Künstliche Intelligenz kann Informationen auswerten, Vorschläge entwickeln und Entscheidungen vorbereiten. Doch wie kommt eine KI eigentlich zu ihrem Ergebnis? Welche Informationen hat sie berücksichtigt? Und wie können Unternehmen sicherstellen, dass eine KI-gestützte Empfehlung nicht nur plausibel klingt, sondern tatsächlich belastbar ist?
Darüber spricht Stefan Koshold in dieser Folge von B2B Talks mit Prof. Dr. Marc Jansen von der Hochschule Ruhr West. Marc Jansen beschäftigt sich in seiner Forschung intensiv mit Large Language Models, KI-Agentensystemen, verteilten Systemen und Blockchain-Technologien.
Im Mittelpunkt des Gesprächs steht eine zentrale Frage: Wie lassen sich KI-unterstützte Entscheidungsprozesse so gestalten, dass sie transparent, kontrollierbar und für Unternehmen praktisch nutzbar bleiben?
Die Antwort liegt nicht darin, der KI immer mehr Verantwortung zu übertragen. Stattdessen geht es darum, bewährte Entscheidungsprozesse aus Unternehmen in die KI-Welt zu übertragen.
Warum KI-Entscheidungen anders funktionieren
Bei einer klassischen mathematischen oder regelbasierten Berechnung ist das Ergebnis eindeutig nachvollziehbar. Die Aussage „Eins plus eins ist zwei“ kann anhand klarer Regeln überprüft werden.
Large Language Models arbeiten jedoch anders. Sie berechnen Wahrscheinlichkeiten. Vereinfacht gesagt beurteilt eine KI, welches Wort, welche Aussage oder welche Antwort im jeweiligen Zusammenhang am wahrscheinlichsten ist.
Das bedeutet nicht, dass die Ergebnisse grundsätzlich falsch sind. Moderne KI-Systeme können ausgesprochen leistungsfähig sein. Es bedeutet aber, dass ein überzeugend formuliertes Ergebnis nicht automatisch ein korrektes Ergebnis sein muss.
Gerade bei komplexen unternehmerischen Fragestellungen entsteht dadurch ein erhebliches Risiko. Eine KI liefert in der Regel eine Antwort – auch dann, wenn ihre Informationsbasis unvollständig ist.
Prof. Dr. Marc Jansen beschreibt das Problem so: KI-Systeme sind nur selten darauf ausgelegt, ihre eigene fehlende Kompetenz einzugestehen. Stattdessen erzeugen sie einen Output, der sprachlich schlüssig und professionell wirken kann.
Unternehmen dürfen daher nicht allein die Qualität der Formulierung bewerten. Sie müssen auch hinterfragen:
- Auf welcher Informationsgrundlage beruht die Empfehlung?
- Welche Perspektiven wurden berücksichtigt?
- Welche Kriterien waren für das Ergebnis entscheidend?
- Wie sicher und belastbar ist die Aussage?
- Kann die Entscheidung später noch nachvollzogen werden?
Entscheidungsunterstützung statt autonomer KI
Ein wichtiger Grundgedanke des Gesprächs lautet: KI sollte in Unternehmen nicht zwangsläufig eigenständig entscheiden.
Der sinnvollere Ansatz besteht häufig darin, KI als Entscheidungsunterstützung einzusetzen.
Die KI analysiert Informationen, strukturiert Alternativen und entwickelt Empfehlungen. Die Verantwortung für die endgültige Entscheidung bleibt jedoch beim Menschen oder innerhalb eines kontrollierten organisatorischen Prozesses.
Das ist vor allem bei Entscheidungen relevant, deren Qualität nicht unmittelbar überprüft werden kann.
Ob ein mathematisches Ergebnis richtig ist, lässt sich nachrechnen. Ob ein Programm funktioniert, lässt sich mit automatisierten Tests überprüfen.
Bei strategischen Unternehmensentscheidungen ist das schwieriger. Ob eine Marketingkampagne erfolgreich sein wird, ob eine Investition sinnvoll ist oder ob ein neues Produkt die richtige Marktpositionierung besitzt, zeigt sich häufig erst Monate oder Jahre später.
Genau hier reicht es nicht aus, eine einzelne KI nach ihrer Einschätzung zu fragen.
