Innovation & KI
KI kann überall Einzug halten. Die eigentliche Entscheidung ist, wo man ihr Handlungsmacht gibt.
Wenn der Zugang zu Technologie alltäglich wird, verlagert sich der Vorteil auf die Qualität der Entscheidungen, die rund um sie getroffen werden.
KI lässt sich leicht ausprobieren. Die eigentliche Frage wird das Auswählen.
Unternehmen hatten noch nie so einfachen Zugang zu Fähigkeiten künstlicher Intelligenz. Schreiben, analysieren, suchen, prognostizieren, klassifizieren, empfehlen, dialogführen, eine Aktion auslösen: Die technische Grenze verschiebt sich schnell. Für eine Führungskraft verändert sich damit die Art des Problems. Es geht nicht mehr nur darum, KI einzuführen. Es geht darum zu entscheiden, wo sie im Unternehmen sinnvoll ist, was man ihr anvertrauen will und wie sich belegen lässt, dass sie tatsächlich Wert schafft.
der EU-Unternehmen mit 10 oder mehr Beschäftigten nutzten 2025 KI.
bei den von der Statistik erfassten europäischen KMU.
in Belgien, einer der höchsten Werte in der Union.
der KMU, die GenAI nutzen, setzen sie in ihren Kernaktivitäten ein.
Die Szene ist zusammengesetzt. Sie beschreibt kein bestimmtes Unternehmen, sondern bündelt Situationen, die alltäglich geworden sind.
Eine Geschäftsleitungsrunde. Einige Verantwortliche sitzen um den Tisch. In der Mitte: eine Liste mit Ideen.
Ein Assistent, der Verkaufsgespräche vorbereitet. Eine KI, die Verträge lesen kann. Ein Agent für Kundenanfragen. Automatisierung für Rechnungen. Ein Werkzeug für Absatzprognosen. Copilot für die Teams. Eine Lösung, die im Unternehmen verstreutes Wissen wiederfindet.
An Ideen mangelt es niemandem.
Doch eine einzige Frage reicht, um die Besprechung zu verändern.
Welche dieser Ideen verdient tatsächlich unser Geld, unsere Zeit und unsere Aufmerksamkeit?
Das ist keine Diskussion mehr darüber, was die Technologie kann. Es ist eine Diskussion über das Unternehmen. Und vermutlich beginnt genau dort der schwierige Teil.
2025 gaben 20 % der europäischen Unternehmen mit zehn oder mehr Beschäftigten an, mindestens eine Technologie künstlicher Intelligenz zu nutzen, gegenüber 13,5 % im Vorjahr. Bei den KMU lag der Anteil bei 19 %, gegenüber 55 % bei großen Unternehmen. Mit 35 % gehörte Belgien zu den europäischen Ländern mit der höchsten Verbreitung. [1]
Eine weitere Erhebung, die die OECD Ende 2024 bei mehr als 5.000 KMU in Österreich, Kanada, Deutschland, Irland, Japan, Korea und dem Vereinigten Königreich durchführte, kam allein für generative KI auf einen noch höheren Wert: Fast 31 % der befragten Unternehmen gaben an, sie zu nutzen. Die beiden Statistiken messen weder exakt dieselbe Population noch exakt dieselben Technologien und dürfen daher nicht so verglichen werden, als stammten sie vom selben Thermometer. Sie beschreiben jedoch dieselbe Bewegung. Die Nutzung verlässt den Kreis der Pioniere. [2]
Das interessanteste Detail der OECD-Erhebung liegt woanders. Von den KMU, die generative KI nutzten, gaben weniger als drei von zehn an, sie in ihren Kernaktivitäten einzusetzen, also in jenen Tätigkeiten, die ihre wichtigsten Güter, Dienstleistungen oder Umsätze direkt hervorbringen. Die Nutzung konzentrierte sich stärker auf periphere, oft einfache oder punktuelle Aufgaben. [2]
Vielleicht stehen viele Unternehmen heute genau dort. Sie entdecken KI nicht mehr neu. Sie suchen noch immer nach dem richtigen Einsatzort.
