Eine Beratung verkauft zwei Dinge: Wissen und die Zeit ihrer Berater. Das Problem ist, dass beides in Arbeit versickert, die dem Kunden keinen Wert bringt - etwa die Suche nach einem Dokument aus einem drei Projekte zurückliegenden Mandat oder das wöchentliche Zusammenbauen desselben Berichts. Genau hier zahlen sich Automatisierung und AI-Agenten in einer Beratung am stärksten und messbar aus, denn sie geben den Menschen die Stunden zurück, die heute in den Betrieb der Firma selbst gehen.
Nach unserer Erfahrung liegt die Schwierigkeit nicht darin, ein Sprachmodell einzuschalten, sondern es so in reale Prozesse einzubinden, dass es nützlich und sicher ist. Wir haben GenAI-, RAG- und LLM-Projekte geliefert, darunter einen Wissensassistenten für einen Kunden aus der Versicherungsbranche, und über das Ergebnis entscheiden langweilige Details: Berechtigungen, Quellenangaben und ein Mensch, der das Ergebnis freigibt, bevor es den Kunden erreicht. Diese Kompetenz stellen wir über Team-Verstärkung oder ein dediziertes Team bereit, auch wenn Sie mit AI erst beginnen.
Warum braucht eine Beratung heute Automatisierung und AI-Agenten?
Weil die Ökonomie der Beratung auf abrechenbaren Stunden ruht und zu viele davon in interne Arbeit gehen. Ein Berater, der einen halben Tag damit verbringt, Wissen aus früheren Mandaten zu rekonstruieren, tut das nicht für den Kunden, sondern kämpft gegen die eigene Organisation. Mit dem Wachstum der Firma steigen diese Kosten schneller als der Umsatz.
Automatisierung und AI-Agenten ersetzen den Berater nicht; sie nehmen ihm die Schicht wiederkehrender, reproduzierender Arbeit ab: Suchen, Zusammenfassen, einen ersten Entwurf, das Berichten. Für einen Partner oder Delivery-Leiter heißt das mehr abrechenbare Zeit für echte Expertenarbeit und einen kürzeren Anlauf für alle, die neu in ein Projekt kommen.
Was ist ein AI-Assistent über dem internen Wissen (RAG + LLM)?
Es ist ein Werkzeug, mit dem Sie eine Frage in normaler Sprache stellen und eine Antwort erhalten, die sich auf die Dokumente der Firma stützt und nicht auf das Allgemeinwissen des Modells. Technisch beruht das auf einer RAG-Architektur (Retrieval-Augmented Generation): Das System holt zuerst die passenden Fragmente aus der Wissensbasis, und erst dann setzt das LLM daraus eine Antwort zusammen.
Ein guter Assistent über dem internen Wissen hat einige Eigenschaften, ohne die er in der Beratung nichts verloren hat:
- Quellenangaben zu jeder Antwort, damit ein Berater durchklicken und prüfen kann, woher eine Aussage stammt,
- Respekt vor Berechtigungen, das heißt, ein Nutzer sieht nur das, worauf er in den Quellsystemen Zugriff hat,
- Aktualität, denn die Basis erneuert sich mit neuen Dokumenten, statt am Starttag einzufrieren,
- ein ehrliches „Ich weiß es nicht” statt einer Erfindung, wenn die Dokumente keine Antwort enthalten.
Genau solche Lösungen haben wir in RAG- und LLM-Projekten gebaut, in denen Quellenangaben und Zugriffssteuerung Eintrittsbedingung waren.
Wie fasst AI Dokumente zusammen und entwirft sie unter Aufsicht?
Die zweite Familie von Anwendungsfällen ist die Arbeit mit Text, die in der Beratung einen großen Teil des Tages frisst. Ein Modell kann einen langen Bericht, ein Protokoll oder einen Satz Notizen auf einige Absätze zusammenziehen, Schlussfolgerungen herausarbeiten und eine erste Fassung eines Dokuments vorbereiten, etwa eines Angebots oder einer Workshop-Dokumentation.
Das Schlüsselwort lautet jedoch „erste Fassung”. Wir behandeln AI als einen sehr schnellen Junior, der einen Entwurf vorbereitet: Der Berater bekommt ein fertiges Gerüst und halbiert die Zeit für ein Dokument, aber er verantwortet Inhalt, Ton und Genauigkeit.
Wie automatisieren Sie Statusberichte?
Ein Statusbericht ist ein idealer Kandidat für Automatisierung, denn er ist regelmäßig, wiederkehrend und beruht auf Daten, die ohnehin irgendwo liegen. Statt das Team jede Woche Informationen von Hand sammeln zu lassen, verbinden wir die Quellen und lassen einen Agenten den Berichtsentwurf zusammensetzen.
In der Praxis tut ein solcher Mechanismus Folgendes:
- er zieht Daten aus Projektwerkzeugen, Zeiterfassung und dem Aufgabensystem,
- er formuliert die Statuserzählung: was fertig ist, was gefährdet ist, welche Entscheidungen offen sind,
- er markiert Risiken und Abweichungen vom Plan, statt sie dem Zufall der Handarbeit zu überlassen,
- er bereitet eine Fassung zur Freigabe vor, die eine Führungskraft in Minuten bearbeitet und zeichnet.
