Welches KI-Modell sollten wir verwenden?

Das, das auf Ihrem Evaluierungsdatensatz am besten abschneidet, zu Kosten, die Sie tragen können. Modelle ändern sich schnell, daher sollte die Integration den Wechsel zu einer Konfigurationsänderung machen, und der Evaluierungsdatensatz macht aus dem Wechsel einen Vergleich statt einer Vermutung.

Kann KI Dokumente auf Hindi, Gujarati oder in Handschrift lesen?

Gedruckten Text in indischen Sprachen lesen aktuelle Modelle oft gut. Handschrift und schlechte Scans schwanken von Dokument zu Dokument stark. Ihre eigenen Beispiele im Evaluierungsdatensatz sind die einzige verlässliche Antwort für Ihre Dokumente.

Ersetzt sie die Menschen, die diese Arbeit heute machen?

In der Praxis verlagert sie deren Arbeit vom Tippen zum Prüfen und erhöht, wie viel eine Person schafft. Das Urteil bleibt bei einem Menschen, und dort sollte es bei allem bleiben, das Folgen hat.

Wie lange dauert eine erste KI-Funktion?

Typischerweise sieben bis zehn Wochen von der Suche nach der Aufgabe bis zu einem gemessenen Pilotbetrieb: eine Woche, um die richtige Aufgabe zu finden, eine Woche für den Evaluierungsdatensatz, drei bis fünf für Bau und Messung und zwei bis drei mit echtem Volumen hinter der Freigabe.

Software kaufen

KI in Unternehmenssoftware: Wo sie wirklich hilft

Die meisten Anfragen, KI einzubauen, beginnen mit einer Demo. Die nützliche Frage ist enger: Welcher Schritt, der heute von Hand erledigt wird, ist Lesen, Sortieren, Suchen oder Entwerfen – und was kostet es, wenn er falsch ist?

5. Oktober 2026 8 Min. Lesezeit Plexowave

Wir bauen KI-Funktionen in Unternehmenssoftware ein, und ein guter Teil unserer Gespräche darüber endet mit der Empfehlung, es nicht zu tun. Das ist keine Bescheidenheit. Ein Modell ist ein gutes Werkzeug für eine bestimmte Art von Arbeit und ein teures, unberechenbares für alles andere. Vorher zu wissen, was was ist, macht den größten Teil des Werts aus.

Das Muster, das schiefgeht, ist bekannt. Eine Funktion wird gewählt, weil sie sich gut vorführen lässt, meist ein Chatfenster, und sie landet dort, wo man sie sieht, statt dort, wo die Handarbeit liegt. Niemand legt fest, wie eine richtige Antwort aussieht, also kann niemand sagen, ob sie funktioniert. Sechs Monate später ist sie noch da, und niemand nutzt sie.

Vier Aufgaben, die sie gut erledigt

Fast jede KI-Funktion, die sich in Unternehmenssoftware ihren Platz verdient, ist eine dieser vier, und jede ersetzt eine Person, die Text liest und abtippt, was sie gefunden hat.

Dokumente lesenLieferantenrechnungen, Bestellungen, Kontoauszüge und Lieferscheine werden in strukturierte Felder eingelesen. Das Modell liest; gewöhnlicher Code prüft dann, was es gelesen hat – dass die Positionssummen aufgehen, dass eine GSTIN das richtige Format hat, dass der Lieferant existiert. Die meisten Erkennungsfehler fangen diese Prüfungen ab, bevor jemand sie sieht.
Eingänge sortierenAnfragen, Tickets und E-Mails werden an die richtige Warteschlange geleitet, nach Dringlichkeit markiert oder gekennzeichnet, wenn sie eine erfahrene Person brauchen. Ein falscher Treffer kostet nur eine Weiterleitung, und genau das macht dies zu einer guten ersten Aufgabe.
In den eigenen Unterlagen suchenFragen werden aus Ihren Dokumenten, Richtlinien und früheren Vorgängen beantwortet, mit der Quelle neben der Antwort. Ohne Quellenangabe ist es eine selbstsichere Umschreibung, die niemand prüfen kann; mit ihr ist es eine schnellere Suche.
Entwürfe für einen MenschenAntworten, Anschreiben zu Angeboten, Produktbeschreibungen und Zusammenfassungen langer Verläufe, vorbereitet, damit jemand sie korrigiert und freigibt. Die Ersparnis ist echt, wenn das Korrigieren eines Entwurfs schneller geht als das Schreiben von Grund auf – und nur dann.

Wo sie nicht entscheiden darf

Alles, was eine Berechnung oder Regel ist, gehört in Code. Lohnabrechnung, GST, Bestandsbewertung, Zinsen, Rabatte und Anspruchsprüfungen haben eine richtige Antwort, die ein Prüfer nachvollziehen kann, während ein Modell eine plausible Antwort liefert, die meistens stimmt. Meistens ist kein Maßstab, auf den jemand eine Steuererklärung stützen kann.

