Ist der Prozess für KI geeignet? Der belastbare Go-/No-Go-Check

Ein Produktionsleiter zeigt auf einen Ordner mit Fotos fehlerhafter Bauteile: „Damit müsste eine KI doch sofort lernen können.“ Beim genaueren Hinsehen stammen die Aufnahmen von verschiedenen Smartphones, die Fehler sind nicht bestätigt und einwandfreie Teile wurden nie fotografiert. Die Idee klingt plausibel. Ob der Prozess für KI geeignet ist, lässt sich daraus noch nicht ableiten.

Ein interessanter KI-Einfall ist kein geeigneter Betriebsprozess. Vor einer Entwicklung müssen Aufgabe, Daten, Ergebnis, Fehlerfolge, menschliche Kontrolle und technischer Anschluss zusammenpassen. Fehlt eine dieser Grundlagen, kann ein überzeugender Prototyp entstehen, der im Alltag trotzdem nicht zuverlässig betrieben werden kann.

Der Go-/No-Go-Check führt deshalb nicht nur zu „machen“ oder „nicht machen“. Er unterscheidet drei Ergebnisse:

• Go: Ein begrenzter Pilot kann mit klarer Hypothese und Rückfallebene starten.
• Erst vorbereiten: Die Idee bleibt sinnvoll, benötigt aber benannte Digitalisierungs-, Daten- oder Prozessarbeit.
• No-Go für diesen Zuschnitt: Ziel, Fehlerfolge oder fehlende Nachweisbarkeit machen den geplanten KI-Einsatz ungeeignet.

SW Business Solutions bewertet dabei technologieoffen. Ein No-Go für KI kann ein Go für eine Schnittstelle, einen Workflow, ein besseres Formular oder einen Wissensassistenten sein.

Ob ein Prozess für KI geeignet ist, entscheidet sich am Arbeitsschritt

Ein Gesamtprozess ist als Prüfobjekt meist zu groß. „Auftragsbearbeitung automatisieren“ umfasst Eingang, Kundenzuordnung, Artikel, Preis, Verfügbarkeit, Freigabe und Antwort. Einige Schritte sind regelbasiert, andere variabel und einzelne benötigen ein fachliches Urteil.

Der Check beschreibt deshalb einen konkreten Arbeitsschritt in einem Satz:

Aus diesen zum Entscheidungszeitpunkt verfügbaren Eingaben soll dieses überprüfbare Ergebnis für diesen Folgeprozess vorbereitet werden.

Ein belastbares Beispiel lautet: „Aus eingehender E-Mail, PDF-Bestellung und Kundenstamm sollen mögliche Auftragspositionen extrahiert und einer Vertriebsprüfung vorgelegt werden.“ Ungeeignet wäre: „Die KI soll unseren Vertrieb optimieren.“

Die genaue Formulierung legt zugleich fest, welche Daten benötigt werden und wo die Verantwortung endet. Ein Modell, das Positionen vorbereitet, benötigt andere Kontrollen als ein System, das Bestellungen verbindlich bucht.

Der Check bewertet Belege statt Bauchgefühl

Jedes Kriterium erhält grün, gelb oder rot. Die Farbe muss mit einem konkreten Beleg verbunden sein.

Eine gelbe Datenlage wird nicht mit „später bereinigen“ dokumentiert. Der Eintrag lautet beispielsweise: „Anlagen-IDs fehlen in älteren Berichten; 200 repräsentative Vorgänge werden bis zum Pilot fachlich zugeordnet, danach muss mindestens jeder Testfall eindeutig referenziert sein.“ Die Zahl in einem realen Projekt ergibt sich aus Fallbreite und Prüfplan, nicht aus einer allgemeinen Vorgabe.

Fraunhofer FOKUS beschreibt seinen aktuellen KI-Readiness-Check über Strategie, Organisation, Technologie und Governance sowie eine individuelle Bewertung von Potenzialen, Risiken, Voraussetzungen und Umsetzbarkeit. Fraunhofer IML betont für Produktion und Instandhaltung eine frühe Abschätzung von Machbarkeit und tatsächlichem Nutzen. Beide Ansätze stützen die Trennung zwischen einer allgemeinen KI-Ambition und einem umsetzbaren Anwendungsfall.

