AI-Ready: Was Unternehmen jetzt wirklich brauchen

Künstliche Intelligenz entwickelt sich rasant weiter. Neue Modelle, neue Tools, neue Möglichkeiten, während viele Unternehmen noch am Anfang stehen, diese Technologie sinnvoll und skaliert im Marketing, Service und CRM einzusetzen. Über Strategien, Daten, Ethik und Agentic AI in der Kundenbeziehung spricht Christoph Bräunlich, Head of AI bei BSI Software, der die strategische und technische Weiterentwicklung von KI in der BSI Customer Suite verantwortet.

Christoph, stell dich bitte zum Einstieg kurz vor. Wer bist du, was machst du bei BSI?

Christoph Bräunlich: Ich bin bei BSI Software für das Thema KI verantwortlich. Das umfasst zum einen die Integration von KI in unsere Customer Suite mit all den Funktionalitäten, die zunehmend wichtiger und gefragter werden, und zum anderen die konkrete Umsetzung in Kundenprojekten. Vereinfacht gesagt: Ich kreiere die Konzepte, und bin anschließend auch dafür zuständig, dass sie in der Praxis funktionieren.

Viele Anbieter entwickeln eigene KI-Lösungen und Tools. Wie positioniert ihr euch als BSI in diesem Umfeld und was macht eure Lösung aus deiner Sicht einzigartig?

Wir sind diejenigen, die direkt im Kundenkontakt sind, also in den Systemen, die mit Kundinnen und Kunden interagieren, sie verwalten und die relevanten Abläufe im CRM, Marketing und Service steuern. Gleichzeitig arbeiten wir sehr gern mit anderen Systemen zusammen, etwa HR-Systemen mit KI oder Kernbanken- und Kernversicherungssystemen. Besonders macht uns unser Branchenfokus auf Banking, Insurance, Energy & Utilities und Retail, den wir konsequent leben, inklusive der Einhaltung aller relevanten europäischen Regulierungen und der Möglichkeit, Lösungen lokal in Europa digital souverän und zugleich technologisch «cutting edge» zu betreiben.

Ihr verfolgt eine modellagnostische Strategie und arbeitet viel mit offenen Modellen. Warum habt ihr euch gegen einen rein proprietären Ansatz entschieden?

Zentral ist für uns die digitale Souveränität. Proprietäre Modelle schneiden in Benchmarks oft besser ab, aber für unsere praxisnahen Anwendungsfälle, die aus vielen Bausteinen zusammengesetzt sind, reichen offene Modelle sehr gut aus. Wenn wir ein Open-Source-Modell nutzen, müssen wir keine externe API aufrufen, schicken also keine Daten «über den Teich» in die USA, sondern können das Modell direkt als Teil der Customer Suite hosten. Selbst wenn wir ein offenes Modell in einer Cloud betreiben, bleiben wir flexibel: Möchte ein Kunde die Cloud wechseln, kann er das Modell und die Konfiguration mitnehmen. Genau das ist mit proprietären Modellen deutlich eingeschränkter.

Kannst du ein konkretes Beispiel nennen, das den Nutzen für Endkundinnen und Endkunden greifbar macht?

Für Endkunden geht es vor allem um Verfügbarkeit und eine dynamische, persönliche Interaktion. Früher hatten «Robocalls» und ähnliche Angebote einen schlechten Ruf und lieferten selten eine gute Experience. Mit der aktuellen Technologie können wir heute hochpersonalisierte, dialogorientierte Interaktionen gestalten und komplexe Kundenprozesse vollautomatisiert abbilden, wie etwa die Schadenmeldung bei einer Versicherung mitten in der Nacht, die sofort systemseitig abgearbeitet wird. Unsere Unternehmenskunden können zudem entscheiden, wo sie bewusst einen Menschen einbinden wollen – aus Compliance-, ethischen oder Customer-Experience-Gründen – und wo sie konsequent auf Automatisierung setzen.

