar? Wo sie liegen, wem sie gehören und ob sie sich exportieren lassen.
• Sind sie repräsentativ? Sie sollten auch die schwierigen Fälle enthalten, nicht nur die sauberen.
• Sind sie aktuell? Veraltete Dokumente führen zu veralteten Antworten.
• Sind sie personenbezogen? Enthalten sie personenbezogene Daten, gilt die DSGVO für die Verarbeitung, das Ziel der Übermittlung und die Speicherdauer.
• Sind sie vertraulich? Legen Sie fest, was an einen externen KI-Dienst gehen darf und zu welchen Vertragsbedingungen.

Oft ist das erste nützliche Ergebnis eines KI-Projekts eine sauberere, besser geordnete Datenquelle, die dem Unternehmen hilft, noch bevor ein Modell zum Einsatz kommt.

Schritt 3: Erfolg definieren, bevor entwickelt wird

Schreiben Sie vor dem Pilot auf, woran Sie erkennen, dass er funktioniert hat. Ohne ein vorab vereinbartes Kriterium wirkt jede Demo vielversprechend, und es folgt keine Entscheidung.

• Ein Ausgangswert: wie lange die Aufgabe heute dauert, wie oft sie schiefgeht und was sie kostet.
• Ein Ziel: etwa der Anteil korrekt sortierter Anfragen, die Zeitersparnis pro Dokument oder der Anteil der Entwürfe, die mit kleinen Änderungen angenommen werden.
• Ein Testset: echte Beispiele mit den richtigen Antworten, zurückgehalten, um das System fair zu messen.
• Eine Qualitätsuntergrenze: die Arten von Fehlern, die gar nicht akzeptabel sind, etwa ein erfundener Preis oder eine rechtliche Aussage.
• Eine menschliche Prüfung: wer die Ergebnisse prüft, wie und wie lange.

Schritt 4: kaufen, konfigurieren oder entwickeln

Viele erste Projekte brauchen keine individuelle Entwicklung. Die Wahl hängt davon ab, wie standardisiert die Aufgabe ist und wie sehr es auf Ihren eigenen Prozess oder Ihre Daten ankommt.

• Kaufen Sie ein fertiges Tool, wenn die Aufgabe verbreitet ist und das Tool zu Ihren Daten, Sprachen und Sicherheitsanforderungen passt.
• Konfigurieren Sie einen allgemeinen KI-Dienst oder eine Plattform mit Ihren Dokumenten, Anweisungen, Regeln und Integrationen, wenn die Aufgabe Standard ist, der Inhalt aber Ihnen gehört.
• Entwickeln Sie eine eigene Funktion oder einen Agenten, wenn die Aufgabe zentral für Ihre Wettbewerbsfähigkeit ist, wenn sie in Ihrem eigenen Produkt oder Ihren Systemen laufen muss oder wenn kein Tool Ihre Anforderungen erfüllt.

Wenn Sie entscheiden, wer es entwickeln soll, zeigt unser Vergleich KI-Agentur oder Freelancer die Vor- und Nachteile, und unser Leitfaden zu agentischer und generativer KI erklärt, welche Art von System zu welcher Aufgabe passt.

Schritt 5: einen befristeten Pilot durchführen

Ein Pilot ist ein echter Test mit echten Nutzern in kleinem Maßstab, mit festem Enddatum und einer Entscheidung am Ende. Einige Wochen reichen meist, um zu erfahren, ob ein eng gefasster Anwendungsfall funktioniert.

1. Beginnen Sie mit dem Testset. Messen Sie das System an den zurückgehaltenen Beispielen, bevor es jemand nutzt.
2. Geben Sie es den Menschen, die die Aufgabe erledigen, in den Tools, die sie schon nutzen, mit menschlicher Freigabe jedes Ergebnisses am Anfang.
3. Protokollieren Sie alles: Eingaben, Ergebnisse, Korrekturen und Zeitaufwand.
4. Prüfen Sie wöchentlich mit der verantwortlichen Person: was stimmt, was nicht und was sich ändern muss.
5. Entscheiden Sie am Ende: skalieren, anpassen und erneut testen oder stoppen. Einen Pilot zu stoppen, der sein Kriterium nicht erfüllt, ist ein gutes Ergebnis: Es spart die Kosten, etwas zu skalieren, das nicht funktioniert.

