Wie Sie Ihr erstes KI-Projekt auswählen

Ihr erstes KI-Projekt sollte eine eng gefasste, repetitive, textintensive Aufgabe sein, die ein Mensch bereits langsam oder uneinheitlich erledigt, bei der die Eingaben bereits vorhanden sind und das Ergebnis von jemandem in Ihrem Team geprüft werden kann. Es sollte innerhalb von Wochen, nicht Quartalen, ausgeliefert werden und eine einzige Kennzahl haben, die Sie sechs Wochen nach dem Launch ablesen können. Alles andere rund um „KI-Strategie" ergibt sich aus dem, was dieses erste Ergebnis Sie lehrt.

Die meisten Gründer, mit denen wir sprechen, machen es genau umgekehrt. Sie beginnen mit der sichtbarsten Idee (ein Chatbot auf der Homepage, ein „KI-Copilot" für das gesamte Produkt) und enden mit einer Demo, die in einem Meeting beeindruckt und nie in Produktion geht. Der folgende Filter ist das, was wir nutzen, um sie zu etwas zu lenken, das tatsächlich ausgeliefert wird.

Der Vier-Fragen-Filter

Prüfen Sie jeden Kandidaten in dieser Reihenfolge. Ein Projekt, das an einer dieser Fragen scheitert, ist ein zweites oder drittes Projekt, nicht ein erstes.

1. Macht das heute bereits ein Mensch, und beschwert sich diese Person darüber?

Die besten ersten Projekte finden bereits manuell statt. Jemand in Ihrem Team liest eingehende Leads und sortiert sie. Jemand fasst Support-Tickets für die wöchentliche Besprechung zusammen. Jemand kopiert Felder aus PDFs in ein CRM. Jemand schreibt vierzig Mal pro Woche nahezu identische Follow-up-E-Mails.

Wenn heute niemand diese Aufgabe erledigt, automatisieren Sie keinen Workflow, sondern erfinden ein Produkt. Das ist legitim, aber es ist eine Produktwette mit Produktrisiko, und sie sollte nicht Ihr erstes KI-Projekt sein.

Die Beschwerde zählt genauso viel wie die Aufgabe. Ein Workflow, den Menschen hassen, verschafft Ihnen einen motivierten internen Nutzer, der die Ergebnisse testet, Fehler meldet und das Projekt verteidigt, wenn es in Woche zwei noch nicht perfekt ist.

2. Liegen die Eingaben bereits in nutzbarer Form vor?

Text in E-Mails, Dokumenten, Support-Tickets, Anruftranskripten und Webseiten ist nutzbar. Daten, die über sechs Tabellen mit uneinheitlichen Spaltennamen verstreut sind, sind es nicht, und „wir müssen nur erst die Daten bereinigen" ist die häufigste Todesursache für eine erste KI-Initiative.

Wählen Sie eine Aufgabe, bei der das Modell lesen kann, was bereits existiert. Wenn die ehrliche Antwort lautet, dass die Daten erst ein Migrationsprojekt durchlaufen müssen, bevor irgendein Modell sie berühren kann, wählen Sie ein anderes erstes Projekt und setzen Sie die Migration separat auf die Roadmap.

3. Kann jemand ohne Engineering-Hintergrund prüfen, ob das Ergebnis richtig ist?

Ihr erstes Projekt braucht einen Menschen, der sich das Ergebnis ansehen und in unter einer Minute „ja" oder „nein" sagen kann. Eine entworfene E-Mail, ein Klassifizierungslabel, ein extrahierter Satz von Feldern, eine einabsätzige Zusammenfassung: alles prüfbar. Ein mehrstufiger Agent, der autonom mit Lieferanten verhandelt oder Ihre Datenbank bearbeitet, ist nicht auf einen Blick prüfbar, und Sie haben noch keine Belege dafür, wie sich Ihr Modell mit Ihren Daten verhält.

