KI im Unternehmen einführen: Wie Sie Anwendungsfälle finden, bewerten und in den Betrieb bringen

Drei KI-Effekte unterscheiden: Effizienz, Prozess, Geschäftsmodell

Wer KI im Unternehmen einführen will, sollte zuerst klären, welche Wirkung gemeint ist. „Wir müssen etwas mit KI machen“ endet oft bei einem Werkzeug, für das danach ein Problem gesucht wird. Besser ist die Frage, wo Arbeit heute manuell, langsam oder wissensabhängig ist. Jeder so gefundene Anwendungsfall lässt sich einem von drei Effekten zuordnen; sie unterscheiden sich in Aufwand, Risiko und Entscheidungsbedarf der Leitung.

• Effizienz. Einzelne Mitarbeitende arbeiten schneller, etwa beim Schreiben, Recherchieren und Zusammenfassen. Aufwand und Entscheidungsbedarf sind gering, das Risiko ebenfalls, solange klar ist, welche Daten in welches Werkzeug dürfen. In einer Feldstudie im Kundenservice lösten Beschäftigte mit einem KI-Assistenten im Durchschnitt 15 % mehr Anfragen pro Stunde (Brynjolfsson, Li und Raymond). Am meisten profitierten weniger Erfahrene; bei den Erfahrensten sank die Qualität leicht.
• Prozess. Ein Ablauf über mehrere Schritte ändert sich, etwa vom Eingang einer Anfrage bis zur Erfassung im Kernsystem. Das Risiko ist mittel, weil ein Fehler durch den ganzen Prozess läuft. Der Aufwand steckt in Daten, Schnittstellen und Freigabeweg.
• Geschäftsmodell. KI wird Teil dessen, was Kunden kaufen, etwa als neuer Service. Das Risiko ist hoch, weil Marke, geistiges Eigentum und Kundenbeziehung direkt betroffen sind. Darüber entscheidet die Leitung selbst.

Wo der Aufwand wirklich entsteht: vor dem Kernsystem

Nach unserer Erfahrung entstehen im Mittelstand die größten Effizienzverluste nicht im Kernsystem, sondern davor. Anfragen kommen per Mail, als PDF, Tabelle oder Freitext und werden abgetippt und weitergeleitet. Gerade dort zeigt sich, ob eine KI-Implementierung trägt. RAND hat 65 erfahrene Fachleute aus Data Science und Engineering zu gescheiterten KI-Projekten befragt (Ryseff, De Bruhl und Newberry). Der Bericht nennt unter anderem ein missverstandenes Problem, fehlende Daten, Technik vor Zweck und fehlende Infrastruktur. Entscheidend sind aus unserer Sicht vier Themen, nicht das Modell:

• Daten. Sind die Stammdaten verlässlich, und gibt es echte Beispieldokumente, an denen sich das Ergebnis prüfen lässt?
• Rechte. Welche Daten dürfen in welches System, und wer darf welche Ergebnisse sehen?
• Zielprozess. Soll die KI vorerfassen oder direkt ins Kernsystem schreiben, und wer prüft und gibt frei?
• Betrieb. Wer betreibt die Lösung nach dem Projekt, und welche laufenden Kosten sind akzeptabel?

Anwendungsfälle sammeln und bewerten: Steckbrief, Score, vier Quadranten

Gute KI-Anwendungsfälle findet man nicht in Werkzeuglisten, sondern mit wenigen Fragen an die Leitung: Wo wollen Sie schneller, besser oder kundennäher werden? Wo geht Wert verloren, und was muss geschützt bleiben? Jeder Kandidat bekommt einen Steckbrief mit Nutzen, Machbarkeit, Daten, Risiken und MVP-Zuschnitt. Ein einfacher Weg zum Score: Vergeben Sie je Kriterium 1 bis 5 Punkte und addieren Sie sie. Machbarkeit, Datenverfügbarkeit und Risiko zusammen ergeben die Umsetzbarkeit; mit der Wirkung bildet sie vier Quadranten.

