KI-Strategie entwickeln: Wirkung vor Werkzeugeinsatz
In vielen Unternehmen wächst die Liste der getesteten KI-Werkzeuge schneller als die Liste der gelösten Probleme. Nach wenigen Monaten gibt es Demos, einzelne Prompts und erste Zugänge, aber keine gemeinsame Antwort darauf, welcher Geschäftsbereich dadurch nachweislich besser arbeitet. Wer eine KI-Strategie entwickeln will, sollte deshalb nicht mit der Toolauswahl beginnen, sondern mit einer Führungsentscheidung: Welche Wirkung ist so wichtig, dass sie Ressourcen, Aufmerksamkeit und Veränderung rechtfertigt?
Kurzantwort: Eine KI-Strategie ist dann belastbar, wenn sie Geschäftsziel, priorisierte Anwendungsfälle, Daten, Verantwortlichkeiten und messbare Wirkung zusammenführt. Sie wird nicht an der Zahl der Lizenzen oder Pilotprojekte gemessen, sondern daran, ob eine Lösung im Arbeitsalltag genutzt wird und eine vorher definierte Kennzahl verbessert.
Die zentrale These lautet: KI ist keine eigenständige Technologiestrategie. Sie ist ein Teil der Geschäftsstrategie und muss deshalb wie ein Portfolio unternehmerischer Entscheidungen geführt werden. Das klingt selbstverständlich, wird in der Praxis aber regelmäßig unterlaufen, sobald ein überzeugendes Werkzeug oder ein einzelner Prototyp Aufmerksamkeit erhält.
Warum beginnt eine KI-Strategie mit Entscheidungen statt Tools?
Die erste strategische Frage lautet nicht: „Welches Modell nutzen wir?“ Sie lautet: „Welchen Beitrag soll KI zu Wachstum, Kosten, Qualität, Geschwindigkeit, Risikoreduktion oder Kundenerlebnis leisten?“ Ohne diese Entscheidung wird aus der Suche nach Anwendungsfällen ein Ideenmarkt. Mit ihr entsteht ein Suchraum, in dem sich Vorschläge vergleichen und auch ablehnen lassen.
Unser Ansatz unterscheidet vier Wirkungsfelder: persönliche Produktivität, Serviceeffizienz, Prozessinnovation sowie Innovation und neues Geschäft. Diese Unterscheidung ist mehr als eine Ordnungshilfe. Sie verhindert, dass Unternehmen KI dauerhaft auf das Schreiben von Texten und die Beschleunigung individueller Aufgaben reduzieren. Solche Anwendungen können ein sinnvoller Einstieg sein. Sie ersetzen aber nicht die Entscheidung, ob beispielsweise ein kundenrelevanter Prozess, eine interne Durchlaufzeit oder ein neues Angebot strategisch wichtiger ist.
Ebenso wichtig ist das richtige Zielbild. Nicht jedes Unternehmen muss sofort sein Geschäftsmodell neu entwerfen. Für viele Organisationen ist es vernünftig, zunächst bestehende Prozesse zu optimieren: wiederkehrende Aufgaben unterstützen, Fehlerquoten senken oder Entscheidungen besser vorbereiten. Erst wenn ein klarer Nutzen, geeignete Daten und tragfähige Arbeitsabläufe vorhanden sind, wird die Neugestaltung ganzer Prozesse realistisch. Wer alle drei Transformationsstufen gleichzeitig ausruft, erzeugt meist Unruhe statt Richtung.
Daraus folgt eine unbequeme Konsequenz für die Führung: Ein Use-Case-Workshop vor der Zielbildentscheidung produziert keine Strategie, sondern eine lange Wunschliste. Der bessere Start ist ein sichtbares Mandat mit einem geschäftlichen Anlass, einer verantwortlichen Sponsorin oder einem verantwortlichen Sponsor, einem ersten Geltungsbereich und einfachen Regeln für Daten und Sicherheit. Erst dann ist klar, welche Ideen überhaupt in Betracht kommen.
Auch Governance gehört an den Anfang, aber in angemessener Form. Eine interne Assistenz ohne sensible Daten und ohne autonome Entscheidung braucht nicht dieselbe Prüfung wie eine Anwendung im Kundenkontakt oder ein System mit Einfluss auf Personen. Für Unternehmen, die fertige KI-Software einsetzen, ist es meist wichtiger, zugelassene Werkzeuge, Datenklassen, menschliche Kontrolle und klare Nutzungsregeln zu definieren, als eine Entwicklungsorganisation zu imitieren. Zu viel Formalismus blockiert den Einstieg. Zu wenig Orientierung fördert Schattennutzung.
