KI im E-Commerce: Wann sie wirklich hilft – und wann man lieber die Finger davon lässt

Wer heute über KI im E-Commerce spricht, meint meistens zweierlei gleichzeitig. Wer beides verwechselt, trifft schlechte Entscheidungen. Hier kommt ein klarer Rahmen: Was konkret mit KI funktioniert – und wann man lieber die Finger davon lässt.

Wer heute über KI im E-Commerce spricht, meint meistens zweierlei gleichzeitig. Auf der einen Seite steht jahrzehntealte Technologie, die still im Hintergrund läuft und E-Commerce-Plattformen schon lange antreibt. Auf der anderen Seite das, worüber gerade alle reden: ChatGPT, Claude, Gemini. Wer beides in einen Topf wirft, trifft schlechte Entscheidungen. Dieser Artikel erklärt, was wofür taugt, was man heute konkret umsetzen kann – und wo die KI-Begeisterung mehr schadet als nützt.

Zwei Technologien, ein Begriff

KI ist ein Sammelbegriff aus verschiedenen Ansätzen. Im E-Commerce-Kontext treffen zwei grundlegend verschiedene Technologien aufeinander:

Maschinelles Lernen ist die ältere, datengetriebene Variante. Algorithmen lernen aus historischen Daten und erkennen Muster, ohne explizit programmiert zu werden. Supervised Learning bedeutet: Man zeigt dem Modell Beispiele mit bekannten Antworten, es lernt die Zuordnung. Unsupervised Learning bedeutet: Das Modell findet selbst Strukturen in Daten – zum Beispiel Kunden-Cluster nach Kaufverhalten –, ohne dass man vorher definiert, welche Gruppen es geben soll. Im Reinforcement Learning definiert man ein Ziel, z. B. möglichst viele Conversions, und die KI lernt durch Ausprobieren selbst, was die beste Werbestrategie ist. In der Praxis steckt diese Technologie in Empfehlungsalgorithmen, META- und Google-Kampagnen, dynamischen Preismodellen, Betrugserkennung und Lageroptimierung. Die meisten Shop-Systeme und Analytics-Tools liefern hier bereits vorgefertigte Lösungen.

Generative KI ist das Neue. Grosse Sprachmodelle (LLMs) wie Claude, ChatGPT, Gemini oder Mistral können Text verstehen, generieren, analysieren und darauf reagieren. Bildgenerierungs-Modelle wie Googles Nano Banana können aus einem Textprompt ein fotorealistisches Bild erzeugen. Diese Technologie ist in den letzten drei Jahren dramatisch besser geworden – und damit heute für KMU sinnvoll nutzbar.

Die wichtige Unterscheidung: Wer Logistikrouten oder Lagerbestände optimieren will, braucht maschinelles Lernen und richtige Daten. Wer schneller besser schreiben, analysieren, kommunizieren und Prozesse begleiten will, greift zu einem LLM. Beide Technologien können sich ergänzen – aber man sollte nicht erwarten, dass die eine die Arbeit der anderen macht.

Drei Grundprinzipien, die man verinnerlichen muss

Bevor es konkret wird, folgen hier drei Prinzipien, die bei allem gelten, was in diesem Artikel steht:

Human in the Loop: KI trifft keine Entscheidungen für Menschen – sie bereitet sie vor. Das ist kein Designfehler, sondern Absicht. Die besten KI-Workflows sind so aufgebaut, dass ein Mensch vor jeder wichtigen Aktion eine Freigabe erteilen muss. Ausnahme: vollständig repetitive, risikoarme Prozesse, bei denen man Vertrauen aufgebaut hat. Wer direkt mit «voll automatisiert» startet, wird sich früher oder später ärgern.

KI als Sparring-Partner, nicht als Lieferant: Das grösste Missverständnis ist, dass KI einfach Antworten liefert. Die besten Nutzenden verwenden KI wie eine sehr gute Assistenzperson: Sie bringen ihr eigenes Fachwissen ein, hinterfragen die KI-Antwort, korrigieren und verfeinern. Auch kennt die KI nichts Firmenspezifisches: Kontextengineering – die richtigen Zusatzdaten in der richtigen Form – ist wichtiger als ein guter Prompt. Das Ergebnis ist besser als das, was die KI allein produziert, und besser als das, was der Mensch allein produziert hätte.

