KI-Automatisierung skalieren: Fahrplan für Schweizer Firmen

KI-Automatisierung skalieren: Fahrplan für Schweizer Firmen

KI-Automatisierung im Unternehmen bettet KI in geregelte, wiederholbare Prozesse ein statt in einmalige Prompts oder enge Aufgaben-Bots. Sie wirkt dort am besten, wo das Volumen hoch und die Regeln dokumentiert sind. Richtig umgesetzt verkürzt sie Durchlaufzeiten, senkt Fehlerquoten und befreit Ihre besten Leute von repetitiver Arbeit, damit sie sich auf Ermessensentscheide konzentrieren können. Sie passt zu Prozessen mit einer messbaren Ausgangslage. Lassen Sie die Finger von allem, was Sie noch nicht messen können.

---

Kurz gefasst:

• Die meisten gut dokumentierten Prozesse mit hohem Volumen in Finanzen, HR, Kundendienst, IT, Vertrieb und Marketing eignen sich für schnelle Pilotprojekte, die schon nach wenigen Wochen messbare Verbesserungen bringen.

• Eine erfolgreiche Einführung verlangt eine saubere Messung des Prozesses, die Auswahl von Aufgaben mit wenig Ermessensspielraum und eine einfache Anbindung an bestehende Systeme, bevor skaliert wird. Heikle Prozesse bleiben am Anfang aussen vor.

• Datenqualität, Sicherheitsbedenken und Fachkräftemangel sind die grössten Hürden beim Skalieren von Pilotprojekten. Deshalb gehören Datenflüsse und Governance zuerst in Ordnung gebracht.

• Zu den wichtigsten Kennzahlen gehören Durchlaufzeit, Fehlerquote, Kosten pro Vorgang und Kundenzufriedenheit. Sie belegen den Nutzen und begründen weitere Investitionen.

• Ein schlüsselfertiger Partner mit erfahrenen Entwickler:innen von Anfang an sorgt für einen erfolgreichen Pilot und einen reibungslosen Übergang in den Produktivbetrieb, gerade bei der Anbindung an bestehende Systeme.

---

Was unterscheidet KI-Automatisierung von RPA?

Klassische robotergestützte Prozessautomatisierung folgt festen Regeln: hier klicken, jenes Feld kopieren, dort einfügen. Sie bricht in dem Moment, in dem ein Dokument etwas anders aussieht als erwartet. KI-Automatisierung legt eine Ebene für Schlussfolgerungen darüber, die einen Dokumenttyp klassifiziert, Daten aus einem unsauberen PDF extrahiert, voraussagt, welche Rechnung wahrscheinlich beanstandet wird, oder eine Antwort entwirft und die Arbeit anschliessend an das nächste System übergibt.

Die Architektur besteht aus drei echten Bausteinen. Eine Orchestrierungsschicht steuert die Reihenfolge der Arbeitsschritte und entscheidet, was als Nächstes passiert. KI-Modelle übernehmen die Aufgaben mit Ermessensspielraum, also Klassifizierung, Extraktion, Vorhersage und Texterstellung, die Regeln allein nicht abdecken. Und eine Verankerungsschicht verbindet alles mit Ihren tatsächlichen Quellsystemen, mit Ihrem ERP, Ihrem CRM, Ihrem Dokumentenspeicher, damit die KI nicht raten muss. Automation Anywhere describes this as unifying deterministic automation with non-deterministic AI reasoning, mit Governance und menschlichen Kontrollpunkten direkt im Ablauf statt nachträglich angeflanscht.

Vergleichen Sie das mit einem spontanen KI-Chat, nützlich für eine einzelne Frage und vergessen, sobald der Browser-Tab schliesst, und einem System, bei dem die Orchestrierung an erster Stelle steht und AI agents plan and coordinate actions across multiple systems, von Anfang bis Ende. Genau dort verläuft die Grenze zwischen einer Spielerei und einem Prozess, dem Sie vertrauen können.

Wo bringt KI-Automatisierung den grössten Nutzen?

Manche Abteilungen sehen Resultate innert Wochen. Andere brauchen zuerst mehr Anbindungsarbeit. Hier sammeln sich die frühen Erfolge, abhängig davon, wie repetitiv und wie gut dokumentiert der zugrunde liegende Prozess bereits ist:

• HR: Vorselektion von Bewerbungsdossiers, Erstellen von Onboarding-Dokumenten und Beantworten von Fragen zu Richtlinien über eine interne Assistenz, mit Standard-SaaS typischerweise innert eines Monats live.

