KI im Unternehmen einsetzen: Einsatzfelder, Chancen, Risiken und Kosten

KI im Unternehmen einsetzen: Einsatzfelder, Chancen, Risiken und Kosten

https://bildung.social/@oerinformatik/

https://oer-informatik.de/ki-einsatz

Künstliche Intelligenz, KI, maschinelles Lernen, Chatbot, neuronales Netz, CNN, Datenschutz, KI-Verordnung, Bilderkennung, Erkennungsrate, Fehlalarm, KI-Kosten

tl/dr; (ca. 20 min Lesezeit): Wo lohnt sich künstliche Intelligenz in einem Unternehmen, und wo nicht? Der Artikel erklärt die Grundbegriffe (regelbasiert oder lernend, Training und Anwendung, generative KI, neuronale Netze), zeigt typische Einsatzfelder und wie Du in einem Ablauf sinnvolle Stellen für KI findest. Er ordnet Chancen und Risiken nach wirtschaftlichen und sozialen Aspekten, beschreibt, wie öffentliche Chat-KIs sicher genutzt werden, und rechnet Kosten und Einsparungen durch. Ein Vertiefungsteil zeigt, wie eine KI-gestützte Bilderkennung als Workflow aufgebaut, bewertet und datenschutzgerecht betrieben wird [AI-Assisted]. (Zuletzt geändert am 27.10.2026)

Schon fit in diesem Thema? Nutze die Kann-Liste und die Leitfragen unter dem Artikel als Checkliste, ob Du die relevanten Kompetenzen bereits hast. Hier klicken, um Kann-Liste ein- oder auszublenden

Als Grundlagen zum KI-Einsatz kann ich nach Durchlesen des Artikels…

• … erklären, was ein KI-System von einem regelbasierten Programm unterscheidet, und die Begriffe maschinelles Lernen, Training, Anwendung (Inferenz), generative KI und Chatbot einordnen.

• … in einem Geschäftsablauf Stellen benennen, an denen KI sinnvoll unterstützen kann, und beschreiben, wie sie dort eingesetzt wird.

• … Vor- und Nachteile eines KI-Einsatzes (z. B. eines Chatbots) nach wirtschaftlichen und sozialen Aspekten ordnen und Vorteile für Mitarbeitende erläutern.

• … die jährlichen Kosten eines KI-Dienstes einschließlich Schulung und Arbeitsausfall berechnen und mit der Einsparung vergleichen.

• … Risiken bei der Nutzung öffentlicher KI-Dienste (Datenschutz, Geschäftsgeheimnisse, Sicherheit, Abhängigkeit, falsche Ergebnisse) beschreiben und erläutern, wie KI gefahrlos für Recherchen genutzt werden kann.

• … Aufgaben beschreiben, die eine KI bei der Analyse großer Datenmengen übernehmen kann, und Schwierigkeiten bzw. Herausforderungen beim KI-Einsatz nennen.

• … Merkmale nennen und berechnen, an denen sich die Zuverlässigkeit einer KI-Erkennung messen lässt (Geschwindigkeit, Erkennungsrate, Fehlalarme).

• … die Grundzüge der KI-Verordnung der EU und der DSGVO für den KI-Einsatz wiedergeben.

Darüber hinaus kann ich als Expertenwissen zum KI-Einsatz…

• … einen Workflow für eine KI-gestützte Bild- und Texterkennung mit sinnvollen Schritten entwerfen.

• … begründen, warum neuronale Netze und besonders Convolutional Neural Networks für Bilderkennung geeignet sind, und beschreiben, wie ein vortrainiertes Modell um eine fehlende Funktion erweitert wird.

• … Precision und Recall aus einer Konfusionsmatrix berechnen, einen Schwellenwert begründet wählen und Maßnahmen gegen Verzerrungen (Bias) und für einen datenschutzgerechten Betrieb nennen.