• Quick Wins (schnelle Erfolge: hohe Wirkung, leicht umsetzbar) gehen als Erste in einen Sprint.
• Strategische Vorhaben (Strategic Bets: hohe Wirkung, schwer umsetzbar) brauchen Vorarbeit an Daten oder Prozess und eine Entscheidung der Leitung.
• Effizienzhebel (Efficiency Plays: kleinere Wirkung, leicht umsetzbar) lassen sich oft mit Standardfunktionen vorhandener Software abdecken.
• Später prüfen (Later/Monitor: kleinere Wirkung, schwer umsetzbar): Diese Fälle bleiben auf der Liste, bis sich Technik, Daten oder Prioritäten ändern.

Klein anfangen: MVP-Sprint statt Großprojekt

Nach der Bewertung folgt kein Großprojekt, sondern ein kontrollierter MVP (Minimum Viable Product): die kleinste Lösung, die im Alltag nutzbar ist. Das Prinzip: Die KI macht die Vorarbeit, der Mensch entscheidet, das Kernsystem bleibt führend. Es gibt keinen Autopiloten, sondern eine prüfbare Übergabe; Lücken werden markiert, nicht überspielt. Für Eingänge per Mail hat ein typischer Zielprozess sechs Schritte:

1. Bündeln. Eingänge laufen in einem definierten Kanal zusammen.
2. Auslesen. Die KI überträgt Daten aus Mailtext und Anhängen in ein festes Schema.
3. Abgleichen. Die Daten werden mit den Stammdaten verglichen.
4. Prüfen. Pflichtfelder je Vorgangstyp zeigen, ob ein Vorgang vollständig ist; offene Punkte gehen als Aufgabe „in Klärung“ an die Fachabteilung.
5. Vorlegen. Jeder Vorschlag trägt eine Ampel – „sicher“, „prüfen“ oder „Rückfrage“ –, und Rückfragen an Kunden entstehen nur als Entwurf.
6. Freigeben. Ein Mensch gibt frei; erst dann wird im Kernsystem erfasst.

Die Ampel ist keine übertriebene Vorsicht: Falsche Sicherheit der KI wäre riskanter als eine Rückfrage zu viel. In einem Feldexperiment mit 758 Beschäftigten einer Unternehmensberatung arbeiteten Teilnehmende mit KI bei Aufgaben innerhalb der Fähigkeitsgrenze der KI schneller und besser. Bei einer Aufgabe jenseits dieser Grenze kamen sie seltener zur richtigen Lösung als ohne KI (Dell’Acqua et al.). Ein MVP-Sprint dauert typischerweise zwei bis vier Wochen. Am Ende stehen eine Abschlussdemo an echten oder anonymisierten Vorgängen und die Entscheidung über den nächsten Sprint.

Daten, Rechte und Lizenzen klären

Pragmatisch bleiben heißt nicht, alles zu erlauben: Sensible Kunden- und Unternehmensdaten gehören nicht in unkontrollierte KI-Werkzeuge. Datenschutz ist eine Architekturentscheidung, kein Grund, nicht anzufangen. Praktisch heißt das: Vor jeder KI-Anfrage werden die Daten nach Schutzbedarf eingestuft. Verarbeitet ein Anbieter personenbezogene Daten in Ihrem Auftrag, braucht es einen Vertrag zur Auftragsverarbeitung nach Art. 28 DSGVO. Eingabe, Daten und Modell werden protokolliert, und vertraglich ist ausgeschlossen, dass mit Ihren Daten trainiert wird.

• Keine privaten oder kostenlosen Konten. Gearbeitet wird mit Unternehmenslizenzen, zentraler Anmeldung (Single Sign-on) und Protokollierung.
• Betriebsmodell nach Sensibilität. Je sensibler die Daten, desto abgeschotteter der Betrieb: von EU-Hosting in privater Umgebung über hybride Lösungen bis zur Installation im eigenen Haus.
• Rechte spiegeln. Ein definierter Nutzerkreis mit Rollenmodell sorgt dafür, dass die KI nicht mehr zeigt, als Mitarbeitende heute sehen dürfen.
• Lizenzen nach Bedarf. Nicht jeder braucht sofort eine KI-Lizenz: Für einen prozessbezogenen Anwendungsfall genügen oft wenige erfahrene Anwenderinnen und Anwender (Key User). Vorhandene Lizenzen prüfen Sie zuerst.
• Betriebsrat früh einbinden. Wo es einen gibt, ist er über geplante KI-Einsätze in Arbeitsabläufen rechtzeitig zu unterrichten (§ 90 BetrVG). Werkzeuge, die Eingaben oder Nutzung je Person protokollieren, können mitbestimmungspflichtig sein (§ 87 Abs. 1 Nr. 6 BetrVG).