Datenschutz ist kein Detail: Alle grossen LLM-Anbieter – Anthropic (Claude), OpenAI (ChatGPT), Google (Gemini) – haben ihre Server in den USA. Für Kundendaten, NDA-Dokumente oder persönliche Informationen gilt: prüfen, was ins Modell gegeben wird. Wer unter strengen DSGVO-Anforderungen arbeitet oder Kundendaten verarbeiten möchte, hat Alternativen – dazu später mehr.

Welches Modell für welche Aufgabe

Vier Plattformen dominieren den Markt. Ihre Stärken sind unterschiedlich –wer das versteht, spart Zeit und Geld.

Claude von Anthropic wird für strukturierte Businessarbeit empfohlen. Claude macht zuerst einen Plan und arbeitet ihn systematisch ab. Er widerspricht, wenn etwas nicht stimmt, was bei Vertragsanalysen, Strategie-Reviews und Datenauswertungen ein echter Mehrwert ist. Ausserdem hat Anthropic das Model Context Protocol (MCP) erfunden, den heute etablierten Standard, mit dem KI-Modelle direkt mit anderen Apps sprechen können – von Shopify über Google Analytics bis hin zu Advertising-Plattformen. Die Desktop-App «Cowork» erlaubt lokalen Festplattenzugriff ohne Cloud-Upload. Cowork vergisst nie, da es sich lokale Gedächtnisdateien anlegen kann. Auch kann es selbständig im Hintergrund Aufgaben abarbeiten und die Arbeiten auf verschiedene Agenten parallel verteilen. Wer einmal Skills und Plug-ins für eigene Abläufe gebaut hat, verteilt dieses Know-how an alle Mitarbeitenden im Team-Account. So skaliert KI.

ChatGPT von OpenAI ist auf die Konsumentinnen und Konsumenten ausgerichtet. ChatGPT verfügt über den besten Voice-Mode auf dem Markt und gute Bildgenerierung und das Tool ist schnell für Brainstorming und Kreativarbeit. Für strukturierte Businessprozesse, Protokolle oder komplexe Workflows ist ChatGPT unzuverlässig – er macht irgendetwas, vergisst gerne mal Wichtiges oder erfindet Zahlen, obwohl sie korrekt vorliegen.

Gemini von Google ist erste Wahl, wenn die Firma in Google Workspace lebt: Docs, Gmail, Sheets. Die Bildgenerierung ist sehr stark. Ausserhalb der Google-Welt verliert Gemini schnell an Relevanz. Zudem hinkt Google häufig mit Funktionen hinter her, die andere Systeme seit langem schon anbieten, insbesondere ausserhalb der USA.

Mistral ist die europäische Alternative: Server in Frankreich, DSGVO-konform, starke Features und mindestens auf ChatGPT-Niveau. Für Unternehmen mit NDA-Klauseln, die Server-Standort-Vorgaben enthalten, ist Mistral die einzige realistische Cloud-Option. Es gibt kein Desktop-Client und das Kontextfenster ist kleiner.

Für E-Commerce sieht die Entscheidung meist folgendermassen aus: Claude für Analysen, Prozesse und Business-Output; ChatGPT für kreative Ideation; Mistral, wenn Kundendaten im Spiel sind und ein europäischer Server Pflicht ist.

Datenanalyse und Dashboards: Was heute schon geht

Einer der grössten unterschätzten Mehrwerte von Claude im E-Commerce: Daten aus verschiedenen Quellen zusammenführen, analysieren und verständlich aufbereiten – ohne Daten-Fachpersonen, ohne aufwendige BI- und Reporting-Tools.

Der Schlüssel dazu heisst Windsor.ai. Windsor verbindet alle relevanten Datenquellen über einen einzigen Connector: Shopify, Google Analytics, Meta Ads, Google Ads, TikTok, Search Console. Claude kann Windsor direkt über MCP ansprechen – das bedeutet: Man fragt Claude auf Deutsch, was in den eigenen Kampagnen und im Shop passiert, und bekommt eine Analyse statt Tabellen.

Konkrete Beispiele, die heute möglich sind:

• «Welche Produktkategorie hatte letzte Woche den besten ROAS auf Meta?»
• «Vergleiche mir die Konversionsrate zwischen Mobile und Desktop der letzten 30 Tage.»
• «Wo verliere ich Kundinnen und Kunden im Checkout-Funnel?»
• «Welcher Kanal bringt mir die wertvollsten Kundinnen und Kunden gemessen am Customer Lifetime Value?»