Und bald wird selbst diese Frage nicht mehr genügen.
Denn wenn eine Technologie theoretisch nahezu überall eingreifen kann, entsteht der Vorteil nicht mehr daraus, einen Anwendungsfall zu finden. Er entsteht daraus, die schlechten auszusortieren.
Das KI-Problem im Unternehmen ist vielleicht schon jetzt nicht mehr der Mangel an Ideen. Es ist das Fehlen ausreichend belastbarer Kriterien, um zwischen ihnen zu wählen.
Die erste Entscheidung besteht manchmal darin, keine KI einzusetzen.
Ein KI-Projekt auszuwählen bedeutet zunächst, zwischen Problemen zu entscheiden, nicht zwischen Modellen.
Die Versuchung ist nachvollziehbar. Eine Technologie taucht auf. Sie ist spektakulär. Die Einstiegskosten sind gering. Wettbewerber sprechen darüber. Mitarbeitende experimentieren bereits. Anbieter bauen KI-Funktionen in nahezu jede Software ein.
Die Frage liegt nahe: Was könnten wir damit machen?
Vielleicht ist das die falsche erste Frage.
Eine Geschäftsleitung verfügt selten über unbegrenzt Zeit, Geld und Veränderungskapazität. Ein KI-Projekt auszuwählen bedeutet fast immer, etwas anderes nicht zu tun.
Der Ausgangspunkt sollte daher im Unternehmen liegen, nicht in der Technologie.
Ein zu langer Vertriebsprozess. Informationen, die schwer zu finden sind. Administrative Fehler. Ein überlastetes Team. Expertise, die bei zwei Personen konzentriert ist. Mehr Vorgänge können nicht bearbeitet werden, ohne zusätzlich einzustellen. Eine schlechtere Kundenerfahrung. Eine Entscheidung, die systematisch zu spät kommt.
Das Problem kommt vor dem Werkzeug.
Diese Nuance wirkt banal, bis man feststellt, dass die intelligenteste Lösung manchmal überhaupt keine künstliche Intelligenz enthält.
Eine Freigabe abzuschaffen kann wirksamer sein, als sie zu automatisieren. Zwei Softwaresysteme zu verbinden kann robuster sein, als einen Agenten zwischen ihnen hin- und herzuschicken. Ein Formular zu ändern kann Hunderte Korrekturen vermeiden. Eine klassische Geschäftsregel kann günstiger, vorhersehbarer und leichter prüfbar sein als ein generatives Modell.
Innovation bedeutet nicht, möglichst viel verfügbare Technologie einzusetzen. Sie bedeutet, einen besseren Weg zu finden, ein relevantes Ergebnis zu erzielen.
KI bildet dabei keine Ausnahme.
Bevor ein Schritt automatisiert wird, prüfen, ob er überhaupt noch nötig ist.
Eine klassische Integration kann robuster und vorhersehbarer sein.
KI ist kein Ersatz für eine Geschäftsregel oder ein gut gestaltetes Formular.
Ein gutes Problem allein reicht nicht.
Der offizielle Prozess und der tatsächliche Prozess sind nicht immer identisch.
Nehmen wir nun an, das Problem ist real.
Ein KMU möchte die Zeit verkürzen, die für die Erstellung seiner Angebote benötigt wird.
Auf dem Papier scheint KI naheliegend. Sie könnte die Anfrage lesen, relevante Informationen finden, eine Antwort vorbereiten und ein Angebot vorschlagen.
Dann betrachten wir die Arbeit so, wie sie tatsächlich stattfindet.
Einige Anfragen kommen über ein Formular, andere per E-Mail. Langjährige Kunden rufen den Vertrieb direkt an. Preise stehen im ERP, mit Ausnahme bestimmter ausgehandelter Konditionen. Rabatte folgen einer Matrix, außer bei einigen strategisch eingestuften Kunden. Eine Kapazitätsprüfung ist vorgesehen, wird aber bei dringenden Vorgängen umgangen. Manche entscheidenden Informationen stecken noch immer in den Köpfen erfahrener Personen.