Ob Rechnungen geprüft, Kundenanfragen beantwortet oder Bauteile auf Fehler untersucht werden: In fast jedem Unternehmen gibt es inzwischen Ideen, „das mit KI zu machen“. Manche dieser Ideen sparen viel Arbeit, andere verursachen neue Probleme mit Datenschutz, Kosten oder falschen Ergebnissen. Als IT-Fachkraft sollst Du einschätzen können, wo eine KI sinnvoll hilft, was sie kostet, welche Risiken entstehen und wie man sie verantwortungsvoll einführt.

Was ist künstliche Intelligenz?

Künstliche Intelligenz (KI, engl. Artificial Intelligence, AI) bezeichnet Systeme, die Aufgaben lösen, für die Menschen Intelligenz brauchen: Sprache verstehen, Bilder erkennen, Muster finden, Vorhersagen treffen, Texte erzeugen. Heutige Systeme sind schwache KI: Sie sind auf bestimmte Aufgaben spezialisiert und „verstehen“ nicht im menschlichen Sinn.

Der wichtigste Unterschied zu einem klassischen Programm:

Regelbasiertes Programm und lernendes KI-System

	regelbasiertes Programm	lernendes KI-System (maschinelles Lernen)
Wie entsteht das Verhalten?	Entwickler*innen schreiben jede Regel ausdrücklich (wenn … dann …)	das System lernt Zusammenhänge aus vielen Beispieldaten (Training)
Umgang mit Vielfalt und Ausnahmen	jede Ausnahme braucht eine eigene Regel	kommt mit Varianten zurecht, die den Trainingsdaten ähneln
Ergebnis	nachvollziehbar und immer gleich	Wahrscheinlichkeit bzw. Vorschlag, kann falsch sein, schwer erklärbar
Änderung	Regel anpassen	mit neuen Daten nachtrainieren

Begriffe, die oft vorkommen:

• Maschinelles Lernen (Machine Learning): Ein Modell wird mit Daten trainiert. Beim überwachten Lernen (supervised learning) sind die Beispiele beschriftet (Bild → „Naht in Ordnung“ / „fehlerhaft“), beim unüberwachten Lernen (unsupervised learning) sucht das Modell selbst Gruppen und Auffälligkeiten, beim bestärkenden Lernen (reinforcement learning) lernt es aus Belohnung und Bestrafung.

• Training und Anwendung (Inferenz): Das Training ist aufwendig und braucht viele Daten und Rechenleistung. Das fertige Modell wird dann auf neue Daten angewendet. Ein Modell lernt im Betrieb meist nicht von selbst weiter; dafür muss es nachtrainiert werden.

• Neuronale Netze: Modelle aus vielen verbundenen Schichten künstlicher Neuronen. Mit vielen Schichten spricht man von Deep Learning.

• Generative KI und Large Language Models (LLM): Modelle, die neue Inhalte erzeugen, z. B. Texte, Code oder Bilder. Ein Chatbot ist eine Dialog-Oberfläche, über die Menschen in natürlicher Sprache mit einem solchen Modell oder einem regelbasierten System kommunizieren.

• Halluzination: Ein Sprachmodell erzeugt flüssig formulierte, aber falsche Aussagen oder erfundene Quellen, weil es wahrscheinliche Wortfolgen bildet und kein Wissen prüft.

Mehr zu den Begriffen rund um IoT, Big Data, Cloud und KI findest Du im Artikel Edge, Fog und Predictive Maintenance.

Einsatzfelder im Unternehmen

Typische Einsatzfelder

Einsatzfeld	Beispiel	KI-Technik
Kundenservice	Chatbot beantwortet Standardfragen rund um die Uhr, leitet komplexe Anliegen an Menschen weiter	Sprachmodell, Klassifikation von Anfragen
Dokumentenverarbeitung	Eingangsrechnungen auslesen, mit Bestellung und Lieferschein abgleichen, Auffälligkeiten melden	Texterkennung (OCR), Extraktion, Anomalieerkennung
Recherche und Texte	Gesetze, Urteile, Handbücher zusammenfassen; Entwürfe für Schreiben, Übersetzungen	generative KI
Planung	Termine nach Verfügbarkeit und Qualifikation vorschlagen, Touren planen	Optimierung, Prognose
Qualitätskontrolle	Kamera erkennt fehlerhafte Bauteile oder Verpackungen	Bilderkennung (neuronale Netze)
Analyse großer Datenmengen	Muster und Trends in Mess- oder Logdaten finden, Ausreißer melden, Verschleiß vorhersagen (Predictive Maintenance)	maschinelles Lernen, Zeitreihenprognose
Softwareentwicklung und IT-Betrieb	Code-Vorschläge, Testfälle, Auswertung von Logs und Tickets	generative KI, Anomalieerkennung

