KI-Produktintegration gelingt am besten, wenn die Technologie für den Nutzer vollständig unsichtbar bleibt. Dieses Prinzip, das in der Produktentwicklung unter dem Begriff „Invisible AI“ diskutiert wird, hat die Deutsche Post mit ihrem Produkt der Mobilen Briefmarke auf bemerkenswerte Weise umgesetzt: Statt einer aufgeklebten Marke oder eines gescannten QR-Codes reicht ein handschriftlich auf den Umschlag geschriebener Code, der per App und Apple Pay in wenigen Klicks erworben wurde. Das Brief-Sortierungssystem der Post erkennt den Code, ordnet ihn der Zahlung zu, und der Brief wird zugestellt. Florian Dohmann, Gründer und CEO von Birds on Mars sowie KI-Pionier und Dozent, hat dieses Produkt als exemplarisches Beispiel für gelungene KI-Integration hervorgehoben: nicht weil die Technologie neu ist, sondern weil sie nicht erklärt werden muss. Dieser Beitrag analysiert, was hinter der Mobilen Briefmarke steckt, was das Konzept des „Invisible AI“ in der Produktentwicklung bedeutet und was Unternehmen daraus für ihre eigene KI-Strategie ableiten können.
Was die Mobile Briefmarke konkret ist
Die Mobile Briefmarke der Deutschen Post ist ein Produkt, das seit Ende 2020 verfügbar ist und in der breiten Öffentlichkeit vergleichsweise wenig bekannt ist. Das Prinzip: In der Post-App (oder über die PORTO-Funktion) wird ein individueller alphanumerischer Code erworben, der einem konkreten Sendungstyp (z.B. Standardbrief Inland) und einem Datum entspricht. Dieser Code wird handschriftlich oben rechts auf den Briefumschlag geschrieben, ergänzt durch das Hashtag-Kürzel. Eine Briefmarke, ein QR-Code-Aufkleber oder eine Freimachungsmaschine werden nicht benötigt.
Das Sortierungssystem der Post liest diesen handgeschriebenen Code mittels optischer Zeichenerkennung (OCR) aus, prüft ihn gegen die Transaktionsdatenbank und verarbeitet den Brief entsprechend. Für den Absender reduziert sich der Aufwand auf zwei Schritte: Code kaufen, Code schreiben.
Was an diesem Produkt technologisch interessant ist: Die Post nutzt hier keine neue Technologie. Sie wendet bewährte Methoden der maschinellen Texterkennung, die das Unternehmen seit Jahrzehnten für die automatisierte Adresserkennung und Sortierung einsetzt, auf ein neues Nutzszenario an. Interne Kompetenz wurde zu einem externen Produktmerkmal transformiert.
Die technologische Grundlage: OCR und Computer Vision
Hinter der Mobilen Briefmarke stehen zwei eng verwandte Technologiefelder:
Optical Character Recognition (OCR) bezeichnet die maschinelle Erkennung von gedrucktem oder handgeschriebenem Text in Bilddaten. Moderne OCR-Systeme arbeiten auf Basis neuronaler Netze und erreichen bei standardisierten Texten Erkennungsraten nahe 100 Prozent. Bei Handschriften ist die Herausforderung deutlich größer: Schriftbilder variieren erheblich zwischen Personen und sogar zwischen verschiedenen Schreibsituationen derselben Person.
Computer Vision ist das übergeordnete Feld, das maschinelles Verstehen von Bildinhalten umfasst: Objekterkennung, Segmentierung, Klassifikation und Lokalisierung von Bildinhalten. Im Kontext der Brief-Sortierung wird Computer Vision eingesetzt, um auf dem Briefumschlag relevante Zonen zu identifizieren (Absenderfeld, Empfängerfeld, Freimachungszone) und deren Inhalt zu extrahieren.
Die Deutsche Post hat diese Technologien über Jahrzehnte für die vollautomatische Briefsortierung entwickelt und optimiert. Die Handschrifterkennung ist in diesem Kontext keine neue Anforderung, sondern eine, an der das Unternehmen seit der Einführung maschineller Sortierung gearbeitet hat. Die Mobile Briefmarke erweitert den Anwendungsbereich dieser Kompetenz: Statt nur Adressen zu lesen, wird jetzt auch ein Frankiercode in der Freimachungszone erkannt und abgeglichen.