Prüffeld 1: Der Engpass ist beobachtbar und abgrenzbar

Ein Prozessschritt ist nur dann ein geeigneter Kandidat, wenn heute erkennbar ist, was schiefläuft oder unnötig Aufwand erzeugt. „Unsere Mitarbeitenden verbringen viel Zeit mit Verwaltung“ ist zu allgemein. Besser sind ungeklärte Dokumente, wiederholte Rückfragen, verspätete Einsatzinformationen oder manuelle Zuordnungen.

Geprüft werden:

• klares Start- und Endereignis
• beteiligte Rollen und Systeme
• heutige Bearbeitungs- und Wartezeiten
• typische Standard- und Ausnahmefälle
• konkrete Fehler und ihre Folgen
• veränderbarer Schritt innerhalb des Unternehmens

Rot ist ein Vorhaben, wenn Erfolg ausschließlich von einem externen Marktverhalten abhängt, das die Lösung weder beobachten noch beeinflussen kann. Gelb ist ein Prozess, dessen Varianten heute nur mündlich bekannt sind; hier kann eine kurze Prozessaufnahme die Lücke schließen.

Prüffeld 2: Es existiert ein wiederkehrendes Muster

KI kann Muster aus Sprache, Bildern oder historischen Verläufen nutzen. Ein einmaliges Problem ohne vergleichbare Fälle bietet keine belastbare Grundlage für ein lernendes Verfahren.

Wiederholung bedeutet nicht, dass jeder Fall identisch ist. Entscheidend ist, ob Eingaben, Ziel und Fachlogik genügend Gemeinsamkeit besitzen. Eine Bestellung kann verschiedene Layouts haben und dennoch dieselben Zielfelder enthalten. Eine Reparatur an einer einmaligen Sondermaschine kann dagegen so individuell sein, dass ein Prognosemodell nicht bewertbar wäre.

Die Fallzahl wird zusammen mit Variantenbreite und Fehlerkosten betrachtet. Viele nahezu identische Fälle können eine einfache Regel rechtfertigen. Wenige stark unterschiedliche Fälle sprechen eher für menschliche Bearbeitung oder Wissensunterstützung. Es gibt keine universelle Mindestmenge, die einen Prozess automatisch KI-tauglich macht.

Ein grüner Beleg ist eine Übersicht der relevanten Fallklassen über einen geeigneten Zeitraum. Gelb bedeutet, dass die Varianten bekannt, aber noch nicht strukturiert sind. Rot liegt vor, wenn jeder Fall ein anderes Ziel und andere Eingaben besitzt.

Prüffeld 3: Die Eingaben sind zum Entscheidungszeitpunkt verfügbar

Ein Modell darf nicht mit Informationen getestet werden, die im späteren Betrieb erst nach der Entscheidung entstehen. Das wäre ein Datenleck und erzeugt eine unrealistisch gute Bewertung.

Für eine Tourabweichung dürfen beispielsweise bestätigte Folgezeiten nicht als Eingabe dienen, wenn die Prognose bereits bei Abfahrt benötigt wird. Für eine Qualitätsprüfung darf der spätere Reklamationsgrund zum Trainieren eines Zielwerts verwendet werden, aber nicht als aktuelles Merkmal.

Geprüft werden Quelle, Zeitstempel, Export, Kennungen, Vollständigkeit und Berechtigung. Sichtbare Daten in einer Fachsoftware sind nicht automatisch wiederholbar zugänglich. Ein manueller Export kann für den Machbarkeitstest genügen; der Produktivbetrieb benötigt einen kontrollierten Datenweg.

Der Artikel zur Datenbasis für KI im Unternehmen vertieft Papier, Excel, E-Mail, Stammdaten und Datenherkunft. Im Go-/No-Go-Check ist ein roter Blocker erreicht, wenn kritische Eingaben weder rechtmäßig noch technisch bereitgestellt werden können.

Prüffeld 4: Das richtige Ergebnis lässt sich fachlich bestätigen

Ein Modell kann nur sinnvoll geprüft werden, wenn ein Ergebnis als richtig, falsch oder bewusst unentscheidbar bewertet werden kann. Bei Dokumenten ist das die bestätigte Klasse oder Feldbelegung. Bei Prognosen ist es ein später eingetretenes Ereignis. Bei Wissenssuche ist es die erwartete, gültige Quelle.