Wie stellt ihr sicher, dass diese Modelle auch in gewachsenen, komplexen IT- und CRM-Landschaften funktionieren?

Entscheidend ist, die Abhängigkeiten zu verstehen: Welche Daten braucht der AI-Agent, welche Berechtigungen, welche Prozesse sind relevant und wie müssen diese regulatorisch abgebildet werden? BSI Software ist historisch genau in diesem Umfeld gewachsen. Zunächst mit kaum automatisierten Prozessen, die dann Schritt für Schritt automatisiert wurden. Heute können wir darauf aufbauen: Wir haben die Kundendaten, definieren die Berechtigungen so, dass ein AI-Agent nicht mehr sieht als ein Kundenberater, und nutzen die erprobten Prozesse, um sie auf ein neues Automatisierungsniveau zu heben. Die AI-Agents arbeiten dabei mit vorhandenen «Tools» und Funktionen, die in der Suite bereits realisiert sind. Das macht Implementierung und Time-to-Value deutlich schneller.

Daten gelten als kritischer Erfolgsfaktor. Wie macht ihr Unternehmen «AI-ready»?

Vor jedem KI-Einsatz führen wir ein Vorprojekt durch, das wir «AI-Ready» nennen. Einer der fünf Kernbausteine ist dabei das Thema Daten: Wir definieren zunächst gemeinsam den Scope und das Zielbild und schauen dann sehr genau, welche Daten in welcher Qualität vorliegen. Viele Informationen liegen strukturiert im CRM vor, andere – etwa Dokumentationen – sind unvollständig, enthalten leere Seiten, nur Überschriften oder Links. Solche Daten müssen manuell und in enger Zusammenarbeit mit dem Kunden aufbereitet werden, und das ist je nach Unternehmen sehr unterschiedlich.

Erlebst du, dass Unternehmen bereits eine klare AI- oder Datenstrategie haben, oder seid ihr oft der Sparringspartner, um diesen Weg erst zu entwickeln?

Das Bild ist extrem heterogen. Es gibt Unternehmen, die sehr weit sind, die ihre Datenlandschaft bewusst aufgebaut und eine durchdachte KI-Strategie formuliert haben. Dort liegt die Herausforderung eher darin, die vielen Puzzleteile zusammenzubringen. Und es gibt Kunden, die mit uns erst erarbeiten, wie sie sich strukturiert in Richtung AI-Readiness entwickeln. Beide Situationen sind spannend, aber sie erfordern jeweils eine andere Herangehensweise.

Neben Daten und IT-Landschaft: Wo siehst du weitere zentrale Herausforderungen in KI-Projekten?

Eine der größten Herausforderungen ist die Unternehmenskultur. In jedem Projekt gibt es Skeptiker sowie Enthusiasten, die KI mit viel Energie vorantreiben wollen. Die Kunst besteht darin, ein realistisches Bild zu entwickeln, Erwartungen zu synchronisieren und alle Beteiligten mitzunehmen. Aus meiner Sicht sind die kulturellen Themen häufig anspruchsvoller als die rein technischen Fragestellungen.

Wie wird sich das Zusammenspiel von Mensch und Maschine in Marketing, Service und CRM verändern?

Ideal wäre, wenn Kundenberaterinnen und -berater mehr Zeit für ihre Kundinnen und Kunden haben und sich auf die menschlichen Stärken konzentrieren können, wie Empathie, emotionale Intelligenz, situatives Verständnis. Wenn man Projekte jedoch ausschließlich auf harte KPIs optimiert, besteht die Gefahr, in eine andere Richtung zu steuern und den Menschen zu stark aus dem System zu drängen. Deshalb ist es wichtig, von Beginn an – etwa gemeinsam mit Betriebsräten – zu diskutieren, wie KI für Menschen arbeiten soll und nicht umgekehrt.

Du hast vorhin «AI-Ready» erwähnt. Welche fünf Punkte betrachtet ihr in diesem Vorprojekt?

