Vom KI-Pilot zum Arbeitsalltag: Welche Entscheidungen jetzt zählen

Thomas, euer Unternehmen bbv und unser Institut Public Sector Transformation der BFH sind ja nun seit zwei Jahren Partner. Was würdest du denn einer Bildungsinstitution wie der BFH spezifisch empfehlen? Gerade in der Lehre und im Prüfungswesen gibt es offensichtlich noch viel Potential. Wo und wie könnte sich der Einsatz von KI in diesen Bereichen lohnen?

Ich würde nicht beim Prüfen beginnen, sondern bei der Lehre und der Administration. Dort ist der Nutzen hoch und das Risiko überschaubar. Drei Felder sehe ich: Erstens einen Lernbegleiter, der ausschliesslich auf den freigegebenen Unterlagen eines Moduls basiert und mit Quellenangabe antwortet. Zweitens die Vorbereitung von Lehrmaterial und Prüfungsaufgaben, etwa Varianten erstellen, Fallbeispiele aktualisieren oder Musterlösungen gegenprüfen. Drittens die Administration, zum Beispiel Anfragen zu Studienreglementen oder Anrechnungen.

Beim Prüfungswesen selbst bin ich äusserst zurückhaltend. KI kann Korrekturvorschläge machen und die Konsistenz zwischen mehreren Korrigierenden prüfen. Die Bewertung muss aber beim Menschen bleiben und nachvollziehbar sein. Der EU AI Act stuft KI-Systeme zur Bewertung von Lernergebnissen nicht ohne Grund als Hochrisiko-Anwendung ein (Schadenspotenzial für Einzelbiografien). In der Schweiz gilt er nicht direkt, als Massstab für eine Hochschule taugt er trotzdem.

Und eine Voraussetzung gilt für alles: Daten von Studierenden sind Personendaten. Eine öffentliche Hochschule muss wissen, wo diese verarbeitet werden und ob ein Anbieter damit seine Modelle trainiert. Das spricht für eine souveräne Plattform und gegen eine Sammlung privater Abos.

Kannst du uns dies anhand eines konkreten Beispiels veranschaulichen?

Nehmen wir ein Grundlagenmodul mit 200 Studierenden. Ein Modul-Assistent wird mit Skript, Folien, Übungen und FAQ des Semesters gespeist, und mit nichts anderem. Fragt eine Studentin abends um zehn nach einem Begriff, erhält sie eine Erklärung mit Verweis auf die Stelle im Skript. Die Dozentin sieht in einer anonymisierten Auswertung, welche Themen am häufigsten nachgefragt werden, und richtet die nächste Lektion danach aus. So wird der Lernbegleiter zugleich zum Frühwarnsystem für Verständnislücken.

Dasselbe Muster setzen wir in der Industrie ein. Beim Kransystem-Hersteller Brun Marti Dytan greifen Servicetechniker im Feld über einen KI-Assistenten auf Wissen zu, das vorher an wenigen Schlüsselpersonen hing. Ob Servicetechniker oder Studierende: Entscheidend ist, dass die Antworten aus geprüften Quellen stammen und mit einem Klick überprüfbar sind.

Viele Unternehmen definieren KI als strategisches Ziel. Gemäss eurer Haltung ist individualisierte KI aber kein strategisches Ziel, sondern das Ergebnis fundierter Datenarbeit. Kannst du uns dies an einem Beispiel veranschaulichen?

Ein Sprachmodell kann heute jede Organisation einkaufen. Was es wertvoll macht, ist das eigene Wissen, und das steckt in Daten, Dokumenten und Prozessen. Ist dieses Fundament unsauber, liefert auch das beste Modell bloss schneller formulierte Fehler.

Ein Beispiel aus unserem Bereich Master Data Management: Für ein Handelsunternehmen hat bbv einen KI-Agenten entwickelt, der Produktinformationen in ERP und PIM automatisch prüft und verbessert. Der grösste Aufwand lag nicht im Agenten, sondern davor: Welche Attribute sind verbindlich? Welche Quelle gilt bei Widersprüchen? Wer gibt eine Änderung frei? Erst als diese Fragen geklärt waren, konnte der Agent zuverlässig arbeiten.

