
Viele Unternehmen starten mit einem AI-Chatbot, einer Automatisierung oder einem internen Wissensassistenten und merken erst im Betrieb, dass die eigentliche Frage nicht lautet: Kann das Modell antworten?, sondern: Wie oft, wie schnell und zu welchen Kosten darf es das tun? Genau dort entscheidet sich, ob ein LLM-Workflow tragfähig ist oder im Alltag ausbremst.
Der entscheidende Perspektivwechsel: vom Prompt zum Prozess
Ein einzelner Prompt ist billig zu testen, ein produktiver Prozess ist es nicht. Sobald ein Chatbot Dokumente durchsucht, Antworten zusammenfasst, Quellen prüft und bei Unsicherheit an Menschen übergibt, entstehen laufende Kosten an mehreren Stellen: Modellaufrufe, Embeddings, Re-Indexierung, Logging, Monitoring und Support für Ausnahmen. Wer nur den Token-Preis betrachtet, unterschätzt den Betrieb schnell um ein Mehrfaches.
Für Cytracon ist deshalb die Frage zentral, wie ein LLM in die bestehende Prozesskette eingebettet wird. Ein Support-Chatbot im E-Commerce hat andere Anforderungen als ein Assistent für die interne Techniksuche oder ein Vertriebsassistent, der Anfragen vorqualifiziert. Nicht das Modell ist die Einheit der Planung, sondern der konkrete Arbeitsablauf.
Ein KMU-Beispiel: Support-Triage statt Vollautomatisierung
Nehmen wir einen Schweizer Onlineshop mit rund 1’500 Kundenanfragen pro Monat. Ziel ist nicht, jede Anfrage vollständig automatisiert zu beantworten, sondern nur drei Aufgaben sauber zu lösen:
- Anliegen klassifizieren: Bestellung, Retouren, Produktfrage, Reklamation
- passende Wissensquellen finden: FAQ, Versandregeln, Produktdaten, interne Anleitungen
- bei Unsicherheit an einen Menschen übergeben
Das Ergebnis ist oft besser als eine vermeintlich vollautomatische Lösung. Ein guter Zielwert ist zum Beispiel: 60 bis 75 Prozent der Anfragen werden korrekt vorqualifiziert, 15 bis 25 Prozent werden mit Quellen beantwortet, und nur 5 bis 15 Prozent gehen mit hoher Unsicherheit direkt an das Team. Die exakten Werte hängen vom Geschäft ab, aber diese Aufteilung macht das System steuerbar.
Der Vorteil liegt nicht nur in der Antwortqualität. Das Team gewinnt Zeit, weil Standardfälle früh sortiert werden. Gleichzeitig bleibt der menschliche Kontakt dort erhalten, wo er geschäftlich oder rechtlich sinnvoll ist.
Drei Kennzahlen, die ihr vor dem Rollout definieren solltet
Wer einen AI-Workflow betreibt, braucht drei Metriken von Anfang an. Ohne diese Zahlen bleibt jede Diskussion über Qualität subjektiv.
- Antwortqualität: Wie oft ist die Antwort fachlich korrekt und für den Fall brauchbar?
- Quellenabdeckung: Wie oft stützt sich die Antwort auf überprüfbare Dokumente oder Datensätze?
- Eskalationsquote: Wie oft muss das System an einen Menschen übergeben werden?
In der Praxis lohnt sich zusätzlich eine einfache Latenz-Kennzahl. Wenn die Antwortzeit über mehrere Sekunden steigt, sinkt die Nutzbarkeit im Support oder im Backoffice deutlich. Gerade bei internen Assistenten ist eine schnellere, etwas knappere Antwort oft wertvoller als eine lange, perfekt formulierte Ausgabe.
Als Faustregel gilt: Wenn ein Workflow mehr als zwei Modellschritte braucht, sollte man die Latenz bereits im Design berücksichtigen. Sonst wird aus einem hilfreichen Assistenten ein wartender Assistent.
Checkliste für den Betrieb nach dem Launch
Die meisten Projekte brauchen nicht mehr KI, sondern mehr Governance. Diese Punkte gehören vor den Go-live:
- Datenpflege: Wer aktualisiert Inhalte, wenn Produkte, Prozesse oder Policies ändern?
- Re-Indexierung: Wann werden neue Dokumente oder geänderte Seiten erneut eingebunden?
- Rollenrechte: Welche Inhalte darf ein Assistent je Benutzergruppe sehen?
- Fallback: Was passiert bei niedriger Modellqualität oder fehlender Quelle?
- Übergabe: Wie wird ein Fall strukturiert an den Menschen übergeben?
- Monitoring: Welche Fehler, Antwortlücken oder Kostenanomalien werden täglich geprüft?
Besonders wichtig ist der Fallback. Ein AI-System ohne saubere Rückfallebene wirkt im Demo-Modus beeindruckend, im Betrieb aber fragil. Besser ist ein bewusst begrenzter Assistent, der klar sagt, wenn er keine belastbare Antwort hat. Das schafft Vertrauen und senkt das Risiko von Fehlantworten.
Entscheidungsbaum: Automatisieren, assistieren oder übergeben?
Für die Praxis reicht oft ein einfacher Entscheidungsbaum:
- Ist die Anfrage wiederholbar und klar regelbasiert? Dann kann Automatisierung sinnvoll sein.
- Gibt es mehrere mögliche Antworten, aber gute interne Quellen? Dann ist ein Assistent mit Quellenhinweis die bessere Wahl.
- Hängt die Entscheidung von Kontext, Haftung oder Kulanz ab? Dann braucht es eine menschliche Übergabe.
Diese Trennung ist im Alltag wertvoller als jede abstrakte Diskussion über „intelligente“ Systeme. Sie hilft Teams, den richtigen Grad an AI einzusetzen, ohne Prozesse zu verkomplizieren.
Genau hier begleitet Cytracon Unternehmen in Magento-, WordPress- und Integrationsprojekten: nicht mit KI als Schlagwort, sondern mit einem Blick auf Betrieb, Sicherheit und Anschluss an reale Prozesse. Wer LLMs produktiv nutzen will, sollte die Kosten, die Übergaben und die Datenpflege vor dem ersten Livegang klären.
Wenn ihr einen AI-Chatbot, einen internen Wissensassistenten oder einen LLM-Workflow für euren Betrieb sauber aufsetzen wollt, kontaktiert uns hier. Wir schauen gemeinsam auf Use Case, Datenlage und Betriebsmodell.





