KI Prototyping ©insideAx

Fachbeitrag „KI: Von der Idee zum Prototyp“. Autor: Markus Nöbauer, insideAx GmbH

Das Potenzial von KI im Business-Umfeld ist enorm. Doch wie gelangt man von der theoretischen Idee zur Anwendung in der Praxis? Ein praktischer Absatz ist Prototyping, um vom Konzept zur funktionsfähigen Anwendung zu gelangen. Dabei sind einige wesentliche Faktoren zu beachten.

KI hat sich rasch vom Zukunftsthema zu einem entscheidenden Faktor für die Wettbewerbsfähigkeit vieler Unternehmen gewandelt. Die rasante Entwicklung der letzten Jahre, insbesondere die Einführung großer Sprachmodelle wie ChatGPT, Claude und Google Gemini hat den Markt deutlich verändert. Gleichzeitig entstehen neue technische und organisatorische Herausforderungen, die Unternehmen kennen und bewältigen müssen. Neben Fragen der Datenqualität, Integrationsfähigkeit und IT-Sicherheit spielt auch die Verantwortung beim Einsatz von KI-basierten Applikationen eine immer größere Rolle. Zudem wächst der Druck, interne Kompetenzen aufzubauen, um KI-Lösungen sinnvoll zu entwickeln, zu testen und in bestehende Prozesse zu integrieren.

KI Prototyping ©insideAx

Prototyping als Weg zum Ziel

Die Einsatzmöglichkeiten von künstlicher Intelligenz entwickeln sich sehr schnell. Der Weg von der ersten Idee bis zur funktionsfähigen Anwendung ist jedoch anspruchsvoll. Deshalb ist es sinnvoll, diese Technologien mit Hilfe explorativen Prototypen zu erproben und neue Anwendungsoptionen zu prüfen. Aktuelle Modelle erreichen eine hohe Qualität in der audiovisuellen Kommunikation und gehen weit über klassische textbasierte Chatbots hinaus. KI‑Agenten können Aufgaben autonom bearbeiten und mit anderen Systemen zusammenarbeiten. Dadurch lassen sich auch komplexe Abläufe automatisieren. Besonders wichtig ist, Key User aus den Fachabteilungen frühzeitig in das explorative Prototyping einzubeziehen. Sie helfen dabei, geeignete Anwendungsfälle zu identifizieren und den Nutzen für die Geschäftsführung sichtbar zu machen. Mit dem Wissen über den konkreten Anwendungsfall und den Stand der Technik lässt sich die Zieldefinition für das Projekt erstellen. Diese sollte technologieneutral formuliert sein und sich auf den zu erreichenden Nutzen fokussieren.

Möglichkeiten zur Umsetzung

Ein bewährtes Mittel, um den Weg zum gesteckten Ziel zu finden, ist experimentelles Prototyping. Zur Umsetzung bieten sich z.B. „Software as a Service“-Lösungen an, die ohne großen Aufwand genutzt werden können und sofort einsetzbar sind. Dazu gehören beispielsweise Dienste zur Erstellung von Avataren für Marketingzwecke und Schulungen. Solche Lösungen lassen sich direkt in den Fachabteilungen einsetzen. Ein weiteres Beispiel sind mehrsprachige Service-Bots, die sich als virtuelle Callcenter-Agenten in bestehende Customer-Service- und CRM-Systeme integrieren lassen. Für Integrationen, die stärker an die eigenen Prozesse angepasst werden müssen, eignet sich Platform as a Service. Im Bereich der KI sind dies die Hosting-Angebote großer Cloud-Anbieter wie Microsoft und Amazon. Diese Plattformen stellen unterschiedliche KI-Modelle verschiedener Hersteller in isolierten Umgebungen bereit. Unternehmen können das Modell auswählen, das für den jeweiligen Anwendungsfall am besten geeignet ist. Modelle wie DeepSeek, GPT, Grok oder Mistral lassen sich flexibel einsetzen, ohne dass Unternehmensdaten an externe Hersteller übermittelt werden müssen. Falls ein Modell die Anforderungen nicht erfüllt, kann es durch ein alternatives Modell ersetzt werden.

