Lösung · AI Operations

Dein Team für den KI-Betrieb auszubilden ist kein ChatGPT-Kurs. Es heißt, ihm eine Funktion zu bauen.

Bei KI in Produktion gibt es drei Wege: das Team einstellen, den Betrieb abgeben, oder die Leute betreiben lassen, die du schon hast. Der dritte startet am schnellsten und wird am schlechtesten umgesetzt, weil man ihn mit einem Tagesworkshop verwechselt. Wir entwerfen die Funktion, bilden deine Leute an euren echten Systemen aus und bleiben, bis sie sie allein tragen.

Bau es in meinem Betrieb Sehen, wie es läuft

Das Problem

Die KI ist längst in Produktion. Sie zu betreiben ist niemandes konkreter Job.

Die KI in Produktion tragen zwei Menschen, die diese Arbeit nie übernommen haben: Sie machen sie zusätzlich zur eigenen — ohne Schicht, ohne geschriebene Kriterien und ohne dass es in ihrer Beurteilung auftaucht.
Sieht eine Ausgabe seltsam aus, entscheidet jeder für sich, ob er korrigiert, ignoriert oder eskaliert. Ohne gemeinsames Kriterium wird derselbe Fall auf drei Arten gelöst, je nachdem wer da ist.
Ausnahmen — das, was das System nicht lösen kann — stapeln sich in einem Chat-Kanal statt in einer Warteschlange mit Verantwortlichem und Reaktionszeit, und werden nach Lautstärke abgearbeitet.
Vor Monaten gab es eine KI-Schulung. Deine Leute können Prompts schreiben und wissen weiterhin nicht, was zu tun ist, wenn das System an einem Dienstagmorgen abdriftet.
Niemand schaut auf den Verbrauch, bis die Rechnung kommt — und dann ist das Gespräch ein buchhalterisches statt ein operatives.
Jedes Mal, wenn der Anbieter das Modell bewegt, gibt es eine seltsame Woche: Die Qualität verändert sich, niemand weiß, ob es Modell, Prompt oder Daten sind, und entschieden wird nach Gefühl.

Was es kostet, alles zu lassen

Du hast das System bezahlt, nicht den Betrieb. Solange die KI richtig liegt, ist diese Lücke unsichtbar; an dem Tag, an dem sie abdriftet, findet sie ein Kunde und du zahlst sie voll. Und es gibt einen zweiten, langsameren und teureren Kostenblock: Weil der Betrieb niemandes Job ist, ist die Verbesserung es auch nicht — das System bleibt also exakt dort, wo du es am Go-live-Tag gelassen hast, während der Markt weiterläuft. Die beiden anderen Ausgänge sind ebenfalls nicht gratis: Eine Stelle auszuschreiben bedeutet ein Auswahlverfahren für einen stark aufgeblasenen Titel, und die ganze Funktion nach außen zu geben lässt das operative Urteil deines Geschäfts in fremdem Haus.

Die Lösung

Wir entwerfen die Funktion, bilden deine Leute für den Betrieb aus und lösen uns schrittweise

1Wir beginnen mit der Karte, nicht mit dem Schulungsraum: Welche KI-Systeme laufen, welche Entscheidungen sie treffen, was passiert, wenn sie ausfallen, und wer diese Lücke heute stopft, ohne dass es irgendwo steht.
2Wir definieren die Funktion und verteilen sie: Wer prüft Ausgaben und mit welcher Stichprobe, wer arbeitet die Ausnahme-Warteschlange ab, wer eskaliert an wen, wer pflegt die Qualitäts-Checklisten und wer prüft den Verbrauch. Mit Namen, Schichten und Reaktionszeiten — nicht mit einem theoretischen Organigramm.
3Wir bilden an eurem System aus, mit euren Fällen und euren echten Fehlern. Keine Lehrbuchübungen: Deine Leute üben an den Ausgaben, die eure KI letzte Woche produziert hat — auch an den misslungenen — und lernen, einen Modellfehler von einem Datenfehler zu unterscheiden.
4Wir schreiben das Kriterium auf: Was wird korrigiert, was akzeptiert, was eskaliert und was stoppt alles. Dieses Dokument macht aus dem Urteil einer Person den Standard eines Teams — und sorgt dafür, dass ein Wechsel das Gelernte nicht auf null setzt.
5Wir ergänzen die zwei Teile, die Betreiben von Zuschauen trennen: Prompts versionieren — damit eine Änderung vor dem Ausrollen getestet und rückgängig gemacht werden kann — und Kosten im Betrieb lesen, damit das Team seltsame Ausgaben vor der Finanzabteilung bemerkt.
6Wir begleiten in Produktion und lösen uns schrittweise: erst betreiben wir, sie schauen zu; dann betreiben sie, wir schauen zu; dann allein — mit den Kennzahlen der Funktion auf dem eigenen Board und einem festen Review mit uns.

