Künstliche Intelligenz (KI): Definition, Verfahren und Einsatz im IT Service Management

Künstliche Intelligenz (KI) bezeichnet Computersysteme, die aus Eingaben Vorhersagen, Inhalte, Empfehlungen oder Entscheidungen ableiten, also Leistungen, für die bisher menschliches Urteilsvermögen nötig war. Heute geschieht das meist mit Verfahren, die Muster aus Daten lernen. Die EU-KI-Verordnung (AI Act) fasst das juristisch: Ein KI-System ist ein maschinengestütztes System, das mit unterschiedlichem Grad an Autonomie arbeitet und aus seinen Eingaben ableitet, wie es solche Ausgaben erstellt.

Für die Unternehmens-IT ist weniger die Frage wichtig, ob eine Software „intelligent“ ist. Entscheidend ist, wo statistische Verfahren verlässlich genug arbeiten, um im Service Desk Arbeit vorzubereiten oder zu übernehmen, und wie man ihre Ergebnisse kontrolliert. Wer KI in standardisierte Serviceprozesse einbettet, kann sie über viele Teams hinweg gleich nutzen. Wer sie neben den Prozessen einsetzt, erhält Ergebnisse, die niemand systematisch prüft.

Das Wichtigste in Kürze

• Prinzip: Klassische Software folgt festen Regeln. Heutige KI-Verfahren lernen meist aus Beispielen und liefern Ergebnisse mit einer Wahrscheinlichkeit, nicht mit Gewissheit.
• Formen: Maschinelles Lernen ist das Fundament. Deep Learning nutzt mehrschichtige neuronale Netze, generative KI wie große Sprachmodelle erzeugt neue Texte, Bilder oder Code.
• ITSM: Typische Einsatzfelder sind Chatbots, Lösungsvorschläge, das Erkennen ähnlicher Tickets, Entwürfe für Wissensartikel und Auffälligkeiten im Monitoring.
• Regeln: Der AI Act ist seit August 2024 in Kraft und gilt gestaffelt. Die Pflichten richten sich nach dem Risiko. Chatbots müssen seit dem 2. August 2026 erkennbar machen, dass sie KI sind.

Stand: November 2026 · Fachlich abgeglichen mit der Verordnung (EU) 2024/1689 in der Fassung der Verordnung (EU) 2026/1744, dem Betriebsverfassungsgesetz, Veröffentlichungen des BSI und dem NIST AI Risk Management Framework (Quellen am Ende des Artikels)

So arbeitet Künstliche Intelligenz

Der Begriff „Artificial Intelligence“ stammt aus dem 1955 eingereichten Antrag für den Dartmouth-Workshop im Sommer 1956. Seitdem haben sich zwei Grundrichtungen herausgebildet, die bis heute nebeneinander bestehen.

Regelbasierte und lernende Verfahren

• Symbolische oder regelbasierte KI arbeitet mit Wissen, das Menschen ausdrücklich formulieren: Wenn-dann-Regeln, Entscheidungsbäume, Expertensysteme. Das Ergebnis ist nachvollziehbar, aber jede neue Situation braucht eine neue Regel.
• Maschinelles Lernen (Machine Learning) leitet die Regeln selbst aus Beispielen ab. Beim überwachten Lernen sind die Beispiele mit der richtigen Antwort versehen, beim unüberwachten Lernen sucht das Verfahren selbst nach Gruppen und Auffälligkeiten. Beim bestärkenden Lernen lernt ein System aus Belohnung und Strafe.

Angenommen, ein Unternehmen trainiert ein Modell mit historischen Tickets, die Mitarbeitende im Service Desk bereits einer Kategorie zugeordnet haben. Das Modell lernt, welche Wörter und Kombinationen typisch für „Drucker“, „Zugang“ oder „ERP“ sind, und schlägt für neue Tickets eine Kategorie mit einer Wahrscheinlichkeit vor. Waren die alten Zuordnungen uneinheitlich, lernt es genau diese Uneinheitlichkeit mit.

Deep Learning und generative KI

Deep Learning ist ein Teilgebiet des maschinellen Lernens, das mit künstlichen neuronalen Netzen aus vielen Schichten arbeitet. Diese Netze verarbeiten unstrukturierte Daten wie Sprache, Bilder oder Logdateien, ohne dass jemand vorher die relevanten Merkmale festlegen muss.

