KI-gestützte Workflows im Unternehmen: eine praxistaugliche Architektur

KI-gestützte Workflows verbinden GenAI-Anwendungen, Geschäftssysteme, Daten, Berechtigungen und Verantwortliche zu verlässlichen Prozessen. Viele Unternehmen nutzen bereits Chatbots, Programmierassistenten, Dokumentenzusammenfassungen oder erste Agenten-Prototypen. Die Herausforderung besteht darin, diese Funktionen mit passenden Geschäftsregeln und menschlichen Entscheidungen zu verbinden.

Im Pilot sind Eingaben sauber und der Ablauf überschaubar. Im Betrieb kommen mehrdeutige Anfragen, veraltetes Wissen, Zugriffsgrenzen, langsame Schnittstellen und Ausnahmen hinzu. Ohne eine klare Architektur entstehen einzelne KI-Werkzeuge, aber keine durchgängige Fähigkeit. CTOs sollten deshalb zuerst fragen: Welcher Prozess soll besser werden? Welche Entscheidungen darf die KI vorbereiten oder ausführen, und wann muss ein Mensch entscheiden?

Gute KI-Beratung und KI-Lösungen beginnen mit Prozessaufnahme und Zielbild. Ein messbarer Ausgangswert für Durchlaufzeit, Fehler, Kosten oder Kundenerlebnis verhindert, dass Aktivität mit Wirkung verwechselt wird.

Erlebnis, Orchestrierung und Modelle trennen

Die Anwendungsschicht ist der Arbeitsplatz: ein Copilot, ein intelligenter Chatbot, ein Kontaktcenter-Assistent oder eine integrierte Funktion. Die Orchestrierungsschicht steuert den Ablauf, wählt erlaubte Werkzeuge, behandelt Wiederholungen und leitet Sonderfälle weiter. Die Modellschicht kann Sprachmodelle, Klassifikation, Prognosen oder Computer Vision enthalten. Das passende Modell richtet sich nach Aufgabe und Qualitätsanforderung, nicht nach Neuigkeitswert.

Daten und Betrieb als Architektur behandeln

Die Daten- und Integrationsschicht verbindet freigegebenes Wissen, Geschäftsdaten, APIs und Ereignisströme. Retrieval-Augmented Generation (RAG) eignet sich, wenn Antworten auf kontrollierten Quellen beruhen sollen. Berechnungen und verbindliche Aktionen gehören dagegen in deterministische Dienste statt in eine freie Textgenerierung. Identität, Richtlinien, Audit und Evaluation wirken über alle Schichten hinweg.

Ein KI-Orchestrator kann eine Workflow-Engine, ein Agenten-Framework oder eine Kombination sein. Wo Regeln stabil sind, bleibt der Ablauf explizit. Agentische Workflows sind sinnvoll, wenn die nächste Aktion vom Kontext abhängt und die Werkzeugauswahl begrenzt werden kann. Mehrere Agenten sind nicht automatisch besser: Ein einzelner, eng umrissener Agent ist oft leichter zu testen und zu betreiben.

AI Service Management (AISM) ergänzt die Technik um klare Zuständigkeiten, Serviceziele, Änderungssteuerung, Kostenübersicht, Vorfallbehandlung und kontinuierliche Qualitätskontrolle.

1. Prozess und Ausgangswert festlegen. Dokumentieren Sie Auslöser, Beteiligte, Systeme, Übergaben, Ausnahmen, Durchlaufzeit und Qualitätsmaß. Legen Sie ein Ziel mit der Prozesseigentümerin oder dem Prozesseigentümer fest; „Anzahl der Prompts“ ist kein Geschäftsergebnis.

2. Entscheidungen und Risiken unterscheiden. Trennen Sie unverbindliche Entwürfe von Aktionen, die Geld, Zugänge, Beschäftigung, Sicherheit oder Kundenverpflichtungen beeinflussen. Für Einsätze in der EU sind Zweck und mögliche Pflichten der KI-Verordnung zu prüfen. Die EU-Kommission nennt bestimmte Anwendungen im Beschäftigungskontext, etwa das Filtern von Bewerbungen oder die Bewertung von Kandidaten, als Hochrisikobeispiele. Dieser Beitrag ist keine Rechtsberatung.

3. Das kleinste geeignete Muster wählen. Prüfen Sie zuerst Regeln und klassische Automatisierung, danach NLP, Prognosemodelle, GenAI-Anwendungen, Chatbots oder Agenten. AI as a Service (AIaaS) kann den Einstieg erleichtern, sofern Datenschutz, Datenstandort, Sicherheit und Integration passen. Mehr Eigenbetrieb kann nötig sein, wenn Kontrolle, Latenz, Anpassbarkeit oder Portabilität ausschlaggebend sind.