Der offizielle Prozess existiert. Der tatsächliche ebenfalls. Sie sind nicht immer gleich.
KI an einen unklaren Prozess anzuschließen kann schlicht dazu führen, dass die Unklarheit schneller zirkuliert.
Es wäre jedoch falsch daraus zu schließen, dass ein Prozess vollständig standardisiert sein muss, bevor KI eingesetzt werden kann.
Das würde einen Teil dessen übersehen, was diese Technologien gerade interessant macht.
Aktuelle Modelle können mit natürlicher Sprache, unvollkommenen Dokumenten und weniger strukturierten Situationen umgehen als frühere Automatisierungen. Dadurch können sie mitunter Variabilität bewältigen, die Automatisierung früher zu komplex gemacht hätte.
Das eigentliche Thema liegt woanders.
Das Unternehmen muss wissen, wie viel Mehrdeutigkeit es der Maschine überlassen will.
Eine Anfrage zu lesen ist das eine. Zu erkennen, dass Informationen fehlen, etwas anderes. Einen Preis vorzuschlagen wieder etwas anderes. Einen Rabatt zu gewähren, Kapazität zu binden oder ein ungewöhnliches Angebot ohne menschliche Freigabe zu versenden verändert die Natur des Systems grundlegend.
Ab diesem Punkt sprechen wir nicht mehr nur über Automatisierung. Wir sprechen über Macht.
Ab einem gewissen Niveau sprechen wir nicht mehr nur über Automatisierung. Wir sprechen über Macht.
Nicht jede KI hat dasselbe Recht zu handeln.
Die Frage ist nicht nur, was das System kann, sondern was die Organisation ihm zu delegieren bereit ist.
Das Gespräch wird deutlich klarer, wenn Projekte nicht mehr nach Technologie, sondern nach Autonomie eingeordnet werden.
Eine KI kann beobachten. Sie liest, klassifiziert, sucht, extrahiert oder erkennt.
Sie kann unterstützen. Sie fasst zusammen, bereitet vor, übersetzt, formuliert um oder erstellt einen ersten Entwurf.
Sie kann empfehlen. Der Mensch bleibt Entscheider, erhält aber einen Vorschlag.
Sie kann auch handeln. Eine Anwendung aktualisieren, eine Nachricht senden, einen Auftrag erstellen, eine Sequenz starten.
Schließlich versuchen sogenannte agentische Systeme, ein Ziel zu verfolgen, indem sie mehrere Handlungen mit größerer Autonomie aneinanderreihen.
Die Grenze zwischen diesen Stufen ist alles andere als akademisch.
Ein Fehler in der Zusammenfassung einer internen Besprechung wiegt nicht so schwer wie ein falscher Preis, der an einen Kunden versendet wird. Eine schlechte Formulierung hat nicht dieselben Folgen wie eine Entscheidung, die eine Einstellung, eine Zahlung oder eine vertragliche Verpflichtung betrifft.
Der technische Fortschritt ist schnell, doch Autonomie bedeutet weiterhin keine absolute Zuverlässigkeit. Der Stanford AI Index 2026 zeigt erhebliche Fortschritte bei mehreren Benchmarks und stellt zugleich fest, dass agentische Systeme bei strukturierten Aufgaben weiterhin unvollkommen sind. In den befragten Organisationen erreichte die allgemeine KI-Nutzung 2025 88 %, während der Einsatz von Agenten in fast allen untersuchten Funktionen weiterhin im niedrigen einstelligen Prozentbereich lag. [3]
Diese Lücke erzählt etwas Wichtiges.
Unternehmen sind bei der Nutzung von KI deutlich weiter als bei der Delegation von Handlungen an KI.
Und wahrscheinlich ist es richtig, beides zu unterscheiden.
