Wie wir KI intern einsetzen
Über KI zu reden ist einfach. Deshalb zeigen wir, was bei uns produktiv läuft - und den Fall, in dem unsere eigene KI nach Daten aus einer Software fragte, die der Kunde nie erwähnt hatte.
Über KI zu sprechen ist derzeit einfach. Zu zeigen, was davon im eigenen Betrieb tatsächlich läuft, ist deutlich unbequemer - weil dann auch sichtbar wird, was nicht funktioniert hat.
Wir machen es trotzdem, aus einem einfachen Grund: Wir empfehlen unseren Kunden nichts, was wir nicht selbst betreiben. Was hier steht, läuft bei uns produktiv, inklusive der Fehler, die dabei entstanden sind.
Drei Beispiele haben wir herausgegriffen - nicht die grössten, sondern die, an denen am meisten zu lernen war.
Anwendung 1: Die Bedarfshypothese zu jedem Lead
Seit August 2026 bekommt bei uns jede neue Anfrage automatisch eine Einschätzung fürs Erstgespräch - berechnet von Odoos eigener KI-Funktion, sichtbar direkt im Lead in einem eigenen Reiter.
Darin stehen sechs kurze Abschnitte:
- Firmenprofil - Branche, ungefähre Grösse und die daraus abgeleitete Aufwandsklasse
- Vermutlich gebrauchte Odoo-Bereiche - bis zu sechs, je mit einem Halbsatz Begründung
- Der wahrscheinliche Auslöser der Anfrage
- Rolle und Entscheidungskompetenz der Kontaktperson
- Die grobe Distanz zu uns nach Steinhausen
- Die zwei wichtigsten offenen Fragen fürs Gespräch
Der Nutzen ist unspektakulär und trotzdem spürbar: Wer zum Telefon greift, hat dreissig Sekunden vorher eine strukturierte Grundlage gelesen, statt sich das Formular selbst zusammenzureimen. Die Rechenkosten liegen pro Anfrage bei Bruchteilen eines Rappens.
Drei Entscheidungen daran sind wichtiger als die Technik:
Die Hypothese steht in einem eigenen Feld, nicht in den internen Notizen. Die Notizen fliessen bei uns in eine Mailvorlage an den Kunden. Ungeprüfter KI-Text stünde dort einen Klick vom Empfänger entfernt - das war es uns nicht wert.
“Unbekannt” ist ein erlaubtes Ergebnis. Was sich aus der Anfrage nicht ableiten lässt, wird als unbekannt ausgewiesen statt geraten. Bei einer dünnen Formularanfrage steht entsprechend viel unbekannt da - und das ist richtig so.
Es ist eine Hypothese, kein Ergebnis. Sie strukturiert das Gespräch. Was davon stimmt, zeigt erst das Gespräch selbst.
Kurz gesagt: Unsere Faustregel für KI im eigenen Betrieb: nur dort, wo ein Mensch das Ergebnis ohnehin liest, bevor es wirkt. Alles, was ungeprüft nach aussen ginge, bleibt aus.
Der Fehler, der uns am meisten gelehrt hat
Im August 2026 stellte unsere eigene Bedarfshypothese bei einem echten Lead die Frage nach “Datenübernahmen aus Bexio”. Der Kunde hatte Bexio nie erwähnt.
Die Ursache lag nicht am Modell, sondern bei uns. Unsere Gesprächsgliederung für Erstkontakte enthielt Beispielsätze - unter anderem “Aktuell nutzt der Kunde Bexio …”. Diese Vorlage stand in einem Feld, das die KI liest. Für das Modell war das keine Vorlage, sondern eine Angabe über diesen Kunden.
Behoben haben wir es nicht mit einer Anweisung im Prompt, sondern an der Wurzel: Die Gliederung startet jetzt leer. Daraus wurde eine Regel, die wir seither auch bei Kunden anwenden:
Was in einem Feld steht, das eine KI liest, gilt für sie als Tatsache. Platzhalter, Musterdaten und Textbausteine gehören deshalb nicht in solche Felder. Der Weg über den Prompt - “bitte ignoriere die Beispiele” - ist der schwächere: Er baut darauf, dass das Modell die Anweisung befolgt. Der Weg über die Daten sorgt dafür, dass gar nichts Falsches im Feld steht.