Erstens definieren wir ein klares, messbares Ziel: Warum machen wir dieses Projekt, welche KPI soll sich verändern, und wie begründen wir diese Auswahl? Zweitens analysieren wir die Prozesse: wie laufen sie heute, was soll sich ändern, wo liegen Automatisierungspotenziale? Drittens betrachten wir die Daten, viertens die Rolle des Menschen und die ethischen Aspekte. Hier arbeiten wir mit Stakeholdern, Nutzenden und, wenn möglich Endkundinnen, unterstützt durch ein Data-Fairness-Label mit konkreten Leitfragen. Fünftens klären wir rechtliche und regulatorische Themen, um zu vermeiden, dass Projekte später an AGBs, Compliance oder Governance-Fragen scheitern.

Welche KPIs sind deiner Erfahrung nach sinnvoll, um KI-Projekte zu steuern und zu bewerten?

Sinnvoll ist ein KPI dann, wenn sich nach einem intensiven Scope-Workshop alle Beteiligten – Auftraggeber, Fachbereiche, IT – dazu committen können und klar ist, warum man genau diesen Wert verändern will. Klassische KPIs sind etwa der Anteil vollautomatisierter Servicefälle, die Conversion Rate in Marketing-Kampagnen oder die Kundenzufriedenheit, gemessen etwa über den NPS. Gleichzeitig müssen KPIs intelligent und nuanciert gewählt werden – es bringt wenig, isoliert eine Quote oder Erkennungsrate zu definieren, ohne die Effekte auf Experience und Prozesse mitzudenken.

Ihr zeigt in Use Cases Kennzahlen wie höhere Verarbeitungsgeschwindigkeit oder bessere Erkennungsraten. Was sind Beispiele aus Marketing und Service, die du besonders spannend findest?

Ein schönes Beispiel aus dem Marketing ist ein Projekt mit der Basellandschaftlichen Kantonalbank, bei dem wir klassisches A/B-Testing durch Reinforcement Learning ersetzt haben. Der Marketing-Agent trainiert sich selbst weiter, was zu einer deutlich höheren Conversion Rate geführt hat. Im Service-Bereich schauen wir neben Bearbeitungszeiten gern auf Kundenzufriedenheit und darauf, wie sich die Arbeitszeit der Mitarbeitenden verteilt, also wie viel Zeit in Routineaufgaben versus in den direkten Austausch mit Endkundinnen und Endkunden fließt. Perspektivisch wird sich das Verhältnis von heute vielleicht 80 Prozent Mensch und 20 Prozent KI in Richtung 20/80 verschieben, wobei KI den Großteil der Routine übernimmt und Menschen sich stärker auf anspruchsvolle Interaktionen konzentrieren.

Ihr visualisiert KPIs und Automatisierungsgrade direkt im Agenten-Dashboard. Welchen Effekt erwartest du davon?

Bei jedem Agenten werden zentrale Kennzahlen, einschließlich des Automatisierungsgrads, sichtbar, und zwar über die Zeit. Dadurch sollen KPIs im Alltag präsent bleiben und nicht nach Projektstart «aus dem Blick» geraten. Wir erwarten, dass diese Transparenz hilft, Projekte konsequenter an den ursprünglich definierten Zielen auszurichten; wie genau das auf Mitarbeitende wirkt, werden die nächsten Monate zeigen.

Was ist für dich eine der spannendsten Neuerungen durch AI-Agents?

Fachlichkeit lässt sich einmal definieren und dann kanalunabhängig nutzen. Ein AI-Agent kann mit derselben Konfiguration einen Telefonanruf bearbeiten, eine E-Mail beantworten oder eine WhatsApp-Nachricht verarbeiten, ohne dass für jeden Kanal separat modelliert werden muss. Das war in dieser Konsequenz bisher nicht möglich und eröffnet Unternehmen erhebliche Effizienz- und Konsistenzgewinne.

Wo siehst du technische und ethische Grenzen von Agentic AI?

