Von Marvin

Künstliche Intelligenz ist in Unternehmen angekommen. Etwa jedes fünfte Unternehmen in Deutschland setzt bereits KI-Technologien ein. Gleichzeitig zeigt sich: Von vielen Projekten bleibt nach ersten Demos, Workshops und Pilotideen weniger übrig als erhofft.

Die erste Welle war von Neugier und dem Gefühl geprägt, man müsse jetzt schnell etwas mit KI machen. Die zweite Welle ist nüchterner. Sie beginnt dort, wo aus ersten Versuchen echter Nutzen werden soll – und plötzlich Fragen zu Daten, Prozessen, Verantwortung und Qualität auftauchen.

Wer sich in Unternehmen umhört, hört derzeit oft sehr ähnliche Sätze:

• „Die Demo war beeindruckend, aber im Alltag hilft uns das noch nicht."

• „Die Ergebnisse sind manchmal gut, aber nicht verlässlich genug."

• „Wir haben ein paar Teams, die etwas ausprobieren, aber nichts davon ist sauber eingebettet."

Diese Ausgangssituation ist keine Ausnahme. Sie ist im Moment eher der Normalfall. Die gute Nachricht: Die Probleme sind in vielen Unternehmen ähnlich – und lassen sich systematisch angehen.

Wo die meisten Unternehmen heute stehen

Viele Unternehmen haben mit KI dort begonnen, wo der Einstieg leicht war: beim Schreiben, Zusammenfassen, Recherchieren oder Übersetzen. Das ist nachvollziehbar. Aber erste Erleichterungen bei Texten oder E-Mails sind noch keine tragfähige KI-Strategie. Zwischen „nützlich im Einzelfall" und „belastbar im Unternehmensalltag" liegt ein großer Schritt.

Im Durchschnitt nutzen Unternehmen bislang lediglich zwei KI-Anwendungen. Ein Viertel beschränkt sich auf nur eine. Das erklärt, warum die Enttäuschung so häufig an derselben Stelle beginnt.

Typische Fehler – und wie Sie sie vermeiden

KI wird als Werkzeug behandelt, nicht als Prozessthema

Ein häufiger Fehler besteht darin, KI wie ein neues Tool zu behandeln, das man einfach auf bestehende Abläufe setzt. Der alte Prozess bleibt im Kern unverändert, nur an einer Stelle wird ein Modell oder Assistent eingefügt.

Genau das ist oft zu wenig. Wenn Sie mit KI nur schneller denselben überladenen Ablauf bedienen, entsteht selten ein großer Effekt. Ein einzelner Schritt wird moderner, aber der Gesamtprozess nicht besser.

Besser: Denken Sie den Ablauf von Grund auf neu. Das bedeutet zum Beispiel: weniger Übergaben, eine klare Trennung zwischen Vorarbeit durch KI und Entscheidung durch Menschen, frühere Vorstrukturierung statt später Hektik. Erfolgreiche Unternehmen gestalten Arbeit neu, statt KI nur zusätzlich auf alte Routinen zu setzen.

Es gibt Piloten, aber keinen echten Eigentümer

Erfahrungsgemäß scheitern viele KI-Initiativen nicht an der Technik, sondern an der Zuständigkeit. Die IT soll etwas evaluieren, einzelne Fachbereiche testen Anwendungen, die Geschäftsführung erwartet Effekte – und am Ende bleibt unklar, wer entscheidet, priorisiert und den Nutzen misst.

Besser: Benennen Sie für jeden KI-Anwendungsfall eine Person, die nicht nur Interesse hat, sondern Verantwortung trägt. Diese Person muss den Prozess verstehen, Prioritäten setzen, Feedback einsammeln und beurteilen können, ob die Lösung fachlich wirklich besser ist als der bisherige Zustand.

Das klingt banal, ist aber ein wesentlicher Unterschied zwischen Pilot und Produktivlösung. Ohne fachlichen Eigentümer bleibt KI ein Technikthema. Mit fachlichem Eigentum wird sie zu einem echten Verbesserungsprojekt.

Daten, Dokumente und Freigaben werden unterschätzt

Viele KI-Ideen sehen auf Folien sauber aus und scheitern dann an der Unternehmensrealität. Dokumente sind verteilt, Wissensstände widersprüchlich, Daten nicht sauber erschlossen, Zugriffe unklar, Berechtigungen historisch gewachsen.

Gerade hier kippt die Stimmung oft. Solange ein Tool frei mit öffentlichen Beispielen getestet wird, wirkt vieles einfach. Sobald aber echte Dokumente, interne Prozesse oder Kundendaten ins Spiel kommen, zeigt sich, wie viel Vorarbeit nötig ist.

Besser: Klären Sie diese Themen früh – nicht erst, wenn das Projekt bereits läuft:

• Welche Quellen dürfen genutzt werden?

• Welche Daten sind sensibel?

• Wo sind Freigaben nötig?

• Welche Ergebnisse müssen nachvollziehbar sein?
  
  Die größten Reibungen entstehen in der Praxis meist nicht am Prompt, sondern an Datenzugriff, Rollen und Sicherheit.
  
  Tipp: Beauftragen Sie – ähnlich wie bei der Vorbereitung eines neuen Teammitglieds – frühzeitig eine erfahrene Person damit, aufzulisten, welche Datenquellen, Systeme und Berechtigungen für den geplanten KI-Einsatz benötigt werden. Stoßen Sie die entsprechenden Prozesse sofort an.

