Enterprise-KI & Strategie · Use Cases
Generative KI: 6 Use Cases für Unternehmen
Generative KI schreibt, fasst zusammen, liest Dokumente aus und beantwortet Fragen. Welche Anwendungen im Unternehmen tatsächlich Arbeit abnehmen, zeigen sechs Use Cases, die meisten davon mit einem Projekt, das bereits im Einsatz ist.
Julia Rose
Das Wichtigste in Kürze
- Generative KI erzeugt neue Inhalte wie Text, Bilder oder Code auf Basis großer Sprach- und Bildmodelle.
- Die sechs häufigsten Einsatzfelder: Zusammenfassung, Informationsextraktion, Assistenten, Code, Textklassifikation und Inhaltserstellung.
- Beispiele aus Projekten: 80 % weniger manueller Aufwand bei der Datenextraktion, Gesprächsnotizen in einem MVP automatisch geschrieben.
- Eine Demo ist schnell gebaut. Für den Produktivbetrieb braucht es Datenanbindung, Integration, Qualitätsprüfung und Betrieb.
Was generative KI ist
Generative KI erzeugt neue Inhalte auf Basis dessen, was sie gelernt hat. Große Sprachmodelle schreiben und analysieren Text, Diffusionsmodelle erzeugen Bilder. Für Unternehmen zählt vor allem die Sprache: Modelle verstehen Anfragen in normalen Worten, lesen Dokumente, ziehen Informationen heraus und formulieren Antworten in jedem gewünschten Ton und Format. Ihren vollen Nutzen entfaltet die Technik, wenn sie mit den eigenen Daten und Systemen verbunden ist.
6 Use Cases für generative KI
1. Texte und Gespräche zusammenfassen
Lange Berichte, Marktanalysen, Verträge oder Gesprächsprotokolle werden zu kurzen Zusammenfassungen im festen Format. Fachleute erfassen das Wesentliche, ohne jedes Dokument ganz zu lesen.
Aus der Praxis: arvato
Im Callcenter entsteht nach jedem Kundengespräch automatisch eine Notiz mit Anliegen, Kategorie, Maßnahmen und nächsten Schritten. In einem MVP entstehen die Gesprächsnotizen automatisch.
Mehr dazu im Beitrag Generative KI für Zusammenfassungen.
2. Informationen aus Dokumenten und E-Mails auslesen
Daten, Beträge, Namen, Sendungs- oder Bestellangaben stecken in E-Mails, PDFs und Verträgen, oft in wechselnden Formaten. Sprachmodelle lesen sie aus und übergeben sie strukturiert an ERP, CRM oder Fachsysteme.
Aus der Praxis: Fr. Meyer’s Sohn
Das Logistikunternehmen erhält täglich Tausende E-Mails auf Deutsch und Englisch ohne festes Format. Eine GPT-gestützte Pipeline auf den eigenen Servern liest die Sendungsdaten aus und senkt den manuellen Aufwand um 80 %.
Mehr dazu im Beitrag Posteingang automatisieren.
3. Assistenten für den Arbeitsalltag
KI-Assistenten, oft Copiloten genannt, suchen in Dokumenten, fassen zusammen, entwerfen E-Mails und beantworten Fragen aus Unternehmensdaten. Es gibt sie als Standardprodukt wie Microsoft 365 Copilot oder als eigene Lösung, die auf Systeme wie SAP zugreift.
Aus der Praxis: Automobilhersteller und GS1 Polen
Für einen Premium-Automobilhersteller (unter NDA) beantwortet ein Assistent Fragen zu Planungsdaten aus SAP BW per Text oder Sprache, in Sekunden statt Stunden. Bei GS1 Polen haben wir Mitarbeitende aus mehreren Abteilungen in einem Workshop an Microsoft 365 Copilot für ihre eigenen Aufgaben herangeführt.