Die KI hat nicht halluziniert. Sie hat gelesen, was wir hingeschrieben hatten - und das war ein Beispielsatz, der aussah wie ein Fakt.
Anwendung 2: Die Bilder für unseren Blog
Die meisten Beiträge auf dieser Website tragen ein Bild, das einen Bildschirm mit echtem Inhalt zeigt. Das ist eine bewusste Entscheidung: Wir digitalisieren Unternehmen - kein Papier, keine Pinnwand, kein leerer Bildschirm. Wo der Beitrag keine Zahlen hat, die auf einen Bildschirm gehören, lassen wir ihn weg statt ihn zu erfinden - das trifft rund jedes zehnte Bild.
Der interessante Teil ist, dass das mit einem Bildmodell allein nicht geht. Bildmodelle können keine echte Software-Oberfläche zeichnen; sie erfinden Pseudotext, der bei genauem Hinsehen Unsinn ergibt. Also läuft es bei uns in zwei Stufen: Das Modell erzeugt das Foto mit einem leeren, farbig leuchtenden Bildschirm, und darauf montieren wir anschliessend eine echte, von uns gebaute Ansicht perspektivisch auf.
Das ist mehr Aufwand als ein einzelner Bildauftrag. Es ist aber der Unterschied zwischen einem Bild, das Software zeigt, und einem, das so tut als ob.
Für Landingpages und Stimmungsbilder läuft daneben ein zweites, einfacheres Verfahren. Dort gibt es keine Oberfläche, die stimmen muss - also genügt ein Durchgang.
Der Grund, warum das hier steht: Es ist das ehrlichste Beispiel dafür, wo KI heute aufhört. Sie ist stark im Erzeugen von Atmosphäre und schwach im Erzeugen von Korrektheit. Wer beides braucht, kombiniert sie mit einem Verfahren, das die Korrektheit sicherstellt.
Der grössere Teil ist Automatik, nicht KI
Eine Ehrlichkeit, die in KI-Beiträgen selten vorkommt: Das meiste, was bei uns automatisch passiert, hat mit künstlicher Intelligenz nichts zu tun. Es sind Regeln.
Wenn eine Anfrage eintrifft, greifen bei uns vier Automatiken auf einmal: Der Lead wird zugeordnet, eine Anruf-Aktivität mit Zielzeit im Titel wird angelegt - “Anruf bis 14:30”, eine halbe Stunde nach Eingang -, eine Kurznachricht geht an mein Telefon, und die Bedarfshypothese wird angestossen. Nur der letzte dieser vier Schritte ist KI. Die Kurznachricht kostet rund fünf Rappen, die Bedarfshypothese Bruchteile eines Rappens, die beiden übrigen Schritte nichts.
Der Punkt ist nicht die Technik, sondern die Reihenfolge der Fragen. Wer eine wiederkehrende Handarbeit loswerden will, prüft zuerst, ob eine Regel genügt. Erst wenn die Aufgabe Verstehen statt Zuordnen verlangt, kommt ein Sprachmodell ins Spiel. Diese Abgrenzung gilt bei uns intern genauso wie in Kundenprojekten.
Anwendung 3: Prüfregeln statt Vertrauen
Der unspektakulärste und wirksamste Teil. Überall, wo bei uns KI oder Automatik etwas erzeugt, steht danach eine maschinelle Prüfung: Sind die Pflichtangaben gesetzt, stimmen die Verweise, sind die Werte aus der erlaubten Liste, überlappen sich Elemente in einer Grafik, zeigt ein Verweis auf etwas, das es noch gar nicht gibt.
Diese Prüfungen sind stur und langweilig, und genau das ist ihr Wert. Sie fangen die Klasse von Fehlern ab, die beim Durchlesen zuverlässig übersehen wird - weil ein Text, der stimmig klingt, kaum je zweimal geprüft wird.
