Begegnungen mit Wirkung.

Die Diskussion rund um künstliche Intelligenz dreht sich oft um einzelne Tools und deren Möglichkeiten. Doch der wahre Mehrwert von KI entsteht nicht durch ein bestimmtes Produkt, sondern durch die gezielte Anwendung auf konkrete Geschäftsprobleme. Wer KI strategisch einsetzen will, muss verstehen, welche Reifegrade es gibt und welche Anwendungsfälle sich auf welcher Stufe bewährt haben. Die folgenden fünf Stufen bieten einen praxisnahen Überblick.

Stufe 1: Machine Learning – Vorhersagen und Muster erkennen

Die erste Stufe der KI-Reife zielt darauf ab, Entscheidungen datenbasiert zu optimieren. Machine-Learning-Modelle analysieren historische Daten und erkennen Muster, die dem menschlichen Auge verborgen bleiben. In der Praxis bewährt sich das bei Nachfrage- und Absatzprognosen, wo Verkaufszahlen, Lagerbedarf, saisonale Schwankungen und potenzielle Lieferengpässe frühzeitig erkannt werden. Ebenso ermöglicht Machine Learning eine dynamische Preis- und Margenoptimierung auf Basis von Nachfrage, Wettbewerb und Kostenstrukturen. Ein weiterer klassischer Anwendungsfall ist die Anomalie- und Betrugserkennung, bei der auffällige Transaktionen oder Prozessabweichungen automatisch identifiziert werden.

Stufe 2: Neuronale Netze – Wahrnehmung und Interpretation

Auf der zweiten Stufe geht es darum, unstrukturierte Daten zu verstehen – also Text, Bild und Audio. Neuronale Netze ermöglichen beispielsweise die automatische Dokumenten- und Rechnungserkennung, bei der Inhalte extrahiert, klassifiziert und validiert werden, weit über klassische OCR-Technologie hinaus. In Produktion, Logistik und Retail kommt Bild- und Videoanalyse zum Einsatz, etwa für die automatisierte Qualitätskontrolle. Und mit Sprach- und Stimmungsanalyse lassen sich Kundengespräche und Meetings auswerten, um Zufriedenheit, Eskalationsrisiken und Trends sichtbar zu machen.

Stufe 3: Generative AI – Wissensarbeit und Produktivität

Die dritte Stufe hat die Arbeitswelt in den letzten zwei Jahren spürbar verändert. Generative AI entlastet Mitarbeitende und skaliert den Output. Im Marketing und Vertrieb entstehen Texte, Kampagnen, Anzeigen und personalisierte Kundenansprachen in einem Bruchteil der bisherigen Zeit. Interne Wissensassistenten auf Basis von Retrieval-Augmented Generation liefern Antworten direkt aus unternehmenseigenen Dokumenten und Datenbanken. Und im strategischen Bereich unterstützt generative KI bei Marktanalysen, Wettbewerbsvergleichen und Entscheidungsvorlagen, die früher Tage in Anspruch nahmen.

Stufe 4: AI Agents – Autonome Aufgaben übernehmen

Auf der vierten Stufe übernehmen KI-Agenten wiederkehrende Aufgaben vollständig und eigenständig. Im Customer Support lösen Agenten Standardanfragen und Tickets, und eskalieren nur komplexe Fälle an menschliche Mitarbeitende. Im Vertrieb qualifizieren Sales- und Lead-Agenten potenzielle Kunden, personalisieren die Ansprache und pflegen das CRM-System. Und in der IT und im operativen Betrieb überwachen Agenten Systeme, führen API-Aufrufe aus und reagieren automatisch auf definierte Ereignisse.

Stufe 5: Agentic AI – End-to-End-Prozesse steuern

Die höchste Reifestufe geht über einzelne Aufgaben hinaus und steuert ganze Geschäftsprozesse autonom. End-to-End-Automatisierung bedeutet: Von der Anfrage über die Entscheidung und Ausführung bis zum Reporting läuft der gesamte Prozess KI-gestützt. In Multi-Agent-Workflows koordinieren sich spezialisierte Agenten über Abteilungsgrenzen hinweg – Vertrieb, Operations, Finance und Support arbeiten orchestriert zusammen. Und an der Spitze entstehen AI-First-Geschäftsmodelle, bei denen Agenten nicht mehr Hilfsmittel sind, sondern den Kern der Wertschöpfung bilden.

Was das für die Praxis bedeutet

Nicht jedes Unternehmen muss sofort auf Stufe fünf operieren. Entscheidend ist, den eigenen Reifegrad ehrlich einzuschätzen und die nächste Stufe gezielt anzugehen. Der grösste Fehler ist, bei Stufe drei stehen zu bleiben und zu glauben, man habe KI bereits im Griff. Die Entwicklung ist exponentiell – und wer heute die Grundlagen für Stufe vier und fünf legt, wird morgen den entscheidenden Vorsprung haben.