Das Ergebnis: Claude baut ein Dashboard, schreibt eine Analyse oder beantwortet die Frage direkt und erklärt alles. Das Ergebnis erscheint nicht als Kuchendiagramm in PowerPoint, sondern als verwertbare Einschätzung. Aber natürlich kann Claude auch schöne Reporting Dashboards, on Brand, und ein PowerPoint generieren.

Windsor lässt sich unter https://windsor.ai/?fpr=mikeschwede testen. Mit dem Code «MIKE» gibt es eine verlängerte Testphase und 15 Prozent Lifetime-Rabatt.

Kundenkommunikation: Stil lernen, Qualität halten, skalieren

Der E-Commerce lebt von der Kundenkommunikation: Produktrückfragen, Reklamationen, Lieferstatus, FAQ. Der typische Ablauf: Am Morgen liegen 30 unbeantwortete Mails im Postfach. Drei verschiedene Mitarbeitende antworten in drei verschiedenen Stilen. Die Qualität schwankt je nach Tagesform. Bestenfalls hat man ein teures Ticketing-System mit Standardantworten – mässig effizient.

Mit Claude Cowork lässt sich das grundlegend verbessern. Das Prinzip: Claude lernt aus bestehenden Mails, wie das Unternehmen kommuniziert – Tonalität, Formulierungen, typische Antworten auf häufige Fragen. Dieses Know-how wird in einem sogenannten Skill und in Markdown-Dateien gespeichert. Ein Skill ist eine Textdatei mit Anweisungen, die Claude bei jeder Aufgabe mitliest.

Der Workflow sieht dann z. B. so aus: Claude bereitet jeden Morgen automatisch Antwort-Entwürfe für alle eingegangenen Mails vor und legt sie im Postfach ab. Morgens gehen die Mitarbeitenden ins Postfach, prüfen jeden Entwurf – und senden ihn ab, passen ihn an oder verwerfen ihn. Human in the Loop. Niemand startet mehr mit einer leeren Seite, niemand verliert sich in Formulierungsfragen oder sucht in FAQs. Das Ergebnis: schnellere Reaktionszeiten, konsistentere Qualität, entlastete Teams.

Der entscheidende Schritt danach: Dieser Skill lässt sich als Plug-in verpacken und mit zusätzlichen Services verknüpfen und gezielt an alle Mitarbeitenden im Team-Account verteilen. Jede Person, die Claude nutzt, schreibt dann automatisch im gleichen Stil – unabhängig davon, ob sie gerade müde ist, den Job neu angefangen hat oder Deutsch nicht ihre Muttersprache ist. Das ist Qualitätssicherung durch Technologie, nicht durch Kontrolle.

Shopify direkt verbinden: Was MCP bedeutet

Shopify hat als eines der ersten grossen E-Commerce-Systeme einen offiziellen MCP-Server veröffentlicht. Das bedeutet in der Praxis: Claude kann direkt mit dem Shop reden. Was das ermöglicht – alles in natürlicher Sprache ohne Datenbank- oder Programmierkenntnisse:

• Produktinformationen abrufen, Konsistenz überprüfen, SEO-Optimierungen vornehmen und Änderungen zu Shopify pushen
• Liquid Code schreiben und den Shop anpassen
• Bestell-Reports abfragen und Daten analysieren
• Produktkataloge auf Konsistenz prüfen: Fehlen Alt-Texte? Sind alle Metadescriptions gesetzt? Sind Produktbeschreibungen kürzer als die Mindestlänge?

Statt manuell durch den Admin zu navigieren, sagt man zu Claude: «Schau mir alle Produkte an, bei denen die Beschreibung kürzer als 80 Wörter ist oder der Alt-Text fehlt.». Claude gibt eine Liste zurück, schlägt Verbesserungen vor, und man gibt sie frei. Das ist der Kern des MCP-Gedankens: Kein Copy-Paste zwischen Tools, keine manuelle Datenübertragung.

Produkttexte und Produktfotos: Was lohnt sich

Produkttexte ssind ein klassischer KI-Anwendungsfall – und einer, bei dem die Qualitätshürde hoch liegt. Generische Beschreibungen, die nichts sagen, schaden mehr als sie nützen. Was funktioniert: Claude als Reviewer. Man gibt ihm eine bestehende Beschreibung und fragt: «Ist das spezifisch genug? Was fehlt? Wie wirkt das auf eine Person, die das Produkt noch nicht kennt?» Claude zeigt blinde Flecken auf und schlägt konkrete Alternativen vor. Wichtig ist, dass man zuvor Claude mit einem Corporate Wording Skill trainiert, damit jeder Text auch der Marke entspricht.

