Was wir aus KI-Projekten gelernt haben – ehrlich gesagt

Keine Erfolgsgeschichten. Dafür echte Erfahrungen.

Der Klassiker

Letzte Woche rief ein Unternehmen an. "Wir brauchen KI." Okay, wofür? "Weil alle reden darüber."

Das ist nicht peinlich. Das ist normal. Aber es kostet Zeit und Geld, wenn man nicht aufpasst.

Was wir nach dutzenden Projekten wirklich gelernt haben:

1. Die meisten wollen gar keine KI

Sie wollen ein Problem loswerden. KI ist nur ein Werkzeug.

Beispiel: Ein Kunde hatte 500 PDFs pro Monat, die jemand manuell ausfüllen musste. 40 Stunden Arbeit. Jeden Monat.

Lösung: OCR + Template-Felder + Regelbasierte Ausfüllung. Keine "KI" im engeren Sinn. Aber das Problem ist weg.

Hätte man mit einem KI-Modell machen können? Ja. Wäre komplizierter und teurer gewesen.

Lesson: Erst das Problem verstehen, dann das Werkzeug wählen. Nicht umgekehrt.

2. ChatGPT ist kein Produkt

"Wir nutzen ChatGPT für Kundenservice." Okay, wie?

Meistens: Ein Mitarbeiter copy-pastet Anfragen rein, copy-pastet Antworten raus. Das ist kein Kundenservice. Das ist wackelig.

Was funktioniert:

• Definierte Use Cases (z.B. "Bestellstatus abfragen")
• Integration in bestehende Systeme
• Fallback auf Menschen wenn KI unsicher

Was nicht funktioniert:

• "Die KI soll alles machen"
• Keine Kontrolle der Antworten
• Keine Übergabe an Menschen

Lesson: ChatGPT ist ein Baustein, kein fertiges Produkt. Es braucht Drumherum.

3. Daten sind das Problem, nicht die KI

"Ist GPT-4 besser als Claude?" Spielt oft keine Rolle.

Das echte Problem: Die Daten sind nicht da wo sie sein sollten. Oder im falschen Format. Oder niemand weiß, wo sie liegen.

Bevor wir irgendein Modell nutzen, verbringen wir oft Wochen damit:

• Datenquellen zu identifizieren
• APIs zu verstehen
• Daten zu bereinigen

Die KI-Integration selbst? Oft 2-3 Tage.

Lesson: 80% der Arbeit ist Daten-Plumbing. KI ist der einfache Teil.

4. Proof-of-Concept ist nicht Production

Ein Prototyp in 2 Wochen? Machbar. Produktionsreif? Andere Geschichte.

Was dazukommt:

• Error Handling (was wenn die API down ist?)
• Monitoring (wie merken wir wenn's schiefgeht?)
• Scaling (was wenn 10x Traffic kommt?)
• Security (wer darf was?)
• DSGVO (wo liegen die Daten?)

Ein Kunde hat uns seinen "fertigen" Chatbot gezeigt. Ging super. Bis 50 Leute gleichzeitig draufzugriffen. Dann war alles langsam.

Lesson: POC beweist dass es geht. Production beweist dass es stabil geht.

5. Die meisten Use Cases sind langweilig

Und das ist gut so.

Die spannenden Projekte? Ki-Animationen, generative Kunst, komplexe Reasoning-Systeme. Aber die bezahlen selten die Rechnung.

Was bezahlt wird:

• Dokumente klassifizieren
• Emails sortieren
• Daten zwischen Systemen synchronisieren
• Standardantworten generieren

Langweilig? Ja. Profitabel? Auch ja.

Lesson: Suche nicht den sexy Use Case. Suche den, der Geld spart.

6. Internes Wissen > Externe Beratung

Wir wurden mal gerufen, nachdem eine große Beratungsfirma eine KI-Strategie präsentiert hatte. 200 Seiten. Toll formatiert. komplett unpraktisch.

Warum? Die Berater hatten nie mit den Leuten gesprochen, die die Arbeit machen. Sie hatten Datenblätter gelesen und Buzzword-Salat geworfen.

Was wir anders machen:

• Erst die Mitarbeiter interviewen
• Prozesse beobachten, nicht nur beschreiben lassen
• Dann erst über Tools reden

Oft wissen die Mitarbeiter schon, was schiefgeht. Sie werden nur nie gefragt.

Lesson: Die besten Ideen kommen von Leuten, die die Arbeit machen. Nicht von Slides.

7. KI ist nicht magisch

Es ist Statistik. Gut getarnt, aber trotzdem.

Das heißt:

• KI kann halluzinieren (falsche Dinge sicher behaupten)
• KI hat keine Intention (sie "will" nichts)
• KI lernt aus Daten (garbage in, garbage out)

Wenn jemand "KI wird das Problem lösen" sagt, fragen: Wie genau? Welches Modell? Welche Daten? Welcher Fallback?

Lesson: Skepsis ist gesund. KI ist ein Werkzeug, kein Orakel.

Was wir anders machen würden

Mit dem Wissen von heute?

1. Kleiner anfangen. Ein Feature, ein Use Case, ein Team. Nicht die ganze Firma auf einmal.

2. Mehr Zeit für Daten. Bevor Code geschrieben wird, Daten verstehen. Das spart später.

3. Ehrlicher sein. "Das wird 6 Monate" statt "in 2 Wochen haben wir einen Prototyp". Under-promise, over-deliver.

4. Weniger Buzzwords. Nicht "KI-Transformation" sagen. "Automatisierung" reicht und ist verständlicher.

Fazit

KI ist nützlich. Aber nicht weil es magisch ist. Sondern weil es repetitive Aufgaben automatisiert.

Wer das erwartet, wird enttäuscht. Wer das akzeptiert, kann damit arbeiten.

Fragen? Schreib uns. Wir antworten ehrlich – auch wenn die Antwort manchmal "keine Ahnung, testen wir aus" ist.