Enterprise AI: Vom Pilot zum stabilen Betrieb

Viele KI-Initiativen scheitern nicht am Modell, sondern an der Betriebsrealität: Uneinheitliche Datenbestände, unklare Freigaben, fehlende Prozessintegration und nicht dokumentierte Verantwortlichkeiten verhindern den produktiven Einsatz. Enterprise AI bezeichnet deshalb nicht einfach den Einsatz generativer KI im Unternehmen. Gemeint ist eine KI-Fähigkeit, die in bestehende Prozesse, Anwendungen, Sicherheitsvorgaben und Steuerungsstrukturen eingebettet ist und deren Ergebnisse nachvollziehbar genutzt werden können.

Für Organisationen mit SAP-Landschaften, regulierten Geschäftsprozessen oder hohen Anforderungen an Verfügbarkeit stellt sich damit eine andere Frage als bei einem isolierten Pilotprojekt: Wo entsteht ein konkreter, messbarer Nutzen, ohne Datenqualität, Informationssicherheit oder stabilen Betrieb zu gefährden?

Was Enterprise AI im Unternehmen konkret bedeutet

Enterprise AI verbindet KI-Modelle mit den fachlichen und technischen Rahmenbedingungen eines Unternehmens. Dazu gehören Datenquellen, Berechtigungen, Schnittstellen, Rollenmodelle, Protokollierung, Qualitätskontrollen und definierte Entscheidungswege. Ein Chatbot, der allgemeine Fragen beantwortet, kann ein sinnvoller Einstieg sein. Er ist jedoch noch keine tragfähige Enterprise-AI-Architektur.

Der Unterschied wird sichtbar, sobald KI auf operative Informationen zugreift oder Entscheidungen vorbereitet. Wenn ein System beispielsweise Verträge zusammenfasst, Servicefälle klassifiziert, Abweichungen in Lieferketten erkennt oder Testfälle für eine S/4HANA-Transformation auswertet, müssen Herkunft, Aktualität und Zugriffsrechte der Daten geklärt sein. Ebenso muss feststehen, welche Ergebnisse lediglich Hinweise liefern und an welcher Stelle eine fachliche Prüfung oder Freigabe erforderlich bleibt.

Der Nutzen entsteht nicht durch möglichst viele Anwendungsfälle. Er entsteht, wenn ein klar abgegrenzter Prozess schneller, konsistenter oder besser steuerbar wird. In der Praxis sind das häufig wissensintensive Tätigkeiten mit wiederkehrenden Prüfungen, hohen Suchaufwänden oder vielen unstrukturierten Dokumenten. Gerade dort kann KI Fachbereiche entlasten, sofern die Datenbasis belastbar und die Prozessverantwortung eindeutig ist.

Von der Idee zum produktiven Einsatz von Enterprise AI

Ein Pilot ist sinnvoll, um fachliche Akzeptanz, Datenzugang und Ergebnisqualität zu prüfen. Für den Übergang in den Betrieb reicht ein überzeugender Demonstrator aber nicht aus. Er muss in eine Architektur und ein Betriebsmodell überführt werden, die Skalierung, Änderungen und Prüfungen tragen.

Den Anwendungsfall an Prozesskennzahlen ausrichten

Am Anfang sollte kein Modell, sondern ein konkretes Geschäftsproblem stehen. Eine belastbare Beschreibung enthält den Prozessschritt, die betroffenen Rollen, die eingesetzten Daten, die Entscheidungssituation und eine messbare Zielgröße. Bei der Bearbeitung von Serviceanfragen könnten dies etwa die Durchlaufzeit, die Erstlösungsquote und die Zahl fehlerhafter Klassifizierungen sein.