Generative KI nutzt solche Netze, um neue Inhalte zu erzeugen. Große Sprachmodelle (Large Language Models, LLMs) sind mit sehr großen Textmengen trainiert und berechnen, welches Textstück am wahrscheinlichsten folgt. Das BSI ordnet generative Modelle den universell einsetzbaren KI-Modellen zu: Sie können übersetzen, klassifizieren, zusammenfassen und formulieren. Weil sie Wahrscheinlichkeiten fortschreiben und keine Fakten nachschlagen, erzeugen sie auch plausibel klingende Falschaussagen, die oft als Halluzinationen bezeichnet werden.

Im Unternehmen werden Sprachmodelle deshalb häufig mit eigenen Quellen verbunden. Bei diesem Ansatz (Retrieval-Augmented Generation, RAG) sucht das System zuerst passende Dokumente, etwa aus der Wissensdatenbank, und lässt das Modell die Antwort daraus formulieren. Die Qualität der Antwort hängt dann direkt von der Qualität dieser Dokumente ab.

Schwache und starke KI

Alle heute produktiv eingesetzten Systeme sind auf bestimmte Aufgaben spezialisiert. Fachleute sprechen von schwacher oder enger KI. Eine allgemeine KI, die beliebige geistige Aufgaben auf menschlichem Niveau löst, gibt es bisher nicht.

KI oder regelbasierte Automatisierung?

Viele Aufgaben im IT Service Management lassen sich ohne KI automatisieren. Ein Workflow, der jede Anfrage aus dem Formular „Neuer Mitarbeiter“ an das HR-Team zur Freigabe schickt, braucht keine Wahrscheinlichkeit, sondern eine feste Regel. KI lohnt sich dort, wo Eingaben unstrukturiert sind und sich nicht vollständig in Regeln fassen lassen, etwa bei frei formulierten E-Mails.

In der Praxis ergänzen sich beide. Die KI erkennt, worum es in einer Anfrage geht, und macht einen Vorschlag. Der Workflow sorgt dafür, dass danach die richtigen Schritte, Freigaben und Fristen greifen. So bleiben die verbindlichen Teile eines Prozesses regelbasiert und prüfbar.

Die Begriffe im Verhältnis

• Künstliche Intelligenz ist der Oberbegriff.
• Machine Learning ist der Teil der KI, der aus Daten lernt.
• Deep Learning ist der Teil des Machine Learning, der tiefe neuronale Netze nutzt.
• Generative KI ist eine Anwendung von Deep Learning, die neue Inhalte erzeugt. Natural Language Processing (NLP) bezeichnet die Verarbeitung menschlicher Sprache, mit oder ohne generative Modelle.

KI im IT Service Management einführen

Im Service Desk entfaltet KI ihren Nutzen entlang des Ticket-Lebenszyklus. An jedem Punkt bleibt die Frage gleich: Wer prüft das Ergebnis, bevor es Wirkung entfaltet?

• Eingang: Ein Chatbot beantwortet Standardfragen rund um die Uhr und legt ein Ticket an, wenn er nicht weiterkommt.
• Erfassung: Modelle schlagen Kategorie, Priorität oder zuständige Gruppe vor. Die verbindliche Zuordnung bleibt eine Regel oder eine Person.
• Bearbeitung: Die KI sucht passende Lösungen aus der Knowledge Base und ähnliche, bereits gelöste Incidents.
• Problem Management: Häufungen ähnlicher Störungen werden schneller sichtbar und lassen sich als Problem bündeln.
• Wissen: Generative KI entwirft aus gelösten Tickets Wissensartikel, die ein Mensch prüft und freigibt.

In fünf Schritten zum skalierbaren Einsatz

1. Anwendungsfall und Kennzahl festlegen: zum Beispiel den Anteil der Tickets, die ohne Weiterleitung gelöst werden, oder die Zeit bis zur ersten Antwort. Ohne Ausgangswert lässt sich kein Nutzen belegen.
2. Datenbasis prüfen: Einheitliche Kategorien, vollständige Lösungstexte und eine aktuelle Wissensdatenbank sind wichtiger als die Wahl des Modells.
3. Menschliche Kontrolle einplanen: Festlegen, welche Vorschläge automatisch übernommen werden dürfen und welche eine Bestätigung brauchen.
4. Pilot mit einem Team: Ergebnisse gegen die Kennzahl messen, verworfene Vorschläge auswerten, Quellen nachbessern.
5. Standardisiert ausrollen: Gleiche Kategorien, Vorlagen und Freigaberegeln für alle Teams, damit die KI überall auf dieselbe Datenbasis trifft. Danach die Qualität laufend beobachten, denn Themen und Systeme ändern sich.

