Viele Unternehmen haben bereits mit generativer AI experimentiert. Ein Team testet einen Assistenten, eine Abteilung automatisiert einen einzelnen Arbeitsschritt, ein Prototyp liefert in einer Demo überzeugende Antworten. Trotzdem verändert sich der Arbeitsalltag kaum. Zwischen einem interessanten Versuch und einer verlässlich eingesetzten Lösung liegt die eigentliche Beratungsarbeit.
AI Consulting bei BMP Berner Marketingplanung ist deshalb auf Umsetzung ausgerichtet. Im Mittelpunkt steht nicht ein bestimmtes Modell oder Tool, sondern ein relevantes Problem, das gemeinsam mit den betroffenen Teams verstanden, prototypisch gelöst, in bestehende Abläufe integriert und anhand beobachtbarer Ergebnisse weiterentwickelt wird.
Was produktive AI-Beratung auszeichnet
Eine AI-Lösung wird erst dann wertvoll, wenn sie im richtigen Moment verlässliche Unterstützung bietet. Dafür müssen Fachwissen, Daten, Prozesse und Verantwortlichkeiten zusammenpassen. Eine technische Demo beantwortet vor allem die Frage, ob etwas grundsätzlich möglich ist. Ein produktiver Workflow muss zusätzlich klären, wer die Lösung nutzt, auf welche Informationen sie zugreift, wie Ergebnisse geprüft werden und was bei Unsicherheit geschieht.
Diese Perspektive verändert auch die Erfolgskriterien. Nicht die Zahl erzeugter Texte oder Prompts entscheidet, sondern beispielsweise eine klarere Bearbeitung, weniger manuelle Übergaben, schnellere Recherche oder konsistentere Informationen. Welche Wirkung relevant ist, hängt vom konkreten Prozess ab und wird vor der Umsetzung gemeinsam festgelegt.
1. Das relevante Problem priorisieren
Der beste Startpunkt ist selten die Frage: «Wo können wir AI einsetzen?» Hilfreicher ist: «Welcher wiederkehrende Engpass kostet heute Zeit, erzeugt Fehler oder verhindert eine gute Entscheidung?» So bleibt die Technologie Mittel zum Zweck.
Für die Priorisierung betrachten wir insbesondere:
- den Nutzen für Kundinnen, Kunden und Mitarbeitende;
- Häufigkeit und Stabilität des zugrunde liegenden Prozesses;
- Qualität und Zugänglichkeit der benötigten Daten;
- Risiken, Datenschutz und notwendige menschliche Kontrolle;
- Aufwand für Integration, Betrieb und Veränderung.
Ein gut gewählter erster Use Case ist begrenzt genug, um schnell zu lernen, aber relevant genug, um eine echte Verbesserung sichtbar zu machen. Er schafft eine belastbare Grundlage für weitere Entscheidungen, ohne eine umfassende AI-Strategie vorzutäuschen, bevor praktische Erfahrungen vorliegen.
2. Mit echten Abläufen prototypisieren
Ein Prototyp sollte früh mit realistischen Aufgaben, zulässigen Daten und den späteren Nutzerinnen und Nutzern getestet werden. Nur so werden wichtige Details sichtbar: fehlender Kontext, unklare Eingaben, ungeeignete Ausgabeformate oder Situationen, in denen eine menschliche Prüfung zwingend bleibt.
BMP entwickelt solche Prototypen gemeinsam mit dem Fachteam. Kurze Lernschleifen helfen, Annahmen zu überprüfen, bevor unnötig viel in Integration investiert wird. Dabei geht es nicht nur um die Qualität einzelner Antworten. Ebenso wichtig sind Bedienbarkeit, Nachvollziehbarkeit und die Frage, ob die Lösung tatsächlich in die bestehende Arbeit passt.
3. Sicher integrieren und steuern
Nach einem erfolgreichen Prototyp beginnt die anspruchsvolle Phase: Die Lösung muss mit Datenquellen, Berechtigungen und bestehenden Systemen verbunden werden. Zugleich braucht es klare Grenzen. Welche Daten dürfen verarbeitet werden? Welche Ergebnisse müssen geprüft werden? Wer trägt Verantwortung, wenn Informationen fehlen oder widersprüchlich sind?
Governance wird deshalb nicht nachträglich ergänzt. Sie gehört zur Architektur des Workflows. Dazu zählen abgestufte Zugriffe, dokumentierte Quellen, nachvollziehbare Freigaben, definierte Eskalationswege und ein Umgang mit Fehlern, der zur Bedeutung des Anwendungsfalls passt. Datenschutz und Sicherheit werden von Anfang an mitgedacht.
4. Teams befähigen und Wirkung beobachten
Eine integrierte Lösung allein verändert noch keinen Prozess. Mitarbeitende müssen verstehen, wofür sie geeignet ist, wo ihre Grenzen liegen und wie gute Ergebnisse kontrolliert werden. Klare Rollen, praktische Anleitung und erreichbare Ansprechpartner sind dafür wichtiger als abstrakte Schulungen.
Nach dem Rollout werden vereinbarte Signale beobachtet. Das können Bearbeitungszeiten, notwendige Korrekturen, Nutzungsmuster oder qualitative Rückmeldungen sein. Die Beobachtung dient nicht dazu, eine vorab versprochene Wirkung zu bestätigen, sondern um reale Verbesserungen und neue Risiken zu erkennen. Daraus entsteht ein kontinuierlicher, verantwortungsvoller Lernprozess.
GEO und Findinity im Gesamtbild
Generative Engine Optimization, kurz GEO, ist eine Fähigkeit innerhalb dieser AI-Praxis. Sie wird relevant, wenn Markenwissen, Angebote und Unternehmensdaten in AI-generierten Antworten verständlich und konsistent auffindbar sein sollen. Analysiert werden priorisierte Fragen, Entitäten, Quellen und Informationslücken. Es gibt dabei keine Garantie für Platzierungen oder Nennungen.
Findinity unterstützt Teams dabei, Signale rund um ihre Präsenz in AI-generierten Antworten zu erkunden und zu beobachten. Die Erkenntnisse können helfen, unklare oder widersprüchliche Inhalte zu erkennen und Verbesserungen zu priorisieren. Findinity ersetzt weder redaktionelle Qualität noch eine fundierte AI-Strategie; es liefert eine zusätzliche Beobachtungsperspektive.
Vom ersten Schritt zur belastbaren Lösung
Gute AI-Beratung verbindet Ambition mit praktischer Disziplin. Sie beginnt bei einem echten Problem, arbeitet mit den Menschen im Prozess und behandelt Integration, Governance und Befähigung als Teil derselben Aufgabe. So entsteht keine isolierte Demo, sondern eine Lösung, die in den Arbeitsalltag passt und kontrolliert weiterentwickelt werden kann.
Ein sinnvoller nächster Schritt ist ein fokussiertes Gespräch über den heutigen Ablauf: Wo entstehen wiederkehrende Reibung, Informationsverluste oder unnötige manuelle Arbeit? Daraus lässt sich ein erster Use Case ableiten, dessen Nutzen, Machbarkeit und Risiken transparent geprüft werden können.