Generative KI im B2B – Use Cases jenseits von ChatGPT

Wenn Unternehmen über generative KI reden, denken die meisten zuerst an ChatGPT. Das ist verständlich – der Chatbot hat das Thema in die Öffentlichkeit gebracht. Aber für den ernsthaften B2B-Einsatz greift diese Perspektive zu kurz. Die interessanten Anwendungsfälle liegen woanders: in firmenspezifischen Prozessen, unternehmenseigenen Daten und klar definierten Aufgaben, bei denen KI messbar Zeit und Kosten spart.

Automatische Angebotserstellung

Ein mittelständischer Maschinenbauer aus Hessen erstellt täglich mehrere individuelle Angebote. Jedes Angebot erfordert das Zusammensuchen von Produktdaten, Preistabellen, kundenspezifischen Konditionen und Standardtexten aus verschiedenen Quellen. Dieser Prozess dauert im Schnitt zwei bis drei Stunden.

Mit einem generativen KI-System, das auf die internen Daten des Unternehmens zugreift, lässt sich dieser Prozess auf 20 bis 30 Minuten reduzieren. Das Modell zieht die relevanten Produktinformationen, schlägt Preise vor, formuliert den Angebotstext in der gewünschten Tonalität – und der Vertriebsmitarbeiter prüft und gibt frei.

Der Schlüssel: Das Modell arbeitet nicht mit öffentlichen Daten, sondern ausschließlich mit dem firmeninternen Wissensstand. Das nennt sich Retrieval-Augmented Generation (RAG) – und ist deutlich leistungsfähiger als ein generischer Chatbot.

RAG-Systeme lassen sich in bestehende ERP- oder CRM-Umgebungen integrieren. Der Vertriebsmitarbeiter arbeitet weiterhin in seiner gewohnten Oberfläche – die KI läuft im Hintergrund. Das senkt die Hürde für die Einführung erheblich, weil keine grundlegenden Prozessänderungen nötig sind.

Technische Dokumentation

Technische Dokumentation zu schreiben ist zeitaufwendig, repetitiv und wird von den meisten Ingenieuren als lästige Pflichtaufgabe betrachtet. Generative KI kann hier erheblich entlasten.

Konkret: Ein Ingenieur gibt strukturierte Daten zu einer Komponente ein – Maße, Materialien, Betriebsparameter. Das KI-System generiert daraus einen Entwurf für das Datenblatt oder die Bedienungsanleitung in der gewünschten Sprache und Formatierung. Der Ingenieur überprüft die fachliche Richtigkeit und passt Details an.

Mehrsprachige Dokumentation – früher ein erheblicher Übersetzungsaufwand – lässt sich so parallel in vier oder fünf Sprachen erstellen. Die Zeitersparnis liegt je nach Unternehmen bei 40 bis 60 Prozent gegenüber dem manuellen Prozess.

Qualitätssicherung in der Produktion

Generative KI in der Qualitätssicherung klingt zunächst abstrakt, ist aber praktisch umsetzbar: Kamerasysteme erfassen Produktionsteile, und ein KI-Modell – trainiert auf Bilder von Gut- und Schlechtteilen – entscheidet, ob ein Teil die Qualitätsprüfung besteht.

Das Besondere an modernen Systemen: Sie können nicht nur klassifizieren (gut/schlecht), sondern auch beschreiben, welcher Defekttyp vorliegt und wo er sich befindet – in natürlicher Sprache, direkt in das Qualitätsprotokoll geschrieben. Das spart Zeit in der Fehlererfassung und verbessert die Nachvollziehbarkeit.

Interne Wissensdatenbanken

Viele Unternehmen leiden darunter, dass Wissen in den Köpfen einzelner Mitarbeiter steckt – und mit dem nächsten Jobwechsel verloren geht. Interne KI-gestützte Wissensdatenbanken lösen dieses Problem strukturell.

Das Prinzip: Bestehende Dokumente, E-Mails, Handbücher und Protokolle werden indexiert. Ein Mitarbeiter stellt eine Frage im Chat – „Wie haben wir das Lieferproblem mit Kunde X gelöst?“ – und bekommt eine zusammengefasste Antwort mit Quellenangabe aus den internen Unterlagen. Kein Suchen in Ordnerstrukturen mehr, kein Anrufen des Kollegen, der „das schon mal gemacht hat“.

E-Mail-Verarbeitung und Kundenanfragen

Ein oft unterschätzter Use Case: die automatische Klassifizierung und Vorbeantwortung von Kundenanfragen. Unternehmen, die täglich Dutzende ähnlicher Anfragen per E-Mail erhalten – Lieferstatus, Produktfragen, Reklamationen – können generative KI einsetzen, um Antwortvorschläge zu generieren. Ein Mitarbeiter prüft den Entwurf, ergänzt ihn bei Bedarf und sendet ihn ab. Die Bearbeitungszeit pro Anfrage sinkt oft um 60 bis 70 Prozent.

DSGVO-Hinweise: Was Sie bei Cloud-Anbietern beachten müssen

Alle genannten Use Cases funktionieren nur dann rechtskonform, wenn die Datenverarbeitung DSGVO-konform gestaltet ist. Bei generativer KI bedeutet das konkret:

• Viele der bekannten Anbieter (OpenAI, Google, Microsoft Azure) verarbeiten Daten auf Servern außerhalb der EU. Für betriebliche oder kundenbezogene Daten ist das ohne angemessene Schutzmaßnahmen problematisch.
• Für jeden Cloud-Anbieter, der personenbezogene Daten verarbeitet, muss ein Auftragsverarbeitungsvertrag (AVV) nach Art. 28 DSGVO abgeschlossen werden.
• Alternativ gibt es europäische Anbieter wie Mistral (Frankreich) oder spezialisierte On-Premise-Lösungen, bei denen die Daten das Unternehmensgelände nie verlassen.

Die Wahl des Betriebsmodells – Cloud, EU-Cloud oder On-Premise – hängt von der Sensibilität der verarbeiteten Daten ab. Eine kurze Beratung im Vorfeld spart später rechtliche Probleme und schützt das Vertrauen Ihrer Kunden in den verantwortungsvollen Umgang mit deren Daten.

Sie möchten wissen, welche dieser Anwendungsfälle in Ihrem Unternehmen umsetzbar sind – und wie das rechtssicher gelingt? Schreiben Sie mir – ich zeige Ihnen, was heute mit Ihren Daten und Ihrer Infrastruktur möglich ist.