Mehrere KI-Agenten statt einer einzigen Blackbox
Ein Lösungsansatz besteht darin, nicht eine einzige KI alle Aspekte einer Fragestellung bearbeiten zu lassen. Stattdessen werden mehrere spezialisierte KI-Agenten eingesetzt.
Jeder Agent erhält eine klar definierte Rolle.
Bei der Planung einer Marketingkampagne könnten beispielsweise folgende Perspektiven vertreten sein:
- ein Agent mit Fokus auf Finanzen und Budget,
- ein Agent mit Marketing- und Zielgruppenperspektive,
- ein Agent mit Produktkenntnissen,
- ein Agent für rechtliche oder regulatorische Anforderungen,
- ein Agent für technische Machbarkeit.
Jeder dieser Agenten bewertet die Fragestellung aus seiner eigenen Rolle heraus.
Das entspricht im Grunde der Arbeitsweise eines interdisziplinären menschlichen Teams. Auch dort betrachten Finanzverantwortliche, Marketingexperten, Produktspezialisten und Geschäftsführung eine Entscheidung aus unterschiedlichen Perspektiven.
Der Vorteil eines solchen Agentensystems: Die einzelnen Beiträge, Bewertungen und Ergebnisse können separat betrachtet und miteinander verglichen werden.
Aus einer schwer nachvollziehbaren Einzelantwort entsteht damit ein strukturierter Entscheidungsprozess.
Bewährte Unternehmensprozesse müssen nicht neu erfunden werden
Bei der Einführung künstlicher Intelligenz entsteht häufig der Eindruck, Unternehmen müssten sämtliche Prozesse neu gestalten.
Prof. Dr. Marc Jansen hält das für einen Fehler.
Viele Unternehmen verfügen über Abläufe, Rollen und Verantwortlichkeiten, die sich über Jahre oder Jahrzehnte bewährt haben. Diese Strukturen können eine wertvolle Grundlage für KI-gestützte Prozesse bilden.
Wenn bei einer bestimmten Entscheidung bisher immer Vertreter aus Vertrieb, Produktmanagement, Finanzen und Geschäftsführung beteiligt waren, können genau diese Rollen auch in einem KI-Agentensystem abgebildet werden.
Unternehmen müssen das Rad also nicht neu erfinden.
Stattdessen sollten sie fragen:
- Wer ist heute an diesem Prozess beteiligt?
- Welche Interessen vertreten die beteiligten Personen?
- Welche Informationen benötigt jede Rolle?
- Welche Freigaben und Kontrollschritte gibt es?
- Wo liegen die bestehenden Quality Gates?
- Welche Teile des Prozesses könnten durch KI unterstützt werden?
Aus den Antworten lassen sich Rollen für KI-Agenten, Kontrollinstanzen und Eskalationswege ableiten.
Quality Gates bleiben auch mit KI wichtig
Ein KI-gestützter Prozess muss nicht vollständig automatisiert ablaufen.
An nahezu jeder Stelle können Kontroll- und Freigabepunkte eingerichtet werden. Diese sogenannten Quality Gates können unterschiedlich gestaltet sein.
Ein Ergebnis kann beispielsweise von einem weiteren KI-Agenten überprüft werden. Es kann ein kollegiales Review stattfinden. Bei kritischen Entscheidungen kann bewusst ein Mensch eingebunden werden.
Die Struktur ähnelt damit den bekannten Abläufen in Unternehmen: Ein Mitarbeiter erstellt einen Vorschlag. Eine Führungskraft prüft ihn. Bei Unklarheiten werden Rückfragen gestellt. Erst nach einer Freigabe wird die Entscheidung umgesetzt.
Dasselbe Prinzip kann auf KI-Agentensysteme übertragen werden.
Die entscheidende Frage lautet daher nicht: Mensch oder KI?
Die bessere Frage lautet: Welche Aufgaben übernimmt die KI, an welcher Stelle kontrolliert der Mensch und wie wird die Qualität des Gesamtergebnisses sichergestellt?
Transparenz durch Optionen, Kriterien und Bewertungen
Im Podcast erläutert Marc Jansen einen strukturierten Entscheidungsprozess, bei dem zunächst die relevanten Stakeholder identifiziert werden.
Anschließend entwickelt jeder Agent mögliche Optionen. Danach werden die Kriterien festgelegt, anhand derer die Optionen bewertet werden sollen.
Ein vereinfachtes Beispiel ist die Auswahl eines gemeinsamen Urlaubsziels für eine Familie.
