KI-Transformation führen: praxisnahe Strategien für Führungskräfte

Von Zielen und Anwendungsfällen über Daten und Kompetenzen bis zu Governance und Erfolgsmessung: was die Führung bei der KI-Einführung entscheiden muss
Aktualisiert:
Abstract
- #Künstliche Intelligenz
- #KI-Entwicklung
- #Technologischer Wandel
- #Dinosaurier vs. Surfer
- #Reasoning-Modelle
- #Agentische KI
- #Prompting-Techniken
- #KI-Transformation
- #KI-Strategie
- #KI-Governance
Die Technik ändert sich alle paar Monate. Wer KI im Unternehmen einführt, braucht deshalb Entscheidungen, die auch das nächste Modell überstehen
Ende Januar 2025 stellte das chinesische Unternehmen DeepSeek ein Sprachmodell vor, das in vielen Tests mit den damaligen Spitzenmodellen von OpenAI mithielt, aber nach Angaben des Herstellers mit einem Bruchteil der Rechenkosten trainiert worden war. An der Börse fiel der Wert von Technologieunternehmen an einem einzigen Handelstag um mehrere hundert Milliarden US-Dollar, allein Nvidia verlor rund 600 Milliarden. Wenige Wochen später hatten die etablierten Anbieter nachgezogen.
Für Führungskräfte steckt darin eine unbequeme Lehre: Wer seine KI-Strategie an einem bestimmten Modell oder Anbieter festmacht, baut auf Sand. Das Spitzenmodell von heute ist in einem Jahr Mittelmaß. Was bleibt, sind die Entscheidungen, die nicht von der Technik abhängen: welche Probleme ein Unternehmen mit KI lösen will, welche Daten es dafür braucht, was die Beschäftigten können müssen und wer die Verantwortung trägt.
Warum KI-Einführung Chefsache ist
Viele Unternehmen haben KI zunächst „von unten“ eingeführt: Einzelne Beschäftigte nutzen ChatGPT oder einen Copilot, ein Team baut einen Prototyp, die IT testet einen Chatbot. Das ist kein Fehler, denn so entsteht Erfahrung. Ohne Rahmen führt es aber zu einem Flickenteppich aus Einzellösungen, ungeklärten Datenflüssen und Pilotprojekten, die nie in den Betrieb gehen.
Michael Watkins, Professor an der IMD Business School, beschreibt die beiden Grundhaltungen mit einem Bild: Der Dinosaurier sieht den Asteroiden kommen und schaut zu. Der Surfer nutzt die Welle, auch wenn er sie nicht kontrolliert. Das Bild ist zugespitzt, trifft aber einen Punkt. Abwarten, bis sich die Technik „gesetzt“ hat, ist bei KI keine neutrale Option, weil Wettbewerber in der Zwischenzeit lernen. Blinder Aktionismus ist allerdings genauso wenig eine Strategie. Die Führungsaufgabe besteht darin, Experimente zu ermöglichen und ihnen eine Richtung zu geben.
Ziele: Welches Problem soll KI lösen?
Am Anfang steht nicht die Frage „Was können wir mit KI machen?“, sondern „Wo hakt es in unserem Geschäft?“. Gute Ziele sind konkret und messbar: Bearbeitungszeit von Kundenanfragen senken, Angebotserstellung beschleunigen, Ausschuss in der Produktion verringern, Wissen aus Handbüchern schneller auffindbar machen.
Angenommen, ein mittelständischer Maschinenbauer erhält täglich Dutzende Serviceanfragen per E-Mail. Ein messbares Ziel wäre: Anfragen werden automatisch nach Thema und Dringlichkeit sortiert, und der Service erhält einen Antwortentwurf mit Verweis auf das passende Handbuchkapitel. Daran lässt sich später ablesen, ob sich der Aufwand gelohnt hat.
Hilfreich ist eine grobe Unterscheidung zwischen zwei Arten von Zielen: Effizienz (bestehende Abläufe schneller oder günstiger erledigen) und neue Angebote (Produkte oder Dienstleistungen, die es ohne KI nicht gäbe). Effizienzprojekte sind leichter zu messen und eignen sich als Einstieg. Neue Angebote haben das größere Potenzial, aber auch das größere Risiko.
