Kompakte Definitionen der wichtigsten Begriffe rund um KI-Automatisierung, Prozessautomatisierung, ERP-/CRM-Integration und KI-Betrieb — KI-Agent, Workflow, Dokumentenautomatisierung, On-Premise, Managed AI Operations, AI-Governance, Monitoring, Rollback, Exception-Routing, Drift, Confidence-Threshold, DSGVO. Praxisorientiert, ohne Marketing-Sprache — so verwenden wir die Begriffe in DACH-Mittelstandsprojekten.
Wenn ein Begriff in unseren Ratgebern oder Säulen-Seiten unklar bleibt, findet sich hier die Definition.
Eine Software-Komponente, die ein vorgegebenes Ziel erhält und selbst entscheidet, welche Werkzeuge in welcher Reihenfolge eingesetzt werden, um es zu erreichen. Der Unterschied zu klassischen Workflows: nicht der Pfad ist fixiert, sondern das Ziel.
→ Wann sich ein Agent lohnt und wann ein Workflow · → AI Agents (Säule 3)
Regelbasierte Automatisierung wiederkehrender Geschäftsprozesse mit fest definierten Schritten. Robust, billig im Betrieb, gut auditierbar — die richtige Wahl, wenn die Reaktion regelbasiert beschreibbar ist. Im Mittelstand das häufigere Werkzeug als der KI-Agent.
Automatische Erfassung, Klassifikation und Verarbeitung von Belegen wie Rechnungen, Lieferscheinen oder Verträgen. Kombiniert OCR (Texterkennung), KI-basierte Feldextraktion und ERP-Integration. Erkennungsraten 90–95 Prozent bei strukturierten Belegen mit bekannten Lieferanten.
→ Wo Dokumentenautomatisierung in der Praxis funktioniert · → Dokumentenautomatisierung (Säule 2)
Anbindung externer Anwendungen an ein ERP-System (Enterprise Resource Planning) über dokumentierte Schnittstellen — REST-API, EDI, strukturierte Import-Formate. Klassische Zielsysteme im DACH-Mittelstand: SAP, Microsoft Dynamics 365, BMD, DATEV, Sage, Oracle NetSuite. Voraussetzung für produktive KI-Automatisierung in den meisten Geschäftsprozessen.
→ ERP/CRM-Integration ohne Systembruch · → ERP-/CRM-Integration (Säule 4)
Anbindung externer Anwendungen an ein CRM-System (Customer Relationship Management). Verbreitete Zielsysteme: HubSpot, Salesforce, Microsoft Dynamics 365 Sales, Pipedrive, Zoho. Typische KI-Anwendungen: Lead-Klassifikation, automatische Aktivitäts-Erfassung, Anreicherung von Kunden-Datensätzen.
KI-Lösung läuft auf eigener Infrastruktur statt in der Cloud. Höhere Datensouveränität, kein Datenabfluss zu externen Anbietern, dafür höhere Betriebskosten und längere Implementierungszeit. Sinnvoll bei hochsensiblen Daten oder strengen regulatorischen Anforderungen (Gesundheitswesen, Verteidigung, kritische Infrastruktur).
Laufender Betrieb einer KI-Lösung nach dem Go-Live: Monitoring, Drift-Prüfung, Modell-Updates, Reaktion auf Anomalien. Verantwortlich ist entweder das interne Team oder ein externer Partner via Service-Vertrag mit definierten SLAs und monatlichem Operations-Report.
Strukturen, Verantwortlichkeiten und Prozesse, die sicherstellen, dass KI-Lösungen DSGVO-konform, auditierbar und im Einklang mit Unternehmens- und gesetzlichen Vorgaben (z. B. EU AI Act) betrieben werden. Typische Bausteine: Verfahrensverzeichnis, Risiko-Klassifikation, Freigabe- und Eskalations-Wege, Audit-Logs.
Zeitlich begrenztes Erstvorhaben (4–8 Wochen) zum Test einer KI-Lösung auf einem realen, klar umrissenen Use Case. Voraussetzung für die Skalierungsentscheidung. Unterscheidet sich von einer Demo durch echten Datenfluss, messbare Hauptkennzahl und benannte operative Verantwortung.
Definierter Kommunikationspunkt zwischen zwei Systemen. Eine API (Application Programming Interface) erlaubt es Anwendungen, Daten in vorgegebenen Formaten zu lesen und zu schreiben, ohne direkten Datenbankzugriff. Klassische Form heute: REST über HTTPS. Im Mittelstand auch noch SOAP, EDI, strukturierter CSV/XML-Import.
Schrittweise Verschlechterung der Modell-Qualität nach Go-Live, weil sich die Eingangsdaten oder das Umfeld ändern (neue Produktlinien, neue Sprachvarianten, neue Lieferanten, neue Anfragetypen). Wird in Managed AI Operations durch laufendes Monitoring erkannt und durch Modell-Updates oder Nachschulung korrigiert.
Schwellenwert, ab dem das Modell selbst entscheidet, ob es eine Aufgabe vollautomatisch ausführt oder an einen menschlichen Bearbeiter eskaliert. Klassische Stufen: hohe Confidence → Vollautomatik, mittlere → Bearbeitung mit Vorerfassung, niedrige → vollständige manuelle Bearbeitung. Schlüsselelement jeder belastbaren KI-Lösung.
Die EU-Datenschutz-Grundverordnung gilt für jede KI-Lösung, die personenbezogene Daten verarbeitet — auch indirekt (Kundenanfragen, Lieferadressen, Mitarbeiter-Daten). Praktische Anforderungen: Rechtsgrundlage, Datenminimierung, Verfahrensverzeichnis, Auftragsverarbeitungs-Verträge (AVV), EU-Hosting wo möglich, Lösch- und Auskunfts-Konzept.
Laufende Erfassung der zentralen Betriebs-KPIs einer produktiven KI-Lösung — Durchlaufzeit, Eskalationsrate, Fehlerquote, Verarbeitungsvolumen, Token-Kosten. Bildet die Grundlage für Drift-Erkennung, Anomalie-Reaktion und den monatlichen Operations-Report. Stack typischerweise auf Basis Langfuse oder OpenTelemetry plus klassische Infrastruktur-Telemetrie (Prometheus / Grafana).
→ Managed AI Operations in der Praxis · → Managed AI Operations (Säule 5)
Dokumentierter Pfad zur Vorgängerversion eines Modells, einer Konfiguration oder einer Schnittstellen-Version, falls ein Update unerwartete Qualitätsverluste oder Ausfälle verursacht. Voraussetzung jeder produktiven KI-Lösung: kein Update ohne vorher definierten Rollback-Pfad. Eng verknüpft mit dem Eval-Set, das vor jeder Übernahme geprüft wird.
Eskalations-Logik, die nicht-vollautomatisch verarbeitbare Vorgänge an den richtigen menschlichen Bearbeiter mit der richtigen Begründung weiterleitet. Mehrstufig: niedrige Confidence → Vorerfassung, mittlere → Bearbeitung mit Hinweis, hohe Confidence-Anomalie → Eskalation an Fachabteilung. Verhindert, dass Eskalationen zur Sammelkiste werden.
Eine kostenlose KI-Potenzialanalyse beantwortet die Frage, welche dieser Konzepte für Ihr konkretes Unternehmen relevant sind — und welche nicht.
KI-Potenzialanalyse anfragen