Sinnvolle Stellen in einem Ablauf finden

Aufgaben stellen oft einen Ablauf in Schritten vor und fragen, wo KI helfen kann. So gehst Du vor:

1. Für jeden Schritt fragen: Gibt es viele gleichartige Vorgänge, unstrukturierte Daten (Texte, Bilder, Sprache), Recherche oder Mustererkennung? Dort hilft KI.

2. Beschreiben, was die KI dort konkret tut (z. B. „fasst die eingegangenen Unterlagen zusammen und schlägt passende frühere Fälle vor“), nicht nur „die KI macht das“.

3. Prüfen, ob ein Mensch das Ergebnis kontrolliert, wo es um Entscheidungen über Menschen, Geld oder Sicherheit geht.

Beispiel Werkstattauftrag in einer Fahrradwerkstatt:

KI-Einsatz entlang eines Ablaufs

Schritt	sinnvoller KI-Einsatz
Kundin schildert das Problem online	Chatbot fragt fehlende Angaben ab (Modell, Fehlerbild, Fotos) und ordnet das Anliegen einer Kategorie zu
Termin vergeben	Vorschlag eines Termins bei der Mechanikerin mit passender Erfahrung und freien Kapazitäten
Teile prüfen	Abgleich der Fotos mit typischen Verschleißbildern, Vorschlag benötigter Ersatzteile
Rechnung und Nachbereitung	Entwurf einer verständlichen Erklärung der durchgeführten Arbeiten

Chancen und Risiken abwägen

Vorteile für Mitarbeitende, die einer KI skeptisch gegenüberstehen: Routinearbeiten (Abtippen, Suchen, Zusammenfassen) fallen weg, es bleibt mehr Zeit für Beratung und anspruchsvolle Aufgaben; Fehler durch Ermüdung werden seltener; Wissen ist schneller verfügbar. Wichtig für die Akzeptanz: Mitarbeitende früh beteiligen, schulen und klar regeln, dass die KI unterstützt und Menschen entscheiden.

Risiken öffentlicher KI-Dienste und sichere Nutzung

Wer Daten in eine öffentlich verfügbare Chat-KI kopiert, gibt sie an einen Dritten weiter. Daraus ergeben sich Risiken:

• Datenschutz: Personenbezogene Daten (Namen, E-Mail-Adressen, IP-Adressen in Logs, Kundendaten) dürfen nur mit Rechtsgrundlage und Auftragsverarbeitungsvertrag weitergegeben werden; oft liegt der Anbieter außerhalb der EU.

• Geschäftsgeheimnisse: Interne Abläufe, Preise, Quellcode oder Konstruktionsdaten können beim Anbieter gespeichert, für das Training genutzt oder durch Fehler offengelegt werden.

• Sicherheitsrisiken: Zugangsdaten, Netzpläne oder Schwachstellen in eingefügten Logs werden preisgegeben; manipulierte Eingaben in Dokumenten (Prompt Injection) können die KI zu unerwünschten Aktionen bringen.

• Abhängigkeit von Dritten: Preise, Funktionen, Verfügbarkeit und Nutzungsbedingungen bestimmt der Anbieter; die Kontrolle über die Daten liegt nicht mehr im Unternehmen.

• Falsche oder veraltete Ergebnisse: Halluzinationen, erfundene Quellen, einseitige (verzerrte) Antworten; Urheberrecht an Trainingsdaten und Ergebnissen ist nicht immer geklärt.

