Vielleicht kommt Ihnen die Situation bekannt vor: Einige Mitarbeiter nutzen ChatGPT bereits täglich. Andere arbeiten mit Microsoft Copilot oder testen spezialisierte KI-Tools für Recherche, Übersetzungen, Präsentationen oder Datenanalysen. Im Marketing entstehen erste automatisierte Workflows, Entwickler arbeiten mit Coding Assistants und irgendwo im Unternehmen wurde vielleicht schon der erste eigene KI-Agent gebaut.
Was häufig fehlt, ist der Überblick.
Welche Anwendungen werden genutzt? Welche Unternehmensdaten landen dort? Was dürfen Mitarbeiter? Was verlangt der EU AI Act? Welche Use Cases lohnen sich? Und wie verhindert man, dass jede Abteilung ihre eigene KI-Lösung aufbaut?
Genau hier beginnt Enterprise AI: der kontrollierte Einsatz von KI für konkrete Aufgaben und Prozesse innerhalb eines Unternehmens. Dafür braucht es zu Beginn keine umfassende KI-Strategie. Wichtiger sind Transparenz über die bestehende Nutzung, klare Regeln, ein sinnvoller erster Use Case und eine technische Grundlage, die später mitwachsen kann.
Die Einführung von KI beginnt selten mit einem offiziellen Projektstart. In vielen Unternehmen beginnt sie am Arbeitsplatz.
Ein Mitarbeiter lässt einen Text von ChatGPT überarbeiten. Eine Kollegin fasst ein langes Dokument mit einem KI-Tool zusammen. Das Marketing erstellt Inhalte mit generativer KI. Ein Team baut einen kleinen Workflow zur automatischen Auswertung von Dokumenten.
Shadow AI bezeichnet die Nutzung von KI-Anwendungen außerhalb der vom Unternehmen freigegebenen IT-, Datenschutz- und Governance-Strukturen. Dadurch fehlt der Überblick darüber, welche Anbietergenutzt werden und welche Unternehmensdaten dort verarbeitet werden.
Eine erste Bestandsaufnahme sollte deshalb vier Fragen beantworten:
Die Antworten zeigen neben möglichen Risiken auch, wo bereits ein konkreter Bedarf besteht. Wenn Mitarbeiter beispielsweise regelmäßig ChatGPT nutzen, um Marktinformationen zu recherchieren und zusammenzufassen, kann daraus ein kontrollierter Unternehmens-Use-Case entstehen.
Es geht also nicht darum, jede bestehende Nutzung zu unterbinden. Unternehmen sollten entscheiden können, welche davon sie bewusst ermöglichen wollen.
Ein Mitarbeiter sollte nicht selbst beurteilen müssen, ob er einen Kundenvertrag, interne Finanzzahlen oder eine Strategiepräsentation in ChatGPT hochladen darf.
Eine AI Policy sollte fünf Dinge daher klar regeln: welche KI-Tools Mitarbeiter verwenden dürfen, welche Daten darin verarbeitet werden dürfen, welche Informationen ausgeschlossen sind, wann eine menschliche Prüfung erforderlich ist und wer neue KI-Anwendungen freigibt.
Dazu gehört auch AI Literacy. Wer mit KI arbeitet, sollte ihre grundlegenden Grenzen kennen. Ein Sprachmodell kann eine überzeugende Marktanalyse schreiben und trotzdem Quellen falsch interpretieren oder Informationen erfinden. Mitarbeiter müssen wissen, wann und wie Ergebnisse geprüft werden müssen.
Auch der EU AI Act setzt hier an. Nicht jede KI-Anwendung unterliegt denselben Anforderungen; entscheidend sind Art und Einsatzgebiet des Systems. Ein Research Agent für öffentlich verfügbare Marktinformationen ist anders zu beurteilen als ein KI-System, das Entscheidungen über Beschäftigte unterstützt.
Für Unternehmen bedeutet das zunächst: Sie sollten wissen und dokumentieren, welche KI-Systeme eingesetzt werden, welchem Zweck sie dienen und wer dafür verantwortlich ist. Hinzu kommt die bereits geltende Verpflichtung zur AI Literacy: Unternehmen müssen Maßnahmen treffen, damit Mitarbeiter über eine für ihren Einsatz angemessene KI-Kompetenz verfügen.
Damit sind die wichtigsten organisatorischen Voraussetzungen geschaffen. Die nächste Frage ist praktischer: Wofür soll KI konkret eingesetzt werden?
„Wir möchten AI Agents einsetzen“ ist noch kein Use Case. Ein guter Ausgangspunkt ist eine konkrete Aufgabe, bei der heute viel manuelle Arbeit entsteht oder Informationen regelmäßig recherchiert, geprüft und aufbereitet werden müssen.
Nehmen wir eine Markt- oder Technologierecherche. Mitarbeiter müssen Quellen finden, relevante Informationen identifizieren, deren Qualität bewerten und daraus ein verwertbares Ergebnis erstellen.
Ein Research Agent kann Teile dieses Prozesses übernehmen. Der Research Agent von in-manas recherchiert beispielsweise Informationen aus definierten Quellen, analysiert sie nach vorgegebenen Kriterien und bereitet die Ergebnisse strukturiert inklusive Quellen auf. Der Mitarbeiter erhält damit eine nachvollziehbare Grundlage für seine weitere Arbeit.
Andere Aufgaben funktionieren nach demselben Prinzip. Ein Sales Agent kann Unternehmen recherchieren und potenzielle Leads nachfestgelegten Kriterien priorisieren. Ein Monitoring Agent kann relevante Quellen kontinuierlich beobachten und auf Veränderungen hinweisen.
