KI im Unternehmenskontext: Chancen und Herausforderungen für moderne Firmen

KI-Einsatz in deutschen Unternehmen: Verbreitung und Anwendungsfelder

In Deutschland setzte 2024 etwa jedes fünfte Unternehmen KI ein. Das zeigen Zahlen des Statistischen Bundesamts. Gegenüber dem Vorjahr stieg der Anteil um 8 Prozentpunkte. Die Verbreitung bleibt jedoch ungleich: Große Firmen verfügen oft über mehr Daten, IT-Fachkräfte und Investitionsspielraum als kleine Betriebe.

Nach Unternehmensgröße nutzten 48 % der Großunternehmen KI. Bei mittleren Unternehmen waren es 28 %, bei kleinen Firmen 17 %. Damit zeigt sich ein klares Gefälle. Für kleinere Betriebe liegt der Engpass häufig nicht bei der Idee, sondern bei Zeit, Budget und technischer Einbindung in bestehende Abläufe.

Besonders stark ist der Einsatz in der Informations- und Kommunikationsbranche. Auch Elektrotechnik, Maschinenbau und Fahrzeugbau zählen zu den Vorreitern. Dort fallen große Datenmengen an, Prozesse sind oft digital erfasst und Prognosen bringen einen direkten wirtschaftlichen Nutzen. Im Baugewerbe sowie in der Ver- und Entsorgung ist die Nutzung bislang geringer.

Das wichtigste Einsatzfeld ist der Umgang mit Sprache. 48 % der KI nutzenden Unternehmen setzten Textanalyse oder Text Mining ein. 47 % verwendeten Spracherkennung, 34 % Systeme zur Erzeugung natürlicher Sprache. Diese Werte zeigen: KI beginnt im Betrieb nicht erst bei Robotern oder autonomen Maschinen. Sie arbeitet längst in Suchfunktionen, Dokumentenprüfungen, Gesprächsauswertungen und digitalen Assistenzsystemen.

Auch die innerbetriebliche Verteilung ist aufschlussreich. 33 % der Unternehmen nutzten KI im Vertrieb oder Marketing. 25 % setzten sie in Produktions- und Dienstleistungsprozessen ein, 24 % in Verwaltung und Management. Die Grenzen zwischen diesen Bereichen verschwimmen zunehmend: Eine Nachfrageprognose beeinflusst etwa Einkauf, Produktion, Lager und Vertrieb zugleich.

• Vertrieb und Marketing: Kundendaten lassen sich strukturieren, Anfragen vorsortieren und Inhalte schneller an verschiedene Zielgruppen anpassen.
• Produktion und Dienstleistungen: Systeme erkennen Abweichungen, prognostizieren Wartungsbedarf und unterstützen die Einsatzplanung.
• Verwaltung und Management: KI durchsucht Akten, fasst Vorgänge zusammen und macht verstreute Informationen auffindbar.
• Wissensarbeit: Mitarbeitende erhalten einen schnelleren Zugang zu internen Richtlinien, Projektwissen und technischen Unterlagen.

Für die Unternehmenspraxis ist weniger entscheidend, wie spektakulär ein System wirkt. Wichtiger ist seine Nähe zum tatsächlichen Arbeitsablauf. Ein Modell, das täglich viele kleine Such- oder Prüfaufgaben verkürzt, kann mehr Wert schaffen als eine auffällige Einzelanwendung. Der sinnvollste Blick richtet sich daher auf Bearbeitungszeiten, Fehlerquoten und die Qualität von Entscheidungen.

Die Zahlen beschreiben allerdings nur, ob ein Unternehmen KI nutzt. Sie sagen nicht, wie tief die Systeme in die Organisation eingebunden sind oder welchen wirtschaftlichen Effekt sie erzielen. Zwischen einem einzelnen Testzugang und einer dauerhaft betriebenen Anwendung liegen Welten. Genau dort entscheidet sich, ob aus technischer Neugier ein belastbarer Wettbewerbsvorteil wird.

Chancen durch KI für Dienstleistungen und Geschäftsmodelle

KI kann Dienstleistungen von einer reaktiven Bearbeitung zu einem vorausschauenden Angebot weiterentwickeln. Ein Wartungsdienst erkennt beispielsweise typische Ausfallmuster, bevor eine Maschine stillsteht. Ein Versicherer kann Schäden schneller einordnen. Ein Energieberater erstellt aus Verbrauchsprofilen konkrete Sparvorschläge. Der eigentliche Vorteil liegt nicht nur im Tempo, sondern in der Fähigkeit, Leistungen genauer auf den jeweiligen Bedarf zuzuschneiden.

Dadurch entstehen neue Formen der Kundenbeziehung. Unternehmen verkaufen nicht mehr ausschließlich ein Produkt oder einzelne Arbeitsstunden, sondern laufende Ergebnisse: Verfügbarkeit, Sicherheit, Qualität oder eine bestimmte Leistung pro Nutzung. Aus einem Maschinenverkauf kann etwa ein Vertrag für garantierte Betriebszeit werden. Der Hersteller bleibt eingebunden, sammelt Betriebserfahrungen und verbessert sein Angebot kontinuierlich.

Besonders interessant ist die Verbindung von Fachwissen und digitalen Diensten. Ein Hersteller von Anlagen kann aus technischen Messwerten, Wartungshistorien und Einsatzbedingungen individuelle Empfehlungen ableiten. Ein Logistikdienstleister könnte seine Kunden nicht nur über Lieferungen informieren, sondern Verspätungsrisiken früh erkennen und alternative Routen vorschlagen. So wird aus Daten ein Zusatznutzen, der schwerer kopierbar ist als eine einzelne Funktion.