KI-Funktionen in ky2help^®

ky2help^® bindet KI an zwei Stellen in den Serviceprozess ein. Der KI-Supportagent analysiert eingehende Anfragen, liefert Lösungsvorschläge und zeigt Bearbeitenden bestehende Problem-Tickets, die thematisch zum aktuellen Incident passen könnten. Der Chatbot „Apptiva Klar“ des Schweizer Partners Apptiva greift auf die ky2help^® Knowledge Base und auf festgelegte externe Quellen zu, legt bei Bedarf direkt im Chat ein Ticket mit dem Gesprächsverlauf an und übergibt an Mitarbeitende, wenn er eine Anfrage nicht lösen kann. Die Abläufe drumherum lassen sich im Prozessdesigner per Drag-and-Drop ohne Programmierung anpassen.

KI-Funktionen ansehen

Risiken, AI Act und Mitbestimmung

Technische und fachliche Risiken

• Falsche Antworten: Sprachmodelle formulieren auch dann sicher, wenn die Quelle fehlt. Antworten an Kunden oder Mitarbeitende sollten auf geprüftes Wissen gestützt und als KI-Antwort erkennbar sein.
• Verzerrungen (Bias): Ein Modell übernimmt Muster aus seinen Trainingsdaten, auch unerwünschte. Wurden Tickets eines Standorts früher stets niedriger priorisiert, schlägt die KI das weiter vor.
• Prompt Injection: Liest ein Sprachmodell Tickettexte, E-Mails oder Dokumente, können darin versteckte Anweisungen sein Verhalten ändern. Das BSI hat dazu einen eigenen Basisschutz für dokumentbasierte LLM-Chats veröffentlicht.
• Datenschutz: Tickets enthalten Personendaten. Es muss klar sein, wohin Eingaben fließen, ob sie gespeichert und ob sie zum Training verwendet werden. Rein automatisierte Entscheidungen, die Personen gegenüber rechtliche Wirkung entfalten oder sie ähnlich erheblich beeinträchtigen, begrenzt Art. 22 DSGVO.

Das NIST AI Risk Management Framework ordnet solche Risiken in vier Funktionen: steuern (Govern), erfassen (Map), messen (Measure) und behandeln (Manage). Das hilft, KI-Risiken in das vorhandene Risikomanagement der IT einzugliedern, statt eine Parallelstruktur aufzubauen.

Was der AI Act von Anwendern verlangt

Die Verordnung (EU) 2024/1689 regelt KI nach Risiko. Bestimmte Praktiken sind seit dem 2. Februar 2025 verboten, darunter das Ableiten von Emotionen von Beschäftigten am Arbeitsplatz, sofern es nicht medizinischen oder Sicherheitsgründen dient. Seit demselben Tag verlangt Art. 4, dass Unternehmen die KI-Kompetenz ihres Personals fördern. Die Änderungsverordnung (EU) 2026/1744 („Digital Omnibus“) hat diese Pflicht präzisiert: Gefordert sind Maßnahmen, kein garantiertes Kompetenzniveau.

Für Systeme, die direkt mit Menschen interagieren, gilt seit dem 2. August 2026 eine Transparenzpflicht (Art. 50). Ein Service-Chatbot muss also erkennbar machen, dass er eine Maschine ist. Ein Chatbot oder ein Vorschlagsmodell für Tickets ist in der Regel kein Hochrisiko-System. Anders kann es aussehen, wenn KI Aufgaben aufgrund des individuellen Verhaltens von Beschäftigten zuweist oder deren Leistung bewertet (Anhang III Nr. 4). Für solche Hochrisiko-Systeme gelten die Pflichten nach der Änderung ab dem 2. Dezember 2027.

