„KI ist doch auch nur Outsourcing“

In der aktuellen Debatte um Künstliche Intelligenz (KI) als auch dem Marketing der großen Tech-Konzerne hört man immer wieder, dass „KI der neue Kollege“ im Team ist. KI soll lästige Aufgaben übernehmen, als Sparringspartner zum Brainstorming dienen, oder einfach dem menschlichen Mitarbeiter zuarbeiten. Wenn wir KI also schon als eine Art „externen Kollegen“ sehen, warum behandeln wir unsere KI-Projekte dann nicht wie Outsourcing-Projekte?

Die Herausforderungen sind in beiden Fällen tatsächlich verblüffend ähnlich.

Analyse: Parallelen zwischen LLM-Einsatz und externen Dienstleistern

Large Language Models (LLMs) werden inzwischen für vielfältige Zwecke im Büroalltag eingesetzt.

So werden beispielsweise im Marketing LLM-Systeme zur Erstellung von Werbetexten, Blogbeiträgen und Newslettern verwendet. Mithilfe der KI können die wesentlichen Stichpunkte mit wenigen Prompts aus umfangreichen technischen Beschreibungen extrahiert und passend für einen Werbebeitrag aufbereitet werden.

In der Produktentwicklung unterstützen KI- Systeme wesentlich bei der Recherche und Datenanalyse. Was früher mit umfangreichen Websuchen und Excel-Auswertungen erarbeitet wurde, kann inzwischen schnell mit LLM-Tools recherchiert und aufbereitet werden.

Letztendlich werden in allen Abteilungen und Bereichen LLMs bei der Beantwortung von Emails und zur Erstellung von Textentwürfen eingesetzt. Lange Texte lassen sich mit Hilfe der KI schnell zusammenfassen und passende Antworten formulieren. Wenn der Ton des eigenen Entwurfs noch etwas rau ist, lässt sich mit der KI in wenigen Sekunden eine freundlich und professionell klingende Email entwerfen.

Allen Beispielen gemeinsam ist, dass die KI nur dann zufriedenstellende Ergebnisse liefert, wenn die wesentlichen kritischen Erfolgsfaktoren eingehalten werden:

1. Exakte Zielbeschreibung:
   Um qualitativ hochwertige Ergebnisse mit dem LLM zu erhalten, muss die angestrebte Leistung präzise definiert werden – Analogon: Service Level Definition (SLD) und Service Level Agreements (SLA) im Falle eines Outsourcings an einen Dienstleister.
2. Kontextualisierung:
   Um die Treffsicherheit der Ergebnisse des LLM zu erhöhen, sollten explizite Vorgaben von Rahmenbedingungen berücksichtigt werden – Analogon: Beschreibung in einem Statement of Work (SOW) für einen Service Provider.
3. Datenverfügbarkeit:
   Damit die Aufgaben auch durchgeführt werden können, muss sichergestellt werden, dass alle notwendigen Informationen digital und in hoher Qualität bereitgestellt werden – für die KI genauso wie für einen Dienstleister.
4. Klare Zuständigkeiten:
   Um den Prozess kontrollieren zu können, müssen Verantwortlichkeiten, Schnittstellen und Hand-overs mit der KI klar definiert werden – entsprechend einer RACI für einen Dienstleister.
5. Qualitätsmanagement:
   Zur Kontrolle der Qualität der vom LLM gelieferten Ergebnisse werden messbare Kennzahlen benötigt, die von den menschlichen Mitarbeitern überwacht werden können – analog zu Key Performance Indicators (KPI) im Falle eines Service Providers.

Die erforderlichen Maßnahmen um bei der hier betrachteten KI-Integration mittels LLM eine nachhaltige Wertschöpfung und Operational Resilience zu gewährleisten, sind somit analog den Maßnahmen bei einem Business Process Outsourcing (BPO).

Case Study: KI-Agenten als autonome Service-Provider

KI-Agenten markieren den Sprung von der Textgenerierung zur autonomen Prozessausführung (Service Orchestration). Diese Systeme zerlegen komplexe Ziele eigenständig in Arbeitsschritte und interagieren direkt mit der Unternehmensarchitektur. Sie arbeiten somit „wie ein Mitarbeiter“ und werden daher von den großen Tech-Konzernen oft als „digitalen Mitarbeitern“ angepriesen.

Ein Anwendungsbeispiel ist die Rechnungs- und Belegverarbeitung in der Finanzabteilung. Der KI-Agent überwacht kontinuierlich das Rechnungs-Postfach der Firma. Trifft eine Email mit einer PDF-Rechnung ein, so liest er das PDF mithilfe von LLM-Tools aus und extrahiert die relevanten Daten. Dabei ist der KI-Agent in der Lage, auch unstrukturierte Daten oder komplexe Tabellen mit Positionen, Steuersätzen, IBAN und weiteren Informationen zu erfassen. Via API loggt sich der KI-Agent anschließend autonom in das ERP-System ein und gleicht dort die Rechnungspositionen gegenüber der ursprünglichen Bestellung und dem Wareneingangsbeleg ab. Wenn alle Daten übereinstimmen, erstellt der KI-Agent im Buchhaltungssystem selbstständig den fertigen Buchungssatz, ohne menschliche Interaktion.