Wie automatisieren Sie Backoffice-Prozesse (Workflow und RPA)?
Nicht alles braucht ein Sprachmodell. Ein großer Teil der Verwaltungsarbeit lässt sich mit klassischem Workflow und RPA schließen, also mit der Automatisierung von Abläufen und der Robotisierung wiederkehrender Aktionen über Systeme hinweg.
Hier automatisieren wir meist Prozesse, die stumpf und fehleranfällig sind:
- Onboarding von Projekten und Mitarbeitenden, also das Anlegen von Konten, Ordnern und Systemeinträgen,
- Dokumentenläufe: Rechnungen, Verträge, Kostenfreigaben,
- Datensynchronisation zwischen CRM, Projektsystem und Finanzen,
- Erinnerungen und Eskalationen, gesteuert von Regeln statt vom Gedächtnis einer Person.
Wir verbinden diese Schichten mit AI dort, wo es sinnvoll ist: Der Workflow setzt die Regeln durch, und das Modell ergänzt die Interpretation von Text.
Wie vereinbaren Sie den Menschen in der Schleife mit der Vertraulichkeit gegenüber Kunden?
Ein Mensch in der Schleife ist hier keine Formalie, sondern die Bedingung dafür, dass sich all das überhaupt nutzen lässt. Die Verantwortung gegenüber dem Kunden liegt beim Berater und beim Partner, deshalb gilt: AI bereitet vor, der Mensch entscheidet - besonders dort, wo das Ergebnis nach außen geht oder eine Empfehlung prägt. Wir entwerfen Prozesse deshalb so, dass der Freigabepunkt bewusst gesetzt ist: Das Modell zeigt seine Quellen und hinterlässt eine Spur, wer ein bestimmtes Dokument freigegeben hat.
Die andere Seite der Medaille ist die Vertraulichkeit: Eine Beratung arbeitet an Daten, die unter NDA stehen. Wir bauen AI-Lösungen unter der Annahme, dass Kundendaten nicht abfließen und sich nicht zwischen Mandaten vermischen dürfen:
- Datenisolation zwischen Kunden und Projekten, damit ein Kontext nicht in einen anderen überläuft,
- ein Berechtigungsmodell, das zu den Quellsystemen passt, denn der Assistent darf nicht mehr zeigen, als eine Person darf,
- eine bewusste Wahl, wo das Modell läuft, von einer privaten Umgebung bis zu einem kontrollierten Anbieter-Setup, je nach Sensibilität der Daten,
- Protokollierung und Audit, damit sich rekonstruieren lässt, wer was gefragt und was das System geantwortet hat.
Welche AI- und Data-Kompetenzen stellen wir für das Projekt bereit?
Wir verkaufen „künstliche Intelligenz” nicht als Schlagwort; wir stellen konkrete Rollen bereit, die AI in Ihre Firma bringen, zugeschnitten auf Ihren Reifegrad und die Sensibilität Ihrer Daten. Am häufigsten besetzen wir:
- AI/ML- und LLM-Engineers, die RAG-Assistenten, Pipelines und Modellintegrationen bauen,
- Data Engineers, die das Wissen ordnen und bereitstellen, ohne die RAG nichts hat, woraus es schöpfen kann,
- Automatisierungsspezialisten (Workflow/RPA), die Backoffice-Prozesse verdrahten,
- einen Lösungsarchitekten, der Sicherheit, Berechtigungen und die Wartbarkeit des Ganzen bewacht.
Ein solches Team kommt über Team-Verstärkung oder als dediziertes Team in Ihre Organisation und arbeitet unter Ihrer Führung.
Wie machen wir das bei RITS?
Wir tun es als Nearshore-Partner aus Polen, der echte AI- und Data-Kompetenz mitbringt und nicht die nächste Demo. Wir haben GenAI-, RAG- und LLM-Projekte hinter uns, darunter einen Wissensassistenten für einen Kunden aus der Versicherungsbranche, wir kennen also den Weg von der Idee zu einem Werkzeug, das Menschen wirklich nutzen.
Wir arbeiten in einer nahen Zeitzone, sodass unsere Engineers ohne langen Anlauf an Ihren Reviews und Terminen teilnehmen, und wir prüfen die Kompetenzen vor dem Start. Wir skalieren von einem Prozess mit messbarem Ertrag zum nächsten, stets mit Quellenangaben und Zugriffssteuerung.
Wo beginnen Sie mit AI in einer Beratung?
Beginnen Sie mit dem einen Prozess, der am meisten wehtut und sich messen lässt, zum Beispiel einem Assistenten über dem internen Wissen oder einem Statusbericht. Zählen Sie, wie viele Stunden pro Woche er heute verbraucht und wer das Ergebnis zeichnet, denn das legt Umfang, Architektur und die nötigen Rollen fest. Die Unterschiede zwischen den Kooperationsmodellen haben wir in unserem Artikel zu IT-Kooperationsmodellen beschrieben.
Sie wollen Automatisierung und AI-Agenten in Ihre Beratung bringen? Sprechen wir darüber - wir finden die Kompetenzen und einen sicheren Umfang passend zu Ihren Prozessen.
Automatisierung und AI-Agenten mit uns in Ihre Beratung bringen