• Personalisierte Leistungen: Angebote passen sich Nutzungsverhalten, Bedarf und Situation einzelner Kunden an.
• Vorausschauende Services: Systeme erkennen Risiken, bevor daraus ein sichtbares Problem entsteht.
• Skalierbare Beratung: Expertenwissen wird digital verfügbar, ohne dass jeder Vorgang manuell bearbeitet werden muss.
• Neue Erlösmodelle: Abonnements, nutzungsabhängige Preise und ergebnisbasierte Verträge gewinnen an Bedeutung.

Für Geschäftsmodelle bedeutet das einen Perspektivwechsel. Die entscheidende Frage lautet nicht: „Wo lässt sich ein bestehender Prozess beschleunigen?“ Sie lautet vielmehr: „Welche Leistung können wir mit vorhandenen Daten künftig anbieten, die heute noch nicht möglich ist?“ Diese Frage führt oft näher an den Kundennutzen heran als eine reine Technologiebetrachtung.

Allerdings verändert ein datenbasiertes Angebot auch die Kostenstruktur. Anfangs entstehen Aufwendungen für Datenaufbereitung, Schnittstellen, Modellpflege und fachliche Prüfung. Später können die Grenzkosten je zusätzlichem Kunden sinken. Das gilt vor allem bei digitalen Diensten. Gleichzeitig steigt die Abhängigkeit von laufender Qualität: Veraltete Daten oder veränderte Kundengewohnheiten können ein einst nützliches Angebot schnell stumpf wirken lassen.

Ein weiterer Hebel liegt in der Kombination verschiedener Leistungen. Ein Anbieter kann Produkte, Beratung, Prognosen und Support zu einem integrierten Dienst verbinden. Kunden erhalten dadurch weniger Einzellösungen und mehr Ergebnisverantwortung aus einer Hand. Für etablierte Firmen ist das eine echte Chance, weil bestehende Kundenbeziehungen, Branchenkenntnis und Prozesswissen bereits vorhanden sind.

Die stärksten Geschäftsmodelle entstehen daher meist nicht durch KI allein. Sie verbinden ein konkretes Kundenproblem, belastbare Fachprozesse und einen klaren wirtschaftlichen Nutzen. Wer diesen Dreiklang trifft, kann aus einer technischen Anwendung einen dauerhaften Dienst machen. Wer nur ein Modell einführt, ohne sein Leistungsversprechen zu verändern, bleibt dagegen leicht austauschbar.

Chancen und Herausforderungen beim Einsatz von KI in Unternehmen

Prozessoptimierung durch maschinelles Lernen und Automatisierung

Maschinelles Lernen verbessert vor allem Abläufe, bei denen viele Vorgänge zusammenkommen und sich Muster erst über längere Zeit zeigen. Das System verarbeitet historische Prozessdaten, erkennt Zusammenhänge und erstellt daraus Prognosen. In der Fertigung kann es etwa Abweichungen bei Temperatur, Druck oder Vibrationen erfassen. So lässt sich ein Wartungstermin planen, bevor ein teurer Stillstand entsteht.

Der technische Kern besteht aus einer Lernschleife: Daten werden erfasst, ein Modell wird trainiert und seine Vorhersagen werden mit späteren Ergebnissen verglichen. Weichen Prognose und Realität voneinander ab, wird das Modell angepasst. Für die Praxis zählen dabei nicht nur Trefferquote, Fehlalarme und Reaktionszeit, sondern auch die Einpassung in den Arbeitsablauf.

• Qualitätsprüfung: Kamerasysteme finden Kratzer, falsche Bauteile oder Abweichungen bei der Montage.
• Wartungsplanung: Sensordaten weisen auf Verschleiß hin und helfen, Ersatzteile rechtzeitig bereitzustellen.
• Routensteuerung: Algorithmen berücksichtigen Verkehr, Lieferfenster und Fahrzeugauslastung.
• Kapazitätsplanung: Prognosen unterstützen die Verteilung von Maschinen, Material und Schichten.
• Betrugsabwehr: Ungewöhnliche Transaktionen werden anhand vieler Merkmale priorisiert geprüft.

Automatisierung geht einen Schritt weiter. Sie überträgt erkannte Regeln oder Modellentscheidungen direkt in nachgelagerte Systeme. Ein Auftrag kann dadurch automatisch klassifiziert, an die passende Stelle geleitet und mit den nötigen Informationen ergänzt werden. Bei der robotergestützten Prozessautomatisierung übernehmen Software-Roboter klar definierte Klick- und Übertragungsschritte. Maschinelles Lernen hilft ihnen dort, wo Eingaben nicht immer gleich aussehen.

Ein gutes Beispiel ist die Rechnungsverarbeitung: Ein System liest unterschiedliche Layouts, erkennt Beträge und Bestellnummern, gleicht die Angaben ab und markiert Unstimmigkeiten. Dadurch wandelt sich ein starrer Ablauf in einen flexibleren Prozess. Die Sachbearbeitung erhält nicht mehr jeden Vorgang, sondern vor allem Fälle, bei denen eine Entscheidung oder Klärung nötig ist.

Der größte Effekt entsteht selten an einer einzelnen Station. Wertvoller ist die Verbindung mehrerer Systeme. Produktionsdaten können mit dem Einkauf, dem Lager und der Einsatzplanung verknüpft werden. Dann reagiert der Betrieb nicht nur schneller, sondern koordiniert besser. Eine verspätete Lieferung löst beispielsweise automatisch eine neue Reihenfolge in der Fertigung aus.

Für die Bewertung eignen sich messbare Prozessgrößen:

• Durchlaufzeit je Vorgang
• Quote manueller Nachbearbeitungen
• Fehler- und Ausschussrate
• Stillstandszeit von Anlagen
• Zeit bis zur Bearbeitung eines Ausnahmefalls
• Kosten pro Transaktion

Vorsicht ist bei sich verändernden Bedingungen nötig. Ein Modell, das mit alten Nachfrage-, Maschinen- oder Verkehrsdaten trainiert wurde, kann im Alltag an Genauigkeit verlieren. Dieses sogenannte Drift-Problem bleibt oft unsichtbar, bis sich Fehler häufen. Deshalb brauchen produktive Systeme feste Prüfintervalle, aktuelle Vergleichsdaten und eine Möglichkeit zum schnellen Zurücksetzen.

