Einsatz von KI und Automatisierung in der Digital-Business-Beratung

Letzte Woche hat mich die Community Digital Marketing Malaga eingeladen, unseren Fall vorzustellen. Also den Prozess, den wir in unseren Projekten der Digital-Business-Beratung bei Disruptivos durchlaufen haben, um uns an den Einzug der KI anzupassen, der wie in allen Branchen eine große (R)evolution ausgelöst hat.

Der Vortrag lief ziemlich gut, aber ehrlich gesagt hatte ich das erwartet, weil ich mit dem Prozess, den wir durchlaufen haben, und den erzielten Ergebnissen ziemlich zufrieden bin. Vor allem, weil wir die nötigen Grundlagen geschaffen haben, auf denen wir weiter wachsen können, ohne wieder bei null anzufangen.

Wenn du irgendeine Art von Beratung machst – digital oder nicht –, wirst du sehen, dass 80 % von dem, was ich erzähle, auf dein Geschäft übertragbar sind, deshalb möchte ich hier die wichtigsten Punkte des Vortrags zusammenfassen.

Gründe für den Einsatz von KI und die Automatisierung von Prozessen

Es gibt offensichtliche Gründe, wie du gleich sehen wirst, aber als wir wirklich analysierten, was wir mit KI erreichen wollten, stellten wir fest, dass Zeitersparnis nur ein Teil der Vorteile war.

Tatsächlich haben einige der Vorteile, die mir heute am wichtigsten erscheinen, weniger damit zu tun, Beratung schneller zu machen, als damit, sie besser und vor allem konsistenter zu machen.

Die Frage, die alles ins Rollen bringt: Liefert uns KI wirklich die Ergebnisse, die wir wollen?

ChatGPT liefert uns erstaunliche Ergebnisse. Du hast einen guten Prompt vorbereitet, etwas Kontext hinzugefügt und hattest in wenigen Sekunden eine Analyse, einen Vorschlag oder ein Dokument, das vorher deutlich mehr Zeit gekostet hätte.

Das Problem trat auf, wenn du versucht hast, dieses Ergebnis in einem echten Projekt einzusetzen. 

Oft war die Qualität nicht ausreichend, es fehlte an Tiefe, manche Antworten waren besser als andere, und das Ergebnis hing zu stark davon ab, wie du den Prompt formuliert oder welche Informationen du hinzugefügt hattest.

Deshalb haben wir schließlich die Frage geändert. Statt uns einfach zu fragen, wie wir mehr KI einsetzen könnten, begannen wir uns zu fragen, was wir in unseren Prozessen ändern mussten, damit uns die KI die Ergebnisse liefert, die wir wirklich brauchten.

Diese Veränderung wirkt klein, aber für mich ist sie die Grundlage für alles, was wir danach gemacht haben. 

KI zu nutzen ist sehr einfach. Sie zu einem Teil eines professionellen, wiederholbaren Prozesses mit klaren Qualitätsstandards zu machen, ist deutlich schwieriger.

Zeit zu sparen ist nur der offensichtlichste Grund

Der erste Vorteil der Automatisierung liegt auf der Hand: Zeit sparen. Eine Beratung umfasst einen erheblichen Anteil an Informationsrecherche, Datensammlung, Voranalysen, Dokumentenerstellung und administrativen Aufgaben, die notwendig sind, aber nicht von einer Person von Anfang bis Ende manuell erledigt werden müssen.

Mehr noch: Das sollten sie nicht.

Denn wenn wir eine Aufgabe, die früher vier Stunden brauchte, auf eine Stunde reduzieren, haben wir drei zusätzliche Stunden für andere Dinge. Über alle Phasen eines Projekts hinweg multipliziert hat das einen erheblichen Effekt.

Aber es gibt einen wichtigen Punkt: die Zeitersparnis durfte nicht auf Kosten der Qualität gehen. Wenn eine Aufgabe nur halb so lange dauert, das Ergebnis aber schlechter ist, ist das für uns keine echte Verbesserung.

Deshalb ist es wichtig, Zeit zu sparen und dabei dasselbe Qualitätsniveau zu halten.

Die Qualität aller Beratungsprojekte standardisieren

Das ist wahrscheinlich der Grund, der am meisten Gewicht für mich bekommen hat.