Deshalb rate ich, KI nicht als Ziel zu formulieren, sondern als Mittel. Ein Ziel ist zum Beispiel, Anfragen innert eines Arbeitstags zu beantworten. Ob KI dafür das richtige Mittel ist, entscheidet die Datenlage.

Welche Voraussetzungen bedingt dies bei Daten, Organisation und Verantwortlichkeiten?

Bei den Daten muss klar sein, welche Quellen massgebend sind, wie aktuell sie sind und wer worauf zugreifen darf. Die Berechtigungen der Quellsysteme müssen in der KI-Lösung abgebildet sein. Sonst beantwortet ein Assistent plötzlich Fragen zu Lohndaten, die der Fragende nie hätte sehen dürfen.

In der Organisation braucht jeder produktive Anwendungsfall eine fachliche Verantwortung, nicht nur eine technische. Die Fachabteilung entscheidet, was eine richtige Antwort ist. Die IT sorgt für Betrieb und Sicherheit. Datenschutz, Informationssicherheit und Rechtsdienst gehören von Anfang an dazu und nicht erst kurz vor dem Go-live.

Für Organisationen mit Amts- oder Berufsgeheimnis kommt eine Frage hinzu, die oft unterschätzt wird: Wo läuft das Modell, wer betreibt es und wer kann darauf zugreifen? Das ist für mich der Kern digitaler Souveränität. Sie lässt sich nicht nachträglich einbauen, sondern gehört in die Architektur: Betrieb in der Schweiz oder im eigenen Rechenzentrum, austauschbare Modelle und keine Verwendung der eigenen Daten für das Training.

Wer einer KI-Entscheidung vertrauen will, muss wissen, woher die Daten stammen, wie sie verarbeitet worden sind und wer für sie verantwortlich ist. Gilt das deiner Meinung nach für alle Mitarbeitenden eines Unternehmens oder einer Institution, welche ein KI-Tool anwenden wollen? Oder genügt es, wenn sich die IT-Abteilung damit befasst?

Die IT allein genügt nicht. Sie verantwortet Plattform, Sicherheit und Datenanbindung. Die Verantwortung für das Ergebnis trägt aber, wer es verwendet. Wer eine KI-Antwort in eine Verfügung, ein Gutachten oder eine Offerte übernimmt, steht dafür ein, genau wie bei der Arbeit einer neuen Kollegin.

Das heisst nicht, dass alle Mitarbeitenden Datenarchitektur verstehen müssen. Sie brauchen aber drei Dinge: ein Grundverständnis, wie Sprachmodelle funktionieren und wo sie Fehler machen; klare Regeln, welche Daten in welches Werkzeug dürfen; und Werkzeuge, die ihre Quellen offenlegen. Der letzte Punkt ist eine Frage der Produktwahl, nicht der Schulung. Eine Blackbox lässt sich nicht verantwortungsvoll nutzen.

Ein Hinweis noch: Bietet die Organisation kein geeignetes Werkzeug an, greifen Mitarbeitende zu privaten Tools. Diese Schatten-KI ist in vielen Organisationen heute das grössere Risiko als ein offiziell eingeführtes System.

Wie sollte man die Mitarbeitenden konkret miteinbeziehen, wie schulen?

Früh und konkret. Top-Down. Das Kader muss sich Risiken und Potenzialen bewusst sein und dieselben Begriffe nutzen. Eine KI-Grundschulung für Kader ist für mich Pflicht. Ich empfehle ausserdem, pro Bereich Key-User zu bestimmen, die im Pilot mitarbeiten, Testfragen formulieren und die Qualität der Antworten beurteilen. Sie kennen die Fachlichkeit und werden später zur ersten Anlaufstelle für ihr Team.