Für Shops mit hunderten Produkten lohnt sich ein systematischer Ansatz: Produktliste via Shopify-MCP einlesen, jede Beschreibung gegen festgelegte Kriterien prüfen (Länge, Tonalität, Keywords, Benefits vs. Features), priorisierte Liste der zu überarbeitenden Texte ausgeben. Eine Person schafft so in einem Tag, wofür ein Team früher eine Woche gebraucht hätte.

Produktfotos: Googles Bildbearbeitungsmodell Nano Banana kann Produktbilder automatisiert aufwerten: Hintergründe ersetzen, Stimmungen anpassen, Farbvarianten erstellen. Mit Google AI Studio lässt sich daraus in wenigen Stunden eine eigene Web-App bauen, die das Team nutzen kann – ohne Programmierkenntnisse. So kann man hunderte Produktfotos direkt auf die eigene Marke trimmen oder aufs Frühlings-Special anpassen.

➡️ Artikel: Bildproduktion mit Nano Banana und Google AI Studio

Marketing: Was funktioniert – und was man besser lässt

KI-generierte Bilder und Videos in der Werbung mit Menschen: Finger weg. Das ist keine Meinung, das sind Daten. Das Kundenvertrauen – insbesondere bei der Generation Z – sinkt messbar, wenn Werbung als KI-generiert erkennbar ist. KI-generierte Werbung performt auch schlechter. Reale Menschen in realen Situationen konvertieren besser. Das gilt für klassische Social Media Ads, für Display und für Video.

Was hingegen Sinn ergibt:

• Produktinszenierungen ohne Menschen: Hintergründe für Produktfotos mit KI generieren, Variationen erstellen, saisonale Anpassungen vornehmen. Hier merkt niemand einen Unterschied.
• Ad-Varianten aus einem Master-Creative: Man hat ein funktionierendes Ad. KI erstellt daraus 15 Varianten mit angepassten Headlines, verschiedenen Bildausschnitten, anderen Farbgebungen. Statt einer Variante testet man gleichzeitig 15.

Apropos Performance Marketing: Meta hat einen eigenen MCP-Server. Das bedeutet, Claude kann direkt mit dem Meta Ads Manager sprechen – Kampagnendaten abrufen, Zielgruppen analysieren, Angebote und Budgets prüfen, neue Kampagnen anlegen mit hunderten Ads. Auch Grafiktools wie Canva und Videoplattformen wie Higgsfield oder Fal.AI bieten MCP-Anbindungen an. Der direkte Weg von der Analyse zum Creative ist damit technisch möglich. Auch Newsletter-Tools wie Brevo können per MCP angebunden werden: Empfängerliste aufräumen, Kampagnen analysieren oder den neuen Newsletter aufsetzen und layouten? Alles aus Claude per Brevo MCP möglich. Claude wird hier zum zentralen Arbeitstool, das Analytics, Kampagnen-Management und Grafikproduktion steuern kann.

SEA und SEO: Claude als strategischer Analyst

Im Suchmaschinenmarketing – ob bezahlt oder organisch – liegt der grösste Aufwand nicht beim Schalten, sondern beim Verstehen. Wie performen welche Keywords? Wo verliere ich gegenüber Mitbewerbern? Welche Suchintentionen bediene ich noch nicht?

Claude kann hier die Arbeit mit den richtigen Datenquellen stark beschleunigen:

• Via Windsor.ai: Google-Ads-Kampagnendaten direkt analysieren. Welche Anzeigengruppen verbrauchen Budget ohne Conversion? Wo liegt der Quality Score unter 7? Claude liest die Daten, schreibt eine Analyse und macht priorisierte Optimierungsvorschläge.
• Via Semrush, Sistrix oder Ahrefs (alle bieten MCP-Anbindungen): Keyword-Recherche, Ranking-Analysen, Backlink-Audits, Wettbewerbsvergleiche. Eine vollständige SEO-Analyse, die früher einen halben Tag gedauert hat, läuft so weitgehend automatisch ab – man trinkt einen Kaffee und findet die fertige Analyse vor.

Für SEA gilt dasselbe: Statt Stunden im Google Ads Interface zu verbringen, stellt man Claude die Fragen und bekommt strukturierte Antworten mit Handlungsempfehlungen.

