ChatGPT im Unternehmen: Was funktioniert — und was nicht

ChatGPT hat vielen Unternehmen gezeigt, was mit Sprachmodellen möglich ist. Zwischen einem beeindruckenden Test im Browser und einem Einsatz, der im Arbeitsalltag verlässlich funktioniert, liegt aber ein weiter Weg. Dieser Artikel zeigt, welche Einsatzformen es gibt, wo ChatGPT und vergleichbare Modelle im Unternehmen gut funktionieren, woran Projekte typischerweise scheitern und wie du Schritt für Schritt vorgehst. Die Beispiele sind typische Szenarien aus der Praxis, keine Kundenzahlen.

Drei Wege, ChatGPT im Unternehmen zu nutzen

1. Öffentliche Oberfläche: Mitarbeitende nutzen ChatGPT im Browser, oft mit privatem Konto. Das ist schnell, aber schwer zu kontrollieren: Datenschutz, Verträge und Einstellungen liegen nicht in deiner Hand (siehe KI und Datenschutz).
2. Team- oder Unternehmenstarife: Der Anbieter stellt Konten mit Verwaltung, Vertragsgrundlage und weiteren Einstellungen bereit. Das passt für den allgemeinen Einsatz zur Unterstützung beim Schreiben, Recherchieren und Strukturieren.
3. Eigene Integration über die API: Das Sprachmodell wird in deine Abläufe eingebaut, mit eigenen Anweisungen, Zugriff auf deine Daten und festgelegten Freigaben. Hier entsteht der größte Nutzen für wiederkehrende Prozesse, und hier brauchst du am meisten Sorgfalt.

Bei einer Integration bleibst du nicht an einen Anbieter gebunden: Welches Modell am besten passt, hängt von Aufgabe, Qualität, Kosten und Datenschutz ab. Einen Überblick findest du unter KI-Technologien & Tools.

Wo es gut funktioniert

Besonders bewährt haben sich Aufgaben mit viel Text, wiederkehrenden Mustern und klarer Prüfung:

• Antwortentwürfe auf Anfragen: Das Modell liest eine E-Mail, sucht die passenden Informationen und schlägt eine Antwort vor, die ein Mensch prüft und freigibt. Ein Beispiel aus unserer Arbeit ist die Beantwortung von Retouren- und Produktfragen.
• Interne Wissens-Assistenten: Mitarbeitende fragen in normaler Sprache nach Richtlinien, Prozessen oder Vorlagen und bekommen eine Antwort mit Verweis auf die Quelle, gestützt auf RAG.
• Dokumente auswerten: Zusammenfassen, Daten aus Rechnungen oder Verträgen auslesen, Texte vergleichen.
• Entwürfe und Übersetzungen: Erste Fassungen für Texte, Angebote oder Berichte, die ein Mensch überarbeitet.

Gemeinsam ist diesen Fällen: Es gibt einen klar umrissenen Auftrag, eine überprüfbare Qualität und einen Menschen, der entscheidet.

Woran Projekte typischerweise scheitern

• Der Anwendungsfall ist zu vage. Eine „KI für alles Mögliche“ — Content, Kundenbetreuung, interne Koordination — endet in einem Prototyp, der vieles halbwegs und nichts wirklich gut kann. Der Ausweg: mit einem einzigen, klar umrissenen Anwendungsfall beginnen.
• Ungeprüfte Ausgaben. Sprachmodelle können überzeugend falsche Angaben machen (Halluzination). Ohne Prüfung gelangen Fehler direkt zu Kundinnen und Kunden.
• Schlechte Datenbasis. Ein Wissens-Assistent ist nur so gut wie seine Quellen. Veraltete, widersprüchliche oder unvollständige Dokumente führen zu entsprechenden Antworten.
• Datenschutz zu spät bedacht. Wer erst nach dem Prototyp klärt, welche Daten fließen dürfen, baut oft neu.
• Keine Erfolgsmessung. Ohne vorher festgelegte Kennzahlen (Bearbeitungszeit, Fehlerquote, Zufriedenheit) bleibt offen, ob die Lösung etwas bringt.
• Fehlende Akzeptanz. Wenn das Team nicht versteht, was die KI kann und was nicht, wird sie umgangen oder blind übernommen.

So gehst du Schritt für Schritt vor

1. Anwendungsfall wählen: Welche wiederkehrende Aufgabe kostet heute viel Zeit? Wie sieht ein gutes Ergebnis aus, und wer prüft es?
2. Daten und Quellen klären: Welche Informationen braucht die KI? Wo liegen sie, wie aktuell sind sie, wer darf sie sehen? Kläre früh Datenschutz und Zugriffsrechte.
3. Prototyp mit echten Fällen testen: Nimm 20 bis 50 reale, möglichst unterschiedliche Fälle statt ausgesuchter Vorzeigebeispiele. Halte fest, wo das Modell scheitert.
4. Freigabe einbauen: Lege fest, was automatisch laufen darf und was ein Mensch freigibt (Human-in-the-Loop).
5. Messen und verbessern: Vergleiche Zeit, Qualität und Kosten mit dem Zustand vorher. Verbessere Anweisungen, Quellen und Abläufe schrittweise, das gehört zum Prozess und ist keine Zusatzleistung.

Die Kosten im Blick behalten

Bei der Nutzung über eine API zahlst du meist nach Verbrauch, gemessen in Tokens, getrennt für Eingabe und Ausgabe. Lange Dokumente, große Kontexte und viele Anfragen treiben die Kosten. Ein gutes Projekt rechnet vorab überschlägig durch, was ein Vorgang kostet, und prüft, ob ein kleineres, günstigeres Modell für die Aufgabe genügt.

Kurz beantwortet

Reicht die normale ChatGPT-Oberfläche für den Unternehmenseinsatz? Für individuelles Arbeiten oft ja, mit Regeln zum Datenschutz. Für wiederkehrende Prozesse mit eigenen Daten lohnt sich eine Integration.

Ist ChatGPT das beste Modell dafür? Nicht pauschal. Je nach Aufgabe passen andere Modelle besser. Wichtig ist, dass du wechseln kannst.

Wie lange dauert ein erster Prototyp? Das hängt von Aufgabe und Datenlage ab. Ein erster Prototyp ist bei klarem Anwendungsfall oft in wenigen Tagen möglich, der Weg zur verlässlichen Lösung ist länger.

Ersetzt das Mitarbeitende? In der Regel übernimmt die KI Routinearbeit und liefert Entwürfe. Entscheidungen und Verantwortung bleiben beim Menschen.

Fazit

ChatGPT im Unternehmenseinsatz ist kein Plug-and-Play-Produkt, sondern ein Handwerk: ein klarer Anwendungsfall, saubere Daten, eine menschliche Prüfung, ehrliche Messung und der Wille, nachzubessern. Wer so vorgeht, bekommt von Sprachmodellen echten Nutzen im Arbeitsalltag. Wenn du einen konkreten Anwendungsfall prüfen möchtest, lies mehr zu unserer KI-Integration oder sprich uns an.