KI im Unternehmen: noch im Hype oder schon an der Basisarbeit angekommen?

FAQ: Die wichtigsten Fragen zur KI-Readiness

Viele Unternehmen sind nicht KI-bereit, weil sie die Hausaufgaben bisher auch nicht gemacht haben

Die unbequeme Wahrheit

Viele Unternehmen erhoffen sich von KI eine Abkürzung. Frei nach dem Motto: Wir kaufen ein KI-Tool, hängen es ans CRM, ans ERP, vielleicht noch an ein paar Dateien, und dann lösen sich alte Probleme fast von alleine oder noch besser... dann können wir uns das Personal sparen.

Die Realität ist weniger komfortabel: die bestehenden Herausforderungen verschwinden nicht von selbst. Im Gegenteil: KI legt sie offen. Sie macht Datenlücken sichtbar, verstärkt Prozessbrüche und bringt neue Anforderungen an Sicherheit, Governance und Verantwortlichkeiten mit. Sprich: sie fügt weitere Komplexitäten hinzu.

Technologisch gesehen ist KI kein Hype. Die Modelle werden besser, günstiger und einfacher zugänglich. Das ist Evolution, nicht kurzfristige Mode. Der Hype entsteht durch die KI-Anbieter, welche Prophezeiungen streuen, die aktuell nicht eintreten oder sich nie erfüllen werden. Weiter befeuern Beratungs-, Marketing- & Tech-Dienstleister den Hype, da in Tat und Wahrheit ihr bisheriges Geschäftsmodell die meiste Veränderung erfährt und neue Dienstleistungen erschlossen werden müssen.

Trotzdem ist KI kein Hype, verschwindet nicht wieder und hinter all dem "Lärm" und den Versprechen liegt die eigentliche Gefahr: Unternehmen verschwinden nicht wegen KI. Sie verlieren Marktanteile, weil andere Unternehmen im Stande sind, KI mit Wirkung gezielt in die Organisation zu verankern.

Die Geschichte wiederholt sich. Wer bei ERP, CRM, Mobile, digitalem Handel und digitaler Transformation die Hausaufgaben nicht gemacht hat, steht heute bei KI vor denselben Hürden. Nur ist diese jetzt höher, weil KI mehr von Unternehmen verlangt als “nur” die Softwareeinführung der nächsten SaaS-Lösung mit der Hoffnung damit auch gleich die entsprechenden Prozesse zu erhalten.

Die Geschichte, die sich wiederholt

Schau wir zurück auf die grossen Tech-Wellen der letzten 30 Jahre:

• 1990er: ERP: Prozesse standardisieren, Daten zentralisieren, Effizienz heben, Internet-Boom
• 2000er: CRM, Mobile, Web: Kundenbeziehungen digitalisieren, Vertrieb und Service digital skalieren
• 2010er: Cloud & Digitale Transformation: agiler werden, Silos abbauen, digital verkaufen, datengetrieben entscheiden

In jeder Welle sah man dasselbe Muster: Man kaufte Technologie, aber vernachlässigte die Basis. Datenbereinigung, Prozessharmonisierung, Governance, Verantwortlichkeiten, Change Management. Kurz: die unbequeme Arbeit an der Basis blieb oft liegen.

Das Resultat steht heute in vielen Organisationen wie ein altes Möbelstück im Weg:

• fragmentierte Datenlandschaften
• undurchsichtige, "haben wir schon immer so gemacht" Prozesse
• historisch gewachsene manuelle Schnittstellen
• Legacy-Systeme, die niemand anfassen will
• Komplexität, die jede Änderung teuer macht
• Mitarbeitende, die rennen, aber am gleichen Ort bleiben
• IT-Kosten, besonders für Lizenzen sind explodiert und werden weiter steigen

Viele GLs spüren das: Projekte dauern länger als geplant, Kosten steigen, die IT wird zum Nadelöhr. Gleichzeitig wächst der Druck vom Verwaltungsrat und letztlich von den Investoren, “jetzt endlich KI zu machen”.

Prozess- und Datenmaturität ist KI-Maturität

Es gibt eine direkte Korrelation zwischen Prozessreife, Datenreife und KI-Reife. Das klingt banal, entscheidet aber über Erfolg oder Stillstand.

Heute sind KI-Modelle selten mehr das Kernproblem. Du bekommst leistungsfähige Modelle von verschiedenen Providern, du kannst Standardlösungen einkaufen, du kannst sogar ohne grosse Data-Science-Teams starten oder LLM auf eigenen Plattformen betreiben. Die Eintrittshürde für “KI nutzen” ist gesunken.

Die Eintrittshürde für “KI wirtschaftlich skalieren” ist hingegen gestiegen.