Entscheidend ist außerdem die technische Anschlussfähigkeit. Eine KI-Anwendung ohne passende Schnittstellen erzeugt neue Handarbeit statt Entlastung. Erst wenn Datenströme, Rollen und Ausnahmen sauber definiert sind, wird aus einer Prognose ein verlässlicher Prozessbaustein.

Generative KI in Marketing, Wissen und Personalentwicklung

Generative KI erweitert Marketing, Wissensarbeit und Personalentwicklung um eine neue Produktionsschicht. Sie erstellt Entwürfe, ordnet große Textbestände und passt Lerninhalte an. Der wirtschaftliche Wert entsteht jedoch erst, wenn sie in fachliche Abläufe eingebettet ist. Ein schneller Text allein ist noch keine gute Kommunikation.

Im Marketing kann generative KI Varianten für unterschiedliche Zielgruppen, Kanäle und Tonlagen vorbereiten. Aus einem Produktbriefing entstehen etwa Anzeigenentwürfe, Newsletter-Teaser und Fragen für ein Verkaufsgespräch. Besonders nützlich ist die sprachliche Anpassung internationaler Inhalte. Fachleute prüfen anschließend Markenbotschaft, Fakten und rechtlich sensible Aussagen.

Auch die Auswertung qualitativer Rückmeldungen wird leichter. Kundeninterviews, Supportnotizen oder offene Befragungen lassen sich thematisch bündeln. Dadurch werden wiederkehrende Wünsche und Ärgernisse sichtbarer. Die Maschine liefert dabei eine Struktur, keine endgültige Marktmeinung. Einzelne ungewöhnliche Hinweise dürfen nicht im Datenrauschen verschwinden.

Für das interne Wissensmanagement kann ein Sprachmodell als Such- und Dialogschicht dienen. Beschäftigte fragen in Alltagssprache nach Vorgaben, technischen Abläufen oder Projekterfahrungen. Ein gutes System verweist dabei auf die zugrunde liegenden Dokumente. Ohne diese Belege bleibt eine flüssige Antwort bloß plausibel – und Plausibilität ist im Betrieb ein gefährlicher Trittstein.

• Dokumente erschließen: Lange Richtlinien werden nach Themen, Rollen und Fristen geordnet.
• Wissen übertragen: Erfahrungswissen lässt sich in Checklisten, Lernkarten oder Fallbeispiele umwandeln.
• Onboarding beschleunigen: Neue Beschäftigte erhalten passende Antworten zu internen Abläufen.
• Inhalte aktuell halten: Änderungen an Vorgaben können erkannt und betroffene Schulungsunterlagen markiert werden.

In der Personalentwicklung unterstützt generative KI die Vorbereitung individueller Lernpfade. Ein System kann aus Rolle, Vorkenntnissen und Zielprofil eine Reihenfolge von Übungen vorschlagen. Für eine angehende Projektleitung wären etwa Konfliktgespräche, Ressourcenplanung und Risikobewertung sinnvoll. Die Auswahl sollte sich an tatsächlichen Aufgaben orientieren, nicht an einem möglichst glänzenden Kurskatalog.

Ebenso hilfreich sind simulierte Situationen. Mitarbeitende können schwierige Kundengespräche, Bewerbungsgespräche oder Sicherheitsunterweisungen üben. Die KI reagiert auf Antworten und erzeugt neue Szenarien. Das schafft einen geschützten Trainingsraum. Für Prüfungen, Beförderungen oder arbeitsrechtlich relevante Entscheidungen darf ein solches System jedoch nicht zur alleinigen Bewertungsinstanz werden.

Bei der Einführung lohnt eine klare Trennung zwischen Entwurf, Empfehlung und Entscheidung. Marketingteams verantworten die Veröffentlichung. Fachabteilungen verantworten den Inhalt. Personalverantwortliche verantworten Entwicklung und Beurteilung. Diese Zuordnung verhindert, dass niemand zuständig ist, sobald ein automatisch erzeugter Inhalt fehlerhaft oder unangemessen ausfällt.

Unternehmen sollten außerdem festlegen, welche Inhalte für das Training verwendet werden dürfen, wie Ausgaben gekennzeichnet werden und wann eine menschliche Freigabe nötig ist. Für synthetische Bilder, Videos oder Audiodateien gelten im europäischen Rechtsrahmen zusätzliche Transparenzanforderungen. Solche Hinweise schaffen Orientierung und schützen das Vertrauen in die Kommunikation.

Der größte Hebel liegt letztlich in der Zusammenarbeit von Fachleuten und Systemen. Die KI übernimmt Varianten, Suche und Struktur. Menschen liefern Kontext, Urteilskraft und Verantwortung. Genau diese Arbeitsteilung macht generative KI im Unternehmenskontext produktiv – nicht der Versuch, menschliche Expertise einfach wegzurationalisieren.

Daten als Grundlage für leistungsfähige KI-Anwendungen

Leistungsfähige KI-Anwendungen beginnen nicht mit einem möglichst großen Datenbestand, sondern mit passenden, verlässlichen und rechtmäßig nutzbaren Informationen. Ein Modell kann nur Muster erkennen, die in seinen Eingaben ausreichend abgebildet sind. Fehlen wichtige Fälle oder sind Begriffe uneinheitlich, wirkt das Ergebnis schnell präzise, bleibt aber sachlich schief.

In Unternehmen liegen relevante Daten meist verteilt vor: in ERP-Systemen, Maschinensensoren, E-Mails, Serviceakten, Tabellen oder Dokumenten. Vor dem Training müssen diese Quellen einheitlich beschrieben werden. Dazu gehören klare Feldnamen, Zeitstempel, Einheiten und Herkunftsangaben. Ein Umsatzwert ohne Währung oder ein Messwert ohne Skala ist für eine belastbare Analyse kaum brauchbar.

