Ein paar Prompts, ein bisschen Code und schon steht der erste Prototyp. Was früher Wochen gedauert hat, funktioniert heute manchmal an einem Nachmittag. Ziemlich beeindruckend. Aber was passiert, wenn aus einem schnellen Experiment eine Anwendung werden soll, die im Unternehmen tatsächlich genutzt wird? Spoiler: Ein gutes Chatfenster allein reicht nicht.

‍In der neuesten Folge von Digital Product Talks stellte Daniel Caroline Dollinger, Product Owner für Datenanalysen in der Produktion bei BMW, über genau diesen Weg.

Dazu hat er bewusst zugespitzte Frage gestellt: Wenn alle Daten miteinander verbunden sind, setzt man dann einfach irgendwo ein Chatfenster ein, wie viele andere auch? Oder integriert man KI dort in die Benutzeroberfläche, wo sie im jeweiligen Kontext sinnvoll ist?

Die Frage lässt sich nicht mit einem einfachen Ja oder Nein beantworten. Caroline setzt solche Lösungen selbst um und konnte deshalb ausführlich aus ihrer Praxis berichten. Sie erzählt worauf es bei der Entwicklung KI-gestützter Anwendungen ankommt, warum ein vielversprechender Prototyp noch lange kein fertiges Produkt ist und weshalb gerade die letzten Schritte bis zum produktiven Einsatz oft die größte Herausforderung darstellen.

Nicht für jedes Problem braucht es einen Chatbot

Wer heute an KI denkt, denkt oft zuerst an ChatGPT. Frage eintippen, Antwort bekommen, nächste Frage stellen. Funktioniert. Aber muss deshalb gleich jede Anwendung ein eigenes Chatfenster bekommen?

Caroline sieht das kritisch. Ihrer Meinung nach sollte KI möglichst dort helfen, wo sie gebraucht wird. Direkt in bestehenden Anwendungen und Arbeitsabläufen, ohne dass Nutzer erst überlegen müssen, wie sie ihre Frage möglichst gut formulieren.

Denn genau da fängt das Problem schon an: Wer mit einer KI chattet, muss wissen, was er oder sie fragen möchte. Und nicht nur das. Oft muss man auch erklären, woher die Informationen kommen sollen, welche Daten relevant sind. Wo soll sie suchen? Was soll sie auslassen? Soll sie Daten aus den vergangenen 20 Jahren berücksichtigen oder nur aus den letzten zehn Monaten?

Warum das nicht die nutzerfreundlichste Lösung ist, haben wir bereits in einem früheren Artikel beschrieben. Oberflächen, die ausschließlich auf Prompts setzen, reichen allein nicht aus: Alle Informationen bleiben im Chatverlauf. Außerdem kommen Menschen, die ihre Anliegen gut formulieren können, mit solchen Oberflächen leichter zurecht. Aber was ist mit allen anderen? Eine gute Benutzeroberfläche sollte nicht voraussetzen, dass alle erst lernen müssen, mit einer KI zu kommunizieren.

Caroline vergleicht das mit den Anfängen von Google: Wer ungenau suchte, bekam keine brauchbaren Ergebnisse. Je präziser die Suche wurde, desto besser wurden die Antworten. Fragt man eine KI nach der Farbe des Himmels, antwortet sie mit Blau. Oder mit Violett, weil jemand einmal geschrieben hat, dass der Himmel bei Sonnenuntergang violett wird. Die Frage, wie viele iX3 in den nächsten drei Monaten zur Produktion eingeplant sind, ist dagegen konkret. Dahinter stehen konkrete Daten, auf deren Grundlage die KI eine passende Antwort geben kann.

Die entscheidende Frage ist also nicht, ob wir KI in eine Anwendung einbauen können. Sondern wie wir sie so einsetzen, dass sie den Menschen wirklich Arbeit abnimmt.

Der Prototyp läuft. Und jetzt?

Unabhängig von der Gestaltung der Oberfläche sieht Caroline einen klaren Nutzen darin, mit KI zu experimentieren. Sie ermutigt dazu, viel auszuprobieren, Ideen zu testen und dabei im Blick zu behalten, welches Ziel man erreichen möchte und wobei KI helfen kann.

Daniel beschreibt im Gespräch eine Situation, die vielen inzwischen bekannt vorkommen dürfte: Jemand ohne Programmierkenntnisse setzt sich mit KI hin und entwickelt ein eigenes Tool. Nach kurzer Zeit funktioniert schon ein großer Teil. Vielleicht 70 oder 80 Prozent und weiß dann nicht mehr weiter.