Das Prinzip des Invisible AI
Florian Dohmann beschreibt die Qualität dieses Produkts mit einer Formulierung, die das Wesentliche trifft: Technologie, die nicht erklärt werden muss.
„Technik, wie sie sein sollte: zurückhaltend, nützlich, selbsterklärend, intuitiv. Kein ‚Look, we’re doing AI‘, sondern smoothe User Experience mit dem Interface ‚Handschrift‘ und großem Nutzen mit wenig Aufwand.“Florian Dohmann, Founder & CEO Birds on Mars, KI-Pionier und Lecturer (LinkedIn)
Invisible AI beschreibt Produkte und Features, bei denen KI-Technologie die Nutzererfahrung verbessert, ohne als Technologie sichtbar oder erklärungsbedürftig zu sein. Der Nutzer interagiert nicht mit einem KI-System. Er schreibt einen Code auf einen Umschlag. Dass dabei Computervision und maschinelles Lernen im Hintergrund arbeiten, ist für die Nutzererfahrung irrelevant.
Dieses Prinzip steht im Kontrast zu einer verbreiteten Tendenz in der Produktentwicklung: KI als Merkmal explizit zu betonen. „Powered by AI“, „KI-gestützt“ oder „mit künstlicher Intelligenz“ sind Aussagen, die in Marketingmaterialien häufig erscheinen. In vielen Fällen lenken sie von der eigentlichen Frage ab, die Nutzer stellen: Löst dieses Produkt mein Problem einfacher als die Alternative?
Sichtbare und unsichtbare KI im Produktvergleich
| Produkttyp | KI-Rolle | Sichtbarkeit für Nutzer | Erklärungsbedarf |
|---|---|---|---|
| Chatbot auf Unternehmenswebseite | Natürlichsprachverarbeitung für Kundenanfragen | Hoch (Chatbot-Interface ist explizit) | Mittel (Nutzer muss lernen, was der Chatbot kann) |
| Mobile Briefmarke (Deutsche Post) | OCR/Computer Vision für Codeerkennnung | Keine (Nutzer schreibt, Post liest) | Kein Erklärungsbedarf |
| Spamfilter im E-Mail-Client | Klassifikation von E-Mails nach Relevanz | Sehr gering (nur bei Fehlklassifikation wahrgenommen) | Kein Erklärungsbedarf |
| KI-gestützte Diagnose-App | Bildanalyse für medizinische Befunde | Mittel (Nutzer lädt Bild hoch, erhält Bewertung) | Hoch (Kontext, Grenzen und Vertrauenswürdigkeit müssen erklärt werden) |
| Predictive Text auf der Tastatur | Sprachmodell für Wortvorschläge | Niedrig (Vorschläge erscheinen, müssen nicht aktiv verwendet werden) | Kein Erklärungsbedarf |
| KI-Dashboard für Unternehmensanalysen | Mustererkennung und Anomalie-Detektion | Hoch (KI-Ausgaben sind der Hauptinhalt) | Hoch (Entscheider müssen Ausgaben interpretieren können) |
Was Unternehmen aus der Mobilen Briefmarke lernen können
Das Beispiel der Deutschen Post illustriert mehrere Prinzipien, die für Unternehmen bei der KI-Produktentwicklung relevant sind:
1. Interne Kompetenz als Produktbasis: Die Post hat keine neue KI-Technologie eingekauft. Sie hat eine vorhandene interne Kompetenz (Handschrifterkennung für Sortiersysteme) auf einen neuen Anwendungsfall ausgerichtet. Viele Unternehmen besitzen ähnliche latente Kompetenzen, die in internen Prozessen eingesetzt werden, aber noch nicht als Produkt- oder Service-Feature externalisiert wurden.
2. Nutzerschnittstelle zuerst: Der Ausgangspunkt war nicht die Technologie, sondern die Nutzerfrage: Was ist die einfachste Art, einen Brief zu frankieren? Die Antwort war: ein handgeschriebener Code. Erst danach wurde die technische Umsetzung konzipiert.
