KI Transformation für Unternehmen - Ein Leitfaden für Führungskräfte

Ein Leitfaden für Geschäftsführer, die mehr wollen als ein Pilotprojekt im Schaufenster.

Fast jeder Geschäftsführer spürt gerade den Druck, “etwas mit KI zu machen”. Budgets werden freigegeben, Arbeitsgruppen gegründet, erste Werkzeuge eingekauft. Und dann passiert, was inzwischen gut dokumentiert ist: Die meisten dieser Vorhaben liefern nichts. Eine vielbeachtete Studie des MIT kam 2025 zu dem Ergebnis, dass rund 95 Prozent der GenAI-Pilotprojekte keinen messbaren Effekt auf die Gewinn- und Verlustrechnung erzielen. Der Trend zeigt nicht nach oben: Laut Erhebungen von S&P Global stieg der Anteil der Unternehmen, die einen Großteil ihrer KI-Initiativen wieder einstellten, binnen eines Jahres deutlich an.

Die meisten vermuten dahinter ein Technologieproblem. Ich nicht. Aus meiner Erfahrung ist das fast nie ein KI-Problem, sondern ein Führungs- und Methodenproblem. Drei Fehler sehe ich immer wieder, und alle drei passieren, bevor die erste Zeile Code geschrieben ist.

Fehler eins: Die Technik steht vor dem Nutzen

Der häufigste Einstieg ist der falsche. Man geht von der Technik aus, nach dem Motto: “Lass uns ausprobieren, wofür wir KI einsetzen können.” Oder: “Lass uns was mit unseren Daten machen.” Was dabei fast immer fehlt, ist die unternehmerische Frage davor. Welchen konkreten Nutzen soll das Vorhaben stiften? Welchen Wettbewerbsvorteil wollen wir uns aus unseren Daten und Anwendungsfällen erarbeiten?

Das klingt banal, ist es aber nicht. Wer mit der Technologie beginnt, optimiert das Werkzeug statt das Ergebnis. Heraus kommen Vorzeigeprojekte, die in der Demo glänzen und im Betrieb verpuffen. Die MIT-Daten stützen das auf unbequeme Weise: Über die Hälfte der KI-Budgets floss 2025 in gut sichtbare Vertriebs- und Marketingpiloten mit hoher Aufmerksamkeit und geringem Ertrag, während die tatsächlichen Erträge im unscheinbaren Back-Office entstanden. Die MIT Sloan Management Review beschreibt dasselbe Muster: Wert entsteht durch fokussierte, eng umrissene Anwendungsfälle statt durch den großflächigen Umbau ganzer Geschäftsfunktionen.

Viele verwechseln Sichtbarkeit mit Wirkung. Das ist das teuerste Missverständnis im ganzen Feld.

Fehler zwei: Die Mitarbeiter bleiben außen vor

Der zweite Fehler ist menschlich und entscheidet oft über alles Weitere. Mitarbeiter werden nicht als wertvolle Quelle für Ideen und Probleme gesehen, sondern bestenfalls informiert. Wer fürchtet, durch KI ersetzt zu werden, leistet Widerstand, oft leise und hartnäckig. Wer eingebunden ist, wird zum Unterstützer. Und Unterstützer sorgen dafür, dass die Technologie auch tatsächlich dort genutzt wird, wo sie gebraucht wird.

Diese Dynamik ist kein Gefühl, sie ist messbar. Laut der Bitkom-Studie 2025 sehen inzwischen 83 Prozent der Unternehmen KI als Chance, 2023 waren es erst 68 Prozent. Zugleich bleibt die Ambivalenz: 68 Prozent der Befragten sagen, sie würden lieber in einer Welt ohne KI leben. Darin steckt der Hebel. Wer seine Leute früh einbindet, verwandelt diese Ambivalenz in Gestaltungswillen. Ein Werkzeug, das niemand benutzt, stiftet keinen Nutzen, und genau das wird später eines meiner fünf Prinzipien.

Fehler drei: Die Beschränkung auf das, was schon da ist

Der dritte Fehler ist der subtilste. Unternehmen lassen sich von ihren heutigen Daten und Prozessen die Zukunft diktieren. Fehlen die nötigen Daten, lautet die Schlussfolgerung meist: “Für KI fehlen uns die Daten.” Falsch. Dann muss ich meine Produkte und Prozesse so gestalten, dass die Daten entstehen, die ich für meinen Wettbewerbsvorteil brauche.

Die entscheidende Frage ist deshalb nie, was sich mit dem vorhandenen Datenbestand anstellen lässt. Daten liegen in der Praxis so gut wie nie in der Menge oder Güte vor, die es braucht. Ich muss sie als integralen Bestandteil der Wertschöpfung verstehen und im Design der eigenen Produkte und Services verankern.