Ich lese viele Beiträge darüber, wie man mit KI bessere Präsentationen erstellt, sauberer promptet oder Dokumentationen automatisiert. Das ist ein guter Einstieg. Doch in regulierten Geschäftsbereichen greift diese Diskussion zu kurz. Wer mit sensiblen Geschäftsdaten arbeitet, bewegt sich in einem Umfeld, in dem ein entscheidender Punkt kaum adressiert wird: KI ohne Governance ist ein strukturelles Risiko.

Warum das Thema in regulierten Bereichen besonders sensibel ist

In der täglichen Geschäftspraxis arbeiten Unternehmen mit Vertragsdaten, Compliance-Dokumenten, Finanztransaktionen, Kundendaten, regulatorischen Nachweisen und strategisch sensiblen Informationen. Das sind keine neutralen Testdaten. Das sind haftungsrelevante, geschäftskritische Inhalte. Wer solche Informationen unreflektiert in generative KI-Systeme eingibt, verlässt den Bereich der Innovation und betritt den Bereich des Compliance-Risikos.

Die eigentliche Frage lautet nicht: Wie promptet man richtig? Die eigentliche Frage lautet: Wo liegen unsere Daten? Wer hat Zugriff? Welche Modelle werden genutzt? Welche Daten verlassen das Unternehmen? Gibt es eine klare AI-Policy? Und wer trägt die Verantwortung im Fachbereich? Das ist KI-Governance. Und genau darüber müssen wir in jedem Unternehmen sprechen, das sensible Daten verarbeitet.

Die Technologie ist längst weiter

Moderne KI-Systeme arbeiten heute mit strukturierten Workflows, kontextuellen Wissensräumen, modularen Skills, Co-Work-Modellen und unternehmensintegrierten Assistenzsystemen. Die Technologie entwickelt sich exponentiell. Was sich nicht exponentiell entwickelt, ist vielerorts das Risikobewusstsein.

Die Rolle der Fachabteilungen verändert sich

Fachabteilungen werden künftig nicht nur Anwender sein. Sie werden zur Validierungsinstanz für KI-Ergebnisse, zu Mitgestaltern interner AI-Richtlinien, zu Risikobewertern KI-gestützter Prozesse und zur Schnittstelle zwischen IT, Compliance und Business. Das ist kein IT-Thema allein. Das ist ein strategisches Fachthema, das in jeder Organisation verankert werden muss.

Meine Position

Ich sehe mich an der Schnittstelle zwischen Fachkompetenz, IT-Verständnis und KI-Anwendung. Ich nutze KI intensiv, aber nie unreflektiert: keine sensiblen Echtdaten in offenen Systemen, klare Trennung von Test- und Produktivumgebung, Bewusstsein für regulatorische Implikationen und Fokus auf Prozessarchitektur statt Tool-Hype. KI ist kein Ersatz für Expertise. Sie ist ein Verstärker von Struktur, wenn sie richtig eingebettet ist.

Was Unternehmen jetzt brauchen

Jede Organisation, die KI ernsthaft einsetzt, braucht AI-Policies im Fachbereich, strukturierte Datenarchitekturen, Compliance by Design und strategische Integration statt isolierter Nutzung. Wer jetzt nur über Prompt-Optimierung spricht, denkt operativ. Wer über Governance spricht, denkt nachhaltig.

KI wird Geschäftsprozesse grundlegend verändern. Die Frage ist nicht, ob wir sie nutzen. Die Frage ist, ob wir sie verantwortungsvoll strukturieren. Und genau dort sehe ich meine Rolle: als Impulsgeberin für eine sichere, fachlich fundierte KI-Integration.

Noch vor drei Jahren war generative KI für die meisten Menschen ein abstraktes Konzept. Heute gehören KI-Assistenten zum Arbeitsalltag von Millionen. Die Geschwindigkeit dieser Entwicklung ist beispiellos, und wir stehen erst am Anfang. Was einmal als einfacher Chatbot begann, hat sich zu einem Ökosystem hochspezialisierter Modelle entwickelt, die unterschiedliche Stärken mitbringen. Wer KI heute professionell nutzen will, muss verstehen, welches Modell für welchen Einsatzzweck am besten geeignet ist.

ChatGPT von OpenAI – Der Allrounder

ChatGPT war das Modell, das KI in den Mainstream gebracht hat. Und es bleibt ein starker Allrounder. Für schnelle Aufgaben im Alltag, für Brainstorming, für die Erstellung von Marketingtexten und für die Bildgenerierung mit DALL-E ist es nach wie vor eine ausgezeichnete Wahl. Das Plugin-Ökosystem ist das breiteste am Markt, und die Integration in bestehende Workflows ist gut gelöst. Wo ChatGPT an Grenzen stösst, sind längere, nuancierte Analysen und komplexe mehrstufige Aufgaben, bei denen Kontextverständnis über viele Seiten hinweg entscheidend ist.

