Was "KI-gestützt" für ein SaaS wirklich bedeutet

Es gibt einen wichtigen Unterschied zwischen KI als Gimmick und KI als Kern-Workflow-Verbesserung. Ersteres fügt einen Chatbot hinzu, den niemand nutzt. Letzteres reduziert eine 30-Minuten-Aufgabe auf 30 Sekunden.

Effektive KI-Funktionen teilen drei Eigenschaften: 1. Sie verstärken einen Workflow, den der Nutzer bereits ausführt (sie lernen nichts Neues) 2. Sie produzieren Output, den der Nutzer sofort nutzen oder bearbeiten kann (kein Rohtext zum Neuformatieren) 3. Sie sparen messbar Zeit (Nutzer können den Unterschied beim ersten Einsatz spüren)

Bevor du eine KI-Funktion baust, beantworte: "Welche spezifische Nutzeraktion ersetzt das, und wie lange hat es vorher gedauert?" Im deutschen B2B-Segment, HR-Tech, Fintech, Legal-Tech, Mittelstandssoftware, sind Workflows mit hohem manuellen Dateneingabeaufwand die besten Kandidaten.

KI-Feature-Ideenfindung für SaaS-Produkte

Die besten KI-Funktionen entdeckt man, indem man Nutzern bei der Arbeit zusieht, nicht durch Brainstorming in einem Produktmeeting. Verbringe drei Stunden mit Nutzerinterviews, die sich auf eine Frage konzentrieren: Welche Aufgaben in diesem Produkt fühlen sich repetitiv oder mühsam an? Jede Antwort ist ein Kandidat für Automatisierung. Die Aufgaben, die am häufigsten genannt werden und die Nutzer mit einem leichten Anflug von Frustration beschreiben, sind dort, wo KI den größten wahrgenommenen Wert schafft.

Bei einem Projektmanagement-SaaS ist die häufigste Beschwerde das Schreiben von Status-Updates: Nutzer müssen manuell zusammenfassen, was diese Woche aus einer Liste abgeschlossener Aufgaben passiert ist. Eine KI, die das wöchentliche Update automatisch aus abgeschlossenen Aufgaben entwirft, ist ein sofortiger, offensichtlicher Gewinn. Bei einem CRM könnte es das Generieren von Follow-up-E-Mail-Entwürfen nach einem Meeting sein. Bei einem HR-Tool könnte es das Zusammenfassen von 360-Grad-Feedback-Antworten zu einem kohärenten Leistungsbeurteilungs-Entwurf sein.

Sobald du Kandidaten identifiziert hast, bewerte jeden mit drei Fragen: Lässt sich das mit einem gut strukturierten Prompt und vorhandenen Daten in der App umsetzen? Wird der Output gut genug sein, dass Nutzer ihn tatsächlich verwenden statt ihn zu ignorieren? Passt es zu einer Preisstufe, die eine Upsell-Gelegenheit schafft? Features, die alle drei Filter bestehen, sollten sofort auf die Roadmap. Features, die den zweiten Test nicht bestehen, weil die Output-Qualität zu inkonsistent wäre, sollten warten, bis dein Prompting besser ist oder sich das Modell verbessert.

Der No-Code-KI-Stack

Frontend: WeWeb (Web) oder FlutterFlow (Mobile), verwaltet UI, Formulare und die Anzeige von KI-Outputs.

Backend: Supabase, speichert Daten, führt Edge Functions aus, die OpenAI aufrufen, verwaltet Authentifizierung und Ratenbegrenzung. Wähle die EU-West-Region für DSGVO-Konformität.

KI-API: OpenAI GPT-4o für Textgenerierung und Reasoning. text-embedding-3-small für semantische Suche. Whisper für Sprache-zu-Text. DALL-E 3 für Bildgenerierung.

Orchestrierung (für komplexe KI-Workflows): n8n oder Make.com, um mehrere KI-Schritte zu verbinden, beispielsweise: Webhook empfangen → Text extrahieren → an GPT-4o senden → Output formatieren → in Supabase speichern → Nutzer per E-Mail benachrichtigen.

