KI-Betriebsmodell im Unternehmen aufbauen

Ein KI-Betriebsmodell im Unternehmen entscheidet darüber, ob aus einem gelungenen Pilotprojekt ein steuerbarer Produktivbetrieb wird - oder eine Sammlung isolierter Anwendungsfälle ohne klare Verantwortung. Besonders kritisch wird dies dort, wo KI auf SAP-Daten, geschäftskritische Prozesse oder regulierte Entscheidungen zugreift. Dann reichen ein gutes Modell, eine fachliche Idee und ein erster Business Case nicht aus.

Ein belastbares Betriebsmodell verbindet fachliche Zielsetzung, technische Architektur, Datenverantwortung, Informationssicherheit und Governance. Es legt fest, wer eine KI-Lösung freigibt, wer ihre Qualität überwacht, wie Änderungen in Produktion gelangen und was bei fehlerhaften Ergebnissen geschieht. Damit wird KI nicht als Einzelinitiative behandelt, sondern als Bestandteil der bestehenden IT- und Prozesslandschaft.

Warum KI-Projekte ohne Betriebsmodell an Grenzen stoßen

Viele Unternehmen starten sinnvollerweise mit einem klar abgegrenzten Anwendungsfall: Dokumente klassifizieren, Wissen für den Service zugänglich machen, Prognosen verbessern oder Prozesse im Einkauf unterstützen. In der Pilotphase können kleine Teams schnell arbeiten. Für einen produktiven Einsatz verändern sich jedoch die Anforderungen.

Sobald mehrere Fachbereiche dieselben Daten nutzen, Schnittstellen zu ERP-Systemen bestehen oder Ergebnisse operative Entscheidungen beeinflussen, entstehen Abhängigkeiten. Das Fachteam kennt den Prozess, die IT verantwortet Integration und Betrieb, Data Owner sichern die Datenbasis, Informationssicherheit bewertet Schutzmaßnahmen und Compliance prüft Vorgaben. Ohne verbindliche Abstimmung bleiben Aufgaben oft zwischen diesen Rollen liegen.

Die Folgen sind in der Praxis selten spektakulär, aber kostspielig: Modelle werden mit geänderten Daten weiterbetrieben, Berechtigungen sind nicht ausreichend dokumentiert oder Fachbereiche können Ergebnisse nicht nachvollziehbar bewerten. Auch die Frage, wer einen kritischen Fehler priorisiert und behebt, wird häufig erst unter Betriebsdruck gestellt. Ein KI-Betriebsmodell schafft diese Klarheit vor dem Go-live.

Das KI-Betriebsmodell im Unternehmen beginnt mit Entscheidungen

Ein Betriebsmodell ist kein umfangreiches Regelwerk um seiner selbst willen. Es ist eine Vereinbarung über die Entscheidungen, die im laufenden Betrieb zuverlässig getroffen werden müssen. Dazu gehören insbesondere Freigaben, Änderungsmanagement, Qualitätskontrollen, Incident-Prozesse und Berichtspflichten.

Die Ausgestaltung hängt vom Risiko und vom Einsatzkontext ab. Eine interne Wissensassistenz ohne Zugriff auf sensible Daten benötigt andere Kontrollen als eine KI, die Kundenkommunikation vorbereitet, Lieferprognosen beeinflusst oder Daten aus einem S/4HANA-System verarbeitet. Einheitliche Grundprinzipien sind sinnvoll, die Tiefe der Nachweise und Prüfungen muss jedoch zum Anwendungsfall passen.

Fachliche Verantwortung bleibt beim Prozess

Der Fachbereich sollte nicht nur Anforderungen formulieren, sondern als Process Owner für den fachlichen Nutzen und die Ergebnisbewertung verantwortlich sein. Er definiert, wofür die Lösung verwendet werden darf, welche Fehler nicht akzeptabel sind und wann menschliche Prüfung erforderlich bleibt. Bei generativer KI ist diese Abgrenzung besonders relevant: Ein plausibel formulierter Text ist noch keine fachlich belastbare Aussage.

Daraus folgen messbare Kriterien. Je nach Anwendungsfall können dies Bearbeitungszeiten, Trefferquoten, Fehlklassifikationen, Korrekturquoten oder die Quote eskalierter Fälle sein. Entscheidend ist, dass diese Kennzahlen vor der Produktivsetzung vereinbart werden und nicht erst dann entstehen, wenn die Akzeptanz sinkt.

Technischer Betrieb braucht eindeutige Übergaben

Die technische Verantwortung umfasst weit mehr als die Bereitstellung eines Modells. Sie betrifft Identitäts- und Berechtigungsmanagement, Schnittstellen, Protokollierung, Kapazitäten, Sicherungskonzepte und die Überwachung von Abhängigkeiten. Werden KI-Komponenten in SAP-nahe Prozesse eingebunden, müssen Datenflüsse, Fehlerbilder und Rückfallverfahren mit der bestehenden Betriebsorganisation abgestimmt sein.

Besonders wichtig ist die Übergabe von Entwicklung oder Projektbetrieb in den Regelbetrieb. Dazu gehören dokumentierte Konfigurationen, getestete Betriebsabläufe, Ansprechpartner für Störungen und ein geregelter Umgang mit Releases. Ein neues Modell, ein veränderter Prompt, eine angepasste Datenquelle oder ein aktualisiertes Berechtigungskonzept können das Ergebnis erheblich verändern. Änderungen benötigen deshalb eine nachvollziehbare Bewertung und, wo erforderlich, einen Test- und Freigabeschritt.