Claude von Anthropic – Der strategische Partner

Claude ist das Modell, mit dem ich persönlich am intensivsten arbeite, und das aus gutem Grund. Bei anspruchsvollen Texten, strategischen Analysen und Code-Entwicklung liefert Claude konsistent die höchste Qualität. Was Claude besonders auszeichnet, ist das Kontextverständnis: Das Modell kann mit extrem langen Dokumenten arbeiten und dabei den roten Faden halten, was bei komplexen Projekten entscheidend ist.

Was mich aber am meisten überzeugt, ist das Cowork-Modell. Claude arbeitet nicht wie ein klassischer Chatbot, dem man Fragen stellt und Antworten bekommt. Claude arbeitet als Partner. Mit Claude Code entwickle ich meine eigenen Tools, automatisiere Prozesse und baue komplette Anwendungen. Die KI liest meinen bestehenden Code, versteht die Architektur und entwickelt eigenständig weiter, während ich die Richtung vorgebe. Das ist keine Spielerei, das ist eine fundamental andere Art zu arbeiten. Es ist die Zusammenarbeit zwischen Mensch und KI auf Augenhöhe, bei der beide Seiten ihre Stärken einbringen. Mein F&Q-Tool für Live-Events, meine Automatisierungs-Workflows, diese Website selbst – alles entsteht in diesem Cowork-Modell.

Perplexity – Die Recherche-Maschine

Perplexity hat eine Nische besetzt, die kein anderes Modell so gut bedient: die quellenbasierte Recherche. Während ChatGPT und Claude aus ihrem Trainingswissen antworten, durchsucht Perplexity in Echtzeit das Internet und belegt jede Aussage mit konkreten Quellen. Für Marktanalysen, Wettbewerbsrecherchen und aktuelle Fachinformationen ist Perplexity deshalb mein erstes Tool der Wahl. Es ersetzt keine tiefe Analyse, aber es liefert den fundierten Ausgangspunkt, auf dem alles Weitere aufbaut.

Gemini von Google – Das Ökosystem-Modell

Gemini hat eine natürliche Stärke dort, wo Google stark ist: in der Integration mit dem gesamten Google-Ökosystem. Wer tief in Google Workspace arbeitet, mit Google Docs, Sheets und Gmail, findet in Gemini einen Assistenten, der nahtlos eingebettet ist. Zudem punktet Gemini bei multimodalen Aufgaben, also der gleichzeitigen Verarbeitung von Text, Bild und Video. Für Unternehmen, die im Google-Universum zu Hause sind, ist Gemini die natürlichste Wahl.

Meine Empfehlung: Nicht eines, sondern das richtige

Der grösste Fehler, den ich in Unternehmen sehe, ist die Suche nach dem einen perfekten KI-Modell. Die Realität sieht anders aus. Professionelle KI-Nutzung bedeutet, das richtige Werkzeug für die richtige Aufgabe zu wählen. Perplexity für die Recherche, Claude für komplexe Projekte und strategische Arbeit, ChatGPT für schnelle Alltagsaufgaben, Gemini für die Google-Integration. Wer dieses Portfolio beherrscht, arbeitet nicht nur effizienter, sondern qualitativ auf einem anderen Niveau.

Und das ist erst der Anfang

Was wir heute erleben, ist nicht das Ende einer Entwicklung, sondern der Anfang. Die Modelle werden schneller, kontextfähiger und autonomer. Agentic AI, bei der KI-Systeme eigenständig mehrstufige Prozesse durchlaufen, ist keine Zukunftsvision mehr, sondern Realität. Die Frage ist nicht, ob KI Ihren Arbeitsalltag verändern wird. Die Frage ist, ob Sie bereit sind, diese Veränderung aktiv zu gestalten.

Die Welt des internationalen Handels wird nicht einfacher. Vorschriften ändern sich schneller, als Handbücher nachgedruckt werden können. Freihandelsabkommen werden neu verhandelt, Sanktionslisten aktualisiert, Zolltarifnummern angepasst. Gleichzeitig steigt der Druck auf Unternehmen, effizienter, schneller und fehlerfreier zu arbeiten. Wer in diesem Umfeld bestehen will, braucht mehr als Fachwissen. Es braucht die Fähigkeit, dieses Wissen digital umzusetzen.