Die Frage lautet daher nicht nur, ob die Technologie eine Aufgabe erledigen kann. Es gilt zu entscheiden, welches Maß an Fehler, Autonomie und Konsequenz die Organisation akzeptieren will.
Lesen, suchen, extrahieren, erkennen.
Zusammenfassen, vorbereiten, umformulieren.
Vorschlagen, der Mensch entscheidet.
Schreiben, senden, erstellen, auslösen.
Handlungen in Richtung eines Ziels verketten.
Das beste Modell ist nicht zwangsläufig die beste Entscheidung.
Ein Benchmark wählt ein Modell. Strategie wählt eine Fähigkeit.
Problem, Volumen, Daten, akzeptables Fehlerniveau.
Native Funktion, Modell, API, RAG, Fachlösung, Agent.
Integration, Kosten, Kontrolle, Umkehrbarkeit, Verantwortung.
Eine Fähigkeit wählen
Sobald das Problem gewählt und das Autonomieniveau definiert ist, kommt der Markt ins Spiel.
ChatGPT, Copilot, Gemini, Claude, KI-Funktionen im CRM oder ERP, spezialisierte Fachlösungen, APIs, interne Dokumentensuchmaschinen, Automatisierungsplattformen, offene Modelle, Agenten.
Die Auswahl ist überwältigend.
Sie drängt Unternehmen ganz natürlich zu Modellvergleichen. Welches ist das leistungsfähigste? Welcher Benchmark setzt eines vor das andere? Wer hat die neueste Funktion veröffentlicht?
Diese Fragen sind nützlich. Dennoch bilden sie nur einen Teil der Entscheidung ab.
Für ein Unternehmen kann ein etwas weniger leistungsfähiges Modell, das bereits in die eigene Umgebung integriert, korrekt gesteuert und ausreichend zuverlässig ist, deutlich nützlicher sein als ein Benchmark-Sieger, der vom restlichen System isoliert ist.
Was das Unternehmen tatsächlich auswählt, ist daher nicht nur künstliche Intelligenz. Es wählt eine Nutzungsarchitektur.
Wie gelangen die Daten hinein? Worauf darf das System zugreifen? Was speichert der Anbieter? Mit welcher Software muss es kommunizieren? Wie wird eine Antwort geprüft? Was passiert bei Unsicherheit? Wie viel kostet die Lösung, wenn sie den Pilotbetrieb verlässt und Tausende Vorgänge verarbeitet? Und vor allem: Können wir das Werkzeug wechseln, ohne unsere gesamte Arbeitsweise neu aufzubauen?
Das Thema ist nicht das Logo oben auf dem Bildschirm. Das Thema ist die Abhängigkeit, die darum herum entsteht.
Die Nutzung steuern
Während die Geschäftsleitung ihre Richtlinie vorbereitet, experimentieren die Teams bereits.
KI-Governance hat eine Besonderheit: In vielen Unternehmen beginnt sie erst, nachdem die Nutzung bereits begonnen hat.
Ein Mitarbeiter fasst einen Vertrag in einem Chatbot zusammen. Ein anderer bereitet eine Kundenantwort vor. Jemand aus HR überarbeitet eine Stellenanzeige. Ein Vertriebsmitarbeiter analysiert ein Angebot. Eine Führungskraft fasst vertrauliche Notizen zusammen.
Niemand hat zwangsläufig darauf gewartet, dass ein Leitungsgremium eine offizielle Richtlinie verabschiedet.
Genau deshalb darf Governance nicht auf Verbote beschränkt werden.
Eine zu starre Regel drängt die Nutzung in den Schatten. Fehlende Regeln zwingen jeden Mitarbeitenden, Fragen zu Daten, Vertraulichkeit, Qualität oder Verantwortung allein zu entscheiden, die er oder sie nicht unbedingt beherrschen muss.