Technisch werden Large Language Models oft überschätzt. Sie erzeugen im Kern nur Token für Token und sind weit entfernt von einer echten allgemeinen Intelligenz. Die wahre Stärke entsteht erst, wenn man komplexe Probleme in viele gut definierte Teilaufgaben zerlegt und diese geschickt miteinander kombiniert; dafür wird es mittelfristig auch Nachfolge-Technologien jenseits der heutigen LLMs brauchen. Ethisch gibt es keine universelle Standardlösung. Ein «Filter drüber und alles ist gut» funktioniert nicht. Man muss die Stakeholder identifizieren, Auswirkungen betrachten und Anwendungen chancenorientiert gestalten, also fragen, wie sich Produkte und Erlebnisse verbessern lassen, statt nur Risiken zu vermeiden.

Wie setzt ihr Ethik ganz konkret in Projekten um?

Ein Beispiel ist ein Walbusch-Case zur automatisierten Bearbeitung von E-Mails zur Werbereduktion. Wir haben Werte wie Selbstbestimmung und Transparenz definiert und praktisch umgesetzt, indem das automatisch generierte E-Mail klar ausgewiesen wurde und Kundinnen über einen Link jederzeit korrigierend eingreifen konnten. So entsteht ein Zusammenspiel aus Transparenz, Kontrollmöglichkeit und kontinuierlichem Lernen, weil durch Rückmeldungen neue Trainingsdaten entstehen.

Welche Verantwortung siehst du bei Unternehmen, Vendoren und Regulierung – gerade mit Blick auf EU-Gesetzgebung und Data Privacy?

Die EU setzt mit Datenschutz und KI-Regulierung wichtige Leitplanken, die ich grundsätzlich sehr begrüße. Als europäischer Bürger möchte ich wissen, was mit meinen Daten passiert, und die Kontrolle behalten. Problematisch ist weniger das Fehlen von Gesetzen als deren unvollständige Umsetzung in der Praxis, insbesondere wenn Daten in die USA transferiert werden und etwa der Cloud Act Zugriff ermöglicht. Aus Anbietersicht heißt Verantwortung, Versprechen wie Datensouveränität ernst zu nehmen und beispielsweise mithilfe offener Modelle sicherzustellen, dass personenbezogene Daten in Europa bleiben.

Wie wird sich die Customer Experience aus Sicht der Endkunden verändern?

Kundinnen und Kunden werden stärker rund um die Uhr bedient – über Portale, Anrufe oder E-Mails – und sind zunehmend bereit, kleine Ungenauigkeiten zu akzeptieren, wenn sie dafür schnell eine Lösung erhalten. Unternehmen können Mitarbeitende gezielt dort einsetzen, wo persönlicher Kontakt gewünscht ist, während standardisierbare Anliegen automatisiert bearbeitet werden. Perspektivisch kann KI Unternehmen ermöglichen, wie ein «Tante-Emma-Laden» im Großformat zu agieren: Kunden wirklich zu kennen, Bedürfnisse zu antizipieren und personalisiert zu reagieren.

Worauf freust du dich persönlich in der weiteren Entwicklung von KI und Agents?

Kurzfristig darauf, das Potenzial von Agentic AI in der Breite zu nutzen, mit reifen Dashboards, Metriken und neuen Kollaborationsformen zwischen Agents. Mittelfristig wird es spannend, wenn KI-Agents verschiedener Systeme – etwa Customer Agents von BSI Software und Agents in Kernbankensystemen – über natürliche Sprache miteinander kommunizieren und so eine dynamische, hochintegrierte IT-Landschaft bilden. Langfristig rechne ich mit Nachfolge-Technologien zu LLMs, die neue Möglichkeiten eröffnen, und bereite unsere Architektur heute so vor, dass wir diese Entwicklungen schnell und verantwortungsvoll aufnehmen können.

Dieses Interview basiert auf dem Podcast Meikes Raumzeit – Episode 63 «AI-Ready: Was Unternehmen jetzt wirklich brauchen«