KI-Tools im Tagesgeschäft: Was wir womit machen
Wir haben in den letzten zwei Jahren ungefähr vierzig KI-Werkzeuge ausprobiert. Übrig geblieben sind sechs.
Das ist ein ganz normales Verhältnis. Der Fehler liegt im Behalten, nicht im Ausprobieren. Jedes Werkzeug, das im Betrieb bleibt, kostet Geld, Aufmerksamkeit und einen Zugang, der irgendwann jemandem gehört, der nicht mehr da ist. Deshalb sortiere ich hier nach Aufgabe, nicht nach Anbietern. Und ich nenne bewusst keine Versionsnummern, weil die schneller veralten als dieser Artikel.
Wie wir entscheiden, ob ein Werkzeug bleibt
Vor jedem Test steht bei uns dieselbe Frage: Welche Aufgabe soll es abnehmen, und wie merke ich, dass es das tut?
Danach gilt eine Vierwochenregel. Nach vier Wochen schauen wir auf drei Dinge:
- Nutzung. Hat es jemand benutzt, ohne dass ich daran erinnert habe?
- Ersparnis. Ist irgendwo Zeit frei geworden, die vorher belegt war? Grob geschätzt reicht.
- Ersatz. Könnte ein Werkzeug, das wir schon haben, dasselbe erledigen?
Wenn eine der ersten beiden Fragen ein Nein ist, fliegt es raus. Bei der dritten Frage fliegt es fast immer raus, weil ein zweites Werkzeug für dieselbe Aufgabe der teuerste Zustand von allen ist. Man pflegt zwei, vertraut keinem und findet nichts wieder.
Texte: der klarste Gewinn, mit einer Bedingung
Textarbeit ist der Bereich, in dem KI bei uns am zuverlässigsten liefert. Aber nicht so, wie es oft verkauft wird.
Was funktioniert, ist Umarbeiten. Aus einem Stichpunktzettel eine Produktbeschreibung, aus einer langen Mail eine kurze, aus einem deutschen Text ein englischer, aus einer Beschreibung fünf Varianten für einen Test.
Was nicht funktioniert, ist Erfinden. Ein Sprachmodell, das über ein Produkt schreiben soll, das es nicht kennt, schreibt flüssigen, austauschbaren Text mit erfundenen Details. Bei uns ist die Regel deshalb: Kein Text ohne Rohmaterial. Wer keine fünf Stichpunkte über das Produkt hinbekommt, bekommt auch keine gute Beschreibung.
Konkret bei nano: Produkttexte für neue Varianten entstehen aus einer Tabelle mit den Fakten, nicht aus einem Wunsch. Das Ergebnis geht immer noch durch eine Person, weil Markenstimme nichts ist, was ein Modell von selbst trifft. Die Zeit pro Produkt ist trotzdem von rund 40 Minuten auf gut 10 gefallen.
Wo wir aufpassen: Bei Texten mit Zahlen. Ein Modell schreibt Prozentsätze und Fristen mit derselben Überzeugung, ob sie stimmen oder nicht. Alles Zahlenhaltige lesen wir gegen die Quelle.
Auswertung: gut im Sortieren, schlecht im Rechnen
Hier gibt es das grösste Missverständnis. Viele erwarten von KI einen Taschenrechner. Sie ist keiner.
Was gut funktioniert, ist das Sortieren und Zusammenfassen von unstrukturiertem Zeug. Zweihundert Support-Mails nach Thema gruppieren. Aus Bewertungen die drei häufigsten Kritikpunkte ziehen. Freitextantworten aus einer Umfrage in Kategorien einordnen. Das ist Arbeit, die vorher niemand gemacht hat, weil sie zu lange dauerte.
Was schlecht funktioniert, ist Rechnen auf grossen Zahlenmengen. Ein Modell, das einen Umsatz aus fünfhundert Zeilen addieren soll, liegt daneben, und zwar unauffällig.
Unsere Lösung ist die Arbeitsteilung: Rechnen macht die Datenbank oder ein Python-Skript, Einordnen macht die KI. Bei MUSTAX sieht das so aus, dass die Zahlen per Abfrage entstehen und das Modell danach nur noch den Text dazu schreibt. Das Reporting ist damit von 2 Tagen auf 2 Stunden gefallen, und die Zahlen stimmen, weil sie nie durch ein Sprachmodell gelaufen sind.