Wenn mehrere Personen Beratungsprojekte durchführen, sind Unterschiede unvermeidlich. Ein Berater kann besonders gut im technischen SEO sein, während ein anderer viel tiefer ins Linkbuilding einsteigt. Einer kann extrem detaillierte Dokumente erstellen, ein anderer deutlich direkter sein.

Das ist per senicht schlecht, denn idealerweise nutzt man die Erfahrung jeder Person. Es kann aber zum Problem werden, wenn die Tiefe und Qualität der Leistung zu stark davon abhängen, welcher Berater das Projekt durchführt.

Wir wollten genau das Gegenteil erreichen. Wenn ein Kunde eine Digital-Business-Beratung bei Disruptivos beauftragt, sollte ein bestimmtes Maß an Tiefe und Konsistenz bestehen – unabhängig davon, wer sie durchführt.

Hier können uns KI und Automatisierung sehr helfen, denn wir können im Voraus festlegen, welche Elemente geprüft werden müssen, welche KPIs zu analysieren sind, welche Dokumentation zu verwenden ist und welche Mindesttiefe wir in jedem Abschnitt erwarten.  

Anschließend kann der Berater natürlich ergänzen, bewerten und ändern, was er für sinnvoll hält, aber es gibt eine gemeinsame Basis die alle Projekte erfüllen müssen.

Dem Berater die Arbeit überlassen, die wirklich Mehrwert schafft

Der Wert eines Beraters liegt vor allem in seinem Urteilsvermögen. Darin, das Geschäft zu verstehen, zu wissen, welche Informationen wichtig sind und welche nicht, eine Schlussfolgerung zu hinterfragen, etwas Unstimmiges zu erkennen, Prioritäten zu setzen oder zu entscheiden, was angesichts der tatsächlichen Einschränkungen des Kunden sinnvoll ist.

Er liegt natürlich auch in der Beziehung zu diesem Kunden. Es gibt Dinge, die weder in Analytics noch in Search Console oder einem CRM auftauchen und die du erst verstehst, nachdem du mit den Menschen gesprochen hast, die das Geschäft kennen.

Deshalb war unsere Idee nie, dass die KI die Beratung übernimmt, sondern dass sie einen Teil der vorbereitenden, wiederholenden oder mechanischen Arbeit erledigt, damit der Berater mehr Zeit genau dort einsetzen kann, wo seine Erfahrung den größten Mehrwert schafft.

Neue Berater unterstützen, ohne ständig von Senior-Beratern abhängig zu sein

Ein weiteres Problem entsteht, sobald ein Team wächst oder wenn du jemanden in ein anderes Projekt versetzt. In den ersten Tagen oder Wochen muss diese Person Fragen stellen und zwar ständig, weil ihr der vollständige Kontext fehlt.

• Wo ein Dokument liegt.
• Welche Vorlage verwendet werden soll.
• Wer für einen bestimmten Bereich verantwortlich ist.
• Welche KPIs analysiert werden müssen.
• Wie ein bestimmtes Deliverable aufgebaut ist. 

Das ist völlig normal, hat aber eine ziemlich offensichtliche Folge: damit eine Person vorankommt, muss eine andere ihre Arbeit ständig unterbrechen.

Und genau hier kommt KI ins Spiel, denn sie kann zu einer Wissensebene für das Projekt und das Unternehmen selbst werden. Wenn Methodik, Prozesse, Vorlagen, Verantwortliche und Dokumentation gut organisiert sind, lassen sich viele dieser Fragen direkt beantworten, ohne immer einen anderen Berater hinzuziehen zu müssen.

Das ersetzt keine Schulung, sondern reduziert einfach viele Unterbrechungen ohne Mehrwert und hilft einer neuen Person, schneller selbstständig zu werden.

Die Beratungsmethodik von Disruptivos

Zunächst muss man erklären, dass sich zwar der Ausführungsprozess verändert hat, das Framework bzw. die Beratungsmethodik des Unternehmens aber nicht. Sie ist vor und nach der KI exakt dieselbe. Und wenn du Berater bist, wird dir das wahrscheinlich bekannt vorkommen oder dem ähneln, was du bereits tust.

Die drei Phasen einer Beratung

Unsere Methodik lässt sich in drei große Phasen zusammenfassen: verstehen, denken und umsetzen.