So nutzt Du KI für Recherchen gefahrlos:

• nur allgemeine Fragen stellen und keine personenbezogenen oder vertraulichen Daten eingeben; Beispiele anonymisieren bzw. durch Platzhalter ersetzen,

• eine Unternehmensversion mit Vertrag zur Auftragsverarbeitung, EU-Rechenzentrum und ausgeschaltetem Training auf Kundendaten nutzen oder ein lokal betriebenes Modell,

• Ergebnisse prüfen: Quellen nachschlagen, Fakten gegenprüfen, Code testen; die KI liefert Vorschläge, keine Wahrheit,

• eine KI-Richtlinie im Unternehmen: erlaubte Dienste, erlaubte Daten, Kennzeichnung KI-erstellter Inhalte, Ansprechpersonen.

Rechtlicher Rahmen

• DSGVO: Auch für KI gelten Zweckbindung, Datenminimierung, Speicherbegrenzung, Transparenz und Informationspflichten. Nach Art. 22 DSGVO dürfen Entscheidungen mit rechtlicher oder ähnlich erheblicher Wirkung für eine Person grundsätzlich nicht ausschließlich automatisiert getroffen werden; ein Mensch muss die Entscheidung überprüfen können. Bei Kameraeinsatz sind Hinweisschilder und kurze Löschfristen nötig.

• KI-Verordnung der EU (AI Act, Verordnung (EU) 2024/1689): teilt KI-Systeme nach Risiko ein.

  • verboten (seit 2. Februar 2025), z. B. Social Scoring oder Emotionserkennung am Arbeitsplatz,
  • hohes Risiko, z. B. KI bei Bewerbungsauswahl, Kreditwürdigkeit oder in sicherheitsrelevanten Produkten: Risikomanagement, Datenqualität, Dokumentation, menschliche Aufsicht; die Pflichten gelten nach der Änderung durch das „Digital Omnibus“-Paket von 2026 erst ab 2. Dezember 2027 (z. B. Bewerbungsauswahl, Kreditwürdigkeit) bzw. 2. August 2028 (sicherheitsrelevante Produkte),
  • Transparenzpflichten (seit 2. August 2026): Menschen müssen erfahren, dass sie mit einem Chatbot sprechen; KI-erzeugte oder manipulierte Inhalte (Deepfakes) sind zu kennzeichnen,
  • geringes Risiko (z. B. Spamfilter): keine besonderen Pflichten.

  Außerdem sollen Unternehmen, die KI einsetzen, die KI-Kompetenz ihrer Beschäftigten fördern (Art. 4).

Kosten und Nutzen berechnen

Zu den Kosten eines KI-Dienstes gehören mehr als die Lizenz:

• Lizenz- bzw. Nutzungskosten: je Nutzer*in und Monat, je Anfrage oder je verarbeitetem Text (Tokens),
• Einführung: Einrichtung, Anbindung an vorhandene Systeme, Schulung,
• Arbeitsausfall während der Schulung: entgangener Umsatz (bei abrechenbaren Stunden) oder interne Personalkosten,
• Betrieb: Kontrolle der Ergebnisse, Datenschutz, Nachtraining.

Geg.: 4 Nutzer*innen, 29\,\text{€} je Nutzer*in und Monat; Pflichtschulung jährlich 600\,\text{€} je Person und 2 Stunden; Stundensatz (entgangener Umsatz) 90\,\text{€/h}

Ges.: jährliche Kosten

K = (12 \cdot 29\,\text{€} + 600\,\text{€} + 2\,\mathrm{h} \cdot 90\,\tfrac{\text{€}}{\mathrm{h}}) \cdot 4 = (348\,\text{€} + 600\,\text{€} + 180\,\text{€}) \cdot 4 = \underline{\underline{4.512\,\text{€}}}

Dem stehen die Einsparungen gegenüber, meist als gesparte Arbeitszeit mal Stundensatz: Spart die KI bei 300 Vorgängen im Monat je 5 Minuten, sind das 300 \cdot 12 \cdot 5\,\mathrm{min} = 18.000\,\mathrm{min} = 300\,\mathrm{h} im Jahr, bei 40\,\text{€/h} also 12.000\,\text{€}. Achte darauf, ob „je Person“ oder „insgesamt“ gemeint ist und ob Schulungsstunden je Person zählen.