Abstrakte Einführungen wirken wenig. Was funktioniert, sind kurze Formate am eigenen Arbeitsalltag: Wie formuliere ich eine gute Anfrage für meine Aufgabe? Wie prüfe ich eine Antwort? Wann lasse ich die KI besser weg? Dazu gehören auch die Grenzen, etwa erfundene Fakten, veraltete Quellen oder Verzerrungen.

Und man sollte offen über die Sorge sprechen, ersetzt zu werden. In unseren Projekten entlastet KI vor allem bei Suche, Vorprüfung und Routine. Das schafft Zeit für die anspruchsvollen Fälle. In Zeiten des Fachkräftemangels überzeugt dieses Argument, wenn man es mit Zahlen belegen kann.

Relevant ist es sicher auch, geeignete Anwendungsfälle auszuwählen. Kannst du uns ein paar Ratschläge geben, worauf man dabei achten sollte?

Vier Kriterien haben sich bewährt. Erstens ein spürbares Problem: hohes Volumen, wiederkehrende Fragen, lange Durchlaufzeiten oder Wissen, das an wenigen Personen hängt. Zweitens eine verfügbare Datengrundlage. Müssen die Dokumente erst zusammengesucht werden, ist es ein Datenprojekt und kein KI-Projekt. Drittens ein beherrschbares Risiko. Für den Einstieg eignen sich Fälle, in denen ein Mensch das Ergebnis prüft, bevor es Wirkung entfaltet. Vollautomatische Entscheide gegenüber Bürgerinnen, Studierenden oder Kunden gehören nicht an den Anfang. Viertens ein messbarer Nutzen. Wer vorher nicht weiss, wie lange ein Prozess dauert, kann nachher keinen Erfolg nachweisen.

Und ein Rat zur Architektur: Nicht für jeden Anwendungsfall ein eigenes Tool beschaffen. Zehn Einzellösungen bedeuten zehn Verträge, zehn Datenschutzprüfungen und zehn Schnittstellen. Eine gemeinsame Plattform, auf der Anwendungsfälle schrittweise dazukommen, ist günstiger und besser kontrollierbar.

Wer soll den Nutzen neu implementierter KI-Tools beurteilen? Wie und nach welcher Laufzeit? Was macht deiner Meinung nach am meisten Sinn?

Beurteilen sollten den Nutzen die Fachverantwortlichen gemeinsam mit den Anwenderinnen und Anwendern, nicht der Anbieter und auch nicht die IT allein. Voraussetzung ist eine Ausgangsmessung vor dem Start: Bearbeitungszeit, Anzahl Rückfragen, Fehlerquote oder Wartezeit.

Zeitlich empfehle ich drei Etappen. Nach rund 30 Tagen Pilot: Wird das Werkzeug genutzt und sind die Antworten fachlich korrekt? Dafür eignet sich ein fester Satz Testfragen mit bekannten Antworten, der bei jeder Änderung erneut geprüft wird. Nach drei bis sechs Monaten im Betrieb: Verändern sich die Kennzahlen? Nach etwa einem Jahr: Rechnet sich die Lösung gegenüber dem Aufwand für Betrieb, Pflege und Schulung?

Bei CTC Analytics, einem Hersteller von Laborautomation, ist unser KI-Agent direkt im Ticketsystem integriert. Die Bearbeitungszeit für Supportanfragen sank um 90 Prozent. Solche Zahlen überzeugen aber nur, wenn man den Ausgangswert kennt.

Danke für das anregende Gespräch. Möchtest du ein Schlussstatement abgeben?

KI wird zur Infrastruktur, so wie es E-Mail und ERP geworden sind. Damit stellt sich für Verwaltungen und Hochschulen dieselbe Frage wie bei jeder kritischen Infrastruktur: Wer hat die Kontrolle? Wer heute KI einführt, entscheidet nicht nur über ein Werkzeug, sondern über Abhängigkeiten für die nächsten Jahre. Mein Rat: klein starten, sauber messen und von Anfang an so bauen, dass Daten, Modelle und Betrieb in der eigenen Verantwortung bleiben. Dann wird aus dem Pilot ein Arbeitsalltag.