3. Komplexität verbergen, nicht zeigen: Das Produkt könnte mit einem umfangreichen Interface ausgestattet sein: App, QR-Code, Scanner, Bestätigungsanzeige. Stattdessen reduziert es die Nutzererfahrung auf das Minimum. Die technische Komplexität im Hintergrund (Datenbanken, OCR-System, Sortieranlage) ist für den Nutzer vollständig verborgen.
4. Problemerkennung jenseits des Offensichtlichen: Dohmann weist darauf hin, dass er von diesem Problem nicht wusste, das die Briefmarke löst, bevor er von der Lösung erfuhr. Viele der wirksamsten Produktinnovationen lösen Probleme, die Nutzer nicht aktiv artikulieren können, weil die aktuelle Lösung als normal wahrgenommen wird.
Interne KI-Kompetenz in Produkte überführen: Rahmenbedingungen
Das Muster der Deutschen Post findet sich in anderen Branchen wieder und beschreibt einen strategisch interessanten Weg zur KI-Produktisierung:
- Ein Logistikunternehmen entwickelt interne Routenoptimierungsalgorithmen und macht sie als Planungs-API für Kunden verfügbar
- Ein Finanzdienstleister nutzt interne Fraud-Detection-Modelle als Sicherheitsfeature in Kundenportalen
- Ein Maschinenhersteller hat über Jahre Produktionsdaten analysiert und bietet auf dieser Basis Predictive-Maintenance-Services an
In allen drei Fällen gilt dasselbe Prinzip: Die KI-Kompetenz existiert bereits, weil sie intern für Effizienz oder Qualitätssicherung eingesetzt wird. Der Schritt zur Produktisierung erfordert eine Anpassung der Nutzerschnittstelle und eine Entscheidung darüber, welche Aspekte der Technologie für externe Nutzer sichtbar sein sollen.
Grenzen des Invisible-AI-Prinzips
Das Prinzip der unsichtbaren KI ist nicht universell anwendbar. Es gibt Kontexte, in denen die Sichtbarkeit der KI-Entscheidung nicht nur wünschenswert, sondern ethisch und rechtlich notwendig ist:
- Automatisierte Entscheidungen mit erheblichen Auswirkungen auf Personen (Kreditvergabe, Personalentscheidungen) unterliegen nach Art. 22 DSGVO einem Erklärungsanspruch
- Medizinische Diagnose-Unterstützung erfordert transparente Kommunikation über Konfidenzgrenzen und Fehlermöglichkeiten
- Rechtlich relevante Dokumente oder Vertragsinhalte, die KI-generiert sind, müssen in vielen Jurisdiktionen als solche gekennzeichnet werden
Invisible AI ist eine Produktdesign-Entscheidung, keine universelle Strategie. Die Entscheidung, ob KI sichtbar oder unsichtbar gestaltet werden soll, hängt von regulatorischen Anforderungen, dem Vertrauensbedarf der Zielgruppe und der Auswirkungstiefe der KI-Entscheidungen ab.
Schritt-für-Schritt: Interne KI-Kompetenz in Produktfeatures überführen
- Bestandsaufnahme interner KI-Anwendungen: Wo wird in internen Prozessen bereits maschinelles Lernen, Regeloptimierung oder statistische Modellierung eingesetzt? Qualitätskontrolle, Routenplanung, Prognosen, Dokumentenverarbeitung?
- Kundenproblem identifizieren: Welches Kundenproblem könnte durch dieselbe Kompetenz adressiert werden? Nicht: „Was kann unsere KI?“ Sondern: „Welches Problem hat unser Kunde, das wir mit unserer internen Kompetenz lösen könnten?“
- Nutzerschnittstelle konzipieren: Wie soll der Kunde mit dem Feature interagieren? Das einfachste Interface, das das Problem löst, ist in den meisten Fällen das richtige.
- Sichtbarkeitsgrad entscheiden: Muss der Nutzer wissen, dass KI beteiligt ist? Aus regulatorischen, Vertrauens- oder Transparenzgründen kann explizite Kommunikation notwendig sein.
- Pilotierung mit kleiner Nutzergruppe: Feature mit einer definierten Nutzergruppe testen. Beobachten, ob die Nutzerschnittstelle selbsterklärend ist oder Erklärungsbedarf entsteht.