Die doppelte Herausforderung

Unternehmen im internationalen Handel kämpfen heute an zwei Fronten gleichzeitig. Auf der fachlichen Seite stehen Exportkontrollvorschriften, Herkunftsregeln, Compliance-Anforderungen und die Navigation durch ein Labyrinth aus Freihandelsabkommen und Präferenznachweisen. Auf der technologischen Seite geht es um ERP-Anbindungen, Datenprozesse, Automatisierung und die Integration von IT-Workflows in bestehende Systeme. Traditionelle Beratungsansätze beantworten fachliche Fragen, oft hervorragend. Doch ohne die digitale Umsetzung in konkreten Systemen bleibt die Effizienz auf der Strecke.

Die Brücke zwischen Fachseite und IT

Das eigentliche Problem ist nicht mangelndes Wissen und nicht fehlende Technologie. Das Problem ist die Lücke dazwischen. Fachexperten im Zoll- und Aussenhandel verstehen die regulatorischen Anforderungen bis ins Detail, aber sie können sie selten in digitale Prozesse übersetzen. IT-Abteilungen können Systeme bauen und automatisieren, aber ihnen fehlt das Verständnis für die fachliche Komplexität. Was es braucht, sind Menschen und Ansätze, die beide Welten verbinden: Fachwissen in Zoll- und Exportprozessen, praxisnahe Schulungen, digitale Werkzeuge, individuelle IT-Integrationen und Prozess- und Datenautomatisierung aus einem Guss.

Der konkrete Mehrwert

Wenn fachliche Expertise und digitale Umsetzungskraft zusammenkommen, entstehen spürbare Ergebnisse. Keine isolierten Silos mehr zwischen Fachseite und IT. Weniger Fehler, mehr Compliance, höhere Effizienz. Fachwissen wird umsetzbar, technisch und organisatorisch. Export- und Zollprozesse digital zu denken bedeutet nicht nur Information, sondern auch Implementierung, Integration und Automation.

Warum mich dieses Thema antreibt

Als jemand, die sowohl im Zoll- und Aussenhandelsumfeld zu Hause ist als auch eigene digitale Tools entwickelt, erlebe ich diese Lücke täglich. Und ich sehe, wie viel Potenzial verloren geht, wenn Regelwissen nicht in operative Wertschöpfung übersetzt wird. Die Zukunft des internationalen Handels ist digital. Nicht als Schlagwort, sondern als konkrete Arbeitsweise, die Fachwissen, Technologie und Prozessdenken vereint.

Wenn ich heute auf einer Bühne stehe, arbeitet im Hintergrund oft KI mit. Nicht als Gimmick, sondern als echtes Werkzeug, das den Event für alle Beteiligten besser macht. Nach hunderten von Events habe ich gelernt: Der Mehrwert entsteht dort, wo Technologie unsichtbar bleibt und Menschen in den Mittelpunkt stellt.

Echtzeit-Q&A mit intelligenter Priorisierung

Mein selbst entwickeltes F&Q-Tool sammelt Fragen aus dem Publikum – ob vor Ort oder remote. KI-gestützte Clustering-Algorithmen fassen ähnliche Fragen zusammen und priorisieren nach Relevanz. Das Ergebnis: In einer 30-minütigen Q&A-Runde behandle ich die Themen, die das Publikum wirklich bewegen, statt mich durch Einzelfragen zu arbeiten.

Live-Zusammenfassungen für hybride Formate

Bei mehrstündigen Konferenzen generiere ich mit KI-Unterstützung Zwischen-Zusammenfassungen der wichtigsten Erkenntnisse. Online-Teilnehmende, die später dazustossen, bekommen sofort Kontext. Und am Ende des Events erhalten alle ein strukturiertes Wrap-up – nicht Tage später, sondern in Echtzeit.

Stimmungsanalyse und Engagement-Tracking

Über Live-Voting und Reaction-Tools messe ich kontinuierlich, wie das Publikum auf Inhalte reagiert. Sinkt das Engagement bei einem Panel? Dann passe ich die Moderation an – stelle provokantere Fragen, wechsle das Format oder baue eine interaktive Übung ein. Datengetriebene Moderation ist kein Widerspruch zu Empathie – sie verstärkt sie.

Wo ich bewusst KEINE KI einsetze

KI ist ein Werkzeug, kein Ersatz. Ich nutze sie nicht, um Moderationstexte zu generieren oder Gespräche zu automatisieren. Die menschliche Verbindung – das Gespür für den Raum, für Emotionen, für den richtigen Moment – das bleibt meine Aufgabe. Technologie soll Räume öffnen, nicht ersetzen.

«Die KI versteht mich nicht» – diesen Satz höre ich in fast jedem Workshop. Und fast immer liegt das Problem nicht bei der KI, sondern bei der Frage. Prompt Engineering ist keine Raketenwissenschaft, aber eine Fähigkeit, die den Unterschied zwischen mittelmässigen und herausragenden Ergebnissen macht.