Die Kinder könnten Wert auf Strand, Freizeitangebote und Nachtleben legen. Ein Elternteil bevorzugt möglicherweise Kultur und Natur, während ein anderes Familienmitglied gutes Essen oder eine kurze Anreise priorisiert.
Die Agenten sammeln zunächst unterschiedliche Reiseziele. Danach bewerten sie, wie gut jedes Ziel die jeweiligen Kriterien erfüllt.
Am Ende entsteht nicht nur eine Empfehlung. Es wird auch sichtbar:
- welche Alternativen betrachtet wurden,
- welche Kriterien eine Rolle gespielt haben,
- welche Rolle welche Bewertung abgegeben hat,
- wie stark sich die Optionen voneinander unterscheiden,
- welche Kriterien das Ergebnis besonders beeinflusst haben.
Übertragen auf Unternehmen lässt sich dieses Modell für zahlreiche Fragestellungen einsetzen:
- Welche Softwareplattform eignet sich für ein Projekt?
- Welcher Lieferant sollte ausgewählt werden?
- Welche Produktvariante passt zu einer Kundenanforderung?
- Welche Marketingkampagne sollte umgesetzt werden?
- Welche Investition besitzt das beste Verhältnis aus Chance und Risiko?
- Welche Maßnahmen sollten bei einer Reklamation ergriffen werden?
Transparenz entsteht dabei nicht dadurch, dass Unternehmen direkt in das neuronale Netz der KI hineinschauen. Transparenz entsteht durch einen nachvollziehbaren Prozess rund um die KI.
Unternehmenswissen entscheidet über die Qualität
Eine KI kennt ein Unternehmen nicht automatisch.
Sie kennt weder sämtliche internen Abläufe noch die Historie, die Kundenstruktur, die strategischen Ziele oder die Besonderheiten einzelner Produkte.
Je mehr relevantes Wissen ein Unternehmen in den KI-Prozess einbringt, desto besser können die Ergebnisse werden.
Dabei geht es nicht nur um aktuelle Daten. Auch historisches und bewährtes Wissen spielt eine wichtige Rolle:
- Welche Lösungen haben sich in der Vergangenheit bewährt?
- Welche Fehler sollen nicht wiederholt werden?
- Welche Kundenanforderungen treten regelmäßig auf?
- Welche Qualitätsstandards gelten?
- Welche Risiken sind für das Unternehmen besonders relevant?
- Welche Entscheidungen dürfen nur bestimmte Personen treffen?
Die Verantwortung für diese Wissensbasis bleibt beim Unternehmen.
Marc Jansen bringt es im Gespräch auf den Punkt: Keine KI kennt ein Unternehmen so gut wie der Unternehmer und die Menschen, die täglich darin arbeiten.
Wie kommt das eigene Wissen in die KI?
Im Wesentlichen gibt es zwei technische Ansätze, um unternehmensspezifisches Wissen für eine KI nutzbar zu machen.
Fine-Tuning
Beim Fine-Tuning wird ein vorhandenes KI-Modell mit zusätzlichen Informationen weiter trainiert. Dabei werden Gewichtungen innerhalb des neuronalen Netzes angepasst.
Dieses Verfahren kann sehr aufwendig, rechenintensiv und technisch anspruchsvoll sein. Für viele Unternehmensanwendungen ist es daher nicht automatisch die beste oder wirtschaftlichste Lösung.
Retrieval Augmented Generation
Ein häufig praxisnäherer Ansatz ist die sogenannte Retrieval Augmented Generation, kurz RAG.
Dabei wird das Unternehmenswissen nicht direkt in das KI-Modell eintrainiert. Stattdessen wird eine Such- und Wissensschicht vorgeschaltet.
Stellt ein Nutzer eine Frage, sucht das System zunächst in den unternehmenseigenen Daten nach relevanten Informationen. Diese Informationen werden anschließend gemeinsam mit der Frage an das Sprachmodell übergeben.
Die KI erhält damit sinngemäß die Anweisung:
„Beantworte diese Frage und berücksichtige dabei die folgenden Informationen aus unserem Unternehmen.“
Auf diese Weise können beispielsweise folgende Inhalte eingebunden werden:
- Produktinformationen,
- technische Dokumentationen,
- Bedienungsanleitungen,
- Preis- und Konditionsmodelle,
- Servicedokumentationen,
- Prozessbeschreibungen,
- Qualitätsrichtlinien,
- öffentlich zugängliche Kataloge,
- interne Wissensdatenbanken.