Ein guter erster AI Use Case erfüllt drei Bedingungen: Die Aufgabe ist klar abgegrenzt, es gibt einen konkreten Nutzer und der Nutzen lässt sich messen. Aus unserer Erfahrung eignen sich besonders Aufgaben, bei denen Informationen regelmäßig recherchiert, geprüft, strukturiert oder weiterverarbeitet werden müssen.
Bei einem Research Agent kann beispielsweise gemessen werden, wie viel Recherchezeit eingespart wird und ob die Qualität der Ergebnisse für den vorgesehenen Zweck ausreicht. Für einen ersten Pilot reichen ein kleines Team, eine konkrete Aufgabe und definierte Datenquellen.
Funktioniert der Use Case, kommen meist weitere Anforderungen hinzu: Der Agent soll interne Reports berücksichtigen, weitere Mitarbeiter sollen ihn nutzen oder für bestimmte Aufgaben soll ein anderes Sprachmodell eingesetzt werden. Aus einem einzelnen Pilot wird damit schnell eine Anwendung, die dauerhaft betrieben werden muss.
Mit mehreren produktiven Agents reicht es nicht mehr, jede Anwendung einzeln zu verwalten. Unternehmen müssen zentral nachvollziehen können, welche Agents aktiv sind, wer sie verwendet, auf welche Daten und Systeme sie zugreifen, welche Modelle sie nutzen, und welche Kosten entstehen.
Auch die Wahl der Modelle sollte flexibel bleiben. Ein Modell, das heute für einen Use Case optimal ist, kann morgen zu teuer oder qualitativ nicht mehr die beste Wahl sein. Für sensible Daten kann zudem eine private Cloud oder eine On-Premise-Umgebung notwendig sein. Anwendungen sollten deshalb nicht unnötig eng an einen einzelnen Modellanbieter gebunden werden.
Noch wichtiger wird die Kontrolle, wenn Agents miteinander arbeiten. Ein Research Agent kann Informationen an einen Analyse-Agentenübergeben, dessen Ergebnis wiederum in einen Reporting-Prozess einfließt. Sobald Agents andere Agents oder Unternehmenssysteme aufrufen, müssen auch ihre Rechte und Aktivitäten nachvollziehbar sein.
Bei in-manas lösen wir diese Aufgabe über eine gemeinsame Kontroll- und Betriebsebene. Das Sovereign AI Operating System verwaltet Agents und Modelle zentral, macht Aktivitäten und Kosten nachvollziehbar und ermöglicht den Einsatz unterschiedlicher Modelle und Provider – je nach Anforderung in der Cloud oder on-premise.
Das Prinzip dahinter ist unabhängig von der konkreten Plattform entscheidend: Je mehr KI-Anwendungen ein Unternehmen betreibt, desto wichtiger wird eine gemeinsame technische Grundlage. Wer sie beim ersten produktiven Use Case mitdenkt, vermeidet später eine Landschaft aus voneinander getrennten Tools, Modellen und Agents.
Für Unternehmen am Anfang lässt sich der Weg auf vier Schritte reduzieren:
1. Transparenz schaffen. Erfassen Sie, welche KI-Tools bereits genutzt werden, für welche Aufgaben und mit welchen Daten.
2. Regeln festlegen. Definieren Sie freigegebene Anwendungen, Grenzen für sensible Daten, Verantwortlichkeiten und Anforderungen an die menschliche Prüfung.
3. Einen konkreten Use Case umsetzen. Beginnen Sie mit einer klar abgegrenzten Aufgabe und legen Sie fest, woran Sie deren Nutzenmessen.
4. Skalierung mitdenken. Stellen Sie sicher, dass weitere Agents, Modelle, Zugriffe und Kosten später nicht über voneinander getrennte Einzellösungen verwaltet werden müssen.
Enterprise AI muss nicht mit einem großen Transformationsprojekt beginnen. Ein gut gewählter erster Use Case reicht – solange er ein konkretes Problem löst, innerhalb klarer Regeln betrieben wird und sich später sinnvoll erweitern lässt.
.png)
Komplexe Fragestellungen fordern vom Menschen Konzentration, Geduld, Zeit und außerordentliche Sorgfalt. Ganz gleich, ob es um Technologien, Chemie, Medizin oder Wirtschaft geht. Diese Zeit hat man im Tagesgeschäft oft nicht – wenn Sie z. B. in einem kurzfristig anberaumten Kolloquium aktuelle Informationen zum gegenwärtigen Forschungs- und Wissensstand rund um Ihr Projekt präsentieren sollen. Komplexe Research-Aufgaben sind aber wie geschaffen für KI-Agenten! Unser Research Agent bildet dabei wissenschaftliche Arbeitsweisen ab – orchestriert in einem mehrstufigen Denk- und Analyseprozess.
.jpg)
In jedem Sales-Team gibt es Wunschkunden: Die, die genau das Produkt brauchen, das man verkaufen will. Die man gerne auf der Referenzliste hätte. Und vor allem die, mit denen gute Umsätze zu machen sind – ob nun kurzfristige Absatzziele drücken oder strategische Wachstumsziele erreicht werden sollen.
Kennen Sie das? Sie sollten sich eigentlich täglich einen Überblick über den Markt, neue Gesetze, den Wettbewerb, neue Technologien oder ähnliches verschaffen. Doch die Informationsflut ist überwältigend und unübersichtlich, Quellen werden undurchsichtiger und fragwürdiger. Und die Zeit für ein kontinuierliches Monitoring fehlt sowieso. Unser KI-Agent „Monitoring Feeds“ ist genau dafür gemacht – für die kontinuierliche Überwachung von Trends, Technologien und Wettbewerb.