Warum? Weil die Kosten der Provider steigen und besonders weil KI nur dann nachhaltig Mehrwert liefert, wenn:

• Daten verfügbar, verständlich und vertrauenswürdig sind
• Prozesse definiert und messbar sind
• Verantwortlichkeiten klar sind
• Entscheidungen getroffen werden
• Betrieb, Datensicherheit und Compliance geregelt sind

Die Kernbotschaft ist unbequem, aber hilfreich: Wer die Leichen im Keller nicht bereinigt, wird mit KI nicht den erhofften Sprung machen. Man wird aber ziemlich sicher viel Geld ausgeben. Und riskiert, dass die Organisation KI nach ein paar enttäuschenden Experimenten als “funktioniert bei uns nicht” abstempelt.

Das ist einer der häufigsten, stillen Schadenfälle in der Digitalen Transformation: Nicht die Technologie scheitert, sondern die organisationale Lernkurve und Adaption dieser wird gebrochen, falls das überhaupt auf der Agenda stand.

Die 5 wiederkehrenden Muster, die Unternehmen bremsen

1. Architektur: zu komplex und fragil

Viele Systemlandschaften sind historisch gewachsen. Ein bisschen ERP, ein bisschen CRM, ein Shop-System, ein DWH von früher, dazu Excel, lokale Datenbanken und Schnittstellen, die nur eine Person versteht.

KI braucht aber Verlässlichkeit: stabile Datenflüsse, saubere Schnittstellen, klare Datenobjekte. Wenn jede kleine Anpassung Seiteneffekte auslöst, wird jede KI zum Risiko.

Best Practice: Architektur vereinfachen, Verantwortlichkeiten für Datenprodukte definieren, Integrationen standardisieren. Es muss nicht alles neu gebaut werden, aber bewusst entschlacken, stabilisieren und endlich aufräumen.

2. Daten in Silos: jede Abteilung hat ihre eigene Wahrheit

Marketing zählt Leads anders als Sales. Sales hat andere Kundendefinitionen als Finance. Service pflegt Cases anders als Vertrieb Opportunities. Und die Daten liegen irgendwo zwischen Systemen, Excel oder in den Köpfen der Mitarbeiter.

KI kann damit arbeiten, aber sie liefert dann inkonsistente Resultate. Und das zerstört Vertrauen.

Best Practice: Eine unternehmensweite Datenstrategie, klare Begriffe, definierte “Single Source of Truth” und Data Ownership. Das ist keine akademische Übung, sondern die Grundlage für Automatisierung und verlässliche Entscheidungen.

3. Undefinierte Prozesse: unzureichende Führung, langsame Entscheidungen, keine Messkriterien

Wenn niemand beschreiben kann, wie ein Prozess end-to-end funktioniert, kannst du ihn auch nicht sinnvoll mit KI verbessern. Dann diskutierst du Meinungen statt Messwerte.

Typische Symptome:

• man optimiert lokal, aber verschlechtert den Gesamtprozess
• niemand kann sagen, wo genau Zeit und Kosten entstehen
• jede Abteilung schützt ihren Teilprozess
• Projekte werden politisch statt wirtschaftlich gesteuert

Best Practice: Prozesse priorisieren, vereinheitlichen, KPIs definieren und regelmässig reviewen. KI kommt danach als Verstärker, nicht als Ersatz für Führung.

4. Das Noch-zwei-Wochen-Phänomen: endlose Verzögerungen

“Wir brauchen nur noch zwei Wochen.” Und zwei Wochen später wieder. Das passiert oft, wenn Abhängigkeiten unklar sind, Daten nicht bereitstehen oder Entscheide fehlen.

KI-Projekte verstärken dieses Muster, weil du zusätzliche Abhängigkeiten bekommst: Security, Legal, Datenzugänge, Berechtigungen, Modell-Policies, Schulung, Betriebsfragen.

Best Practice: kleine, messbare Releases, klare Entscheidungsgremien, ein Product Owner mit Mandat, und eine GL, die Prioritäten schützt.

5. Spezialisierte Teams für jede Datenanforderung: plus manuelle Pipelines

In vielen Unternehmen kann keine Fachabteilung selbstständig datenbasiert arbeiten, ohne dass ein Data Engineer oder BI-Spezialist etwas baut. Das bremst.

Dazu kommt: Viele Datenpipelines sind manuell, fragil und wartungsintensiv. In der Praxis gilt oft: Ein grosser Teil der Engineering-Zeit geht für Maintenance drauf. Und wenn eine kleine Änderung eine ganze Pipeline lahmlegt, bleibt von der KI-Vision wenig übrig.

Best Practice: Self-Service dort ermöglichen, wo es Sinn macht, Datenprodukte standardisieren, Automatisierung erhöhen, Monitoring und Data Quality Checks etablieren. Das ist nicht glamourös, aber es ist der Unterschied zwischen Pilot und Skalierung.

Warum KI mehr braucht als ein gutes Modell

Viele Entscheider vergleichen KI-Anbieter wie früher CRM-Tools: Funktionen, Preise, Integrationen. Das ist verständlich, aber es greift zu kurz.