Ein Kunde könnte dann in natürlicher Sprache fragen, welches Produkt für einen bestimmten Anwendungsfall geeignet ist oder welches Ersatzteil zu einer bestimmten Maschine und einem bestimmten Baujahr passt.
Die KI greift bei der Antwort nicht nur auf allgemeines Wissen zurück, sondern berücksichtigt gezielt die angebundenen Unternehmensdaten.
Datenschutz und Geschäftsgeheimnisse
Je sensibler die verwendeten Daten sind, desto wichtiger wird die technische Architektur.
Öffentlich zugängliche Produktkataloge oder Reiseprospekte besitzen einen anderen Schutzbedarf als vertrauliche Preislisten, personenbezogene Daten, Verträge oder interne Konstruktionsunterlagen.
Der Schutz kann deshalb in mehreren Stufen gestaltet werden.
Die Such- und Wissenssysteme können beispielsweise lokal oder innerhalb einer kontrollierten Unternehmensumgebung betrieben werden. Bei besonders sensiblen Anwendungsfällen kann zusätzlich ein lokal betriebenes Sprachmodell eingesetzt werden.
Die passende Architektur hängt immer vom konkreten Schutzbedarf ab.
Entscheidend ist, Datenschutz und Informationssicherheit nicht erst nachträglich zu betrachten. Sie sollten bereits bei der Konzeption des KI-Prozesses berücksichtigt werden.
KI als Unterstützung bei Fachkräftemangel und Routinetätigkeiten
Ein weiterer Schwerpunkt des Gesprächs ist die Frage, welche Aufgaben KI sinnvoll übernehmen sollte.
Besonders geeignet sind häufig Tätigkeiten, die:
- regelmäßig wiederkehren,
- nach klaren Mustern ablaufen,
- viele Informationen zusammenführen,
- von Mitarbeitern als monoton empfunden werden,
- zeitaufwendig, aber fachlich wenig anspruchsvoll sind.
Wenn solche Aufgaben teilweise automatisiert werden, entstehen Freiräume für Tätigkeiten, bei denen menschliche Erfahrung, Kreativität, Empathie und Verantwortung gefragt sind.
KI kann damit auch einen Beitrag zum Umgang mit dem Fachkräftemangel leisten.
Sie ersetzt dabei nicht automatisch komplette Arbeitsplätze. Vielmehr kann sie Mitarbeitern Aufgaben abnehmen, die viel Zeit beanspruchen, aber wenig persönliche oder fachliche Entwicklung ermöglichen.
Das Zielbild ist ein digitaler Kollege, der vorbereitet, sortiert, recherchiert und strukturiert – während der Mensch kontrolliert, bewertet und entscheidet.
Klein anfangen statt alles auf einmal automatisieren
Die Empfehlung von Prof. Dr. Marc Jansen für mittelständische Unternehmen ist eindeutig:
Nicht mit dem größten und kritischsten Prozess beginnen.
Stattdessen sollten Unternehmen einen kleinen, überschaubaren Anwendungsfall auswählen.
Geeignet ist beispielsweise ein Prozess, bei dem:
- die Datenbasis überschaubar ist,
- die Risiken begrenzt sind,
- ein Ergebnis schnell überprüft werden kann,
- Mitarbeiter unmittelbar entlastet werden,
- ein konkreter Nutzen messbar ist.
Ein kleiner Einstieg bietet mehrere Vorteile.
Unternehmen sammeln praktische Erfahrungen mit der Technologie. Mitarbeiter lernen die Möglichkeiten und Grenzen kennen. Datenschutz, Betriebsrat und IT können schrittweise einbezogen werden. Gleichzeitig wird relativ schnell sichtbar, ob ein tatsächlicher Mehrwert entsteht.
Erst wenn sich der Ansatz bewährt hat, wird er auf weitere Prozesse ausgeweitet.
Damit folgt die Einführung dem Prinzip:
Klein starten, Erfahrungen sammeln und anschließend gezielt skalieren.
KI bleibt eine Maschine
Künstliche Intelligenz wird häufig mit Begriffen verbunden, die beinahe menschliche Fähigkeiten suggerieren.
Am Ende bleibt sie jedoch eine Maschine.
Wie jede andere Maschine wird sie eingesetzt, weil sie bestimmte Aufgaben schneller, skalierbarer oder gleichmäßiger erledigen kann als ein Mensch.