Die erste besteht darin, das Geschäft zu verstehen. Hier analysieren wir das Unternehmen, seine Zahlen, sein Wertversprechen, seine Technologie und Ziele, prüfen seine digitalen Kanäle und Assets und ergänzen das Ganze durch Marktforschung, Nachfrageanalyse und Wettbewerbsanalyse.

Danach folgt die Phase des Denkens. Mit all diesen Informationen erstellen wir einen strategischen Plan der im Wesentlichen drei Fragen beantworten muss: was getan werden muss, in welcher Reihenfolge und wer es tun sollte.

Die dritte Phase ist die Umsetzung. Nicht alle Projekte gehen bis hierhin, denn einige enden mit der Übergabe des strategischen Plans und der Kunde setzt ihn selbst um, während wir bei anderen weiter an der Umsetzung der vorgeschlagenen Verbesserungen arbeiten.

Den gesamten Prozess zerlegen

Nachdem die Methodik erklärt war, haben wir sie als Nächstes zerlegt.

Es reichte nicht zu sagen, dass wir ein SEO-Audit, eine Marktanalyse oder einen strategischen Vorschlag machen. Wir gingen mehrere Ebenen tiefer – später würden wir noch weiter aufschlüsseln – und kamen auf 6 Schritte mit mehreren Meilensteinen in jedem davon.

Für jeden Meilenstein beantworteten wir drei sehr einfache Fragen: Wie viel Zeit brauchen wir aktuell dafür, welcher Teil könnte automatisiert werden und wie viel Zeit sollte es danach dauern. Das Erste hatten wir berechnet, die anderen beiden waren Schätzungen, die wir in realen Projekten testen mussten.

Und hier entstand eine der Ideen, die du aus diesem gesamten Prozess mitnehmen solltest: wenn ein Prozess nur in deinem Kopf existiert, bist du noch nicht bereit, ihn zu automatisieren.

Zuerst musst du ihn aufschreiben, aufteilen und erklären, wie er funktioniert. Andernfalls wirst du beim Automatisieren Ausnahmen, Entscheidungen oder kleine Schritte entdecken, die für eine erfahrene Person intuitiv sein können, die du aber nie dokumentiert hattest.

Und die daher ein neuer Berater oder eine KI nicht korrekt verarbeiten können.

Automatisierungsgrade

Nicht jede Aufgabe lässt sich im gleichen Maß automatisieren.

Zum Beispiel kann ein großer Teil der Marktforschung automatisiert werden. Wir können Suchvolumina, Trends und öffentliche Brancheninformationen sammeln oder Teile der digitalen Präsenz von Wettbewerbern analysieren, ohne dass eine Person die gesamte Arbeit manuell erledigen muss.

In anderen Bereichen ist der Anteil deutlich geringer. Heuristische CRO-Analysen etwa haben weiterhin einen sehr hohen Anteil menschlichen Urteilsvermögens.

Bestimmte administrative Aufgaben wie das Erstellen von Ordnerstrukturen oder Projekten in Asana können fast vollständig automatisiert werden.

Deshalb darfst du Automatisierung nicht als Alles-oder-nichts-Frage betrachten. Es gibt Prozesse, bei denen sich 80 % automatisieren lassen, und andere, bei denen nur 20 % sinnvoll sind – und das ist überhaupt kein Problem.

Und denk an das, was wir vorher gesagt haben: Die Frage ist nicht, ob sich eine Aufgabe vollständig automatisieren lässt, sondern welcher Teil sinnvoll automatisiert werden kann, ohne das Ergebnis zu verschlechtern.

Unsere Ergebnisse

Wenn wir die durchschnittliche Zeit addieren, die wir früher für alle Aufgaben einer Digital-Business-Beratung aufgewendet haben, lag ein typisches Projekt ungefähr bei 80 bis 100 Arbeitsstunden.

Nach der Analyse des Automatisierungspotenzials jedes Abschnitts kamen wir theoretisch auf etwa 38 Stunden. Auf dem Papier war das eine enorme Reduktion, praktisch auf weniger als die Hälfte der ursprünglichen Zeit.

Die Realität ist noch nicht so weit.

Aktuell liegen wir eher bei 50 Stunden, was immer noch nahezu einer Halbierung der Zeit entspricht, die wir früher benötigten. Bei gleichbleibenden Qualitätsstandards, die, wie ich schon sagte, nicht verhandelbar waren.