Problematisch sind Ziele, die aus einer alten Gewohnheit statt aus der fachlichen Realität stammen. Wenn ein Disponent Aufträge regelmäßig aus Kulanz umpriorisiert, ist die historische Priorität nicht automatisch das richtige Trainingsziel. Wenn ein Teil nach einer Reparatur wieder läuft, beweist das noch nicht die dokumentierte Fehlerursache.

Die Fachverantwortung definiert:

• Zielvariable oder erwartete Ausgabe
• zulässige Mehrdeutigkeit
• Umgang mit unbekannten Fällen
• erforderliche Belege
• Personen, die Testfälle bewerten dürfen
• Konfliktlösung bei abweichenden Einschätzungen

Rot ist ein Anwendungsfall, wenn niemand zuverlässig feststellen kann, ob das Ergebnis richtig ist. Dann kann weder ein Modellvergleich noch eine Abnahme stattfinden.

Prüffeld 5: Eine einfache Baseline ist vorhanden

Ein KI-Modell wird nicht nur mit der manuellen Perfektion oder einer theoretischen Idealvorstellung verglichen. Es benötigt eine einfache, realistische Referenz: heutiger Prozess, feste Regel, Mittelwert, Stichwortsuche oder Standardfunktion der vorhandenen Software.

Eine Nachfrageprognose kann gegen den heutigen gleitenden Mittelwert geprüft werden. Eine Dokumentenklassifikation kann gegen eine Stichwortregel und die manuelle Zuordnung antreten. Ein Wissensassistent wird mit der bestehenden Suchfunktion verglichen.

Ohne Baseline lässt sich nicht erkennen, ob KI einen Zusatznutzen bringt oder nur einen bereits lösbaren Schritt komplizierter macht. Der Artikel Automatisierung oder KI behandelt die Auswahl zwischen Formular, Schnittstelle, Workflow, Optimierung und KI detailliert und führt die Betriebskosten weiter aus.

Grün bedeutet, dass Baseline und Qualitätsmaß vor dem Pilot feststehen. Gelb ist eine fehlende Messung, die durch einen begrenzten Beobachtungszeitraum erhoben werden kann. Rot ist ein Ziel wie „besser entscheiden“, für das keine überprüfbare Referenz definiert werden kann.

Prüffeld 6: Fehlerkosten und erlaubte Autonomie sind geklärt

Die gleiche Erkennungsqualität kann bei interner Vorsortierung akzeptabel und bei einer sicherheitskritischen Maschinenaktion ungeeignet sein. Deshalb wird nicht zuerst nach einer Prozentzahl gefragt, sondern nach der Wirkung jedes Fehlertyps.

Für falsch positive und falsch negative Ergebnisse wird geklärt:

• Welche Aktion folgt unmittelbar?
• Ist der Fehler vor seiner Wirkung sichtbar?
• Kann die Aktion vollständig zurückgenommen werden?
• Betrifft sie Sicherheit, Geld, Recht oder Beschäftigte?
• Wie schnell wird ein Fehler erkannt?
• Welche Rückfallebene bleibt verfügbar?

Ein Modell kann beispielsweise eine Rechnung als „prüfbar“ markieren, obwohl eine Pflichtangabe fehlt. Der Prozess muss entscheiden, ob vor einer Buchung immer eine Regelprüfung folgt. Bei hoher Fehlerfolge wird die KI auf Hinweis, Sortierung oder Entwurf begrenzt.

Ein roter Blocker liegt vor, wenn ein unsicheres Modellergebnis unmittelbar eine schwer reversible, sicherheitskritische Aktion auslösen soll und keine unabhängige Schutzfunktion existiert.

Prüffeld 7: Menschliche Freigabe ist praktisch wirksam

„Ein Mensch schaut noch einmal drauf“ ist keine ausreichende Kontrolle. Die Person benötigt Zeit, Qualifikation, Originaldaten und eine verständliche Darstellung. Wenn täglich zu viele Vorschläge erscheinen oder die Oberfläche nur ein fertiges Ergebnis zeigt, entsteht leicht automatisches Abnicken.