4. Code schreiben und prüfen
In der Softwareentwicklung schlagen KI-Werkzeuge Code vor, erklären bestehenden Code, schreiben Tests und finden Fehler. Bekannte Beispiele sind GitHub Copilot, Tabnine und Amazon Q Developer, in dem der frühere Amazon CodeWhisperer aufgegangen ist. Entwicklerinnen und Entwickler bleiben verantwortlich für Architektur, Prüfung und Sicherheit des Codes.
5. Texte einordnen und Stimmungen erkennen
Sprachmodelle und NLP-Verfahren ordnen Texte Kategorien zu, erkennen Fachbegriffe und bewerten die Stimmung, etwa in Kundenfeedback, Tickets oder sozialen Medien.
Aus der Praxis: Pharma und Veranstaltungen
Für ein globales Schweizer Pharmaunternehmen (unter NDA) findet eine NLP-Pipeline unerwünschte Arzneimittelwirkungen und Stimmungen in medizinischen Texten und sozialen Medien, in fünf Sprachen. Für den Konferenzveranstalter Re-Work bewertet ein Echtzeit-Werkzeug die Stimmung in sozialen Medien während der Veranstaltung.
6. Inhalte entwerfen
Generative KI hilft beim Entwerfen von Texten, Produktbeschreibungen, Präsentationen und Bildern: Sie liefert Gliederungen, erste Fassungen und Varianten in unterschiedlichen Tonlagen. Fakten, Markenstimme und Rechte an Bildern prüfen Menschen, bevor etwas veröffentlicht wird.
Von der Demo zum Produktivbetrieb
Eine erste Demo mit einem verfügbaren Modell ist in wenigen Tagen gebaut. Ein System, das im Alltag verlässlich arbeitet, braucht mehr:
- Datenanbindung: Zugriff auf die richtigen Dokumente und Systeme, mit passenden Zugriffsrechten.
- Integration: Ergebnisse landen dort, wo gearbeitet wird, etwa in ERP, CRM oder E-Mail.
- Qualitätsprüfung: Testsätze mit echten Fällen und laufende Bewertung im Betrieb.
- Betrieb und Datenschutz: Cloud, eigene Server oder hybrid, je nach Anforderungen an die Daten.
Welcher Use Case sich zuerst lohnt, klärt eine Prozessanalyse. Wie ein strukturierter Einstieg aussieht, beschreibt unser Beitrag Wie Unternehmen KI erfolgreich einsetzen.
Welcher Use Case passt zu Ihnen?
Wir sehen uns Ihre Abläufe an und bewerten, wo generative KI am meisten Arbeit abnimmt und was ein erster Schritt kostet.
Prozessanalyse anfragenHäufige Fragen
KI, die neue Inhalte wie Text, Bilder oder Code erzeugt. Für Unternehmen sind vor allem große Sprachmodelle wichtig, die Dokumente lesen, Informationen auslesen und Antworten formulieren.
Häufig sind Zusammenfassungen von Texten und Gesprächen, das Auslesen von Informationen aus Dokumenten und E-Mails, Assistenten für den Arbeitsalltag, Unterstützung beim Programmieren, Textklassifikation und Stimmungsanalyse sowie Entwürfe für Inhalte.
Deutlich aufwendiger als die Demo. Datenanbindung, Integration in bestehende Systeme, Qualitätsprüfung und Betrieb machen den größten Teil der Arbeit aus.
Bei theBlue.ai gibt es die Analyse zum Festpreis ab 3.000 €. Eine Umsetzung liegt typischerweise zwischen 25.000 und 100.000 €, die genaue Schätzung folgt am Ende der Analyse.
Julia ist seit 2019 Teil von theBlue.ai und begleitet die Entwicklung von KI-Anwendungen im Unternehmensumfeld seit den frühen Tagen des Unternehmens. In ihrer Rolle als Marketing Lead arbeitet sie eng mit den Engineering- und Consulting-Teams zusammen und macht komplexe technische Themen für Entscheider verständlich und zugänglich.
In ihren Artikeln schreibt sie über praktische Erfahrungen aus Enterprise-KI-Projekten sowie über die Herausforderungen und Chancen beim Einsatz von KI in Unternehmen.