• Finanzen: Rechnungsabgleich, Kategorisierung von Spesen und Markieren von Auffälligkeiten in Spesenabrechnungen, hohes Volumen, gut dokumentiert, ideales Gebiet für einen ersten Pilot.

• Kundendienst: Triage und Weiterleitung von Tickets, wobei die KI Vorschläge für die erste Antwort entwirft, die ein Mensch vor dem Versand prüft.

• IT: automatische Klassifizierung und Weiterleitung von Störungsmeldungen, Zusammenfassen von Logs und Erstabklärung bei häufigen Tickets.

• Vertrieb: Qualifizierung und Bewertung von Leads, Zusammenfassen von Gesprächsnotizen und Anreichern von CRM-Daten aus öffentlichen Quellen.

• Marketing: Textentwürfe zur Prüfung, Zusammenfassungen zur Kampagnenleistung und Bildung von Zielgruppensegmenten aus Verhaltensdaten.

Standard-SaaS-Werkzeuge decken die generischen Varianten davon gut ab. Sobald Ihr Prozess ein Altsystem, ein eigenes Datenmodell oder einen Ablauf berührt, für den kein Anbieter etwas gebaut hat, sind Sie im Bereich der Massarbeit. Dort zählen Anbindungsarbeit und ein spezialisierter Partner mehr als ein weiteres Abonnement.

Wie führen Sie KI-Automatisierung ein, ohne ein Quartal zu verlieren?

Beginnen Sie mit der Messung, nicht mit dem Werkzeug. Bevor Sie eine einzige KI-Plattform anfassen, prüfen Sie den Prozess, den Sie automatisieren wollen: Wie viele Stunden verschlingt er pro Woche, wie hoch ist die heutige Fehlerquote, wo entstehen die Verzögerungen tatsächlich. Ohne diese Ausgangslage können Sie nicht belegen, dass der Pilot funktioniert hat.

1. Analyse und Ausgangslage (Woche 1 bis 2): den heutigen Prozess dokumentieren, Aufwand in Stunden und Fehlerquoten erfassen, die Nahtstelle finden, also die repetitive, gut dokumentierte Aufgabe mit klarem Volumen.

2. Pilot auswählen (Woche 3): etwas wählen, das häufig vorkommt, wenig Ermessen verlangt und einfach zu messen ist. Rechnungsverarbeitung und Ticket-Triage sind genau deshalb häufige erste Kandidaten.

3. Technische Grundlage schaffen (Woche 4 bis 6): die KI über Schnittstellen mit Ihren echten Daten verbinden, minimale Governance-Regeln festlegen und eine namentlich benannte Person bestimmen, die für die Resultate verantwortlich ist, nicht bloss für die Umsetzung.

4. Pilot durchführen (Woche 7 bis 16): ein 90 to 120 day window liefert genug Transaktionsvolumen, um den Resultaten zu trauen, ohne den Entscheid endlos hinauszuzögern.

5. Entscheiden und skalieren: die Kennzahlen nach dem Pilot mit der Ausgangslage vergleichen. Sind die Durchlaufzeiten gesunken und die Fehlerquoten gleich geblieben oder besser geworden, erweitern Sie auf benachbarte Prozesse. Wenn nicht, suchen Sie die Ursache, bevor Sie irgendetwas skalieren.

Praxistipp: Wählen Sie einen Pilotprozess, bei dem ein Fehler eine Stunde Korrekturaufwand kostet und nicht eine Kundenbeziehung. Heikle Prozesse kommen erst dran, wenn Ihr Team gelernt hat, wie sich das System verhält.

Wo liegen die grössten Risiken bei Daten und Governance?

Die technischen Risiken sind absehbar, und die Gegenmittel ebenso. Schlechte Daten führen zu schlechten Entscheiden, und das ist der mit Abstand häufigste Grund, warum Pilotprojekte hinter den Erwartungen bleiben.

Beginnen Sie mit einer Checkliste zur Datenreife: Sind die Quelldaten strukturiert oder braucht es eine Extraktion, sind sie aktuell, und liegen sie in einem System mit Schnittstelle oder muss jemand einen Konnektor bauen. Schnittstellenbasierte, ereignisgesteuerte Anbindungen altern besser als Stapelexporte, weil sie Änderungen sofort erfassen und nicht erst am nächsten Morgen.

• Nachvollziehbarkeit: Jeder KI-Entscheid muss bis zu seinen Eingangsdaten zurückverfolgbar sein, nicht nur bis zum Resultat.

