KI skaliert nicht von selbst: Wer nur Modelle einkauft, automatisiert vor allem seine Enttäuschung

KI in Unternehmen: Warum die Technologie allein nicht reicht

Daten als betriebliche Verpflichtung: Warum Qualität entscheidend ist

Künstliche Intelligenz (KI) hält zunehmend Einzug in Unternehmen aller Branchen, doch trotz der beeindruckenden technologischen Fortschritte bleibt der ökonomische Durchbruch oft aus. Viele Organisationen haben zwar modernste KI-Modelle implementiert, doch die tatsächlichen Vorteile für Produktivität, Umsatz und Kosten sind häufig noch nicht sichtbar. Die Herausforderung liegt nicht nur in der Leistungsfähigkeit der Technologien, sondern vielmehr in der Fähigkeit der Unternehmen, diese Technologien effektiv in ihre bestehenden Abläufe zu integrieren. Ein zentraler Engpass ist die unzureichende Anpassung von Prozessen, Datenmanagement und Verantwortlichkeiten. In diesem Kontext wird deutlich: Die meisten Unternehmen stehen weniger vor einem KI-Problem als vielmehr vor einem Betriebsmodellproblem. Um den vollen Nutzen aus KI zu ziehen, müssen Unternehmen ihre Arbeitsabläufe grundlegend überdenken und die Technologie tief in ihre Wertschöpfungsketten einbetten. Nur so können sie die gesteigerte Effizienz und die damit verbundenen wirtschaftlichen Vorteile realisieren.

Von der KI-Entwicklung zur Wertschöpfung: So gelingt die Transformation

Künstliche Intelligenz ist in den Unternehmen angekommen, aber ihr ökonomischer Durchbruch ist damit noch längst nicht vollzogen. Zwischen der beeindruckenden Leistungsfähigkeit moderner Modelle und einer dauerhaft höheren Ertragskraft liegt eine breite Umsetzungslücke. Viele Organisationen können Texte generieren, Dokumente zusammenfassen, Programmcode ergänzen oder Kundenanfragen vorsortieren. Deutlich weniger Unternehmen haben jedoch ihre Abläufe, Daten, Verantwortlichkeiten und Steuerungssysteme so verändert, dass daraus ein belastbarer Effekt auf Produktivität, Umsatz, Kosten, Qualität oder Kapitalbindung entsteht. Der entscheidende Engpass ist deshalb nicht mehr allein die Intelligenz des Modells. Es ist die Fähigkeit des Unternehmens, diese Intelligenz in wiederholbare Wertschöpfung zu übersetzen.

Diese Unterscheidung ist für jede ökonomische Betrachtung zentral. Eine Technologie kann auf Aufgabenebene enorme Zeitgewinne erzeugen und auf Unternehmensebene trotzdem kaum Wirkung entfalten. Wird die eingesparte Zeit nicht produktiv genutzt, verlagert sich der Aufwand lediglich. Muss jedes Ergebnis nachbearbeitet werden, entstehen neue Kontrollkosten. Bleibt eine KI-Anwendung außerhalb der operativen Systeme, verbessert sie einzelne Tätigkeiten, ohne den Durchsatz des Gesamtprozesses zu erhöhen. Und wenn viele Abteilungen unabhängig voneinander ähnliche Lösungen beschaffen, wächst zwar die Zahl der Werkzeuge, nicht aber zwingend die Wertschöpfung.

Die provokative, aber ökonomisch begründbare Perspektive lautet daher: Die meisten Unternehmen haben kein KI-Problem, sondern ein Betriebsmodellproblem. Sie investieren in leistungsfähige Modelle, während Prozesse fragmentiert, Daten unzureichend gepflegt, Zuständigkeiten unklar und Erfolgsgrößen unscharf bleiben. Skalierung entsteht jedoch nicht dadurch, dass mehr Beschäftigte Zugang zu einem Chatbot erhalten. Sie entsteht, wenn KI tief genug in einen wertrelevanten Ablauf eingebaut wird, um dessen Kostenkurve, Geschwindigkeit, Qualität oder Erlöspotenzial messbar zu verändern.

Vom digitalen Assistenten zur industriellen Produktivkraft

Der gegenwärtige KI-Boom unterscheidet sich von früheren Automatisierungswellen vor allem durch seine breite Anwendbarkeit. Generative Systeme verarbeiten natürliche Sprache, Bilder, Audio, Video, Programmcode und zunehmend strukturierte Unternehmensdaten. Dadurch sinkt die technische Zugangshürde. Beschäftigte müssen nicht zwingend programmieren, um mit einem Modell zu interagieren. Diese Benutzerfreundlichkeit beschleunigt die Verbreitung, birgt aber zugleich die Gefahr, Nutzung mit Wertschöpfung zu verwechseln.

Im Jahr 2024 gaben weltweit bereits 78 Prozent der befragten Organisationen an, KI in mindestens einer Geschäftsfunktion einzusetzen; ein Jahr zuvor waren es 55 Prozent. Die Nutzung generativer KI stieg im selben Zeitraum noch schneller. In der Europäischen Union verwendeten 2025 rund 20 Prozent der Unternehmen mit mindestens zehn Beschäftigten KI-Technologien. Bei großen Unternehmen lag der Anteil bei etwa 55 Prozent, bei kleinen Unternehmen hingegen nur bei rund 17 Prozent. Die Zahlen zeigen zweierlei: Erstens ist KI kein Nischenthema mehr. Zweitens ist die Diffusion sehr ungleich verteilt und reicht noch lange nicht in alle Kernprozesse hinein.

Die reine Verbreitung sagt ohnehin wenig über die Tiefe der Integration aus. Ein Unternehmen, das seinen Mitarbeitern einen Textassistenten bereitstellt, zählt statistisch als Anwender. Das gilt ebenso für einen Industriebetrieb, der Prognosemodelle mit Produktionsplanung, Qualitätsprüfung, Wartung und Einkauf verbindet. Ökonomisch liegen zwischen beiden Fällen Welten. Im ersten Fall verbessert KI möglicherweise die individuelle Arbeitsgeschwindigkeit. Im zweiten kann sie Ausschuss reduzieren, Anlagenverfügbarkeit erhöhen, Bestände senken und Liefertermine stabilisieren. Erst wenn mehrere solcher Wirkungen entlang eines zusammenhängenden Prozesses auftreten, verändert KI die Wettbewerbsposition.