Steuer- und gesetzliche Berechnungen, selbst wenn ein Modell die Regel tadellos erklären könnte.
Freigaben mit finanziellen oder rechtlichen Folgen, etwa Kreditlimits, Erstattungen und Abschreibungen.
Alles, bei dem dieselbe Eingabe immer dasselbe Ergebnis liefern muss.
Fakten, die nicht in den übergebenen Daten stehen. Gefragt nach etwas, das es nicht sehen kann, füllt ein Modell die Lücke mit etwas, das richtig klingt.

Messen vor dem Launch

Die eine Gewohnheit, die KI-Funktionen, die bleiben, von denen unterscheidet, die abgeschaltet werden, ist ein Evaluierungsdatensatz – erstellt vor der Funktion, nicht nach den Beschwerden.

Echte Fälle sammelnAus Ihren eigenen Dokumenten und Nachrichten, einschließlich der schwierigen – schlechte Scans, Handschrift, gemischte Sprachen, der Lieferant, dessen Rechnungslayout sich jedes Quartal ändert.
Die richtige Antwort festhaltenFür jeden Fall, was eine sorgfältige Person erstellt hätte. Das ist mühsam, und es ist der Schritt, der alles Weitere erst möglich macht.
Pro Feld messen, nicht insgesamtEin Rechnungsleser, der Summen richtig und Datumsangaben falsch liest, hat ein konkretes, behebbares Problem. Eine einzige Genauigkeitszahl verdeckt es.
Einen Schwellenwert festlegenUnterhalb einer vereinbarten Konfidenz geht der Fall an eine Person, statt durchzulaufen. Der Schwellenwert ist eine geschäftliche Entscheidung, und sie sollte Ihre sein.
Bei jeder Änderung neu ausführenEin neuer Prompt oder ein neues Modell wird zu einem gemessenen Vergleich am selben Datensatz statt zu einer Änderung, die niemand zu machen wagt.

Die menschliche Freigabe

Jede KI-Funktion braucht eine Entscheidung darüber, was ohne Menschen geschieht. Für die meisten geschäftlichen Aufgaben ist der richtige Anfang, Entwürfe zur Freigabe vorzulegen und nie unbeaufsichtigt zu handeln – und das nur so weit auszudehnen, wie die gemessenen Zahlen es rechtfertigen.

Die Freigabe spart nur Zeit, wenn Prüfen schneller ist als Selbermachen. Dazu gehört, die Quelle neben dem Ergebnis zu zeigen – das Rechnungsbild neben den erkannten Feldern, den zitierten Absatz neben der Antwort –, damit eine Person bestätigt statt neu macht. Ein Prüfbildschirm, auf dem jemand das Original suchen muss, hat die Ersparnis stillschweigend zunichtegemacht.

Kosten, Tempo und Daten

Abgerechnet wird pro Aufruf, die Rechnung wächst also mit dem Volumen. Schätzen Sie das monatliche Volumen und die Größe jeder Anfrage vor dem Bau, nicht nach der ersten Rechnung.
Wiederkehrende Arbeit zwischenspeichern und einfache Fälle an kleinere, günstigere Modelle leiten. Der Großteil des Volumens sind einfache Fälle.
Legen Sie ein Latenzbudget fest. Eine Funktion, die in einer belebten Maske viele Sekunden braucht, wird nicht genutzt, wie gut ihre Antworten auch sind.
Entscheiden Sie, welche Daten Ihre Infrastruktur verlassen dürfen, und schwärzen Sie, was nicht gesendet werden muss. Personenbezogene Daten in einem Prompt bleiben personenbezogene Daten nach Indiens DPDP-Gesetz.
Prüfen Sie die Bedingungen des Anbieters zu Speicherung und Training. Enterprise-API-Bedingungen schließen das Training mit übermittelten Daten in der Regel aus; wo das nicht reicht, kann ein Open-Weight-Modell auf Ihren eigenen Servern laufen.

Ein vernünftiges erstes Projekt

Wählen Sie eine Aufgabe, die häufig, risikoarm und leicht zu prüfen ist. Lieferantenrechnungen in eine Einkaufsbuchung einzulesen, die eine Person freigibt, ist ein gutes Beispiel: Das Volumen ist echt, ein Fehler fällt bei der Freigabe auf, und die gesparte Zeit lässt sich leicht messen. Erstellen Sie den Evaluierungsdatensatz, bringen Sie die Funktion hinter der Freigabe live und schauen Sie nach einem Monat auf die Zahlen.

Sind sie gut, lässt sich die nächste Aufgabe leichter begründen und schneller bauen, weil die Evaluierungsgewohnheit und der Prüfbildschirm schon existieren. Sind sie es nicht, haben Sie das günstig gelernt – und manchmal lautet die Erkenntnis, dass das Problem ein schlecht gestaltetes Formular war, das gar kein Modell brauchte.