Auch eine Produktionsmaschine ersetzt nicht automatisch den gesamten Produktionsprozess. Sie übernimmt bestimmte Arbeitsschritte. Menschen konfigurieren, überwachen und warten sie und greifen ein, wenn Abweichungen auftreten.
Dasselbe Prinzip gilt für künstliche Intelligenz.
Unternehmen müssen wissen:
- Welche Aufgabe soll die KI erfüllen?
- Welche Informationen benötigt sie?
- Wo liegen ihre Grenzen?
- Wer kontrolliert die Ergebnisse?
- Wann muss ein Mensch eingreifen?
- Wer trägt am Ende die Verantwortung?
Entscheidungen automatisch dokumentieren
Ein besonders wertvoller Effekt transparenter KI-Prozesse ist die automatische Dokumentation.
Wenn Optionen, Kriterien, Bewertungen und Freigaben innerhalb eines digitalen Entscheidungsprozesses erfasst werden, entsteht gleichzeitig eine nachvollziehbare Entscheidungsakte.
Diese Dokumentation kann beispielsweise als Bericht oder PDF gespeichert und in ein Dokumentenmanagementsystem überführt werden.
Kommt Jahre später die Frage auf, warum eine bestimmte Entscheidung getroffen wurde, lässt sich die damalige Grundlage rekonstruieren.
Das ist besonders für regulierte Branchen relevant, in denen Unternehmen gegenüber Kunden, Behörden, Gutachtern oder Auditoren nachweisen müssen:
- wer an einer Entscheidung beteiligt war,
- welche Informationen vorlagen,
- welche Kriterien berücksichtigt wurden,
- welche Alternativen geprüft wurden,
- warum eine bestimmte Option ausgewählt wurde.
Die Dokumentation ist damit nicht nur ein Nebenprodukt. Sie kann zu einem wesentlichen Bestandteil von Qualitätssicherung, Compliance und Risikomanagement werden.
KI-Systeme müssen mit dem Unternehmen mitwachsen
Ein KI-gestützter Entscheidungsprozess ist keine einmalige Einrichtungsaufgabe.
Unternehmen, Märkte und Rahmenbedingungen verändern sich kontinuierlich.
Rohstoffpreise steigen oder fallen. Kundenanforderungen verändern sich. Neue gesetzliche Vorgaben treten in Kraft. Produkte werden weiterentwickelt. Strategische Prioritäten verschieben sich.
Diese Veränderungen müssen auch in den KI-Agenten, Wissensbeständen und Bewertungskriterien berücksichtigt werden.
Nur wenn der aktuelle Unternehmenskontext regelmäßig aktualisiert wird, kann die KI weiterhin relevante und passende Empfehlungen liefern.
Das unterscheidet KI-Systeme allerdings nicht grundsätzlich von menschlichen Organisationen. Auch Mitarbeiter können nur dann gute Entscheidungen treffen, wenn sie aktuelle Informationen besitzen und die Entwicklung des Unternehmens mitgehen.
Ein kontinuierlicher Verbesserungsprozess
Richtig umgesetzt kann KI einen Kreislauf kontinuierlicher Verbesserung unterstützen.
Das Unternehmen stellt aktuelles Wissen bereit. Die KI unterstützt operative Prozesse und Entscheidungen. Die gewonnenen Ergebnisse schaffen Freiräume für strategische Arbeit. Neue Erkenntnisse fließen anschließend wieder in Prozesse, Daten und KI-Systeme ein.
Dadurch kann sich eine positive Entwicklung ergeben:
- Routinetätigkeiten werden reduziert.
- Mitarbeiter gewinnen Zeit für anspruchsvollere Aufgaben.
- Entscheidungen werden strukturierter vorbereitet.
- Prozesse werden besser dokumentiert.
- Unternehmenswissen wird systematischer verfügbar.
- Erfahrungen fließen in die nächste Prozessverbesserung ein.
Unternehmen werden dadurch nicht automatisch zukunftsfähig. Die Verantwortung für Strategie, Marktverständnis und Veränderung bleibt beim Menschen.
KI kann jedoch dabei helfen, vorhandene Ressourcen effizienter einzusetzen und Veränderungen schneller in operative Prozesse zu übertragen.