Damit nähert sich KI einer Basistechnologie an, deren Nutzen nicht in einer einzelnen Anwendung liegt, sondern in ihrer Verbindung mit ergänzenden Investitionen. Elektrizität steigerte die Produktivität der Industrie nicht allein durch den Austausch der Dampfmaschine gegen einen Elektromotor. Fabriken mussten neu organisiert, Maschinen anders angeordnet und Arbeitsabläufe umgestaltet werden. Ähnlich verhält es sich mit KI. Wer sie nur auf bestehende Strukturen setzt, erzielt punktuelle Effizienz. Wer Prozesse um die neuen Fähigkeiten herum neu gestaltet, kann sein Betriebsmodell verändern.

Warum beeindruckende Piloten so selten die Gewinnzone erreichen

Der Übergang vom Pilotprojekt zum produktiven Betrieb ist die wirtschaftlich schwierigste Phase. In einem Pilotprojekt sind Datenmenge, Nutzerkreis, Prozessvarianten und Risikoumfang meist begrenzt. Experten begleiten das System eng, Fehler werden manuell korrigiert und technische Sonderlösungen bleiben beherrschbar. Im skalierten Einsatz vervielfachen sich dagegen Ausnahmen, Schnittstellen, Nutzergruppen und regulatorische Anforderungen. Was unter Laborbedingungen funktioniert, muss nun unter Zeitdruck, mit wechselnder Datenqualität und innerhalb gewachsener IT-Landschaften zuverlässig arbeiten.

Entsprechend groß ist die Lücke zwischen Aktivität und Wirkung. Untersuchungen zeigen, dass viele Organisationen KI zwar verwenden, aber weiterhin keinen wesentlichen Ergebnisbeitrag auf Unternehmensebene erkennen. In einer globalen Erhebung berichteten 2026 fast neun von zehn Befragten von regelmäßiger KI-Nutzung in mindestens einer Funktion. Zugleich schrieben nur 37 Prozent der KI überhaupt einen positiven Beitrag zum Ergebnis vor Zinsen und Steuern zu. Lediglich rund sechs Prozent erfüllten die strengere Definition eines Hochleistungsanwenders, bei dem mindestens fünf Prozent des operativen Ergebnisses mit KI verbunden waren und zugleich ein erheblicher Nutzen wahrgenommen wurde.

Andere Erhebungen kommen trotz unterschiedlicher Methoden zu einem ähnlichen Befund. Rund drei Viertel der Unternehmen hatten 2024 noch Schwierigkeiten, aus KI greifbaren und skalierbaren Wert zu erzeugen. Nur ein kleiner Anteil verfügte über fortgeschrittene Fähigkeiten, die über einzelne Machbarkeitsnachweise hinausgingen. Solche Zahlen sollten nicht als universelle Ausfallquote interpretiert werden. Definitionen von Erfolg, Stichproben und Betrachtungszeiträume unterscheiden sich erheblich. Sie belegen aber eine robuste Grundtendenz: Der Erwerb von KI-Funktionen schreitet wesentlich schneller voran als die organisatorische Fähigkeit, daraus finanzielle Wirkung zu machen.

Die Ursachen liegen überwiegend nicht im Algorithmus. Etwa 70 Prozent der typischen Skalierungsprobleme werden Menschen und Prozessen zugerechnet, rund 20 Prozent der Technologie und nur etwa zehn Prozent den Algorithmen selbst. Häufig fehlt ein verantwortlicher Prozesseigentümer, der nicht nur eine Anwendung einführt, sondern den gesamten Ablauf neu gestaltet. Ebenso oft werden Projekte nach technischer Machbarkeit ausgewählt, nicht nach wirtschaftlicher Relevanz. Das Ergebnis ist ein Portfolio sichtbarer Demonstrationen, die Aufmerksamkeit erzeugen, aber zu wenig Transaktionsvolumen, Kostengewicht oder Differenzierungspotenzial besitzen.

Ein weiterer Grund ist die falsche Interpretation von Zeitersparnis. Wenn ein Mitarbeiter einen Bericht in 60 statt in 90 Minuten erstellt, sind rechnerisch 30 Minuten gewonnen. Einen Ergebnisbeitrag gibt es aber erst, wenn diese Zeit in zusätzliche wertschöpfende Arbeit fließt, Überstunden sinken, Durchlaufzeiten kürzer werden oder Kapazitäten tatsächlich anders geplant werden. Ohne Anpassung der Arbeitsorganisation bleibt die Einsparung unsichtbar. Sie verteilt sich als freie Restzeit im System und erscheint weder in der Gewinn- und Verlustrechnung noch in einer verbesserten Kundenerfahrung.

Wert entsteht im Prozess und nicht im Prompt

Die kleinste sinnvolle Einheit einer KI-Transformation ist nicht das Modell und auch nicht der einzelne Anwendungsfall, sondern der End-to-End-Prozess. Ein Modell beantwortet eine Frage, klassifiziert ein Dokument oder erzeugt einen Vorschlag. Ein Prozess verbindet dagegen Auslöser, Daten, Entscheidungen, Übergaben, Kontrollen und ein messbares Geschäftsergebnis. Erst in dieser Kette wird aus technischer Leistung ökonomischer Nutzen.

Ein Beispiel aus dem Kundenservice verdeutlicht den Unterschied. Ein Sprachmodell kann Antwortentwürfe erstellen und dadurch die Bearbeitungszeit einzelner Anfragen reduzieren. Der größere Hebel entsteht jedoch, wenn das System Anliegen erkennt, Kundendaten abruft, Vertragsregeln prüft, eine zulässige Lösung vorschlägt, Standardfälle selbst ausführt, komplexe Fälle an die richtige Fachkraft übergibt und den Vorgang revisionssicher dokumentiert. Dann verändert KI nicht nur das Schreiben einer E-Mail, sondern den gesamten Durchsatz, die Erstlösungsquote, die Wartezeit und die Kosten pro Vorgang.

