"Die grösste Herausforderung sind Qualität und Verfügbarkeit der Daten"
Mit einer unternehmensspezifischen KI-Lösung können Unternehmen ihre Prozesse optimieren und ihre Effizienz steigern. Voraussetzung dafür sind jedoch zuverlässige Daten, klar definierte Prozesse und eine gut strukturierte Datenumgebung, erklärt Prof. Dr. Evangelos Xevelonakis, Geschäftsführer von Swiss Valuenet und Professor für Wirtschaft und Technologie an der Hochschule für Wirtschaft Zürich (HWZ).
Eine grosse Mehrheit der Schweizer Arbeitnehmenden (89 %) nutzt künstliche Intelligenz täglich. Das zeigt eine im Mai 2026 veröffentlichte Umfrage der Beratungsfirma EY. Gleichzeitig entwickeln immer mehr KMU eigene KI-Lösungen, um ihre Anwendungsfälle gezielt, effizient und schnell umzusetzen. Dadurch lassen sich Kosten senken und teure Auslagerungen vermeiden. Entscheidend für leistungsfähige und sichere unternehmensinterne KI-Modelle bleibt jedoch der Umgang mit den Daten, betont Evangelos Xevelonakis, Programmleiter des CAS-Studiengangs Agile Business Engineering an der Hochschule für Wirtschaft Zürich (HWZ).
Wie können KMU KI in ihre Prozesse integrieren und was dürfen sie davon erwarten?
Evangelos Xevelonakis: KMU beginnen in der Regel mit der Nutzung von bestehenden Basismodellen wie Gemini, Claude, DeepSeek oder Mistral AI. Damit lassen sich beispielsweise E-Mails und Berichte verfassen, Dokumente durchsuchen und zusammenfassen oder Marketinginhalte erstellen. Im nächsten Schritt können Unternehmen ihr eigenes Wissen mithilfe von Retrieval-Augmented Generation (RAG) in die Modelle einbinden und diese in bestehende Arbeitsprozesse integrieren. Mit einem Startbudget von rund 10'000 Franken kann ein KMU bereits eine nützliche KI-Lösung oder einen Prototyp für einen klar definierten Anwendungsfall entwickeln. Massgeschneiderte oder speziell angepasste KI-Modelle kommen dann in Betracht, wenn ein klarer Business Case vorliegt und die Grösse des Unternehmens die zusätzlichen Investitionen rechtfertigt.
Wie lassen sich leistungsfähige unternehmenseigene KI-Modelle entwickeln?
Xevelonakis: Die grösste Herausforderung sind Qualität und Verfügbarkeit der Daten. Bevor KMU eine eigene KI-Lösung entwickeln, sollten sie sicherstellen, dass die Daten, auf denen diese basiert, korrekt, konsistent und aktuell sind. Anschliessend gilt es, die oft über mehrere Systeme verteilte Informationen – etwa Excel-Tabellen, Buchhaltungssoftware, Marketing-Datenbanken und Kundenfeedback –, in einer strukturierten und leicht zugänglichen Datenumgebung zusammenführen, beispielsweise in einem Data Mart oder einer zentralisierten Datenbank, die speziell für Analysezwecke konzipiert ist. Open-Source-Lösungen dieser Art sind mittlerweile zu relativ geringen Kosten erhältlich.
Die Automatisierung von Prozessen weckt oft die Sorge, die Kontrolle über die Abläufe zu verlieren. Ist dieses Risiko berechtigt?
Xevelonakis: Ja. Ein schlecht konzipierter Prozess wird durch die Automatisierung nicht besser – Fehler werden lediglich schneller und in grösserem Umfang reproduziert. Vor der Einführung der Automatisierung sollten Unternehmen sicherstellen, dass ihre Prozesse klar definiert, stabil und gut kontrolliert sind. Dies beginnt damit, zu verstehen, wie ein Prozess tatsächlich abläuft, beispielsweise durch Prozessabbildung oder – sofern ausreichende Daten vorliegen – durch Process Mining. Auf diese Weise lassen sich Ineffizienzen, Risiken und potenzielle Fehler erkennen und beheben, bevor die Automatisierung eingeführt wird.