Und es sind nicht 38 Stunden, weil Prozesse Ausnahmen haben, Fehler auftreten, Kunden unterschiedlich sind und nicht jede Integration ideal funktioniert. Den perfekten Ablauf zu automatisieren kann sogar relativ einfach sein, aber alles zu automatisieren, was schiefgehen kann, ist praktisch unmöglich. Und es lohnt sich nicht.

Das Ergebnis ist gut. Und noch wichtiger: wir haben jetzt eine Grundstruktur, die wir weiter verbessern können statt nur davon abhängig zu sein, immer neue Prompts oder Tools hinzuzufügen.

Die Systeme und Tools, die wir aufbauen

Nachdem wir den Prozess definiert und verstanden hatten, welche Teile sinnvoll automatisiert werden konnten, begannen wir mit dem Aufbau der Tools.

Am Anfang war uns egal, ob die Lösung am Ende ein GPT, ein n8n-Workflow, ein Agent oder eine eigene Anwendung sein würde. Zuerst mussten wir genau definieren, welche Aufgabe oder welchen Prozess wir lösen wollten, und danach das passende Tool wählen.

Unser eigentliches Ziel war sehr konkret und vielleicht etwas anders, als du erwartest, grenzte aber sehr gut ein, was wir erreichen wollten: jedem neuen Berater das Leben leichter machen, ohne unsere Standards zu senken.

Als Erstes: Prozesse, Metriken, KPIs und Vorlagen dokumentieren

Dafür mussten wir den gesamten Beratungsprozess dokumentieren und zwar deutlich detaillierter als zuvor, als wir die Methodik aufgeschlüsselt hatten. Jeder Abschnitt wurde zu konkreten Aufgaben mit Anweisungen, zugehörigen Dokumenten und Vorlagen, die erklärten, wie sie ausgeführt werden sollten.

Danach machten wir dasselbe mit den Metriken und KPIs.

Wir haben verschiedene Beratungsstufen und wissen je nach Projekt, welche konkreten Metriken in jedem Bereich des digitalen Geschäfts analysiert werden sollten, etwa SEO, CRO, Paid Media, E-Mail oder Content. Ein Berater kann alles ergänzen, was er für nötig hält, aber es gibt eine Mindestbasis, die geprüft werden muss und für alle Beratungsprojekte Standard ist.

Das Gleiche gilt für die Audits selbst. Wir haben Vorlagen erstellt, damit wir der KI nicht einfach sagen, sie solle „ein Audit machen“, sondern ihr unsere Struktur, die zu analysierenden Bereiche und die Art der Informationen vorgeben, die wir erwarten.

Ein weiterer zentraler Punkt, den du mitnehmen solltest: wir lassen nicht die KI entscheiden, wie eine gute Beratung aussehen soll. Zuerst definieren wir selbst den Standard und lassen die KI anschließend innerhalb dieses Rahmens arbeiten.

Den Automatisierungsgrad wählen: die drei Ansätze

Von dort aus können wir unterschiedliche Automatisierungsgrade wählen.

Der erste und einfachste besteht darin, KI als Assistenten zu nutzen. Das kann ein benutzerdefiniertes GPT, ein Gem, ein Projekt mit bestimmten Anweisungen oder ein ähnliches Tool sein, dem wir unsere Methodik und Dokumentation bereitstellen.

Das ist die Option mit dem geringsten Automatisierungsgrad, aber auch die, mit der sich am schnellsten Ergebnisse erzielen lassen, ohne zu viel entwickeln zu müssen.

Die zweite Stufe besteht darin, Aufgaben durch die Verbindung verschiedener Tools zu automatisieren. Hier kommen Systeme wie n8n ins Spiel, mit denen Informationen automatisch von einer Anwendung zur anderen weitergegeben werden können, KI-Modelle an bestimmten Stellen des Prozesses eingebunden werden und menschliche Validierungen erhalten bleiben, wenn sie nötig sind.

Und die dritte Stufe wäre, ein vollständiges System zu bauen – entweder mit Agenten oder mit unserem eigenen SaaS mit Frontend und Backend.

