Von der KI-Demo zum verlässlichen Unternehmensprozess

Vom KI-Demonstrator zum belastbaren Arbeitsprozess

Die Diskussion über künstliche Intelligenz konzentriert sich häufig auf neue Modelle, größere Kontextfenster oder spektakuläre Produktvorführungen. In der betrieblichen Praxis liegt die entscheidende Frage jedoch an einer anderen Stelle: Wie lässt sich KI so in bestehende Abläufe integrieren, dass sie zuverlässig, wirtschaftlich und kontrollierbar arbeitet?

Genau an diesem Übergang setzt eine wachsende Zahl an Sammlungen, Praxisarchiven und technischen Leitfäden an. Sie dokumentieren weniger die kurzfristige Dynamik einzelner Produktveröffentlichungen, sondern die wiederkehrenden Muster hinter erfolgreichen KI-Anwendungen. Dazu gehören etwa die Gestaltung von Datenzugriffen, die Auswahl geeigneter Werkzeuge, der Aufbau von Prüfprozessen und die Definition menschlicher Verantwortlichkeiten.

Für Unternehmen ist diese Perspektive relevant, weil viele Pilotprojekte nicht an der grundsätzlichen Fähigkeit eines Modells scheitern. Häufiger entstehen Probleme an den Schnittstellen: Ein System greift auf veraltete Dokumente zu, ein Agent führt eine nicht ausreichend geprüfte Aktion aus oder ein erzeugter Text klingt plausibel, enthält aber eine sachliche Ungenauigkeit. Der Weg in den produktiven Betrieb erfordert deshalb mehr als eine gute Eingabeaufforderung.

Warum die Praxis die Modellfrage relativiert

Die Wahl eines leistungsfähigen Sprach- oder Bildmodells kann die Qualität eines Systems beeinflussen. Sie ist jedoch nur ein Faktor unter mehreren. Ein mittelgroßes Modell mit verlässlichem Unternehmenskontext, klaren Regeln und einem geeigneten Prüfprozess kann für eine konkrete Aufgabe nützlicher sein als ein leistungsstärkeres Modell ohne ausreichende Datenanbindung.

Praxisorientierte Quellen betonen daher einen systemischen Ansatz. Im Mittelpunkt stehen nicht einzelne Produkte, sondern Muster, die sich über verschiedene Anbieter und technische Umgebungen hinweg anwenden lassen. Dazu zählen die Trennung von Planung und Ausführung, die Begrenzung von Berechtigungen, die Protokollierung von Entscheidungen und die systematische Überprüfung von Ergebnissen.

Diese Sichtweise verändert auch die Rolle der Fachabteilungen. Sie sind nicht nur Abnehmer fertiger KI-Funktionen, sondern wichtige Mitgestalter des Systems. Fachwissen wird benötigt, um gute Ergebnisse zu definieren, Fehler zu erkennen, Ausnahmen zu beschreiben und jene Prozessschritte zu identifizieren, bei denen eine menschliche Entscheidung unverzichtbar bleibt.

Die wichtigsten Bausteine produktiver KI-Systeme

Retrieval-Augmented Generation: Unternehmenswissen gezielt nutzbar machen

Bei Retrieval-Augmented Generation wird ein Sprachmodell vor der Antwortgenerierung mit passenden Informationen aus einer externen Wissensquelle versorgt. Statt sich ausschließlich auf sein Trainingswissen zu stützen, erhält das Modell beispielsweise Auszüge aus internen Richtlinien, Produktunterlagen, Vertragsvorlagen oder Supportartikeln.

Das Verfahren kann die Aktualität und Nachvollziehbarkeit von Antworten verbessern. Es löst jedoch nicht automatisch alle Wissensprobleme. Die Qualität der Antwort hängt unter anderem davon ab, ob die relevanten Dokumente überhaupt gefunden werden, ob die Inhalte korrekt strukturiert sind und ob das Modell die bereitgestellten Passagen richtig interpretiert.

Eine zentrale technische Aufgabe ist die Aufteilung längerer Dokumente in kleinere Abschnitte. Zu große Abschnitte enthalten möglicherweise zu viel irrelevante Information; zu kleine Abschnitte können den Zusammenhang zerstören. Eine geeignete Aufteilung muss sich deshalb an der Struktur und am Zweck der Dokumente orientieren. Kapitel, Absätze, Tabellen, Überschriften und Metadaten können dabei eine wichtige Rolle spielen.

