Hört auf, KI als Strategie zu betrachten

Ein Vorstandsvorsitzender fordert alle Geschäftsbereiche auf, einen Plan zum Einsatz künstlicher Intelligenz zu erstellen. Innerhalb weniger Wochen verfügt das Unternehmen über eine ganze Reihe vielversprechender Ideen: automatisierter Kundenservice, synthetische Marketinginhalte, schnellere Finanzberichterstattung, intelligente Suchfunktionen und ein interner Assistent, der die Fragen der Mitarbeiter beantworten kann.

Die Liste sorgt für Schwung, aber nicht unbedingt für eine Strategie.

Jedes Projekt mag zwar zeigen, dass die Technologie funktioniert, doch keines beantwortet die schwierigeren wirtschaftlichen Fragen. Welches Kundenproblem ist dringlicher geworden? Wo verliert das Unternehmen an Marge, Geschwindigkeit oder Marktanteil? Welcher Arbeitsablauf sollte neu gestaltet und nicht nur beschleunigt werden? Welcher Vorteil bleibt bestehen, sobald Wettbewerber Zugang zu vergleichbaren Modellen erwerben können?

An dieser Stelle verlieren viele KI-Programme in Unternehmen zunehmend ihre Ausrichtung. Das Unternehmen betrachtet die Einführung als Beweis für Fortschritte, zählt Pilotprojekte und Nutzerlizenzen und bezeichnet KI als strategische Priorität. Was es jedoch nicht festgelegt hat, ist die Geschäftsstrategie, der die KI dienen soll.

Diese Unterscheidung gewinnt mit der zunehmenden Verbreitung von Experimenten an Bedeutung. Die weltweite Umfrage von McKinsey aus dem Jahr 2025 ergab, dass fast neun von zehn Befragten angaben, KI regelmäßig in ihrem Unternehmen einzusetzen, doch die meisten Unternehmen hatten nach wie vor Schwierigkeiten, die Ergebnisse ihrer Experimente in unternehmensweite Auswirkungen umzusetzen. Nur rund 39 Prozent gaben an, messbare Auswirkungen auf das Ergebnis vor Zinsen und Steuern (EBIT) zu verzeichnen, und die meisten von ihnen führten weniger als fünf Prozent des EBIT auf KI zurück.

Diese Kluft bedeutet nicht, dass KI keinen Wert hat. Sie zeigt vielmehr, dass der Zugang zu dieser Technologie einfacher wird als die organisatorischen Anstrengungen, die erforderlich sind, um sie zu nutzen.

KI kann die Strategie unterstützen, die Wirtschaftlichkeit eines Prozesses verändern und gelegentlich ein neues Geschäftsmodell ermöglichen. Sie ist jedoch kein Ersatz für die Entscheidung, in welchen Bereichen das Unternehmen im Wettbewerb stehen wird, welche Kunden es bedienen wird oder warum es sich durchsetzen sollte.

Beginnen Sie mit den geschäftlichen Rahmenbedingungen

Ein nützliches KI-Programm beginnt mit einem Problem, dessen wirtschaftliche Auswirkungen bereits bekannt sind.

Ein Hersteller verliert möglicherweise Produktionszeit, weil Wartungsteams den Verschleiß an Anlagen nicht früh genug erkennen können. Ein Versicherer beschäftigt möglicherweise qualifizierte Risikoprüfer, die einen Großteil ihres Arbeitstages damit verbringen, Informationen aus Dokumenten zu extrahieren. Ein Dienstleistungsunternehmen weiß vielleicht, dass seine Experten wertvolles Wissen erarbeitet haben, kann dieses jedoch nicht schnell genug abrufen, um es wiederzuverwenden. Ein Einzelhändler hat möglicherweise übermäßige Lagerbestände, weil Prognosen zu langsam auf die lokale Nachfrage reagieren.