Vom Bestand zum Bedarf: ein Beispiel aus dem Maschinenbau

Wie das aussieht, zeigt ein typischer Fall aus der Zeit, als Industrie 4.0 das Schlagwort war. Ein Maschinenbauer will KI für vorausschauende Wartung einsetzen, also Ausfälle vorhersagen, bevor sie passieren. Sein Team baut einen Proof of Concept und findet: Sensordaten lückenhaft, Wartungsberichte als Freitext, Ausfälle nie systematisch erfasst. Der Pilot bleibt unterdurchschnittlich, das Urteil ist vorhersehbar: “Dafür reicht unsere Datenlage nicht.” Der Reflex: ein Data Warehouse, um diese vermeintlich wertvollen Daten einzufangen.

An dieser Stelle drehe ich die Frage um. Nicht “Was geht mit dem, was wir haben?”, sondern “Welchen Wettbewerbsvorteil wollen wir konkret erarbeiten?” Wollen wir die Ausfallzeiten unserer Kunden um 5, 10 oder gar 30 Prozent senken? Und welche Daten bräuchte es dafür?

Die Antwort war kein Data Warehouse. Stattdessen entstand eine App, über die Techniker Defektursachen strukturiert statt im Freitext erfassen. An den Verschleißteilen kamen Vibrations- und Wärmesensoren dazu, das Kundenportal wurde mit Maschinen und Wartungsaufträgen verknüpft. Die Datenerfassung wurde Teil des Produktdesigns. Nach nur einem Jahr lief der erste Prototyp mit prädiktiver Wartung, die verschleißbedingten Stillstandzeiten sanken um 80 Prozent. Ein neues Produkt und ein neues Denken.

Zuerst bottom-up, dann top-down

Ich empfehle den meisten Unternehmen, ihre KI-Strategie von beiden Seiten zu entwickeln, top-down und bottom-up. Anfangen sollte man aber immer bottom-up. Der Grund ist für mich weniger eine Frage der Methodik als des Rückhalts. Von unten holt sich die Transformation die Unterstützung aus der Organisation und die Erfahrung, was tatsächlich Wirkung zeigt.

Die Bewegung von unten liefert schnelle, eng umrissene Anwendungsfälle: einen sehr konkreten Return innerhalb von drei bis sechs Monaten und den Beweis, dass sich etwas bewegt. Genau dieses Muster zeigen die MIT-Daten. Die wenigen Unternehmen, die liefern, setzen auf fokussierte Anwendungsfälle statt auf eine unternehmensweite Transformation am ersten Tag. Was sich im operativen Betrieb in kleinem Scope bewährt hat, darf anschließend top-down für die gesamte Organisation entwickelt und ausgerollt werden.

Parallel muss sich das Unternehmen mit seiner mittel- und langfristigen Strategie befassen. Zwei Fragen stehen im Zentrum: Welchen strategischen Wettbewerbsvorteil wollen wir uns aus den eigenen Daten erarbeiten? Und was müssen wir ändern, wenn KI-Agenten zu unseren Kunden werden? Die eine Bewegung denkt in Jahren, die andere in Quartalen. So löst sich der scheinbare Widerspruch zwischen Geduld und Quartalsdruck auf.

Momentum treibt den Wandel

Für die Bottom-up-Bewegung habe ich ein Beispiel, das die abstrakte Logik handfest macht. Bei der S-Com, der Kommunikationsagentur der Sparkassen, berichteten Mitarbeiter unterschiedlicher Abteilungen in den Data-Thinking-Workshops von derselben Mühsal: Routineaufgaben mussten immer wieder neu, aber sprintspezifisch geplant und angelegt werden. Lästig, notwendig, zeitfressend.

Innerhalb von drei Wochen stand der erste Prototyp, der diese Aufgabe sprintspezifisch und auslastungsorientiert vollständig automatisiert. Damit zeigten wir dem Team: KI ersetzt euch nicht, sie schafft euch Freiräume. Nach drei Monaten war die Automatisierung vollständig in die Arbeitsprozesse mehrerer Teams eingebettet. Seitdem spart das System den Mitarbeitern mehr als sieben Stunden pro Woche. Die lästige Pflichtaufgabe war endlich vom Tisch, und es entstand Freiraum für wertstiftendere Arbeit. Die kurzen Iterationen und die schnelle Umsetzung erzeugten zudem im Team ein starkes Momentum. Die Leute sahen Woche für Woche, dass sich etwas bewegt, klemmten sich mit vollem Einsatz dahinter und trieben das Projekt voran. Diese Energie nahmen sie direkt mit ins nächste Vorhaben.

Das Projekt wurde super, superschnell umgesetzt und die Lösung geht mit einer enormen Zeitersparnis und Arbeitserleichterung einher

• Annelie Lawrenz, CvD Medien & Social Media bei S-Com

Das Beispiel zeigt: Wer Mitarbeiter zu Gestaltern macht, bekommt nicht nur Unterstützung für den Wandel und Fans für die Lösung, sondern dazu die Motivation, es richtig und richtig schnell umzusetzen. Und das spricht sich rum.