Caroline kennt solche Fälle aus ihrer Arbeit bei BMW. Die ersten Ergebnisse können beeindruckend sein. Ein Prototyp ist schnell erstellt, die Grundidee funktioniert und plötzlich scheint ein Problem gelöst zu sein, an dem man früher deutlich länger gearbeitet hätte. Nur ist ein Prototyp eben noch kein fertiges Produkt.

Eine Anwendung muss nicht nur irgendwie funktionieren. Sie muss zuverlässig laufen, mit bestehenden Systemen zusammenspielen und die Anforderungen erfüllen, die im Unternehmen gelten. Aus „Bei mir funktioniert's“ muss irgendwann „Das können auch andere sicher nutzen“ werden.

Laut Caroline ist genau dafür ist ein Proof of Concept (PoC) da. Er hilft dabei, eine Idee zu überprüfen: Funktioniert der Ansatz grundsätzlich? Lässt sich das Problem damit lösen? Und bringt die Lösung tatsächlich einen Mehrwert?

KI kann diese Prüfung deutlich beschleunigen. Sie hilft dabei, schneller erste Ergebnisse zu erzielen und unterschiedliche Ansätze auszuprobieren. Manchmal zeigt sich dabei aber auch, dass eine Idee zwar technisch funktioniert, im Alltag jedoch weniger hilfreich ist als gedacht.

Das ist aber kein Scheitern. Im Gegenteil: Lieber früh feststellen, dass eine Lösung nicht den gewünschten Nutzen bringt, als monatelang etwas zu entwickeln, das am Ende niemand wirklich braucht.

Wenn sich der Ansatz bewährt, geht es an die nächste Aufgabe: Aus dem Prototyp muss eine Anwendung werden, die technisch sauber umgesetzt ist und sich zuverlässig betreiben lässt.

Caroline wirft außerdem die Frage auf, ob sich eine Lösung breiter einsetzen lässt. Könnte sie auch in anderen BMW-Werken funktionieren? Löst sie ein Problem, das mehrere Standorte teilen, oder ist es auf einen einzelnen Standort beschränkt? Lässt sich die Lösung so standardisieren, dass auch andere sie nutzen können?

Wie Product Discovery dabei hilft, das Risiko einer Fehlentwicklung zu verringern, haben wir bereits in der vorherigen Podcastfolge besprochen. Gerade mit KI lässt sich heute schneller etwas entwickeln als früher. Umso wichtiger ist die Frage, ob es überhaupt das Richtige ist. Es muss klar sein, welches Problem der Prototyp löst, wem er hilft und welche Erkenntnisse dafür sprechen, ihn weiterzuentwickeln.

Warum Compliance und Sicherheit den Einsatz einer KI-gestützten App verhindern können

70 oder 80 Prozent sind geschafft, der Prototyp funktioniert und die Idee sieht gut aus. Und dann kommt die IT ins Spiel. Plötzlich geht es um Berechtigungen, Sicherheitsanforderungen, Compliance und die Integration in bestehende Systeme. Aus „Schau mal, was ich gebaut habe!“ wird ziemlich schnell „Was fehlt noch, damit wir das einsetzen können?“.

Caroline Dollinger kennt diese Situation gut. Sie unterstützt Teams dabei, herauszufinden, was ihrer Anwendung noch fehlt, um sicher und zuverlässig im Unternehmen eingesetzt werden zu können. Wenn sie Sicherheitsanforderungen, Compliance und Berechtigungen einfach ignorieren könnte, hätte sie ihre 70 Prozent vermutlich auch in einer Woche fertig, sagt sie sinngemäß.

Die sogenannte „böse IT“ ist also nicht unbedingt darauf aus, gute Ideen zu verhindern. Auch wenn es sich im ersten Moment manchmal so anfühlt. Ihr Team hilft vielmehr dabei, aus einem vielversprechenden Prototyp eine Anwendung zu machen, die sich verantwortungsvoll betreiben lässt.

Denn auch ein KI-Agent ist letztlich eine Anwendung. Und wenn der beispielsweise Daten in ein anderes System zurückschreibt, dort Abläufe durcheinanderbringt oder eine Sicherheitslücke öffnet, kann das schnell unangenehm werden. Gerade in der Produktion können solche Fehler im schlimmsten Fall einen Produktionsausfall verursachen. Die Folgen sind teuer und dürften kaum auf der ursprünglichen Projektplanung gestanden haben.

Sicherheit und Compliance sind deshalb keine Extras, die man am Ende noch schnell abhakt. Sie gehören zur Entwicklung dazu. Wer sie früh mitdenkt, erspart sich im besten Fall eine böse Überraschung kurz vor dem geplanten Rollout.

KI schreibt den Code. Aber wer prüft das Ergebnis?