Dabei handelt es sich um strategische oder operative Einschränkungen. KI spielt erst dann eine Rolle, wenn das Unternehmen ermittelt hat, welche Entscheidung, welche Aufgabe oder welche Informationslücke zum Problem beiträgt.

Der Unterschied zeigt sich im Kundenservice. “Einführung eines KI-Chatbots” ist eine technologische Initiative. “Verkürzung der Bearbeitungszeit für routinemäßige Kontoanfragen bei gleichzeitiger Gewährleistung des Zugangs zu einem qualifizierten Mitarbeiter für komplexe Fälle oder schutzbedürftige Kunden” ist ein geschäftliches Ziel.

Die zweite Formulierung legt das Ergebnis, die Kundengrenze und eines der Hauptrisiken fest. Sie ermöglicht es dem Unternehmen, KI mit anderen Maßnahmen zu vergleichen, darunter übersichtlichere Rechnungen, bessere Mitarbeiterschulungen, eine verbesserte Website-Navigation oder die Abschaffung eines Prozesses, der unnötige Anrufe verursacht.

Ohne diesen Schritt automatisieren Unternehmen häufig nur die Symptome. Der Chatbot beantwortet Fragen, die durch unklare Richtlinien entstehen; das Zusammenfassungstool verarbeitet Berichte, die niemand braucht; und der interne Assistent durchsucht eine fragmentierte Wissensdatenbank, deren zugrunde liegende Informationen veraltet sind.

KI kann einen schlechten Prozess beschleunigen. Das macht den Prozess jedoch nicht wertvoller.

Strategie von Anwendungsfall und Plattform unterscheiden

Führungsteams fassen oft drei separate Entscheidungen zu einer einzigen zusammen.

Die Strategie definiert das geschäftliche Ziel: die Kundenbindung bei profitablen Kunden zu verbessern, ungeplante Produktionsausfälle zu reduzieren oder die Zeit bis zur Markteinführung eines Produkts zu verkürzen.

Die Anwendungsfall beschreibt die Aufgaben, die KI übernehmen kann: das Vorhersagen von Geräteausfällen, das Zusammenfassen technischer Unterlagen oder das Erstellen eines ersten Produktentwurfs.

Die Plattform stellt die Modelle, die Dateninfrastruktur und die Werkzeuge bereit, mit denen dieser Anwendungsfall umgesetzt wird.

Die Reihenfolge ist entscheidend. Wenn Unternehmen zunächst eine breit angelegte KI-Plattform erwerben, können sie sich unter Druck gesetzt fühlen, genügend Anwendungsfälle zu finden, um diese Investition zu rechtfertigen. Das Technologieportfolio bestimmt dann die geschäftlichen Prioritäten, anstatt diese zu unterstützen.

Der gegenteilige Fehler besteht darin, Hunderte von nicht aufeinander abgestimmten Tools zuzulassen. Die Mitarbeiter lösen lokale Probleme zwar schnell, doch im Unternehmen häufen sich doppelte Verträge, uneinheitliche Sicherheitskontrollen und Datenflüsse durch Systeme an, die für die zentrale Unternehmensleitung nicht einsehbar sind.

Ein diszipliniertes Unternehmen unterhält eine relativ kleine technologische Basis und ermöglicht es den Geschäftsbereichen gleichzeitig, Anwendungsfälle anhand gemeinsamer Kriterien vorzuschlagen. Diese Basis kann genehmigte Modelle, Identitätskontrollen, sicheren Zugriff auf Unternehmensdaten sowie Überwachungs- und Beschaffungsstandards umfassen. Sie sollte Experimente ermöglichen, ohne im Voraus festzulegen, wo der Mehrwert liegt.

Die Technologiearchitektur ist wichtig, gewinnt jedoch erst dann strategische Bedeutung, wenn sie mit den Entscheidungen des Unternehmens in Bezug auf Kunden, Wirtschaftlichkeit und Fähigkeiten verknüpft wird.