Datenqualität hat mehrere Seiten:

• Vollständigkeit: Wesentliche Fälle und Merkmale dürfen nicht systematisch fehlen.
• Genauigkeit: Werte müssen die reale Situation möglichst korrekt abbilden.
• Aktualität: Veraltete Informationen können Prognosen verfälschen.
• Konsistenz: Gleiche Begriffe und Einheiten müssen überall dasselbe bedeuten.
• Repräsentativität: Der Datensatz sollte die späteren Einsatzbedingungen abdecken.

Besonders kritisch sind Verzerrungen. Enthält ein Datensatz vor allem Fälle aus einer Region, Schicht oder Kundengruppe, kann das Modell andere Gruppen schlechter beurteilen. Bei der Personalplanung könnte etwa eine historische Bevorzugung bestimmter Bewerberprofile unbemerkt fortgeschrieben werden. Das System wäre dann nicht neutral, sondern würde alte Muster mit hoher Geschwindigkeit wiederholen.

Eine belastbare Datenarchitektur trennt mehrere Ebenen. Rohdaten bleiben unverändert erhalten. Aufbereitete Daten werden für Analysen standardisiert. Für das Training entstehen geprüfte Datensätze mit dokumentierten Merkmalen und Zielwerten. Diese Trennung erleichtert die Fehlersuche und verhindert, dass eine nachträgliche Änderung unbemerkt frühere Ergebnisse überschreibt.

Auch die Herkunft muss nachvollziehbar sein. Ein Datenkatalog sollte zeigen, woher ein Datensatz stammt, wann er aktualisiert wurde, wer ihn pflegt und für welchen Zweck er verwendet werden darf. Für sensible Inhalte gehören Aufbewahrungsfristen und Löschregeln dazu. Technisch helfen etwa Rollenmodelle, Verschlüsselung und Protokolle über Datenzugriffe.

Für viele Anwendungen ist zudem eine kleinere, gut kuratierte Datenmenge wertvoller als ein riesiges Archiv. Fachlich geprüfte Beispiele können ein Modell gezielter verbessern als unstrukturierte Massen. Bei generativen Systemen lässt sich internes Wissen etwa über eine dokumentengestützte Suchschicht bereitstellen, ohne sämtliche Unternehmensinhalte in das Modelltraining zu übernehmen.

Vor dem produktiven Einsatz sollte ein Datensatz mit festen Prüfregeln bewertet werden:

• Welche Fehlerquote weisen die einzelnen Datenquellen auf?
• Welche Gruppen oder Zeiträume sind unterrepräsentiert?
• Welche Merkmale dürfen aus fachlicher Sicht überhaupt verwendet werden?
• Wie verändert sich die Datenqualität nach einer Systemumstellung?
• Kann ein Ergebnis bis zu seinem Ursprung zurückverfolgt werden?

Ein oft unterschätztes Thema ist die Datenhoheit bei externen Diensten. Verträge sollten klären, wo Informationen verarbeitet werden, ob sie zum Training fremder Modelle dienen und wie eine Löschung nachgewiesen wird. Bei internationalen Lieferketten kommen Vorgaben zum Datentransfer hinzu. Rechtliche Freigaben sind dabei kein Ersatz für technische Kontrollen, sondern eine zusätzliche Schutzschicht.

Die zentrale Erkenntnis lautet: KI-Qualität ist zu einem großen Teil Datenarbeit. Unternehmen, die Herkunft, Struktur, Güte und Nutzung ihrer Informationen beherrschen, schaffen eine stabile Basis für spätere Modelle. Wer diesen Unterbau überspringt, investiert womöglich in eine glänzende Oberfläche, deren Fehler sich erst im laufenden Betrieb zeigen.

Veränderungen in Organisation und Entscheidungsprozessen

KI verändert Organisationen vor allem dort, wo Entscheidungen bisher langsam, hierarchisch oder auf verstreute Informationen gestützt waren. Aus starren Zuständigkeiten können beweglichere Arbeitsstrukturen entstehen. Teams greifen schneller auf Analysen zu, vergleichen Szenarien und stimmen Aufgaben über Abteilungsgrenzen hinweg ab.

Damit verschiebt sich die Rolle von Führungskräften. Sie müssen nicht jede Information selbst sammeln und jede Detailentscheidung treffen. Wichtiger werden Zielsetzung, Priorisierung und die Beurteilung von Zielkonflikten. Ein System kann Optionen berechnen; es kann aber nicht automatisch festlegen, welches Risiko zur Unternehmenskultur oder zur langfristigen Strategie passt.

Besonders deutlich wird der Wandel bei Entscheidungen mit mehreren Zeithorizonten. Ein kurzfristig rentabler Auftrag kann langfristig Kapazitäten blockieren. Eine schnelle Personalbesetzung kann später hohe Einarbeitungskosten verursachen. KI kann solche Folgen modellieren und Szenarien gegenüberstellen. Die Verantwortung für die Gewichtung bleibt bei den zuständigen Personen.

Für eine belastbare Entscheidungsarchitektur sollten Unternehmen vier Ebenen trennen:

• Datengrundlage: Welche Informationen fließen in die Analyse ein?
• Modellausgabe: Welche Prognose, Einstufung oder Empfehlung entsteht?
• Fachliche Einordnung: Welche Besonderheiten kennt nur das zuständige Team?
• Freigabe: Wer darf eine verbindliche Maßnahme auslösen?

Diese Trennung verhindert, dass eine Empfehlung unbemerkt zur Anweisung wird. Sie klärt zugleich, wer bei widersprüchlichen Ergebnissen entscheidet. In kritischen Bereichen sollte jede relevante Ausgabe mit Begründung, Zeitpunkt und Bearbeiter dokumentiert werden. Das schafft eine nachvollziehbare Entscheidungsspur.