Mit KI verändert sich nicht nur die Entwicklung digitaler Produkte, sondern auch die Zusammenarbeit zwischen Fachbereichen und Entwickler. Denn statt mit einer Idee oder einer Anforderung kommen Kolleg heute manchmal schon mit einem fertigen Prototyp um die Ecke.

Der Auftrag lautet dann nicht mehr unbedingt: „Kannst du mir das bauen?“ Sondern eher: „Ich hab da schon mal was vorbereitet. Kannst du mal drüberschauen?“

Das spart Zeit und eröffnet neue Möglichkeiten. Aber nur weil etwas funktioniert, ist es noch lange nicht bereit für den produktiven Einsatz. Entwickler müssen prüfen, wie der Code aufgebaut ist, welche Abhängigkeiten bestehen und ob die Anwendung zuverlässig mit anderen Systemen zusammenspielt. Auch die Frage, ob sich die Lösung an verschiedenen Standorten oder in unterschiedlichen Regionen einsetzen lässt, gehört dazu.

Und dann wäre da noch eine ganz grundlegende Frage: Löst die Anwendung überhaupt das Problem, für das sie gedacht war? Denn auch mit KI lässt sich ziemlich schnell etwas entwickeln, das technisch funktioniert, aber am eigentlichen Bedarf vorbeigeht.

Caroline Dollinger sieht darin eine wichtige Veränderung für Entwickler. Wer KI-generierten Code beurteilen soll, braucht ein fundiertes Verständnis dafür, wie zuverlässige Systeme entstehen, wie Anwendungen zusammenarbeiten und welche Anforderungen eine Lösung erfüllen muss. Es geht also nicht mehr nur darum, Code selbst zu schreiben, sondern auch darum, die Ergebnisse der KI kritisch zu bewerten und sinnvoll weiterzuentwickeln.

Gleichzeitig ermutigt Caroline dazu, mit KI zu experimentieren und die neuen Möglichkeiten auszuprobieren. Schließlich lassen sich Ideen heute schneller testen als je zuvor. Gerade deshalb lohnt es sich, vorher einen Schritt zurückzugehen und sich zu fragen: Was wollen wir eigentlich erreichen? Wem soll die Anwendung helfen? Und unter welchen Bedingungen wird sie später eingesetzt?

Auch die Frage, ob sich eine Lösung in verschiedenen Regionen oder an unterschiedlichen Standorten einsetzen lässt, spielt eine Rolle. Was im ersten Test funktioniert, muss nicht automatisch unter allen Bedingungen zuverlässig laufen.

Denn die entscheidenden Fragen der Produktentwicklung bleiben dieselben, auch wenn die Technologie sich verändert. Eine gute Lösung muss ein echtes Problem lösen, einen erkennbaren Mehrwert bieten und im Alltag zuverlässig funktionieren.

Die wichtigste Erkenntnis: Mit KI lässt sich schneller etwas bauen. Ob daraus ein gutes Produkt wird, hängt aber weiterhin davon ab, wie gut wir das Problem verstehen und die Lösung beurteilen können.

Du möchtest das ganze Gespräch mit Caroline Dollinger hören? Die Folge von Digital Product Talks findest du auf Spotify oder bei Apple Podcasts.

‍

Kurz zusammengefasst

Keine Zeit für den ganzen Artikel? Hier sind die wichtigsten Antworten.

Muss ein KI-Prototyp einen Chatbot haben? Nein. Caroline Dollinger, Product Owner für Datenanalysen in der Produktion bei BMW, findet, dass KI stärker im Hintergrund arbeiten sollte. Dort sollte sie Abläufe vereinfachen und zusammenstellen, was die Nutzer:innen brauchen. Der passende Prompt sollte sich daraus ergeben.

Warum schaffen es KI-gestützte Prototypen nicht in den produktiven Einsatz? Weil sie noch in die bestehenden Systeme integriert werden und die Anforderungen an Sicherheit, Compliance und Berechtigungen erfüllen müssen.

Was lässt sich mit einem KI-Prototyp herausfinden? Ob ein Ansatz funktioniert und Nutzen bringt. Ein Prototyp kann auch zeigen, dass etwas technisch möglich ist, aber weniger Nutzen hat als erwartet. Dann lässt sich der Ansatz weiterentwickeln oder ein anderer Weg wählen.

Welche Kenntnisse brauchen Entwickler:innen, um KI-generierten Code zu prüfen? Sie müssen verstehen, wie man zuverlässige Systeme entwickelt, wie Anwendungen zusammenspielen und wie sie sich in verschiedenen Regionen einführen lassen. Außerdem müssen sie die Anforderungen gut genug kennen, um beurteilen zu können, ob das Ergebnis zum Problem passt.