KI in Unternehmen: Warum die Technik selten das Problem ist

Vom Pilotprojekt zur Betriebsroutine

Kaum ein Thema hat Führungsetagen in den vergangenen Jahren so beschäftigt wie künstliche Intelligenz. Budgets wurden freigegeben, Arbeitsgruppen gegründet, erste Prototypen in wenigen Wochen gebaut. Trotzdem berichten auffällig viele Organisationen vom selben Befund: Es gibt beeindruckende Demos, aber wenig messbaren Effekt auf Umsatz, Durchlaufzeit oder Qualität.

Der Grund liegt selten in der Technologie. Sprachmodelle sind inzwischen stabil genug für den Arbeitsalltag, die Kosten pro Anfrage sinken, und brauchbare Werkzeuge lassen sich ohne eigenes Forschungsteam einführen. Was fehlt, ist die Verankerung im Betrieb: in Abläufen, Zuständigkeiten und Datenwegen, die nie für automatisierte Entscheidungen ausgelegt waren.

Warum so viele Initiativen stecken bleiben

Die Ursachen ähneln sich über Branchen hinweg erstaunlich stark:

• Das Vorhaben startet beim Werkzeug statt beim Engpass. Gefragt wird „Was können wir mit KI machen?“ und nicht „Wo verlieren wir jede Woche Stunden?“
• Niemand trägt Verantwortung für das Ergebnis. Die IT liefert einen Zugang, die Fachabteilung probiert ein wenig herum, und danach schläft die Sache ein.
• Erfolg wird nicht gemessen. Ohne Ausgangswert für Bearbeitungszeit oder Fehlerquote bleibt jede Bewertung Geschmackssache.
• Der Prototyp erreicht nie die Produktion. Zwischen einem funktionierenden Skript und einem System mit Rechteverwaltung, Protokollierung und Ansprechpartner liegt der eigentliche Aufwand.
• Rechtliche Fragen kommen zu spät. Wer Datenschutz und Compliance erst nach dem Proof of Concept einbindet, baut teure Schleifen ein.

Hinter all diesen Punkten steckt dieselbe Verwechslung: Eine Modellintegration wird als Softwarekauf behandelt, obwohl sie eine Veränderung der Arbeitsorganisation ist.

Zuerst der Engpass, dann das Werkzeug

Der verlässlichste Einstieg führt über eine unspektakuläre Frage: Welche wiederkehrende Aufgabe kostet viel Zeit, verlangt wenig Urteilsvermögen und erzeugt trotzdem regelmäßig Fehler? Solche Stellen finden sich in fast jedem Haus, etwa bei der Prüfung eingehender Rechnungen, beim Zusammentragen von Angebotsunterlagen oder bei der Beantwortung immer gleicher Kundenanfragen.

Wer dort ansetzt, gewinnt zweierlei. Erstens lässt sich der Nutzen in Stunden und Euro beziffern. Zweitens sind die Anforderungen klein genug, dass ein Ergebnis binnen weniger Wochen vorliegt, was intern mehr überzeugt als jede Präsentation.

Der Wert entsteht nicht dort, wo das Modell am beeindruckendsten wirkt, sondern dort, wo der Prozess am meisten schmerzt.

Drei Felder mit belastbarem Nutzen

Aus der Praxis lassen sich drei Anwendungsmuster herauslösen, die sich wiederholt bewährt haben:

1. Wissenszugang. Verträge, Handbücher, Protokolle und Tickets liegen verstreut in Laufwerken und Systemen. Eine durchsuchbare Schicht darüber verkürzt die Suche von zwanzig Minuten auf wenige Sekunden. Entscheidend ist, dass jede Antwort ihre Quelle nennt, damit Mitarbeitende sie überprüfen können.
2. Vorbereitung statt Fertigstellung. Modelle sind stark im ersten Entwurf: Angebotstexte, Zusammenfassungen von Gesprächen, Kategorisierung eingehender Post. Die Endverantwortung bleibt beim Menschen, wodurch das Risiko überschaubar bleibt und die Einführung schnell gelingt.
3. Strukturierung unstrukturierter Daten. Aus Freitext werden Felder: Lieferant, Betrag, Frist, Dringlichkeit. Genau hier entsteht Nutzen, der sich sauber messen lässt, weil das Ergebnis maschinell weiterverarbeitet wird.

Was in dieser Aufzählung fehlt, ist ebenso aufschlussreich. Vollautonome Entscheidungen ohne Kontrollinstanz tauchen in erfolgreichen Projekten kaum auf, zumindest nicht in den ersten Ausbaustufen.