Der europäische Regulierungsrahmen macht die Frage nun konkreter. Bestimmungen des AI Act zu unter anderem Definitionen, bestimmten Verboten und AI Literacy gelten seit dem 2. Februar 2025. Seit dem 2. August 2026 gelten die Transparenzvorschriften des Artikels 50 sowie mehrere weitere Bestimmungen, und für die betroffenen Regeln hat die Durchsetzung begonnen. Bestimmte Pflichten für Hochrisikosysteme folgen später gemäß dem vorgesehenen Zeitplan. [5]
Für ein KMU würde es jedoch am Wesentlichen vorbeigehen, daraus sofort einen juristischen Traktat zu machen.
Die erste Governance ist praktisch.
Teams müssen wissen, welche Werkzeuge sie nutzen dürfen, welche Informationen dort nicht eingegeben werden dürfen, in welchen Situationen ein Ergebnis zwingend geprüft werden muss und wer für die Entscheidung verantwortlich bleibt.
Sie müssen außerdem ein Problem melden können. Und das Unternehmen muss wissen, wie es stoppen kann, was es in Betrieb genommen hat.
Das freiwillige NIST-Framework formalisiert diese Logik anhand von vier Funktionen: Govern, Map, Measure und Manage. Es betont insbesondere das Testen von Systemen vor dem Einsatz, ihre Überwachung während des Betriebs, Wiederherstellungsfähigkeit sowie Mechanismen zum Stoppen oder Zurückziehen.
Hinter der Terminologie steckt eine einfache Idee.
Eine eingesetzte KI ist niemals ein abgeschlossenes Projekt. [6]
Sie ist ein System, das weiterhin beobachtet werden muss.
Verantwortlichkeiten, Regeln, Kompetenzen und Richtlinien.
Nutzung, Kontext, Menschen, Daten und Folgen.
Tests, Qualität, Fehler, Risiken, Leistung.
Überwachung, Korrektur, Wiederherstellung, Stoppen oder Zurückziehen.
Innovation beginnt dort, wo Gewissheit endet.
Das Recht zu experimentieren hat ohne das Recht aufzuhören keinen Wert.
Dann bleibt ein Problem, das sich durch Prozesse nicht lösen lässt.
Niemand weiß im Voraus mit Sicherheit, welche KI-Anwendungen den größten Wert schaffen werden.
Genau deshalb muss experimentiert werden.
Ein Experiment ist jedoch kein kleiner Rollout. Es ist eine organisierte Art, Unsicherheit zu reduzieren.
Angenommen, ein Vertriebsteam verbringt viel Zeit mit der Vorbereitung seiner Termine.
Die Versuchung besteht darin, einen KI-Assistenten einzuführen, einige Vertriebsmitarbeitende testen zu lassen und sie danach zu fragen, ob sie zufrieden sind.
Das Experiment klingt attraktiv. Es lehrt wenig.
Eine echte Hypothese wäre anspruchsvoller: Wir glauben, dass ein Assistent, der Kundenkontext automatisch vorbereitet, die Vorbereitungszeit reduzieren kann, ohne die Qualität der Termine zu verschlechtern.
Ab diesem Punkt ändert sich die Natur des Tests.
Man muss die Ausgangssituation vor dem Werkzeug kennen. Einen ausreichend kleinen Umfang wählen. Beobachten, was passiert. Vergleichen. Fehler verstehen. Schauen, was Nutzer tatsächlich tun, nicht nur, was sie angeben zu tun.
Dann entscheiden.
Fortsetzen. Ändern. Ausweiten. Oder stoppen.
Diese letzte Möglichkeit ist entscheidend.
Andernfalls besitzt das Unternehmen kein Portfolio an Experimenten. Es baut schrittweise ein Portfolio an Kosten auf.
Eine reife Geschäftsleitung im Umgang mit KI behauptet nicht, die Zukunft zu kennen. Sie kann sagen: Wir wissen noch nicht, ob das gut genug funktionieren wird, aber wir wissen, was wir lernen wollen, wie viel wir bereit sind zu investieren, um es zu lernen, und welcher Nachweis uns dazu bringt weiterzumachen oder aufzuhören.
Das ist heute vielleicht die nützlichste Form von Innovations-Governance.