Sie leiten ein Weiterbildungsprogramm, das Wirtschaft, Daten und Technologie miteinander verbindet. Wie ist dieses aufgebaut?
Evangelos Xevelonakis: Das Certificate of Advanced Studies (CAS) in Applied Data Analytics vermittelt erfahrenen Fachpersonen aus den Bereichen Wirtschaft, Informatik, Marketing, Controlling und Operations ein fundiertes Verständnis dafür, wie Datenanalyse und KI zur Lösung realer geschäftlicher Herausforderungen eingesetzt werden können. Ein zentraler Bestandteil ist das Requirements Engineering: Die Teilnehmer lernen, wie sie geschäftliche Anforderungen identifizieren, diese in klare Anforderungen umsetzen und bewerten können, in welchen Bereichen Daten und KI einen messbaren Mehrwert schaffen können. Ausserdem lernen sie, wie man Daten aufbereitet und analysiert, KI-basierte Lösungen entwickelt und die Ergebnisse auswertet. Die Fallstudien decken ein breites Anwendungsspektrum ab, darunter das Bank- und Versicherungswesen, gezieltes Marketing, vorausschauende Instandhaltung und Process Mining. Mehrere im Rahmen des Programms entwickelte Projekte wurden anschliessend von den teilnehmenden Unternehmen umgesetzt.
Können Sie ein aktuelles Beispiel für eine solche Anwendung nennen?
Xevelonakis: Wir haben ein Analytikprojekt für ein Unternehmen durchgeführt, das grosse Mengen unstrukturierter Kundenrückmeldungen erhielt. Die Herausforderung bestand darin, aus umfangreichen Freitextdaten, die mit herkömmlichen Methoden nicht ohne Weiteres analysiert werden konnten, nützliche Erkenntnisse zu gewinnen. Dazu kombinierten wir traditionelle Verfahren des maschinellen Lernens mit der Verarbeitung natürlicher Sprache (Natural Language Processing, NLP), um die Daten zu strukturieren und zu analysieren. Anschliessend setzten wir generative KI ein, um die Ergebnisse zu interpretieren. Dadurch konnten die Unternehmensprozesse deutlich effizienter gestaltet werden.
Wir nutzen eine Reihe von Tools, darunter Python, Low-Code-Plattformen und generative KI-Modelle wie DeepSeek, Modelle von Mistral und ChatGPT, um Code zu überprüfen und potenzielle Fehler zu identifizieren. In dieser Phase verwenden wir bei externen KI-Diensten ausschliesslich nicht vertraulichen oder anonymisierten Code, wodurch Datenschutzrisiken minimiert werden.
Der Datenschutz bleibt eine zentrale Herausforderung beim Einsatz von KI. Wie lässt er sich gewährleisten?
Xevelonakis: Unternehmen müssen die Schweizer Vorschriften zur Transparenz und Vertraulichkeit von Daten einhalten. Sie können beispielsweise Cloud-Lösungen nutzen und vertraglich sicherstellen, dass relevante Daten ausschliesslich in der Schweiz gespeichert werden. Jede zusätzliche Garantie verursacht jedoch Kosten, da sie die verfügbaren Kapazitäten des Anbieters einschränkt.
Eine weitere Möglichkeit besteht darin, vortrainierte Modelle – etwa Mistral AI, Llama oder Apertus – lokal zu betreiben und und diese sicher mit den unternehmensinternen Daten zu kombinieren (z. B. über eine RAG-Architektur). Wie hoch die Anforderungen ausfallen, hängt vor allem von der Sensibilität der jeweiligen Branche ab. Eine Bank oder eine Versicherung hat naturgemäss strengerer Anforderungen an die Vertraulichkeit als ein ein kleiner lokaler Einzelhändler.