Als wir mit all dem begannen, waren Agenten weniger weit entwickelt als heute, deshalb setzten wir vor allem auf die ersten beiden Wege. Wenn wir heute bei null anfangen würden, würden wir eine agentenbasierte Architektur sicherlich viel genauer prüfen, auch wenn ich weiterhin glaube, dass es sinnvoll ist, zuerst jeden Teil des Prozesses zu validieren, bevor man ein riesiges System baut.

Die Tools, die wir entwickelt haben

Aus diesem ganzen Prozess sind verschiedene Tools und Experimente entstanden. Einige funktionieren bereits, andere entwickeln sich weiter und mehrere werden sich in den kommenden Monaten vermutlich stark verändern.

Interessant ist weniger das konkrete Tool, das wir verwenden, denn in zwei Jahren werden viele davon wahrscheinlich anders sein, sondern welches Problem jedes davon innerhalb des Prozesses löst.

Oráculo: eine Wissensdatenbank für jedes Projekt

Eines der ersten Dinge, die wir entwickelt haben, war unser internes Oráculo.

Der Name klingt vielleicht fortschrittlicher, als es tatsächlich ist. Im Grunde geht es um eine Wissensdatenbank, in der die für die Arbeit am Projekt nötigen Informationen liegen: 

1. Projektkontext.
2. Kommunikation mit dem Kunden.
3. Unsere Deliverables (Audits, Leitfäden …)
4. Informationen aus unserem Projektmanagement-Tool.
5. Monatlicher KPI-Bericht.

All das innerhalb eines KI-Systems, damit der Berater Fragen stellen kann.

Alles Mögliche.

Mit diesen Quellen ist es tatsächlich schwer, eine Frage zu haben, die Oráculo nicht gut beantworten kann.

Wir haben ein Oráculo pro Kunde und ein weiteres für jedes einzelne Projekt, sodass sich jeder neue Berater leicht orientieren kann.

Natürlich funktioniert das nur, wenn die Ausgangsinformationen gut organisiert und aktuell sind; ungeordnete Dokumentation in eine KI zu laden sorgt nicht auf magische Weise dafür, dass sie plötzlich geordnet ist.

Projektmanagement mit n8n, Drive und Asana automatisieren

Ein weiteres Beispiel ist ein Workflow, den wir in n8n erstellt haben, um einen Teil der Projektmanagement-Ebene zu automatisieren.

Wenn der Vertrieb ein Projekt abschließt, erstellt er einen Bericht nach einer bestimmten Struktur. Der Berater muss diese Informationen nur kopieren und an den Workflow übergeben, wo wir einen KI-Node verwenden, um sie zu interpretieren und automatisch sowohl die Ordner- und Dokumentstruktur in Google Drive als auch das entsprechende Projekt und die Aufgaben in Asana vorzubereiten.

Bevor etwas erstellt wird, zeigt das System die Informationen an und fordert vom Berater eine Bestätigung. Wenn etwas falsch ist, können wir es ändern, bevor der restliche Prozess ausgeführt wird.

Diese Entwicklung hat uns außerdem noch etwas Wichtiges gezeigt: zu automatisieren, wenn alles gut funktioniert, ist relativ einfach; Fehler und Ausnahmen zu behandeln ist deutlich komplizierter.

Ein Mensch wendet intuitiv eine Menge kleiner Regeln an, von denen er oft nicht einmal weiß, dass er sie anwendet. Wenn du einen Prozess automatisierst, müssen all diese Regeln niedergeschrieben sein und das System muss wissen, was es tun soll, wenn etwas nicht dem erwarteten Fall entspricht.

Beratungsassistent

Ein weiteres Tool, das wir bauen, hat ein etwas anderes Ziel: Es soll während der eigentlichen Beratung als Assistent dienen.

Die Idee ist hier, dass eine Person den Geschäftstyp und die wichtigsten KPIs eingibt und das System ihr dabei hilft zu erkennen, was sie prüfen sollte und wo Probleme liegen könnten.

Dafür muss das System die KPIs kennen, die wir für relevant halten, und mit öffentlichen Benchmarks sowie internen Informationen arbeiten, die ihm Kontext geben und die Bewertung der Metriken ermöglichen.

Wir wollen nicht, dass der Assistent Entscheidungen für den Berater trifft, sondern dass er Hinweise gibt und den Aufwand reduziert, der nötig ist, um an den Punkt zu gelangen, an dem der wirklich entscheidende Teil der Analyse beginnt.