GEO: Wenn Kundinnen und Kunden nicht mehr googeln, sondern fragen

Ein Thema, das im E-Commerce gerade viral geht: Generative Engine Optimization (GEO). Immer mehr Menschen tippen ihre Kaufentscheidungsfragen nicht mehr in die Google-Suchleiste, sondern direkt in ChatGPT, Claude oder den KI-gestützten Google AI Mode. «Welcher Kaffeevollautomat unter 500 Franken ist der beste für eine Person?» – das landet zunehmend im KI-Chat, nicht im klassischen SERP.

Shopify-Betreiberinnen und -betreiber haben hier strukturell einen Vorteil. Shopify arbeitet eng mit OpenAI und Google zusammen – Produkte aus einem Shopify-Store tauchen in KI-Antworten bevorzugt auf.

Aber allgemein gilt die gute Nachricht: Gutes SEO ist weitgehend auch gutes GEO. Wer klare, strukturierte Produktbeschreibungen hat, Fragen in seinen Inhalten beantwortet und technisch sauber aufgestellt ist, ist für KI-Systeme lesbar. Google hat dazu einen offiziellen Leitfaden veröffentlicht:

➡️ Artikel: Website für Google KI optimieren

Das wichtigste Takeaway: Es gibt keine separate «KI-Optimierungsstrategie». Wer gutes SEO macht, ist automatisch gut aufgestellt.

Logistik, Sourcing, Prognosen: Wann LLMs nicht das richtige Werkzeug sind

LLMs sind keine Optimierungsmaschinen. Wer zu Claude sagt «Optimiere meinen Lagerbestand», bekommt entweder eine allgemeine Antwort oder mit den richtigen Schnittstellen (MCPs) keine verlässlichen Resultate – die Datenmenge ist zu gross. Für solche Anfragen braucht es maschinelles Lernen mit historischen Bestell-, Saison- und Lieferdaten. Das ist ein echtes Data-Projekt und kein Chat-Prompt. Man würde für eine solche Aufgabe ja auch nicht eine Germanistin oder einen Germanisten, sondern eine Data-Analystin oder einen Mathematiker fragen.

Was Claude aber sehr gut kann: die Vorstufe. Bevor man in ein Optimierungsprojekt investiert, braucht man Klarheit: Lohnt sich das überhaupt? Was sind die Hebel? Welche Daten brauche ich? Sind die Daten so überhaupt brauchbar?

Ein konkreter Einstiegsworkflow:

• Man exportiert eine Teilmenge relevanter Daten: Bestellhistorie, Lagerbestand, Lieferzeiten, Retouren – anonymisiert.
• Claude analysiert die Daten, findet Muster, benennt Anomalien, schätzt das Optimierungspotenzial ab und berechnet erste Machine-Learning-Algorithmen.
• Auf Basis dieser Analyse entscheidet man, ob sich eine echte ML-Lösung rechnet – und mit welchen Daten man anfangen würde. Das ist eine perfekte Basis für eine echte Data-Analystin oder einen echten Data-Analysten mit entsprechenden Machine-Learning-Werkzeugen.

Das ist der sinnvolle KI-Einstieg ins Thema Logistik: nicht als Lösung, sondern als Diagnosetool.

➡️ Artikel: Maschinelles Lernen für Einsteiger – ChatGPT als Data Analyst

Datenschutz: Wenn der Standard nicht reicht

Für E-Commerce-Unternehmen, die in der EU aktiv sind oder mit sensiblen Kundendaten arbeiten, sind US-basierte Cloud-Modelle oft keine Option. Zwei Alternativen:

Mistral AI ist die pragmatische Lösung für die meisten. Das Tool ist europäisch, die Server sind in Frankreich und es ist DSGVO-konform. Die Qualität liegt mindestens auf ChatGPT-Niveau – für Business-Texte, Kundenanfragen und Analysen sehr gut geeignet.

➡️ Artikel: ChatGPT vs. Mistral – der KI-Showdown

Open-Weight-Modelle sind die Lösung für maximale Datenkontrolle. Modelle wie Llama (Meta), Mistral (downloadbare Version) oder das Schweizer Apertus – ein Open-Source-LLM, das von einer Schweizer Initiative betrieben wird – laufen auf dem eigenen Server oder Laptop. Keine Daten verlassen die eigene Infrastruktur. Tools wie Ollama oder LM Studio machen die Installation einfach – ohne Programmierkenntnisse. Der Trade-off: schwächere Leistung als Cloud-Modelle, Hardwareanforderungen (mindestens 16 GB RAM empfohlen). Aber für erstaunlich viele Use Cases sind diese Tools absolut genügend.