Die wichtigsten Erkenntnisse der Podcastfolge
Transparente KI entsteht nicht dadurch, dass wir neuronale Netze vollständig erklären können. Sie entsteht durch nachvollziehbare Prozesse, klare Rollen, dokumentierte Kriterien und kontrollierte Freigaben.
Die wichtigsten Erkenntnisse aus dem Gespräch:
- KI liefert wahrscheinliche, aber nicht automatisch richtige Antworten.
- Plausible Formulierungen dürfen nicht mit belastbaren Entscheidungen verwechselt werden.
- KI eignet sich besonders zur Entscheidungsunterstützung.
- Mehrere spezialisierte Agenten können unterschiedliche Perspektiven abbilden.
- Bewährte Rollen und Prozesse aus Unternehmen lassen sich auf KI-Systeme übertragen.
- Quality Gates und menschliche Freigaben bleiben möglich und sinnvoll.
- Unternehmenswissen ist entscheidend für die Qualität der Ergebnisse.
- RAG-Systeme ermöglichen die Einbindung unternehmenseigener Informationen.
- Der Schutzbedarf der Daten bestimmt die technische Architektur.
- Repetitive Tätigkeiten bieten einen guten Einstieg in die KI-Automatisierung.
- Kleine Pilotprojekte sind meist sinnvoller als groß angelegte KI-Programme.
- Transparente KI-Prozesse können Entscheidungen automatisch dokumentieren.
- Agenten, Daten und Kriterien müssen regelmäßig aktualisiert werden.
- Die Verantwortung für Strategie und Entscheidungen bleibt beim Unternehmen.
Über Prof. Dr. Marc Jansen
Prof. Dr. Marc Jansen ist Professor für Softwaretechnik für verteilte und mobile Systeme an der Hochschule Ruhr West und leitet dort den Masterstudiengang Informatik.
Er beschäftigt sich wissenschaftlich unter anderem mit künstlicher Intelligenz, Large Language Models, KI-Agentensystemen und Blockchain-Technologien. In seiner bisherigen wissenschaftlichen Laufbahn hat er mehr als 130 Veröffentlichungen verfasst.
Vor seiner Tätigkeit an der Hochschule arbeitete er mehrere Jahre in der Wirtschaft und beschäftigte sich unter anderem mit der Einführung und dem Betrieb von SAP-Systemen, Prozessgestaltung und Change Management.
Ein zentraler Schwerpunkt seiner Arbeit ist die Übertragung wissenschaftlicher Erkenntnisse in die unternehmerische Praxis. Gemeinsam mit Unternehmen untersucht er, wie neue Technologien konkret eingesetzt und in realen Anwendungsszenarien erprobt werden können.
Jetzt in die Podcastfolge reinhören
Wie lassen sich KI-Agenten konkret gestalten? Welche Rolle spielen menschliche Kontrollinstanzen? Wie kann Unternehmenswissen sicher mit Sprachmodellen verbunden werden? Und warum können transparente KI-Prozesse gerade für regulierte Branchen einen erheblichen Mehrwert schaffen?
In der vollständigen Podcastfolge sprechen Stefan Koshold und Prof. Dr. Marc Jansen ausführlich über die Chancen, Grenzen und praktischen Einsatzmöglichkeiten KI-unterstützter Entscheidungsprozesse.
Jetzt die Podcastfolge anhören und erfahren, wie Unternehmen künstliche Intelligenz kontrolliert, nachvollziehbar und schrittweise in ihre Prozesse integrieren können.
Sie möchten einen geeigneten KI-Anwendungsfall in Ihrem Unternehmen identifizieren?
Ein erfolgreicher Einstieg beginnt nicht mit einem möglichst großen KI-Projekt. Er beginnt mit einem konkreten Problem, einem überschaubaren Prozess und einer klaren Vorstellung davon, welchen Nutzen die Technologie schaffen soll.
Wir unterstützen Unternehmen dabei, geeignete Anwendungsfälle in Vertrieb, Kundenservice und internen Prozessen zu identifizieren, vorhandene Datenquellen anzubinden und erste KI-gestützte Lösungen schrittweise zu erproben.
Lassen Sie uns gemeinsam prüfen, bei welchen Routinetätigkeiten und Entscheidungsprozessen KI in Ihrem Unternehmen einen messbaren Mehrwert schaffen kann.
Kontaktdaten Prof. Dr. Marc Jansen:
- Email: marc.jansen@hs-ruhrwest.de
- Telefon: +49 208 88254807