Was sich ändert

Was du nicht mehr verlierst

Der KI-Betrieb ist kein Gefallen mehr, sondern eine Arbeit mit Verantwortlichem, Schicht und geschriebenem Kriterium — bei Leuten, die eure Abläufe, eure Kunden und eure Ausnahmen längst kennen.
Mechanismus
Das Kriterium lebt nicht mehr in zwei Köpfen: Es steht geschrieben, wird an echten Fällen trainiert und übersteht Urlaub, Krankheit und Wechsel.
Mechanismus
Das System wird wieder besser: Sobald jemand das Mandat hat, es anzufassen, und einen sicheren Weg, eine Änderung zu testen und zurückzunehmen, friert die KI nicht mehr im Zustand des Go-live ein.
Mechanismus
Was wir messen: % der Ausgaben, die gemäß vereinbarter Stichprobe geprüft werden, Reaktionszeit der Ausnahme-Warteschlange, % der Blocker, die den richtigen Eskalationsweg nehmen, termingerecht ausgeführte Qualitäts-Checklisten, und Verbrauchsabweichungen, die das Team vor der Finanzabteilung entdeckt.
Was wir messen

Datenblatt

Wegfallende Arbeit: dass der KI-Betrieb ein unsichtbarer Gefallen von zwei Menschen ist: ohne Schicht, ohne geschriebenes Kriterium, ohne Ausnahme-Warteschlange und ohne dass jemand auf Qualität und Kosten schaut
Übliche Einrichtung: 6–10 Wochen
Eingang: eure KI-Systeme, die bereits in Produktion laufen, das Team, das ihr heute habt, und alles, was von Hand passiert, wenn etwas abdriftet
Ausgang: eine Betriebsfunktion, verteilt auf eure Leute — Prüfung, Ausnahmen, Eskalation, Qualitäts-Checklisten, Prompt-Versionierung und Kostenlesen —, mit geschriebenem Kriterium, eigenen Kennzahlen und der Fähigkeit, sie ohne uns zu tragen
Kompatibel mit: OpenAIAnthropicAzure OpenAIGoogle Vertex AILangSmithLangfuseJiraLinearServiceNowNotionMicrosoft 365Google Workspace
Kann sich verbinden mit: Tu cola de incidencias y tu proceso de guardia actualesTus registros de producción, de donde salen los casos reales de formaciónTu gestión de prompts y tu panel de consumoTu marco de gobierno de IA y tu inventario de sistemas
Was wir messen: % der Ausgaben, die gemäß vereinbarter Stichprobe geprüft werdenReaktionszeit der Ausnahme-Warteschlange% der Blocker, die den richtigen Eskalationsweg nehmentermingerecht ausgeführte Qualitäts-ChecklistenVerbrauchsabweichungen, die das Team vor der Finanzabteilung entdeckt
Geeignet für: Unternehmen mit KI bereits in Produktion und einem eigenen Team, das die Abläufe kennt — CIO, COO oder KI-Verantwortliche —, die die Fähigkeit lieber intern aufbauen, als eine Stelle auszuschreiben oder das operative Urteil an Dritte zu geben
Nicht geeignet für: wer noch nichts in Produktion hat — da gibt es keine Funktion zu betreiben, da muss erst gebaut werden — und wer eine allgemeine KI-Schulung für die ganze Belegschaft sucht: das ist Adoption und ein anderer Service

