Optimieren & skalieren
KI aktivieren & skalieren
Vom Beraten über Unterstützen zum Handeln – pro Use Case und mit Zahlen, nicht mit Bauchgefühl. So bleibt KI nützlich und vertrauenswürdig.
Aktualisiert am 18. Mai 2026
Verfeinern · 6.3
Warum das jetzt wichtig ist
KI ist kein Schalter, den man umlegt. Es ist eine Fähigkeit, die pro Use Case mit Datenqualität, Nutzervertrauen und Governance-Reife wächst. Ein Use Case auf Level 1, der funktioniert = Wert. Derselbe Use Case zu früh auf Level 3 = ein Vertrauensbruch, dessen Reparatur Monate dauert.
Was lieferst du?
KI-Statusbericht
Pro Use Case: aktuelles Level, Genauigkeit, Korrekturen, Nutzervertrauen.
Auf-/Abstiegskriterien
Welche Zahlen lösen Schritte nach oben oder unten aus.
Feedback-Schleife
Wie Bearbeiterkorrekturen mit Audit-Trail ins Modell zurückfließen.
Governance-Update
Compliance-Nachweise und Transparenzkommunikation an Endnutzer.
Auf- und Abstiegszyklus
Aufstieg auf nächstes Level
Wann
Genauigkeit > 85 % über 4–6 Wochen, Nutzervertrauen > 70 %, kein P1-Vorfall im Zusammenhang mit diesem Use Case.
Auf aktuellem Level stabilisieren
Wann
Genauigkeit 60–85 %, Korrekturen sinken, aber nicht schnell genug. Auf dem aktuellen Level bleiben und an der Datenqualität arbeiten.
Abstieg auf niedrigeres Level
Wann
Genauigkeit < 60 %, P1-Vorfall verursacht oder Nutzerbeschwerden eskalieren. Sofort zurückstufen – Vertrauen wiederaufzubauen dauert lange.
Schlüsselfragen
- 1Welche Use Cases laufen heute und auf welchem Level? Entspricht das der Ambitionsmatrix aus 4.12?
- 2Wie misst du Genauigkeit? Bearbeiter bestätigt → zählt als „korrekt". Bearbeiter überschreibt → zählt als „Korrektur".
- 3Nutzervertrauen – Umfrage oder implizit (wie oft überschreiben Nutzer den KI-Vorschlag)? Beides ist wertvoll.
- 4Aufstiegsentscheidung – wer gibt frei, dass ein Use Case auf Level 2 oder 3 wechselt? Lenkungsausschuss oder Service Owner?
- 5Datenqualitätsmaßnahmen – wenn die Genauigkeit stagniert, welche Arbeit nimmst du auf (Klassifikation verfeinern, KB erweitern, alte Tickets bereinigen)?
- 6Feedback-Schleife – wie kommt eine Korrektur zurück ins Modell? Täglich, wöchentlich, manuelle Prüfung?
- 7Transparenz – sagst du Endnutzern, was KI tut, und wann sie „opt-outen" können?
- 8Compliance-Nachweise – für den AI Act oder interne Audits: welche Logs bewahrst du auf, wer sieht sie, wie lange?
- 9Roll-back-Verfahren – beim Abstieg: wie schaltest du zurück, wie kommunizierst du, wie baust du Vertrauen wieder auf?
- 10Neue Use Cases – welche Kandidaten stehen im Wartesaal? Welche Voraussetzungen (Daten, Training, Governance) fehlen noch?
Vorlage – KI-Statusbericht (quartalsweise)
| Use Case | Aktuelles Level | Genauigkeit | Korrekturen | Vertrauen | Vorschlag | Owner |
|---|---|---|---|---|---|---|
| Ticketklassifikation | 1 – Beraten | 87 % | 12 % Bearbeiter | 81 % | ↑ Aufstieg auf 2 (Unterstützen) | Service Mgr |
| KB-Antwort | 2 – Unterstützen | 72 % | 22 % überschrieben | 65 % | → Stabilisieren, KB erweitern | Service Mgr |
| No-Show-Erkennung | 1 – Beraten | 91 % | 3 % falsch-positiv | 88 % | ↑ Aufstieg auf 3 (Handeln, ohne Boardroom) | FM Lead |
| Auto-Routing P3 | 2 – Unterstützen | 54 % | 42 % überschrieben | 38 % | ↓ Abstieg auf 1, Workgroup-Skills prüfen | Service Mgr |
| … | … | … | … | … | … | … |