Die Präsentation war überzeugend. Die Lizenzen waren schnell bestellt. Und nach den ersten Wochen stehen plötzlich Fragen im Raum, die in der Produktvorführung offenbar gerade Pause hatten: Warum stimmen manche Antworten nicht? Wieso kostet die Kontrolle so viel Zeit? Und wer hat eigentlich entschieden, welche Daten das System verwenden darf?
Wer bei der KI-Einführung erste Rückschläge erlebt, muss deshalb nicht das Handtuch werfen. Aber einfach unverändert weiterzumachen, ist ebenfalls keine Strategie.
KI ist kein Sprint, sondern ein Boxkampf über mehrere Runden. Entscheidend ist nicht nur der erste Auftritt. Entscheidend ist, was ein Unternehmen zwischen den Runden lernt.
Eine KI-Einführung verbindet Technik mit betrieblichen Abläufen, Daten, Menschen und rechtlichen Anforderungen. Diese Elemente passen nicht automatisch zusammen, nur weil eine Anwendung verfügbar ist.
Das Ziel ist deshalb kein endloses Experimentieren, sondern ein kontrollierter Lernprozess: einen konkreten Nutzen definieren, unter geeigneten Bedingungen testen, Ergebnisse bewerten und den Einsatz gezielt verbessern. Rechtliche Anforderungen und Schutzmaßnahmen gehören dabei von Anfang an dazu.
Die Boxmetapher hat allerdings eine Grenze: Weder die Beschäftigten noch die Technologie sind der Gegner. Es geht darum, mit Unsicherheit umzugehen, ohne bei jedem Treffer die Orientierung zu verlieren.
„Die KI funktioniert nicht“ ist eine verständliche Reaktion. Als Fehleranalyse ist sie ungefähr so hilfreich wie „Irgendetwas mit dem Motor“.
War die Aufgabe unklar? Fehlten aktuelle Informationen? Wurden Ergebnisse ungeprüft übernommen? Oder sollte das System etwas leisten, wofür es schlicht nicht geeignet ist?
Eine qualitative RAND-Untersuchung von 2024 mit 65 erfahrenen Fachleuten aus KI-Entwicklung und Forschung identifizierte unter anderem unklare Problemstellungen, unzureichende Daten und eine zu starke Fixierung auf die Technologie als Ursachen gescheiterter KI-Projekte. Die Untersuchung liefert Hinweise auf typische Fehler, keine allgemeingültige Ausfallquote.
Für Unternehmen folgt daraus: Zuerst konkrete Fehlerfälle sammeln und ihre Ursachen prüfen. Erst danach entscheiden, ob ein anderes Werkzeug, bessere Daten, eine engere Aufgabe oder ein grundsätzlich anderer Ansatz nötig ist.
Nach einem enttäuschenden Pilotprojekt liegt der nächste große Anlauf manchmal erstaunlich nah: mehr Funktionen, mehr Daten, ein noch leistungsfähigeres Modell. Hilfreicher kann es sein, den Einsatz zunächst zu begrenzen.
Ein fiktives Beispiel: Ein mittelständischer Händler testet einen KI-Assistenten für Kundenanfragen. Er soll Produktfragen, Lieferprobleme und Reklamationen beantworten. Im Test verwechselt er Produktvarianten und formuliert Zusagen, die das Unternehmen nicht geben wollte.
Für die zweite Runde wird die Aufgabe verändert. Der Assistent erstellt nur noch interne Antwortentwürfe zu einer ausgewählten Produktgruppe. Er erhält geprüfte, aktuelle Unterlagen. Reklamationen und verbindliche Zusagen bleiben außerhalb seines Aufgabenbereichs. Beschäftigte prüfen die Entwürfe vor dem Versand.
Damit ist der Erfolg noch nicht bewiesen. Aber der nächste Test kann zeigen, ob dieser begrenzte Einsatz tatsächlich entlastet.
Ein kleinerer Anwendungsfall ist kein Rückschritt, wenn er eine belastbarere Entscheidung ermöglicht.
Im Unternehmen besteht die Deckung nicht aus hochgezogenen Handschuhen. Sie besteht aus geeigneten Schutzmaßnahmen und klaren Entscheidungen.
Welche Informationen dürfen verarbeitet werden? Wer erhält Zugriff? Für welche Aufgaben ist die Anwendung freigegeben? Welche Ergebnisse müssen fachlich geprüft werden? Und wann wird die Nutzung unterbrochen?
Die rechtliche Bewertung richtet sich nach dem konkreten Einsatz. Der EU AI Act unterscheidet insbesondere nach Risiken und der Rolle des Unternehmens. Bei personenbezogenen Daten sind zusätzlich die datenschutzrechtlichen Anforderungen zu berücksichtigen. Eine interne Freigabe ersetzt diese Prüfung nicht.
Daraus sollten verständliche Arbeitsregeln entstehen. „Bitte verantwortungsvoll nutzen“ klingt freundlich, lässt aber die entscheidenden Fragen offen.
Eine brauchbare Vorgabe beschreibt beispielsweise zulässige Datenquellen, ausgeschlossene Aufgaben, notwendige Kontrollen und einen erreichbaren Ansprechpartner. Das hilft gerade dann, wenn im Tagesgeschäft wenig Zeit für Grundsatzdiskussionen bleibt.