Auch die Suche selbst erfordert eine bewusste Gestaltung. Semantische Suchverfahren erkennen inhaltliche Ähnlichkeiten, während klassische Stichwortsuche bei exakten Begriffen, Produktnummern oder juristischen Formulierungen Vorteile haben kann. In vielen Anwendungen ist eine Kombination beider Ansätze sinnvoll.

Für den Unternehmensbetrieb sollten Sie außerdem prüfen, ob Antworten auf die zugrunde liegenden Quellen verweisen, wie Berechtigungen berücksichtigt werden und wie mit fehlenden Informationen umgegangen wird. Ein System, das keine geeignete Quelle findet, sollte dies kenntlich machen, anstatt eine scheinbar vollständige Antwort zu erzeugen.

Agenten: Mehrschrittige Aufgaben mit klaren Grenzen

Ein KI-Agent ist mehr als ein Dialogsystem, das auf eine einzelne Eingabe reagiert. Er kann eine Aufgabe in mehrere Schritte zerlegen, Informationen abrufen, Werkzeuge verwenden, Zwischenergebnisse bewerten und anschließend weitere Aktionen ausführen. Ein typisches Muster lässt sich als Folge von Beobachten, Entscheiden, Handeln, Prüfen und Wiederholen beschreiben.

Diese Fähigkeiten machen Agenten für komplexe Prozesse interessant. Sie könnten beispielsweise Supportanfragen klassifizieren, relevante Kundendaten aus mehreren Systemen zusammenführen, einen Antwortentwurf erstellen und den Vorgang zur Freigabe vorlegen. In der Softwareentwicklung können sie Code analysieren, Tests ausführen und Änderungsvorschläge vorbereiten.

Mit dem zusätzlichen Handlungsspielraum steigen jedoch die Risiken. Ein Agent, der nur Informationen zusammenfasst, hat eine andere Risikoklasse als ein System, das Bestellungen auslöst, Daten verändert, Nachrichten versendet oder produktiven Code veröffentlicht. Die Gestaltung des Systems sollte sich daher an der möglichen Auswirkung einer Aktion orientieren.

Zu den verbreiteten Schutzmechanismen gehören:

• Begrenzte Zugriffsrechte auf Daten, Anwendungen und Schnittstellen
• Freigaben durch Mitarbeitende vor irreversiblen oder extern wirksamen Aktionen
• Protokollierung von Eingaben, Zwischenschritten, Quellen und ausgeführten Aktionen
• Zeitliche und mengenmäßige Begrenzung von Aktionen
• Abbruchregeln bei widersprüchlichen Informationen oder fehlender Sicherheit
• Testumgebungen und simulierte Daten vor der Nutzung im Produktivsystem

Ein guter Agent ist somit nicht derjenige, der möglichst viele Aufgaben ohne Rückfrage übernimmt. Entscheidend ist vielmehr, ob sein Verhalten für Menschen verständlich, vorhersehbar und steuerbar bleibt.

Werkzeuge und Schnittstellen als Produktivitätsfaktor

Die praktische Leistungsfähigkeit eines KI-Systems hängt stark davon ab, welche Werkzeuge es verwenden kann. Ein Sprachmodell allein kann Informationen formulieren, aber nicht zwingend auf das CRM-System zugreifen, Dateien prüfen oder einen Testlauf in einer Entwicklungsumgebung starten.

Schnittstellen wie APIs und standardisierte Protokolle ermöglichen die Verbindung mit solchen Werkzeugen. In der Praxis entstehen dadurch neue Anforderungen an Authentifizierung, Berechtigungsmanagement und Fehlerbehandlung. Jede zusätzliche Verbindung erweitert den Nutzen, aber auch die Angriffsfläche und die Zahl möglicher Fehlerszenarien.

Ein sinnvoller Ansatz ist, Werkzeuge nach ihrer Funktion und ihrem Risiko zu kategorisieren. Lesezugriffe auf freigegebene Wissensbestände sind typischerweise weniger kritisch als Schreibzugriffe auf Finanz-, Personal- oder Produktionssysteme. Für jede Funktion sollten Sie definieren, welche Parameter zulässig sind, welche Prüfungen stattfinden und wann eine menschliche Bestätigung erforderlich ist.