Schritt 6: die Regeln von Anfang an beachten

In Europa sind für die meisten ersten Projekte zwei Regelwerke wichtig.

• Datenschutz. Nach der DSGVO brauchen Sie eine Rechtsgrundlage für die Verarbeitung personenbezogener Daten, eine Dokumentation, was an welchen Dienst geht, Auftragsverarbeitungsverträge mit Anbietern und in manchen Fällen eine Datenschutz-Folgenabschätzung. Halten Sie personenbezogene Daten aus dem Pilot heraus, wenn sie nicht nötig sind.
• Der europäische AI Act. Die KI-Verordnung (AI Act) ist im August 2024 in Kraft getreten, und ihre Pflichten gelten schrittweise. Sie verbietet bestimmte Praktiken, stellt strenge Anforderungen an Systeme, die als hochriskant eingestuft sind, etwa manche Einsätze bei Personalauswahl oder Kreditvergabe, und sieht Transparenzpflichten vor, zum Beispiel Menschen mitzuteilen, dass sie mit einem KI-System interagieren. Seit Februar 2025 verlangt sie außerdem, dass Unternehmen, die KI einsetzen, für ausreichende KI-Kompetenz ihres Personals sorgen.

Die meisten ersten Projekte wie Texterstellung, Suche oder das Auslesen von Dokumenten sind nicht hochriskant, doch prüfen Sie die Einstufung früh mit rechtlicher Beratung, besonders bei allem, was den Zugang von Menschen zu Arbeit, Krediten oder Dienstleistungen betrifft. Dies sind allgemeine Informationen, keine Rechtsberatung.

Schritt 7: einen erfolgreichen Pilot in den Alltag bringen

Ein Pilot, der sein Kriterium erfüllt, braucht noch Arbeit, bevor er Teil des Geschäfts wird.

• Integration in die Systeme, die täglich genutzt werden, damit das Tool kein separates Fenster bleibt.
• Überwachung der Qualität über die Zeit, weil sich Daten und Anfragen ändern.
• Klare Verantwortung: wer Anweisungen, Regeln, Datenquellen und Integrationen pflegt.
• Schulung und Richtlinien für das Team, einschließlich dessen, wofür das System nicht genutzt werden darf.
• Ein Weg für Fehler, damit Nutzer falsche Ergebnisse melden und jemand die Ursache behebt.
• Kostenkontrolle, denn nutzungsabhängige KI-Dienste werden mit wachsender Nutzung teurer.

Wählen Sie dann den nächsten Anwendungsfall und nutzen Sie, was der erste Ihnen über Ihre Daten und Ihr Team gezeigt hat. Unser Artikel über KI in Webdesign und Webentwicklung zeigt, wie das funktioniert, wenn KI-Funktionen in einer Website oder App stecken.

Was sind die häufigsten Fehler beim Start eines KI-Projekts?

• Mit der Technologie beginnen. Ein Modell oder Tool wählen, bevor klar ist, welche Aufgabe es verbessern soll.
• Zu großer Umfang. Eine ganze Abteilung auf einmal automatisieren wollen.
• Kein Ausgangswert. Die Aufgabe vor dem Pilot nicht messen, sodass sich der Gewinn nicht zeigen lässt.
• Saubere Demo-Daten. Nur mit einfachen Beispielen testen und an echten scheitern.
• Keine menschliche Prüfung. Ergebnisse zu Kunden gelangen lassen, bevor die Qualität belegt ist.
• Die Menschen übergehen, die die Aufgabe erledigen. Ohne sie entwickeln und dann feststellen, dass das Tool nicht zu ihrer Arbeitsweise passt.
• Compliance ans Ende schieben. Spät feststellen, dass Daten nicht dorthin dürfen, wo das Konzept sie hinschickt.

Häufige Fragen zur Agenturwahl

Beginnen Sie mit einer Aufgabe, echten Daten und einem vorab vereinbarten Kriterium, und lassen Sie einen kurzen Pilot über das Weitere entscheiden. Sehen Sie, wie unser Leistungsbereich KI-Entwicklung KI-Projekte plant und umsetzt, oder erzählen Sie uns von Ihrem Projekt, und wir helfen Ihnen, den ersten Anwendungsfall zu wählen.