Eigener KI-Assistent (Custom GPT) fuers Unternehmen: Lohnt sich das?

Was ein "eigener KI-Assistent" ueberhaupt ist

Der Begriff wird unscharf verwendet. Im Kern geht es um eine KI, die nicht aus dem Internet, sondern aus deinem Unternehmenswissen antwortet: Angebote, Prozesse, FAQ, Produktdaten, interne Richtlinien. Es gibt drei Stufen, die man auseinanderhalten sollte:

1. Custom GPT (OpenAI) oder Projekt/Assistent in Claude/Gemini. Schnell eingerichtet, mit System-Anweisungen und ein paar hochgeladenen Dokumenten. Gut fuer einfache, abgegrenzte Aufgaben.
2. RAG-Assistent (Retrieval Augmented Generation). Greift auf eine durchsuchbare Wissensdatenbank zu und zitiert die Quelle. Skaliert auf hunderte Dokumente und liefert nachvollziehbare Antworten.
3. Integrierter Assistent mit Aktionen. Kann nicht nur antworten, sondern Dinge tun: Termine anlegen, Tickets erstellen, Daten in dein CRM schreiben.

Je weiter unten in der Liste, desto mehr Aufwand und Nutzen. Die Frage "lohnt sich das?" haengt komplett davon ab, welche Stufe dein Problem braucht.

Wann sich ein eigener KI-Assistent lohnt

Klare Ja-Signale:

• Wiederkehrende Fragen fressen Zeit. Wenn Mitarbeiter oder Kunden taeglich dieselben 30 Fragen stellen (Preise, Ablaeufe, Bedingungen), entlastet ein Assistent sofort spuerbar.
• Wissen ist verstreut. Antworten liegen in PDFs, alten Mails, einem Wiki und in Koepfen. Ein RAG-Assistent macht dieses Wissen abrufbar.
• Onboarding ist langsam. Neue Mitarbeiter brauchen Wochen, bis sie wissen, wo was steht. Ein Assistent verkuerzt das deutlich.
• Kundenkommunikation hat ein Volumen-Problem. Viele gleichartige Anfragen, die ein gut gebauter Assistent vorqualifizieren oder direkt beantworten kann.

Praxis-Beispiel: Ein Floristik- und Pflanzen-Grosshandel mit grossem, saisonal wechselndem Sortiment hatte das Problem, dass Produkt- und Verfuegbarkeitsfragen die Mitarbeiter banden. Ein Assistent auf Basis der Produktdaten konnte Standardfragen abfangen — das Team kuemmerte sich um die echten Beratungsfaelle.

Wann es sich (noch) nicht lohnt

Ehrlich gesagt: oft.

• Wenig Wiederholung. Wenn jede Anfrage individuell ist, bringt ein Assistent kaum Hebel.
• Schlechte Datenlage. Veraltete, widerspruechliche oder unstrukturierte Dokumente fuehren zu falschen Antworten. Garbage in, garbage out — das ist bei KI besonders gnadenlos.
• Hohe Fehlertoleranz noetig, aber nicht vorhanden. Bei rechtlich oder finanziell heiklen Auskuenften ist eine falsche KI-Antwort teurer als gesparte Zeit. Dann braucht es enge Leitplanken oder Mensch-im-Prozess.
• Kein Owner. Ein Assistent, den niemand pflegt, veraltet in Wochen und wird zur Fehlerquelle.

Was es realistisch kostet

Keine Marketing-Zahlen, sondern Groessenordnungen:

• Custom GPT (Stufe 1): Sehr guenstig im Aufbau, oft an wenigen Tagen machbar. Laufende API- oder Lizenzkosten sind moderat. Grenze: begrenzte Dokumentenmenge, keine echte Integration.
• RAG-Assistent (Stufe 2): Hoeherer Einrichtungsaufwand (Datenaufbereitung, Vektordatenbank, Anbindung). Laufende Kosten aus API-Nutzung plus Hosting. Lohnt sich ab nennenswertem Anfrage-Volumen.
• Integrierter Assistent (Stufe 3): Projektcharakter. Hier zahlt man fuer die Anbindung an deine Systeme. Sinnvoll, wenn der Assistent echte Arbeit abnimmt, nicht nur antwortet.

