Fragebogen
KI- & Automatisierungsambition
Wo lassen Sie KI-Agenten entscheiden, wo nur beraten, und welche menschlichen Kontrollpunkte bleiben? Nicht „KI überall", sondern eine gezielte Wahl pro Use Case, mit menschlicher Verantwortung an den richtigen Stellen.
Aktualisiert am 18. Mai 2026
Fragebogen · 4.12
Warum jetzt, nicht später
Die Versuchung ist groß, KI als „Phase 2” zu parken („erst stabil betreiben, dann KI”). Aber die Konfigurationsentscheidungen, die Sie jetzt treffen (Klassifizierungen, Wissensdatenbankstruktur, Ticketfelder), bestimmen direkt, wie gut KI später funktionieren kann. Entscheiden Sie jetzt, welches Niveau Sie pro Use Case anstreben; das bestimmt die Datenqualität, die Sie heute festlegen.
Was liefern Sie?
KI-Ambitionsmatrix
Pro Use Case: Niveau (beraten / assistieren / handeln), mit Erfolgskriterien und Owner.
Menschliche Kontrollpunkte
Wo greift ein Mensch ein: bei jeder Aktion, bei hoher Auswirkung, bei Unsicherheit?
Anforderungen an Datenqualität
Welche Klassifizierungen, Wissensartikel und Historie sind nötig, um die Matrix zu realisieren?
Governance & Transparenz
Welche Logs, Audits und Erklärungen geben Sie Endnutzern und Aufsichtsbehörden?
Die drei Niveaus
Niveau 1 — Beraten
KI schlägt vor (Kategorie, Lösung, Antwort). Agent entscheidet und handelt. Sicherster Ausgangspunkt.
Niveau 2 — Assistieren
KI führt Teilaktionen aus (klassifizieren, weiterleiten, erste Antwort entwerfen). Mensch prüft und bestätigt.
Niveau 3 — Handeln
KI handelt eigenständig innerhalb vordefinierter Grenzen. Mensch prüft über Dashboards oder Audits nachträglich.
Kernfragen
- 1Welche Use Cases möchten Sie KI-gestützt, Ticketklassifizierung, Erstantwort, Wissensdatenbanksuche, No-Show-Erkennung, Belegungsanomalien, automatisches Routing?
- 2Pro Use Case: welches Niveau (1/2/3) streben Sie in Phase 1 an, und wie sieht die Roadmap zu Phase 2/3 aus?
- 3Grenzen, welche Entscheidungen darf KI nie autonom treffen (medizinisch, rechtlich, finanziell über X €)?
- 4Transparenz für Endnutzer, wie teilen Sie Nutzern mit, dass KI antwortet? Labels, Hinweise, Opt-out?
- 5Anforderung an Datenqualität, welche Klassifizierungstiefe und Reife der Wissensdatenbank brauchen wir, um jedes Niveau zuverlässig zu erreichen?
- 6Feedback-Loop, wie sammeln Sie Korrekturen (Agent lehnt falsche Klassifizierung ab)? Fließt das ins Modell zurück?
- 7Compliance & AI Act, welche Use Cases fallen unter welche Risikokategorie? Dokumentation, Logging, menschliche Aufsicht?
- 8Datenschutz & Datennutzung, welche Daten darf KI sehen (gesamter Ticketinhalt, nur Metadaten)? Anonymisieren? Auftragsverarbeitungsvertrag?
- 9KPIs für KI-Erfolg, Adoptionsrate, Genauigkeit, Agentenkorrekturen, gesparte Zeit, Nutzerzufriedenheit.
- 10Rollback-Verfahren, wenn KI etwas falsch macht, wie schalten Sie einen Use Case schnell auf Niveau 1 zurück?
Vorlage — Ambitionsmatrix pro Use Case
| Use Case | Phase 1 | Phase 2 | Grenze (nie) | Anforderung an Datenqualität | Owner |
|---|---|---|---|---|---|
| Ticketklassifizierung | Beraten | Assistieren | Major Incidents | 3-stufige Klassifizierung + 500+ historische Tickets | Service Manager |
| Antwort aus Wissensdatenbank | Assistieren | Handeln | HR-/Rechtsfragen | 200+ KB-Artikel mit FAQ-Tags | Servicedesk-Manager |
| No-Show-Erkennung | Beraten | Handeln | Boardroom & VIP-Räume | Check-in-Daten ≥ 3 Monate | FM-Manager |
| Belegungsanomalien | Beraten | Beraten | Personalplanung | IoT-Sensoren aktiv | Workplace-Lead |
| Auto-Routing Tickets | — | Assistieren | P1-Incidents | Workgroups + Skill-Tags gesetzt | Service Manager |
| … | … | … | … | … | … |