Weder absolute Kontrolle noch Faszination. Eine Disziplin der Unsicherheit.
Ausgangssituation und Hypothese.
Kontrollierter Umfang, Zeitraum und Exposition.
Tatsächliche Nutzung, Fehler, beobachtete Effekte.
Ausweiten, ändern oder stoppen.
Zeit zu sparen bedeutet noch nicht, Geld zu verdienen.
mehr gelöste Probleme pro Stunde, im Durchschnitt, in der NBER-Studie.
bei unerfahrenen oder leistungsschwächeren Agenten.
der KMU, die GenAI nutzen, berichten von einer Leistungsverbesserung.
geben an, Geld eingespart zu haben.
Produktivitätsgewinne durch KI sind nicht theoretisch.
In einer Studie mit 5.179 Mitarbeitenden im Kundensupport beobachteten Erik Brynjolfsson, Danielle Li und Lindsey Raymond nach der Einführung eines generativen KI-Assistenten einen durchschnittlichen Anstieg von 14 % bei der Zahl der pro Stunde gelösten Probleme. Bei unerfahrenen oder leistungsschwächeren Mitarbeitenden erreichte der Effekt 34 %, während er bei den erfahrensten gering war. [4]
Das ist ein beeindruckendes Ergebnis.
Es ist zugleich ein hervorragendes Beispiel dafür, wie Studien nicht gelesen werden sollten.
Es bedeutet nicht, dass „KI die Produktivität um 14 % steigert“.
Es bedeutet, dass ein konkretes Werkzeug, angewendet auf eine konkrete Tätigkeit, in einer konkreten Umgebung und anhand einer konkreten Messgröße dieses Ergebnis erzielt hat.
Der Kontext ist Teil des Ergebnisses.
Auch die von der OECD befragten KMU berichten von Vorteilen. Von den Unternehmen, die generative KI nutzen, sagen 65 %, sie habe die Leistung der Mitarbeitenden verbessert, 45 %, sie habe ihnen geholfen Geld zu sparen, rund 35 %, sie habe neue Aufgaben oder neue Produkte beziehungsweise Dienstleistungen ermöglicht, und 26 %, sie habe zu höheren Umsätzen beigetragen. Die OECD weist jedoch darauf hin, dass ihre Erhebung das Ausmaß dieser Effekte nicht misst.
Diese Nuance ist enorm wichtig. [2]
„KI spart uns Zeit“ ist noch kein Business Case.
Angenommen, ein Vertriebsmitarbeiter spart fünf Stunden pro Woche. Was passiert mit diesen Stunden?
Wenn diese Kapazität genutzt wird, um mehr potenzielle Kunden zu treffen, bessere Angebote vorzubereiten oder die Reaktionszeit zu verkürzen, kann das Unternehmen den Gewinn in Wert umwandeln.
Wenn die Person einfach mit etwas weniger Druck arbeitet, existiert der Effekt ebenfalls. Das kann menschlich wünschenswert und operativ sinnvoll sein. Es ist aber nicht dasselbe wirtschaftliche Ergebnis.
Darum sagt die Zahl aktivierter Lizenzen, gesendeter Prompts oder sogar theoretisch eingesparter Stunden nur wenig über den Erfolg einer KI-Strategie aus.
Die interessante Messgröße liegt weiter hinten in der Kette.
Durchlaufzeit. Marge. Conversion. Qualität. Kapazität. Fehler. Servicekosten. Kundenzufriedenheit. Umsatz. Cash. Oder schlicht eine Tätigkeit, die mit den verfügbaren Ressourcen zuvor nicht möglich war.
Die Kennzahl hängt vom ursprünglichen Problem ab. Sie sollte daher existieren, bevor sich das Unternehmen in die Lösung verliebt.
Freigesetzte Kapazität hat nur dann wirtschaftlichen Wert, wenn das Unternehmen weiß, was es damit tun will.
Menschliche Arbeit verschwindet nicht. Ihr Wert verlagert sich.