Nicht jeder sinnvolle Anwendungsfall ist für den ersten produktiven Einsatz geeignet. Besonders geeignet sind Aufgaben mit ausreichendem Datenvolumen, klaren Qualitätskriterien und begrenztem Schadenspotenzial bei fehlerhaften Ergebnissen. Kritischer sind automatisierte Entscheidungen mit rechtlichen, finanziellen oder sicherheitsrelevanten Folgen. Hier sind stärkere Kontrollen, verbindliche Freigaben und gegebenenfalls eine vertiefte rechtliche Einordnung erforderlich.

Datenflüsse und Berechtigungen vor dem Modell klären

KI kann keine Verlässlichkeit erzeugen, wenn Stammdaten, Dokumente oder Transaktionsdaten widersprüchlich, veraltet oder unvollständig sind. Vor dem Produktiveinsatz sollte daher nachvollziehbar sein, welche Quellen verwendet werden, wie Daten aktualisiert werden und welche Informationen ausgeschlossen bleiben. Das gilt besonders für Inhalte aus SAP-Systemen, Data Warehouses, Dokumentenablagen und Ticketsystemen.

Berechtigungen dürfen nicht erst in der Benutzeroberfläche betrachtet werden. Entscheidend ist, welche Daten das Modell tatsächlich abrufen, verarbeiten oder in Antworten wiedergeben kann. Ein Rollenmodell muss deshalb fachliche Zuständigkeiten und technische Zugriffskontrollen zusammenführen. Für personenbezogene, vertrauliche oder geschäftskritische Informationen braucht es zusätzlich klare Regeln für Verarbeitung, Speicherung und Protokollierung.

Qualität nicht nur testen, sondern steuerbar machen

Bei klassischen IT-Funktionen lässt sich häufig eindeutig prüfen, ob ein Ergebnis korrekt ist. Bei generativer KI ist die Bewertung differenzierter. Antworten können sprachlich plausibel wirken und dennoch fachlich falsch, unvollständig oder nicht ausreichend begründet sein. Deshalb benötigt Enterprise AI ein Testkonzept, das typische Eingaben, Grenzfälle, bekannte Fehlerbilder und kritische Fachkonstellationen abdeckt.

Ein produktionsnaher Test sollte nicht allein technische Trefferquoten bewerten. Relevant sind auch Nachvollziehbarkeit, Quellenbezug, Antwortzeit, Verhalten bei fehlenden Informationen und die Einhaltung von Berechtigungen. In Bereichen wie Energieversorgung, Chemie oder Life Sciences kann zudem entscheidend sein, ob das System Abweichungen zuverlässig erkennt und Unsicherheit ausdrücklich kenntlich macht, statt Ergebnisse zu erfinden.

Nach dem Go-Live endet diese Arbeit nicht. Änderungen an Datenquellen, Prompts, Modellen oder Schnittstellen können die Ergebnisqualität beeinflussen. Ein geregeltes Monitoring zeigt, ob Nutzung, Fehlerquoten und Bearbeitungszeiten den erwarteten Verlauf nehmen. Es schafft zugleich eine Grundlage für revisionssicheres Reporting und für nachvollziehbare Verbesserungsentscheidungen.

Governance als Teil der Lieferfähigkeit

KI-Governance wird manchmal als zusätzlicher Freigabeschritt verstanden, der Projekte verlangsamt. Richtig aufgebaut, schafft sie genau das Gegenteil: Sie reduziert spätere Abstimmungsschleifen, macht Anforderungen früh sichtbar und ermöglicht begründete Entscheidungen über Risiken und Kontrollen.

Ein praxistaugliches Governance-Modell beantwortet vier Fragen. Wer verantwortet den fachlichen Zweck und die Ergebnisse? Wer verantwortet Daten, technische Plattform und Informationssicherheit? Welche Prüfungen sind vor dem Einsatz erforderlich? Und wie werden Änderungen, Vorfälle und Ausnahmen dokumentiert? Diese Fragen sollten nicht abstrakt in einer Richtlinie stehen, sondern in Projektplänen, Betriebsprozessen und Rollenmodellen verankert sein.

