Unsere ersten produktiven KI-Pipelines: Was geblieben ist
8. Februar 2024
Irgendwann Ende 2023 hatten wir ein Problem das ich "KI-Sprawl" nennen würde: ein Dutzend verschiedene Automatisierungen, gebaut von verschiedenen Leuten, mit verschiedenen Tools, ohne klare Eigentümerschaft. Manche liefen seit Monaten und wurden nie geprüft. Manche wurden nach einer Woche aufgegeben. Kein Mensch hatte einen vollständigen Überblick.
Anfang 2024 haben wir das systematisch aufgeräumt. Was übrig geblieben ist, hat mich überrascht.
Der Überblick-Sprint im Januar
Wir haben zwei Tage investiert: jedes System inventarisiert, jeden Prozessverantwortlichen befragt, jeden Output angesehen. Fünf Fragen pro System:
- Läuft das noch? (Überraschend häufige Antwort: "Weiß ich nicht genau.")
- Wer ist Eigentümer?
- Was passiert wenn es ausfällt?
- Wann wurde es zuletzt geprüft?
- Würden wir es heute nochmal bauen?
Ergebnis: Vier Systeme waren produktiv und gut betreut. Sechs liefen, wurden aber nicht genutzt. Drei waren seit Wochen defekt und niemand hatte es bemerkt.
Was produktiv geblieben ist
Die SEO-Audit-Pipeline. Eingabe: Domain-URL. Ausgabe: strukturierter Bericht mit priorisierten technischen und inhaltlichen Issues. Läuft täglich für aktive Kundenprojekte. Gebaut mit Python, OpenAI-API, eigener Datenaufbereitung. Dieser Prozess hat sich in ein Jahr echten Betrieb bewährt.
Der Reporting-Assistent. Zieht Daten aus unseren Ads-Dashboards, erstellt eine strukturierte Zusammenfassung nach Vorlagen die wir gemeinsam mit den Account Managern entwickelt haben. Kein fertig ausgelieferter Report, aber 70% des Weges, den ein Mensch dann zu 100% vervollständigt.
Interne Knowledge Base. Jedes Kundenmeetings, jede strategische Entscheidung, jede Retrospektive: strukturiert erfasst und in einem durchsuchbaren System abgelegt. Das ist kein spektakulärer Use Case, aber der mit dem konsistentesten Nutzen. Wissen bleibt im Unternehmen, nicht in den Köpfen einzelner Personen.
Briefing-Generierung. Aus einem strukturierten Intake-Formular wird ein erster Kampagnen-Briefing-Entwurf erstellt. Ein Mensch überarbeitet und vervollständigt. Spart pro Neukampagne rund eineinhalb Stunden Arbeit.
Was wir abgeschaltet haben
Alles andere. Sechs Systeme, die niemand wirklich benutzte, wurden deaktiviert. Drei defekte Systeme wurden entweder repariert oder aufgegeben.
Das Aufräumen war fast wertvoller als das Bauen.
Die Erkenntnis für 2024
Mehr Systeme bauen ist nicht das Ziel. Systeme die laufen, gewartet werden und einen nachweisbaren Nutzen haben: das ist das Ziel. Wir haben unsere Energie 2024 darauf ausgerichtet: weniger neue Experimente, mehr Qualität und Eigentümerschaft bei dem was läuft.
Das ist eine Führungsaufgabe, keine Technologiefrage. Jedes System braucht einen Menschen der sich verantwortlich fühlt. Nicht für den Code, sondern für den Prozess. Für den Output. Für die Frage: Liefert das noch, was es soll?
Wenn die Antwort unsicher ist, ist das ein Problem. Und meistens ist das Problem nicht die KI.
Mehr zu Entscheidungsrahmen, Use Cases und Mensch-Modell-Grenze: KI-Automatisierung.