Wenn ein Teil der Ausführung übernommen wird, wohin wollen wir Urteilskraft, Beziehung und Expertise verlagern?
Die Debatte über KI kehrt oft zu einer spektakulären Frage zurück: Welche Berufe werden verschwinden?
Für die Leitung eines KMU ist die nützliche Frage häufig viel näher am Alltag.
Was werde ich künftig von dieser Person erwarten?
Wenn KI eine erste Analyse erstellt, verlagert sich mehr Wert auf die Fähigkeit, diese zu verstehen und zu hinterfragen.
Wenn sie den Verkaufstermin vorbereitet, kann der Mensch mehr Zeit darauf verwenden, den Kunden zu verstehen, zu verhandeln oder die Beziehung aufzubauen.
Wenn sie einen ersten Entwurf eines Dokuments erstellt, liegt die Kompetenz nicht mehr nur im Schreiben, sondern in der Urteilskraft, mit der Fehlerhaftes, Unvollständiges oder Gefährliches erkannt wird. [4]
Die Studie von Brynjolfsson, Li und Raymond legt außerdem nahe, dass Assistenz einen Teil der Praktiken besonders leistungsstarker Mitarbeitender auf weniger erfahrene übertragen kann, wodurch sich sogar Lernmechanismen verändern können. [2]
Die OECD beobachtet dasselbe Paradox aus einem anderen Blickwinkel. Von den KMU-Nutzern, die mit einem Kompetenzmangel konfrontiert waren, meinen 39 %, generative KI habe geholfen, diesen auszugleichen. Gleichzeitig kommt die Erhebung zu dem Ergebnis, dass mehr KMU eine steigende als eine sinkende Nachfrage nach hochqualifizierten Beschäftigten melden.
KI verringert den Bedarf an Expertise also nicht zwangsläufig.
Sie kann verschieben, wo Expertise wertvoll wird.
Diese Verschiebung sollte aktiv gesteuert werden.
Denn Automatisierung verändert nicht nur einen Prozess. Sie verändert manchmal auch einen Beruf. Und wenn sich ein Beruf verändert, landet die Frage irgendwann beim Management.
der KMU-Nutzer, die mit einem Kompetenzmangel konfrontiert waren, sagen, dass GenAI ihnen geholfen hat, diesen auszugleichen.
Sechs Dimensionen, um wieder zu einer Führungsentscheidung zurückzukehren.
Ein Unternehmen braucht kein fünfzigseitiges Gremienpapier, um eine erste Idee kritisch zu prüfen. Es kann mit sechs Dimensionen beginnen.
Wert
Welches Geschäftsproblem wollen wir tatsächlich verringern oder welche Chance wollen wir schaffen?
Arbeit
Welchen Teil der Arbeit wollen wir verändern, und verstehen wir ausreichend, was dort heute geschieht?
Technologie
Warum braucht es hier KI, und warum diese Lösung statt eines einfacheren Ansatzes?
Autonomie
Beobachtet, unterstützt, empfiehlt oder handelt das System? Wo übernimmt der Mensch wieder?
Governance
Welche Daten nutzt es? Wer trägt Verantwortung für das Ergebnis? Wie wird das System getestet, überwacht, korrigiert und gegebenenfalls gestoppt?
Wirkung
Welcher Nachweis entscheidet über den nächsten Schritt: fortsetzen, ausweiten, ändern oder aufgeben?
Dieses Raster ist kein eigenständiger wissenschaftlicher Standard. Es überträgt Prinzipien der Wertschöpfung, Arbeitsgestaltung, des Experimentierens und Risikomanagements, wie sie unter anderem in Arbeiten der OECD und im AI Risk Management Framework des NIST vorkommen, in einen operativen Rahmen für KMU.
Der Test, der oft mehr offenlegt als die Antwort
Nehmen Sie ein einzelnes KI-Projekt, das im Unternehmen derzeit erwogen wird. Bitten Sie die beteiligten Personen, diese sechs Dimensionen getrennt zu beantworten. Vergleichen Sie anschließend.