Der groesste versteckte Kostenblock ist fast nie die KI selbst, sondern die Datenaufbereitung und die Pflege. Wer das unterschaetzt, baut einen schlechten Assistenten guenstig statt einen guten Assistenten richtig.

So gehst du den Einstieg an (Schritt fuer Schritt)

1. Use-Case eng schneiden

Nicht "ein Assistent fuer alles", sondern ein klar abgegrenzter Anwendungsfall mit messbarem Nutzen. Beispiel: "Beantwortet Fragen zu unseren Liefer- und Zahlungsbedingungen." Eng schlaegt breit — immer.

2. Datenbasis aufraeumen

Sammle die relevanten Dokumente, entferne Veraltetes, kennzeichne, was verbindlich ist. Diese Stunde Aufraeumen spart spaeter zehn Stunden Fehlersuche.

3. Mit der kleinsten Stufe starten

Bau zuerst einen Custom GPT oder ein Projekt mit den wichtigsten Dokumenten. Teste ihn mit echten Fragen aus dem Alltag. Du lernst in Tagen, ob der Use-Case traegt.

4. Leitplanken setzen

Lege fest, was der Assistent NICHT beantworten darf, und lass ihn bei Unsicherheit eskalieren ("Das pruefe ich mit einem Kollegen") statt zu raten. Quellenangaben einbauen, damit Antworten nachvollziehbar sind.

5. Messen und ausbauen

Miss, welche Fragen kommen, wie oft der Assistent traegt und wo er danebenliegt. Erst wenn die kleine Stufe sauber laeuft, lohnt der Ausbau zu RAG oder Integration.

Stolpersteine aus der Praxis

• Halluzinationen. Ohne Quellenbindung erfindet das Modell plausibel klingende Falschantworten. RAG mit Quellenangabe ist hier Pflicht, sobald es ernst wird.
• Datenschutz. Sobald personenbezogene oder vertrauliche Daten im Spiel sind, brauchst du ein Modell-Setup mit Auftragsverarbeitungsvertrag, klare Loeschregeln und idealerweise EU-Hosting. Nicht jeder Anbieter ist DSGVO-tauglich konfiguriert.
• Modell-Update bricht Verhalten. Ein neues Modell kann sich anders verhalten. Wer produktiv ist, braucht Tests, bevor er umstellt.
• "Set and forget". Der Assistent ist kein Projekt, sondern ein Produkt. Ohne laufende Pflege der Wissensbasis sinkt die Qualitaet.
• Akzeptanz im Team. Ein technisch guter Assistent, den niemand nutzt, bringt nichts. Einbindung der Mitarbeiter von Anfang an ist erfolgskritischer als das Modell.

Mini-Checkliste: Lohnt es sich fuer dich?

• [ ] Gibt es klar wiederkehrende Fragen mit Volumen?
• [ ] Ist das Wissen vorhanden, aber schlecht auffindbar?
• [ ] Ist die Datenlage aktuell und konsistent (oder aufraeumbar)?
• [ ] Ist eine gelegentlich falsche Antwort vertretbar — oder brauchst du Mensch-im-Prozess?
• [ ] Gibt es jemanden, der den Assistenten pflegt?
• [ ] Ist der Use-Case eng genug fuer einen schnellen Test?

Drei oder mehr Haken: ein eigener KI-Assistent lohnt sich wahrscheinlich. Weniger: erst die Grundlagen schaffen.

Wo Plugwork ansetzt

Die meisten gescheiterten KI-Assistenten scheitern nicht an der Technik, sondern an unscharfem Use-Case und schlechter Datenbasis. Plugwork geht den umgekehrten Weg: zuerst klaeren, welches Problem den Assistenten wirklich rechtfertigt, dann die passende Stufe bauen — vom schlanken Custom GPT bis zum integrierten Assistenten, der Aktionen ausloest. Business-Logik zuerst, dann Technik. Das spart dir teure Umwege und liefert einen Assistenten, den dein Team auch benutzt.