Erst denken, dann bauen: ein KI-Problem richtig fassen

# Erst denken, dann bauen: ein KI-Problem richtig fassen

Ein Support-Team in einem mittelgroßen Softwareunternehmen hat drei Monate lang einen KI-Chatbot gebaut. Sie haben ihn live gestellt, und innerhalb von zwei Wochen waren die Kunden wütend. Der Bot gab vage Antworten, drehte sich im Kreis und machte die Leute noch ärgerlicher als vorher. Als das Team endlich in die Daten schaute, fand es etwas Peinliches: 80 % der eingehenden Fragen waren dieselben 15 Fragen, alle in der bestehenden Hilfe-Dokumentation beantwortet. Die Kunden konnten diese Dokumente nur nicht *finden*.

Sie brauchten keinen Chatbot. Sie brauchten eine bessere Suche.

So scheitern KI-Projekte am häufigsten. Nicht die Technologie ist der Schuldige, sondern das Framing. Jemand sagt „lass uns KI einbauen“, und das Team fängt an zu bauen, bevor irgendwer fragt: „Welches Problem lösen wir eigentlich?“

Die Falle: vom Lösungsdenken ausgehen

„Lass uns einen Chatbot einbauen“ ist eine Lösung. Es ist kein Problem.

Wenn Sie mit der Lösung anfangen, überspringen Sie den wichtigsten Schritt: zu verstehen, was kaputt ist und für wen. Am Ende bauen Sie etwas Beeindruckendes, das niemand gebraucht hat.

Lösungsdenken klingt so:

• „Lass uns KI nutzen, um unsere Reports zusammenzufassen.“
• „Wir sollten einen KI-Agenten für den Vertrieb bauen.“
• „KKDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnen wir ein GPT auf unsere Website bringen?“

Problemdenken klingt so:

• „Unsere Manager verbringen 4 Stunden pro Woche mit Reports, die sie ohnehin nur überfliegen.“
• „Vertriebsmitarbeiter verlieren 30 Minuten pro Call bei der Suche nach Produktspezifikationen.“
• „Neue Besucher erkennen in unter 10 Sekunden nicht, was unser Produkt macht.“

Beachten Sie den Unterschied. Die zweite Liste beschreibt den Schmerz, wer ihn spürt und wie stark. Damit haben Sie etwas, das Sie messen und lösen kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnen. Die erste Liste ist ein Werkzeug auf der Suche nach einer Aufgabe.

Eine einfache Framing-Methode

Bevor Sie irgendetwas bauen, schreiben Sie vier Dinge auf. Das kostet 20 Minuten und spart Monate.

1. Die Aufgabe

Welche konkrete Aufgabe versucht jemand zu erledigen? Werden Sie konkret.

Schlecht: „Den Kundensupport verbessern.“

Gut: „Einem Kunden helfen, die Antwort auf eine häufige Frage zu finden, ohne auf einen Menschen zu warten.“

2. Wer das Problem hat

Benennen Sie die konkrete Person. Ein frustrierter Kunde um 23 Uhr? Ein überarbeiteter Support-Mitarbeiter? Ein Manager, der in Tickets versinkt? Jeder davon führt zu einer anderen Lösung.

3. Woran Sie merken, dass es funktioniert hat

Wie man ein messbares Erfolgskriterium definiert und seine Daten prüft, behandeln wir ausführlich in der Lektion „Scoping: Daten und Erfolgskriterien“.

4. Das Einfachste, was funktionieren kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnte

Das ist der entscheidende Punkt. Zwingen Sie sich zu der Frage: Was ist das *Minimum* an Technologie, das das Problem löst? Oft kommt in der Antwort überhaupt keine KI vor, oder nur ein winziger Teil davon.

Für das Support-Team war die einfachste Lösung eine intelligente Suchleiste über der bestehenden Dokumentation. Günstiger, schneller, und sie hat tatsächlich funktioniert.

Das Support-Beispiel durchgespielt

Machen wir das gescheiterte Chatbot-Projekt noch einmal, aber richtig.

Die Aufgabe: Ein Kunde will jetzt sofort die Antwort auf eine Routinefrage (Passwort zurücksetzen, Abrechnungsdatum, Export-Limits).

Wer: Kunden, oft außerhalb der Geschäftszeiten, die sich lieber selbst helfen als zu warten.