Wenn drei Führungskräfte drei unterschiedliche Probleme benennen, ist Technologie wahrscheinlich noch nicht das eigentliche Thema.
Wenn alle das Produkt kennen, aber niemand erklären kann, warum KI erforderlich ist, wurde die Lösung zu früh ausgewählt.
Wenn die Vorteile klar sind, aber niemand weiß, wie weit das System handeln darf, liegt die Baustelle bei der Autonomie.
Wenn das Experiment keine Abbruchbedingung hat, ist es vielleicht bereits kein Experiment mehr.
Und wenn alle sechs Antworten identisch sind?
Dann ist der Erfolg des Projekts nicht garantiert. Aber zumindest weiß die Organisation, was sie zu beweisen versucht.
Der nächste Vorteil wird nicht darin bestehen, Zugang zu KI zu haben.
Die Technologie wird sich weiterentwickeln. Neue Funktionen werden in Alltagssoftware Einzug halten. Aktivitäten, die heute experimentell sind, werden selbstverständlich werden. Manche aktuellen Versprechen werden vermutlich ebenso schnell verschwinden, wie sie aufgetaucht sind.
In diesem Umfeld wird die Aussage „Wir nutzen KI“ bald genauso wenig strategischen Wert haben wie die Aussage „Wir nutzen das Internet“.
Zugang wird alltäglich. Urteilskraft lässt sich nicht herunterladen.
Man muss weiterhin wissen, welches Problem es verdient, bearbeitet zu werden. Die Arbeit gut genug verstehen, um entscheiden zu können, was delegiert werden darf. Technologie wählen, ohne unnötige Abhängigkeit zu schaffen. Autonomie im Verhältnis zu den Folgen eines Fehlers gewähren. Teams experimentieren lassen, ohne Verantwortung aufzugeben. Wert statt Aktivität messen. Akzeptieren, Dinge zu stoppen, die nicht funktionieren. Und menschliche Arbeit neu gestalten, wenn die Maschine einen Teil der Ausführung übernimmt.
Die strategische Frage lautet daher vielleicht nicht: „Was ist unsere KI-Strategie?“
Sie kann viel konkreter beginnen.
Welche Entscheidung sind wir bereit, diese Technologie an unserer Stelle treffen zu lassen – und warum genau diese?
[1] Eurostat, Digitalisation in Europe - 2026 edition, „AI in business“. 20 % EU, 19 % KMU, 55 % große Unternehmen, 35 % Belgien im Jahr 2025. ec.europa.eu/eurostat
[4] NBER, Brynjolfsson, Li & Raymond, Generative AI at Work, Working Paper 31161. 5.179 Agenten, im Durchschnitt +14 %, +34 % bei unerfahrenen und leistungsschwächeren Agenten. nber.org
[2] OECD, Generative AI and the SME Workforce: New Survey Evidence, 2025. Repräsentative Erhebung bei mehr als 5.000 KMU in 7 Ländern. oecd.org
[5] Europäische Kommission, Timeline for the Implementation of the EU AI Act, konsolidierte Fassung 2026. AI Act Service Desk
[3] Stanford HAI, AI Index Report 2026, Economy und Technical Performance. Organisationale Einführung und Leistung von Agenten. hai.stanford.edu
[6] NIST, Artificial Intelligence Risk Management Framework, Funktionen Govern, Map, Measure und Manage. airc.nist.gov
Welche KI-Nutzung erwägt Ihr Unternehmen heute, ohne bereits klar sagen zu können, welches Problem sie löst, welche Handlungsmacht Sie ihr geben wollen und welcher Nachweis einen Einsatz in größerem Maßstab rechtfertigen würde?
lucid.dtsc.be · lucid@dtsc.be
Geschrieben und erstellt von Junior Cantos für LUCID by DTSC
LUCID · KMU-Management by DT Services & Consulting
11
Das erste 30-minütige Gespräch ist kostenlos. Dort wird der Bedarf geklärt, ohne Verpflichtung.
Alle Ausgaben