Der Wert von KI liegt nicht primär im Modell oder im Provider. Der Wert liegt in deinem Unternehmen: in deinen Daten, deiner Prozesslogik, deinem Know-how, deiner Kundennähe und der Fähigkeit, das Ganze in den Alltag zu bringen.

Mein Lieblings-Beispiel: Kundenservice-Agent mit KI
Ich kenne niemanden der diese Kundenservice-Chatbots mag oder nutzt, ausser man findet keine anderen Kontaktmöglichkeiten zum Kundenservice und wird dazu gezwungen.

Chatbots können ein guter Kanal sein. Aber wenn CRM-Daten unvollständig sind, wenn Kontakthistorie fehlt, wenn Produktzuordnungen nicht stimmen oder wenn Fälle nicht sauber kategorisiert sind, produziert ein KI-Agent Antworten, die höflich klingen, aber falsch sind. Das führt zu:

• mehr Rückfragen
• sinkender Kundenzufriedenheit
• mehr Arbeit im Second-Level
• Frust bei Mitarbeitenden, die “KI babysitten” müssen

Der zielführendere Weg

Wenn du KI isoliert einführst, wird sie zum Tool wie z.B. ein Übersetzungs-Tool: einzelne Mitarbeitende nutzen es punktuell, es entsteht aber kein struktureller Vorteil. Ein Unternehmen wird nicht schneller, nicht konsistenter, nicht skalierbarer.

Was funktioniert erfahrungsgemäss besser:

Umdenken: Mut, Dinge neu zu denken, ohne Technologie zu glorifizieren

Frag nicht zuerst: Welches KI-Tool kaufen wir?
Frag zuerst: Wo verlieren wir heute Zeit, Marge oder Kundenzufriedenheit, weil Prozesse und Daten uns bremsen?

Das ist Digitale Transformation im Kern, worin der KI-Einsatz einen festen Platz erhalten muss.

Konkrete Anwendungsfälle

Konkrete Anwendungsfälle, welche:

• einen messbaren Prozess haben
• einen Owner im Business hat
• realistische Datenverfügbarkeit haben
• realistische Ziele definiert haben
• die Datensicherheit im Vordergrund steht

Beispiele, die oft gut funktionieren:

• Support-Triage und Wissensartikel-Vorschläge mit klarer Reduktion der Bearbeitungszeit
• Software-Entwicklung auf Basis von Guidelines, Spezifikationen und Entwicklungsprozessen... (nein, nicht Vibe Coding einer App. Ich spreche von AI Engineering)
• Forecasting in Supply Chain, wenn Stammdaten und Buchungslogik stimmen
• Auswertungen von Daten und das erstellen entsprechender Berichte
• Qualitätskontrollen, um Datenqualität systematisch zu erhöhen

Wichtig: es braucht KPI's, bevor automatisierst wird. Sonst optimiert man im Blindflug und kann den effektiven Nutzen nicht messen.

Wirkung muss die Geschäftsleitung einfordern

Die GL muss:

• Prioritäten setzen
• Zielwerte und Entscheidungswege definieren
• Ownership im Business verankern
• Ressourcen freischaufeln
• konsequent nach Wirkung fragen, nicht nach Aktivität oder gar wie viele Token man schon eingesetzt hat.

KI-Readiness ist eine Führungsaufgabe.

Externe Unterstützung kann helfen, schneller zu entscheiden, gezielt zu priorisieren und die Datenstrategie, Datenqualität und Prozessarbeit so aufzusetzen, dass KI nicht nur “läuft”, sondern Wirkung zeigt.

Fazit

Die Reise der Digital Technologie geht weiter. Du entscheidest, wie dein Unternehmen das KI-Kapitel schreibt.

Wenn du KI erfolgreich im Unternehmen einsetzen willst, beginne nicht beim Modell oder LLM-Provider. Beginne bei den Hausaufgaben:

• Datenstrategie: Was sind unsere wichtigsten Datenprodukte, wer besitzt sie, wie fliessen sie?
• Datenqualität: Welche Standards gelten, wie messen wir Qualität, wie verbessern wir sie kontinuierlich?
• Digitale Transformation: Welche Prozesse müssen wir vereinfachen, bevor wir sie automatisieren?
• Fokus auf Wirkung: Was bringt messbaren Nutzen mit überschaubarem Aufwand und klarer Verantwortung?

Frage an dich: Wo schätzt du die Readiness für die KI-Transformation deines Unternehmens ein?

1. Am Anfang: Wir testen Tools, aber die Basics fehlen.
2. Wir räumen auf: Wir haben verstanden, setzen Daten- und Prozessinitiativen um und sind bereit für Veränderung mit KI.
3. Wir rennen bereits: Use Cases liefern messbaren ROI, wir skalieren strukturiert.

Einladung: Abonniere zappacosta.digital, kommentiere und lass mich wissen was deine Erfahrungen und Perspektiven sind.