Erfolgsmetrik: 50 % der häufigen Fragen ohne Menschen gelöst, gemessen am sinkenden Ticketvolumen.

Das Einfachste, was funktionieren könnte: Ein Suchfeld, das Fragen in normaler Sprache versteht und den richtigen Hilfeartikel zurückgibt. Keine Konversation. Eine Suche.

Hier passt eine Technik namens semantische Suche. Semantische Suche bedeutet, nach *Bedeutung* zu matchen, nicht nur nach Keywords. Ein Kunde tippt „Ich kann mich nicht einloggen“ und findet den Artikel „Passwort zurücksetzen“, obwohl keines dieser Wörter übereinstimmt. Eine klassische Keyword-Suche würde ihn verpassen.

Eine Basisversion davon kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnen Sie mit einem Embedding-Modell bauen (ein Werkzeug, das Text in eine Liste von Zahlen verwandelt, die seine Bedeutung repräsentieren, sodass ähnliche Bedeutungen nahe beieinander liegen). Hier ein minimales Beispiel mit der OpenAI-APIAPIApplication Programming Interface: eine standardisierte Schnittstelle, über die Anwendungen kommunizieren und Daten austauschen, ohne die interne Funktionsweise der jeweils anderen zu kennen.Vollständige Definition ansehen → in Python:

from openai import OpenAI
client = OpenAI()

# Ihre bestehenden Hilfeartikel
docs = [
    "Resetting your password: click Forgot Password on the login screen.",
    "Your billing date is the day you first subscribed.",
    "You can export up to 10,000 rows on the free plan.",
]

def embed(text):
    return client.embeddings.create(
        model="text-embedding-3-small",
        input=text
    ).data[0].embedding

# Die Frage eines Kunden
question = "I can't log in to my account"
q_vec = embed(question)
doc_vecs = [embed(d) for d in docs]

# Den nach Bedeutung nächstliegenden Artikel finden
import numpy as np
scores = [np.dot(q_vec, d) for d in doc_vecs]
best = docs[int(np.argmax(scores))]
print("Best match:", best)

Das gibt den Passwort-Artikel zurück, obwohl der Kunde nie „Passwort“ gesagt hat. Damit ist das ganze Problem gelöst, ohne Chatbot, ohne Dialogführung und mit deutlich geringerem Risiko, dass die KI falsche Antworten erfindet.

Eine klare, kostenlose Einführung dazu, wie Embeddings und semantische Suche funktionieren, finden Sie in OpenAIs Embeddings-Guide.

Wann Sie den Chatbot wirklich brauchen

Problemdenken heißt nicht „niemals KI bauen“. Es heißt, das Richtige bauen.

Wenn Ihre Analyse zeigt, dass die meisten Fragen *einzigartig* sind, ein Hin und Her erfordern („mein Export ist fehlgeschlagen, hier ist mein Fehler, was mache ich jetzt?“) und Schlussfolgerungen über mehrere Dokumente hinweg nötig sind, dann verdient ein konversationeller KI-Assistent seinen Platz.

Der Test ist einfach. Fragen Sie: Braucht das Problem eine Konversation oder nur eine Antwort?

• Nur eine Antwort: Suche, eine Zusammenfassung, ein einzelner KI-Aufruf.
• Eine Konversation: ein Chatbot oder Assistent.

Die meisten Teams gehen standardmäßig von „Konversation“ aus. Die meisten Probleme brauchen nur „Antwort“.

Eine schnelle Entscheidungs-Checkliste

Schicken Sie jede KI-Idee vor dem Bauen durch diese Fragen:

1. Kann ich das Problem formulieren, ohne eine Technologie zu nennen? Wenn Sie es nur als „so eine KI-Sache“ beschreiben kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnen, haben Sie es noch nicht verstanden.

2. Wer spürt den Schmerz, und wie oft? Seltener Schmerz rechtfertigt selten ein Projekt.

3. Was ist die dümmste Lösung, die funktionieren könnte? Probieren Sie die zuerst. Eine Tabelle, eine bessere Suchleiste, ein gespeichertes Prompt-Template.

4. Wie sieht Erfolg als Zahl aus? Was Sie nicht messen kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnen, kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnen Sie nicht verbessern.