Eine wirksame Prüfung zeigt:

• Originaleingabe und relevante Quellen
• KI-Ergebnis mit Unsicherheit oder Konflikt
• kritische Abweichungen und fehlende Felder
• zulässige Aktionen einschließlich Ablehnung
• klare Verantwortung für die Freigabe
• dokumentierten Korrekturgrund

Die Europäische Kommission beschreibt menschliche Aufsicht im risikobasierten AI-Act-Rahmen als Fähigkeit, Grenzen zu verstehen, Auffälligkeiten zu erkennen sowie eine Ausgabe zu übergehen, zu ändern oder nicht zu verwenden. Nicht jeder betriebliche Assistent ist ein Hochrisiko-System. Die Prinzipien zeigen dennoch, weshalb ein rein formaler Freigabeklick kein tragfähiges Kontrollkonzept ist.

Gelb ist eine fachlich geeignete Kontrolle ohne passende Prüfansicht. Rot liegt vor, wenn die freigebende Person das Ergebnis mit den verfügbaren Informationen realistisch nicht bewerten kann.

Prüffeld 8: Der Integrationsweg ist vor dem Pilot sichtbar

Ein Modell in einem separaten Testfenster erzeugt noch keinen nutzbaren Prozess. Es muss Eingaben aus den richtigen Systemen erhalten und Ergebnisse kontrolliert zurückgeben.

Geprüft werden:

• führendes System für Kunden, Auftrag, Anlage oder Artikel
• API, Datei, Datenbankansicht oder anderer erlaubter Zugriff
• eindeutige Vorgangs- und Objektkennungen
• erlaubte Rückschreibefelder
• Fehlerwarteschlange und Wiederholung
• Verhalten bei Modell- oder Netzwerkausfall
• Protokollierung von Quelle, Modellversion und Freigabe

Ein Pilot kann zunächst mit einem kontrollierten Export arbeiten. Vor einem Go muss jedoch plausibel sein, wie der spätere Ablauf ohne manuelle Schattenlisten funktioniert. SW Business Solutions entwickelt dafür API-Schnittstellen und individuelle Konnektoren, wenn Standardwege die benötigte Verbindung nicht abbilden.

Rot ist ein Vorhaben, bei dem die KI nur durch unzulässiges Kopieren, geteilte Benutzerkonten oder unkontrollierten Direktzugriff in ein kritisches System eingebunden werden könnte.

Prüffeld 9: Betrieb, Monitoring und Verantwortung sind benannt

Nach dem Pilot verändern sich Daten, Formulare, Produkte und Systeme. Ein Go benötigt deshalb einen Besitzer für Fachlogik und einen Betreiber für die technische Komponente.

Vorab werden festgelegt:

• fachlich verantwortliche Rolle
• technischer Betrieb und Supportweg
• Qualitätskennzahlen und Prüfintervall
• erlaubte Modell-, Prompt- und Regeländerungen
• Umgang mit Fehlern und Beschwerden
• Auslöser für Rücknahme oder erneuten Schattenbetrieb
• Archivierung von Versionen und Ergebnissen

Fraunhofer IML weist in seiner aktuellen KI-Readiness-Einordnung darauf hin, dass auch bei externer Unterstützung organisatorische Verantwortung und kompetentes Personal an der Schnittstelle zum Domänenwissen nötig bleiben. Ein Dienstleister kann das Modell betreiben; er kann die fachliche Verantwortung des Unternehmens nicht unsichtbar ersetzen.

Gelb ist eine noch nicht zugewiesene Rolle, die vor dem Pilot benannt werden kann. Rot ist ein System, für dessen Ergebnisse und Fehler nach dem Projekt niemand zuständig sein will.

Prüffeld 10: Recht, Sicherheit und Beschäftigtenbezug sind separat geprüft

Der technische Go-/No-Go-Check ersetzt keine rechtliche Bewertung. Daten können Personen, Geschäftsgeheimnisse, Kundenverträge oder sicherheitsrelevante Anlagen betreffen. Der konkrete Zweck und die Rolle des Unternehmens im KI-System müssen geklärt werden.