Fünf Prinzipien als Gegenmittel

Hinter dem Vorgehen stehen meine fünf Prinzipien des Data Thinking, und jedes verhindert ein konkretes Scheitern.

1. Impact First, Data Second: erst der unternehmerische Nutzen, dann die Daten. Es kontert den Fehler, die Technik vor den Nutzen zu stellen.

2. Start Small, test early, iterate fast: schnelle, nutzerzentrierte Iterationen schaffen Unterstützung und Momentum. Es kontert den Fehler, die Mitarbeiter außen vor zu lassen.

3. Design in your needs, not your haves: gestalte nach deinem Bedarf, nicht nach deinem Bestand; die Antwort auf den Maschinenbau-Fall. Es kontert den Fehler, sich vom vorhandenen Datenbestand die Zukunft diktieren zu lassen.

4. Better fake data than no data: warte nicht auf perfekte Daten. Für Machbarkeit, Bewertung und frühe Entwicklung lässt sich mit synthetischen Daten oder Schätzungen arbeiten. Dieser Satz widerspricht dem deutschen Ingenieursinstinkt, erst zu starten, wenn die Datenbasis sauber ist, und genau deshalb braucht er eine klare Grenze. Er gilt nur für die Machbarkeits- und Wirtschaftlichkeitsbetrachtung in den frühen Phasen. KI-Projekte ohne Wirtschaftlichkeitsbetrachtung schaffen es selten aus dem Prototypenstadium heraus. Schätzungen beantworten die Frage “Lohnt sich das überhaupt?” früh und günstig.

5. Be solution agnostic: Verlieb dich nicht zu früh in ein Werkzeug, bleib beim Anwendungsfall, halte den Kopf frei für die beste Lösung. Die ist überraschend oft nicht die, die man zuerst im Kopf hatte.

Wann man die Reißleine zieht

Wer den Nutzen jedes Projekts belegen will, muss auch über den Abbruch reden. Bei vielen Beratern ist das ein blinder Fleck, beim Data Thinking ist es eingebaut. Weil wir iterativ entwickeln, immer wieder mit dem Nutzer testen und schon im Workshop festgelegt haben, welche Qualitätskriterien der Nutzen erreichen muss, wissen wir ziemlich genau, wo wir landen müssen.

Daraus folgt ein klarer Kontrollpunkt. Haben wir bei der Hälfte des Budgets die Qualitätskriterien noch nicht erreicht, sprechen wir mit dem Kunden und geben ihm die Wahl: das Projekt abbrechen, das Budget auf vielversprechendere Anwendungsfälle verlagern oder weiterarbeiten und dafür Abstriche bei Qualität oder Scope hinnehmen.

Womit Sie beginnen

Bleibt die eine Sache, die Sie als Geschäftsführer nach dieser Lektüre zuerst anders machen sollten. Vor der Strategie, vor dem großen Programm: ein erster Schritt.

Starten Sie mit dem Gedanken, wissen zu wollen, wo im operativen Geschäft die größten Hebel liegen. Welche Probleme sind es wert, gelöst zu werden? Wer seine Organisation spüren lässt, dass es ihm um den Nutzen für Unternehmen und Mitarbeiter geht, gewinnt Rückhalt. Aus den ersten Erfolgen wächst die langfristige Transformation zur KI-zentrischen Organisation: Wettbewerbsvorteile aus Daten, Effizienzgewinne im Betrieb und, was daraus folgt, Infrastruktur, Operating Model, Verantwortlichkeiten.

Beginnen Sie nicht mit dem Organigramm. Beginnen Sie mit dem Nutzen. Der Rest folgt. Wer beim Nutzen anfängt, bei den Menschen und beim Mut, die eigenen Grenzen infrage zu stellen, landet bei jenen 5 Prozent, die liefern.

Quellen

• MIT NANDA, The GenAI Divide: State of AI in Business 2025 - Originalbericht (PDF) · Einordnung bei Fortune
• S&P Global Market Intelligence, Voice of the Enterprise: AI & Machine Learning 2025 (Anteil der Unternehmen, die die Mehrzahl ihrer KI-Initiativen einstellen, stieg von 17 % auf 42 %) - Studienseite · Bericht bei CIO Dive
• MIT Sloan Management Review, Generate Value From GenAI With ‘Small t’ Transformations (Wert entsteht durch eng umrissene Anwendungsfälle statt großflächigen Umbau) - Artikel
• Bitkom, Künstliche Intelligenz in Deutschland 2025 (855 Unternehmen, repräsentativ; 83 % sehen KI als Chance, 2023: 68 %; 68 % der Befragten würden lieber in einer Welt ohne KI leben) - Studienbericht (PDF) · Studienseite