Daten, Modelle und Prompts getrennt steuern

KI-Systeme werden oft nur über das eingesetzte Modell betrachtet. Für die Qualität im Betrieb ist jedoch die gesamte Kette entscheidend: Quelldaten, Aufbereitung, Kontextbereitstellung, Modellkonfiguration, Prompts, Schnittstellen und Nutzerinteraktion. Fehler können an jeder dieser Stellen entstehen.

Für Daten sollten Verantwortliche, zulässige Verwendungszwecke, Qualitätskriterien und Aktualisierungszyklen dokumentiert sein. Bei Daten aus mehreren Quellsystemen braucht es zusätzlich eine klare Datenflussanalyse. Sie beantwortet unter anderem, welche Informationen in die KI gelangen, wo sie verarbeitet werden, welche Daten zurück in operative Systeme fließen und wie sich diese Schritte nachvollziehen lassen.

Prompts und Retrieval-Konfigurationen verdienen dabei dieselbe Sorgfalt wie andere produktionsrelevante Artefakte. Werden sie unkontrolliert angepasst, sind Ergebnisse zwischen zwei Zeitpunkten kaum vergleichbar. Eine versionierte Ablage, fachliche Testfälle und Freigaben für Änderungen schaffen eine Grundlage für reproduzierbare Qualität.

Governance muss im Projektalltag funktionieren

Governance wird dann wirksam, wenn sie an bestehende Steuerungsprozesse anschließt. Ein zusätzliches Gremium ohne Entscheidungsrecht verzögert Projekte, ohne Risiken besser zu kontrollieren. Sinnvoller ist ein klarer Ablauf: Der Use Case wird fachlich und technisch bewertet, Risiken werden klassifiziert, Mindestnachweise festgelegt und die Freigabe erfolgt durch benannte Verantwortliche.

Für produktive Systeme sollten die zentralen Nachweise an einem zugänglichen Ort zusammengeführt werden. Dazu zählen Architektur- und Datenflussdokumentationen, Rollenmodelle, Testprotokolle, Freigabeentscheidungen, Betriebsanweisungen und Protokolle relevanter Änderungen. Das reduziert Aufwand bei internen Prüfungen und erleichtert revisionssicheres Reporting.

Je nach Einsatzfall können Anforderungen aus Datenschutz, Informationssicherheit, NIS2 oder dem EU AI Act berührt sein. Die technische und organisatorische Umsetzung sollte diese Aspekte früh berücksichtigen, statt sie kurz vor dem Go-live nachzuziehen. Soweit eine rechtliche Einordnung erforderlich ist, kann diese durch die rechtlich eigenständige Quteco Rechtsanwaltsgesellschaft mbH erfolgen. Die operative Verantwortung für Datenflüsse, Kontrollen und Nachweise bleibt dennoch im Projekt und im Unternehmen verankert.

Ein pragmatischer Weg vom Use Case zum Regelbetrieb

Der Aufbau muss nicht mit einem unternehmensweiten Zielbild beginnen. Für viele Organisationen ist es wirksamer, einen priorisierten Anwendungsfall als Referenz zu nutzen und dabei wiederverwendbare Standards zu schaffen. Ein strukturierter Quick Check kann zunächst klären, welche Prozesse, Daten, Systeme und Rollen bereits vorhanden sind und wo die wesentlichen Lücken liegen.

Danach folgt die Konkretisierung für den ausgewählten Einsatz: Verantwortlichkeiten werden im Rollenmodell festgelegt, Datenflüsse dokumentiert, Qualitäts- und Abnahmekriterien definiert sowie Betriebs- und Eskalationsprozesse getestet. Für SAP-nahe Szenarien sollte dies in die vorhandenen Verfahren für Transport, Testmanagement, Berechtigungen eingebunden werden. Ein paralleler Sonderprozess für KI ist nur dann sinnvoll, wenn er einen klaren regulatorischen oder technischen Grund hat.

Vor dem Go-live empfiehlt sich ein kontrollierter Produktivtest mit realistischen Daten und Nutzergruppen. Dabei zeigt sich, ob das Rückfallverfahren trägt, die Protokollierung ausreicht und die Fachbereiche mit den Ergebnissen arbeiten können. Erst wenn diese Punkte geklärt sind, ist der Nutzen nicht nur demonstriert, sondern betrieblich abgesichert.

Betriebsreife regelmäßig überprüfen

Ein KI-Betriebsmodell bleibt nicht statisch. Neue Datenquellen, veränderte Prozesse, aktualisierte Modelle und regulatorische Entwicklungen können die Risikobewertung verändern. Deshalb sind feste Überprüfungszeitpunkte sinnvoll, ergänzt um anlassbezogene Prüfungen bei wesentlichen Änderungen oder auffälligen Qualitätswerten.

Die entscheidende Frage lautet nicht, ob jede KI-Lösung gleich behandelt wird. Sie lautet, ob die Organisation für den jeweiligen Einsatzfall nachweisen kann, wer entscheidet, welche Daten verarbeitet werden, wie Qualität gemessen wird und wie bei Abweichungen gehandelt wird. Genau diese Transparenz schafft einen stabilen Betrieb, ohne fachliche Teams mit unnötiger Bürokratie zu blockieren.

Betriebsmodell und Governance konkretisieren

Quteco unterstützt Unternehmen mit Quick Checks, Workshops und operativer Projektbegleitung dabei, ein KI-Betriebsmodell an bestehende SAP-, Daten- und IT-Strukturen anzupassen. Im Fokus stehen belastbare Datenflüsse, klare Rollen, prüfbare Kontrollen und eine realistische Übergabe in den Produktivbetrieb. Ein gut abgegrenzter erster Use Case liefert dabei häufig die belastbarsten Grundlagen für eine skalierbare KI-Governance.