KI im Unternehmen wirksam einsetzen.
Drei Fehler bei der Einführung und was stattdessen hilft.

Für mich steht deshalb eine Frage im Mittelpunkt: Was soll durch KI im Unternehmen konkret besser werden, und wie stellen wir fest, ob das tatsächlich gelingt? Eine Lizenz beantwortet diese Frage noch nicht.

Nutzung und Nutzen sauber unterscheiden

Die Zahlen, die in diesem Zusammenhang am häufigsten fallen, stammen aus McKinseys KI-Befragung 2025: 88 Prozent der Befragten berichten von regelmäßiger KI-Nutzung in mindestens einem Geschäftsbereich. Rund 6 Prozent zählen zur besonders erfolgreichen Gruppe der „AI High Performers". Das bedeutet nicht, dass nur diese Unternehmen einen wirtschaftlichen Nutzen erzielen. [1]

KI-Nutzung und wirtschaftliche Wirkung, McKinsey-Befragung 2025

Regelmäßige KI-Nutzung88 %

Berichteter EBIT-Effekt39 %

AI High Performersrund 6 %

Kennzahl	Bedeutung
88 Prozent	Regelmäßige KI-Nutzung in mindestens einer Geschäftsfunktion laut Befragten.
39 Prozent	Befragte schreiben KI einen Effekt auf das unternehmensweite EBIT zu, also das Ergebnis vor Zinsen und Steuern.
Rund 6 Prozent	„AI High Performers": ein KI-Beitrag zum EBIT von mindestens 5 Prozent und zugleich ein erheblicher Nutzen.

Zur Datengrundlage: eine Onlinebefragung vom 25. Juni bis 29. Juli 2025 mit 1.993 Teilnehmenden aus 105 Ländern, gewichtet nach dem Anteil der Länder am weltweiten Bruttoinlandsprodukt. Es handelt sich um Selbstauskünfte, nicht um einen unabhängig geprüften Rentabilitätsnachweis. [1] Nicht zu verwechseln ist sie mit der McKinsey-Studie „The State of Organizations 2026", die auf mehr als 10.000 Führungskräften aus 15 Ländern und 16 Branchen beruht. [2]

Die 6-Prozent-Angabe ist deshalb keine allgemeine Erfolgsquote von KI-Projekten. Aus ihr lässt sich weder eine Scheiterquote von 94 Prozent noch ein fehlender Nutzen bei allen übrigen Befragten ableiten.

1. Führung muss KI selbst verstehen

Wenn die Geschäftsführung KI zur Priorität erklärt, muss das im Arbeitsalltag erkennbar werden. Mitarbeitende brauchen eine Orientierung daran, welche Anwendungen sinnvoll sind, welche Ergebnisse erwartet werden und wo Grenzen bestehen. Diese Orientierung lässt sich nicht vollständig an die IT oder eine Projektgruppe abgeben.

Führungskräfte sollten ausgewählte Aufgaben selbst mit KI bearbeiten: eine Entscheidungsvorlage strukturieren, Gegenargumente prüfen oder einen Prozess analysieren. Dabei lernen sie, welche Angaben ein System benötigt und an welchen Stellen seine Antworten kontrolliert werden müssen. Eigene Erfahrung hilft, Möglichkeiten realistisch einzuschätzen.

Dazu gehört auch, KI-Agenten klare Aufgaben und Handlungsspielräume zu geben. Wer Arbeit überträgt, bleibt für die Bewertung der Ergebnisse verantwortlich. Gerade bei folgenreichen Entscheidungen muss feststehen, wer prüft, wer freigibt und wann ein Mensch übernimmt.

Mein Vorschlag: Führungskräfte reservieren zunächst zwei bis drei Stunden pro Woche für konkrete Anwendungen und die gemeinsame Auswertung. Das ist ein praktikabler Planungsansatz, keine wissenschaftlich belegte Mindestzeit.

2. Kompetenz braucht einen festen Platz im Alltag

Eine allgemeine Einführung kann den Einstieg erleichtern. Sie reicht jedoch nicht aus, um Arbeitsabläufe dauerhaft zu verändern. Wer KI sicher einsetzen soll, braucht Übung an den eigenen Aufgaben und Rückmeldung zu den Ergebnissen.

Generative KI liefert Antworten, die plausibel wirken können und trotzdem sachlich falsch sind. Deshalb müssen Mitarbeitende lernen, Aufgaben präzise zu beschreiben, geeignete Informationen bereitzustellen und Ergebnisse anhand nachvollziehbarer Kriterien zu prüfen. Fachwissen bleibt dafür erforderlich, mehr dazu im Beitrag Macht KI Fachwissen überflüssig?