Warum funktionierende Demos häufig nicht produktionsreif sind

Eine Demonstration kann zeigen, dass ein Modell eine bestimmte Aufgabe grundsätzlich bewältigt. Sie sagt jedoch nur begrenzt aus, wie sich das System unter realen Bedingungen verhält. Produktive Anwendungen müssen mit unvollständigen Daten, widersprüchlichen Dokumenten, ungewöhnlichen Nutzeranfragen, Lastspitzen und technischen Ausfällen umgehen.

In einer kontrollierten Demo wird oft ein idealer Ablauf präsentiert. Im Alltag treten dagegen zahlreiche Abweichungen auf. Dokumente können falsch klassifiziert sein, ein Dienst kann vorübergehend nicht verfügbar sein oder eine Anfrage kann mehrere Interpretationen zulassen. Auch Nutzerinnen und Nutzer formulieren ihre Anliegen nicht immer so, wie es im Test vorgesehen war.

Praxisarchive für KI-Engineering weisen deshalb auf die Bedeutung von Fehlermodi hin. Unternehmen sollten nicht nur fragen, wann ein System gute Ergebnisse produziert. Ebenso wichtig ist die Frage, wie es sich verhält, wenn Informationen fehlen, Quellen nicht übereinstimmen oder eine Aktion nicht sicher ausgeführt werden kann.

Evaluation als fortlaufender Prozess

Evaluation bedeutet im betrieblichen Kontext mehr als ein einmaliger Benchmark-Vergleich. Ein sinnvoller Prüfprozess untersucht, ob das System die Anforderungen des konkreten Geschäftsprozesses erfüllt. Dafür benötigen Sie realistische Testfälle, klare Bewertungskriterien und möglichst unabhängige Prüfergebnisse.

Je nach Anwendung können unterschiedliche Messgrößen relevant sein:

• Faktische Richtigkeit und Vollständigkeit
• Qualität und Aktualität der verwendeten Quellen
• Quote korrekt gelöster oder weitergeleiteter Vorgänge
• Zeitersparnis im Vergleich zum bisherigen Prozess
• Fehlerquote und Anzahl notwendiger Nachbearbeitungen
• Reaktionszeit, Verfügbarkeit und Kosten pro Vorgang
• Einhaltung von Datenschutz-, Compliance- und Sicherheitsvorgaben
• Akzeptanz und tatsächliche Nutzung durch die betroffenen Mitarbeitenden

Die Bewertung sollte außerdem zwischen verschiedenen Fehlerarten unterscheiden. Eine stilistisch unpassende Formulierung ist anders zu behandeln als eine falsche Auskunft zu einem Vertrag oder eine unberechtigte Änderung in einem Geschäftssystem. Die Konsequenz eines Fehlers bestimmt, wie streng Kontrollen und Freigaben ausgestaltet werden müssen.

Der Wert eines realen Arbeitsfalls

Praxisleitfäden empfehlen häufig, nicht mit einer abstrakten Technologievision zu beginnen, sondern mit einem konkreten Arbeitsfall. Dabei wird untersucht, welche Entscheidung oder Tätigkeit verbessert werden soll, welches Ergebnis als akzeptabel gilt und wie dieses Ergebnis überprüft werden kann.

Ein geeigneter erster Anwendungsfall zeichnet sich meist durch wiederkehrende Aufgaben, verfügbare Daten und einen klaren Prozessrahmen aus. Gleichzeitig sollte das Risiko begrenzt sein. Ein interner Rechercheassistent kann beispielsweise ein geeigneterer Startpunkt sein als ein autonomes System, das unmittelbar Kundenkommunikation oder finanzielle Transaktionen auslöst.

Wichtig ist, den Ausgangszustand zu dokumentieren. Ohne Vergleichswerte lässt sich später kaum beurteilen, ob KI tatsächlich einen Mehrwert erzeugt. Relevant sind dabei nicht nur eingesparte Minuten, sondern auch Antwortqualität, Bearbeitungsrückstände, Fehlerrisiken und die Möglichkeit, Mitarbeitende für anspruchsvollere Aufgaben einzusetzen.

Lokale Modelle, Cloud-Dienste und hybride Architekturen

Die Entscheidung zwischen Cloud- und lokalen KI-Modellen wird häufig auf Datenschutz oder Kosten reduziert. In der Praxis handelt es sich um eine Abwägung mehrerer Faktoren. Dazu gehören Datenempfindlichkeit, Leistungsanforderungen, Skalierbarkeit, Integrationsaufwand, Betriebsverantwortung und die Verfügbarkeit geeigneter Hardware.

