AI Uncovered mit homie AI: Wenn KI im echten Kunden-Projekt bestehen muss

AI Uncovered Vol. 1 brachte Entwicklung, Testing und Kompetenzen zusammen. Im Mittelpunkt standen konkrete Erfahrungen: Was bringt KI-Projekte voran? Wo stocken sie? Und was lernen wir erst im echten Einsatz?

Der Raum im appmatics Office in Köln war voll. Zum Auftakt der neuen Eventreihe von appmatics standen drei Perspektiven auf dem Programm: Build. Test. Qualify.

Danach wurde bei Pizza und Drinks weitergefragt, diskutiert und gemeinsam an neuen Ideen gearbeitet.

KI-Projekte scheitern selten an der KI

Den Auftakt machte Julia Kirchhefer, Chief of Product bei homie AI. Im Build-Part gab sie Einblicke in die Entwicklung produktiver KI-Assistenten für Handel und Industrie – und in die Herausforderungen, die auf dem Weg von der ersten Idee bis zum Live-Gang entstehen.

Ein häufiger Stolperstein zeigt sich bereits am Anfang: Das Ziel wird zu breit formuliert. „Wir möchten unseren Kunden mit KI helfen“ klingt zunächst sinnvoll, lässt aber entscheidende Fragen offen.

Wobei genau soll die KI unterstützen? Welche Anfragen soll sie beantworten? Und was soll sich für Kunden oder Mitarbeitende konkret verbessern?

Erfolgreiche KI-Projekte starten deshalb mit einem klar abgegrenzten Anwendungsfall und realistischen Erwartungen. Erst wenn das eigentliche Problem verstanden ist, kann eine Lösung entstehen, die im Alltag wirklich weiterhilft.

Der Live-Gang ist kein Schlusspunkt

Viele Teams möchten vor dem Start jeden denkbaren Sonderfall lösen. Das ist nachvollziehbar, kann den Go-live aber unnötig lange verzögern.

Denn selbst ausführliche interne Tests bilden nicht vollständig ab, wie echte Kunden fragen. Sie formulieren anders, bringen neue Themen mit und zeigen schnell, an welchen Stellen Wissen fehlt.

Ein früher Live-Gang bedeutet dabei nicht, auf Qualität zu verzichten. Vielmehr geht es darum, in einem klar definierten Rahmen zu starten, die Nutzung genau auszuwerten und den Assistenten anhand realer Gespräche weiterzuentwickeln.

Welche Fragen treten besonders häufig auf? Wo entstehen Missverständnisse? Welche Informationen fehlen? Viele dieser Antworten liefert erst der Einsatz im Alltag.

Aus Gesprächen wird Kundenwissen

Bei homie AI werden Kundeninteraktionen deshalb nicht nur beantwortet, sondern auch systematisch ausgewertet. Die Chat Analytics fassen Gespräche zusammen, erkennen Themen, erfassen die Stimmung und machen wiederkehrende Fragen sichtbar.

In Projekten zeigt sich häufig: Rund 40 Prozent der Fragen wiederholen sich. Die fünf häufigsten Themen können bereits etwa 60 Prozent aller Gespräche ausmachen.

Für Unternehmen entsteht daraus eine klare Priorisierung. Tritt ein Thema häufig auf und ist gleichzeitig mit negativer Stimmung verbunden, besteht dort besonders großer Handlungsbedarf.

So wird der KI-Assistent Schritt für Schritt besser. Gleichzeitig entstehen wertvolle Erkenntnisse für Produktmanagement, Service, Vertrieb und Content. Aus einzelnen Kundenfragen wird Wissen, das im gesamten Unternehmen genutzt werden kann.

Gute Technik braucht klare Verantwortung

Ein produktiver KI-Assistent benötigt neben einem konkreten Ziel vor allem aktuelle Daten und eindeutige Zuständigkeiten.

Wer pflegt das Wissen? Wer bewertet neue Anfragen? Wer entscheidet, welche Themen zuerst verbessert werden? Und wer begleitet das System nach dem Go-live?

Produktive KI ist kein abgeschlossenes IT-Projekt. Sie entwickelt sich mit den Fragen der Nutzer, dem Sortiment und den Anforderungen des Unternehmens weiter. Dafür braucht es Menschen, die Verantwortung übernehmen – auf Anbieter- und Unternehmensseite.

Testing und Kompetenzen gehören dazu

Im zweiten Teil zeigte Florian Pohle von appmatics, wie KI bereits heute im Testing unterstützen kann. Sein zentraler Punkt: Teams müssen nicht sofort den gesamten Prozess automatisieren. Sinnvoller ist es, dort zu beginnen, wo echte Engpässe bestehen. Die Verantwortung für Qualität bleibt beim Menschen.

Prof. Dr. Mario Winter richtete den Blick anschließend auf die notwendigen Kompetenzen. Wer KI-basierte Systeme entwickelt und testet, braucht neben technischem Wissen vor allem Urteilsvermögen, Zusammenarbeit und ein klares Verständnis für die Grenzen der Technologie.

Ein Abend, der nach der letzten Folie weiterging

Am Ende von AI Uncovered Vol. 1 stand keine einzelne Erfolgsformel. Dafür entstand ein ziemlich klares Bild davon, was produktive KI braucht: einen konkreten Anwendungsfall, verlässliche Daten, klare Verantwortlichkeiten und den Mut, früh von echten Nutzern zu lernen.

Passend dazu war der Abend nach den drei Vorträgen noch lange nicht vorbei. Viele Gespräche drehten sich um eigene Projekte, offene Fragen und Erfahrungen aus dem Arbeitsalltag. Genau in diesem Austausch wurde sichtbar, wie unterschiedlich die Voraussetzungen sein können – und wie ähnlich viele der Herausforderungen trotzdem sind.

AI Uncovered brachte diese Perspektiven zusammen: von der Entwicklung über die Qualitätssicherung bis zu den Kompetenzen in den Teams. Eine überzeugende Demo kann schließlich vieles zeigen. Ob eine KI wirklich funktioniert, entscheidet sich aber erst dort, wo sie täglich genutzt wird.