4. Mai 2026
KI-Einführung: Das Problem sitzt selten im Modell
Eine bekannte Situation: Ein Unternehmen führt ein KI-Tool ein, schult die Mitarbeiter, zahlt die Lizenz. Sechs Monate später hat sich wenig verändert. Die Nutzung ist sporadisch, der messbare Effekt marginal. Die naheliegende Reaktion: Das nächste Tool ausprobieren, anstatt an den eigenen Prozessen zu arbeiten.
Das ist die falsche Schlussfolgerung. Und sie erklärt, warum dieselben Unternehmen nach dem dritten Toolwechsel immer noch am selben Punkt stehen. Auch hier gilt immer noch die Devise: Garbage In - Garbage Out
Die Technologie ist meistens nicht das Problem
Das zugrundeliegende Modell, ob GPT, Claude oder ein spezialisiertes Branchenmodell, ist für die meisten Unternehmensanwendungen heute gut genug. Dokumentenverarbeitung, Texterstellung, Analyse und Klassifikation funktionieren mit reifer Technologie. Die Auswahl des richtigen Anbieters ist eine Entscheidung mit überschaubarer Tragweite.
Was die Ergebnisse bestimmt, sind die Fragen davor: Welcher Prozess soll verbessert werden? Wie gut ist das Ausgangsmaterial? Woran messe ich Erfolg? Muss überhaupt etwas verbessert werden, oder gibt es hier eine Lösung auf der Suche nach einem Problem?
Eine NBER-Studie aus diesem Jahr [1] hat das in Zahlen gegossen: 91 Prozent der deutschen Unternehmen sehen keinen Einfluss von KI auf ihre Produktivität. An mangelnder "Kompetenz" der Modelle liegt das nicht.
Das Pilot-Paradox
Pilotprojekte gelingen selten gar nicht. Sie sind eng fokussiert, gut betreut und budgetiert, und werden außerdem von den engagiertesten Mitarbeitern begleitet; Von denen mit tatsächlich eigenem Interesse. Danach kommt der Rollout, und langsam aber sicher ändert sich das Bild.
Der Grund ist meistens derselbe: Was im Pilot funktioniert hat, war kein Technologiebeweis, sondern die Bestätigung, dass kompetente Menschen mit ausreichend Zeit und Fokus einen Prozess verbessern können. Die KI war in diesem Fall Werkzeug, und nicht Ursache der Besserung.
Beim Rollout fehlen dagegen Zeit und Fokus. Die Prozesse, die nun abgedeckt werden sollen, sind schlechter dokumentiert, die Daten unvollständiger und die Zuständigkeiten unklar oder im schlimmsten Fall, Subjekt von politischer Intrige. Das Tool, die KI, bleibt dasselbe, jedoch sehen die Ergebnisse plötzlich ganz anders aus.
Die Konsequenz für die Praxis: Ein Pilot sollte mit der expliziten Frage starten, ob das Ergebnis auch unter normalen Bedingungen reproduzierbar ist. Wer das nicht klärt, kauft sich Hoffnung und keine Erkenntnisse.
KI verändert Entscheidungen, nicht nur Abläufe
Der hier häufig unterschätzte Schritt ist nicht die Einführung des KI-Tools selbst, sondern die Frage, was mit dem Output passiert. KI kann Muster in Kundendaten erkennen, Abweichungen in Auftragseingängen signalisieren oder Textentwürfe liefern. Das ist nur dann nützlich, wenn jemand darauf reagiert, und mit den generierten Daten arbeitet.
In vielen Organisationen fehlt aber genau das: Kein Prozess, keine Zuständigkeit, keine Erwartung, wie mit KI-generierten Hinweisen umzugehen ist, oder wie diese gewinnbringend (oder compliant) in bestehende Abläufe einbindbar sind. Die Information landet irgendwo, wird vielleicht gelesen und dann nicht weiterverfolgt. Damit handelt es sich nicht um ein KI-Problem, sondern ein Organisationsproblem, bzw. ein Prozessmanagementproblem.
Wer möchte, dass KI Entscheidungen verbessert, muss definieren, welche das sein sollen und wer sie trifft oder wen sie betreffen. Dieser sehr banal klingende Umstand wird bei der KI-Integration regelmäßig übersprungen.
Was vor der Technologieentscheidung steht
Nützlich ist hier eine ganz einfache Reihenfolge: Zuerst den Prozess selbst verstehen, dann prüfen, ob KI dort wirklich helfen kann (am besten über eine Technik wie z.B. 5-Why), und dann erst das passende Tool auswählen.
Wer mit dem Tool anfängt, landet fast immer bei einem Anwendungsfall, der primär dessen Ansätze und Stärken abbidlet – unabhängig davon, ob das überhaupt ein Hebel im Unternehmen ist. Das Ergebnis ist entweder eine Lösung für ein Problem geringer Priorität, oder im schlimmsten Fall ein redundanter, kostenintensiver, neuer Prozess.
Die ehrlichere, unangenehmere Frage lautet: Wo verliert das Unternehmen heute systematisch Zeit oder Qualität, weil Informationen fehlen, zu spät kommen oder nicht weiterverarbeitet werden? Die Antwort auf diese Frage führt zu den Anwendungsfällen, bei denen KI tatsächlich etwas verändern kann.
Fazit
KI funktioniert. Die Modelle sind gut genug, die Anwendungsfälle sind erprobt, die Einstiegshürden sinken. Das Problem liegt fast nie an der Technologie.
Es liegt an unklaren Prozessen, schwach definierten Erfolgskriterien und fehlenden Zuständigkeiten. Wer diese Fragen vor der Toolauswahl beantwortet, hat gute Chancen auf ein Ergebnis, das sich auch nach dem Pilot noch sehen lassen kann. Wer es nicht tut, riskiert einen Teufelskreis von teuren Toolsets, Lizenzen und Prozesswildwuchs, ohne messbaren Mehrwert.
Quellen
[1] Ivan Yotzov et al., "Firm Data on AI," NBER Working Paper 34836 (2026)