Investitionen dort konzentrieren, wo sich die Wirtschaftlichkeit abzeichnet

Die Begeisterung für generative KI hat Unternehmen dazu veranlasst, bescheidene Investitionen auf viele verschiedene Bereiche zu verteilen. Dies führt zu einer beeindruckenden Anzahl von Pilotprojekten, aber zu einer geringen Konzentration.

Die BCG-Studie aus dem Jahr 2024 stufte 49 Prozent der befragten Unternehmen als Unternehmen ein, die sich noch weitgehend in der Proof-of-Concept-Phase befanden, während nur vier Prozent sogenannte ausgereifte KI-Wertschöpfungsmotoren entwickelt hatten. Die Unternehmen, die bessere Ergebnisse vermeldeten, konzentrierten ihre Bemühungen in der Regel auf eine begrenzte Anzahl von Kerngeschäftsprozessen, anstatt ihre Ressourcen gleichmäßig auf zahlreiche kleine Initiativen zu verteilen.

Ein aussagekräftiges Portfolio sollte verschiedene Arten von Bewerbungen enthalten, muss jedoch eine klare Hierarchie aufweisen.

Manche Anwendungen steigern die persönliche Produktivität: das Verfassen von Routinetexten, das Zusammenfassen von Besprechungen oder das Durchsuchen von Dokumenten. Dies kann bei einer großen Belegschaft Zeit sparen, allerdings ist der Nutzen oft verstreut und lässt sich nur schwer realisieren, solange das Unternehmen die Art und Weise, wie diese Zeit genutzt wird, nicht ändert.

Andere Anwendungen optimieren einen bestimmten Arbeitsablauf. Sie können die Bearbeitung von Schadensfällen beschleunigen, Fehlalarme bei Betrugsfällen reduzieren oder Ingenieuren bei der Fehlerdiagnose helfen. Ihr Nutzen lässt sich in der Regel anhand von Zeit, Kosten, Genauigkeit, Durchsatz oder Kundenergebnissen messen.

Die strategisch bedeutendsten Anwendungen verändern die Wirtschaftlichkeit eines Produkts oder Geschäftsmodells. Mithilfe von KI könnte ein Unternehmen ein bisher unrentables Kundensegment bedienen, eine Dienstleistung in großem Maßstab personalisieren oder einen Datenvorteil schaffen, der sich mit zunehmender Nutzung verbessert.

Das Unternehmen muss nicht jede Initiative als transformativ betrachten. Es muss jedoch wissen, zu welcher Kategorie die jeweilige Initiative gehört, und sie entsprechend finanzieren.

Ein Assistenzprogramm für Mitarbeiter sollte nicht dieselbe Aufmerksamkeit seitens der Führungskräfte erhalten wie ein System, das die Risikoprüfungsentscheidungen im gesamten Versicherungsportfolio beeinflussen könnte.

Gestalten Sie den Arbeitsablauf neu, anstatt einen weiteren Bildschirm hinzuzufügen

Viele Unternehmen integrieren KI in einen bestehenden Prozess, ohne den Prozess selbst zu ändern.

Ein Mitarbeiter erhält eine von einer KI erstellte Zusammenfassung, muss diese jedoch weiterhin manuell in ein anderes System kopieren. Ein Modell empfiehlt eine Entscheidung, doch es sind nach wie vor genauso viele Genehmigungsschritte erforderlich. Ein Kundendienstmitarbeiter schlägt eine Antwort vor, doch der Mitarbeiter muss mehrere Datenbanken durchsuchen, um diese zu überprüfen.

Die Technologie führt zu einem zusätzlichen Schritt, anstatt einen zu eliminieren.