Das RICE-Framework für bessere Prompts

Ich arbeite mit einem einfachen Vier-Schritte-Modell: Role (Wer soll die KI sein?), Instruction (Was genau soll sie tun?), Context (Welchen Hintergrund braucht sie?) und Example (Wie soll das Ergebnis aussehen?). Statt «Schreib mir eine E-Mail» wird daraus: «Du bist eine professionelle Event-Managerin. Formuliere eine Einladungs-E-Mail für eine Fachtagung zum Thema Supply Chain Innovation. Zielgruppe sind C-Level Executives. Ton: professionell aber einladend. Beispiel: [Muster]».

Chain-of-Thought: KI zum Nachdenken bringen

Die wirklich guten Ergebnisse entstehen, wenn Sie die KI bitten, Schritt für Schritt zu denken. «Analysiere zuerst die Zielgruppe, dann identifiziere die drei wichtigsten Pain Points, und formuliere erst dann drei Lösungsansätze.» Diese Technik – Chain-of-Thought Prompting – verbessert die Qualität dramatisch, besonders bei komplexen Aufgaben.

Iteratives Verfeinern statt Einmal-Prompt

Die besten Ergebnisse erziele ich nie beim ersten Versuch. Professionelles Prompt Engineering ist ein Dialog: Erster Entwurf, Feedback geben, verfeinern, anpassen. Ich behandle KI wie einen sehr fähigen Assistenten – je klarer mein Briefing, desto besser das Ergebnis.

Praxis-Tipp: Der «Experten-Prompt»

Mein meistgenutzter Prompt-Typ in Workshops: «Du bist ein Experte für [Fachgebiet] mit 20 Jahren Erfahrung. Erkläre [Thema] so, dass es ein intelligenter Laie versteht. Nutze Analogien aus dem Alltag. Beginne mit dem Wichtigsten.» Dieser einfache Rahmen liefert konsistent hochwertigen Output – ob für Präsentationen, E-Mails oder strategische Analysen.

Der KI-Markt ist überflutet mit Tools, die alle das Blaue vom Himmel versprechen. Als jemand, die seit Jahren systematisch KI-Plattformen evaluiert und im Arbeitsalltag testet, kann ich Ihnen viel Trial-and-Error ersparen. Hier meine ehrliche Einschätzung – Stand Anfang 2026.

Für Texterstellung und Content

Claude (Anthropic): Mein persönlicher Favorit für anspruchsvolle Texte, strategische Analysen und Code. Besonders stark bei langen, nuancierten Aufgaben. ChatGPT (OpenAI): Der Allrounder mit dem breitesten Ökosystem. Ideal für schnelle Aufgaben und mit hervorragender Bildgenerierung via DALL-E.

Für Präsentationen und Visuals

Gamma: Erstellt in Minuten professionelle Präsentationen aus einem Textbriefing. Perfekt für erste Entwürfe, die ich dann manuell verfeinere. Midjourney/DALL-E: Für Event-Visuals, Social-Media-Content und Konzeptvisualisierungen. Spart Stunden gegenüber Stockfoto-Suche.

Für Event-Management

Otter.ai: Transkribiert Meetings und Panels in Echtzeit. Unverzichtbar für hybride Events, wo ich nachträglich Zusammenfassungen erstellen muss. Mein eigenes F&Q-Tool: Speziell für meine Moderations-Bedürfnisse entwickelt – kein Tool auf dem Markt konnte das, was ich brauchte.

Mein Rat: Weniger ist mehr

Der grösste Fehler, den ich bei Unternehmen sehe: Sie kaufen 15 KI-Tools und nutzen keines richtig. Meine Empfehlung: Wählen Sie 3-4 Tools, die zu Ihrem Workflow passen, und meistern Sie diese. Der Productivitätsgewinn kommt nicht vom Tool selbst, sondern davon, wie gut Sie es in Ihre Prozesse integrieren.

«Wir haben jetzt KI – nutzt das mal.» So oder ähnlich klingt die KI-Einführung in vielen Unternehmen. Und genau deshalb scheitern die meisten Projekte. Nicht an der Technologie, sondern am Menschen. Als Change-Begleiterin und Tech-Enthusiastin sehe ich beide Seiten – und weiss, wie die Brücke aussieht.

Warum KI-Angst berechtigt ist

Lassen Sie uns ehrlich sein: Die Sorge, durch KI ersetzt zu werden, ist nicht irrational. In bestimmten Bereichen wird KI Aufgaben übernehmen. Was fehlt, ist eine ehrliche Kommunikation darüber, WAS sich ändert und WIE sich Rollen weiterentwickeln. Statt «KI wird euren Job nicht ersetzen» braucht es: «So sieht eure Rolle in 12 Monaten aus – und so begleiten wir euch dahin.»