Organisatorisch entstehen neue Rollen. Neben der IT benötigen Unternehmen Personen, die Geschäftsprozesse, Fachregeln und Modellergebnisse verbinden. Denkbar sind etwa Verantwortliche für KI-Produkte, Modellrisiken oder die Qualität einzelner Entscheidungsdienste. In kleineren Firmen kann eine Person mehrere Aufgaben übernehmen. Entscheidend ist nicht der Titel, sondern die eindeutige Zuständigkeit.

KI fördert außerdem eine stärkere Arbeit in funktionsübergreifenden Teams. Fachabteilungen definieren den Nutzen, IT-Teams bauen Schnittstellen und Datenflüsse, die Rechtsabteilung bewertet Pflichten, und die Personalvertretung achtet auf Auswirkungen im Arbeitsalltag. Diese Zusammenarbeit kostet zunächst Abstimmung. Sie verhindert jedoch, dass ein technisch gelungenes System am betrieblichen Alltag vorbeigeht.

Ein weiterer Wandel betrifft die Messung von Leistung. Wenn Systeme Routineaufgaben übernehmen, reichen reine Aktivitätskennzahlen weniger aus. Unternehmen sollten stärker auf Ergebnisqualität, Problemlösungsfähigkeit und Zusammenarbeit achten. Das kann Rollen aufwerten, die bisher vor allem durch manuelle Bearbeitung sichtbar waren. Zugleich müssen Zielvereinbarungen angepasst werden, sonst belohnt die Organisation womöglich alte Arbeitsweisen.

Für die Umsetzung empfiehlt sich eine klare Eskalationslogik: automatisch bearbeiten, zur Prüfung vorlegen oder sofort an eine verantwortliche Stelle eskalieren. Die Kategorien sollten anhand von Schadenshöhe, Reversibilität und Entscheidungsspielraum festgelegt werden. Eine leicht korrigierbare Empfehlung braucht weniger Kontrolle als eine Maßnahme mit dauerhaften Folgen.

Die zentrale organisatorische Herausforderung ist damit nicht die Einführung eines einzelnen Systems. Es geht um ein neues Zusammenspiel von Technik, Fachlichkeit und Verantwortung. Unternehmen, die diese drei Elemente sauber verbinden, entscheiden schneller, ohne ihre Urteilskraft an einen Algorithmus abzugeben.

Fachkräftemangel und fehlende KI-Kompetenzen bewältigen

Der Engpass liegt oft nicht bei der Software, sondern bei Menschen, die Geschäftsziele, Fachwissen und Technik verbinden können. Besonders gesucht sind Profile, die Daten analysieren, Modelle beurteilen und ihren Nutzen für einen konkreten Prozess erklären. Dazu zählen unter anderem Data Scientists, Machine-Learning-Engineers, MLOps-Fachkräfte, Prozessdesigner und Fachleute für KI-Recht.

Unternehmen müssen dafür nicht jede Kompetenz extern einkaufen. Ein wirksamer Ansatz ist ein Kompetenzmix aus drei Ebenen: Einige Spezialisten entwickeln und betreiben Systeme. Fachabteilungen verstehen deren Grenzen und sinnvolle Einsatzbedingungen. Alle Beschäftigten erwerben ein grundlegendes Verständnis für sichere und korrekte Nutzung. So bleibt Wissen nicht in einer kleinen Expertengruppe eingeschlossen.

• Basiswissen: Beschäftigte lernen, Ergebnisse kritisch einzuordnen, Eingaben sauber zu formulieren und vertrauliche Inhalte richtig zu behandeln.
• Rollenwissen: Teams üben Anwendungen, die direkt zu ihren Aufgaben passen, etwa Textprüfung, Recherche oder Prognoseinterpretation.
• Vertiefung: Spezialisten beherrschen Modellwahl, Schnittstellen, Tests, Überwachung und Fehleranalyse.
• Führungswissen: Entscheider bewerten Aufwand, Nutzen, Abhängigkeiten und Auswirkungen auf Rollen.

Schulungen wirken besonders gut, wenn sie an echten Arbeitsfällen ansetzen. Ein kurzer Workshop mit anonymisierten Beispielen bringt oft mehr als eine allgemeine Präsentation. Die Teilnehmenden sollten ein Ergebnis prüfen, Fehler finden und anschließend eine bessere Version erstellen. Dieser praktische Wechsel zwischen Versuch und Reflexion baut Hemmschwellen ab.

Auch interne Lernformate können den Fachkräftemangel mildern. Beschäftigte aus Einkauf, Qualitätssicherung oder Kundenservice kennen die Abläufe bereits und entwickeln sich durch gezielte Weiterbildung zu sogenannten Domänenexpertinnen und Domänenexperten für KI. Ihr Vorteil: Sie verstehen nicht nur die Technik, sondern auch die kleinen Reibungen des Tagesgeschäfts, die in Projekten gern übersehen werden.

Für die Personalgewinnung zählt zudem ein realistisches Rollenbild. Nicht jede Stelle braucht Programmierkenntnisse. Ein Unternehmen kann Aufgaben trennen: Eine Person pflegt fachliche Regeln, eine andere prüft Datenflüsse, eine dritte betreut die Einführung im Team. Klare Profile vergrößern den Bewerberkreis und verhindern, dass jede Ausschreibung ein unrealistisches „Eierlegende-Wollmilchsau“-Profil verlangt.

Kooperationen mit Hochschulen, beruflichen Bildungsträgern und spezialisierten Dienstleistern schließen kurzfristige Lücken. Langfristig sollte jedoch internes Wissen wachsen. Sonst bleibt das Unternehmen von einzelnen Beratern oder Anbietern abhängig. Eine dokumentierte Übergabe, gemeinsame Reviews und festgelegte Lernziele machen externe Unterstützung nachhaltiger.