Wenn du ähnliche Abläufe bauen willst, findest du den Einstieg in E-Commerce Prozesse automatisieren.
Code: der Bereich mit dem grössten Sprung
Ich schreibe seit 2016 Software. Beim Programmieren hat sich in den letzten zwei Jahren mehr verändert als in den acht davor.
Was für uns tatsächlich Zeit spart:
- Erste Fassungen. Ein Skript, das eine CSV-Datei einliest, prüft und umformt, ist in Minuten da statt in einer Stunde.
- Fremder Code. Eine Schnittstellendokumentation von zweihundert Seiten zusammenfassen und den einen Aufruf finden, den ich brauche.
- Tests. Der langweiligste Teil, und der, bei dem KI am wenigsten Schaden anrichtet.
- Fehlersuche. Eine Fehlermeldung erklären lassen, bevor ich eine halbe Stunde suche.
Was nicht funktioniert: Architektur. Die Frage, wie ein System aufgebaut sein soll, welche Teile voneinander abhängen und was in drei Jahren weh tut, beantwortet ein Modell mit dem Durchschnitt aus dem Internet. Der Durchschnitt ist selten die richtige Antwort für einen konkreten Betrieb.
Und eine harte Regel: Kein generierter Code geht ungelesen live. Schlecht ist er nicht. Aber sonst betreibst du ein System, das niemand im Haus versteht. Das merkst du erst, wenn es nachts um drei stehenbleibt.
Recherche: nützlich, aber nie als Quelle
Recherche ist der Bereich, in dem ich am vorsichtigsten bin.
Nützlich ist KI beim Einstieg in ein Thema. Zehn Begriffe erklärt bekommen, eine grobe Landkarte, eine Liste an Fragen, die ich stellen sollte. Das spart eine Stunde Herumsuchen.
Unbrauchbar ist sie als Quelle für Fakten, die stimmen müssen. Preise, Fristen, Gesetzeslagen, technische Grenzen einzelner Dienste. Da bekommst du plausible Sätze, die zu einem beträchtlichen Teil veraltet oder erfunden sind. Ein Modell, das Quellen nennt, ist nicht automatisch besser, denn Quellenangaben lassen sich genauso erfinden wie der Rest.
Unsere Regel: Was in eine Entscheidung eingeht, wird an der Originalquelle geprüft. Was nur mein Verständnis verbessert, muss das nicht.
Bilder: gut für innen, heikel für aussen
Bildgenerierung nutzen wir, aber anders als erwartet.
Für interne Zwecke ist sie hervorragend. Entwürfe, Moodboards, Platzhalter in einem Layout, eine schnelle Skizze für ein Gespräch. Da geht es um Geschwindigkeit, nicht um das Endergebnis.
Für Produktbilder nutzen wir sie nicht. Ein Produktbild muss das Produkt zeigen, das der Kunde bekommt. Alles andere ist ein Retourengrund und je nach Darstellung ein rechtliches Thema. Freistellen, Retusche und Hintergrundtausch machen wir mit KI-Werkzeugen, das ist Bearbeitung. Ein erfundenes Produktfoto ist etwas anderes.
Wo es sich klar gelohnt hat: Hintergründe für Anzeigenmotive, bei denen das Produkt echt fotografiert und die Umgebung generiert ist. Damit haben wir bei mate die Menge an Motiven pro Kampagne deutlich erhöht, ohne jedes Mal ein Shooting anzusetzen.