Der Workshop-Ansatz: Berühren statt belehren

In meinen KI-Change-Workshops lasse ich Teams ihre eigenen Use Cases finden. Nicht die IT-Abteilung definiert, wo KI sinnvoll ist – die Mitarbeitenden selbst entdecken es. Mit Design-Thinking-Methoden identifizieren sie ihre grössten Zeitfresser und testen KI-Lösungen live im Workshop. Das Ergebnis: Begeisterung statt Widerstand.

Quick Wins vor Transformation

Beginnen Sie nicht mit dem grossen KI-Strategieprojekt. Beginnen Sie mit einem einfachen Prompt-Workshop, in dem jeder Teilnehmer innerhalb von 30 Minuten ein persönliches Produktivitätsproblem mit KI löst. Wenn Menschen den konkreten Nutzen spüren, öffnen sich Türen, die kein Strategiepapier aufstossen kann.

Mein 3-Phasen-Modell

Phase 1 – Entdecken: Teams erkunden KI spielerisch und finden eigene Anwendungsfälle. Phase 2 – Vertiefen: Ausgewählte Use Cases werden professionell umgesetzt, KI-Champions im Team ausgebildet. Phase 3 – Verankern: KI wird Teil der Arbeitskultur, nicht ein Parallelprojekt. Dieser Ansatz dauert 3-6 Monate – aber die Veränderung hält.

Wer heute über Automatisierung spricht, meint oft KI-Agenten, Workflow-Engines und API-Integrationen. Alles richtig, alles wichtig. Aber bevor die erste Automatisierung zuverlässig laufen kann, muss eine Grundvoraussetzung erfüllt sein, die in der Praxis erstaunlich oft ignoriert wird: Die Datenstruktur muss stimmen. Nicht ungefähr, nicht halbwegs, sondern sauber, konsistent und vollständig. Automatisierung auf schlechten Daten ist wie ein Navigationssystem mit falschen Karten – es funktioniert technisch einwandfrei, führt aber garantiert in die falsche Richtung.

Warum Datenfehler echte Compliance-Risiken verursachen

In vielen Unternehmen werden Datenfehler als operatives Ärgernis behandelt. Ein falscher Datensatz hier, eine fehlende Angabe dort – das wird manuell korrigiert und weitergearbeitet. Doch sobald automatisierte Prozesse auf diesen Daten aufbauen, multiplizieren sich die Fehler. Und in regulierten Bereichen wird aus einem operativen Ärgernis schnell ein handfestes Compliance-Risiko.

Inkonsistente Stammdaten erzeugen fehlerhafte Rechnungen und Berichte. Unvollständige Kundendaten verletzen regulatorische Anforderungen. Veraltete Lieferanteninformationen führen zu falschen Kalkulationen und Entscheidungen. Fehlerhafte Produktdaten verursachen Rückfragen, Verzögerungen und Vertrauensverlust. Jeder einzelne dieser Fehler lässt sich manuell noch abfangen. Aber wenn diese Fehler tausendfach durch einen automatisierten Prozess laufen, ist der Schaden nicht mehr mit einer manuellen Korrektur zu beheben.

Ein konkretes Beispiel aus der Praxis: Im Aussenhandel entscheiden Produktstammdaten darüber, ob ein Unternehmen Präferenzzölle nutzen darf oder nicht. Eine einzige falsch hinterlegte Zolltarifnummer kann dazu führen, dass Hunderte von Exportdeklarationen fehlerhaft erstellt werden – mit Nachprüfungen, Bussen und im schlimmsten Fall dem Verlust von Bewilligungen als Folge. Was bei manueller Bearbeitung als Einzelfehler auffallen würde, wird durch Automatisierung zum systematischen Problem.

Wo die typischen Schwachstellen liegen

Nach Jahren der Arbeit mit Unternehmensdaten sehe ich dieselben Muster immer wieder. Die erste und häufigste Schwachstelle sind fehlende Datenstandards. Jede Abteilung pflegt Daten nach eigenen Regeln. Der Vertrieb erfasst Kundennamen anders als die Buchhaltung, die Logistik verwendet andere Produktcodes als der Einkauf. Was für Menschen noch halbwegs funktioniert, bringt jede Automatisierung zum Scheitern.

Die zweite Schwachstelle sind historisch gewachsene Systeme. Über Jahre wurden Daten in verschiedenen Tools erfasst, migriert, zusammengeführt und wieder getrennt. Das Ergebnis sind Dubletten, verwaiste Datensätze und Felder, die niemand mehr pflegt, aber auch niemand löschen möchte. Dazu kommen manuelle Eingabeprozesse ohne Validierung. Wenn ein Freitextfeld akzeptiert, was auch immer eingegeben wird, dann wird auch alles Mögliche eingegeben. Tippfehler, unterschiedliche Schreibweisen, falsche Formate. Und schliesslich fehlt in vielen Organisationen die klare Datenverantwortlichkeit. Niemand ist zuständig für die Datenqualität als Ganzes. IT pflegt die Systeme, Fachabteilungen pflegen die Inhalte, aber niemand überwacht systematisch, ob beides zusammenpasst.

