Künstliche Intelligenz kann Texte zusammenfassen, Dokumente durchsuchen, Informationen aufbereiten, Anfragen beantworten und ganze Arbeitsschritte automatisieren. In einer Demonstration sieht das schnell beeindruckend aus.
Trotzdem schaffen viele KI-Projekte den Sprung vom erfolgreichen Test in den produktiven Unternehmensalltag nicht.
Das liegt erstaunlich oft nicht daran, dass die eingesetzte KI zu schlecht wäre. Das Problem beginnt an anderer Stelle: bei unklaren Zielen, ungeeigneten Prozessen, schlechten Daten oder einer IT-Infrastruktur, in die sich die neue Lösung nicht sinnvoll integrieren lässt.
Ein funktionierendes KI-Modell ist eben noch lange kein funktionierender Unternehmensprozess.
Am Anfang steht zu oft die KI – und nicht das Problem
„Wir müssen etwas mit KI machen.“
Dieser Satz dürfte inzwischen in einigen Unternehmen gefallen sein. Als Ausgangspunkt für ein Projekt ist er allerdings denkbar ungeeignet.
Denn KI ist kein Unternehmensziel. Sie ist ein Werkzeug.
Entscheidend ist deshalb nicht zuerst die Frage, welche KI eingesetzt werden soll, sondern welches konkrete Problem damit gelöst werden soll.
Soll die Bearbeitungszeit bestimmter Vorgänge sinken? Sollen Mitarbeiter schneller auf internes Wissen zugreifen können? Soll der Kundenservice mehr Anfragen beim ersten Kontakt lösen? Soll ein wiederkehrender manueller Prozess automatisiert werden?
Je konkreter das Ziel, desto besser lässt sich später beurteilen, ob der Einsatz tatsächlich erfolgreich war.
Begriffe wie „Produktivität steigern“, „Innovation fördern“ oder „Wissensarbeit modernisieren“ klingen zwar gut, sind aber kaum messbar. Ohne Ausgangswert, Zielgröße und klare Verantwortlichkeiten entsteht schnell ein interessantes Experiment – aber noch kein sinnvoller Business Case.
Ein erfolgreicher Pilot ist noch keine funktionierende Lösung
Viele KI-Anwendungen funktionieren hervorragend, solange sie isoliert betrachtet werden.
Eine KI kann Dokumente zusammenfassen. Sie kann Fragen zu internen Richtlinien beantworten. Sie kann E-Mails formulieren oder Informationen aus einer Wissensdatenbank heraussuchen.
Doch Unternehmensprozesse bestehen selten aus einem einzelnen Chatfenster.
Der eigentliche Nutzen entsteht dort, wo eine KI mit bestehenden Arbeitsabläufen und Systemen zusammenspielt: mit ERP und CRM, Warenwirtschaft, Buchhaltung, Kundenservice, Produktion oder anderen Unternehmensanwendungen.
Und genau dort wird aus einer beeindruckenden Demonstration plötzlich ein IT-Projekt.
Dann stellen sich Fragen nach Benutzerrechten, Schnittstellen, Datenschutz, Protokollierung, Fehlerbehandlung, Verfügbarkeit oder der Frage, was passieren soll, wenn die KI einen Vorgang nicht korrekt bearbeiten kann.
Ein Pilotprojekt beweist zunächst nur, dass eine KI eine bestimmte Aufgabe unter kontrollierten Bedingungen erledigen kann. Eine produktive Lösung muss dagegen dauerhaft sicher, wirtschaftlich und zuverlässig funktionieren.
KI macht aus schlechten Daten keine guten Daten
Besonders deutlich werden bestehende Probleme bei der Datenbasis.
Generative KI benötigt zuverlässigen Kontext. Sind Informationen veraltet, mehrfach vorhanden, widersprüchlich oder schlecht strukturiert, kann auch ein leistungsfähiges Modell daraus keine verlässliche Wissensbasis zaubern.
Im Gegenteil: KI kann bestehende Datenprobleme sogar weniger sichtbar machen.
Bei klassischen Systemen fällt ein Fehler häufig sofort auf. Eine Zahl fehlt, eine Datenbank liefert keinen Treffer oder eine Schnittstelle funktioniert nicht.
Generative KI kann dagegen auch auf Grundlage schlechter Informationen eine sprachlich überzeugende Antwort erzeugen.
Das macht saubere Datenstrukturen umso wichtiger.
Welches Dokument ist aktuell? Welches System enthält den verbindlichen Datensatz? Wer darf auf welche Informationen zugreifen? Welche Informationen dürfen überhaupt von einer KI verarbeitet werden?
Wenn ein Unternehmen diese Fragen nicht beantworten kann, übernimmt die KI nicht die Lösung des Problems. Sie übernimmt das Problem.
Automatisierung braucht zuerst funktionierende Prozesse
Mit KI-Agenten soll der nächste Schritt über das reine Beantworten von Fragen hinausgehen. Solche Systeme können Informationen abrufen, Anwendungen ansteuern und selbstständig mehrere Arbeitsschritte durchführen.
