WISSEN, DAS
ORIENTIERUNG
SCHAFFT.

Ein AI Operating Model legt fest, wie eine Organisation KI-Anwendungsfälle auswählt, entwickelt, freigibt, betreibt und verbessert. Es verbindet Strategie, Technologie, Governance, Fähigkeiten und Wertmessung.

Ohne Operating Model bleiben erfolgreiche Piloten oft isoliert und Verantwortlichkeiten unklar.

Ein AI Portfolio macht Status, Verantwortlichkeit, Nutzenhypothese, Risiko und Ressourcenbedarf jedes Anwendungsfalls vergleichbar. Es schafft eine gemeinsame Grundlage für Priorisierung und Stop-Entscheidungen.

Portfolio-Transparenz verhindert Doppelarbeit und lenkt knappe Mittel auf strategisch relevante Vorhaben.

Adoption geht über Nutzungshäufigkeit hinaus. Sie zeigt sich in veränderten Routinen, klaren Rollen, kompetenter Anwendung, akzeptierten Kontrollen und dauerhaft realisiertem Nutzen.

Ein technisch funktionierendes System erzeugt erst dann Wert, wenn Menschen und Prozesse es verlässlich nutzen.

Ein belastbarer KI-Business-Case dokumentiert Annahmen, Messmethoden, Szenarien, Kosten, operative Veränderungen und Risiken. Er trennt belegte Werte von Hypothesen.

Gerade bei KI können unklare Qualitäts- und Adoptionsannahmen erwartete Effekte stark verzerren.

Decision Rights ordnen Entscheidungen Rollen und Eskalationswegen zu. Dazu gehören Auswahl, Risikoeinstufung, Produktivsetzung, Modellwechsel, Ausnahmen und Abschaltung.

Klare Entscheidungsrechte reduzieren Wartezeiten und verhindern, dass Verantwortung zwischen Fachbereich, IT und Governance verloren geht.

Ein Use Case beschreibt Nutzer, Aufgabe, Ausgangslage, gewünschtes Ergebnis, Systemgrenzen, Daten, Risiken und Erfolgskriterien. Die Modellwahl folgt erst daraus.

Eine präzise Problemdefinition schützt vor technologiegetriebenen Piloten ohne betriebliche Wirkung.

Das Value Ledger verbindet jede Wertbehauptung mit Owner, Quelle, Messmethode, Szenario, Sensitivität und Prüfdatum. Positive und negative Effekte bleiben gemeinsam sichtbar.

Es verhindert, dass frühe Schätzungen später als realisierte Ergebnisse ausgegeben werden.

Workflow Redesign betrachtet Aufgaben, Übergaben, Entscheidungen, Kontrollen und Ausnahmen gemeinsam. Es ersetzt nicht nur einen Arbeitsschritt durch ein Tool, sondern gestaltet den gesamten Ablauf neu.

Die größten Effekte entstehen häufig aus veränderten Abläufen, nicht aus der bloßen Automatisierung bestehender Schritte.

Agentische Systeme können planen, Aktionen ausführen, Ergebnisse prüfen und den nächsten Schritt anpassen. Der Grad der Autonomie hängt von Befugnissen, Systemgrenzen und menschlicher Aufsicht ab.

Mit dem Aktionsraum steigen Nutzenpotenzial und Schadensradius; Rechte, Protokolle und Stop-Regeln werden zentral.

Das Kontextfenster umfasst Eingaben, Anweisungen, bereitgestellte Dokumente und bereits erzeugte Inhalte. Ein größeres Fenster ersetzt weder Relevanzauswahl noch Qualitätskontrolle.

Kontextgrenzen beeinflussen Kosten, Geschwindigkeit, Informationsauswahl und die Zuverlässigkeit langer Arbeitsabläufe.

Embeddings übersetzen Texte, Bilder oder andere Objekte in Vektoren. Nähe im Vektorraum kann für Suche, Gruppierung, Empfehlungen und Retrieval genutzt werden.

Sie bilden häufig die technische Grundlage für unternehmensinterne Wissenssuche und RAG-Systeme.

Evaluation verbindet Testfälle, Qualitätsmetriken, menschliche Bewertung, Robustheit, Sicherheitsprüfungen und laufendes Monitoring. Maßstab ist die reale Aufgabe, nicht nur ein allgemeiner Benchmark.

Ohne vorab definierte Kriterien lässt sich weder eine Freigabe noch eine spätere Verschlechterung belastbar beurteilen.

Fine-Tuning verändert das Modellverhalten für bestimmte Aufgaben, Formate oder Stile. Es ist von der bloßen Bereitstellung zusätzlicher Informationen im Prompt oder über RAG zu unterscheiden.