Welche Best Practices wirklich helfen

Datenqualität lässt sich nicht mit einem einmaligen Bereinigungsprojekt lösen. Was heute sauber ist, kann morgen wieder verunreinigt werden, wenn die Ursachen nicht adressiert werden. Der erste und wichtigste Schritt ist die Definition verbindlicher Datenstandards. Wie wird ein Kundenname erfasst? Welches Format haben Adressen? Welche Felder sind Pflicht? Diese Standards müssen dokumentiert, kommuniziert und in den Systemen als Validierungsregeln hinterlegt werden.

Der zweite Schritt ist die Einführung von Data Governance. Jemand muss die Verantwortung tragen – nicht als Nebentätigkeit, sondern als definierte Rolle. Data Stewards in den Fachabteilungen, die Datenqualität regelmässig prüfen und Probleme eskalieren, bevor sie sich in automatisierte Prozesse einschleichen.

Drittens braucht es automatisierte Qualitätschecks. Bevor ein Datensatz in einen automatisierten Workflow eingespeist wird, sollte er gegen definierte Regeln geprüft werden. Ist die Adresse vollständig? Stimmt das Format der Referenznummer? Sind Pflichtfelder befüllt und plausibel? Diese Checks lassen sich mit modernen Tools und auch mit KI-Unterstützung effizient umsetzen – und sie verhindern, dass fehlerhafte Daten überhaupt in den automatisierten Prozess gelangen.

Und viertens muss die Datenqualität messbar werden. Was nicht gemessen wird, wird nicht verbessert. Dashboards, die den Anteil fehlerhafter Datensätze zeigen, die häufigsten Fehlertypen identifizieren und Trends sichtbar machen, schaffen das Bewusstsein und die Grundlage für kontinuierliche Verbesserung.

Datenqualität ist kein IT-Projekt, sondern eine Haltung

Die Unternehmen, die Automatisierung erfolgreich umsetzen, haben eines gemeinsam: Sie behandeln Datenqualität nicht als einmaliges Projekt, sondern als Teil ihrer operativen Kultur. Saubere Daten sind kein Luxus und kein Nice-to-have. Sie sind die Grundvoraussetzung dafür, dass Automatisierung, KI-Integration und digitale Prozesse das halten, was sie versprechen. Wer dieses Fundament vernachlässigt, baut auf Sand – egal wie fortschrittlich die Technologie darüber ist.

Die nachfolgend beschriebene Arbeitsweise ist ein wichtiger Bestandteil meines Business-Arbeitsplatzes innerhalb eines spezifischen, bewusst anonymisierten Kundenprojekts im Zollbereich. Gleichzeitig bildet sie eine Methode, die ich auch auf weitere Kundenprojekte übertragen kann, wenn komplexe Fragestellungen analysiert und Lösungen vorbereitet werden müssen. Der Bericht gibt einen Einblick, wie ich dezidierte Kundenprojekte strukturiert bearbeite und dabei moderne KI-Unterstützung nutze. Datenschutz, Vertraulichkeit und fachliche Verantwortung stehen dabei jederzeit im Mittelpunkt.

Warum mehrere KI-Systeme?

Künstliche Intelligenz funktioniert am besten, wenn nicht nur ein einzelnes System eingesetzt wird. Verschiedene KI-Modelle haben unterschiedliche Stärken. Manche analysieren besonders gut, andere helfen bei neuen Ideen oder bei der verständlichen Aufbereitung von Informationen. Ich kombiniere diese Fähigkeiten bewusst miteinander. So entsteht ein digitales Team, das mich bei der Bearbeitung komplexer Aufgaben unterstützt.

Datenschutz und Verantwortung

Der Einsatz von KI erfolgt ausschliesslich unter Berücksichtigung des Datenschutzes sowie der projektbezogenen Vertraulichkeit. Kundenspezifische Inhalte werden anonymisiert oder abstrahiert verarbeitet. Sensible Daten werden nicht ungeprüft übertragen. Die KI unterstützt Analyse- und Denkprozesse, trifft jedoch keine eigenständigen Entscheidungen. Die fachliche Bewertung, Kontrolle und Freigabe erfolgen immer durch mich persönlich.

Claude – Analyse aus mehreren Blickwinkeln

Claude ist meine wichtigste Analyseunterstützung. Ich arbeite bewusst mit mehreren Claude-Instanzen gleichzeitig. Jede Instanz kann sich mit einer anderen Fragestellung beschäftigen oder einen Sachverhalt aus einer eigenen Perspektive betrachten. Das nutze ich insbesondere für die Analyse regulatorischer Inhalte, das Verständnis umfangreicher Dokumentationen, die Vorbereitung fachlicher Bewertungen und die Planung von Lösungswegen. Gerade im Zollbereich, wo Genauigkeit und Nachvollziehbarkeit entscheidend sind, ermöglicht diese parallele Betrachtung stabilere Ergebnisse.