Das BSI-Modell QUAIDAL nennt bereits für frühe Planungsphasen Risiken aus unzureichend definierten Geschäftsanforderungen, fehlender Risikoeinstufung und ungeeigneten Datenquellen. Diese Punkte gehören vor die Modellauswahl.

Bei Beschäftigtendaten, automatisierten Entscheidungen über Personen oder sicherheitsrelevanten Anwendungen ist eine vertiefte Prüfung erforderlich. Der AI Act folgt einem risikobasierten Ansatz; Pflichten hängen vom konkreten Verwendungszweck und der Rolle als Anbieter oder Betreiber ab. Eine allgemeine Chatbot-Freigabe deckt diese Einordnung nicht ab.

Rot ist ein geplanter Einsatz, der einen unzulässigen Zweck, nicht beherrschbare Sicherheitsfolge oder fehlende erforderliche Beteiligung voraussetzt. Gelb ist eine offene Einordnung, die vor Nutzung echter Daten geklärt werden muss.

Harte Blocker dürfen nicht durch einen Gesamtscore verschwinden

Eine addierte Punktzahl kann gefährlich sein: Viele grüne Komfortmerkmale gleichen keinen roten Sicherheits- oder Datenblocker aus. Deshalb werden harte Stop-Kriterien separat behandelt.

Ein Pilot startet nicht, wenn mindestens einer dieser Punkte ungeklärt bleibt:

• kein überprüfbares fachliches Ziel
• kritische Eingabe steht zum Entscheidungszeitpunkt nicht zur Verfügung
• Verwendung der erforderlichen Daten ist nicht geklärt
• Fehler kann unmittelbar schwerwiegende Folgen auslösen und ist nicht begrenzt
• menschliche Kontrolle ist fachlich oder praktisch wirkungslos
• kein führendes System und keine eindeutige Identität
• keine verantwortliche Rolle für Ergebnis und Betrieb
• keine Rückfallebene bei Ausfall

Der Zuschnitt kann verändert werden. Statt einer automatischen Entscheidung wird vielleicht nur ein Hinweis erzeugt. Statt aller Kundenanfragen werden drei Standardklassen betrachtet. Statt Produktionseingriff wird zunächst im Schattenbetrieb gemessen.

Gegenbeispiel Disposition: Go für einen begrenzten Schattenpilot

Eine Spedition möchte Verspätungsrisiken früher erkennen. TMS-Aufträge, geplante und tatsächliche Zeitereignisse, Strecken und bestätigte Ankunft liegen mit stabilen IDs vor. Die Disposition prüft heute bereits Abweichungen und kann Vorschläge übergehen.

Bewertung:

Ergebnis: Go für einen Schattenpilot ohne automatische Kundeninformation. Gemessen werden zusätzliche richtig erkannte Abweichungen, Fehlalarme und Prüfaufwand gegenüber der bestehenden Regel. Erst danach wird über eine Integration entschieden. Der Beitrag KI in der Logistik ordnet die benötigten Daten und operativen Grenzen ein.

Gegenbeispiel Werkstatt: No-Go für eine Ausfallprognose

Eine Werkstatt betreut einzelne, alte Sondermaschinen. Für jede Maschine existieren wenige Störungen, Sensorhistorien fehlen und die tatsächliche Ursache wurde häufig nur mündlich geklärt. Geplant ist ein Modell, das den nächsten Ausfall samt Bauteil vorhersagt.

Bewertung:

Ergebnis: No-Go für die geplante Ausfall- und Bauteilprognose. Ein sinnvoller Alternativschritt ist die strukturierte Störungs- und Ursachenakte. Das Sichern von Erfahrungswissen mit KI kann zusätzlich helfen, geprüfte Diagnosewege mit Quellen zugänglich zu machen. Erst neue Daten können später einen anderen Prognosezuschnitt ermöglichen.

Gegenbeispiel Produktion: Erst Erfassung und Prüfstandard verbessern

Ein Betrieb möchte Oberflächenfehler mit Bildern erkennen. Fehler treten wiederkehrend auf und werden fachlich unterschieden. Die heutigen Fotos entstehen jedoch nur bei Reklamationen, mit wechselndem Licht und ohne einwandfreie Vergleichsteile. Kameraabstand und Produktionsvariante fehlen.