Der Erfolg eines Kompetenzprogramms lässt sich beobachten:

• Anteil der Beschäftigten mit passender Grundqualifikation
• Zeit bis zur eigenständigen Bearbeitung eines KI-gestützten Arbeitsfalls
• Anzahl geprüfter Anwendungsfälle je Fachbereich
• Abhängigkeit von externen Spezialisten
• Fehlerquote bei der Nutzung und Dokumentation

Wichtig ist außerdem, Lernzeit als Arbeitszeit zu behandeln. Wer Weiterbildung nur „nebenbei“ erwartet, erhält oberflächliche Kenntnisse und frustrierte Teams. Eine offene Fehlerkultur hilft ebenfalls: Unsichere Ergebnisse sollten gemeldet werden können, ohne dass Beschäftigte sofort als technikfern gelten. Kompetenz wächst dort, wo Fragen erlaubt sind.

Datenschutz, Sicherheit und rechtliche Anforderungen erfüllen

Beim Einsatz von KI müssen Unternehmen drei Ebenen getrennt prüfen: Datenschutz, Informationssicherheit und sektorale Regeln. Ein System kann technisch funktionieren und trotzdem unzulässig eingesetzt werden. Entscheidend sind daher Zweck, Datenart, betroffene Personen und die möglichen Folgen eines Fehlers.

Die Datenschutz-Grundverordnung verlangt unter anderem eine klare Rechtsgrundlage, Zweckbindung und Datenminimierung. Bei personenbezogenen Informationen sollte vorab feststehen, warum sie verarbeitet werden, wie lange dies nötig ist und wer darauf zugreifen darf. Eine Datenschutz-Folgenabschätzung kann erforderlich sein, wenn die Verarbeitung voraussichtlich hohe Risiken für betroffene Personen erzeugt.

Besondere Vorsicht gilt bei Beschäftigten- und Kundendaten. Werden Systeme zur Bewertung, Auswahl oder Überwachung von Personen eingesetzt, können zusätzlich Mitbestimmungsrechte, arbeitsrechtliche Vorgaben und strengere Datenschutzanforderungen greifen. Verdeckte Leistungsprofile oder automatisierte Benachteiligungen sind keine bloßen Technikfehler, sondern können erhebliche rechtliche Folgen haben.

Der EU AI Act arbeitet mit einem risikobasierten Ansatz. Bestimmte Anwendungen sind verboten, etwa Systeme zur manipulativen Beeinflussung oder einzelne Formen sozialer Bewertung. Hochrisiko-Systeme unterliegen unter anderem Anforderungen an Risikomanagement, technische Dokumentation, Protokollierung, Datenqualität und menschliche Aufsicht. Für Unternehmen kommt es deshalb darauf an, die eigene Anwendung korrekt einzuordnen.

Die Pflichten gelten nicht für alle Systeme zum selben Zeitpunkt. Verbote und Vorgaben zur KI-Kompetenz gelten bereits seit dem 2. Februar 2025. Anforderungen an Anbieter allgemeiner KI-Modelle greifen seit dem 2. August 2025. Weitere Pflichten für Hochrisiko-Systeme und Transparenzregelungen folgen nach dem gesetzlichen Zeitplan. Vor dem produktiven Einsatz sollte deshalb der aktuelle Stand der Verordnung geprüft werden.

Bei generierten Inhalten verlangt der europäische Rechtsrahmen in bestimmten Fällen eine erkennbare Kennzeichnung. Das betrifft etwa künstlich erzeugte oder manipulierte Bild-, Ton- und Videoinhalte. Zusätzlich müssen Unternehmen Urheberrechte beachten. Trainingsmaterial, Eingaben und Ausgaben dürfen nicht automatisch frei verwendet werden, nur weil sie technisch zugänglich sind.

Informationssicherheit beginnt bereits bei der Auswahl des Dienstes. Unternehmen sollten insbesondere klären:

• Werden Eingaben für das Training des Anbieters verwendet?
• In welchen Ländern werden Daten gespeichert und verarbeitet?
• Welche Protokolle und Löschfristen gelten?
• Wie werden Rollen, Schlüssel und Zugänge verwaltet?
• Was geschieht bei einem Ausfall oder Anbieterwechsel?
• Wie werden Sicherheitsvorfälle gemeldet und untersucht?

Technisch braucht eine KI-Umgebung Schutz gegen typische Angriffe. Dazu gehören manipulierte Eingaben, die vertrauliche Informationen aus einem System herauslocken, sowie sogenannte Prompt-Injection-Angriffe. Auch Modell- und API-Zugänge müssen getrennt, begrenzt und überwacht werden. Besonders riskant sind weitreichende Schreib- oder Löschrechte: Ein Assistent sollte nicht automatisch mehr im Unternehmenssystem ausführen dürfen, als seine Aufgabe erfordert.

Verträge mit externen Anbietern sollten Verantwortlichkeiten präzise festlegen. Dazu zählen Verfügbarkeit, Support, Unterauftragnehmer, Haftung, Audit-Rechte, Datenrückgabe und die Beendigung des Dienstes. Eine Exit-Regel ist wichtig, damit ein Unternehmen bei Preisänderungen, Sicherheitsproblemen oder einem Anbieterwechsel handlungsfähig bleibt.

Rechtssicherheit ist damit kein einmaliger Freigabestempel. Modelle, Datenquellen, Einsatzgebiete und Risiken verändern sich. Ein belastbarer Prozess dokumentiert diese Änderungen und löst bei neuen Funktionen oder neuen Daten eine erneute Prüfung aus.

Mitarbeitende für den KI-Einsatz gewinnen und qualifizieren

Die Akzeptanz steigt, wenn Beschäftigte den konkreten Nutzen für ihre eigene Arbeit erkennen. Eine abstrakte Zukunftsdebatte überzeugt selten. Besser sind kurze Vorführungen mit realistischen Aufgaben: eine Recherche, eine Zusammenfassung oder die Vorbereitung eines Gesprächs. Dabei sollte offen sichtbar werden, was das System leistet und wo seine Grenzen liegen.