Gemini – neue Ideen und zusätzliche Perspektiven

Gemini nutze ich bewusst als zweite Meinung. Das System unterstützt mich dabei, alternative Lösungswege zu finden, Risiken frühzeitig zu erkennen und neue Denkansätze zu entwickeln. Dadurch wird vermieden, dass Entscheidungen nur aus einer einzigen Sichtweise entstehen.

ChatGPT – Ordnung und Umsetzung

ChatGPT unterstützt mich vor allem bei der verständlichen Aufbereitung von Ergebnissen. Typische Einsatzbereiche sind Zusammenfassungen, klare Formulierungen und die Strukturierung von Arbeitsergebnissen. Wenn mehrere Analysen vorliegen, hilft ChatGPT dabei, daraus eine übersichtliche und nutzbare Arbeitsgrundlage zu erstellen.

Whisper – Gedanken einfach sprechen

Für meine eigene Kommunikation nutze ich Whisper. Damit kann ich Ideen direkt sprechen, statt sie aufzuschreiben. Das ermöglicht spontane Ideenerfassung, schnelle Notizen und laufende Dokumentation während der Arbeit. Gesprochene Inhalte werden automatisch in Text umgewandelt und anschliessend weiterverarbeitet.

Wie der Arbeitsprozess abläuft

In einem typischen Kundenprojekt arbeite ich meist so: Eine Fragestellung oder Aufgabe wird festgehalten. Mehrere Claude-Instanzen analysieren das Thema parallel. Gemini ergänzt neue Ideen oder prüft alternative Möglichkeiten. ChatGPT bringt die Ergebnisse in eine klare Struktur. Resultate werden überprüft und bei Bedarf weiterentwickelt. So entstehen nachvollziehbare und gut geprüfte Ergebnisse.

Vorteile für Kundenprojekte

Komplexe Themen werden schneller verstanden, mehrere Perspektiven verbessern die Qualität der Ergebnisse, umfangreiche Dokumentationen werden übersichtlicher, und die Arbeitsschritte bleiben nachvollziehbar und überprüfbar.

Zusätzlich nutze ich eine lokale KI-Umgebung, in der projektspezifische Fachdaten, Eckdaten sowie relevante Codes strukturiert hinterlegt werden können. Dadurch lassen sich Erfahrungen und Erkenntnisse aus verschiedenen Projekten gezielt wiederverwenden, ohne sensible Kundendaten nach aussen zu übertragen. Diese lokale Wissensbasis unterstützt die Bearbeitung wiederkehrender Fragestellungen über mehrere Mandate hinweg und sorgt für fachliche Konsistenz bei gleichzeitig hohem Datenschutzstandard. Die Arbeitsweise ist dadurch flexibel auf weitere Kundenprojekte übertragbar.

Menschliche Expertise bleibt entscheidend

Trotz der Unterstützung durch mehrere KI-Systeme verbleibt die fachliche Verantwortung vollständig beim Menschen. Mit meiner eigenen Fachexpertise kann ich Ergebnisse beurteilen, die Zusammenarbeit der Systeme orchestrieren sowie Inhalte freigeben und verifizieren. Gerade im Zoll- und Regulierungsumfeld stellt diese menschliche Bewertung einen zentralen Bestandteil der Qualitätssicherung dar und macht menschliches Wissen innerhalb dieses Prozesses unersetzbar.

Ein digitales Orchester – Agentic AI einfach erklärt

So ist aus einzelnen Werkzeugen ein echtes digitales Orchester entstanden. Daraus entsteht ein weitgehend automatisierter, sogenannter agentischer Workflow. In der Fachwelt spricht man dabei von «Agentic AI». Einfach erklärt bedeutet das: Mehrere KI-Systeme arbeiten wie Teammitglieder zusammen. Der Mensch gibt die Richtung vor, trifft Entscheidungen und übernimmt die Verantwortung. Frameworks und feste Arbeitsstrukturen helfen dabei, dieses Zusammenspiel laufend weiterzuentwickeln und zu verbessern. Genau dieses Zusammenspiel bezeichnet man als agentisches Arbeiten mit Künstlicher Intelligenz.

Persönlicher Ausblick

So macht die Arbeit an digitalen Lösungen und deren Programmierung für Kunden nicht nur effizienter, sondern auch Freude. Gleichzeitig lerne ich täglich dazu – insbesondere im Umgang mit der rasanten Entwicklung der Künstlichen Intelligenz. Dieser kontinuierliche Lern- und Entwicklungsprozess ist dynamischer als je zuvor und prägt die moderne Arbeitswelt in einer Form, wie sie bislang kaum erlebt wurde.