KI im Unternehmen: Warum so viele belgische Unternehmen nur einen Bruchteil ihres Potenzials nutzen
Das eigentliche Hindernis ist nicht das Werkzeug, sondern das Fehlen einer Datenbasis
Viele belgische Unternehmen haben inzwischen Zugang zu denselben Werkzeugen der künstlichen Intelligenz wie die größten Technologiekonzerne. Dennoch nutzt die Mehrheit von ihnen nur einen winzigen Bruchteil des tatsächlichen Potenzials. Das liegt nicht an mangelndem Ehrgeiz, sondern daran, dass sie die Datenbasis nicht aufgebaut haben, die es der KI ermöglichen würde, etwas anderes als ein generisches Ergebnis zu liefern.
Feststellung: KI auf klassische Automatisierung reduziert
In den meisten belgischen Unternehmen beschränkt sich künstliche Intelligenz heute auf Aufgaben, die eine klassische Branchensoftware genauso gut hätte ausführen können: Rechnungen nach einer festen Regel sortieren, nach einer Bestellung eine Standard-E-Mail versenden, Dokumente in einem vorab festgelegten Ordner ablegen. Es handelt sich um klar abgegrenzte Routineprozesse, um Automatisierung im traditionellsten Sinne des Wortes, die lediglich mit dem Begriff künstliche Intelligenz versehen wird, weil das Werkzeug, mit dem sie ausgeführt werden, diese Technologie enthält. Die Verwechslung ist real: Ein System, das eine feste Regel anwendet, eine Bedingung, die immer dieselbe Aktion auslöst, lernt nichts und verbessert sich nicht durch die Nutzung, im Gegensatz zu einem Modell, das mit den eigenen Daten des Unternehmens trainiert wurde und Muster erkennen kann, die keine im Voraus geschriebene Regel vorhergesehen hätte.
Ursachen: eine fehlende Datenbasis und unbekannte technische Grundlagen
Das erste Hindernis ist rein quantitativ. Damit ein KI-Modell eine zuverlässige Analyse oder Vorhersage zu einem bestimmten Prozess, einer Verkaufsart, einem Kundenprofil oder einem Bestellmuster liefern kann, benötigt es in der Regel mehrere Tausend Beispiele genau dieses Prozesses. Die Mehrheit der belgischen Unternehmen, branchenübergreifend, erreicht jedoch nicht einmal tausend strukturierte Datensätze für ein und dasselbe Verkaufsprinzip: Die Daten sind vorhanden, aber verstreut über E-Mail-Postfächer, isolierte Tabellen und Branchensoftware, die nicht miteinander kommunizieren.
Das zweite Hindernis betrifft die Anzahl der Variablen, nicht nur die Anzahl der Zeilen. Ein Unternehmen, das über tausend Bestellungen verfügt, aber nie den Akquisitionskanal, die Dauer des Verkaufszyklus oder den Grund für eine Ablehnung erfasst hat, liefert der KI nur ein flaches Bild seiner Tätigkeit. Ohne diese Variablen kann das Werkzeug weder erkennen, warum bestimmte Kunden mehr kaufen, noch eine Verhaltensänderung vorhersehen. Es beschränkt sich darauf, den Durchschnitt dessen zu wiederholen, was es sieht, da ihm zusätzliche Analysewinkel fehlen, die es miteinander verknüpfen könnte.
Das dritte Hindernis ist die Unkenntnis der technischen Grundlagen, die es gerade ermöglichen, diese Basis aufzubauen. Fragen Sie die meisten Führungsteams, was ein Git-Repository ist, also das Werkzeug, das genau dazu dient, die Daten und den Code eines Projekts zu organisieren, zu versionieren und zu zentralisieren, und die Antwort ist in der Regel Schweigen. Dasselbe gilt für die Begriffe Iteration, bei der ein Modell nach und nach neu trainiert wird, sobald neue Daten eintreffen, Datenbereinigung, bei der Duplikate entfernt und inkonsistente Formate korrigiert werden, oder Multi-Agenten-System, bei dem sich mehrere spezialisierte KIs eine komplexe Aufgabe teilen. Ohne dieses erste Niveau an technischem Grundverständnis ist es strukturell unmöglich, eine nutzbare Datenbasis vorzubereiten, unabhängig vom Budget, das in das Werkzeug selbst investiert wird.
Folgen: eine Rechenleistung, die auf eine bloße Zeitersparnis reduziert wird
Dieses Fehlen einer Basis nährt eine falsche, aber weit verbreitete Wahrnehmung: KI sei ein bloßes Gadget, ein Spielzeug, das bei einer sich wiederholenden Aufgabe ein paar Minuten spart, etwa beim Verfassen einer E-Mail, beim Zusammenfassen eines Dokuments oder beim Generieren eines Bildes. Diese Sichtweise ist an sich nicht falsch, aber sie reduziert ein Hochleistungs-Rechenwerkzeug auf die Rolle einer etwas ausgefeilteren Rechtschreibprüfung.