In der Industrie gilt dasselbe Prinzip. Eine isolierte Bilderkennung kann Oberflächenfehler markieren. Wert entsteht in größerem Maßstab, wenn die Erkennung mit Maschinenparametern, Materialchargen, Lieferantendaten und Qualitätsentscheidungen verknüpft ist. Das Unternehmen kann dann nicht nur fehlerhafte Teile aussortieren, sondern Ursachen schneller erkennen, Prozesse automatisch nachregeln, Reklamationen vermeiden und Lieferanten gezielter steuern. Die KI wird damit vom Prüfwerkzeug zum Bestandteil eines lernenden Produktionssystems.

Prozessneugestaltung ist deshalb der stärkste wiederkehrende Unterschied zwischen gewöhnlichen Anwendern und Unternehmen mit hohem Ergebnisbeitrag. Erfolgreiche Organisationen automatisieren nicht einfach den vorhandenen Ablauf. Sie prüfen, welche Schritte entfallen können, welche Entscheidungen maschinell vorbereitet oder ausgeführt werden sollten und an welchen Punkten menschliches Urteil unverzichtbar bleibt. Sie reduzieren Übergaben, beseitigen Medienbrüche und verändern Rollen. Das ist anspruchsvoller als die Einführung eines Assistenten, erzeugt aber auch einen wesentlich größeren und dauerhafteren Hebel.

Das Wertportfolio braucht weniger Projekte und mehr Konsequenz

Viele KI-Programme leiden an einer paradoxen Überbreite. Weil generative KI so vielseitig erscheint, sammeln Unternehmen Dutzende oder sogar Hunderte Ideen. Diese werden nach Begeisterung, Sichtbarkeit oder technischer Einfachheit priorisiert. Das führt zu zahlreichen kleinen Experimenten, verteilt knappe Fachkräfte und erschwert den Aufbau wiederverwendbarer Komponenten. Eine bessere Strategie konzentriert sich auf wenige Wertströme, in denen KI wiederholt und mit hohem Volumen eingesetzt werden kann.

Für die Auswahl eines Anwendungsfalls reichen allgemeine Produktivitätsversprechen nicht aus. Entscheidend sind mindestens sechs wirtschaftliche Fragen: Wie häufig tritt der Vorgang auf? Wie hoch sind seine heutigen Vollkosten? Welcher Anteil lässt sich realistisch beeinflussen? Welche Qualitäts- oder Umsatzwirkung ist möglich? Wie schnell kann die Lösung in bestehende Abläufe integriert werden? Und welches Risiko entsteht bei einem fehlerhaften Ergebnis? Aus diesen Faktoren lässt sich kein perfekter Zukunftswert errechnen, aber eine belastbare Rangfolge ableiten.

Besonders attraktiv sind Prozesse mit großem Transaktionsvolumen, relativ standardisierbaren Entscheidungen, digital verfügbaren Daten und hohen Warte- oder Bearbeitungskosten. Dazu gehören beispielsweise Dokumentenprüfung, Auftragsbearbeitung, Wissenssuche, Softwareentwicklung, Kundenservice, Angebotskonfiguration, Instandhaltungsplanung, Nachfrageprognose und Qualitätsmanagement. Weniger geeignet für eine frühe Skalierung sind extrem seltene Vorgänge, schlecht dokumentierte Abläufe oder Entscheidungen, bei denen Fehler existenzielle Schäden auslösen können und kaum kontrollierbar sind.

Die größte Wirkung entsteht häufig nicht dort, wo KI am sichtbarsten ist. Marketinganwendungen lassen sich schnell demonstrieren, doch automatisierte Hintergrundprozesse können einen höheren und besser messbaren Ertrag bringen. Werden externe Bearbeitungskosten reduziert, Prüfzyklen verkürzt, Bestände optimiert oder teure Ausfälle vermieden, erscheint der Effekt unmittelbar in Kosten, Kapitalbindung oder Leistung. Sichtbarkeit und Wert sind deshalb strikt zu trennen.

Ein diszipliniertes Portfolio berücksichtigt außerdem Abhängigkeiten. Zehn Anwendungen, die dieselben Kunden-, Produkt- oder Maschinendaten nutzen, können auf einer gemeinsamen Daten- und Integrationsschicht aufbauen. Zehn unverbundene Einzellösungen erzeugen dagegen zehn Sicherheitsprüfungen, zehn Schnittstellenprobleme und zehn Wartungsmodelle. Der Grenznutzen weiterer Projekte steigt nur, wenn die zugrunde liegenden Fähigkeiten wiederverwendbar sind.

Produktivität muss bis in die Ergebnisrechnung verfolgt werden

Wer KI skalieren will, benötigt eine Wertmessung, die technische Kennzahlen mit betriebswirtschaftlichen Größen verbindet. Modellgenauigkeit, Antwortzeit und Nutzungsrate sind notwendig, aber nicht hinreichend. Ein System kann häufig genutzt werden und trotzdem keinen finanziellen Mehrwert erzeugen. Umgekehrt kann eine selten genutzte Anwendung bei hochpreisigen Entscheidungen erheblichen Wert schaffen. Die Messung muss deshalb vom technischen Ergebnis über die Prozesswirkung bis zum finanziellen Effekt reichen.

Auf der ersten Ebene stehen Qualitätsgrößen wie Trefferquote, Fehlerquote, Halluzinationsrate, Stabilität und Bearbeitungszeit. Die zweite Ebene beschreibt den Prozess: Durchlaufzeit, Anteil automatisierter Fälle, Erstlösungsquote, Ausschuss, Stillstand, Konversionsrate oder Zahl erforderlicher Übergaben. Erst die dritte Ebene übersetzt diese Veränderung in Geld. Dazu gehören vermiedene Arbeitskosten, zusätzlicher Deckungsbeitrag, niedrigere Bestände, geringere Garantiekosten, vermiedene Vertragsstrafen oder freigesetztes Working Capital.

Eine seriöse Berechnung verwendet eine Ausgangsbasis vor der Einführung und vergleicht sie mit einer kontrollierten neuen Arbeitsweise. Wo möglich, sollten vergleichbare Teams, Standorte oder Zeiträume gegenübergestellt werden. Saisonale Effekte, Nachfrageänderungen und parallel laufende Verbesserungsprogramme müssen berücksichtigt werden. Sonst wird der KI zugerechnet, was tatsächlich aus höherem Auftragsvolumen, personellen Veränderungen oder gewöhnlicher Prozessoptimierung stammt.

