Ein KI-Tool ist noch kein Geschäftsprozess
Ein Textgenerator, ein Jira-Plugin oder ein Make.com-Szenario kann einzelne Schritte beschleunigen. Produktiv wird daraus erst dann ein belastbarer Workflow, wenn Eingaben, erwartetes Ergebnis, Prüfung, Verantwortung und Folgeaktion klar definiert sind.
Ohne diese Regeln wird häufig nur die Geschwindigkeit erhöht, mit der unvollständige Tickets, falsche Inhalte oder unklare Daten weitergereicht werden. Gute KI-Automatisierung beginnt deshalb beim bestehenden Ablauf – nicht beim Modell.
Ein geeigneter erster Anwendungsfall
Ein sinnvoller Einstieg hat vier Eigenschaften:
- Die Aufgabe wiederholt sich regelmäßig.
- Eingaben und erwartete Ausgabe lassen sich beschreiben.
- Das Ergebnis kann nach festen Kriterien oder durch eine verantwortliche Person geprüft werden.
- Ein Fehler hat begrenzte und beherrschbare Folgen.
Das kann etwa die Strukturierung eines Jira-Tickets, ein erster Entwurf für einen Fachbeitrag oder die Zuordnung eingehender Informationen sein. Eine autonome Entscheidung mit rechtlichen, finanziellen oder sicherheitskritischen Folgen ist dagegen kein unbedachter Startpunkt.
Beispiel 1: Jira und Entwicklungsumgebung verbinden
In einem KI-gestützten Entwicklungsworkflow kann ein Jira-Ticket als strukturierter Startpunkt dienen. Ein möglicher Ablauf:
- Ein Ticket enthält Ziel, Kontext, Akzeptanzkriterien und betroffene Systeme.
- Eine KI unterstützt dabei, Rückfragen, technische Teilaufgaben oder Testfälle vorzubereiten.
- Ein Entwickler prüft den Vorschlag und übernimmt nur den freigegebenen Umfang.
- Änderungen entstehen in einem getrennten Git-Branch.
- Automatisierte Tests, statische Analyse und Build prüfen die technische Ausgabe.
- Ein Pull Request macht Änderung, Diskussion und Freigabe nachvollziehbar.
- Erst nach Review und bestandenen Kontrollen wird zusammengeführt und veröffentlicht.
Der entscheidende Punkt ist nicht, dass KI Code erzeugen kann. Entscheidend ist, dass Ticket, Code, Tests und Freigabe in einem kontrollierten Ablauf verbunden sind. Das Modell ersetzt weder Architekturentscheidung noch Review.
Beispiel 2: Contentplanung mit Make.com
Bei einer Content-Automatisierung kann Make.com die Übergaben zwischen Planung, KI-Unterstützung, Prüfung und Kanälen orchestrieren.
Ein möglicher Ablauf:
- Themen und Zielgruppen werden in einem Redaktionsplan erfasst.
- Der Workflow lädt freigegebene Briefingdaten und hinterlegte Quellen.
- Eine KI erstellt einen strukturierten Entwurf im vereinbarten Format.
- Pflichtfelder, Länge, Links und Metadaten werden technisch validiert.
- Eine verantwortliche Person prüft Fakten, Tonalität, Rechte und Markenanforderungen.
- Erst die Freigabe löst die technische Übergabe an Website oder vorbereitete Social-Kanäle aus.
- Status und Fehler werden in der Planung zurückgemeldet.
Damit wird nicht die redaktionelle Verantwortung automatisiert. Automatisiert werden wiederkehrende Übergaben und vorbereitende Arbeit. Community-Management, fachliche Bewertung und Veröffentlichungshoheit bleiben klar zugeordnet.
Warum menschliche Freigabe technisch verankert sein sollte
„Wir schauen vorher noch einmal drüber“ ist kein zuverlässiger Kontrollmechanismus, wenn der Workflow technisch trotzdem direkt veröffentlichen kann. Eine Freigabe sollte deshalb als notwendiger Status oder geschützter Schritt im Prozess umgesetzt werden.
Mögliche Kontrollpunkte sind:
- ein Freigabefeld in Jira oder im Redaktionsplan,
- ein Pull Request mit verpflichtendem Review,
- eine Vorschau-URL statt direkter Live-Veröffentlichung,
- rollenbasierte Berechtigungen im Zielsystem,
- ein manueller Bestätigungsschritt für externe Ausspielung.
Je größer die Fehlerfolge, desto stärker muss die technische Barriere sein.
Zugangsdaten gehören nicht in Prompts
API-Schlüssel, GitHub-Zugänge oder Tokens dürfen nicht als Bestandteil eines Prompts oder in öffentlichen Inhaltsdateien landen. Ein produktiver Workflow verwendet geschützte Secret-Stores oder Backend-Dienste und vergibt nur die Rechte, die für den einzelnen Schritt benötigt werden.
Bei einem Chat-to-Publish-Prozess für eine Hugo-Website bedeutet das beispielsweise: Der Chat-Assistent bereitet Inhalte vor, erhält aber keinen direkten Schreibzugriff auf die Live-Seite. Ein geschützter Dienst erstellt einen Branch und Pull Request; Vorschau, Checks und Freigabe entscheiden über die Veröffentlichung.
Betrieb ist Teil der Automatisierung
Auch ein gut getesteter Workflow wird auf unvollständige Daten, API-Änderungen oder nicht erreichbare Dienste treffen. Vor dem produktiven Einsatz müssen deshalb Fragen beantwortet werden:
- Wo ist der Status eines Vorgangs sichtbar?
- Welche Schritte dürfen automatisch wiederholt werden?
- Wie werden Duplikate verhindert?
- Wer erhält eine verständliche Fehlermeldung?
- Kann der Vorgang manuell abgeschlossen werden?
- Welche Kosten und Datenmengen werden überwacht?
Ein Demo-Ablauf zeigt den Normalfall. Ein produktiver Workflow muss auch bei Abweichungen beherrschbar bleiben.
Mit einem klaren Workshop starten
Ein KI-Workshop hilft, Ideen nach Nutzen, Datenlage, Risiko und Integrationsaufwand zu sortieren. Am Ende sollte keine möglichst lange Toolliste stehen, sondern ein abgegrenzter Anwendungsfall mit Verantwortlichkeit, Prüfkriterien und nächstem Umsetzungsschritt.