Häufig gestellte Fragen

Das sind die drei Ecken desselben Dreiecks, und die Wahl ist nicht ideologisch, sondern eine Frage von Zeit, Kosten und Kontrolle. Das Team aufbauen heißt, die fehlenden Rollen einzustellen und ihnen ein Mandat zu geben: der Weg, wenn KI Kern deines Geschäfts wird und du ein Auswahlverfahren abwarten kannst. Auslagern heißt, dass ein anderer die Funktion auf eurem Stack betreibt: der Weg, wenn es jetzt laufen muss und du lieber fertige Kapazität bezahlst. Ausbilden ist der dritte: Die Leute, die eure Abläufe, Kunden und Ausnahmen schon kennen, lernen, das System zu betreiben — und das Urteil bleibt im Haus. Am billigsten im Geld, am teuersten in Führungsaufmerksamkeit, weil jemand drinnen wirklich die Arbeit wechseln muss und nicht bloß einen Workshop besucht. Viele landen bei einer Mischung: Wir bilden das Team aus und betreiben mit ihm, während die Fähigkeit reift.

Nein, und der Unterschied zeigt sich am ersten Tag. Ein Kurs lehrt, das Werkzeug zu benutzen: bessere Prompts schreiben, die Funktionen kennen, mehr aus dem Chat holen. Hier lernt man, ein System zu tragen, das bereits Entscheidungen trifft, an deren Ende Kunden stehen: wie Ausgaben gestichprobt werden, was mit einer zu tun ist, die komisch riecht, wann alles gestoppt wird, wie eine Ausnahme-Warteschlange mit Reaktionszeit abgearbeitet wird, wie eine Änderung vor dem Ausrollen getestet wird, wie Verbrauch gelesen wird. Und es endet nicht mit einem Zertifikat, sondern mit einer verteilten Funktion, geschriebenen Kriterien und Kennzahlen, die dein Team täglich anschaut. Wenn du das Erste brauchst: das ist Adoption und ein anderer Service — den machen wir auch, wir nennen ihn nur nicht gleich.

Der größte Teil der Funktion ist keine Technik, sondern operatives Urteil. In eurem Geschäft eine gute von einer schlechten Ausgabe unterscheiden. Wissen, welcher Fall einen Stopp wert ist und welcher korrigiert wird und weiterläuft. Erkennen, welche Ausnahme ein Einzelfall ist und welche ein Muster, das man weiter oben reparieren muss. Das kann jemand, der eure Prozesse seit Jahren sieht, besser als jemand mit einem modischen Titel. Die beiden technischen Teile — Prompts versionieren und Kosten lesen — werden konkret an euren Werkzeugen vermittelt und verlangen keinen Code. Wo wirklich ein technisches Profil nötig ist, sagen wir es und schreiben es in die Verteilung, statt so zu tun, als könne das jeder abdecken.

Deshalb ist das Ergebnis nicht die ausgebildete Person, sondern die geschriebene Funktion. Kriterium, Verteilung, Reaktionszeiten, Checklisten und Kennzahlen sind dokumentiert und lebendig — eine Nachbesetzung kommt zum Lesen und Üben, nicht zum Wiederaufbauen. Wir verteilen außerdem immer auf mehr als eine Person und legen für jedes Stück eine Vertretung fest: Eine Funktion, die an einem Namen hängt, ist keine Funktion, sondern eine Abhängigkeit. Und wenn die Lücke groß ist, decken wir sie ab, bis die Nachbesetzung eingearbeitet ist — ohne dass der Betrieb stehenbleibt.

Bauen wir es in deinem Betrieb?

Du hast das Problem benannt. Wir liefern die Lösung und lassen sie gemessen laufen.

Zum Service