Was ein KI-Assistent auf eigenen Daten leisten kann

„Wir haben ChatGPT schon ausprobiert, das kennt aber unsere Zahlen nicht" — dieser Satz fällt in fast jedem zweiten Erstgespräch. Er trifft den Kern des Problems genau: Ein allgemeines Sprachmodell kann gut formulieren, aber es weiß nichts über einen bestimmten Betrieb, seine Kunden, seine Verträge oder seinen aktuellen Lagerbestand.

Ein KI-Assistent auf eigenen Daten ist etwas anderes. Er bekommt Zugriff auf die Systeme, in denen der Betrieb tatsächlich lebt — CRM, Buchhaltung, Dateiablage, Warenwirtschaft — und beantwortet Fragen auf dieser Grundlage, statt auf allgemeinem Trainingswissen. Was das im Alltag konkret bedeutet und wo es aufhört, steht in diesem Beitrag.

Die kurze Antwort

Ein KI-Assistent auf eigenen Daten kann drei Dinge zuverlässig leisten: Fragen zu internen Inhalten in normaler Sprache beantworten („Welche Verträge laufen im März aus?"), Informationen aus mehreren Systemen zusammenführen, ohne dass jemand von Hand zwischen Programmen wechselt, und wiederkehrende Anfragen — von Kollegen oder von Kunden — ohne Suche im System beantworten. Er tut das auf Basis dessen, was tatsächlich in den angebundenen Quellen steht, nicht auf Basis von Vermutungen. Was er nicht leisten kann: eigenständig Entscheidungen mit rechtlicher oder finanzieller Tragweite treffen, Daten bewerten, die nirgends dokumentiert sind, oder ein schlecht gepflegtes System durch Cleverness ersetzen. Die Qualität der Antworten hängt direkt an der Qualität der angebundenen Daten — ein Assistent auf einem chaotischen CRM liefert chaotische Antworten, nur schneller formuliert.

Der Unterschied zu ChatGPT im Browser

Der wichtigste Unterschied ist nicht die Intelligenz des Modells, sondern der Zugriff. Wer ChatGPT im Browser öffnet und nach dem Zahlungsziel eines bestimmten Kunden fragt, bekommt entweder eine Nichtantwort oder eine erfundene. Das Modell hat diese Information nie gesehen — es kann sie nicht kennen.

Ein Assistent auf eigenen Daten bekommt einen begrenzten, definierten Zugriff auf bestimmte Quellen: ein CRM, ein Dokumentenordner, eine Datenbank, ein E-Mail-Postfach. Stellt jemand eine Frage, sucht der Assistent zuerst in diesen Quellen und formuliert die Antwort erst danach. Das Sprachmodell bleibt dasselbe Werkzeug wie im Browser — nur die Grundlage, auf der es antwortet, ändert sich vollständig.

Das hat eine praktische Folge, die in Gesprächen oft überrascht: Der Assistent kann auch sagen „Das steht nirgends in den angebundenen Quellen", statt eine plausible, aber falsche Antwort zu erfinden — vorausgesetzt, er ist entsprechend eingerichtet. Genau diese Einrichtung ist der Teil der Arbeit, der über Nutzen oder Enttäuschung entscheidet.

Was in der Praxis funktioniert

Interne Suche in normaler Sprache. Statt Ordnerstrukturen zu durchsuchen oder Stichworte zu raten, wird die Frage direkt gestellt: „Was haben wir dem Kunden X beim letzten Angebot zugesagt?" Der Assistent findet das passende Dokument oder die passende E-Mail und fasst die relevante Stelle zusammen.

Zusammenführung mehrerer Quellen. Eine Frage wie „Welche Kunden haben offene Rechnungen über 5.000 Euro und in den letzten drei Monaten nicht bestellt?" verbindet Buchhaltung und CRM. Von Hand bedeutet das zwei Programme, einen Export und eine Excel-Tabelle. Der Assistent liefert die Liste direkt.

Standardauskünfte für Kunden oder Kollegen. Wiederkehrende Fragen — Lieferstatus, Öffnungszeiten, Verfügbarkeit, der Stand einer Anfrage — lassen sich auf Basis der angebundenen Systeme automatisch beantworten, statt dass jemand jedes Mal manuell nachschaut. Das ist derselbe Gedanke wie bei der automatischen Beantwortung von Kundenanfragen, nur intern statt extern angewendet.

Einarbeitung neuer Mitarbeiter. Statt fünf Kollegen mit derselben Frage zu unterbrechen, fragt eine neue Kraft den Assistenten direkt — und bekommt eine Antwort, die auf den tatsächlichen internen Unterlagen beruht, nicht auf dem, was jemand noch aus dem Gedächtnis weiß.