Wer ein Werkzeug bedienen kann, kann seine Ergebnisse noch nicht automatisch beurteilen. Für den betrieblichen Einsatz müssen Beschäftigte auch erkennen können, wann eine Antwort plausibel klingt, aber fachlich nicht trägt.
Eine anwendungsbezogene KI-Schulung sollte deshalb mit typischen Aufgaben und Fehlerfällen arbeiten. Im Kundenservice stellen sich andere Fragen als in der Personalabteilung oder der Softwareentwicklung. Gute Übungen behandeln nicht nur gelungene Ergebnisse, sondern auch fehlende Quellen, widersprüchliche Angaben und Situationen, in denen die KI nicht eingesetzt werden sollte.
Ebenso wichtig ist die Organisation hinter dem Werkzeug. Wer sammelt Rückmeldungen? Wer veranlasst neue Prüfungen? Wer stimmt Änderungen mit IT, Datenschutz und Fachabteilung ab?
Ein AI Officer kann diese Aufgaben koordinieren und die Erfahrungen verschiedener Bereiche zusammenführen. Die Funktion unterstützt klare Verantwortlichkeiten; sie nimmt der Geschäftsführung und den zuständigen Fachbereichen ihre Entscheidungen nicht ab.
Die Ecke muss besetzt sein. Ein neuer Titel auf der Visitenkarte allein reicht dafür nicht.
Ob eine KI-Anwendung beeindruckt, lässt sich schnell feststellen. Ob sie im Unternehmen nützt, verlangt einen Vergleich.
Dafür sollten vor dem nächsten Test nachvollziehbare Bewertungskriterien feststehen:
Die Bewertung sollte auch schwierige und ungewöhnliche Fälle enthalten. Nur die gelungensten Beispiele vorzuführen, ist für eine Produktpräsentation verständlich. Für eine Investitionsentscheidung ist es zu wenig.
Danach gibt es drei vernünftige Möglichkeiten: den Einsatz ausweiten, gezielt nachbessern oder den Anwendungsfall beenden. Bereits ausgegebenes Budget ist kein Beleg dafür, dass weitere Ausgaben sinnvoll sind.
Ausdauer bedeutet, am unternehmerischen Ziel festzuhalten. Nicht zwingend am zuerst ausgewählten Werkzeug.
Auch ein gut funktionierender KI-Einsatz bleibt nicht unverändert. Anbieter aktualisieren Modelle, interne Wissensbestände wachsen und Fachabteilungen entdecken zusätzliche Anwendungsmöglichkeiten.
Deshalb empfiehlt sich ein festgelegter Rhythmus für die Überprüfung. Wesentliche Änderungen, etwa neue Datenquellen oder ein anderer Einsatzzweck, sollten zusätzlich Anlass für erneute Tests und eine angepasste Bewertung sein.
Der freiwillige NIST AI Risk Management Framework beschreibt KI-Risikomanagement ausdrücklich als kontinuierliche Aufgabe über den Lebenszyklus eines Systems. Das ist eine fachliche Orientierung, keine europäische Rechtsvorschrift.
Auch ISO/IEC 42001 setzt bei einem KI-Managementsystem auf fortlaufende Verbesserung. Der Gedanke dahinter passt zur Praxis: planen, umsetzen, überprüfen und anpassen. Die Norm ersetzt allerdings nicht die rechtliche Prüfung eines konkreten Vorhabens.
Wer KI fundiert einsetzen möchte, braucht neben praktischer Erfahrung ein Verständnis ihrer technischen, rechtlichen und organisatorischen Grundlagen.
Hier setzt das Buch „KI-Regulatorik – leicht gemacht“ von Alexander Deicke, Francois Heynike und Hannes Deuerling an. Es behandelt unter anderem die Grundlagen künstlicher Intelligenz, den EU AI Act, den Umgang mit Daten und relevante Standards. Die dialogische Aufbereitung erleichtert den Einstieg in ein Thema, dessen Begriffe gelegentlich komplizierter wirken als die Fragen dahinter.
Ein Buch ersetzt weder praktische Übungen noch die Prüfung aktueller Anforderungen. Es kann aber helfen, die richtigen Fragen zu stellen, bevor aus einem überschaubaren Versuch ein größerer betrieblicher Einsatz wird.
K11 Consulting unterstützt Unternehmen dabei, dieses Wissen durch Schulungen und geeignete Governance-Strukturen im Arbeitsalltag zu verankern.
Eine enttäuschende erste KI-Erfahrung ist weder ein Beweis gegen die Technologie noch eine Aufforderung, ihr unbegrenzt weitere Chancen einzuräumen.
Eine sinnvolle KI-Einführung braucht Lernbereitschaft und Grenzen: Fehler auswerten, Aufgaben passend zuschneiden, Menschen befähigen und Nutzen ehrlich messen.
Wer in Runde eins eine „blutige Nase“ bekommen hat, muss nicht aufgeben. Für Runde zwei sollte allerdings mehr bereitliegen als derselbe Plan mit einem größeren Budget.