Ebenso wichtig ist die Vollkostenrechnung. Lizenzpreise sind nur ein Teil der tatsächlichen Kosten. Hinzu kommen Rechenleistung, Datenaufbereitung, Schnittstellen, Sicherheitsmaßnahmen, Evaluation, menschliche Kontrolle, Schulung, Betriebsunterstützung und laufende Anpassung. Bei generativen Systemen können außerdem nutzungsabhängige Inferenzkosten stark wachsen. Ein Pilot mit wenigen Nutzern wirkt dann günstig, während ein unternehmensweiter Einsatz bei Millionen Anfragen eine neue Kostenstruktur erzeugt.

Der Return on Investment sollte daher nicht als einmalige Zahl behandelt werden. Sinnvoller ist eine Wertkurve über mehrere Reifegrade. In der Anfangsphase dominieren Aufbaukosten. Mit wachsendem Volumen sinken die Stückkosten, sofern Plattform und Prozesse wiederverwendbar sind. Später können steigende Kontroll-, Energie- oder Modellkosten den Vorteil wieder begrenzen. Gute Steuerung beobachtet deshalb nicht nur, ob ein Projekt positiv ist, sondern ab welchem Volumen, unter welchen Qualitätsanforderungen und mit welcher Betriebsarchitektur es positiv bleibt.

Daten sind kein Rohstoff, sondern eine betriebliche Verpflichtung

Die verbreitete Aussage, Daten seien der Rohstoff der KI, greift zu kurz. Rohstoffe lassen sich einkaufen, lagern und nach bekannten Spezifikationen verarbeiten. Unternehmensdaten entstehen dagegen in Prozessen, verändern ihre Bedeutung, enthalten Zugriffsrechte und spiegeln häufig organisatorische Widersprüche. Schlechte Datenqualität ist deshalb selten nur ein technisches Problem. Sie ist ein sichtbares Ergebnis unklarer Verantwortlichkeiten und uneinheitlicher Arbeitsweisen.

Für generative KI verschärft sich diese Herausforderung. Ein Sprachmodell kann überzeugend formulieren, auch wenn die zugrunde liegenden Informationen veraltet, widersprüchlich oder unvollständig sind. Dadurch steigt das Risiko, dass Nutzer sprachliche Sicherheit mit sachlicher Richtigkeit verwechseln. Eine skalierbare Architektur muss daher nachvollziehbar machen, auf welche Quellen sich ein Ergebnis stützt, wie aktuell diese sind und ob der Nutzer auf die verwendeten Daten zugreifen darf.

In vielen Unternehmen ist eine Kombination aus zentralen Standards und dezentraler Datenverantwortung sinnvoll. Zentrale Funktionen definieren Sicherheitsklassen, Schnittstellen, Metadaten, Qualitätsregeln und zugelassene Plattformen. Fachbereiche verantworten Bedeutung, Aktualität und zulässige Nutzung ihrer Datenprodukte. So lässt sich vermeiden, dass eine zentrale Datenabteilung zum Engpass wird, während gleichzeitig ein unkontrollierter Wildwuchs entsteht.

Besonders relevant ist die Verbindung von strukturierten und unstrukturierten Informationen. Rechnungen, Sensordaten und Auftragspositionen liegen häufig in festen Feldern vor. Verträge, Wartungsberichte, E-Mails und Handbücher sind unstrukturierter. Der wirtschaftliche Nutzen moderner KI liegt oft gerade in der gemeinsamen Auswertung beider Welten. Dafür braucht es Identitäten, Zugriffssteuerung, semantische Zuordnung und eine nachvollziehbare Datenherkunft. Ohne diese Grundlage bleibt das Modell ein eloquenter Fremdkörper außerhalb der betrieblichen Wahrheit.

Datenarbeit darf allerdings nicht zur endlosen Vorbedingung werden. Kein Unternehmen muss vor dem ersten produktiven Anwendungsfall sämtliche Daten bereinigen. Sinnvoll ist eine wertorientierte Reihenfolge: Der ausgewählte Prozess bestimmt, welche Daten in welcher Qualität benötigt werden. Deren Verbesserung erzeugt dann einen konkreten Nutzen und kann für weitere Anwendungen wiederverwendet werden. So wird Datenmodernisierung vom abstrakten Großprojekt zum Bestandteil einer messbaren Wertschöpfungsinitiative.

Die Quasi-Inhouse-Lösung: Wie Xpert.Digital operative Lücken in B2B-Marketing und Vertrieb schließt – Smart Content-Driven Business - Bild: Xpert.Digital

Xpert.Digital ist ein von Konrad Wolfenstein geführter, datengetriebener B2B-Industry-Hub. Das Unternehmen agiert als externe Quasi-Inhouse-Lösung für Industriepartner und schließt operative Lücken in Marketing, Content und Vertrieb – ohne zusätzlichen Ressourcenaufbau auf Kundenseite.

Mehr dazu hier:

• Die Quasi-Inhouse-Lösung: Wie Xpert.Digital operative Lücken in B2B-Marketing und Vertrieb schließt – Smart Content-Driven Business

Die richtige Architektur bewahrt Wahlfreiheit und Kostendisziplin

Die technologische Entwicklung bleibt schnell und unvorhersehbar. Leistungsfähige Modelle werden günstiger, kleinere Modelle verbessern sich, offene und proprietäre Angebote konkurrieren, und neue agentische Systeme übernehmen zunehmend mehrstufige Aufgaben. Eine skalierbare Unternehmensarchitektur darf deshalb nicht von einem einzigen Modell oder Anbieter abhängen. Sie muss Wechsel ermöglichen, ohne dass jede Anwendung neu gebaut werden muss.

Dafür bietet sich eine Trennung mehrerer Ebenen an. Die Benutzeroberfläche und der Geschäftsprozess sollten von der Orchestrierung, den Datenzugriffen und dem eigentlichen Modell entkoppelt sein. Sicherheitsregeln, Protokollierung und Evaluation gehören als gemeinsame Dienste in die Plattform. Modelle können dann je nach Aufgabe ausgewählt werden: ein kleines, günstiges Modell für Klassifikation, ein spezialisiertes Modell für technische Dokumente und ein leistungsfähigeres System für komplexe Analysen.