KI für die Analyse großer Datenmengen

Fallen sehr viele Daten an (Messwerte, Kamerabilder, Logs), kann eine KI Aufgaben übernehmen, die mit einfachen Abfragen kaum zu schaffen sind:

• Muster und Trends erkennen, ohne dass vorher bekannt ist, wonach gesucht wird (z. B. dass Messwerte langsam in eine Richtung wandern),
• Ausreißer und Anomalien finden (ein Sensor liefert unplausible Werte, ungewöhnliche Anmeldungen in Logs),
• Prognosen erstellen (wann wird ein Werkzeug verschleißen, wie viele Anfragen kommen nächste Woche),
• Fragen in natürlicher Sprache zur Datenmenge beantworten und Zusammenhänge verständlich zusammenfassen,
• unstrukturierte Daten (Bilder, Texte) auswerten und klassifizieren.

„Die KI kann die Daten durchsuchen“ reicht dagegen nicht: Suchen kann auch eine Datenbankabfrage.

Schwierigkeiten und Herausforderungen:

• Es braucht genug und passende Trainingsdaten; jemand muss sie beschriften. Neue Produkte, Bauteile oder geänderte Bedingungen (Licht, Kamera) erfordern neues Anlernen.
• Fehler bleiben: Eine KI erkennt nie zu 100 % richtig; es gibt übersehene Fehler und Fehlalarme.
• Die Eignung des Modells muss geprüft werden; Ergebnisse sind schwer nachvollziehbar.
• Verzerrungen (Bias): Sind bestimmte Fälle in den Trainingsdaten selten, werden sie schlechter erkannt.
• Bei öffentlichen Modellen besteht die Gefahr, dass Unternehmensdaten abfließen.

Zuverlässigkeit einer KI-Erkennung messen

Ob eine Kamera-Software-Kombination zuverlässig genug ist, zeigt ein Test mit bekannten Fällen. Typische Merkmale:

• Geschwindigkeit: Reicht die Verarbeitungszeit je Bild für den Takt der Anlage?
• Erkennungsrate: Werden die tatsächlichen Fehler sicher erkannt (wenige übersehene Fehler)?
• Fehlalarme: Werden möglichst wenige einwandfreie Teile fälschlich als fehlerhaft gemeldet?
• Robustheit: Funktioniert die Erkennung auch bei wechselndem Licht, Verschmutzung oder anderer Lage des Teils?

Die Testergebnisse trägt man in eine Konfusionsmatrix (confusion matrix) ein:

Konfusionsmatrix

	tatsächlich fehlerhaft	tatsächlich in Ordnung
KI meldet „fehlerhaft“	richtig positiv (RP)	falsch positiv (FP), Fehlalarm
KI meldet „in Ordnung“	falsch negativ (FN), übersehen	richtig negativ (RN)

\text{Erkennungsrate (Recall)} = \frac{RP}{RP + FN} \qquad \text{Präzision (Precision)} = \frac{RP}{RP + FP} \qquad \text{Fehlalarmquote} = \frac{FP}{FP + RN}

Beispiel: Von 500 Teilen sind 20 fehlerhaft. Die KI meldet 25 Teile, davon sind 18 wirklich fehlerhaft. Dann ist RP = 18, FP = 7, FN = 2, RN = 473. Die Erkennungsrate beträgt \frac{18}{20} = 90\,\%, die Präzision \frac{18}{25} = 72\,\%, die Fehlalarmquote \frac{7}{480} \approx 1{,}458\,\%.

Vertiefung: eine KI-gestützte Bilderkennung aufbauen

Eine typische Profi-Aufgabe ist eine automatische Erkennung, die Kamera, KI-Modell und Datenbank verbindet, etwa um eine Seriennummer, ein Etikett oder eine Beschriftung auf einem Foto zu lesen und zu prüfen.