5. Was passiert, wenn die KI falsch liegt? Eine falsche FAQ-Antwort ist ärgerlich. Eine falsche medizinische oder juristische Antwort ist gefährlich. Höhere Einsätze bedeuten einfachere, stärker kontrollierte Designs.

Die Lösung auf das Problem zuschneiden

Sobald Sie das Problem kennen, passen Sie das Werkzeug daran an. Übertreiben verschwendet Geld und schafft zusätzliche Fehlerquellen. Zu klein dimensionieren lässt den Schmerz ungelöst. Hier eine grobe Leiter, vom Einfachsten zum Komplexesten:

Level 0: Keine KI

Eine besser strukturierte FAQ-Seite. Ein Suchfilter. Ein Template. Manchmal ist das echte Problem, dass Informationen versteckt sind, nicht dass sie fehlen. Prüfen Sie das immer zuerst.

Level 1: Ein einzelner KI-Aufruf

Ein Prompt, eine Antwort. „Fasse dieses Dokument zusammen.“ „Klassifiziere diese E-Mail als dringend oder nicht.“ Kein Gedächtnis, keine Konversation. Günstig, vorhersehbar, einfach zu testen.

response = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[
        {"role": "system", "content": "Classify the support email as 'billing', 'technical', or 'other'. Reply with one word."},
        {"role": "user", "content": "My card was charged twice this month."}
    ]
)
print(response.choices[0].message.content)  # billing

Dieses einzige Snippet kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnte jede eingehende E-Mail automatisch an das richtige Team weiterleiten. Allein das kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnte den eigentlichen Engpass des Support-Teams lösen.

Level 2: KI plus Ihre eigenen Daten

Das ist das Beispiel der semantischen Suche von vorhin, oft RAG genannt (Retrieval-Augmented Generation: die KI sucht relevante Informationen in Ihren Dokumenten und antwortet damit). Gut, wenn Antworten aus *Ihren* Inhalten kommen müssen und nicht aus dem Allgemeinwissen des Modells.

Level 3: Ein konversationeller Assistent

Mehrstufiger Chat, Gedächtnis für den Gesprächsverlauf, vielleicht die Fähigkeit, Aktionen auszuführen. Das Mächtigste und das Teuerste im Bau und Unterhalt. Reservieren Sie es für Probleme, die Dialog brauchen.

Die Lehre: Starten Sie auf dem niedrigsten Level, das das Problem löst. Nach oben kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnen Sie immer noch. Nach unten (einen überdimensionierten Chatbot wieder herausreißen) ist schmerzhaft und öffentlich.

Warum Sie das rettet

Zuerst zu framen fühlt sich langsam an. Es ist tatsächlich der schnellste Weg. Das Support-Team hat drei Monate verloren, weil es das Falsche gebaut hat. Das richtige Framing hätte es zu einem Suchfeld geführt, das es in zwei Wochen ausliefern hätte kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnen.

Jede Stunde für die vier Framing-Fragen (die Aufgabe, wer, die Metrik, die einfachste Lösung) spart Ihnen Wochen, in denen Sie etwas bauen, das niemand verlangt hat.

Die wichtigsten Erkenntnisse

• Fangen Sie mit dem Problem an, nie mit dem Werkzeug. Wenn Sie Ihre Idee nur als „lass uns KI einbauen“ beschreiben kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnen, haben Sie sie noch nicht gefasst. Benennen Sie den Schmerz, wer ihn spürt und wie oft.
• Definieren Sie eine messbare Erfolgsmetrik, bevor Sie bauen. „‚Wie mache ich‘-Tickets um 40 % senken“ ist besser als „den Support verbessern“, weil Sie es tatsächlich überprüfen kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnen.
• Probieren Sie immer zuerst die dümmste Lösung. Bessere Suche, ein gespeicherter Prompt, eine Routing-Regel. Viele „KI-Projekte“ sind auf Level 0 oder Level 1 gelöst, ganz ohne Chatbot.
• Passen Sie die Komplexität dem Problem an. Sie brauchen eine Antwort? Nutzen Sie Suche oder einen einzelnen KI-Aufruf. Sie brauchen eine Konversation? Dann, und nur dann, bauen Sie einen Assistenten.
• Fragen Sie, was passiert, wenn die KI falsch liegt. Höhere Einsätze verlangen einfachere, stärker kontrollierte Designs, nicht spektakulärere.