Die Realität ist umgekehrt: Gut gefüttert beschränkt sich eine KI nicht darauf, das zu automatisieren, was ein Unternehmen bereits tut, sondern sie dient dazu, dessen Volumen zu steigern, mit mehr identifizierten Kunden, mehr vorhergesehenen Bestellungen und mehr Verkaufschancen, die erkannt werden, bevor ein Wettbewerber sie sieht. Der Unterschied liegt einzig und allein in der Menge und Qualität der im Vorfeld bereitgestellten Daten: Es ist ein Wachstumshebel, kein Komfortwerkzeug.
Lösung: zuerst die Datenbasis aufbauen, dann das Werkzeug
Konkret besteht der erste Schritt nicht darin, ein KI-Werkzeug auszuwählen, sondern darin, ein Git-Repository einzurichten, um die Daten des Unternehmens zu zentralisieren und zu strukturieren, und dann die zwei besten bereits verfügbaren Quellen zu identifizieren, um es zu befüllen. Für nahezu alle Unternehmen sind dies der vollständige Verlauf der mit Kunden und Lieferanten ausgetauschten E-Mails sowie der Verlauf der Bestellungen, Einkäufe und Verkäufe: zwei Fundgruben, die fast alle Unternehmen seit Jahren ansammeln, ohne sie jemals zu nutzen. Sofern vorhanden, ergänzen Transkriptionen von Telefongesprächen, die durch die Umwandlung von Sprache in Text gewonnen werden, diese Basis sinnvoll, bleiben aber selten: Nur wenige belgische Unternehmen zeichnen ihre Sprachkommunikation systematisch auf. E-Mails, Bestellungen und offizielle Kommunikation reichen bereits aus, um ohne aufwendige technische Investitionen eine solide Datenbasis aufzubauen, die es der KI ermöglicht, relevante FAQ zu erstellen oder die tatsächliche Tätigkeit des Unternehmens besser zu verstehen.
Genau diesen Ansatz setzt Selion für seine Kunden um. Ein erstes Audit ermöglicht es, die tatsächlich verfügbaren Daten und ihren Zustand zu ermitteln. Diese Daten werden anschließend erfasst und in strukturierte Pipelines integriert und dann in großem Maßstab analysiert, auch über mehrere Millionen Gespräche hinweg, wenn dieses Volumen vorhanden ist. Diese Analyse ermöglicht es, die nützlichsten Informationen herauszufiltern, um FAQ zu erstellen, sowohl für den internen Gebrauch als auch für externe Kunden, und besser zu verstehen, wie Informationen im Unternehmen fließen, um diesen Fluss kontinuierlich zu verbessern.
Diese Arbeit beschränkt sich nicht auf eine einmalige Einrichtung. Ziel ist es, die Erfassung und Analyse wiederkehrend und automatisiert zu gestalten, um die Wissensdatenbank des Unternehmens kontinuierlich zu speisen. Diese Datenbank dient anschließend dazu, das interne Personal und neue Mitarbeitende zu schulen und Kunden über alle Kanäle zu antworten: E-Mails, Website und manchmal auch Telefonie, wenn das Unternehmen so weit gehen möchte. Das Endziel besteht darin, das Wesentliche der Unternehmenstätigkeit zu dokumentieren, um es sowohl intern als auch extern wiedergeben zu können.
Ein wichtiger Teil dieser Arbeit besteht darin, herauszufiltern, was das Unternehmen niemals verlassen darf. Passwörter, Sicherheitsschlüssel und alle sensiblen Informationen werden vor jeder Nutzung der Daten ausgeschlossen, ebenso wie Gespräche, die keine allgemeinen, zur Weitergabe bestimmten Fragen betreffen.
Grundsätzlich ist dieses Projekt einfach zu starten: Es genügt, die vorhandenen Daten zu erfassen. Unternehmen, die nicht über die internen Kompetenzen verfügen, um weiterzugehen, können sich an Selion wenden, das den gesamten Prozess übernimmt, wobei das Ergebnis in der Regel innerhalb eines Monats geliefert wird.
📋 Zusammenfassung
| Festgestellter Punkt | Beobachtete Realität | Handlungsansatz |
|---|---|---|
| KI auf Automatisierung reduziert | Verwechslung mit einem System mit festen Regeln, das nicht lernt | Klar zwischen automatisierten Regeln und einem mit Daten trainierten Modell unterscheiden |
| Unzureichende Datenbasis | Oft weniger als 1000 strukturierte Einträge pro Prozess, wenige erfasste Variablen | E-Mails, Bestellungen, Einkäufe/Verkäufe in einem strukturierten Repository zentralisieren |
| Unbekannte technische Grundlagen | Git, Iterationen, Datenbereinigung, Multi-Agenten: intern unbekannte Konzepte | Sich in diesen Grundlagen schulen oder begleiten lassen, bevor in das Werkzeug investiert wird |
| KI als Zeitersparnis gesehen | Wahrnehmung als bloßes Komfortwerkzeug statt als Wachstumshebel | Die Nutzung auf die Steigerung des Kunden-/Bestellvolumens ausrichten |