Das ist auch der Grund, warum wir Gründern raten, beim ersten Projekt intern zu bleiben. Wenn das Ergebnis falsch ist, kostet das ein paar Minuten eines Kollegen, nicht das Vertrauen eines Kunden. Sobald Sie ein paar Wochen echter Fehlerquoten haben, wird die Entscheidung für den Kundenkontakt zu einer datenbasierten Entscheidung. Wir behandeln, was dieser Übergang erfordert, in Wie man einen KI-Agenten vom Pilotprojekt in die Produktion bringt.

4. Gibt es eine Kennzahl, die Sie in sechs Wochen ablesen können?

Eingesparte Stunden pro Woche. Antwortquote. Anteil der korrekt weitergeleiteten Tickets. Tage vom eingehenden Lead bis zur ersten Antwort. Eine Zahl, gemessen vorher und nachher.

Wenn das einzige ehrliche Erfolgskriterium lautet „das Team fühlt sich produktiver", kann das Projekt nicht bewertet werden und kann kein zweites rechtfertigen. Zur dahinterliegenden finanziellen Diskussion siehe unseren Leitfaden zur Berechnung des ROI eines KI-Agenten.

Was dieser Filter ausschließt, und warum das in Ordnung ist

• Der Homepage-Chatbot. Scheitert gleichzeitig an Frage drei und Frage vier. Niemand in Ihrem Team kann jede Antwort prüfen, die er einem Besucher gibt, die Kennzahl ist unklar, und der Nachteil einer falschen Antwort ist öffentlich. Ein gutes drittes Projekt, sobald Sie interne Fehlerquoten vorweisen können.
• Der interne Wissensassistent über „alle unsere Dokumente". Scheitert an Frage zwei. „Alle unsere Dokumente" bedeutet sechs Formate, drei Berechtigungsmodelle und niemanden, der sagen kann, ob eine Antwort richtig war. Begrenzen Sie es auf einen Dokumenttyp und ein Team, und es besteht die Prüfung.
• Der Komplett-Workflow-Agent. Alles, was als „ein Agent, der den gesamten Prozess von Anfang bis Ende abwickelt" beschrieben wird, scheitert an Frage drei. In unserem eigenen Fall wäre die End-to-End-Version „ein Agent, der die Akquise durchführt" gewesen. Das haben wir nicht gebaut. Wir haben den einen Schritt gebaut, den ein Mensch am häufigsten erledigte und am wenigsten mochte: die Recherche und den Entwurf, und haben Versand, Follow-up und CRM-Aktualisierungen den Menschen überlassen. Die Komplettversion ist ein zweites oder drittes Projekt, zusammengesetzt aus Schritten, die jeweils einzeln geprüft wurden.
• Alles, was mit dem Aufbau von Infrastruktur beginnt. Vektordatenbanken, Data Lakes, Orchestrierungsplattformen. Das sind Werkzeuge, die Sie später vielleicht brauchen. Sie zu kaufen oder zu bauen, bevor Sie eine funktionierende Aufgabe haben, ist der Weg, auf dem Budgets verschwinden, und es ist fast immer ein Zeichen dafür, dass die Aufgabe selbst noch nicht festgelegt wurde.

Ein durchgerechnetes Beispiel aus unserem eigenen Betrieb

Unser eigenes erstes internes KI-Projekt war nicht glamourös. Wir betreiben Akquise bei potenziellen Kunden, und der langsame Teil war die Recherche: Jemand musste die Website jedes Unternehmens öffnen, verstehen, was es tut, und eine E-Mail schreiben, die darauf Bezug nahm. Das erfüllte jedes Kriterium. Ein Mensch tat es und mochte es nicht. Die Eingabe, eine öffentliche Website, existierte bereits. Ein Kollege konnte den Entwurf lesen und ihn in dreißig Sekunden beurteilen. Die Kennzahl war die Antwortquote.

Wir haben eine kleine Engine gebaut, die die Website jedes Prospects mit einem selbst gehosteten Crawler durchsucht, den Inhalt an ein lokal gehostetes Modell übergibt und eine maßgeschneiderte E-Mail pro Unternehmen erzeugt. Die erste Architektur, die wir ausprobiert haben, war eine Kette: ein Schritt zum Extrahieren von Fakten über das Unternehmen, ein weiterer zur Auswahl eines Blickwinkels, ein weiterer zum Verfassen. Es funktionierte, aber als wir sie in einen einzigen Prompt zusammenfassten, der die relevanten Fakten extrahierte und die E-Mail in einem Durchgang verfasste, wurden die Entwürfe besser und die Kosten pro E-Mail sanken. Dieser Befund hat beeinflusst, wie wir heute Kundenprojekte aufbauen, und wir haben ihn in Single Call vs. Agent-Ketten aufgeschrieben.