Diese Modellvielfalt ist kein Selbstzweck. Sie dient der ökonomischen Optimierung. Die größte verfügbare KI für jede Anfrage einzusetzen, wäre vergleichbar damit, jede Lieferung mit einem Schwerlasttransporter auszuführen. Qualität, Geschwindigkeit, Vertraulichkeit und Kosten müssen zur Aufgabe passen. Routingmechanismen können Anfragen nach Schwierigkeit und Risiko verteilen. Häufig reicht eine regelbasierte Lösung oder klassische Analytik aus; generative KI sollte dort eingesetzt werden, wo sie tatsächlich einen zusätzlichen Nutzen bringt.

Zugleich wächst die Bedeutung von Make-or-buy-Entscheidungen. Standardfunktionen wie Textassistenz, Übersetzung oder Protokollierung lassen sich häufig effizient einkaufen. Wettbewerbskritische Prozesse können eine stärkere eigene Anpassung erfordern. Eigenentwicklung bedeutet dabei nicht zwingend, ein Grundmodell zu trainieren. Der strategische Wert liegt meist in proprietären Daten, Prozesswissen, Integrationen, Evaluationen und der Gestaltung der Nutzererfahrung. Das Grundmodell wird zunehmend austauschbar; die betriebliche Einbettung bleibt schwer kopierbar.

Eine Plattformstrategie senkt zudem die Grenzkosten weiterer Anwendungen. Gemeinsame Identitätsverwaltung, Modellzugänge, Protokolle, Testverfahren und Datenkonnektoren verhindern, dass jeder Fachbereich dieselbe Infrastruktur erneut aufbaut. Zu viel Zentralisierung kann allerdings Innovation bremsen. Erfolgreich ist daher ein föderiertes Modell: zentrale Leitplanken und wiederverwendbare Dienste, kombiniert mit dezentral verantworteten Produkten und Prozessen.

Agenten vergrößern Nutzen und Haftung zugleich

Die nächste Skalierungsstufe besteht nicht nur aus besseren Antworten, sondern aus Systemen, die Handlungen ausführen. KI-Agenten können Informationen beschaffen, Werkzeuge aufrufen, Aufgaben planen, Ergebnisse prüfen und Folgeaktionen starten. Damit verschiebt sich die Technologie vom Assistieren zum teilautonomen Operieren. Der wirtschaftliche Hebel wächst, weil nicht nur einzelne Inhalte, sondern ganze Arbeitssequenzen automatisiert werden können.

Diese Entwicklung verändert zugleich das Risikoprofil. Ein fehlerhafter Textentwurf kann ein Mitarbeiter korrigieren. Ein Agent, der Bestellungen auslöst, Kundendaten verändert oder Produktionsparameter anpasst, kann Schäden unmittelbar verursachen. Mit jedem zusätzlichen Handlungsspielraum steigen daher die Anforderungen an Berechtigungen, Grenzen, Überwachung und Wiederherstellung. Autonomie darf nicht pauschal vergeben werden, sondern muss an die Umkehrbarkeit einer Entscheidung gekoppelt sein.

Ein belastbares Stufenmodell beginnt mit Vorschlägen ohne Ausführung. Danach folgen freigegebene Aktionen, bei denen ein Mensch jeden Schritt bestätigt. In der nächsten Stufe darf der Agent innerhalb enger Betrags-, Daten- oder Prozessgrenzen selbst handeln. Vollständig autonome Abläufe sind nur dort sinnvoll, wo Risiken niedrig, Ergebnisse gut prüfbar und Fehler leicht reversibel sind. Diese Abstufung verhindert, dass Unternehmen zwischen vollständiger Handarbeit und unkontrollierter Autonomie wählen müssen.

Ökonomisch besonders interessant werden Agenten, wenn sie Wartezeiten zwischen Systemen und Abteilungen reduzieren. Viele Verwaltungsprozesse sind nicht deshalb teuer, weil jeder Arbeitsschritt komplex wäre, sondern weil Vorgänge liegen bleiben, Informationen fehlen und Zuständigkeiten wechseln. Ein Agent kann solche Lücken schließen, Daten zusammentragen und den nächsten Schritt auslösen. Der Nutzen entsteht dann weniger durch außergewöhnliche Intelligenz als durch konsequente Ausführung rund um die Uhr.

Gleichzeitig müssen Unternehmen verhindern, dass Agenten lediglich ineffiziente Abläufe schneller durchlaufen. Vor jeder Automatisierung steht die Frage, ob ein Schritt überhaupt erforderlich ist. Sonst digitalisiert die Organisation ihre eigene Bürokratie und erhöht deren Geschwindigkeit, ohne deren Zweck zu überprüfen.

Governance ist keine Bremse, sondern Produktionsinfrastruktur

In frühen Experimenten wird Governance häufig als Einschränkung wahrgenommen. Im großen Maßstab ist sie dagegen eine Voraussetzung für Geschwindigkeit. Wenn Datenklassen, Freigaben, Verantwortlichkeiten und Testverfahren jedes Mal neu verhandelt werden, verlängert sich jedes Projekt. Klare Standards schaffen dagegen einen sicheren Korridor, in dem Teams schneller entwickeln und veröffentlichen können.

Ein wirksames Governance-Modell verbindet strategische, technische und fachliche Verantwortung. Die Unternehmensleitung legt Risikobereitschaft und Wertziele fest. Ein zentrales Kompetenzzentrum stellt Plattform, Methoden und Mindeststandards bereit. Fachbereiche verantworten Prozess, Daten und Ergebnis. Recht, Datenschutz, Informationssicherheit und Arbeitnehmervertretung werden früh eingebunden, statt ein fertiges System nachträglich zu prüfen. Entscheidend ist, dass am Ende eine benannte Person für Nutzen und Risiko jedes produktiven Systems einsteht.

Zum Mindestbestand gehören ein Inventar aller KI-Systeme, eine Klassifikation nach Risiko, dokumentierte Datenquellen, definierte Testfälle, Protokollierung, menschliche Eingriffsmöglichkeiten und ein Verfahren für Vorfälle. Bei generativer KI sind zusätzlich sachliche Richtigkeit, unerwünschte Inhalte, Manipulationsresistenz, Datenschutz und Rechte an Inhalten zu prüfen. Evaluation ist kein einmaliger Abnahmetest. Modelle, Daten und Nutzungsmuster verändern sich, weshalb Qualität im laufenden Betrieb überwacht werden muss.