Dieser Stack erfordert null Machine Learning. Du rufst APIs auf, trainierst keine Modelle.

Fine-Tuning vs RAG: Training mit firmeneigenen Daten

Wenn ein Kunde uns bittet, seine KI-Funktion die Daten seines Unternehmens "kennen" zu lassen, gibt es zwei grundlegend unterschiedliche Ansätze: Fine-Tuning und Retrieval-Augmented Generation (RAG). Den Unterschied zu verstehen, ist entscheidend dafür, was du bauen solltest.

Fine-Tuning bedeutet, ein Modell auf deinen spezifischen Daten zu trainieren, indem du tausende Beispiele an OpenAIs Fine-Tuning-API übermittelst, damit das Modell Muster lernt, die spezifisch für deine Domäne sind. Das Ergebnis ist ein Modell, das in deinem Stil generiert, mit deiner Terminologie fest eingebaut. Fine-Tuning ist teuer (3 bis 50 $ pro Trainingsjob je nach Datensatzgröße), langsam (24 bis 48 Stunden) und erfordert gelabelte Trainingsbeispiele (Frage- plus Idealantwort-Paare, typischerweise 100 bis 1.000). Nutze Fine-Tuning nur, wenn du eine klar definierte Aufgabe mit konsistenten erwarteten Ausgaben und einem großen gelabelten Datensatz hast.

RAG ist für Business-Anwendungen fast immer die bessere Wahl. Statt das Modell zu trainieren, rufst du zum Abfragezeitpunkt relevante Dokumente aus einer Datenbank ab und fügst sie in den Prompt ein. Das Modell nutzt diese Dokumente als Kontext, um eine genaue, fundierte Antwort zu generieren. Implementiere RAG in Supabase mit der pgvector-Erweiterung: Bette deine Dokumente mit OpenAIs Embedding-API ein, speichere die Vektoren in einer pgvector-Spalte und finde zum Abfragezeitpunkt die Top-K ähnlichsten Dokumente per Kosinus-Ähnlichkeitssuche und füge sie dem System-Prompt hinzu. RAG ist günstiger, schneller einzurichten, leichter zu aktualisieren (einfach Dokumente hinzufügen oder bearbeiten) und liefert transparentere Ergebnisse, du kannst Nutzern immer die Quellen zeigen, die die KI verwendet hat.

5 KI-Funktionen, die sich 2025 zu bauen lohnen

1. KI-generierte Erstentwürfe: Nutzer füllt ein Kurz-Briefing aus (3-5 Felder), KI generiert einen Erstentwurf, den sie bearbeiten. Funktioniert für: Angebote, Stellenbeschreibungen, Produktspezifikationen, Marketingtexte. Spart 1-2 Stunden pro Dokument.

2. Semantische Suche: Statt Keyword-Matching, Dokumente/Einträge nach Bedeutung finden. Ein Nutzer, der nach "unzufriedener Kunde" sucht, findet Einträge mit den Tags "Beschwerde", "Rückerstattungsanfrage", "Churn". Implementiert mit pgvector in Supabase.

3. Auto-Zusammenfassung: Lange Threads, Dokumente oder Datensätze werden auf 3 Punkte zusammengefasst. Funktioniert in CRMs, Projekttools, allen Apps mit großen Textmengen.

4. KI-Datenextraktion: E-Mail oder Dokument einfügen, KI extrahiert strukturierte Daten (Name, Firma, Datum, Betrag) und füllt ein Formular vor. Eliminiert manuelle Dateneingabe.

5. Personalisierte Empfehlungen: Basierend auf früherem Verhalten schlägt KI nächste Aktionen, relevante Inhalte oder Optimierungen vor.