Betriebsrat früh einbinden

Nach § 90 Abs. 1 Nr. 3 BetrVG muss der Arbeitgeber den Betriebsrat über die Planung von Arbeitsverfahren einschließlich des Einsatzes von KI rechtzeitig unterrichten. Kann ein System Verhalten oder Leistung von Beschäftigten überwachen, hat der Betriebsrat nach § 87 Abs. 1 Nr. 6 BetrVG mitzubestimmen. Im Service Desk betrifft das schnell Auswertungen pro Bearbeiter. Muss der Betriebsrat eine KI-Einführung beurteilen, gilt ein Sachverständiger nach § 80 Abs. 3 BetrVG als erforderlich.

Häufige Fragen zu Künstlicher Intelligenz

Was ist Künstliche Intelligenz einfach erklärt?

Künstliche Intelligenz ist Software, die aus Beispielen Muster lernt und damit Aufgaben erledigt, für die bisher menschliches Urteilsvermögen nötig war, etwa Texte verstehen, Bilder erkennen oder Prognosen erstellen. Anders als klassische Programme folgt sie nicht nur festen Regeln, sondern liefert Ergebnisse mit einer Wahrscheinlichkeit.

Was ist der Unterschied zwischen KI, Machine Learning und Deep Learning?

KI ist der Oberbegriff für Systeme, die Ausgaben wie Vorhersagen oder Empfehlungen aus Eingaben ableiten. Machine Learning ist der Teil der KI, der Regeln aus Daten lernt. Deep Learning ist eine Form des Machine Learning mit vielschichtigen neuronalen Netzen und die Grundlage heutiger Sprach- und Bildmodelle.

Was ist generative KI?

Generative KI erzeugt neue Inhalte wie Texte, Bilder oder Programmcode. Große Sprachmodelle berechnen dabei, welches Textstück am wahrscheinlichsten folgt. Sie können deshalb überzeugend formulieren und trotzdem falsch liegen. Im Unternehmen verbindet man sie oft mit geprüften eigenen Quellen.

Welche Aufgaben kann KI im Service Desk übernehmen?

KI kann Standardfragen per Chatbot beantworten, Kategorie oder Priorität vorschlagen, passende Lösungen und ähnliche Tickets finden, Häufungen von Störungen sichtbar machen und Wissensartikel entwerfen. Verbindliche Schritte wie Freigaben und Eskalationen bleiben besser in regelbasierten Workflows.

Was verlangt der EU AI Act von Unternehmen, die KI im ITSM nutzen?

Unternehmen müssen seit Februar 2025 Maßnahmen zur KI-Kompetenz ihres Personals ergreifen und verbotene Praktiken unterlassen. Chatbots müssen seit dem 2. August 2026 erkennbar machen, dass sie KI sind. Zusätzliche Pflichten für Hochrisiko-Systeme gelten ab Dezember 2027, im Service Desk vor allem dann, wenn KI die Leistung von Beschäftigten bewertet.

Welche KI-Funktionen bietet ky2help®?

ky2help® enthält einen KI-Supportagenten, der eingehende Anfragen analysiert, Lösungsvorschläge liefert und passende Problem-Tickets anzeigt. Dazu kommt der Chatbot „Apptiva Klar“, der auf die Knowledge Base zugreift, im Chat Tickets anlegt und an Mitarbeitende übergibt. In einer Live-Demo zeigen wir beides an Beispielen.

Quellen und weiterführende Artikel

Quellen

• EUR-Lex: Verordnung (EU) 2024/1689 (KI-Verordnung), Art. 3, 4, 5, 50 und Anhang III
• EUR-Lex: Verordnung (EU) 2026/1744 zur Änderung der KI-Verordnung (Digital Omnibus)
• Gesetze im Internet: § 90 BetrVG, § 87 BetrVG und § 80 BetrVG
• BSI: Künstliche Intelligenz und Generative KI-Modelle: Chancen und Risiken für Industrie und Behörden
• NIST: AI Risk Management Framework

Weiterlesen im Glossar und in der Wissenswelt

• Machine Learning, Natural Language Processing (NLP) und Chatbot
• Predictive Maintenance und Monitoring
• IT Service Management (ITSM) und ITIL Incident Management
• KI im Helpdesk: Einsatz im Kundensupport
• Automatisierung von Routineaufgaben im ITSM