Für europäische Unternehmen ist diese Fähigkeit auch regulatorisch relevant. Der europäische Rechtsrahmen folgt einem risikobasierten Ansatz. Seit August 2026 sind wesentliche Regeln und Durchsetzungsbefugnisse wirksam; Transparenzpflichten betreffen unter anderem bestimmte KI-Interaktionen und synthetische Inhalte. Für Hochrisikosysteme gelten gestaffelte spätere Fristen, verbunden mit Anforderungen an Risikomanagement, Datenqualität, Dokumentation, menschliche Aufsicht, Robustheit und Cybersicherheit. Unternehmen, die solche Nachweise erst kurz vor einer Prüfung aufbauen, erzeugen teure Parallelstrukturen. Wer sie in die technische Plattform integriert, verbindet Compliance mit besserer Betriebsqualität.

Gute Governance priorisiert nach Risiko und Wert. Ein interner Assistent für unverbindliche Ideensammlungen braucht andere Kontrollen als ein System für Personalentscheidungen oder kritische Infrastruktur. Einheitlich maximale Kontrolle wäre teuer und innovationsfeindlich; minimale Kontrolle wäre fahrlässig. Die Kunst besteht in standardisierten, aber abgestuften Verfahren.

Menschen entscheiden, ob Zeitgewinn zu Leistung wird

KI verändert Arbeit überwiegend auf Aufgabenebene. Weltweit arbeitet etwa jeder vierte Beschäftigte in einem Beruf, der in irgendeinem Maß gegenüber generativer KI exponiert ist. In einkommensstarken Ländern liegt der Anteil höher. Exposition bedeutet jedoch nicht automatisch Stellenabbau. Die meisten Berufe enthalten sowohl automatisierbare als auch schwer automatisierbare Tätigkeiten. Wahrscheinlicher ist deshalb eine Neuverteilung von Aufgaben, Verantwortung und Qualifikationsanforderungen.

Produktivitätsstudien zeigen bei klar umrissenen Tätigkeiten häufig Verbesserungen zwischen zehn und 45 Prozent. In einem großen Feldexperiment mit Softwareentwicklern stieg die durchschnittliche Aufgabenerledigung durch KI-Unterstützung um etwa 26 Prozent. Bei Kundenservice, Textarbeit und Wissensaufgaben profitieren oft weniger erfahrene Beschäftigte besonders stark, weil ihnen das System Teile des impliziten Wissens erfahrener Kollegen zugänglich macht. Diese Ergebnisse belegen ein erhebliches Potenzial, dürfen aber nicht undifferenziert auf ganze Unternehmen übertragen werden.

Die zentrale Managementaufgabe besteht darin, individuelle Zeitgewinne in kollektive Leistung zu überführen. Dafür müssen Rollen, Ziele und Kapazitätsplanung angepasst werden. Wenn ein Team 20 Prozent schneller arbeitet, kann es mehr Fälle bearbeiten, höhere Qualität liefern, zusätzliche Beratung anbieten oder mit weniger externer Unterstützung auskommen. Ohne eine solche Entscheidung bleibt offen, wohin die gewonnene Kapazität fließt.

Weiterbildung darf sich nicht auf Prompt-Techniken beschränken. Beschäftigte müssen Ergebnisse prüfen, Grenzen erkennen, geeignete Aufgaben auswählen und mit Daten verantwortungsvoll umgehen können. Führungskräfte benötigen zusätzlich ein Verständnis für Prozessgestaltung, Messung und Risiko. Fachwissen verliert nicht an Bedeutung; es wird zur Voraussetzung, um maschinelle Vorschläge zu bewerten und Ausnahmen zu behandeln.

Zugleich droht eine neue Form der Dequalifizierung. Wenn Nachwuchskräfte einfache Aufgaben vollständig an KI abgeben, fehlen ihnen möglicherweise Lerngelegenheiten, aus denen später Urteilskraft entsteht. Unternehmen müssen daher bewusst entscheiden, welche Tätigkeiten automatisiert und welche zu Ausbildungszwecken erhalten oder neu gestaltet werden. Kurzfristige Effizienz darf nicht die langfristige Kompetenzbasis untergraben.

Akzeptanz entsteht schließlich nicht durch Kommunikation allein. Nutzer übernehmen ein System, wenn es zuverlässig ist, in ihren Arbeitsablauf passt und einen spürbaren Vorteil bietet. Werden zusätzliche Eingaben, Kontrollen oder Systemwechsel verlangt, sinkt die Nutzung. Veränderungsmanagement muss deshalb am Arbeitsplatz ansetzen: mit beteiligten Anwendern, klaren Rückmeldeschleifen, angepassten Leistungszielen und sichtbarer Unterstützung durch die Führung.

Europas Skalierungsproblem ist zugleich eine strategische Chance

Die KI-Adoption in Europa nimmt deutlich zu, bleibt aber stark nach Ländern, Branchen und Unternehmensgrößen gespalten. 2025 nutzten rund 20 Prozent der EU-Unternehmen KI. In Dänemark lag der Anteil bei etwa 42 Prozent, in Finnland bei knapp 38 Prozent und in Schweden bei rund 35 Prozent. Am unteren Ende standen Rumänien mit gut fünf Prozent sowie Polen und Bulgarien mit jeweils etwa acht bis neun Prozent. Diese Unterschiede spiegeln digitale Infrastruktur, Kompetenzen, Branchenstruktur, Investitionsfähigkeit und institutionelle Rahmenbedingungen wider.

Deutschland lag mit rund 26 Prozent über dem EU-Durchschnitt. Bei großen deutschen Unternehmen erreichte die Nutzung ungefähr 57 Prozent, bei Unternehmen mit zehn bis 49 Beschäftigten etwa 23 Prozent. Damit ist eine solide Ausgangsbasis vorhanden, aber auch eine deutliche Größenlücke. Gerade kleine und mittlere Unternehmen verfügen oft über wertvolles Prozesswissen und spezialisierte Daten, zugleich fehlen ihnen Plattformteams, Risikospezialisten und Investitionsspielräume.

Für den europäischen Mittelstand ist deshalb ein anderer Skalierungsweg sinnvoll als für globale Konzerne. Statt eigener Grundmodelle braucht er sichere Standardplattformen, branchenspezifische Lösungen, gemeinsame Datenräume und externe Betriebsmodelle. Managed AI kann Kompetenzen bündeln, sofern Abhängigkeiten, Datenhoheit und Kosten transparent bleiben. Verbände, Maschinenbauer, Softwareanbieter und Forschungseinrichtungen können wiederverwendbare Komponenten für ganze Wertschöpfungsnetze bereitstellen.