Für die meisten E-Commerce-Unternehmen gilt: Produkttexte, SEO-Analysen und interne Kommunikation – kein Problem mit Claude oder ChatGPT. Kundendaten, Kaufhistorien, persönliche Informationen – entweder Mistral oder ein lokales Modell.

Meeting-Notizen: das unterschätzte Quick Win

Ein Thema, das alle betrifft, aber selten als «KI-Use-Case» angeschaut wird: Sitzungsnotizen und Protokolle. Wer sich nach einem Meeting um die Dokumentation kümmert, verschwendet gebündelt Energie in einem schlechten Moment. Wer es delegiert, riskiert unvollständige oder fehlerhafte Protokolle.

Optiverse löst diese Probleme. Das Tool ist ein ETH-Spin-off, betreibt seine Server in der Schweiz und versteht – was in der Schweiz nicht selbstverständlich ist – problemlos Schweizerdeutsch. Optiverse zeichnet Meetings auf, erstellt automatisch strukturierte Protokolle, macht Videoaufnahmen mit Suchfunktion durchsuchbar («Wann haben wir über die Retouren-Quote geredet?») und kann komplexere KI-Analysen über mehrere Meetings hinweg machen.

Testen lässt sich das kostenlos für einen Monat unter app.optiverse.ai/login?source=mikeschwede. Nach einer Woche möchte man keine Sitzung mehr ohne machen.

Der nächste Schritt: vom Assistenten zum Agenten

Wer sich mit Claude Cowork vertraut gemacht hat – erste Skills gebaut, erste Prozesse halbautomatisiert, erste Stunden pro Woche gespart –steht vor einer natürlichen nächsten Frage: Was ist möglich, wenn man das konsequent weitertreibt? Die Antwort liegt in Agenten. Während ein Skill Claude beibringt, wie er schreiben soll, und ein Plug-in mehrere Skills zu einem Workflow verbindet, ist ein Agent ein eigenständig laufendes System: Es kickt automatisch an, wenn eine Bedingung erfüllt ist, erledigt seinen Teil, wartet auf eine Freigabe und macht weiter. Morgens um 7 Uhr läuft der Agent, analysiert die Bestelleingänge der Nacht, prüft, ob kritische Kennzahlen abweichen, und legt einen strukturierten Briefing-Text im Postfach ab – bevor die erste Person im Büro ist. Das ist keine Science-Fiction. Das läuft heute.

KI spart keine Stellen, wenn man sie richtig einsetzt. Aber KI entlastet. Eine Mitarbeiterin, die täglich zwei Stunden mit Standardanfragen, Protokollschreiben und Datenaufbereitung verbringt, kann diese Zeit für Kundengespräche, Sortimentsentscheidungen und Kreativarbeit nutzen. Eine Person kann mehr Kundinnen und Kunden betreuen, mehr Projekte stemmen, bessere Arbeit leisten. Das ist der Hebel – nicht Personalabbau.

In meinen Seminaren führe ich am Ende regelmässig Umfragen durch. Im Schnitt geben Teilnehmende an, nach konsequenter Umsetzung mehr als 11 Stunden Arbeit pro Woche einzusparen. Bei einem Team von fünf Personen sind das 55 Stunden freigesetzte Kapazität pro Woche – ohne mehr Budget, ohne mehr Köpfe.

Wichtig ist: Kein riesiges KI-Projekt lostreten.

• Das Team mit Claude schulen und erste Skills entwickeln / Automationen durchführen lassen und Erfahrungen sammeln.
• In einem Use Case Workshop mögliche Anwendungen zusammentragen und bewerten: Löst es eine dringende Herausforderung? Sind unsere Daten bereit (Qualität, Erreichbarkeit, Nutzbarkeit) und die Prozesse klar?
• Schritt für Schritt Skills und Plug-ins entwickeln – ohne Programmierkenntnisse. Haben sich diese nach einem halben Jahr bewährt und wurde ein Finetuning gemacht, können diese Daten je nachdem auf eigenen Systemen spezifisch entwickelt und integriert werden.

Der Einstieg ist einfacher als die meisten denken. Nicht warten, bis es «fertig» ist. Anfangen mit einer Aufgabe, die heute nervt. Die KI draufloslassen, das Ergebnis anschauen, anpassen. Dann die nächste Aufgabe.