Cloud-Dienste können eine schnelle Bereitstellung und den Zugang zu leistungsfähigen Modellen ermöglichen. Unternehmen müssen dabei unter anderem prüfen, wie Daten verarbeitet, gespeichert und gelöscht werden, in welchen Regionen die Verarbeitung stattfindet und welche vertraglichen Zusicherungen gelten.

Lokale Modelle können für bestimmte Szenarien Vorteile bieten, etwa wenn Daten das eigene Netzwerk nicht verlassen sollen oder wenn eine Anwendung auch ohne stabile externe Verbindung funktionieren muss. Dem stehen Anforderungen an Betrieb, Aktualisierung, Überwachung und Hardware gegenüber. Ein kleineres lokales Modell kann für klar definierte Aufgaben ausreichend sein, während komplexe Aufgaben weiterhin einen externen Dienst erfordern.

Hybride Architekturen verbinden beide Ansätze. Sensible Informationen können lokal verarbeitet oder vor der Weitergabe reduziert werden, während rechenintensive Aufgaben an einen Cloud-Dienst delegiert werden. Eine solche Architektur ist allerdings nicht automatisch einfacher. Sie benötigt klare Regeln dafür, welche Daten wohin gelangen und wie die unterschiedlichen Systeme überwacht werden.

Governance, Datenschutz und menschliche Verantwortung

KI-Governance beschreibt die organisatorischen und technischen Regeln, mit denen der Einsatz von KI gesteuert wird. Dazu gehören Zuständigkeiten, Freigabeprozesse, Risikobewertungen, Dokumentationspflichten und Vorgaben für die Überwachung.

Besonders relevant ist die Frage, wer für eine KI-gestützte Entscheidung verantwortlich bleibt. Auch wenn ein System einen Vorschlag erstellt oder eine Handlung vorbereitet, verschwindet die Verantwortung nicht in der Technik. Unternehmen sollten festlegen, wer Ergebnisse prüft, wer Ausnahmen bearbeitet und wer bei Fehlfunktionen eingreifen kann.

Für Archive und andere wissensintensive Einrichtungen wurden in den vergangenen Jahren Protokolle und gemeinsame Praxisstandards entwickelt. Sie beschäftigen sich unter anderem damit, unter welchen Bedingungen KI-Systeme auf Bestände zugreifen dürfen, wie Rechteinhaber berücksichtigt werden und welche Transparenz gegenüber der Öffentlichkeit erforderlich ist. Diese Überlegungen sind auch für Unternehmen relevant, die interne Dokumente, Kundeninformationen oder geschützte Inhalte in KI-Anwendungen verwenden.

Ein belastbares Governance-Modell sollte mindestens folgende Fragen beantworten:

• Welche KI-Anwendungen sind im Unternehmen zugelassen?
• Welche Daten dürfen in welchem System verarbeitet werden?
• Welche Anwendungen benötigen eine Datenschutz- oder Sicherheitsprüfung?
• Wann muss ein Mensch ein Ergebnis freigeben?
• Wie werden Quellen, Versionen und Modelländerungen dokumentiert?
• Wie können Betroffene Fehler melden und Korrekturen anstoßen?
• Wie wird überprüft, ob ein System nach einer Modell- oder Datenänderung weiterhin zuverlässig arbeitet?

Transparenz ist dabei nicht mit einer vollständigen Offenlegung jedes technischen Details gleichzusetzen. Für die Nutzerinnen und Nutzer muss vor allem verständlich sein, wann sie mit einem KI-System interagieren, welche Informationen verarbeitet werden und wie sie eine menschliche Prüfung erreichen können.

Was sich aus der Archivierung praktischer Erfahrungen ableiten lässt

Sammlungen zu KI-Architektur, Engineering und Arbeitsabläufen erfüllen eine Funktion, die über die reine Wissensvermittlung hinausgeht. Sie machen implizites Erfahrungswissen sichtbar. Dazu gehören beispielsweise typische Fehlkonfigurationen, bewährte Kontrollpunkte oder die Erkenntnis, dass ein technisch mögliches Verfahren organisatorisch nicht sinnvoll ist.

Der Nutzen solcher Archive hängt jedoch von ihrer Qualität und Aktualität ab. Werkzeuge, Modelle und Schnittstellen verändern sich schnell. Ein Artikel kann eine hilfreiche Denkweise vermitteln, während einzelne technische Angaben bereits überholt sind. Sie sollten deshalb zwischen zeitbeständigen Prinzipien und schnell veraltenden Produkthinweisen unterscheiden.