Oft ist von einer wachsenden Schere zwischen technischer Entwicklung und menschlichem Lernen die Rede. Als Bild ist das hilfreich. Nachgewiesen ist damit aber weder eine allgemeingültige exponentielle Entwicklung der KI noch ein grundsätzlich lineares Lernen von Menschen. Für die Praxis zählt, ob unser Wissen mit den Anforderungen der tatsächlich eingesetzten Systeme Schritt hält.

Nach Aufgaben und Verantwortung qualifizieren

Eine Person im Vertrieb braucht andere Übungen als jemand, der interne Prozesse automatisiert. Die Geschäftsführung muss Ziele und Entscheidungen beurteilen können. Fachanwender müssen Ergebnisse fachlich prüfen. Technisch Verantwortliche benötigen zusätzlich Kenntnisse über Schnittstellen, Berechtigungen und den zuverlässigen Betrieb.

Damit verändert sich auch die Rolle von Spezialisten. Ein Teil ihrer Arbeit besteht künftig darin, Aufgaben sinnvoll an KI zu übertragen und deren Ergebnisse zu steuern. Fachliche Erfahrung und die Fähigkeit zur Delegation ergänzen sich; es geht darum, die eigene Verantwortung auch dann wahrzunehmen, wenn ein System Vorarbeit leistet.

Ich würde Qualifizierung über mehrere Wochen organisieren und jede Lerneinheit mit einer konkreten Anwendung verbinden. Als Planungsbeispiel können 30 Stunden je Mitarbeitendem dienen. Eine belegte Mindestgröße ist das nicht; der tatsächliche Umfang muss zu Rolle, Vorkenntnissen und Einsatzrisiko passen. Welche Pflichten der EU AI Act dabei setzt, steht im Beitrag zur KI-Schulungspflicht.

Erfahrungen verbindlich weitergeben

Ein internes Kernteam kann erprobte Anwendungen, typische Fehler und Vorlagen sammeln. Dafür braucht es einen klaren Auftrag, feste Zeitbudgets und nachvollziehbare Anforderungen an die Mitarbeit. Ergebnisse gehören in eine für die betroffenen Teams zugängliche Wissensbasis.

Zugangskriterien für das Kernteam können sinnvoll sein. Sie dürfen jedoch nicht dazu führen, dass Wissen in einer kleinen Gruppe verbleibt. Es kommt darauf an, dass Erfahrungen in den Abteilungen ankommen und dort genutzt werden.

Entwicklungs- und Lernbedarf regelmäßig abgleichen

Neue KI-Funktionen

Möglichkeiten und Anforderungen verändern sich laufend.

Betriebliche Kompetenz

Praxiswissen wächst durch Anwendung und Rückmeldung.

↓

Kontinuierlicher Lernzyklus

Erproben → Prüfen → Dokumentieren → Wissen teilen → Erneut anwenden

In der Praxis heißt das: Lernzeit verbindlich reservieren, reale Aufgaben bearbeiten und Fehler gemeinsam auswerten. Das Kernteam hält geeignete Vorlagen und Erfahrungen fest, die Fachbereiche melden zurück, welche Lösungen im Alltag funktionieren und welche angepasst werden müssen.

3. Den Nutzen über Zeitersparnis hinaus bewerten

Effizienz ist ein berechtigtes Ziel. Kürzere Bearbeitungszeiten und weniger Nacharbeit können sich unmittelbar auswirken. Wir sollten jedoch zusätzlich prüfen, welche Leistungen durch KI neu möglich werden und was Kunden davon tatsächlich haben.

Dazu gehören beispielsweise eine bessere Vorbereitung von Kundengesprächen, eine schnellere fachliche Erstorientierung oder eine Betreuung außerhalb üblicher Geschäftszeiten. Ein digitaler Lernassistent könnte Beschäftigte während einer Aufgabe begleiten und auf freigegebene Arbeitsanleitungen zugreifen. Ob er zuverlässig hilft, muss anhand seines tatsächlichen Einsatzes bewertet werden.

Ein solches Angebot braucht gepflegte Informationen und einen verlässlichen Übergang zu menschlicher Unterstützung. Pauschale Versprechen, ein Assistent beherrsche jedes Werkzeug oder sei in jeder Sprache gleichermaßen zuverlässig, helfen bei dieser Bewertung nicht.

