Gut aufgebautes KI-Projekt: die drei tragfähigen Muster

Ein gut aufgebautes KI-Projekt erkennt man an drei Entscheidungen, die vor der ersten Codezeile getroffen werden: ein Architekturmuster, das zum Bedarf passt – direkter Modellaufruf, RAG oder Agenten –, eine Investition in die Datenqualität, die grösser ist als die in die Modellwahl, und ein schrittweises Vorgehen, das erst validiert, bevor industrialisiert wird. Ein schlechter Start kostet Monate an Verzögerung und Zehntausende von Franken. Ein guter Start fällt nicht auf: Das Projekt entwickelt sich über Jahre hinweg ohne Drama weiter.

Drei Muster decken die meisten Projekte ab

Die scheinbare Vielfalt von KI-Projekten lässt sich in der Praxis auf wenige Grundmuster zurückführen. 2026 decken drei Architekturmuster den Grossteil der KI-Projekte in Unternehmen ab: der direkte Modellaufruf über API, das RAG, das Antworten in internen Dokumenten verankert, und Agenten, die mehrstufige Aufgaben ausführen. Zu erkennen, welches Muster zum eigenen Anwendungsfall passt, ist die wichtigste technische Weichenstellung der Konzeptionsphase.

Der direkte API-Aufruf ist das einfachste Muster: Das Modell wird über seine Programmierschnittstelle angesprochen, und die Geschäftslogik wird darum herum aufgebaut. Keine dedizierte Infrastruktur, Kosten proportional zur Nutzung, ein funktionsfähiger Prototyp in wenigen Tagen. Es eignet sich für moderate Volumen und generische Aufgaben – Zusammenfassung, Klassifizierung, Erstellung von Standardinhalten. Seine Schwäche: die Abhängigkeit von einem einzigen Anbieter, auf einem Markt, auf dem sich das Preis-Leistungs-Verhältnis ständig verschiebt. Die Abhilfe ist bekannt und kostengünstig – eine Abstraktionsschicht, die die Geschäftslogik vom Anbieter entkoppelt, sodass man ihn wechseln kann, ohne die Anwendung neu zu schreiben. Diese Vorsichtsmassnahme wirkt im ersten Monat überflüssig; beim ersten Modellwechsel ist sie Gold wert.

RAG — Retrieval-Augmented Generation — ist zum Standard geworden, sobald das System Ihre Daten kennen muss. Die Unternehmensdokumente werden in Vektorform indexiert; bei jeder Anfrage werden die relevantesten Abschnitte abgerufen und dem Modell zur Verfügung gestellt, das seine Antwort darauf stützt – mit zitierfähigen Quellen. Das ist die strukturelle Antwort auf Halluzinationen: verankert in geprüften Dokumenten, bleibt das System faktentreu – und kann zugeben, wenn es etwas nicht weiss. Die Mechanik und die konversationellen Einsatzmöglichkeiten erläutere ich ausführlich in Kann ein Chatbot Ihre Kunden wirklich bedienen?.

Agenten bilden die nächste Komplexitätsstufe: ein System, das Werkzeuge nutzen kann – Suche, Berechnungen, API-Aufrufe, Datenbanken – und eine Abfolge von Aktionen planen kann. Das ist das Muster für mehrstufige Workflows: einen Status in einem System prüfen, entscheiden, ein anderes System aktualisieren. Diese Leistungsfähigkeit hat zwei Kehrseiten: ein anspruchsvolles Debugging und hohe Betriebskosten – mehrere Dutzend Modellaufrufe für eine einzige Aufgabe. Ich setze Agenten nur dort ein, wo der automatisierte Mehrwert diesen Aufwand klar rechtfertigt.

Warum Ihre Daten mehr zählen als das Modell

Der häufigste Fehler besteht darin, die Aufmerksamkeit auf die Modellwahl zu richten – welcher Anbieter, welche Version, welcher Benchmark –, während die Datenqualität die Ergebnisqualität in weit stärkerem Masse bestimmt.

Drei Überlegungen stützen diese Rangfolge. Erstens ist bei Projekten, die auf Unternehmensdaten aufbauen – der Grossteil der ernsthaften Projekte –, der Unterschied zwischen den führenden Modellen am Markt gering im Vergleich zu dem Unterschied, den der Zustand der indexierten Dokumente ausmacht: Eine saubere Datenbasis mit einem durchschnittlichen Modell schlägt regelmässig eine unordentliche Datenbasis mit einem Spitzenmodell. Zweitens ist die Investition in Daten kumulativ: bereinigte und strukturierte Dokumente dienen allen späteren Anwendungsfällen, während die Modellwahl bei jeder Marktveränderung neu überdacht werden muss. Drittens teilen Projekte, die ins Stocken geraten, fast immer dasselbe Merkmal – ein unterschätzter Aufwand für die Datenaufbereitung, der zu spät entdeckt wird.