KI-UX-Muster, die funktionieren

Wie du KI-generierte Inhalte Nutzern präsentierst, hat genauso viel Einfluss auf die wahrgenommene Qualität wie die KI selbst. Nutzer, die sehen, wie sich ein leeres Textfeld plötzlich mit KI-generiertem Inhalt füllt, sind beim ersten Mal oft überrascht und begeistert, aber das Vertrauen schwindet, wenn der Output durchgehend falsch oder im falschen Ton ist. Das UX-Muster, das Vertrauen aufbaut, ist bearbeitbarer KI-Output: Die KI generiert einen Entwurf, aber die Oberfläche macht deutlich, dass der Nutzer ihn prüfen und bearbeiten soll. Nutze ein bearbeitbares Element statt statischen Text. Füge ein dezentes Label "Von KI generiert" mit einem Regenerieren-Button hinzu. Dieses Framing verschiebt die Nutzererwartung von "perfektem Output" zu "nützlichem Ausgangspunkt", eine deutlich erreichbarere Messlatte.

Bei Funktionen, bei denen die KI eine Empfehlung ausspricht (eine nächste Aktion vorschlägt, eine Anomalie markiert, ein Ergebnis vorhersagt), zeige immer die Begründung. GPT-4o kann seine Argumentation erklären, wenn du es entsprechend promptest, extrahiere die Erklärung und zeige sie als Tooltip oder aufklappbares Detail-Panel. Nutzer, die verstehen, warum die KI einen Vorschlag gemacht hat, handeln deutlich wahrscheinlicher danach. Das ist besonders wichtig in B2B-Kontexten, in denen Entscheidungen geschäftliche Konsequenzen haben.

Progressive Disclosure funktioniert gut bei KI-Funktionen: Zeige standardmäßig eine kurze Zusammenfassung mit einer Option zum Aufklappen für Details. Ein CRM, das "KI-Zusammenfassung: Lead ist interessiert, hat nach Preisen gefragt" anzeigt, mit Klick-zum-Aufklappen für die vollständige Analyse, ist nutzbarer als eines, das 300 Wörter Analyse in den Feed kippt. Gestalte zuerst für den 10-Sekunden-Scan, biete dann Tiefe auf Abruf.

Architektur für ein Produktions-KI-SaaS

Die Architektur, die in der Skalierung funktioniert:

1. Nutzer löst KI-Aktion im WeWeb-Frontend aus 2. WeWeb ruft deine Supabase Edge Function auf (niemals OpenAI direkt) 3. Edge Function validiert die Anfrage, prüft Ratenlimits, holt Kontext aus Supabase 4. Edge Function ruft OpenAI mit einem sorgfältig formulierten Prompt auf 5. Antwort wird zurück an das Frontend gestreamt oder in Supabase gespeichert 6. Nutzung wird protokolliert (Modell, verwendete Tokens, user_id, Zeitstempel) für Abrechnung und Monitoring

Der Nutzungsprotokollierungsschritt ist entscheidend. So weißt du, welche Funktionen genutzt werden, welche zu viel kosten und welche Nutzer sich Limits nähern. Baue es von Tag eins ein. Es ist auch die Grundlage für DSGVO-Artikel-5-Konformität (Datensparsamkeit und Zweckbindung).

KI-Funktionen in deinem SaaS bepreisen

Drei Preismodelle funktionieren für KI-gestütztes SaaS auf dem deutschen Markt:

Credits: Nutzer kaufen ein Paket Credits (z.B. 100 Credits = 10 €). Jede KI-Aktion kostet je nach Komplexität 1-5 Credits. Einfach, transparent und passt Kosten an die Nutzung an.

Plangrenzen mit Fair Use: KI-Funktionen sind bis zu einem Schwellenwert inbegriffen (z.B. 50 KI-Anfragen/Monat pro Nutzer). Zusätzliche Nutzung wird zum Überschreitungstarif berechnet. Üblich bei B2B-SaaS.

Premium-Tier: KI-Funktionen sind nur in höheren Preisplänen verfügbar. Effektiv für Upselling bestehender Nutzer, wenn die KI-Funktion echten Wert bietet, treibt das Plan-Upgrades.

Bei App Studio implementieren wir Credits für Consumer-Apps und Plangrenzen für B2B. Vermeide unbegrenzte KI-Nutzung in jedem Plan, das schafft bei Skalierung keine nachhaltige Einheitsökonomie.