Zu den eher stabilen Prinzipien gehören:

• Ein Prozessproblem sollte vor der Technologieentscheidung präzise beschrieben werden.
• Automatisierung benötigt messbare Erfolgskriterien.
• Externe Aktionen müssen stärker kontrolliert werden als reine Informationsausgaben.
• Quellen und Datenqualität beeinflussen die Antwortqualität maßgeblich.
• Fehlerbehandlung ist ein Bestandteil des Designs und kein nachträglicher Zusatz.
• Modell- und Systemänderungen benötigen Regressionstests.
• Menschliche Kontrolle sollte an den risikoreichen Entscheidungspunkten ansetzen.

Weniger dauerhaft sind konkrete Modellnamen, Preisangaben, Framework-Empfehlungen oder einzelne Konfigurationsbeispiele. Solche Informationen können als Ausgangspunkt dienen, müssen vor einer Umsetzung aber anhand der aktuellen Anbieterbedingungen, Lizenzen und Sicherheitsanforderungen überprüft werden.

Ein praxisnahes Vorgehen für Unternehmen

1. Prozess und Ziel definieren

Beginnen Sie mit einer klaren Beschreibung des bestehenden Arbeitsablaufs. Welche Aufgabe soll verbessert werden? Wo entstehen Wartezeiten, Medienbrüche oder wiederkehrende manuelle Tätigkeiten? Welche Ergebnisse benötigen die beteiligten Personen tatsächlich?

Eine allgemeine Zielsetzung wie „mehr KI einsetzen“ reicht nicht aus. Präziser wäre etwa, die Bearbeitungszeit für interne Wissensanfragen zu reduzieren oder die Qualität der ersten Klassifikation von Supportfällen zu verbessern.

2. Daten und Berechtigungen prüfen

Im nächsten Schritt sollte geklärt werden, welche Daten benötigt werden und ob sie in geeigneter Form vorliegen. Veraltete, doppelte oder widersprüchliche Dokumente können die Leistungsfähigkeit eines Systems erheblich beeinträchtigen.

Gleichzeitig ist festzulegen, welche Nutzergruppen auf welche Inhalte zugreifen dürfen. Ein KI-Assistent darf Berechtigungen nicht dadurch umgehen, dass er Informationen aus einer Quelle an Personen ausgibt, die diese Quelle im ursprünglichen System nicht sehen dürften.

3. Den einfachsten geeigneten Mechanismus wählen

Nicht jede Aufgabe benötigt einen autonomen Agenten. Für manche Prozesse genügt eine strukturierte Vorlage, eine Suchfunktion, ein klassischer Automatisierungsablauf oder ein Sprachmodell mit festem Kontext. Je einfacher der Mechanismus, desto leichter sind Betrieb, Prüfung und Fehleranalyse.

Ein Agent ist dann sinnvoll, wenn die Aufgabe mehrere aufeinanderfolgende Schritte erfordert und ein klarer Nutzen aus der Werkzeugnutzung entsteht. Autonomie sollte nicht als Selbstzweck betrachtet werden.

4. Mit realistischen Testfällen arbeiten

Testdaten sollten typische, schwierige und fehlerhafte Fälle abdecken. Neben Standardanfragen sind mehrdeutige Formulierungen, fehlende Dokumente, widersprüchliche Quellen und unzulässige Handlungsaufforderungen einzubeziehen.

Die Ergebnisse sollten von Personen bewertet werden, die den fachlichen Prozess kennen. Automatisierte Tests können bestimmte Eigenschaften prüfen, ersetzen aber nicht in jedem Fall die fachliche Beurteilung.

5. Kontrolliert in den Betrieb gehen

Ein schrittweiser Rollout reduziert Risiken. Zunächst kann das System nur Vorschläge erstellen, die von Mitarbeitenden geprüft werden. Erst wenn Qualität, Stabilität und Akzeptanz ausreichend dokumentiert sind, lässt sich der Automatisierungsgrad erhöhen.

Nach der Einführung sollten Nutzung, Fehler, Abbrüche und manuelle Korrekturen regelmäßig ausgewertet werden. Ein produktives KI-System ist kein abgeschlossenes Projekt, sondern ein laufender Prozess mit Wartungs- und Verbesserungsbedarf.