Der Workflow

Workflow einer KI-gestützten Erkennung

Nr.	Schritt	Funktion
1	Bildaufnahme	Kamera liefert ein digitales Bild, ggf. ausgelöst durch einen Sensor
2	Vorverarbeitung	Helligkeit, Kontrast, Schärfe verbessern, Rauschen entfernen, Bild entzerren oder drehen
3	Objekterkennung (Lokalisierung)	KI findet die relevante Region im Bild (z. B. das Typenschild) und schneidet sie aus
4	Texterkennung (OCR)	Zeichen in der Region werden gelesen
5	Plausibilitätsprüfung	Format prüfen, z. B. mit einem regulären Ausdruck; Erkennungssicherheit bewerten
6	Abgleich mit der Datenbank	gelesene Zeichenfolge mit gespeicherten Daten vergleichen
7	Entscheidung und Protokoll	Freigabe, Ablehnung oder bei unsicherem Ergebnis Weitergabe an einen Menschen

Warum neuronale Netze, warum CNN?

Bilder aus der Praxis sind sehr vielfältig: unterschiedliche Schriftarten und Größen, schräge Perspektive, Verschmutzung, Spiegelungen, wechselndes Licht. Ein regelbasierter Algorithmus müsste jede dieser Ausnahmen ausdrücklich behandeln. Neuronale Netze lernen dagegen aus vielen Beispielen, mit dieser Vielfalt robust umzugehen, und lassen sich durch weiteres Training an neue Bedingungen anpassen.

Ein Convolutional Neural Network (CNN) ist auf Bilder spezialisiert. Kleine Filter (Kernel) wandern über das Bild (Faltung, Convolution) und erkennen lokale Muster wie Kanten, Ecken und Texturen. Die zweidimensionale Anordnung der Pixel bleibt dabei erhalten; aufeinanderfolgende Schichten setzen einfache Muster zu immer komplexeren Formen zusammen (Linie → Zeichen → Schild). Weil derselbe Filter über das ganze Bild läuft, erkennt ein CNN ein Objekt auch, wenn es an einer anderen Stelle im Bild liegt. Ein einfaches, vollständig verbundenes Netz würde das Bild zu einer langen Zahlenreihe „flachklopfen“ und die räumliche Struktur verlieren.

Vortrainierte Modelle erweitern

Oft beginnt man mit einem vortrainierten Standardmodell zur Objekterkennung. Es liefert ein Ergebnisbild mit Rahmen (Bounding Boxes), Klassen („Fahrrad“, „Person“) und Wahrscheinlichkeiten. Damit lässt sich das Bild schon auf das relevante Objekt zuschneiden. Was das Standardmodell nicht kennt, z. B. die kleine Region mit der Seriennummer, wird durch Nachtrainieren (Fine-Tuning, Transfer Learning) ergänzt: Man beschriftet einige hundert bis tausend eigene Bilder mit der gesuchten Region und trainiert das Modell damit weiter.

Schwellenwert, Mensch und Datenschutz

Ein Modell liefert eine Wahrscheinlichkeit. Ab welchem Schwellenwert ein Ergebnis gilt, ist eine Abwägung: Ein niedriger Schwellenwert erkennt mehr echte Fälle (höhere Erkennungsrate), erzeugt aber mehr Fehlalarme (niedrigere Präzision); ein hoher Schwellenwert umgekehrt. Unsichere Fälle gehören zu einem Menschen (Human in the Loop), erst recht, wenn die Entscheidung Personen betrifft.

Für einen datenschutzgerechten Betrieb sind typische Maßnahmen:

• Hinweisschilder bzw. Information der Betroffenen über Kameraeinsatz und Zweck,
• Datenminimierung: nur die benötigte Bildregion verarbeiten, Gesichter und Unbeteiligte ausblenden (verpixeln),
• Bilder nach der Prüfung automatisch löschen, nur das Ergebnis protokollieren; Testdaten anonymisieren,
• Verarbeitung lokal statt in einer öffentlichen Cloud, Zugriffsrechte beschränken,
• Prüfung, ob eine Datenschutz-Folgenabschätzung nötig ist; Beteiligung der bzw. des Datenschutzbeauftragten.

Verzerrungen lassen sich verringern, indem die Trainingsdaten alle vorkommenden Fälle ausgewogen enthalten, die Erkennungsraten getrennt für Teilgruppen geprüft werden und das Modell im Betrieb überwacht wird (Monitoring), denn mit der Zeit ändern sich die Daten (Data Drift).