Die Untersuchung von McKinsey zu Unternehmen, die mit generativer KI Mehrwert schaffen, identifiziert die Neugestaltung von Arbeitsabläufen als eine der Maßnahmen, die am stärksten mit einer positiven Wirkung verbunden sind. Zu den weiteren wichtigen Maßnahmen zählen die Einbindung der Technologie in die täglichen Systeme, die Erstellung klarer Roadmaps für die Einführung, die Schulung der Mitarbeiter entsprechend ihrer jeweiligen Rolle sowie die Überwachung klar definierter Leistungsindikatoren.

Die Neugestaltung von Arbeitsabläufen beginnt damit, dass man sich einen Überblick darüber verschafft, wie die Arbeit derzeit erledigt wird. Welche Tätigkeiten erfordern eine Ermessensentscheidung? Welche entstehen, weil Informationen schwer zu beschaffen sind? An welchen Stellen wartet der Prozess auf eine Genehmigung, und welche Fehler führen später zu Nacharbeit?

Das Unternehmen kann dann entscheiden, welche Schritte durch KI automatisiert, welche unterstützt und welche weiterhin unter menschlicher Kontrolle bleiben sollen.

Ein Hypothekengeber kann beispielsweise KI einsetzen, um Informationen aus Dokumenten zu extrahieren und Unstimmigkeiten zu kennzeichnen, während die Verantwortung für Kreditentscheidungen und Sonderfälle weiterhin beim Menschen liegt. Der Vorteil liegt nicht allein in der schnelleren Auswertung von Dokumenten. Er ergibt sich vielmehr aus der Neugestaltung des Arbeitsablaufs, sodass Kreditprüfer mehr Zeit für die Risikobewertung und weniger Zeit für die Zusammenstellung von Unterlagen aufwenden.

Das Betriebsmodell muss auch festlegen, was geschieht, wenn das Modell unsicher ist. Ein KI-System, das Routinefälle effizient bearbeitet, kann dennoch wirtschaftlich scheitern, wenn seine Ausnahmefälle in eine unterbesetzte Warteschlange ohne klaren Verantwortlichen geleitet werden.

Weisen Sie jeder Initiative einen Verantwortlichen zu

KI-Programme werden oft von Technologieteams geleitet, da diese Teams die Infrastruktur und die Lieferanten kennen. Die Verantwortung für die Technologie ist zwar notwendig, reicht aber nicht aus.

Der für den kaufmännischen Prozess verantwortliche Führungskraft sollte die Verantwortung für das Ergebnis übernehmen.

Wird KI im Beschaffungswesen eingesetzt, sollte der Leiter der Beschaffungsabteilung dafür verantwortlich sein, dass sich die Lieferantenentscheidungen verbessern. Unterstützt sie das Marketing, sollte der Marketingleiter für die Konversionsrate, die Markenqualität und die Kundenakquisitionskosten Rechenschaft ablegen. Die IT-Abteilung bleibt weiterhin für Architektur, Sicherheit und Zuverlässigkeit verantwortlich, sollte jedoch nicht dazu aufgefordert werden, im Auftrag einer anderen Abteilung einen Business Case zu erstellen.

Jede Initiative benötigt einen namentlich benannten Verantwortlichen, der die Entscheidungsgewalt über den Arbeitsablauf, das Budget und die Umsetzung hat. Dieser Verantwortliche sollte vor der Umsetzung die Ausgangsbasis festlegen und vereinbaren, wie der Nutzen gemessen werden soll.

Ohne einen Vergleichswert lässt sich fast jedes Pilotprojekt als erfolgreich bezeichnen. Die Mitarbeiter mögen sagen, es komme ihnen schneller vor, die Vorführung mag gut funktionieren und die Führungskräfte mögen Gefallen daran finden, es zu nutzen. Keine dieser Beobachtungen belegt jedoch einen finanziellen Nutzen.

Die relevante Kennzahl hängt von der jeweiligen Anwendung ab. Dabei kann es sich um die Kosten pro gelöster Anfrage, Ausfallzeiten im Produktivbetrieb, entgangene Ansprüche, die durchschnittliche Dauer des Verkaufszyklus oder den Anteil der Entwicklungszeit handeln, der für sich wiederholende Arbeiten aufgewendet wird.