• Position der menschlichen Prüfung: Setzen Sie Ihren einen Kontrollpunkt dort, wo ein Fehler am teuersten ist, und nicht bei jedem einzelnen Schritt. Sonst schaffen Sie bloss den alten Engpass neu.

• Datenstandort: Wissen Sie, wo Ihre Daten physisch liegen und verarbeitet werden, besonders bei allem, was Kunden- oder Mitarbeitendendaten betrifft.

• Modellprüfung und Überwachung der Abweichung: Vergleichen Sie die Resultate regelmässig mit einer Stichprobe bekannter richtiger Antworten, nicht nur beim Start.

In der Schweiz nennen 20% of companies cite data quality and silos as their top AI obstacle, and 19% cite security and data protection concerns, damit liegen beide vor den meisten anderen Hindernissen. Bringen Sie zuerst die Datenflüsse in Ordnung. Das KI-Modell ist selten der eigentliche Engpass.

Welche Kennzahlen belegen wirklich, dass KI-Automatisierung wirkt?

Erfassen Sie vor und nach jedem Pilot dieselbe Handvoll Kennzahlen, sonst raten Sie bloss, ob es funktioniert hat.

• Durchlaufzeit: wie lange der Prozess von Anfang bis Ende dauert, das klarste Signal dafür, ob die Automatisierung ihre Arbeit tut.

• Eingesparte Personenstunden: rechnet Zeit in eine Zahl um, mit der Ihre Finanzabteilung arbeiten kann.

• Fehler- und Nacharbeitsquote: Eine Automatisierung, die zwar beschleunigt, aber die Korrekturen verdoppelt, ist kein Gewinn.

• Kosten pro Vorgang: die Zahl, welche die Investition letztlich rechtfertigt.

• Wirkung bei den Kundinnen und Kunden: Reaktionszeit, Zufriedenheitswerte oder Anzahl Reklamationen, je nachdem, was zum Prozess passt.

Die Rechnung zum Ertrag ist einfach: Nehmen Sie die pro Woche eingesparten Stunden, multiplizieren Sie sie mit den Vollkosten pro Stunde, ziehen Sie die laufenden Kosten der Automatisierung ab, und Sie erhalten den wöchentlichen Nettogewinn. Ein Pilot, der 15 Stunden pro Woche bei Vollkosten von 60 USD spart, amortisiert eine Plattformgebühr von 750 USD pro Monat bereits im ersten Monat. Eine analysis of agency AI adoption found measurable productivity multiples, wenn die Teams vorab klare Ziele definierten. Das bestätigt: Das Vorgehen zählt gleich viel wie das Werkzeug. Bestimmen Sie eine Person, die diese Zahlen monatlich rapportiert. Kennzahlen, die niemand anschaut, führen zu keinen Entscheiden.

Was bremst KI-Pilotprojekte, und was wirkt am schnellsten?

Drei Hindernisse tauchen in Schweizer Unternehmen häufiger auf als alle anderen: Datensilos, Sorgen um Sicherheit und Datenschutz sowie ein Mangel an Leuten, die solche Systeme bauen und betreiben können. Schlechte Datenqualität betrifft 20 % der Firmen, Sicherheitsbedenken 19 % und der Fachkräftemangel 18 %, also überall ungefähr dieselbe Grössenordnung. Das zeigt: Eine einzelne Massnahme löst die Einführung nicht.

1. Regeln Sie den Datenzugang, bevor Sie Werkzeuge kaufen. Ein Konnektor zu Ihrem ERP ist mehr wert als ein zweites KI-Abonnement.

2. Bestimmen Sie ab dem ersten Tag eine verantwortliche Person für die Governance. Pilotprojekte bleiben am häufigsten stecken, wenn niemand für den Entscheid verantwortlich ist, zu skalieren oder abzubrechen.

3. Starten Sie mit schnellen Erfolgen, die keine neuen Anbindungen brauchen: Rechnungsverarbeitung, Triage von Support-Tickets, Qualifizierung von Leads und Textentwürfe, die ein Mensch vor der Veröffentlichung prüft.

4. Investieren Sie früh in die Fähigkeiten des Teams, nicht erst, wenn der Pilot gescheitert ist. Ein Team, das versteht, wie das System schliesst, erkennt Probleme schneller als eines, das wartet, bis etwas kaputtgeht.