Typische Fehler in Aufgaben

• „KI macht das“ als Antwort: Beschreibe konkret, welche Aufgabe die KI an welcher Stelle übernimmt.
• Wirtschaftlich und sozial vermischt: Kosten, Erreichbarkeit, Personalbedarf sind wirtschaftlich; Vertrauen, Bedienbarkeit, persönlicher Kontakt sind sozial.
• Kosten unvollständig: Schulungskosten und Arbeitsausfall bzw. entgangener Umsatz gehören dazu und werden je Person gerechnet, wenn es so angegeben ist.
• „Die KI lernt im Betrieb von selbst dazu“: Meist muss sie gezielt nachtrainiert werden.
• Datenschutz nur als Schlagwort: Nenne die konkrete Maßnahme (Hinweisschild, Löschfrist, Anonymisierung, Auftragsverarbeitung).
• Erkennungsrate und Präzision verwechselt: Die Erkennungsrate bezieht sich auf alle tatsächlichen Fehler, die Präzision auf alle Meldungen der KI.

Leitfragen

1. Was unterscheidet ein lernendes KI-System von einem regelbasierten Programm? Antwort

Das regelbasierte Programm folgt ausdrücklich programmierten Regeln und liefert nachvollziehbar immer dasselbe Ergebnis. Ein KI-System lernt Zusammenhänge aus Beispieldaten, kommt mit Varianten zurecht, liefert aber Wahrscheinlichkeiten, die falsch sein können, siehe Abschnitt „Was ist künstliche Intelligenz?“.

2. Wie findest Du in einem Ablauf Stellen, an denen KI sinnvoll hilft? Antwort

Suche nach vielen gleichartigen Vorgängen, unstrukturierten Daten, Recherche oder Mustererkennung und beschreibe konkret, was die KI dort tut; Entscheidungen über Menschen, Geld oder Sicherheit prüft ein Mensch, siehe Abschnitt „Sinnvolle Stellen in einem Ablauf finden“.

3. Welche wirtschaftlichen und sozialen Vor- und Nachteile hat ein KI-Chatbot? Antwort

Wirtschaftlich: Erreichbarkeit rund um die Uhr, Entlastung, viele Anfragen gleichzeitig gegenüber Kosten, Integrationsaufwand und Haftung für falsche Auskünfte. Sozial: keine Warteschleife, niedrige Hemmschwelle gegenüber Misstrauen, Missverständnissen und fehlendem persönlichem Kontakt, siehe Abschnitt „Chancen und Risiken abwägen“.

4. Welche Vorteile hat KI für Mitarbeitende? Antwort

Routinearbeit fällt weg, es bleibt mehr Zeit für anspruchsvolle Aufgaben, Fehler werden seltener, Wissen ist schneller verfügbar, siehe Abschnitt „Chancen und Risiken abwägen“.

5. Welche Kosten gehören zu einem KI-Dienst, und wie vergleichst Du sie mit dem Nutzen? Antwort

Lizenz bzw. Nutzung, Einrichtung, Schulung, Arbeitsausfall oder entgangener Umsatz während der Schulung und Betrieb; der Nutzen ergibt sich meist aus gesparter Arbeitszeit mal Stundensatz, siehe Abschnitt „Kosten und Nutzen berechnen“.

6. Was spricht gegen die Auswertung interner Daten mit einer öffentlichen Chat-KI? Antwort

Datenschutz (personenbezogene Daten an Dritte), Sicherheitsrisiken (Preisgabe von Zugangsdaten, Systemen, Schwachstellen), Abhängigkeit vom Anbieter und Gefährdung von Geschäftsgeheimnissen, siehe Abschnitt „Risiken öffentlicher KI-Dienste und sichere Nutzung“.

7. Wie nutzt Du KI gefahrlos für Recherchen? Antwort

Nur allgemeine Fragen ohne personenbezogene oder vertrauliche Daten, Beispiele anonymisieren, einen freigegebenen Dienst mit Auftragsverarbeitung oder ein lokales Modell nutzen und Ergebnisse anhand verlässlicher Quellen prüfen, siehe Abschnitt „Risiken öffentlicher KI-Dienste und sichere Nutzung“.