Das Unternehmen muss zudem entscheiden, wie dieser Mehrwert umgesetzt werden soll. Wenn einem Mitarbeiter zehn Minuten Arbeit erspart werden, führt dies nicht automatisch zu einer Kostensenkung oder einer Umsatzsteigerung. Die eingesparte Zeit muss gebündelt, für wertschöpfendere Tätigkeiten genutzt oder in einem höheren Durchsatz zum Ausdruck kommen.

Ein überzeugender Business Case legt nicht nur dar, wie viel Zeit durch KI eingespart werden könnte, sondern auch, was das Unternehmen mit dieser Zeit anfangen wird.

Datenbereitschaft ist eine strategische Entscheidung

Unternehmen beschreiben Datenqualität häufig als ein technisches Hindernis, das erst während der Implementierung entdeckt wird. In Wirklichkeit spiegelt sie jedoch jahrelange geschäftliche Entscheidungen wider.

Kundendaten können doppelt vorhanden sein, da regionale Einheiten unterschiedliche Definitionen verwenden durften. Produktdaten können unvollständig sein, da kein Führungskraft für deren Pflege verantwortlich war. Wertvolles Wissen bleibt möglicherweise in persönlichen Dateien gespeichert, da Anreize eher die individuelle Aneignung als die organisationsweite Wiederverwendung begünstigten.

KI deckt diese Schwächen auf, da Modelle auf zugängliche, relevante und ausreichend zuverlässige Informationen angewiesen sind. Ein ausgeklügeltes System, das mit minderwertigen Daten gefüttert wird, liefert zwar schnell und selbstbewusst Antworten, diese sind jedoch nicht korrekt.

Die Lösung besteht nicht darin, jeden Datensatz vor Beginn zu bereinigen. Das kann zu einem kostspieligen Unterfangen ohne klares Ende werden. Das Unternehmen sollte die für seine vorrangigen Anwendungsfälle erforderlichen Informationen verbessern und dafür eine feste Zuständigkeit festlegen.

Bei einer Vertriebsanwendung kann dies bedeuten, festzulegen, welche Kundeninteraktionen erfasst werden müssen, wer einen Datensatz ändern darf und wie schnell veraltete Informationen korrigiert werden sollten. Bei einem industriellen Modell kann dies eine einheitliche Sensorkalibrierung sowie einheitliche Wartungsetiketten und Gerätekennungen standortübergreifend beinhalten.

Die Datenverwaltung sollte sich am geschäftlichen Nutzen orientieren. Die Informationen, die für die Preisgestaltung, das Risikomanagement, die Kunden und den operativen Betrieb am wichtigsten sind, verdienen die strengsten Verantwortlichkeiten und Qualitätskontrollen.

Das gleiche Prinzip gilt für firmeneigene Daten als Wettbewerbsvorteil. Viele Unternehmen gehen davon aus, dass sie sich durch den Besitz großer Datenmengen von der Konkurrenz abheben können. Dies ist jedoch nur dann der Fall, wenn die Daten rechtmäßig nutzbar, für die Entscheidungsfindung relevant und so gut strukturiert sind, dass sie zur Verbesserung des Systems beitragen.

Verwechseln Sie den Zugang zum Geschäftsmodell nicht mit einem Wettbewerbsvorteil

Die meisten Unternehmen können sich den Zugang zu ähnlichen Basismodellen erkaufen. Da sich diese Modelle verbessern und die Preise sinken, verliert das Modell selbst als Quelle für eine dauerhafte Differenzierung an Bedeutung.

Ein Wettbewerbsvorteil ergibt sich eher daraus, wie das Unternehmen Technologie mit firmeneigenen Informationen, Fachwissen, Vertriebskanälen und neu gestalteten Prozessen kombiniert.