Das ist auch die Antwort auf die häufigste Sorge im Kundengespräch. Die Frage ist selten “kann die KI das?”, sondern “was passiert, wenn sie falsch liegt?”. Eine Automatisierung ohne nachgelagerte Prüfung multipliziert Fehler, statt Arbeit zu sparen.
Wo wir KI bewusst nicht einsetzen
Nichts geht ungeprüft nach aussen. Kein KI-Text erreicht einen Kunden, ohne dass ein Mensch ihn gelesen hat. Das ist der Grund für den eigenen Reiter statt der Notizen.
Keine Entscheidungen. Priorisierung, Aufwandsschätzung, die Frage, ob wir von einem Projekt abraten - das bleibt bei uns. Eine Einschätzung darf vorbereiten, nicht entscheiden.
Keine Kundendaten in beliebigen Diensten. Wo Kundendaten im Spiel sind, gehören Vertrags- und Datenschutzfragen vorher geklärt, nicht nachher. Wir sind Odoo-Spezialisten, keine Anwälte - die Beurteilung des Einzelfalls gehört in juristische Hände, zum Beispiel zu Matthias R. Schönbächler von BPS Legal, der Unternehmen in solchen Fragen berät. Die technische Umsetzung übernehmen dann gerne wir.
Keine Automatik unter neunzig Prozent Trefferquote. Wenn eine Regel in jedem fünften Fall danebenliegt, erzeugt sie mehr Korrekturarbeit, als sie einspart. Dann ist ein Vorschlag besser als eine Automatik - dieselbe Abwägung, die wir auch in Kundenprojekten anlegen.
Wo die Voraussetzungen stimmen, geht deutlich mehr. Für die Kiratik GmbH haben wir einen Helpdesk gebaut, in dem ein Sprachmodell jedes eingehende Ticket analysiert und ein Teil davon vollständig automatisch beantwortet wird - nachzulesen in der Case Study zur KI-gesteuerten Helpdesk-Lösung. Der Unterschied zu unserem eigenen, bewusst kleinen Einstieg liegt nicht in der Technik, sondern in der Vorarbeit: Dort waren Ticketstruktur und Wissensbasis vorhanden.
Was wir daraus für Kundenprojekte mitnehmen
KI braucht Prozesse und Daten, nicht umgekehrt. Bevor ein Ablauf durch KI unterstützt werden kann, muss er verstanden, bereinigt und digital abgebildet sein. Ohne diese Basis bleibt KI ein Experiment.
Der erste Anwendungsfall sollte klein und intern sein. Etwas, das ein Mensch ohnehin liest, mit begrenztem Schaden bei einem Fehler. Unsere Bedarfshypothese ist genau das.
Die Datenqualität entscheidet, nicht das Modell. Der Bexio-Fall war kein Modellproblem. Er war ein Datenproblem, das über ein Feld hereinkam.
Kosten sind selten das Hindernis. Bei uns liegen sie pro Vorgang im Rappenbereich. Das Hindernis ist die Vorarbeit.
Fazit
Dieser Beitrag zeigt drei Beispiele: die Vorbereitung jedes Erstgesprächs, die Bildproduktion für diese Website und die maschinelle Kontrolle hinter jeder Automatik. Es sind nicht alle - es sind die, an denen sich das Muster am besten zeigt. Nirgendwo davon entscheidet die KI etwas, und nirgendwo erreicht ein Ergebnis ungeprüft einen Kunden.
Das ist weniger spektakulär als die meisten KI-Versprechen. Es ist aber das, was wir tatsächlich betreiben - und die Grundlage dafür, dass wir bei Kundenprojekten sagen können, wo der Einsatz sich lohnt und wo die Vorarbeit noch fehlt.
Weiterführend: Themenwelt Binadoo Insights · Lösung ERP · Lösung CRM. Den nächsten Schritt machen Sie mit dem kostenlosen Projekt-Check.
Das könnte Sie auch interessieren
Wo könnte KI bei Ihnen ansetzen?
Im kostenlosen Projekt-Check schauen wir uns an, welche Ihrer Abläufe die Voraussetzungen dafür erfüllen.