Wirkung nachvollziehbar messen

Weniger Überstunden, zufriedenere Mitarbeitende oder mehr Reaktionen auf einen Beitrag sind noch kein Beweis für einen KI-Effekt. Gleichzeitig können sich Auftragslage, Teamstärke und Arbeitsorganisation verändert haben. Wer einen Nutzen behauptet, sollte diese Einflüsse berücksichtigen.

Vor dem Start sollten deshalb Ausgangswerte, Messzeitraum und Qualitätsanforderungen feststehen. Nach dem Pilot vergleichen wir möglichst ähnliche Aufgaben und berücksichtigen den Aufwand für Prüfung, Korrekturen, Einführung und Betrieb. Eingesparte Arbeitszeit wird erst dann zu einer finanziellen Einsparung, wenn tatsächlich Kosten entfallen. Sie kann aber auch zusätzliche Kapazität schaffen.

Bei jeder Anwendung würde ich zwei Fragen verbindlich beantworten lassen: Welche bestehende Arbeit wird besser oder wirtschaftlicher? Und welche zusätzliche Leistung können wir damit anbieten? Für jede Kennzahl sind Ausgangswert, Ziel, Messzeitraum und verantwortliche Person vor Beginn festzulegen.

Ein Rechenbeispiel

Mit frei gewählten Annahmen, keine Studie und kein Ertragsversprechen: Bei 400 vergleichbaren Vorgängen im Monat sinkt die Bearbeitungszeit von 20 auf 14 Minuten. Nach zusätzlicher Prüfung von zwei Minuten bleiben vier Minuten Nettoersparnis je Vorgang.

• 400 × 4 Minuten = 1.600 Minuten, also rund 26,7 Stunden Kapazität im Monat.
• Bei einem kalkulatorischen Stundensatz von 45 Euro entspricht das einem Kapazitätswert von 1.200 Euro.
• Abzüglich 300 Euro laufender Kosten und 600 Euro anteiliger Einführungskosten im Monat bleiben rechnerisch 300 Euro.

Das ist noch kein zusätzlicher Gewinn. Dafür müsste die frei werdende Zeit zu eingesparten Ausgaben oder zusätzlichem Deckungsbeitrag führen. Wer das für eigene Werte durchrechnen will: Auf der Seite Kundenservice automatisieren steht ein ROI-Rechner.

Entscheidung nach dem Pilot

• Ausweiten, wenn die Qualität stimmt, Verantwortlichkeiten geklärt sind und der erwartete Nutzen nachvollziehbar erreicht wird.
• Überarbeiten, wenn Ergebnisse schwanken oder der Kontrollaufwand den Vorteil aufzehrt.
• Beenden, wenn auch nach begründeter Anpassung kein ausreichender Nutzen erkennbar ist.

Wissenstransfer und IT mit einplanen

Zwei weitere Hindernisse kommen hinzu: Projektgruppen, deren Erkenntnisse im Unternehmen nicht ankommen, und eine IT, die zum Engpass wird. Für die Umsetzung sollten Fachbereiche und IT gemeinsam wiederverwendbare Lösungen, Zuständigkeiten und praktikable Freigaben festlegen. Die Prüfliste unten hilft, diese Punkte früh zu prüfen.

Mein Ansatz ist, mit einem klar begrenzten Anwendungsfall zu beginnen, die beteiligten Menschen gezielt zu befähigen und den Nutzen zu überprüfen. Erst wenn Qualität, Verantwortlichkeiten und Wirtschaftlichkeit nachvollziehbar sind, sollte die Lösung breiter eingesetzt werden.

Prüfliste vor dem Start

Jeden Punkt mit „erfüllt", „teilweise" oder „offen" bewerten und bei Bedarf eine Maßnahme mit Termin zuordnen.

• Nutzt die verantwortliche Führungskraft KI selbst und kennt sie die Grenzen?
• Sind Anwendung, Ziel und fachlich verantwortliche Person festgelegt?
• Gibt es einen Lernplan passend zu den beteiligten Rollen?
• Sind Ergebnisprüfung, Freigabe und menschliche Übernahme geregelt?
• Werden Erfahrungen dokumentiert und in die Fachbereiche übertragen?
• Sind Datenzugriffe und der technische Betrieb geklärt?
• Werden Effizienz, Qualität und zusätzlicher Kundennutzen geprüft?
• Gibt es Ausgangswerte und eine Entscheidung über Fortführung oder Ende?

Häufige Fragen