Wie der Zugriff im Alltag aussieht

Technisch gesehen ist ein KI-Assistent auf eigenen Daten kein neues Programm, das Mitarbeitende zusätzlich lernen müssen. Er wird meist dort angebunden, wo ohnehin gearbeitet wird: als Chat im Browser, als Erweiterung in Teams oder Slack, oder als Sprachnachricht auf dem Handy, wenn jemand unterwegs eine Auskunft braucht. Die Frage wird gestellt wie in einem normalen Gespräch, der Assistent sucht im Hintergrund in den angebundenen Quellen und antwortet mit Bezug auf das gefundene Dokument oder den gefundenen Datensatz.

Wichtig für die Einrichtung ist, dass der Assistent nicht „alles auf einmal" bekommt. Am Anfang steht ein enger Kreis an Quellen — etwa nur die Projektablage, oder nur das CRM — mit dem sich die Antworten prüfen lassen, bevor weitere Quellen dazukommen. Das ist derselbe Gedanke wie bei jedem anderen ersten Automatisierungsbaustein: klein anfangen, Vertrauen aufbauen, dann erweitern.

Ein Beispiel aus der Praxis

Ein Beratungsunternehmen mit rund 25 Mitarbeitenden hatte Wissen über abgeschlossene Projekte verteilt auf E-Mails, eine Ablage mit uneinheitlicher Benennung und den Köpfen einzelner Berater. Neue Anfragen mit Ähnlichkeit zu früheren Projekten wurden regelmäßig neu von vorne durchdacht, weil niemand wusste, dass es dazu bereits eine Vorarbeit gab.

Der eingerichtete Assistent bekam Zugriff auf die Projektablage und die abgeschlossenen Angebote. Die Frage „Hatten wir schon einmal ein Projekt zu Thema Y in Branche Z?" liefert seither in Sekunden eine Antwort mit Verweis auf das konkrete Dokument, statt dass jemand im Team fragt und wartet. Der Aufbau dauerte, weil die Ablage vorher aufgeräumt werden musste — das war der größere Teil der Arbeit, nicht die Einrichtung des Assistenten selbst.

Woran es in der Praxis hakt

| Voraussetzung | Warum sie zählt | |---|---| | Zugängliche, strukturierte Datenquellen | Ein Assistent kann nur finden, was in einem durchsuchbaren System liegt — nicht, was in Papierform im Ordner liegt | | Einheitliche Benennung | Drei Schreibweisen desselben Kunden führen zu drei getrennten Antworten statt einer | | Klare Rechteregelung | Nicht jeder im Betrieb darf alles sehen — die Zugriffsrechte des Assistenten müssen den bestehenden Rechten folgen, nicht sie umgehen | | Ein definierter Kreis an Quellen | Ein Assistent, der „auf alles" zugreifen soll, wird unpräzise; klar abgegrenzte Quellen liefern bessere Antworten |

Fehlt die erste Voraussetzung, ist der Aufwand nicht die Einrichtung des Assistenten, sondern das Aufräumen der Daten davor — genau wie im Beispiel oben. Das lässt sich nicht abkürzen, ohne dass die Antworten später unzuverlässig werden.

Wo die Grenze liegt

Ein KI-Assistent auf eigenen Daten trifft keine Entscheidungen, die eine fachliche oder rechtliche Bewertung erfordern — er liefert die Grundlage dafür, die Entscheidung bleibt bei einem Menschen. Bei personenbezogenen Daten, etwa in Personalunterlagen oder Bewerbungen, ist zusätzlich Vorsicht geboten: Nicht jede Information darf jedem angezeigt werden, nur weil sie technisch auffindbar wäre, und je nach Anwendungsfall greift eine eigene rechtliche Bewertung. Und ein Assistent ersetzt keine gepflegten Systeme — er macht sichtbar auffindbar, was ordentlich dokumentiert ist. Was nirgends steht, kann auch er nicht wissen. Wer sich verspricht, dass ein Assistent unordentliche Daten unsichtbar in Ordnung bringt, wird enttäuscht.

Der nächste Schritt

Ob sich ein KI-Assistent für einen bestimmten Betrieb lohnt, hängt davon ab, wie viele wiederkehrende Fragen tatsächlich anfallen und wie zugänglich die zugrunde liegenden Daten schon sind. Genau das klärt die Prozessanalyse — kostenlos und ohne Verpflichtung zur Umsetzung. Was ein Assistent für ein bestimmtes Unternehmen im Detail leisten kann, steht auf der Seite KI-Assistent für Unternehmen. Wer zuerst prüfen will, was allgemein hinter dem Begriff KI-Assistent steckt, findet die Grundlagen im Beitrag KI-Assistent für Unternehmen — Was ist möglich und was bringt es?.