Den ersten Entwurf eines Audits mit KI erstellen

Der nächste Schritt besteht darin, all das Vorherige zu nutzen, um den ersten Entwurf eines Audits zu erstellen.

Wir verwenden Projektvorlagen für Claude Code, Codex oder Antigravity, die speziell für einen Bereich vorbereitet sind und unsere Methodik, Vorlagen und Anweisungen enthalten, sodass die KI aus den verfügbaren Informationen, die wir bereitstellen, eine erste Version des Audit-Dokuments erstellen kann.

Wir testen diesen Ansatz bereits in Bereichen wie SEO, auch wenn er sich noch in Entwicklung befindet.

Eine Sache: einen ersten Entwurf zu erstellen bedeutet nicht, das endgültige Deliverable zu erstellen.

Der Berater muss den Entwurf weiterhin prüfen, bearbeiten, ordnen und priorisieren. KI kann dafür sorgen, dass er mit einem Dokument beginnt, das bereits zu 50 %, 60 % oder dem jeweils passenden Anteil fertig ist, statt jedes Mal mit einer leeren Seite anzufangen.

Das ist das Ziel: nicht den Berater zu ersetzen, sondern ihm einen deutlich besseren Ausgangspunkt zu geben.

Fazit und eine kleine Übung

Nach diesem ganzen Prozess gibt es mehrere Ideen, die du dir merken solltest.

Die erste ist, dass Automatisierung nicht einfach nur bedeutet, Zeit zu sparen. Eine Methodik zu dokumentieren, Standards zu definieren und festzulegen, was in jeder Situation geschehen soll, ist wichtiger als die Wahl des Tools, das den Prozess später ausführt.

Die zweite ist, dass es keine einzige Lösung für alles gibt. Manchmal reicht ein guter Prompt, manchmal ist ein benutzerdefiniertes GPT sinnvoll, in einigen Fällen brauchen wir n8n und in anderen entwickeln wir am Ende einen Agenten oder sogar eine vollständige Anwendung.

Du musst wissen, welche Arten von Tools es gibt und welches am besten zu dem Problem passt, das du lösen willst.

Die dritte hat mit der Rolle des Beraters zu tun. Je günstiger und schneller die Ausführung wird, desto wertvoller werden Urteilsvermögen, Entscheidungsfähigkeit, Management und die Kundenbeziehung.

Und es gibt eine vierte und letzte Konsequenz, die nicht jeder im Blick hat: KI erweitert enorm, was eine einzelne Person leisten kann.

Ein Marketing-Spezialist, der früher kein kleines Tool entwickeln konnte, weil er nicht programmieren konnte, kann es heute tun. Jemand mit CRM-Spezialisierung kann Automatisierungen erstellen, für die früher ein Entwickler nötig gewesen wäre, und eine Person aus dem Business kann Lösungen prototypisieren, deren Bau sie früher nicht einmal in Betracht gezogen hätte.

Das bedeutet nicht, dass wir alle zu Entwicklern, Designern oder Analysten geworden sind, sondern dass die Hürde der Umsetzung so stark gesunken ist, dass es immer wichtiger wird zu wissen, was wir bauen wollen, warum und wie es funktionieren soll und weniger, wie man es baut, denn die KI wird es mit den richtigen Anweisungen für uns tun.

Zum Abschluss des Artikels und des Vortrags lasse ich dir eine sehr einfache Übung da, die sich meiner Meinung nach lohnt.

Denk an eine Aufgabe, die du regelmäßig bei der Arbeit erledigst, und frag dich, welchen Teil dieser Aufgabe du in sechs Monaten nicht mehr manuell erledigen könntest. 

Dann überlege, was du brauchst, um das zu erreichen: vielleicht ein Tool, ein paar Stunden zur Dokumentation des Prozesses, Hilfe von einer anderen Person oder einfach das Wissen darüber, wie eine bestimmte Technologie funktioniert.

Damit hast du bereits den ersten Schritt auf dem Weg zur Automatisierung gemacht.

Wenn du den zweiten machen willst, wähle etwas Konkretes, das du noch diese Woche in einem echten Projekt testen kannst. 

So wirst du anfangen zu entdecken, wie sehr sich deine Arbeitsweise dadurch wirklich verändern kann.