Datenqualität ist eine Frage der Abläufe

Viele Vorhaben scheitern an einem banalen Umstand: Die Grundlage taugt nichts. Kundendaten stehen doppelt im System, Dokumente tragen keine eindeutige Version, und die entscheidende Information steckt in einem Postfach. Kein Modell gleicht das aus.

Die Lösung ist selten ein großes Datenprojekt. Sinnvoller ist es, die Qualität genau dort zu verbessern, wo der erste Anwendungsfall sie benötigt. Wer eine Dokumentenablage aufräumt, weil eine konkrete Suchfunktion davon abhängt, erzielt Wirkung. Wer dasselbe unternimmt, weil es allgemein empfehlenswert klingt, beschäftigt ein Team für Monate ohne sichtbaren Fortschritt.

Rollen, Rechte, Rechenschaft

Sobald ein System in der Produktion läuft, stellen sich Fragen, die im Versuchsstadium niemand beantworten musste. Wer entscheidet, ob ein Ergebnis freigegeben wird? Wer prüft regelmäßig die Trefferquote? An wen wenden sich Mitarbeitende, wenn eine Antwort falsch war?

Bewährt hat sich ein schlankes Modell mit drei Rollen. Die Fachseite verantwortet das Ergebnis und definiert, was „richtig“ bedeutet. Die technische Betreuung sorgt für Verfügbarkeit, Protokollierung und Kosten. Eine dritte Instanz, oft aus Recht oder Revision, legt fest, welche Daten überhaupt verarbeitet werden dürfen. Fehlt eine dieser Rollen, verlagert sich die Verantwortung ins Ungefähre.

Wichtig ist dabei eine Haltung, die Kritik zulässt. Teams, die Fehlausgaben melden dürfen, ohne das Projekt damit infrage zu stellen, liefern die wertvollsten Hinweise für Verbesserungen. Wo Skepsis dagegen als Blockade gilt, verschwinden Probleme aus der Sichtbarkeit, statt behoben zu werden.

Zur Rechenschaft gehört Protokollierung. Wer nicht nachvollziehen kann, welche Eingabe zu welcher Ausgabe geführt hat, wird Beschwerden weder prüfen noch ausräumen können.

Kosten ehrlich rechnen

Der Preis pro Anfrage wirkt niedrig und verleitet zu Fehlschlüssen. Die tatsächlichen Posten liegen woanders:

• Integration in bestehende Systeme, meist der größte Einzelblock
• Laufende Qualitätskontrolle und Nachjustierung
• Schulung, Begleitung und der Umgang mit Widerständen im Team
• Betrieb, Überwachung und Absicherung gegen Ausfälle
• Wechselkosten, falls ein Anbieter ersetzt werden muss

Eine realistische Kalkulation berücksichtigt zusätzlich, dass Nutzung wächst. Ein Assistent, den anfangs zehn Personen ausprobieren, verursacht nach breiter Einführung ein Vielfaches an Anfragen. Wer dafür keine Obergrenzen und keine Beobachtung einrichtet, erlebt unangenehme Überraschungen.

Ein pragmatischer Fahrplan

Für die ersten sechs Monate genügt ein einfaches Vorgehen:

1. Zwei bis drei Engpässe benennen und in Stunden pro Woche beziffern.
2. Den kleinsten davon auswählen und den Ausgangswert sauber erheben.
3. Eine begrenzte Lösung bauen, die eine Person täglich verwendet.
4. Nach vier Wochen messen, dokumentieren und ehrlich entscheiden, ob weitergemacht wird.
5. Erst danach über Ausweitung sprechen, nie vorher.

Dieses Vorgehen wirkt bescheiden, erzeugt aber etwas, das den meisten Programmen fehlt: belastbare Erfahrung im eigenen Haus. Aus ihr entsteht die Urteilsfähigkeit, mit der sich größere Vorhaben sinnvoll bewerten lassen.

Was am Ende zählt

Künstliche Intelligenz verändert weniger, als die lauteste Debatte verspricht, und mehr, als abwartende Betriebe hoffen. Die Unterscheidung zwischen Gewinnern und Verlierern wird nicht über die Modellauswahl verlaufen, denn diese Technologie steht allen offen. Ausschlaggebend ist die Fähigkeit, eigene Abläufe genau zu kennen, Verantwortung klar zuzuordnen und Ergebnisse konsequent zu messen.

Das sind, nüchtern betrachtet, Tugenden guter Organisation. Sie waren schon vor jedem Sprachmodell wertvoll und bleiben es danach.