Was Spielerei bleibt
Die Liste, die mir am meisten Geld gespart hat, ist die der Sachen, die wir wieder abgeschafft haben.
| Sorte Werkzeug | Was versprochen wurde | Warum es rausflog |
|---|---|---|
| KI-Meeting-Zusammenfasser | nie wieder Protokoll schreiben | die Zusammenfassung las niemand, Entscheidungen standen ohnehin in der Aufgabe |
| Autonomer Social-Media-Poster | Content läuft von allein | die Beiträge klangen nach niemandem, Reichweite fiel |
| KI-Assistent im Postfach | sortiert deine Mails | machte dasselbe wie unsere eigene Vorsortierung, doppelt |
| Sprachmodell als Datenbank | frag deine Zahlen im Chat | Antworten waren manchmal falsch und immer selbstsicher |
| KI-Präsentationsbauer | Deck in zwei Minuten | Nacharbeit dauerte länger als selbst bauen |
Das Muster ist immer dasselbe. Werkzeuge, die einen ganzen Beruf ersetzen wollen, enttäuschen. Werkzeuge, die einen konkreten, langweiligen Schritt abnehmen, bleiben.
Der zweite Punkt in der Tabelle, der Postfach-Assistent, ist der lehrreichste. Er war nicht schlecht. Er war nur die zweite Lösung für ein Problem, das wir schon gelöst hatten. Wie wir es gelöst haben, steht in Support-Mails mit KI vorsortieren.
Wie man ein Werkzeug wieder loswird
Das kann kaum jemand, und es ist die wichtigere Fähigkeit.
Bei uns läuft das in vier Schritten:
1. Abhängigkeiten finden. Suche im Automatisierungswerkzeug nach dem Namen und nach dem Zugangsschlüssel. Es hängt fast immer mehr dran, als du denkst.
2. Abschalten, nicht löschen. Erst deaktivieren und zwei Wochen warten. Wenn niemand sich meldet, war es wirklich unbenutzt.
3. Daten holen. Export machen, solange das Konto noch existiert. Nach der Kündigung ist das Fenster oft kurz.
4. Zugang widerrufen. Schlüssel ungültig machen, Konto schliessen, Abo kündigen, Eintrag aus dem Verzeichnis der Dienstleister nehmen.
Schritt 4 wird am häufigsten vergessen. Ein gekündigtes Abo mit einem noch gültigen Zugangsschlüssel auf deinen Shop ist eine offene Tür, für die niemand mehr zuständig ist.
Wir machen diesen Durchgang zweimal im Jahr, zusammen mit dem Blick auf die Kosten. Beim letzten Mal sind vier Abos gegangen. Was Werkzeuge und Betrieb insgesamt kosten, rechnen wir in Was Automatisierung wirklich kostet durch.
Die Grenzen
- Kein Werkzeug ersetzt einen geklärten Prozess. Wenn drei Leute den Fall unterschiedlich lösen, macht KI das schneller uneinheitlich.
- Der Markt bewegt sich schneller als deine Einarbeitung. Das ist ein Grund, wenige Werkzeuge tief zu nutzen statt viele flach.
- Jedes Werkzeug ist ein weiterer Empfänger deiner Daten. Das ist Teil der Entscheidung, kein Nebenaspekt.
- Die gefährlichsten Fehler sind die höflichen. Ein Modell sagt selten "weiss ich nicht". Es sagt etwas Plausibles. Wo das teuer wäre, gehört eine Prüfung dahinter.
- Zeitersparnis verschwindet, wenn du sie nicht einsammelst. Zehn Minuten hier und da werden nur dann zu etwas, wenn ein Block Arbeit komplett wegfällt.
Fazit
Sortiere nach Aufgabe, nicht nach Anbieter. Für Texte lohnt sich KI beim Umarbeiten, nicht beim Erfinden. Für Auswertungen beim Sortieren, nicht beim Rechnen. Für Code bei ersten Fassungen und Fehlersuche, nicht bei Architektur. Für Recherche beim Einstieg, nie als Quelle. Für Bilder innen, mit Vorsicht aussen.
Und lass es bei sechs Werkzeugen bleiben, nicht bei vierzig. Der Vorteil kommt aus der Tiefe, nicht aus der Sammlung. Wer wissen will, wie diese Werkzeuge in einem laufenden Ablauf zusammenspielen statt einzeln im Browser, fängt am besten mit deinem ersten n8n-Workflow an. Und wenn du überlegst, ob dein Fall überhaupt einen Agenten braucht, lies vorher Was ist ein KI-Agent.
Du willst wissen, welche Werkzeuge in deinem Betrieb wirklich etwas bringen? Schreib uns bei Flowhouse. Wir sagen dir auch, welche du wieder abschalten kannst.