Eine Bank und ein Einzelhändler können zwar dasselbe Sprachmodell verwenden, doch der Nutzen für die Bank hängt davon ab, wie gut es in ihre Risikorichtlinien, Kundenakten und vorgeschriebenen Genehmigungsverfahren integriert wird. Der Vorteil für den Einzelhändler hängt möglicherweise von Nachfragedaten, Lieferantenbeziehungen und der Fähigkeit ab, Entscheidungen zum Lagerbestand schnell anzupassen.

Die schwierige Arbeit liegt im Umfeld des Modells: Datenaufbereitung, Systemintegration, Auswertung, Gestaltung von Arbeitsabläufen und Akzeptanz bei den Mitarbeitern.

Das bedeutet auch, dass ein Modellwechsel erforderlich werden könnte. Anforderungen hinsichtlich Leistung, Preis, Regulierung und Datenspeicherort werden sich ändern. Eine Architektur, die auf einen einzigen Anbieter ausgelegt ist, kann später teuer in der Anpassung werden, insbesondere wenn Eingabeaufforderungen, Auswertungssysteme und Anwendungen eng mit proprietären Funktionen verknüpft sind.

Unternehmen müssen strategische Technologiepartner nicht meiden, sollten sich jedoch darüber im Klaren sein, wo Abhängigkeiten entstehen. In Verträgen sollten die Datennutzung, das Modelltraining, Prüfungsrechte, die Dienstkontinuität und die praktische Möglichkeit einer Migration geregelt werden.

Das Ziel ist keine theoretische Anbieterneutralität. Es geht vielmehr um genügend Einfluss, um zu verhindern, dass die KI-Plattform zur unhinterfragten Strategie des Unternehmens wird.

Die Unternehmensführung sollte sich an der risikobehafteten Entscheidung orientieren

Einige Unternehmen reagieren auf KI-Risiken mit der Einrichtung eines zentralen Ausschusses, der jedes Experiment überprüft. Die Folge sind häufig Verzögerungen, informelle Umgehungsversuche und Mitarbeiter, die nicht genehmigte Tools außerhalb des offiziellen Prozesses nutzen.

Andere legen allgemeine Grundsätze fest und überlassen es den einzelnen Teams, diese auszulegen, was zu uneinheitlichen Kontrollmaßnahmen führt.

Ein proportionales Modell geht von den Folgen eines Fehlers aus.

Ein internes Tool, das einem Mitarbeiter beim Überarbeiten einer Präsentation hilft, birgt andere Risiken als ein System, das medizinische Behandlungen empfiehlt, über die Gewährung von Krediten entscheidet oder direkt mit schutzbedürftigen Kunden kommuniziert. Die Governance sollte strenger gestaltet werden, je mehr Autonomie das System gewinnt, je mehr sensible Informationen es verarbeitet oder je folgenreichere Entscheidungen es beeinflusst.

Das NIST-Rahmenwerk für das Risikomanagement im Bereich KI gliedert diese Arbeit in vier fortlaufende Funktionen: Steuerung, Erfassung, Messung und Management. Sein Profil zur generativen KI befasst sich zudem mit Risiken wie Konfabulation, Datenschutz, Informationssicherheit, schädlichen Verzerrungen, geistigem Eigentum und übermäßiger Abhängigkeit des Menschen.

In der Praxis sollte das Unternehmen den Verwendungszweck, die betroffenen Daten, den Entscheidungsträger, Leistungstests und das Eskalationsverfahren dokumentieren. Es sollte wissen, ob die Ergebnisse beratenden oder verbindlichen Charakter haben, welche Personen das System außer Kraft setzen können und wie Vorfälle protokolliert werden.

Modelle müssen nach ihrer Einführung überwacht werden, da sich das Nutzerverhalten, die Daten und die Betriebsbedingungen ändern. Ein System, das während der Testphase gut funktioniert hat, kann an Leistung einbüßen, sobald Kunden lernen, damit umzugehen, oder Mitarbeiter beginnen, es für Aufgaben außerhalb seines ursprünglichen Anwendungsbereichs zu nutzen.