Beschäftigte sollen KI nutzen, werden aber nicht befähigt

Viele Unternehmen erwarten inzwischen, dass Teams KI sinnvoll einsetzen. Gleichzeitig fehlt es oft an sauberem Know-how-Aufbau. Dann probieren einige Mitarbeitende privat Werkzeuge aus, andere bleiben unsicher, wieder andere vermeiden das Thema ganz.

Knapp die Hälfte aller Unternehmen verzichtet bislang komplett auf Schulungen im Umgang mit KI. Gleichzeitig gilt seit dem 2. Februar 2025 die Pflicht nach Artikel 4 des EU AI Act, Maßnahmen für ein ausreichendes Maß an AI Literacy zu treffen. Bloßes Verteilen von Nutzungshinweisen reicht in vielen Fällen nicht aus.

Besser: Schaffen Sie ein Mindestmaß an gemeinsamer Praxis. Ihre Mitarbeitenden müssen wissen: Was ist erlaubt, was nicht? Wann müssen Ergebnisse geprüft werden? Welche Daten dürfen verwendet werden? Wie geht man mit Fehlern oder Halluzinationen um?

Bedenken Sie: Wer von Mitarbeitenden verlangt, mit KI verlässlich zu arbeiten, muss ihnen auch die Grenzen erklären. Je besser die Befähigung, desto schneller entsteht echte Produktivität.

Menschliche Kontrolle wird zu unscharf definiert

Viele KI-Projekte laufen anfangs gut, solange ein engagiertes Team genau hinsieht. Kritisch wird es, wenn die Anwendung breiter eingesetzt wird und niemand festgelegt hat, an welcher Stelle Menschen prüfen, freigeben oder eingreifen sollen.

Besser: Definieren Sie für jeden Anwendungsfall klar, wo Menschen in Kontrolle bleiben. Gerade in Kundenkommunikation, Wissenssystemen oder internen Empfehlungen ist das entscheidend. Nicht weil KI dort nichts leisten kann, sondern weil gute Ergebnisse nur dann belastbar werden, wenn Kontrolle nicht dem Zufall überlassen bleibt.

So gelingt der Einstieg richtig

Mit einem echten Engpass beginnen

Der Startpunkt sollte nicht das Tool sein, sondern ein konkreter Engpass. Gute erste Anwendungsfälle haben drei Eigenschaften: Sie kommen häufig vor, sie folgen zumindest teilweise einem erkennbaren Muster, und ihre Qualität lässt sich fachlich beurteilen.

Typische Beispiele sind wiederkehrende Serviceanfragen, Entwürfe für Standardkommunikation, Wissenssuche in Dokumentationen, Zusammenfassung eingehender Informationen oder Unterstützung bei Angebots- und Reportingarbeit.

Wer von Anfang an versucht, alles gleichzeitig zu lösen, verstärkt die Komplexität meist nur.

Erfolg früh messbar machen

Vermeiden Sie, KI-Projekte zu lange mit allgemeinen Formulierungen zu bewerten: „hilft ganz gut", „spart bestimmt Zeit", „macht einen modernen Eindruck". Das reicht nicht.

Legen Sie stattdessen einfache, konkrete Maßstäbe fest:

• Bearbeitungszeit vor und nach Einführung

• Anteil brauchbarer Erstentwürfe

• Suchzeit bis zur relevanten Information

• Zahl der Rückfragen oder Korrekturen

• Akzeptanz im Team
  
  Erst wenn solche Größen sichtbar werden, lässt sich beurteilen, ob eine Lösung wirklich entlastet – oder nur neu aussieht.

Wann zusätzliche Erfahrung besonders hilfreich ist

Viele der genannten Punkte lassen sich intern gut steuern – vor allem Priorisierung, Fachlichkeit und die Entscheidung, welche Probleme zuerst gelöst werden sollen.

Es gibt aber Phasen, in denen es sehr hilfreich sein kann, gezielt Erfahrung dazuzuholen. Vor allem dann, wenn Ihr Unternehmen zwar weiß, was es erreichen will, aber noch keine belastbare Erfahrung damit hat:

• KI-Anwendungsfälle in produktive Prozesse einzubetten

• Dokumenten- und Datenquellen sauber anzubinden

• Governance, Freigaben und Rollen praktikabel aufzusetzen

• Qualitätssicherung und menschliche Kontrolle sinnvoll zu organisieren
  
  Nicht jedes Unternehmen braucht dafür dauerhaft neue Rollen. Aber gerade an kritischen Stellen ist es oft effizienter, mit Menschen zu arbeiten, die solche Übergänge schon mehrfach gebaut haben, statt sich mit viel interner Reibung erst mühsam dorthin vorzutasten.

Fazit: Expertise nutzen, Projekte voranbringen

Die aktuelle Ernüchterung bei KI-Projekten ist kein Zeichen dafür, dass KI nicht funktioniert. Sie ist ein Zeichen dafür, dass die erste Phase der Euphorie vorbei ist. Jetzt beginnt die interessantere Phase.

Wer heute mit klaren Engpässen startet, fachliche Verantwortung benennt, Daten und Regeln ernst nimmt und Arbeitsabläufe neu denkt, hat gute Chancen, dass aus KI mehr wird als ein beeindruckender Pilot.

Und genau dort, wo auf diesem Weg Erfahrung fehlt, kann gezielte Expertise den Unterschied zwischen weiterem Frust und echtem Fortschritt ausmachen.