Anwendungsfälle auswählen und priorisieren
Sobald die Ziele klar sind, entsteht meist eine lange Liste möglicher Anwendungsfälle. Sinnvoll ist eine einfache Bewertung entlang weniger Kriterien:
| Kriterium | Leitfrage |
|---|---|
| Nutzen | Wie viel Zeit, Geld oder Qualität bringt der Anwendungsfall, wenn er funktioniert? |
| Machbarkeit | Sind die nötigen Daten vorhanden und zugänglich? Gibt es fertige Werkzeuge? |
| Risiko | Was passiert bei einem Fehler? Betrifft das Ergebnis Kunden, Beschäftigte oder rechtliche Pflichten? |
| Sichtbarkeit | Lässt sich der Erfolg anderen im Unternehmen zeigen? |
Für den Start eignen sich Anwendungsfälle mit hohem Nutzen, guter Machbarkeit und überschaubarem Risiko, etwa interne Wissenssuche, Zusammenfassungen oder Entwürfe, die ein Mensch prüft. Anwendungen, die Entscheidungen über Menschen treffen, gehören nicht an den Anfang. Wie sich die wertvollsten Bereiche systematisch finden lassen, beschreibt der Leitfaden zu KI-Anwendungsbereichen und passender Strategie.
Eine zweite Entscheidung betrifft das „Bauen oder Kaufen“. Für Standardaufgaben wie Texte, Übersetzungen oder Besprechungsnotizen reichen fertige Werkzeuge. Eigene Entwicklungen lohnen sich dort, wo KI mit firmeneigenem Wissen oder eigenen Abläufen verbunden werden muss, etwa wenn ein Assistent auf interne Dokumente zugreift.
Daten: die unterschätzte Voraussetzung
Fast jedes KI-Projekt, das über allgemeine Textarbeit hinausgeht, scheitert oder gelingt an den Daten. Ein Assistent, der Servicefragen beantworten soll, ist nur so gut wie die Handbücher und Tickets, auf die er zugreift. Sind diese veraltet, widersprüchlich oder über zehn Laufwerke verstreut, hilft auch das beste Modell nicht.
Führungskräfte müssen hier keine technischen Details entscheiden, wohl aber drei Fragen klären: Wer ist für welche Daten verantwortlich? Welche Daten dürfen in welche Systeme, insbesondere bei externen Cloud-Diensten? Und wer kümmert sich um die Qualität? Ausführlicher geht es darum im Beitrag Daten als Unternehmensstrategie.
Kompetenzen: Was Beschäftigte und Führung können müssen
KI-Werkzeuge sind leicht zu bedienen, aber schwer gut zu nutzen. Wer weiß, wie man einem Sprachmodell Kontext, Beispiele und eine klare Aufgabe gibt, bekommt deutlich brauchbarere Ergebnisse. Wer die typischen Schwächen kennt, fällt seltener darauf herein.
Die Grenzen der Werkzeuge kennen
Drei Schwächen sollten alle Beschäftigten kennen, die mit generativer KI arbeiten:
- Halluzinationen: Sprachmodelle erfinden bei Wissenslücken plausibel klingende Fakten, Quellen oder Zitate. Fakten, Zahlen und Verweise müssen deshalb geprüft werden.
- Gefälligkeit: Modelle neigen dazu, der Fragestellung zuzustimmen und eher freundliche als kritische Antworten zu geben. Wer eine ehrliche Einschätzung will, sollte ausdrücklich nach Gegenargumenten und Schwächen fragen.
- Fehlender Kontext: Das Modell weiß nichts über das Unternehmen, die Kundin oder das Projekt, was nicht in der Anfrage oder den angebundenen Dokumenten steht.
Neue Modellgenerationen verstehen
Seit 2024 gibt es sogenannte Reasoning-Modelle, die eine Aufgabe in Zwischenschritten durchdenken, bevor sie antworten. Sie sind stärker bei Mathematik, Planung und Analyse, aber langsamer und teurer. Hinzu kommen KI-Agenten, die nicht nur antworten, sondern selbstständig Werkzeuge bedienen, etwa Daten abfragen, Formulare ausfüllen oder Code ausführen. Agenten können Abläufe stark verkürzen, erhöhen aber das Risiko, weil Fehler nicht mehr nur in einem Text stehen, sondern Handlungen auslösen.
Führungskräfte müssen diese Systeme nicht selbst bauen. Sie sollten sie aber regelmäßig ausprobieren, um einschätzen zu können, was realistisch ist. Seit Februar 2025 verlangt der EU AI Act zudem in Art. 4, dass Unternehmen, die KI-Systeme einsetzen, Maßnahmen zur KI-Kompetenz ihrer Beschäftigten ergreifen. Seit der Änderung durch den sogenannten Digital-Omnibus (Verordnung (EU) 2026/1744) im Juli 2026 müssen sie dabei kein bestimmtes Kompetenzniveau einzelner Personen mehr garantieren. Die Pflicht zu Maßnahmen wie Schulungen bleibt bestehen.
Governance: Regeln, bevor etwas schiefgeht
Governance klingt nach Bürokratie, meint aber zunächst nur: Es ist klar, wer was entscheiden darf. Für die meisten Unternehmen reichen am Anfang wenige Bausteine:
- Eine KI-Richtlinie, die festlegt, welche Werkzeuge erlaubt sind und welche Daten dort nicht eingegeben werden dürfen.