Governance ist also nicht die Genehmigungssitzung, die vor dem Start stattfindet. Es ist die operative Disziplin, die danach fortbesteht.

Die Einführung ist Aufgabe der Geschäftsleitung

Ein KI-Tool kann technisch ausgereift und dennoch wirtschaftlich irrelevant sein, weil die Mitarbeiter es entweder gar nicht oder nur unzureichend nutzen.

Die Einführung scheitert, wenn die Mitarbeiter eine allgemeine Demonstration erhalten, ohne zu verstehen, wie sich ihre Rolle verändern wird. Sie scheitert auch, wenn die Unternehmensleitung KI lediglich als Effizienzprogramm beschreibt und die Mitarbeiter Effizienz verständlicherweise als Bedrohung für ihre Arbeitsplätze interpretieren.

Führungskräfte sollten das geplante Betriebsmodell genau erläutern. Welche Aufgaben werden voraussichtlich wegfallen? Welche Entscheidungen bleiben in menschlicher Hand? Wie wird die Leistung bewertet, wenn der Output steigt? Welche Unterstützung steht zur Verfügung, wenn das Tool ausfällt?

Rollenbasiertes Training ist effektiver als allgemeine Begeisterung. Ein Rechtsanwalt muss die Grundsätze der Vertraulichkeit, der Quellenüberprüfung und der beruflichen Verantwortung verstehen. Ein Vertriebsmitarbeiter muss wissen, wann eine vorgeschlagene Botschaft irreführend wird. Ein Manager muss Automatisierungsverzerrungen erkennen und eine Empfehlung hinterfragen, anstatt das Modell als Autorität zu betrachten.

Führungskräfte müssen die von ihnen befürworteten Systeme auch selbst nutzen. Das Engagement der Führungsebene ist nicht deshalb wichtig, weil jeder Geschäftsführer ein Experte im Verfassen von Prompts werden sollte, sondern weil die sichtbare Nutzung praktische Grenzen aufzeigt und signalisiert, dass die Einführung Teil eines betrieblichen Wandels ist und nicht nur eine isolierte IT-Maßnahme.

Das Unternehmen sollte den Mitarbeitern einen einfachen Weg bieten, um fehlerhafte Ergebnisse, Sicherheitsbedenken und Probleme im Arbeitsablauf zu melden. Das Feedback muss das Produkt- oder Implementierungsteam schnell genug erreichen, damit das System verbessert werden kann.

Die Einführung von KI ist nicht abgeschlossen, sobald die Lizenzen vergeben sind. Sie ist erst dann abgeschlossen, wenn das neue Verhalten zur normalen Vorgehensweise bei der Erledigung wertvoller Arbeit geworden ist.

Messwert auf drei Ebenen

Die erste Ebene ist technische Leistung. Liefert das System unter realistischen Bedingungen ausreichend genaue, zuverlässige und zeitnahe Ergebnisse?

Der zweite ist Workflow-Leistung. Verringert es die Bearbeitungszeit, steigert es den Durchsatz, verbessert es die Konsistenz oder ermöglicht es den Mitarbeitern, mehr Zeit für wertschöpfendere Tätigkeiten aufzuwenden?

Der dritte ist Geschäftsergebnis. Führt die Änderung zu einer Verbesserung des Umsatzes, der Marge, der Kundenbindung, der Risikokennzahlen oder einer anderen strategischen Kennzahl?

Ein System kann auf der ersten Ebene erfolgreich sein und auf den beiden anderen scheitern. Ein äußerst präzises Tool zur Zusammenfassung schafft kaum einen Mehrwert, wenn die Mitarbeiter ihm nicht vertrauen oder wenn Zusammenfassungen nie das Problem waren. Ein schnellerer Schadenbearbeitungsprozess kann dem Unternehmen schaden, wenn er zu unangemessenen Auszahlungen oder Kundenbeschwerden führt.