Bewertung:

Ergebnis: Erst vorbereiten. Der Betrieb definiert Kamera, Beleuchtung, Bauteil-ID, Aufnahmezeitpunkt und fachliche Kennzeichnung. Danach wird ein neuer Go-/No-Go-Check durchgeführt. Der Artikel KI in der Produktion beschreibt die kontrollierte Bildprüfung ausführlicher.

Wirtschaftlichkeit folgt erst nach dem fachlichen Go

Ein ungeeigneter Prozess wird nicht durch hohe theoretische Einsparung geeignet. Zuerst müssen Ziel, Machbarkeit und Risiko tragfähig sein. Danach werden Volumen, heutiger Aufwand, Fehlerkosten, Integration, Lizenzen, Prüfung, Monitoring und Betrieb kalkuliert.

Die Vertiefung Automatisierung oder KI vergleicht die einfache technische Alternative mit der KI-Variante. Im Go-/No-Go-Check genügt zunächst die Aussage, ob überhaupt ein messbarer wirtschaftlicher Hebel existiert und welche Kostenblöcke geprüft werden müssen.

Ein Prozess mit wenigen Fällen kann trotzdem geeignet sein, wenn jeder Fall erheblichen Prüfaufwand verursacht und das Ergebnis risikoarm vorbereitet werden kann. Hohe Fallzahl allein rechtfertigt umgekehrt keine KI, wenn eine feste Schnittstelle denselben Engpass löst.

Der Ergebnisbericht enthält Entscheidung, Beleg und nächsten Schritt

Ein brauchbarer Check endet nicht mit einer Ampelgrafik. Der Bericht dokumentiert:

• genau abgegrenzten Arbeitsschritt
• heutige Baseline und Fehlerfolgen
• Eingaben, Quellen und zeitliche Verfügbarkeit
• Ziel, Testmethode und Fachverantwortung
• Bewertung jedes Prüffelds mit Beleg
• harte Blocker und offene Annahmen
• erlaubten Automatisierungsgrad
• Integrations- und Rückfallkonzept
• Entscheidung Go, Erst vorbereiten oder No-Go
• konkrete nächste Maßnahme mit Abnahmekriterium

Bei Go folgt ein Pilotbriefing mit Hypothese, Umfang, Prüfdatensatz, Qualitätskriterien und Stop-Regeln. Bei „Erst vorbereiten“ folgt ein kleines Digitalisierungsprojekt. Bei No-Go wird eine einfachere technische oder organisatorische Alternative benannt.

SW Business Solutions prüft den realen Prozess statt einer KI-Idee

SW Business Solutions verfolgt einen konkreten Vorgang gemeinsam mit Fachbereich und IT. Das Team prüft Eingaben, Muster, Zielwerte, Fehlerfolgen, Freigaben, Systeme und wirtschaftlichen Hebel. Vorhandene Standardsoftware bleibt führend, wenn sie die fachliche Wahrheit trägt.

Der Check kann folgende Ergebnisse vorbereiten:

• Prozessschritt und Baseline
• Daten- und Integrationskarte
• Regel-, Automatisierungs- und KI-Abgrenzung
• Fehler- und Risikomatrix
• Prüf- und Freigabekonzept
• Pilotumfang und Schattenbetrieb
• Stop-Kriterien und Betriebsverantwortung
• alternative Lösung bei No-Go

Die KI-Integration von SW Business Solutions beginnt erst nach einer positiven oder gezielt vorbereiteten Entscheidung. Die Datenanalyse prüft historische Beispiele und Baseline; individuelle Software entsteht für fehlende Prüfoberflächen, Datenwege und Workflows.

Für den ersten Check genügt ein realer Vorgang mit Eingaben, heutiger Entscheidung und tatsächlichem Ergebnis. SW Business Solutions unterzieht diesen Prozess einem begründeten KI-Go-/No-Go-Check. Das Dream Outcome ist eine belastbare Entscheidung vor der Investition – einschließlich der Freiheit, einen ungeeigneten KI-Zuschnitt rechtzeitig zu verwerfen.