Qualifizierung braucht unterschiedliche Lernwege. Ein einheitlicher Kurs für alle passt kaum zu den verschiedenen Rollen im Unternehmen. Führungskräfte benötigen andere Inhalte als Sachbearbeitende, Entwickler oder Betriebsräte. Sinnvoll ist ein gestuftes Programm mit kurzen Lerneinheiten, Übungen und freiwilligen Vertiefungen.

• Einführung: Grundbegriffe, typische Fehler und sichere Nutzung im Arbeitsalltag.
• Praxisübungen: Aufgaben aus dem jeweiligen Fachbereich mit anschließender Auswertung.
• Vertiefung: Rollenbezogene Kenntnisse für Power-User, Projektteams und Multiplikatoren.
• Austausch: Regelmäßige Sprechstunden, interne Beispiele und eine zentrale Anlaufstelle.

Besonders wirksam sind interne Multiplikatoren. Sie testen neue Anwendungen, sammeln Rückmeldungen und übersetzen technische Änderungen in verständliche Hinweise. Dadurch entsteht ein niedrigschwelliger Zugang. Beschäftigte müssen nicht erst eine lange Supportschleife durchlaufen, wenn eine Frage im Tagesgeschäft auftaucht.

Wichtig ist auch die Beteiligung der Interessenvertretung. Betriebsräte und Personalvertretungen sollten frühzeitig erfahren, welche Aufgaben sich verändern und welche Daten verarbeitet werden. Gemeinsame Regeln schaffen Verlässlichkeit. Sie verhindern zudem, dass Mitarbeitende den Eindruck gewinnen, KI werde heimlich zur Leistungskontrolle eingeführt.

Transparenz betrifft nicht nur Risiken, sondern auch die Folgen für Rollen. Wird ein Arbeitsschritt automatisiert, sollte das Unternehmen erklären, welche Aufgaben an seine Stelle treten. Mehr Zeit für Beratung, anspruchsvollere Tätigkeiten oder neue Verantwortungsbereiche können die Veränderung greifbar machen. Sonst bleibt im Raum vor allem Unsicherheit.

Eine faire Lernstrategie berücksichtigt unterschiedliche Zugangsvoraussetzungen. Teilzeitkräfte, Schichtteams und Beschäftigte mit geringer digitaler Erfahrung benötigen passende Termine und Formate. Barrierearme Unterlagen, verständliche Sprache und aufgezeichnete Einheiten erweitern die Reichweite. Qualifizierung wird so nicht zum Privileg derjenigen, die ohnehin viel Zeit am Schreibtisch verbringen.

Den Fortschritt können Unternehmen mit praktischen Kriterien prüfen:

• Wie viele Beschäftigte können die freigegebenen Anwendungen sicher bedienen?
• Welche Rollen benötigen zusätzliche Unterstützung?
• Wie häufig werden interne Lernangebote genutzt?
• Welche wiederkehrenden Fragen zeigen Lücken im Verständnis?
• Verbessert sich die Qualität der Arbeitsergebnisse tatsächlich?

Auch Anerkennung wirkt. Wer gute Anwendungsfälle entwickelt oder Kolleginnen und Kollegen unterstützt, sollte dafür Zeit, Sichtbarkeit oder Entwicklungsmöglichkeiten erhalten. Das stärkt eine Lernkultur, in der Wissen geteilt wird. Reine Appelle reichen selten; Anreize machen aus Interesse schließlich Gewohnheit.

So wird Qualifizierung zu einem dauerhaften Bestandteil der Personalentwicklung. Mitarbeitende gewinnen Sicherheit, Führungskräfte erhalten realistische Rückmeldungen und das Unternehmen baut seine Veränderungsfähigkeit aus. Genau diese Verbindung entscheidet darüber, ob KI im Alltag angenommen wird oder nur auf einer ungenutzten Startseite liegen bleibt.

KI-Projekte auswählen, messen und erfolgreich skalieren

Ein KI-Projekt sollte nicht wegen seiner technischen Faszination starten. Entscheidend ist ein klar abgegrenztes Problem mit einem messbaren Ziel, einem verantwortlichen Bereich und einem realistischen Zeitrahmen. Eine einfache Bewertungsmatrix hilft, Ideen vergleichbar zu machen:

• Wirtschaftlicher Hebel: Wie viel Zeit, Umsatz oder Qualität kann sich verändern?
• Umsetzbarkeit: Sind Schnittstellen, Fachwissen und verfügbare Ressourcen vorhanden?
• Folgen eines Fehlers: Wie teuer, gefährlich oder schwer korrigierbar wäre eine falsche Ausgabe?
• Übertragbarkeit: Lässt sich die Lösung später auf weitere Teams oder Standorte anwenden?
• Lernwert: Welche Erkenntnisse entstehen auch dann, wenn das Vorhaben nicht skaliert?

Für jedes Vorhaben braucht es eine belastbare Ausgangsmessung. Dazu gehören etwa die bisherige Bearbeitungszeit, Fehlerhäufigkeit, Fallzahl und Gesamtkosten. Ohne diesen Referenzwert bleibt der Erfolg eine Frage des Bauchgefühls. Ein schnellerer Einzelschritt kann beispielsweise durch zusätzlichen Prüfaufwand an anderer Stelle wieder verloren gehen.

Die Zielgrößen sollten fachlich und technisch getrennt werden. Technische Kennzahlen beschreiben etwa Genauigkeit, Antwortzeit oder Ausfallrate. Fachliche Kennzahlen zeigen, ob der Prozess tatsächlich besser läuft. Ein Dokumentenmodell mit 95 % Erkennungsgenauigkeit kann im Betrieb dennoch ungeeignet sein, wenn die verbleibenden 5 % aus besonders kritischen Fällen bestehen.

Ein sinnvoller Projektauftrag legt außerdem fest, wann ein Vorhaben beendet wird. Dazu gehören Abbruchkriterien, Budgetgrenzen und ein Termin für die Entscheidung über die nächste Phase. Das schützt vor dem sogenannten Sunk-Cost-Effekt: Bereits investierte Zeit darf kein Grund sein, ein schwaches Projekt endlos weiterzuführen.