Europas Stärke liegt weniger in maximaler Plattformgröße als in industriellem Wissen, regulierten Märkten und komplexen B2B-Prozessen. Maschinenbau, Logistik, Energie, Mobilität, Gesundheit und professionelle Dienstleistungen besitzen große Mengen domänenspezifischer Erfahrung. Wird dieses Wissen strukturiert, mit Betriebsdaten verbunden und in verlässliche KI-Produkte übersetzt, entsteht ein Wettbewerbsvorteil, der sich nicht allein durch ein größeres Sprachmodell kopieren lässt.

Regulierung ist dabei weder automatisch Vorteil noch Nachteil. Sie erhöht zunächst Aufwand und kann kleine Anbieter überproportional belasten. Gleichzeitig schafft sie Anforderungen an Nachvollziehbarkeit, Sicherheit und Kontrolle, die in industriellen und kritischen Anwendungen ohnehin notwendig sind. Unternehmen, die vertrauenswürdige Systeme effizient betreiben können, erschließen damit Märkte, in denen reine Geschwindigkeit nicht genügt.

Rechenleistung wird vom Nebenthema zum Kosten- und Standortfaktor

Die Skalierung von KI hat eine physische Grundlage. Rechenzentren verbrauchten 2024 weltweit rund 415 Terawattstunden Strom und damit etwa 1,5 Prozent des globalen Stromverbrauchs. Bis 2030 könnte sich dieser Bedarf auf ungefähr 945 Terawattstunden mehr als verdoppeln. Beschleunigte Server, die besonders für KI eingesetzt werden, gehören zu den wichtigsten Treibern. Parallel sinken zwar die Kosten einzelner Rechenoperationen stark, doch die wachsende Zahl und Komplexität der Anwendungen kann diese Effizienzgewinne überkompensieren.

Für Unternehmen bedeutet das, dass Rechenleistung nicht dauerhaft als unsichtbare, unbegrenzt verfügbare Cloud-Ressource behandelt werden kann. Preise, Verfügbarkeit, Datenstandort, Netzkapazität und Energieherkunft werden Teil der Architekturentscheidung. Bei umfangreicher Nutzung beeinflussen Inferenzkosten die Wirtschaftlichkeit eines Anwendungsfalls unmittelbar. Besonders agentische Systeme können viele Modellaufrufe für eine einzige Aufgabe erzeugen und dadurch Kosten vervielfachen.

Effizienz wird daher zu einem Bestandteil guter KI-Führung. Dazu gehören kleinere geeignete Modelle, Zwischenspeicherung wiederkehrender Ergebnisse, kürzere Eingaben, intelligente Aufgabenzuweisung und eine bewusste Begrenzung unnötiger Generierung. Auch die Frage, ob eine Aufgabe überhaupt ein generatives Modell benötigt, gewinnt an Bedeutung. Klassische Software, statistische Verfahren oder einfache Regeln sind oft günstiger, schneller und leichter zu prüfen.

Auf volkswirtschaftlicher Ebene kann die Verfügbarkeit von Strom und Rechenzentren die regionale Wettbewerbsfähigkeit beeinflussen. Die größten Zuwächse beim Strombedarf werden bis 2030 in den Vereinigten Staaten und China erwartet; Europa wächst langsamer, bleibt aber ein wichtiger Markt. Standorte mit leistungsfähigen Netzen, planbaren Genehmigungen, wettbewerbsfähiger Energie und guter Datenanbindung erhalten einen Vorteil. Zugleich steigt der Druck, zusätzliche Kapazitäten klimaverträglich zu decken.

Der Energiebedarf relativiert nicht den Nutzen der KI, zwingt aber zu einer vollständigen Rechnung. Ein System, das Material, Transporte oder Anlagenstillstände reduziert, kann weit mehr Ressourcen einsparen, als es verbraucht. Eine Anwendung ohne klaren Zweck erzeugt dagegen zusätzliche digitale Aktivität ohne entsprechenden Gegenwert. Nachhaltigkeit und Wirtschaftlichkeit treffen sich deshalb in derselben Frage: Welche Rechenarbeit erzeugt tatsächlich Wert?

Skalierung verlangt ein neues Managementsystem

Ein belastbares KI-Betriebsmodell verbindet Strategie, Portfolio, Plattform, Governance, Talent und Wertmessung. Diese Elemente dürfen nicht als getrennte Programme geführt werden. Eine Strategie ohne Plattform produziert Folien. Eine Plattform ohne priorisierte Wertströme produziert ungenutzte Infrastruktur. Governance ohne Produktverantwortung produziert Formulare. Schulung ohne veränderte Prozesse produziert begeisterte Einzelnutzer, aber keine Unternehmenswirkung.

Die Leitung muss zunächst wenige wirtschaftliche Ziele definieren, etwa kürzere Lieferzeiten, höhere Anlagenverfügbarkeit, schnelleres Wachstum in einem Kundensegment oder niedrigere Bearbeitungskosten. Daraus werden priorisierte Prozessfelder abgeleitet. Jedes Feld erhält einen verantwortlichen Geschäftseigentümer, ein interdisziplinäres Produktteam und messbare Ausgangswerte. Die technische Plattform liefert standardisierte Zugänge zu Modellen, Daten, Sicherheit und Evaluation.

In der Umsetzung ist ein Produktansatz wirksamer als ein klassisches Projektdenken. Ein KI-System ist nach der ersten Einführung nicht fertig. Nutzerverhalten, Daten, Modellversionen und Geschäftsregeln verändern sich. Das Team muss beobachten, testen und verbessern. Finanzierung sollte daher nicht nur Entwicklung, sondern auch Betrieb, Qualitätssicherung und Weiterentwicklung abdecken.

Skalierung erfolgt anschließend über wiederverwendbare Muster. Hat ein Unternehmen beispielsweise eine sichere Dokumentenverarbeitung für Verträge aufgebaut, lassen sich Teile davon für Rechnungen, technische Spezifikationen oder Reklamationen nutzen. Hat es eine Evaluationsumgebung für Sprachmodelle geschaffen, kann diese mehrere Produkte prüfen. Jeder erfolgreiche Anwendungsfall sollte deshalb nicht nur lokalen Nutzen liefern, sondern die gemeinsame Fähigkeit des Unternehmens erweitern.

