Kleine Unternehmen verfügen häufig über begrenzte personelle Ressourcen. Künstliche Intelligenz kann hier als zusätzliche verarbeitende Schicht eingesetzt werden, um repetitive und administrative Aufgaben zu übernehmen.

Der zentrale Architekturansatz besteht darin, klar zu definieren, an welchen Schnittstellen KI „gut genug“ performt und wo menschliche Expertise für die strukturelle Integrität des Geschäfts unverzichtbar bleibt. Besonders bei Planung, Dokumentation und Standardkommunikation kann KI Entlastung schaffen.

Fallstudie: Sam Finnegan-Dehn und Notion AI

Sam Finnegan-Dehn, ein in London tätiger Nachhilfelehrer für Mathematik und Philosophie, stand vor der Herausforderung, neben der eigentlichen Lehrtätigkeit umfangreiche administrative Prozesse zu bewältigen. Dazu gehörten Unterrichtsplanung, Materialrecherche, Aufgabenerstellung, Rechnungsstellung und Dokumentation.

Er integrierte Notion AI in seine bestehende Notion-Umgebung. Das System übernimmt dort folgende Funktionen:

• Organisation von Klientenfortschritten und Lernmaterialien als digitales Gedächtnis
• Erstellung von Besprechungszusammenfassungen (nach Einholung der Zustimmung der Klienten)
• Generierung von Aktionsplänen zur Erreichung langfristiger Geschäftsziele
• Unterstützung bei der Erstellung von Unterrichtsnotizen, Rechnungen und Social-Media-Beiträgen

Finnegan-Dehn bevorzugt Notion AI gegenüber isolierten Modellen wie Claude oder ChatGPT, da die nahtlose Integration in seine bestehenden digitalen Notizbücher eine höhere Kohärenz des Gesamtsystems ermöglicht.

Technische Grundlage von Notion AI

Notion AI bietet Schreibassistenz, automatische Zusammenfassungen, Datenbank-Autofill, Meeting-Notizen-Automatisierung sowie Chat- und Agentenfunktionen. Neuere Versionen umfassen „Ask Notion“ und KI-Agenten, die mehrstufige Arbeitsabläufe ausführen können. Über AI-Konnektoren lassen sich Daten aus Drittsystemen wie Slack, Jira oder Google Drive einbinden.

Der vollständige Zugriff auf erweiterte Funktionen wie autonome Agenten erfordert den Business-Plan von Notion.

Systemische Überlegungen für den Einsatz

Ökosystemwahl: Da Large Language Models von den eingegebenen Daten abhängen, sollte das primäre KI-Ökosystem sorgfältig gewählt werden. Ein späterer Wechsel ist mit hohem Migrationsaufwand verbunden.

Mensch-KI-Grenzziehung: KI neigt zu Halluzinationen. Bei allen Aufgaben, die hohe Genauigkeit oder rechtliche Relevanz besitzen, muss der Mensch die finale Kontrollschicht bleiben.

Nicht jede Schnittstelle braucht KI: Für kritische Kernprozesse wie Zahlungsabwicklung sind etablierte Standardlösungen (beispielsweise Shopify oder Square) in der Regel resilienter als selbst entwickelte KI-Ansätze.

Datenschutzarchitektur: Für sensible Unternehmens- oder Kundendaten sollten lokale Open-Source-Modelle in Betracht gezogen werden. Tools wie Ollama, LM Studio oder Gpt4All ermöglichen das Ausführen von Modellen direkt auf Laptops oder Desktops, wodurch Daten nicht die lokale Systemgrenze verlassen.

Quelle: MIT Tech AI

FAQ

Welche Aufgaben eignen sich besonders für KI in kleinen Unternehmen?
Repetitive administrative Tätigkeiten wie Zusammenfassungen, Dokumentenorganisation, einfache Inhaltsgenerierung und Aktionsplanung.

Warum ist die Wahl des KI-Ökosystems strategisch wichtig?
Weil Large Language Models auf den eingegebenen Daten trainiert werden und ein späterer Wechsel der Plattform mit erheblichem Aufwand verbunden ist.

Wann sollten lokale Modelle statt Cloud-Lösungen genutzt werden?
Bei sensiblen oder proprietären Daten, bei denen eine Übertragung in externe Cloud-Systeme Datenschutz- oder Wettbewerbsrisiken birgt.