Der Punkt ist nicht die konkrete Architektur. Der Punkt ist, dass ein eng gefasstes, prüfbares, messbares erstes Projekt uns innerhalb weniger Wochen etwas Allgemeines gelehrt hat, was genau der Zweck eines ersten Projekts ist.

Was es kosten sollte und wie lange es dauern sollte

Ein erstes Projekt, das den Filter besteht, entspricht typischerweise ein paar Wochen Agenturarbeit: eine kurze Discovery-Phase, um Aufgabe und Kennzahl festzulegen, ein Build und ein paar Wochen überwachter Nutzung mit echten Eingaben. Wenn das Angebot, das Sie erhalten, über sechs bis acht Wochen hinausgeht oder den Aufbau neuer Infrastruktur erfordert, bevor überhaupt etwas nutzbar ist, ist der Scope abgedriftet. Hinterfragen Sie zuerst den Scope, bevor Sie den Preis hinterfragen.

Modellkosten für eine interne Aufgabe dieser Größenordnung sind meist ein Rundungsfehler neben dem Build. Unsere Akquise-Engine läuft auf einem lokal gehosteten Modell und einem selbst gehosteten Crawler, sodass die Kosten pro E-Mail praktisch nur Hardware sind, die wir bereits besitzen. Die Architekturänderung war wichtiger als die Modellwahl: Das Zusammenfassen von drei Modellaufrufen zu einem senkte die Kosten pro E-Mail, und zwar während es die Entwürfe verbesserte. Die Ausnahme ist hochvolumige Dokumentenverarbeitung, bei der die Modellwahl tatsächlich eine Rolle spielt; selbst dort reicht oft ein kleines oder selbst gehostetes Modell, sobald die Aufgabe eng gefasst ist, und Sie können das während des Builds testen, statt es vorab zu entscheiden.

Planen Sie auch den unspektakulären Teil ein: das Protokollieren jeder Eingabe und jeder Ausgabe von Tag eins an. Wir konnten die Kette nur mit dem einzelnen Prompt vergleichen, weil jede gecrawlte Seite und jeder Entwurf gespeichert worden war. Ohne dieses Protokoll können Sie Fehlerquoten nicht messen, zwei Ansätze nicht vergleichen und die Frage „hat es funktioniert" in Woche sechs nicht beantworten.

Wie Sie die sechs Wochen gestalten

1. Woche null: Schreiben Sie die Aufgabe, die aktuelle Baseline für Ihre Kennzahl und wer die Ergebnisse täglich prüfen wird, auf.
2. Wochen eins bis drei: Build. Bestehen Sie darauf, bis Ende der ersten Woche echte Eingaben zu sehen, keine synthetischen Beispiele.
3. Wochen vier bis sechs: Lassen Sie es parallel zum Menschen laufen. Der Mensch erledigt die Aufgabe weiterhin; das KI-Ergebnis wird mit dem seinen verglichen. Zählen Sie Übereinstimmungen und Fehlschläge.
4. Ende Woche sechs: Lesen Sie die Kennzahl ab. Entscheiden Sie, ob Sie erweitern, es so belassen oder stoppen. Jedes der drei ist ein gutes Ergebnis, denn jetzt haben Sie Belege.

Wenn es funktioniert hat, ist das zweite Projekt meist offensichtlich: der nächste Schritt im selben Workflow oder dieselbe Aufgabe für ein benachbartes Team. Wenn nicht, haben Sie gelernt, wo Ihre Daten oder Ihre Domäne ein Modell zum Scheitern bringen, für den Preis von ein paar Wochen statt eines Quartals.

Wenn Sie einen Kandidaten im Kopf haben und eine zweite Meinung dazu möchten, ob er den Filter besteht, sprechen wir.