Abhängig vom Einsatzgebiet können Anforderungen aus Datenschutz, Informationssicherheit, Branchenvorgaben und dem EU AI Act relevant werden. Die technische Umsetzung muss dafür dokumentierbare Datenflüsse, Kontrollpunkte und Zuständigkeiten liefern. Bei rechtlichen Fragestellungen zu KI-Regulierung, Datenschutz, NIS2 oder IT-Recht kann die rechtlich eigenständige Quteco Rechtsanwaltsgesellschaft mbH ergänzend eingebunden werden. Die technische Projektverantwortung und die rechtliche Beratung bleiben dabei klar getrennt.

Die Integration in SAP- und Transformationsprojekte richtig planen

Enterprise AI wird selten auf einer leeren technischen Fläche eingeführt. Häufig trifft sie auf parallel laufende S/4HANA-Migrationen, bereinigte Stammdaten, neue Prozessmodelle oder konsolidierte Berechtigungsstrukturen. Daraus folgt: KI-Initiativen müssen Abhängigkeiten zu Integrationen, Tests, Release-Zyklen und Cutover-Planungen aktiv steuern.

Ein Beispiel ist die KI-gestützte Analyse von Testdokumentation oder Incident-Daten während einer ERP-Transformation. Der Nutzen kann hoch sein, wenn kritische Muster früher sichtbar werden und Projektteams schneller priorisieren können. Wird der Anwendungsfall jedoch auf instabile Datenquellen aufgesetzt oder kurz vor dem Cutover ohne geregelte Betriebsübergabe eingeführt, steigt das Risiko zusätzlicher Fehlerquellen. Der passende Zeitpunkt hängt daher vom Reifegrad der Daten, der Prozessstabilität und der verfügbaren Testkapazität ab.

Auch die Plattformentscheidung ist eine Architekturfrage, keine reine Beschaffungsentscheidung. Lösungen wie IBM watsonx können Bausteine für Modellbetrieb, Governance und kontrollierte Datenanbindung bereitstellen. Ob und wie sie sinnvoll eingesetzt werden, hängt jedoch von der vorhandenen Systemlandschaft, den Sicherheitsanforderungen, den Anwendungsfällen und den Fähigkeiten des internen Betriebs ab. Eine Plattform ersetzt weder Datenverantwortung noch fachliche Qualitätssicherung.

Ein belastbarer Einstieg statt eines großen KI-Programms

Für viele Unternehmen ist ein fokussierter Quick Check der sinnvollere Start als ein breit angelegtes KI-Programm. Dabei werden bestehende oder geplante Anwendungsfälle nach Geschäftsnutzen, Datenreife, Integrationsaufwand, Risiko und Betriebsfähigkeit bewertet. Das Ergebnis sollte nicht nur eine Prioritätenliste sein, sondern ein umsetzbarer nächster Schritt mit Verantwortlichkeiten, erforderlichen Datenarbeiten und einer realistischen Testlogik.

Darauf kann ein Workshop aufbauen, der Zielarchitektur, Governance-Anforderungen und Betriebsmodell konkretisiert. In laufenden Projekten ist außerdem entscheidend, dass diese Punkte in die operative Steuerung überführt werden: mit klaren Arbeitspaketen, Testfällen, Entscheidungsprotokollen und Übergaben an den Betrieb. So bleibt KI kein separates Innovationsthema, sondern wird zu einem steuerbaren Bestandteil der IT- und Prozesslandschaft.

Enterprise AI strukturiert vorbereiten

Quteco unterstützt Unternehmen mit Quick Checks, Workshops und operativer Projektbegleitung dabei, Enterprise-AI-Anwendungsfälle mit Datenarchitektur, SAP-Integration und Governance zu verbinden. Im Mittelpunkt stehen belastbare Datenflüsse, klare Rollenmodelle sowie eine Test- und Betriebsplanung, die zum jeweiligen Risiko und Prozesskontext passt. Ein gut abgegrenzter erster Einsatz liefert dabei oft mehr Orientierung als ein umfangreiches Programm mit noch ungeklärten Grundlagen.