- Ein Verzeichnis aller eingesetzten KI-Systeme mit Zweck und verantwortlicher Person.
- Eine Prüfroutine für neue Anwendungsfälle: Datenschutz, Risiko, rechtliche Einordnung.
- Eine klare Zuständigkeit, etwa ein kleines Gremium aus Fachbereich, IT, Datenschutz und gegebenenfalls Betriebsrat.
Die ethischen Fragen dahinter, also Fairness, Transparenz und Verantwortlichkeit bei Entscheidungen über Menschen, behandelt der Beitrag zu KI-Ethik in der Praxis ausführlicher.
Erfolg messen: Woran erkennen Sie, dass es funktioniert?
Viele KI-Projekte bleiben im Pilotstatus, weil niemand vorher festgelegt hat, wann sie erfolgreich sind. Legen Sie deshalb vor dem Start Messgrößen fest und erheben Sie den Ausgangswert. Geeignet sind zum Beispiel:
- Bearbeitungszeit pro Vorgang vor und nach der Einführung
- Anteil der KI-Vorschläge, die ohne oder mit geringer Nacharbeit übernommen werden
- Fehlerquote und Zahl der Eskalationen
- Nutzung: Wie viele Beschäftigte setzen das Werkzeug tatsächlich regelmäßig ein?
- Kosten pro Vorgang, einschließlich Lizenzen, Rechenleistung und Betreuung
Wichtig ist eine realistische Erwartung. Zeitersparnis bei Einzelaufgaben übersetzt sich nicht automatisch in geringere Kosten, wenn sich die Abläufe drumherum nicht ändern. Der eigentliche Gewinn entsteht oft erst, wenn Prozesse neu gedacht werden.
Was das für Ihre Rolle als Führungskraft bedeutet
Die KI-Transformation ist kein IT-Projekt mit Enddatum, sondern eine dauerhafte Fähigkeit, die ein Unternehmen aufbauen muss. Die Technik wird sich weiter schnell ändern; das hat der Januar 2025 eindrücklich gezeigt. Stabil bleiben die Grundentscheidungen: klare Ziele, sauber ausgewählte Anwendungsfälle, gepflegte Daten, geschulte Menschen, verbindliche Regeln und ehrliche Messung.
Überschätzt wird oft die Bedeutung der Modellwahl. Für die meisten Anwendungsfälle sind mehrere Anbieter gut genug, und ein Wechsel sollte technisch möglich bleiben. Unterschätzt wird dagegen der Aufwand für Veränderung: Beschäftigte müssen neue Arbeitsweisen lernen, Abläufe müssen angepasst werden, und Erwartungen müssen gesteuert werden.
Unsere Empfehlung: Starten Sie mit zwei oder drei Anwendungsfällen, die messbar sind und wenig Risiko tragen, und schaffen Sie parallel die Grundlagen bei Richtlinie, Schulung und Daten. Wer dabei Unterstützung bei Strategie und Weiterbildung sucht, findet unter KI-Strategien für Führungskräfte unsere Angebote zu Beratung, Coaching und Seminaren.
Häufige Fragen zur KI-Transformation
Wie verhindert ein Unternehmen, bei KI abgehängt zu werden?
Durch kontinuierliches Lernen statt einmaliger Großprojekte. Regelmäßige Schulungen, ein Raum für Experimente, ein kleines Team, das neue Werkzeuge bewertet, und der Austausch zwischen Abteilungen helfen mehr als die Suche nach dem perfekten Tool.
Welche Fähigkeiten werden in einer KI-geprägten Arbeitswelt wichtiger?
Urteilsvermögen, Fachwissen und kritisches Denken, denn jemand muss beurteilen, ob ein KI-Ergebnis stimmt. Dazu kommen die Fähigkeit, Aufgaben präzise zu beschreiben, und die Bereitschaft, Arbeitsweisen immer wieder anzupassen.
Wie lassen sich Halluzinationen und Fehlinformationen eindämmen?
Technisch durch die Anbindung an geprüfte Quellen, etwa interne Dokumente, und durch Quellenangaben in den Antworten. Organisatorisch durch die Regel, dass Fakten, Zahlen und rechtliche Aussagen vor der Weitergabe von einem Menschen geprüft werden.
Brauchen wir eine eigene KI-Abteilung?
Für die meisten mittelständischen Unternehmen nicht. Sinnvoller ist eine kleine, abteilungsübergreifende Gruppe, die Anwendungsfälle bewertet, Regeln pflegt und Erfahrungen bündelt. Technische Spezialaufgaben lassen sich bei Bedarf mit externen Partnern lösen.
Kategorien