Die Rolle von Mindverse als KI-Partner

Für Unternehmen entsteht der größte Nutzen häufig dann, wenn Text, Recherche, Bildproduktion und weitere KI-Funktionen nicht als voneinander getrennte Einzellösungen betrachtet werden. Ein integrierter Ansatz kann dabei helfen, Inhalte zu recherchieren, Entwürfe zu erstellen, Varianten zu entwickeln und Ergebnisse in bestehende Arbeitsabläufe einzubinden.

Mindverse positioniert sich als deutscher KI-Partner für solche Anwendungsfälle. Für die praktische Nutzung ist dabei entscheidend, dass Unternehmen ihre individuellen Anforderungen an Datenschutz, Rollen, Qualitätssicherung und Freigaben in die Gestaltung einbeziehen. Eine Plattform kann Arbeitsprozesse vereinfachen, ersetzt aber nicht die fachliche Verantwortung und die organisatorischen Regeln des jeweiligen Unternehmens.

Gerade bei der Erstellung von Geschäftsinhalten empfiehlt sich eine klare Trennung zwischen Recherche, Generierung und Veröffentlichung. Quellen sollten nachvollziehbar bleiben, sensible Informationen nur im vorgesehenen Rahmen verarbeitet werden und finale Inhalte eine fachliche Prüfung durchlaufen. Das gilt insbesondere für rechtliche, medizinische, finanzielle oder reputationsrelevante Aussagen.

Ausblick: Weniger Modellbegeisterung, mehr Systemkompetenz

Die weitere Entwicklung der künstlichen Intelligenz wird voraussichtlich nicht nur durch größere Modelle geprägt. Ebenso wichtig sind bessere Werkzeugintegration, zuverlässigere Evaluationsverfahren, effizientere lokale Systeme und standardisierte Sicherheitsmechanismen. Unternehmen werden zunehmend zwischen unterschiedlichen Modellen und Betriebsformen wählen können.

Damit verschiebt sich die strategische Aufgabe. Nicht die Frage, welches Modell allgemein als das beste gilt, steht im Mittelpunkt, sondern welches System für einen bestimmten Prozess unter konkreten Rahmenbedingungen den höchsten belastbaren Nutzen erzeugt.

Archive und Praxisbibliotheken können diese Entwicklung unterstützen, indem sie Erfahrungen dokumentieren, Begriffe klären und wiederverwendbare Muster bereitstellen. Für Entscheiderinnen und Entscheider bieten sie eine Möglichkeit, die Diskussion von kurzfristigen Produktmeldungen auf langfristige Fähigkeiten zu lenken: Prozesse analysieren, Risiken bewerten, Systeme testen und Verantwortung eindeutig zuzuordnen.

Die zentrale Lehre aus der praktischen KI-Arbeit lautet daher: Produktivität entsteht nicht automatisch durch den Einsatz eines leistungsfähigen Modells. Sie entsteht durch das Zusammenspiel aus passendem Anwendungsfall, verlässlichen Daten, geeigneten Werkzeugen, messbarer Qualität und verantwortungsvoller menschlicher Kontrolle.

Bibliografie AI in Practice Hub: Practical Engineering Notes on Production-Grade AI. https://aiinpracticehub.com/ Byern, Thomas: AI in Practice – Collection: Tools, Agents, Workflows, and Engineering Judgment. https://byern.dev/ai-in-practice-collection-tools-agents-workflows-and-engineering-judgment/ Ahmann, David: The Applied AI Field Guide: From Real Work to Production. https://davidahmann.github.io/applied-ai-field-guide/ Quader, Shaikh: AI Architect’s Playbook – Archive. https://aiarchitectplaybook.com/archive AI Archive: Academic Papers and Research Lineage. https://ai-archive.info/papers Wibo: The Engineering Workflow Library – How AI-Native Engineers Work. https://aiarch.dev/workflows International Council on Archives: New Resource – AI and Archival Practice On-Line Tutorials. https://www.ica.org/new-resource-ai-and-archival-practice-on-line-tutorials/ Preservica: AI in Practice – Human-Centric AI for Archives. https://preservica.com/ai-in-practice-human-centric-ai-for-archives University of Virginia Library: Statement of Shared Practice and UVA Archival AI Protocol. https://library.virginia.edu/ai/shared-practice The AI Archs: AI Architecture Notes. https://theaiarchs.com/