Wie Ampersand Labs aus KI-Pilotprojekten produktive Systeme macht

Ampersand Labs führt KI-Automatisierungsprojekte gleich wie jede andere Entwicklung: erfahrene Entwickler:innen sind vom ersten Gespräch bis zur Übergabe dabei und geben das Projekt nicht mitten im Verlauf an ein Junior-Team weiter. Das heisst, wer Ihren Pilot definiert, verantwortet auch dessen Anbindung an Ihr ERP oder CRM.

Der übliche Ablauf entspricht dem Fahrplan oben: Ausgangslage Ihres heutigen Prozesses erheben, einen fokussierten Pilot durchführen, ihn über Systemanbindung und Schnittstellenarbeit mit Ihren echten Systemen verbinden und danach in die laufende Verbesserung übergehen statt in eine einmalige Einführung. Unsere Fallstudien zeigen, wie das bei unterschiedlichen Kundensystemen und Rahmenbedingungen abläuft.

Bereit für einen KI-Pilot mit einem erfahrenen Team?

Manche Agenturen geben Ihr Projekt nach dem Verkaufsgespräch an ein Junior-Team weiter, was mitten im Projekt zu Neuentwicklungen mit anderen Beteiligten führen kann. Ampersand hält erfahrene Entwickler:innen über den ganzen Pilot hinweg im Projekt, ohne Personalwechsel und ohne Abhängigkeit von einem Anbieter. Die Leistung für KI-Automatisierung und Workflow-Agenten deckt genau den oben beschriebenen Weg vom Pilot bis in den Produktivbetrieb ab. Und falls Sie ohnehin über ein monatliches Mandat sprechen: Der Plan Run & Monitor kostet CHF 750 pro Monat, sobald ein Ablauf live ist. Schauen Sie sich die aktuellen Preise und Pakete an oder melden Sie sich, um einen Pilot rund um Ihren Prozess mit dem höchsten Volumen und der besten Dokumentation zu definieren.

Quellen

• 20% of companies cite data quality and silos as their top AI obstacle, and 19% cite security and data protection concerns

• Automation Anywhere describes this as unifying deterministic automation with non-deterministic AI reasoning

• AI agents plan and coordinate actions across multiple systems

Häufige Fragen

Was ist ein Unternehmen für KI-Automatisierung?

Ein Unternehmen für KI-Automatisierung baut oder betreibt KI-gestützte Systeme, die wiederkehrende Arbeit wie Datenextraktion, Ticket-Weiterleitung oder Dokumentenverarbeitung für Kundschaft oder interne Teams übernehmen. Es unterscheidet sich von einem klassischen Softwareanbieter, weil es Orchestrierung, KI-Schlussfolgerungen und Anbindung zu einem geregelten Ablauf verbindet, statt ein Werkzeug für einen einzigen Zweck zu verkaufen.

Wie automatisiere ich mein Unternehmen mit KI?

Beginnen Sie damit, einen gut dokumentierten Prozess mit hohem Volumen zu analysieren und dessen heutige Kosten und Fehlerquote zu messen. Führen Sie einen fokussierten Pilot über 90 bis 120 Tage mit einer klar verantwortlichen Person durch und entscheiden Sie dann anhand der gemessenen Resultate gegenüber dieser Ausgangslage über die Skalierung. Ampersand Labs wendet dieses Vorgehen bei eigenen Kundenpiloten an.

Was besagt die 10/20/70-Regel bei KI?

Die Definitionen gehen je nach Quelle auseinander, doch eine verbreitete Variante besagt, dass der Erfolg von KI-Projekten grob zu 10% vom Algorithmus selbst abhängt, zu 20 % von Technologie und Dateninfrastruktur und zu 70 % von Menschen, Prozessen und Veränderungsbegleitung. Das ist eine nützliche Erinnerung daran, dass Governance und Akzeptanz oft mehr zählen als das gewählte Modell.

Lässt sich mit KI-Automatisierung Geld verdienen?

Unternehmen erzielen ihre Erträge aus KI-Automatisierung vor allem, indem sie Arbeitsstunden für repetitive Aufgaben reduzieren und fehlerbedingte Nacharbeit senken, was die Kosten pro Vorgang verringert. Manche Firmen bauen und verkaufen zudem Leistungen zur KI-Automatisierung an andere Unternehmen und stehen dabei über die Qualität der Anbindung und messbare Resultate im Wettbewerb, nicht allein über das KI-Modell.

Empfohlen

• Die Mitte: über 600 Websites für eine Schweizer Partei aus einem einzigen System.

• Arthouse Kinos: neue Website und Ticketshop für Zürichs bekannteste Kinos.