Ebenso wichtig ist ein konsequenter Ausstieg. Anwendungen, die nach einer definierten Frist keine ausreichende Wirkung zeigen, sollten beendet oder grundlegend verändert werden. In vielen Organisationen laufen Piloten weiter, weil niemand ihr Scheitern erklären möchte. Dadurch binden sie Budget und Aufmerksamkeit. Eine reife Innovationskultur betrachtet den Abbruch nicht als Niederlage, sondern als disziplinierte Kapitalallokation.

Der eigentliche Wettbewerb entscheidet sich nach dem Modell

Die Leistungsfähigkeit von KI-Modellen wird weiter steigen, während vergleichbare Funktionen breiter und günstiger verfügbar werden. Dadurch verschiebt sich der Wettbewerbsvorteil. Der bloße Zugang zu einem leistungsfähigen Modell ist selten dauerhaft exklusiv. Wertvoller sind einzigartige Daten, tiefes Prozesswissen, eine lernfähige Organisation, integrierte Kundenbeziehungen und die Fähigkeit, Systeme sicher zu betreiben.

Unternehmen sollten deshalb nicht fragen, welches Modell sie besitzen, sondern welche organisatorische Fähigkeit sie aufbauen. Können sie einen Prozess schneller neu gestalten als Wettbewerber? Können sie aus Rückmeldungen systematisch lernen? Können sie Qualität und Risiko in Echtzeit messen? Können sie neue Modelle austauschen, ohne ihre Anwendungen neu zu entwickeln? Und gelingt es ihnen, Mitarbeiter so einzubinden, dass aus technischer Unterstützung bessere Entscheidungen entstehen?

Die gesamtwirtschaftlichen Erwartungen müssen dabei nüchtern bleiben. Schätzungen für den zusätzlichen jährlichen Produktivitätszuwachs durch KI in den G7 reichen je nach Annahmen über Verbreitung und Umsetzung ungefähr von 0,2 bis 1,3 Prozentpunkten über das kommende Jahrzehnt. Diese Spannweite ist groß, weil makroökonomische Wirkung nicht aus Modellleistung allein folgt. Sie hängt von Investitionen, Kompetenzen, Unternehmensdynamik, Wettbewerb und der Geschwindigkeit organisatorischer Anpassung ab.

Auch auf Unternehmensebene wird sich der Wert ungleich verteilen. Frühe Nutzer gewinnen nicht automatisch. Entscheidend ist, ob sie schneller lernen als die Technologie veraltet. Späte Nutzer verlieren nicht zwangsläufig, wenn sie bewährte Lösungen effizient übernehmen. Der größte Abstand entsteht zwischen Organisationen, die KI als fortlaufende Transformation ihrer Wertschöpfung verstehen, und solchen, die sie als Sammlung zusätzlicher Softwarewerkzeuge behandeln.

Echte Wertschöpfung beginnt daher mit einer unbequemen Einsicht: KI skaliert nicht, weil ein Modell intelligenter wird. Sie skaliert, wenn das Unternehmen präziser entscheidet, was automatisiert werden soll, seine Prozesse konsequent umbaut, Daten verlässlich organisiert, Verantwortung eindeutig verteilt und jede Wirkung bis in die betriebswirtschaftliche Rechnung verfolgt. Technologie eröffnet die Möglichkeit. Management entscheidet, ob daraus Produktivität, Wachstum und Wettbewerbsfähigkeit werden.

Die Gewinner der nächsten Phase werden nicht die Unternehmen mit den meisten Piloten sein. Es werden jene sein, die aus wenigen priorisierten Anwendungen ein wiederholbares System der Wertschöpfung entwickeln. Sie behandeln KI weder als Wunderwaffe noch als gewöhnliches IT-Upgrade, sondern als neue Produktions- und Entscheidungsinfrastruktur. Genau dort endet das Potenzial und beginnt der ökonomische Wert.

Von Sichtbarkeit zu Vertrauen: Ihr skalierbarer Weg mit Xpert.Digital - Bild: Xpert.Digital

Im industriellen B2B entstehen tragfähige Geschäftsbeziehungen selten über Nacht. Sie entwickeln sich Schritt für Schritt – über Sichtbarkeit, fachliche Relevanz, wiederkehrende Berührungspunkte und wachsendes Vertrauen. Das 4-Stufen-Modell von Xpert.Digital setzt genau hier an: Es bietet einen strukturierten Weg, der mit einem überschaubaren Einstieg beginnt und sich bei Bedarf zu einer vertieften Zusammenarbeit im Business Development entwickeln kann.

Statt auf laute Marketingversprechen zu setzen, rückt dieses Modell die Beziehung in den Mittelpunkt. Unternehmen steigen mit klar umrissenen, gut kalkulierbaren Maßnahmen ein und entscheiden dann auf Basis eigener Erfahrung, wie weit sie die Zusammenarbeit ausbauen möchten. Ein wesentlicher Faktor für diesen ungestörten Vertrauensaufbau: Die Plattform verzichtet komplett auf nervige Werbe-Ads, sodass der redaktionelle Fokus allein auf der Expertise der Unternehmen liegt.

Mehr dazu hier:

• Von Sichtbarkeit zu Vertrauen: Ihr skalierbarer Weg mit Xpert.Digital

☑️ Unsere Geschäftssprache ist Englisch oder Deutsch

☑️ NEU: Schriftverkehr in Ihrer Landessprache!

Konrad Wolfenstein

Gerne stehe ich Ihnen und mein Team als persönlicher Berater zur Verfügung.

Sie können mit mir Kontakt aufnehmen, indem Sie hier das Kontaktformular ausfüllen oder rufen Sie mich einfach unter +49 7348 4088 965 an. Meine E-Mail Adresse lautet: wolfenstein∂xpert.digital

Ich freue mich auf unser gemeinsames Projekt.

☑️ KMU Support in der Strategie, Beratung, Planung und Umsetzung

☑️ Erstellung oder Neuausrichtung der Digitalstrategie und Digitalisierung

☑️ Ausbau und Optimierung der internationalen Vertriebsprozesse

☑️ Globale & Digitale B2B-Handelsplattformen

☑️ Pioneer Business Development / Marketing / PR / Messen