Nutzen und Kosten müssen gemeinsam abgewogen werden. Die Modellgebühren mögen zwar gering sein, doch die Kosten für Integration, Datenverarbeitung, manuelle Überprüfung und Änderungsmanagement sind erheblich. Auch die Nutzungskosten können mit zunehmender Verbreitung unvorhersehbar steigen.

Das Finanzmodell sollte die Kosten für die Umsetzung, den Betrieb, die Überwachung, die Sicherheit sowie die Behebung von Fehlern berücksichtigen. Es sollte zwischen vorübergehenden Produktivitätssteigerungen und strukturellen Verbesserungen der Wirtschaftlichkeit des Prozesses unterscheiden.

Die Unternehmensleitung sollte Initiativen einstellen, die keinen ausreichenden Mehrwert erbringen. Bei KI-Portfolios muss dieselbe Kapitaldisziplin gelten wie bei anderen Investitionen. Ein gescheitertes Pilotprojekt ist kostengünstig, wenn es frühzeitig Aufschluss gibt; kostspielig wird es erst, wenn das Unternehmen es weiterführt, um den Anschein von Fortschritt zu wahren.

Ein praktischer 90-Tage-Reset

Im ersten Monat sollten Führungskräfte davon absehen, die Abteilungen nach KI-Ideen zu fragen, und stattdessen die wenigen Geschäftsziele identifizieren, die am wichtigsten sind. Jede Priorität sollte in eine messbare Kennzahl übersetzt werden: Zeit, Kosten, Fehlerquote, Kapazität, Konversionsrate oder Kundenerlebnis.

Der kommende Monat sollte dazu genutzt werden, die relevanten Arbeitsabläufe und Daten zu erfassen. Die Teams müssen verstehen, wie die Arbeit tatsächlich abläuft, wo Ermessensentscheidungen erforderlich sind und welche Informationen fehlen oder unzuverlässig sind. Mögliche KI-Maßnahmen können dann mit einfacheren Änderungen an Prozessen, Richtlinien oder der Software verglichen werden.

Im letzten Monat sollte das Unternehmen ein kleines Portfolio an Initiativen auswählen, für die jeweils ein Verantwortlicher benannt ist und die über Ausgangswerte sowie klare Abbruchkriterien verfügen. Mindestens eine dieser Initiativen sollte in der Lage sein, innerhalb kurzer Zeit einen messbaren Mehrwert zu erzielen, während eine andere eine eher strategische Kompetenz erproben könnte, deren Nutzen eine tiefgreifendere Integration erfordert.

Die Organisation sollte zudem gemeinsame technologische und organisatorische Grundlagen schaffen: genehmigte Modelle, Kontrollen für den Datenzugriff, Bewertungsverfahren, Standards für die Meldung von Vorfällen und für die Beschaffung. Diese Grundlagen sollten solide genug sein, um Risiken zu verringern, ohne jedoch als Vorwand zu dienen, jede Entscheidung zu zentralisieren.

Nach Ablauf von 90 Tagen sollte der Vorstand nicht fragen, wie viele KI-Projekte derzeit laufen. Er sollte vielmehr fragen, welche geschäftlichen Hindernisse beseitigt werden, welche Belege den behaupteten Nutzen untermauern und was sich am Betriebsmodell ändern muss, damit das Ergebnis skaliert werden kann.

KI verdient ernsthafte strategische Beachtung, da sie Kostenstrukturen, Entscheidungsprozesse und die Produktgestaltung verändern kann. Das macht sie jedoch noch nicht zu einer eigenständigen Strategie.

Eine Strategie legt dar, wo das Unternehmen Mehrwert schaffen wird und warum es dafür besser aufgestellt ist als seine Wettbewerber. KI kann diese Antwort untermauern, aber sie kann keine liefern.