Eigene KI-Modelle trainieren

Für spezialisierte Anwendungsfälle reicht ein KI-Standardmodell oft nicht mehr aus. In solchen Situationen ist es sinnvoll, ein vorhandenes Modell zu erweitern oder ein eigenes Modell zu trainieren. Retrieval-Augmented Generation (RAG) ist eine Technik, um ein Sprachmodell mit zusätzlichem Wissen auszustatten, ohne das Modell neu zu trainieren. Dabei werden Dokumente in einer Vektordatenbank abgelegt und für die KI strukturiert aufbereitet. In der Bilderverarbeitung hingegen ist es oft effizienter, ein eigenes Modell zu trainieren, anstatt die Fähigkeiten eines Standardmodells mit komplexen Prompts auszureizen. RAG kann man beispielsweise einsetzen, um einen Bot für den Kundensupport zu erstellen. Der Bot verwendet ein Sprachmodell wie GPT für die Kommunikation und erhält zusätzliche Produktdokumentationen und Handbücher als Wissensquelle. Mit dieser Kombination verfügt der Bot über die Sprachqualität von ChatGPT und kann zusätzlich Antworten basierend auf unternehmensinternen Dokumenten geben, die dem öffentlichen GPT-Modell nicht bekannt sind.

KI ist nicht fehlerfrei

Unabhängig vom gewählten Ansatz sind regelmäßige Tests und kurze Feedbackzyklen notwendig. Große Sprachmodelle neigen zu Halluzinationen und können fehlerhafte oder erfundene Inhalte erzeugen. Ein Prototyp kann technisch stabil funktionieren, dennoch können seine Ausgaben inhaltlich falsch sein. Dies kann zu erheblichen Risiken führen, etwa wenn ein Chatbot zusätzliche Wartungsanweisungen erfindet oder ein KI-Avatar falsche Behauptungen über ein Produkt aufstellt. Solche Fehler bleiben in der IT-Abteilung häufig unentdeckt. Daher ist es wichtig dem Prinzip „Human-in-the-loop“ zu folgen und die Key User und ihr Wissen aus den Fachabteilungen frühzeitig in die Tests einzubeziehen. Darüber hinaus spielen die Datengrundlage und Kontextqualität eine zentrale Rolle. Wenn ein KI-Modell mit veralteten, unvollständigen oder missverständlich aufbereiteten Informationen gefüttert wird, steigt die Wahrscheinlichkeit für inkorrekte Ergebnisse erheblich. Um diese Risiken zu minimieren, sollten Unternehmen klare Validierungsmechanismen, definierte Freigabeprozesse und Fallback-Szenarien etablieren. Erst durch das Zusammenspiel von technischer Kontrolle, fachlicher Expertise und Monitoring lässt sich sicherstellen, dass KI-Anwendungen verlässlich und sicher im Unternehmensalltag funktionieren.

Fazit

Zusammenfassend lässt sich feststellen, dass intensives Prototyping ein wirksamer Ansatz ist, um aus einer ersten Idee eine funktionsfähige Anwendung zu entwickeln. Insbesondere beim Einsatz von KI eignen sich explorative Prototypen, um den aktuellen Stand der Technik zu erkunden und geeignete Lösungswege zu identifizieren. Bei der technischen Umsetzung unterstützen experimentelle Prototypen dabei, verschiedene Ansätze sowie Service Provider systematisch zu vergleichen und deren Stärken und Schwächen sichtbar zu machen.

Über den Autor:

Dipl.-Ing. Markus Nöbauer ist F&E-Verantwortlicher für Forschungsprojekte im Kontext von Business Software bei insideAx. Er hat an der Johannes Kepler Universität in Linz Informatik studiert und verfügt über zehn Jahre Erfahrung als Technology Consultant für Dynamics 365 ERP-Systeme. Er ist Autor mehrerer wissenschaftlicher Publikationen zum Thema Anforderungserhebung und Produktlinien sowie Projektleiter für mehrjährige internationale Forschungsprojekte.

Disclaimer:
„Für den oben stehenden Beitrag sowie für das angezeigte Bild- und Tonmaterial ist allein der jeweils angegebene Nutzer verantwortlich. Eine inhaltliche Kontrolle des Beitrags seitens der Seitenbetreiberin erfolgt weder vor noch nach der Veröffentlichung. Die Seitenbetreiberin macht sich den Inhalt insbesondere nicht zu eigen.“