FiscalDoc hat mir das im Kleinen vor Augen geführt. Der Wert dieser lokalen Anwendung liegt nicht im darunterliegenden Modell: Er liegt in der Struktur – sauber definierte Schweizer Steuerkategorien, eine strikte Namenskonvention, eine für die Suche indexierte Datenbasis. Das Modell ist austauschbar. Die Struktur hingegen ist der eigentliche Wert.

Die fünf teuersten Fehler

Manche Fehler wiederholen sich so regelmässig, dass eine Liste angebracht ist – hier ist sie, nach abnehmendem Schadenausmass geordnet:

1. Mit Fine-Tuning beginnen. Das ergänzende Training eines Modells ist im ersten Ansatz selten notwendig: Ein gut aufgebautes RAG liefert gleichwertige Ergebnisse zu einem Bruchteil der Kosten. Fine-Tuning ist nur bei einem sehr spezifischen Stil oder einem Vokabular gerechtfertigt, das RAG nicht abdeckt.
2. Die Daten vernachlässigen. Der vorangegangene Punkt hat den Mechanismus bereits gezeigt; dies ist der folgenreichste Fehler.
3. Auf eine systematische Evaluation verzichten. Ohne Referenzdatensatz – einige Dutzend menschlich validierte Frage-Antwort-Paare – lässt sich Fortschritt nicht messen. Das ist die Investition mit der besten Rendite im gesamten Projekt.
4. Die Betriebskosten unterschätzen. Ein sparsamer Prototyp kann teuer werden, sobald er echten Nutzern ausgesetzt ist; die Vorausberechnung – Nutzerzahl, Häufigkeit, Anfragegrösse – gehört in die Konzeptionsphase, nicht auf die erste Rechnung.
5. Einen Monolithen bauen. Suche, Modell, Cache, Oberfläche und Evaluation zu einem einzigen Block verschweisst, macht jede Weiterentwicklung riskant. Eine modulare Architektur kostet zu Beginn wenig und bewahrt die Fähigkeit, eine Komponente auszutauschen, ohne die anderen anzufassen.

Wo anfangen? Die Vorgehensweise, die zum Ziel führt

Für ein Schweizer KMU liegt der Unterschied zwischen Projekten, die zum Ziel führen, und solchen, die im Sand verlaufen, weitgehend in der Reihenfolge. Zuerst die Explorationsphase: ein direkter Modellaufruf, ein präziser und messbarer Anwendungsfall, wenige Wochen. Ihre Bescheidenheit ist ihre Stärke – begrenzte Investition, unmittelbare Erkenntnisse, echtes Recht auf Fehler. Dann der erweiterte Prototyp: ein RAG auf Ihren Daten, eine systematische Evaluation, erste interne Nutzer, über einige Monate hinweg. Schliesslich die Produktivsetzung, mit dem, was sie tragfähig macht: organisiertes Nutzerfeedback, kontinuierliche Verbesserung der Prompts, Pflege der Dokumentenbasis.

Agenten und ein eventuelles Fine-Tuning kommen erst nach der Produktivsetzung, auf Basis realer Beobachtungen – nie auf Basis von Annahmen. Diese Geduld unterscheidet Projekte, die Wert aufbauen, von solchen, die Komplexität anhäufen. Das ist die Vorgehensweise, die ich in meinen massgeschneiderten Lösungen anwende, und sie gilt unabhängig vom Anbieter: Ein Projekt, das vorgibt, die Explorationsphase überspringen zu können, verdient Ihr Misstrauen.

Wohin gehen Ihre Daten? Drei Souveränitätsstufen

Sobald das Projekt Daten betrifft, die unter das DSG^[1] fallen, oder branchenspezifischen Pflichten unterliegen, gehört die Frage des Speicherorts in die Konzeptionsphase. Drei Ansätze prägen die Praxis, mit zunehmender Strenge. Vertragliche Zusagen zur Nicht-Speicherung, die mit den grossen Anbietern für ihre Unternehmensangebote verhandelbar sind, decken die Mehrheit der Fälle ab, in denen Daten sensibel, aber nicht kritisch sind. Das Hosting auf schweizerischer oder europäischer Infrastruktur stellt sicher, dass die Daten die Rechtsordnung nicht verlassen – der Weg für ausdrückliche regulatorische oder vertragliche Anforderungen. Der Einsatz offener Modelle auf kontrollierter Infrastruktur schliesslich behält alles im Unternehmen, um den Preis echter technischer Kompetenz und realer Hardware-Investitionen – FiscalDoc ist dafür der Existenzbeweis im Massstab einer einzelnen Person: ein Open-Source-Modell auf meinem Mac, null Daten, die das Haus verlassen.