Das eröffnet enormes Potenzial für Automatisierung.
Allerdings funktioniert auch hier die Reihenfolge nicht umgekehrt: Ein schlechter Prozess wird durch Automatisierung nicht automatisch zu einem guten Prozess.
Sind Zuständigkeiten unklar, existieren zahlreiche informelle Ausnahmen oder wissen Mitarbeiter nur aus Erfahrung, wie ein bestimmter Vorgang tatsächlich funktioniert, fehlt einer KI die notwendige Grundlage.
Bevor ein Prozess automatisiert wird, muss deshalb klar sein, wie er funktionieren soll.
Welche Schritte gehören dazu? Welche Systeme werden verwendet? Welche Entscheidungen darf die KI selbst treffen? Wann muss ein Mensch übernehmen? Was passiert bei einem Fehler?
Erst wenn diese Fragen beantwortet sind, lässt sich sinnvoll entscheiden, welche Teile eines Prozesses automatisiert werden können.
Was im Test günstig aussieht, kann im Betrieb teuer werden
Auch die Wirtschaftlichkeit wird bei KI-Projekten schnell unterschätzt.
Ein Pilotprojekt mit wenigen Nutzern und überschaubaren Anfragen verursacht zunächst geringe Kosten. Im produktiven Betrieb verändert sich diese Rechnung jedoch.
Mehr Nutzer erzeugen mehr Anfragen. Umfangreicher Kontext erhöht den Rechenaufwand. Systeme zur Suche und Bereitstellung interner Informationen benötigen zusätzliche Infrastruktur. KI-Agenten können für einen einzigen Vorgang mehrere Modellaufrufe durchführen. Hinzu kommen Monitoring, Protokollierung, Sicherheitsmechanismen und der laufende Betrieb.
Deshalb reicht es nicht zu fragen, was eine einzelne KI-Anfrage kostet.
Interessanter ist die Frage: Was kostet ein vollständig bearbeiteter Vorgang – und welchen wirtschaftlichen Nutzen erzeugt er?
Wenn eine KI einem Mitarbeiter zwei Minuten Arbeit erspart, ist das zunächst positiv. Entscheidend ist aber, ob der technische und organisatorische Aufwand für diese Einsparung in einem sinnvollen Verhältnis zum Ergebnis steht.
Auch KI muss sich rechnen.
Sicherheit und Governance gehören an den Anfang
Ein weiteres Problem entsteht, wenn Sicherheit, Datenschutz, Compliance und Verantwortlichkeiten erst kurz vor dem produktiven Einsatz betrachtet werden.
Im Pilotprojekt lässt sich vieles ausblenden. Im Unternehmensbetrieb funktioniert das nicht mehr.
KI-Systeme können mit Kundendaten, internen Dokumenten, personenbezogenen Informationen, Geschäftsgeheimnissen oder anderen sensiblen Daten arbeiten. Deshalb muss bereits bei der Konzeption klar sein, welche Daten verarbeitet werden dürfen, wer Zugriff erhält, welche Aktionen protokolliert werden müssen und bei welchen Entscheidungen weiterhin ein Mensch erforderlich ist.
Governance ist dabei nicht zwangsläufig ein Hindernis für Innovation.
Im Gegenteil: Klare Regeln schaffen den Rahmen, innerhalb dessen neue Anwendungen schneller und kontrollierter eingesetzt werden können. Sie definieren, was automatisiert werden darf, wo eine Prüfung notwendig ist und wer dauerhaft Verantwortung für das System trägt.
Denn mit der Einführung endet ein KI-Projekt nicht. Modelle ändern sich, Datenbestände wachsen, Prozesse werden angepasst und gesetzliche Anforderungen entwickeln sich weiter.
Auch eine funktionierende KI-Anwendung braucht deshalb einen geregelten Betrieb.
Erfolgreiche KI beginnt nicht bei der KI
Die entscheidende Erkenntnis ist deshalb überraschend unspektakulär:
Unternehmen benötigen nicht möglichst viele KI-Projekte.
Sie benötigen die richtigen.
Ein sinnvoller KI-Einsatz beginnt mit einem konkreten Geschäftsproblem und führt von dort zu den notwendigen Prozessen, Daten und technischen Voraussetzungen. Erst dann stellt sich die Frage, welches Modell oder welche Plattform dafür geeignet ist.
Wer dagegen mit dem Tool beginnt und anschließend nach einem Einsatzzweck sucht, produziert schnell beeindruckende Demonstrationen, die im Unternehmensalltag kaum eine Rolle spielen.
KI kann gute Prozesse schneller machen, vorhandenes Wissen leichter zugänglich machen und sinnvolle Automatisierung ermöglichen.
Sie ersetzt aber weder saubere Daten noch klare Prozesse, eine tragfähige IT-Architektur oder eindeutige Verantwortlichkeiten.
Vielleicht ist genau das die wichtigste Voraussetzung für erfolgreiche KI-Projekte: Nicht zuerst fragen, was KI alles kann – sondern was sie im eigenen Unternehmen konkret besser machen soll.