Nach einer ersten Erprobung sollte der Vergleich unter realen Bedingungen erfolgen. Ein begrenzter Parallelbetrieb zeigt, ob die Lösung auch bei schwankenden Fallzahlen, Sonderfällen und unterschiedlichen Nutzergruppen funktioniert. Dabei zählt nicht nur der Mittelwert. Extreme Ausreißer können für die betroffene Abteilung wichtiger sein als eine gute Durchschnittsleistung.

Für die Skalierung sind vier Bausteine besonders wichtig:

• Technischer Betrieb: Versionsverwaltung, Überwachung und ein geordneter Umgang mit Störungen.
• Wirtschaftlichkeit: Kosten für Nutzung, Wartung, Speicher, Schnittstellen und Support.
• Prozessintegration: Klare Übergaben zwischen System, Fachteam und nachgelagerten Anwendungen.
• Übertragungslogik: Regeln dafür, welche Standorte, Produkte oder Fallgruppen als Nächstes folgen.

Beim Ausbau verändert sich oft die Kostenkurve. Ein Modell kann bei wenigen Vorgängen günstig wirken, aber bei hoher Nutzung durch Rechen- und Lizenzkosten deutlich teurer werden. Umgekehrt sinken Aufwände pro Fall, wenn gemeinsame Schnittstellen und wiederverwendbare Bausteine vorhanden sind. Eine Skalierungsentscheidung braucht deshalb eine Prognose für mindestens zwölf bis 24 Monate.

Auch die Modellleistung muss nach dem Roll-out beobachtet werden. Geschäftsdaten, Kundenverhalten und interne Abläufe ändern sich. Ein Warnsystem sollte melden, wenn sich Eingabemuster, Fehlerraten oder Nutzung stark verschieben. Dieser Blick auf die Zeitreihe ist wichtiger als ein einmaliger Abnahmetest.

Ein zentrales Steuerungsgremium sollte regelmäßig über Fortführung, Anpassung oder Abschaltung entscheiden. Seine Aufgabe ist nicht, jedes Detail selbst zu bearbeiten. Es setzt Prioritäten, vergleicht Ergebnisse und verhindert eine unübersichtliche Sammlung isolierter Einzellösungen. So entsteht aus mehreren Vorhaben ein zusammenhängendes KI-Portfolio.

Die beste Skalierungsstrategie ist daher kein blindes Ausrollen. Sie verbindet nachgewiesenen Nutzen, kalkulierbare Betriebskosten und klare Grenzen. Was sich unter diesen Bedingungen bewährt, kann wachsen. Was nicht trägt, darf verschwinden – mit einem sauberen Lerneffekt.

Fazit: KI strategisch, sicher und nachhaltig im Unternehmen nutzen

KI wird dann zum nachhaltigen Unternehmenswert, wenn sie nicht als Einzelprojekt neben dem Betrieb läuft. Entscheidend ist ein belastbares Zielbild: Welche Fähigkeiten soll das Unternehmen in drei Jahren besitzen, welche Entscheidungen sollen besser werden und welchen Nutzen spüren Kunden oder Beschäftigte tatsächlich?

Der größte strategische Fehler wäre, den Erfolg allein an eingesetzten Systemen zu messen. Zukunftsfähigkeit zeigt sich vielmehr in wiederverwendbaren Datenstrukturen, kurzen Lernzyklen und der Fähigkeit, Modelle kontrolliert auszutauschen. So bleibt die Organisation beweglich, auch wenn sich Anbieter, Preise und Modellgenerationen ändern.

Für die Unternehmensleitung ergeben sich daraus drei Leitfragen:

• Wert: Verbessert die Anwendung ein relevantes Ergebnis oder erzeugt sie nur zusätzliche Aktivität?
• Resilienz: Kann der Betrieb bei Ausfall, Anbieterwechsel oder veränderten Rahmenbedingungen weiterarbeiten?
• Verantwortung: Sind Zuständigkeiten, Nachweise und Eskalationswege dauerhaft verankert?

Nachhaltigkeit umfasst dabei mehr als Stromverbrauch. Dazu gehören langlebige Schnittstellen, faire Arbeitsbedingungen, nachvollziehbare Entscheidungen und ein bewusster Umgang mit Rechenressourcen. Kleine, gut begrenzte Modelle können für einen konkreten Zweck sinnvoller sein als ständig wachsende Systeme. Auch die Möglichkeit zur Reparatur, Abschaltung und Ablösung gehört in die Planung.

Wer KI strategisch nutzt, baut daher keine undurchsichtige Techniksammlung auf. Er entwickelt eine lernende Betriebsfähigkeit: Erfahrungen werden dokumentiert, Fehlentwicklungen früh erkannt und erfolgreiche Muster in andere Bereiche übertragen. Diese Fähigkeit ist langfristig wertvoller als ein einzelnes Modell mit beeindruckender Vorführung.

Die Fraunhofer-Publikation Künstliche Intelligenz (KI) im Unternehmenskontext: Literaturanalyse und Thesenpapier ordnet die Auswirkungen von KI in Dienstleistungen, Geschäftsmodelle, Organisation, Wissen und Daten ein. Der Bericht zeigt damit bereits 2019, dass KI nicht nur eine IT-Frage ist, sondern die Wertschöpfung insgesamt berührt. Die vollständige Quelle ist über den DOI 10.24406/publica-fhg-299826 abrufbar.

Ein Unternehmen muss nicht jede Entwicklung mitmachen. Es sollte aber wissen, warum es eine Anwendung einführt, welche Grenzen gelten und wann ein anderer Weg besser ist. Genau diese Nüchternheit schafft Vertrauen. KI wird so weder zum Heilsversprechen noch zum Schreckgespenst, sondern zu einem steuerbaren Bestandteil moderner Unternehmensführung.