Die Entscheidung zwischen Prompting, RAG und Fine-Tuning beeinflusst Aufwand, Aktualisierbarkeit und Kontrollierbarkeit.

Foundation Models werden mit großen Datenmengen trainiert und bilden eine technische Grundlage für viele Anwendungen. Dazu zählen unter anderem große Sprach- und multimodale Modelle.

Modellwahl und Anbieterabhängigkeit wirken sich auf Fähigkeit, Kosten, Datenflüsse, Risiko und Betriebsarchitektur aus.

Inference ist die operative Ausführungsphase eines Modells. Architektur, Modellgröße, Kontext, Ausgabelänge und Infrastruktur beeinflussen Geschwindigkeit und Kosten.

Für produktive Systeme sind Inferenzkosten, Latenz, Verfügbarkeit und Datenverarbeitung zentrale Betriebsgrößen.

RAG kombiniert Suche oder Retrieval mit einem generativen Modell. Die Qualität hängt von Quellen, Aufbereitung, Abruflogik, Berechtigungen und Zitierbarkeit ab.

RAG kann aktuelles oder internes Wissen nutzbar machen, schafft aber neue Abhängigkeiten in Daten- und Zugriffskontrolle.

Beim Tool Use wählt ein Modell innerhalb festgelegter Schnittstellen eine Aktion und Parameter aus. Das ausführende System muss Berechtigungen, Validierung und Protokollierung kontrollieren.

Sobald ein Modell handeln kann, werden minimale Rechte und technische Grenzen wichtiger als reine Antwortqualität.

Der AI Act ordnet Pflichten nach Rolle, Systemtyp und Risikoklasse. Er enthält unter anderem Vorgaben für verbotene Praktiken, Hochrisiko-Systeme, Transparenz und General-Purpose AI.

Unternehmen benötigen Transparenz über Systeme, Rollen und Nutzungskontexte, bevor konkrete Pflichten belastbar bestimmt werden können.

AI Literacy umfasst je nach Rolle technisches Grundverständnis, Grenzen, Risiken, geeignete Kontrollen und Auswirkungen auf Betroffene. Sie ist nicht auf allgemeine Tool-Schulungen begrenzt.

Kompetenz muss zum Nutzungskontext und zum möglichen Risiko passen, damit Kontrollen im Alltag funktionieren.

Das Register verbindet technische Informationen mit Nutzungskontext, Verantwortlichkeit, Daten, Anbieter, Kontrollen, Risikostatus und Lebenszyklus. Es ist Arbeitsgrundlage, nicht nur Inventarliste.

Ohne Systemtransparenz lassen sich Pflichten, Abhängigkeiten und betriebliche Risiken kaum konsistent steuern.

Data Provenance dokumentiert Quelle, Zeitpunkt, Rechte, Transformationen, Qualität und Verwendungszweck von Daten. Sie ermöglicht Rückverfolgbarkeit und gezielte Korrekturen.

Bei KI beeinflusst die Datenherkunft sowohl Ergebnisqualität als auch Datenschutz, Rechte und Revisionsfähigkeit.

Der AI Act verwendet GPAI als regulatorische Kategorie für Modelle, die vielfältige Aufgaben kompetent erfüllen und in unterschiedliche Systeme integriert werden können. Pflichten unterscheiden sich nach Rolle und möglichem systemischem Risiko.

Unternehmen müssen ihre Rolle als Anbieter oder Betreiber sowie die Abhängigkeit von Modellanbietern sauber bestimmen.

Die Einstufung hängt von Systemfunktion, Einsatzkontext und den Kategorien des AI Act ab. Für Hochrisiko-Systeme gelten umfangreiche Anforderungen, deren konkrete Anwendung eine Einzelfallprüfung erfordert.

Eine falsche Einstufung kann zu unnötiger Bürokratie oder zu übersehenen Pflichten führen.

Human Oversight verlangt mehr als eine formale Freigabe. Menschen brauchen Kompetenz, Zeit, Informationen, Befugnisse und technische Möglichkeiten, Ergebnisse zu prüfen, zu übersteuern oder das System zu stoppen.

Scheinbare Aufsicht ohne reale Handlungsmacht kann Risiken verdecken, statt sie zu kontrollieren.

Model Risk entsteht unter anderem durch Daten- und Modellgrenzen, Drift, ungeeignete Metriken, unerwartete Nutzung, Anbieteränderungen oder fehlende Kontrollen. Es ist im Nutzungskontext zu beurteilen.

Dass ein Modell allgemein leistungsfähig ist, belegt noch nicht seine Eignung für einen konkreten betrieblichen Prozess.