8. Welche Aufgaben kann eine KI bei der Analyse großer Datenmengen übernehmen, und welche Schwierigkeiten gibt es? Antwort

Muster, Trends und Anomalien erkennen, Prognosen erstellen, Fragen in natürlicher Sprache beantworten. Schwierigkeiten: Trainingsdaten und Anlernen, bleibende Fehler, Eignung und Nachvollziehbarkeit des Modells, Bias, Datenabfluss bei öffentlichen Modellen, siehe Abschnitt „KI für die Analyse großer Datenmengen“.

9. Woran erkennst Du, ob eine KI-Erkennung zuverlässig ist, und wie berechnest Du Erkennungsrate, Präzision und Fehlalarmquote? Antwort

Geschwindigkeit, Erkennungsrate, wenige Fehlalarme und Robustheit. Erkennungsrate = RP/(RP + FN), Präzision = RP/(RP + FP), Fehlalarmquote = FP/(FP + RN), siehe Abschnitt „Zuverlässigkeit einer KI-Erkennung messen“.

10. Was regeln KI-Verordnung und DSGVO für den KI-Einsatz? Antwort

Die KI-Verordnung verbietet bestimmte Anwendungen, stellt Anforderungen an Hochrisiko-Systeme, verlangt Transparenz bei Chatbots und KI-Inhalten und die Förderung von KI-Kompetenz. Die DSGVO verlangt u. a. Zweckbindung, Datenminimierung, Information und verbietet grundsätzlich ausschließlich automatisierte Entscheidungen mit erheblicher Wirkung (Art. 22), siehe Abschnitt „Rechtlicher Rahmen“.

11. Welche Schritte hat ein Workflow für eine KI-gestützte Bild- und Texterkennung? Antwort

Bildaufnahme, Vorverarbeitung, Lokalisierung der relevanten Region, Texterkennung, Plausibilitätsprüfung, Datenbankabgleich, Entscheidung bzw. Weitergabe an einen Menschen, siehe Abschnitt „Der Workflow“.

12. Warum eignen sich CNN für Bilderkennung, und wie ergänzt Du ein vortrainiertes Modell? Antwort

CNN erkennen mit Filtern lokale Muster, behalten die räumliche Struktur und finden Objekte unabhängig von ihrer Position. Fehlende Klassen werden durch Nachtrainieren mit eigenen, beschrifteten Bildern ergänzt (Fine-Tuning), siehe Abschnitt „Warum neuronale Netze, warum CNN?“ und Abschnitt „Vortrainierte Modelle erweitern“.

Links und weitere Informationen

• Edge, Fog und Predictive Maintenance

• Übungsaufgaben zum KI-Einsatz im Unternehmen

• Verordnung (EU) 2024/1689 (KI-Verordnung) auf EUR-Lex

• Bundesnetzagentur: KI-Service-Desk zur KI-Verordnung

• BSI: Künstliche Intelligenz

---

Hinweis zur Nachnutzung als Open Educational Resource (OER)

Dieser Artikel und seine Texte, Bilder, Grafiken, Code und sonstiger Inhalt sind - sofern nicht anders angegeben - lizenziert unter CC BY 4.0. Nennung gemäß TULLU-Regel bitte wie folgt: “KI im Unternehmen einsetzen: Einsatzfelder, Chancen, Risiken und Kosten” von oer-informatik.de (H. Stein), Lizenz: CC BY 4.0. Der Artikel wurde unter https://oer-informatik.de/ki-einsatz veröffentlicht, die Quelltexte sind in weiterverarbeitbarer Form verfügbar im Repository unter https://gitlab.com/oer-informatik/daten-ki/datenanalyse-ki. Erstellt mit KI-Assistenz; von mir umfassend redaktionell überarbeitet, geprüft und freigegeben. Stand: 27.10.2026.

[Kommentare zum Artikel lesen, schreiben] / [Artikel teilen] / [gitlab-Issue zum Artikel schreiben]