Aufgrund dieses hohen Grades an Autonomie sollten in diesem Prozess die Zugriffsrechte des KI-Agenten und die Human-in-the-Loop-Schnittstellen strikt definiert werden. Für das Ausname-Handling im Falle von Abweichungen als auch für die finale Zahlungsfreigabe sollte der KI-Agent jeweils an einen menschlichen Kollegen übergeben.

Dieses Beispiel verdeutlicht, dass autonome KI-Agenten analog zu BPO Service Provider gesehen werden können. Entsprechend müssen KI-Agenten auch analog zu BPO Dienstleistern strategisch eingeführt und gemanagt werden.

Neben den oben bereits identifizierten Maßnahmen zur exakten Zielbeschreibung, Kontextualisierung, Datenverfügbarkeit, klaren Zuständigkeiten und dem Qualitätsmanagement kommen für KI-Agenten noch die folgenden weiteren Maßnahmen hinzu:

6. Governance & Compliance:
   Es ist sicherzustellen, dass der KI-Agent bei den autonom durchgeführten Prozess-Schritten die relevanten Datenschutzanforderungen, Datensicherheit, rechtliche und regulatorische Anforderungen, sowie die internen Richtlinien einhält – analog zu einem Service Provider Code of Conduct und Governance Framework.
7. Retained Office:
   Um die KI-Agenten und die von ihnen gelieferten Ergebnisse überwachen zu können, müssen die erforderlichen fachlichen und technischen Kenntnisse im Unternehmen vorhanden sein – ähnlich wie in einem Retained Office bei einem Business Process Outsourcing.
8. Identitätsmanagement:
   Für die KI-Agenten werden ähnlich wie für menschliche Mitarbeiter Berechtigungen, Lizenzen und Zugriffe benötigt – analog zu einem Identitäts- und Berechtigungsmanagement für einen externen Service Provider.
9. Kosten-Controlling:
   Letztendlich sind auch die Kosten zu monitoren, die durch den Einsatz des KI-Agenten entstehen. So, wie bei externen Dienstleistern vor allem die aufwandsabhängigen Kosten zu managen sind, sind bei einem KI-Agenten die Kosten im Blick zu behalten, die nach Token-Verbrauch berechnet werden.

Das KI-Sourcing-Framework für die KI-Integration

Wie oben dargestellt, sind die Anforderungen und Herausforderungen bei einer KI-Integration sehr ähnlich zu denen eines Business Process Outsourcing. Dementsprechend lässt sich für eine strategische KI-Integration das folgende „KI-Sourcing-Framework“ als strukturiertes Steuerungsmodell ableiten.

Bei der Delegation von Aufgaben an eine KI werden die internen Mitarbeiter von operativer Arbeit entlastet. Gleichzeitig entsteht jedoch ein Bedarf an strategischer Kontrolle der KI. Ohne eine starke Governance kann dabei der Verlust der operativen Souveränität drohen.

Durch die Etablierung eines „Retained Office“ kann sichergestellt werden, dass tiefes Fachwissen im Unternehmen verbleibt. Dadurch kann gewährleistet werden, dass die KI-Systeme effektiv gesteuert und deren Output gegen Unternehmensstandards validiert werden können.

Mittels Human-in-the-Loop-Schnittstellen kann die Autonomie der KI eingeschränkt und die Wahrung der eigenen Verantwortung sichergestellt werden. Dabei muss prozessual festgelegt werden, welche Entscheidungen die KI autonom treffen darf und wo menschliche Expertise als Qualitätsschranke zwingend erforderlich ist, um die Operational Resilience zu wahren.

Auch für KI-Integrationen empfiehlt es sich, eine Exit-Strategie vorzusehen. Der aktuell rasante technologische Fortschritt und schwankende Kostenstrukturen (z. B. Anpassungen der Token-Preise) können dazu führen, dass KI-Lösungen angepasst werden müssen. Ein KI-Vendor Lock-in sollte daher möglichst vermieden werden. Diesbezüglich sollten in der Umsetzung des KI-Sourcing-Framework möglichst technische Portabilität, kommerzielle Flexibilität und rechtliche und Daten-Souveränität beachtet werden.

Zudem sind bei komplexen KI-Integrationen regulatorische Anforderungen, allen voran der EU AI Act zu beachten. Klassifiziert der KI-Agent als Hochrisiko-System, so müssen umfangreiche Transparenz-, Melde- und Überwachungspflichten umgesetzt werden. Auch dabei ist ein Ansatz entsprechend des hier vorgestellten KI-Sourcing-Framework empfohlen.

Fazit

„KI ist der neue Kollege“ enthält einen wahren Kern und weist auf die Erfordernis eines strategischen und strukturierten Vorgehens bei der KI-Integration hin.

Man kann sagen, dass die Integration von KI eine neue Kategorie des Outsourcings ist, die somit auch eine entsprechende strukturierte Steuerung verlangt. Der Erfolg einer KI-Transformation entscheidet sich nicht an der Wahl des Modells, sondern an der Reife der Governance.

Management-Verantwortliche sind daher gefordert, KI-Initiativen in professionell gesteuerte Sourcing-Strukturen zu überführen. Nur wer KI-Agenten wie externe Dienstleister führt – mit klaren Verantwortlichkeiten, einem starken Retained Office und einer durchdachten Exit-Strategie – kann Technologie zu einem kalkulierbaren und stabilen Pfeiler der Unternehmensarchitektur machen.