- Fehlermanagement definieren: Was passiert, wenn die KI einen Fehler macht? Im Fall der Mobilen Briefmarke: Der Brief wird nicht zugestellt, der Absender erhält eine Rückmeldung. Fehlerszenarien müssen vor dem Launch durchdacht sein.
- Post-Launch-Monitoring: Erkennungsrate, Fehlerquote, Nutzerzufriedenheit. Bei KI-Features sind Driftphänomene (Modellverhalten ändert sich bei veränderten Inputdaten) zu beobachten.
FAQ
Was bedeutet „Invisible AI“ genau, und wo wird der Begriff verwendet?
Invisible AI bezeichnet KI-Anwendungen, bei denen die Technologie im Hintergrund wirkt, ohne für Nutzer sichtbar oder erklärungsbedürftig zu sein. Der Begriff ist kein offiziell standardisierter Fachbegriff, sondern ein Designprinzip aus der Produktentwicklung, das in Kontrast zu explizit KI-markierten Produkten steht.
Ist die Mobile Briefmarke der Deutschen Post wirklich neu, oder gibt es ähnliche Produkte anderswo?
Ähnliche Konzepte (digitale Freimachung mit handschriftlichem oder gedrucktem Code) gibt es in verschiedenen Ländern, teils schon länger. Das Besondere an der Deutschen Post ist die Kombination aus Handschrifterkennung ohne aufgeklebten Träger und der vollständig digitalen Kaufabwicklung ohne Registrierung oder Konto-Voraussetzung.
Welche technischen Risiken bestehen bei OCR-basierten Frankiersystemen?
Die wesentlichen Risiken: falsch erkannte Codes (führen zu nicht zugestellten oder falsch abgerechneten Briefen), Missbrauch durch gefälschte Codes, und Lesbarkeitseinschränkungen bei unleserlicher Handschrift. Für alle drei Risiken haben Brief-Sortiersysteme definierte Fallback-Prozesse (manuelle Nachbearbeitung, Duplikatsprüfung in der Datenbank, Mindestlesbarkeitsstandards).
Wie entscheide ich als Unternehmen, ob KI in meinem Produkt sichtbar oder unsichtbar sein soll?
Drei Leitfragen: Gibt es einen regulatorischen Erklärungsanspruch (DSGVO Art. 22, EU AI Act bei Hochrisiko-Systemen)? Hat der Nutzer einen Vertrauensbedarf, der durch Transparenz erfüllt wird? Sind die Konsequenzen eines KI-Fehlers für den Nutzer so erheblich, dass er sie kennen muss? Bei Ja zu einer dieser Fragen: explizite Kommunikation. Bei Nein zu allen: Invisible AI als Designziel wählen.
Was versteht man unter dem „EU AI Act“ in Bezug auf KI-Produkttransparenz?
Der EU AI Act (Verordnung 2024/1689) klassifiziert KI-Systeme nach Risikostufen. Hochrisiko-KI-Systeme (z.B. im Bereich Beschäftigung, Bildung, kritische Infrastruktur) unterliegen strengen Transparenz- und Dokumentationsanforderungen. Viele alltägliche KI-Features wie Empfehlungssysteme oder Texterkennung fallen in niedrigere Risikostufen und unterliegen keiner expliziten Kennzeichnungspflicht gegenüber Nutzern.
Wie kann ein mittelständisches Unternehmen ohne große KI-Abteilung das Invisible-AI-Prinzip umsetzen?
Durch den Einsatz vortrainierter Modelle und Cloud-KI-Dienste (OCR-APIs, Klassifikationsmodelle, Anomalie-Detection) als Bausteine in eigene Produkt-Features. Der eigene Beitrag liegt dabei weniger in der Modellentwicklung als in der Produktkonzeption: Welches Problem soll gelöst werden, und wie soll die Nutzerschnittstelle gestaltet sein?
Verwandte Themen
- Innovationsprozesse strukturieren: Vom Konzept zum marktfähigen Produkt
- Neue Geschäftsmodelle durch Digitalisierung: Strategien und Praxisbeispiele
- Change Management bei KI-Einführung: Wie Unternehmen Veränderungen steuern