Rollen und Leitplanken: Product Owner, Champions, erlaubt – freigegeben – untersagt

Wozu braucht ein Unternehmen eine KI-Governance? Damit klar ist, wer was mit welchen Daten tun darf, wer entscheidet und was geschieht, wenn die KI falsch liegt. Das AI Risk Management Framework der US-Bundesbehörde NIST mit den Funktionen Govern, Map, Measure und Manage eignet sich als Ordnungsrahmen, nicht als Checkliste (vgl. NIST). Die eigentliche Arbeit liegt darin, solche Rahmen auf die eigenen Anwendungsfälle zu übertragen: mit wenigen Rollen, einer Zulassungsregel und klaren Leitplanken.

• KI-Product-Owner. Eine Person verantwortet Programm, Roadmap und Plattform. Sie führt über Bereichsgrenzen hinweg; wo ihr die Weisungsbefugnis fehlt, ist laterale Führung Kernaufgabe.
• KI-Champions und Prozessverantwortliche. Je Bereich sammelt eine Ansprechperson Anwendungsfälle und teilt Erfolgsbeispiele; Prozessverantwortliche entscheiden über Änderungen am Zielprozess.
• Lenkungskreis. Leitung, Fachbereiche, IT und Recht entscheiden dort gemeinsam über Prioritäten und Leitplanken.
• Schulung je Rolle. Champions brauchen anderes Wissen als gelegentliche Nutzerinnen und Nutzer; geteilte Erfolgsbeispiele tragen die Lernkultur.

Jeder Anwendungsfall wird eingestuft: als erlaubt (ohne weitere Prüfung im Rahmen der Leitlinien), freigegeben (nach Prüfung für Zweck, Nutzerkreis und Daten) oder untersagt. Dazu kommen Leitplanken. Bei Preisen, Verträgen und Reklamationen prüft immer ein Mensch, und die KI handelt nicht ohne Freigabe. Für Fehlausgaben und Datenvorfälle gibt es einen Eskalationsweg. Mitarbeitende und Kunden wissen, wo KI beteiligt ist.

Ausbauen, wo der Nutzen belegt ist: fünf Automatisierungslevel

Erweitert wird nur, wo der MVP den Bedarf belegt – keine Architektur auf Vorrat. Die Level beschreiben die Reichweite im ganzen Unternehmen; ein einzelner MVP kann Level 3 schon früher im Kleinen erproben. Die Zeitangaben in der Tabelle sind typische Bandbreiten, keine Zusagen. Ob Level 5 überhaupt Ihr Ziel ist, entscheidet die Strategie, nicht die Technik – mehr dazu im Beitrag zur Strategieentwicklung.

Die ersten 90 Tage

Eine KI-Strategie und ein erster MVP sind kein Widerspruch: Die Strategie setzt Rahmen und Leitplanken, Wirkung entsteht über kontrollierte MVPs. Die erste Leitungsentscheidung kann deshalb sein, einen MVP freizugeben, statt ein langes Strategiepapier abzuwarten. Wie wir Unternehmen dabei begleiten: KI-Strategie und KI-Beratung für den Mittelstand. Für die ersten 90 Tage eignen sich drei Abschnitte zu je etwa 30 Tagen – ein Rhythmus, kein Versprechen:

1. Tage 1–30: Setup. KI-Werkzeug mit Unternehmenslizenz freigeben, Leitlinien und Rollen festlegen, den Betriebsrat einbinden, Anwendungsfälle sammeln und die Kennzahlen bestimmen, an denen Sie später messen.
2. Tage 31–60: Quick-Win-Piloten. Die bestbewerteten Anwendungsfälle laufen als MVP-Sprints, jeder mit Freigabe durch Menschen und einer Entscheidung am Ende.
3. Tage 61–90: Wirkung und Skalierung. Gemessen werden Geschwindigkeit, Qualität, Nutzungsrate und Rückmeldungen der Nutzenden. Am Ende stehen wenige Leitungsentscheidungen: Leitlinien verbindlich machen, Rollen besetzen, ausbauen, was belegt ist. Die KI bereitet vor, die Urteile treffen Menschen.