Für streng regulierte Branchen – Finanzwesen, Gesundheitswesen, Verwaltung – vermeidet eine formale Risikoanalyse in der Konzeptionsphase kostspielige Kurskorrekturen auf halbem Weg.

Im Kern ist eine solide KI-Architektur keine für nicht-technische Entscheidungsträger unzugängliche Expertise; sie ist eine Disziplin: das richtige Muster für den richtigen Bedarf, die Daten vor dem Modell, die Modularität vor der Geschwindigkeit, die Souveränität explizit geklärt. Dieser Rahmen fügt sich in den Gesamtansatz ein, den ich in Was sollte ein Schweizer KMU 2026 im Umgang mit KI tun? beschreibe – und er bestätigt sich Projekt für Projekt in meinen Begleitungen.

Wichtig in Kürze

— Drei Muster decken den Grossteil der KI-Projekte 2026 ab: direkter API-Aufruf, in Ihren Dokumenten verankertes RAG, mehrstufige Agenten – die Konzeption beginnt mit dieser Wahl. — Die Datenqualität wiegt mehr als die Modellwahl: Eine saubere Datenbasis mit einem durchschnittlichen Modell schlägt eine unordentliche Datenbasis mit einem Spitzenmodell. — Schrittweise vorgehen – Exploration, evaluierter Prototyp, überwachte Produktion – und Agenten sowie Fine-Tuning erst nach der Produktivsetzung einsetzen.

FAQ

Muss ich ein Modell auf den Daten meines Unternehmens trainieren? Selten, und nie im ersten Ansatz. Ein gut aufgebautes RAG – Ihre indexierten Dokumente, bei jeder Frage abgerufen und dem Modell bereitgestellt – liefert gleichwertige Ergebnisse zu einem Bruchteil der Kosten und des Aufwands. Fine-Tuning ist nur bei einem sehr spezifischen Stil oder Vokabular gerechtfertigt, nachdem RAG an seine Grenzen gebracht wurde.

Welches Modell sollte man zum Start wählen? Weniger entscheidend, als man denkt. Der Unterschied zwischen den führenden Modellen am Markt ist gering im Vergleich zur Wirkung Ihrer Datenqualität. Die vernünftige Wahl: ein gängiges Modell, hinter einer Abstraktionsschicht, die einen Wechsel ohne Neuprogrammierung der Anwendung ermöglicht – der Markt bewegt sich zu schnell, um sich festzulegen.

Wie lange dauert es bis zu einem ersten nutzbaren Ergebnis? Eine gut umrissene Explorationsphase – ein präziser Anwendungsfall, ein direkter Modellaufruf – liefert ihre Erkenntnisse innerhalb weniger Wochen. Der in Ihren Daten verankerte Prototyp benötigt anschliessend einige Monate, Evaluation eingeschlossen. Misstrauen Sie sowohl Versprechen einer vollständigen Bereitstellung in fünfzehn Tagen als auch Projekten, die achtzehn Monate bis zum ersten Nutzertest einplanen.

Wie stelle ich sicher, dass meine Daten in der Schweiz bleiben? Es gibt drei Stufen mit zunehmender Strenge: vertragliche Zusagen zur Nicht-Speicherung mit dem Modellanbieter, Hosting auf schweizerischer oder europäischer Infrastruktur, oder der Einsatz eines offenen Modells auf Ihrer eigenen Infrastruktur. Die passende Stufe hängt von der tatsächlichen Sensibilität der verarbeiteten Daten ab – das ist eine Entscheidung der Konzeptionsphase, kein technisches Detail.

Zeichnet sich in Ihrem Unternehmen ein KI-Projekt ab? Die KI-Nutzungsdiagnose: sechzig Minuten, um Ihre realen Abläufe zu erfassen, zu identifizieren, was eine Individuallösung verdient, was als SaaS bleibt, und was gar keine KI braucht. Diagnose vereinbaren

Quellen

[1] Bundesgesetz über den Datenschutz (DSG), Revision vom 25. September 2020, in Kraft getreten am 1. September 2023. www.fedlex.admin.ch/eli/cc/2022/491/fr [↩]

Jérôme Deshaie ist CEO und Gründer von MCVA Consulting SA, einer augmentierten Agentur mit Sitz im Wallis. Fünfzehn Jahre im Dienst grosser internationaler Marken, jetzt direkt für Schweizer KMU. Werdegang.