4. Orchestrierung und Berechtigungen gestalten. Jede Komponente erhält nur erforderliche Daten und Werkzeuge. Schreibende Aktionen sollten möglichst umkehrbar sein; ungewöhnliche oder folgenreiche Schritte brauchen eine Freigabe. OWASP beschreibt übermäßige Agenten-Autonomie als Risiko, wenn Funktionalität, Berechtigungen oder Selbstständigkeit zu weit gehen.

5. Den Gesamtprozess evaluieren. Erstellen Sie realistische Testfälle mit unklaren Eingaben, veraltetem Wissen, Ausfällen, Prompt-Injection und Integrationsfehlern. Messen Sie erfolgreiche Bearbeitung, Quellenbezug, Eskalationsqualität, Latenz, Kosten und nachgelagerte Fehler. KI-gestützte Qualitätssicherung ergänzt bestehende Tests und unabhängige Reviews; sie ersetzt sie nicht.

6. Gestuft einführen und als Service betreiben. Beginnen Sie mit Schattenbetrieb oder einer kleinen Nutzergruppe. Vergleichen Sie Ergebnisse mit dem Ausgangswert, beobachten Sie Abläufe, schulen Sie Teams und definieren Sie Rücknahme und Support. Erst wenn Prozesseigentümer und Betriebsteam die Ergebnisse akzeptieren, sollte der Einsatz wachsen.

KI-integrierte IDEs und Coding-Assistenten können Erklärungen, Boilerplate, Testgerüste, Migrationen und Codesuche unterstützen. Architekturentscheidungen, Code-Reviews, Bedrohungsanalysen und Wartbarkeit bleiben Aufgabe des Teams. Studien liefern kein einheitliches Versprechen: Microsoft Research berichtete über drei Feldexperimente mit 4.867 Entwicklern im Mittel 26 Prozent mehr erledigte Aufgaben. Eine METR-Studie mit 16 erfahrenen Entwicklern an vertrauten, ausgereiften Repositories fand mit den getesteten Werkzeugen der frühen 2025er-Generation längere Bearbeitungszeiten. Die Studien unterscheiden sich in Aufgaben und Rahmenbedingungen; sie sind kein direkter Leistungsvergleich. Messen Sie daher lokal.

Dasselbe gilt für KI im Kundenservice. Ein intelligenter Chatbot sollte an Lösungsqualität, sicherer Übergabe, Wiederkontakt, Kundenaufwand und Servicekosten gemessen werden, nicht allein an der Antwortzeit. Feedback aus dem Kundenkontakt hilft, Wissen und Weiterleitung fortlaufend zu verbessern.

Ein Workflow passt zu bekannten Abläufen und Regeln. Ein Agent passt zu klar begrenzten Aufgaben, bei denen kontextabhängig das nächste Werkzeug oder der nächste Schritt ausgewählt werden muss. Ein hybrides Modell verbindet einen kontrollierten Prozess mit ausgewählten Agentenentscheidungen. So bleiben agentische Workflows nützlich, ohne jeden Prozess in eine offene Planungsschleife zu verwandeln.

Die beste Architektur ist erklärbar, prüfbar, sicher und veränderbar. FIX Intelligence, Teil von FIX Solutions JSC, unterstützt Unternehmen bei der Bewertung von Anwendungsfällen, beim Entwurf KI-fähiger Architekturen, der Integration von GenAI-Anwendungen und dem Übergang zu kontrolliertem Betrieb in Entwicklung, Qualität, Daten und Kundenservice.

Ein belastbarer Business Case verbindet messbare Prozessziele mit Betriebsaufwand und Risiken. Berücksichtigen Sie Modell- und Plattformkosten, Integrationen, Datenpflege, Evaluation, Support und Schulung. Vergleichen Sie die vollständigen Kosten mit der heutigen Bearbeitung und prüfen Sie, ob eingesparte Zeit tatsächlich nutzbar wird. Ein kleiner, klar abgegrenzter Pilot kann diese Annahmen prüfen, bevor die Architektur auf weitere Teams ausgeweitet wird.

Legen Sie außerdem fest, wer die Lösung betreibt und wer Änderungen freigibt. Ein Wechsel des Modells, der Datenquelle oder der vorgesehenen Nutzung kann Qualität und Risikoprofil verändern. Ein dokumentierter Änderungsprozess, fortlaufende Tests und ein erreichbarer Rückfallweg schützen den Betrieb. So entsteht aus einer GenAI-Anwendung ein verlässlicher Service, der auch nach dem ersten Rollout überprüfbar und anpassbar bleibt.

Für CTOs liegt der entscheidende Vorteil nicht in möglichst viel Autonomie, sondern in einer guten Passung zwischen Prozess, Technik und Verantwortung. Wenn der Ablauf klar abgegrenzt, messbar und wartbar ist, kann KI die Arbeit unterstützen, ohne Kontrolle und Fachwissen aus dem Prozess zu verdrängen.