Wie wird aus einer KI-Strategie ein steuerbares Portfolio?
Ein guter Anwendungsfall beginnt mit einem konkreten Engpass. Das kann die wiederholte Suche nach Informationen sein, eine Wartezeit zwischen zwei Prozessschritten, eine hohe Zahl von Nacharbeiten oder ein Kundenkontakt, der zu langsam und zu uneinheitlich abläuft. Die Frage lautet: Was soll sich für welche Zielgruppe nachweisbar ändern? „Wir wollen KI einsetzen“ ist keine Hypothese, die man prüfen kann.
Jede Idee sollte deshalb in derselben Form beschrieben werden: Problem, betroffene Zielgruppe, erwartete Wirkung, benötigte Daten, verbleibende menschliche Aufgaben, Risiken und ein Testkriterium. Danach werden drei Fragen getrennt bewertet: Ist der Fall geschäftlich wertvoll? Ist er mit den verfügbaren Daten, Systemen und Fähigkeiten umsetzbar? Und ist sein Risiko kontrollierbar? Erst diese Trennung macht aus einer überzeugenden Demo eine vergleichbare Entscheidung.
Der verbreitete Fehler besteht darin, Risiken erst kurz vor der Einführung zu prüfen. Dann stehen bereits Erwartungen, Investitionen und interne Befürworter im Raum. Besser ist es, Risiko als Voraussetzung für den nächsten Schritt zu behandeln. Ein sinnvoller Entscheidungsweg führt von der zugelassenen Idee über einen begrenzten Proof of Concept und ein Minimum Viable Product bis zur Produktionsfreigabe und Skalierung. An jeder Stufe muss eine andere Frage beantwortet werden: Ist der Ansatz fachlich und technisch machbar? Entsteht im Arbeitsalltag Nutzen? Sind Betrieb, Schulung, Überwachung und Verantwortung vorbereitet? Lässt sich der Nutzen auf weitere Bereiche übertragen?
Das ist kein Plädoyer für langsame Projekte. Im Gegenteil: Ein kurzer, klar abgegrenzter Test ist schneller als ein Pilot ohne Erfolgskriterien. Ein Proof of Concept soll eine Unsicherheit reduzieren, nicht eine besonders glänzende Präsentation liefern. Ein MVP wiederum ist erst dann gelungen, wenn eine Pilotgruppe die Lösung nutzt, ihre Ergebnisse prüfen kann und Rückmeldung in Prozess, Oberfläche und Support einfließt. Technische Funktionsfähigkeit ohne Adoption ist wirtschaftlich irrelevant.
Die Messung beginnt vor dem Test. Wer Zeitgewinn behauptet, braucht eine Ausgangsmessung von Suchzeit, Bearbeitungszeit oder Durchlaufzeit. Wer Qualität verbessern will, braucht einen Ausgangspunkt für Fehler, Nacharbeit oder fachliche Bewertung. Wer Kosten oder Umsatzbeiträge erwartet, muss Entwicklungs-, Integrations- und Betriebskosten mitdenken. Ohne Baseline bleibt der Nutzen eine plausible Erzählung.
Führung sollte deshalb ein schlankes Dashboard verlangen, das sechs Perspektiven verbindet: Geschäftswirkung, Nutzung, Qualität, Sicherheit und Governance, Betrieb sowie Lernen und Befähigung. Besonders wichtig sind die Kennzahlen, die eine schöne Demo nicht zeigt: aktive Nutzende, Nacharbeit, Datenzugriffsereignisse, Kosten pro Nutzung, Schulungsbeteiligung und wiederkehrende Fehlerbilder. Sie machen sichtbar, ob KI Arbeit wirklich verbessert oder nur an eine andere Stelle verschiebt.
Die technische Architektur folgt diesem Portfolio, nicht umgekehrt. Für einen ersten, klar abgegrenzten Fall kann ein leichtgewichtiger, zugelassener KI-Stack genügen. Bei mehreren integrierten Arbeitsabläufen wachsen die Anforderungen an Datenzugriff, Überwachung, Wiederverwendung und Betrieb. Eigenentwicklung ist dort sinnvoll, wo proprietäre Daten und Domänenwissen den Differenzierungsfaktor bilden und der langfristige Nutzen Wartung, Integration und Verantwortung trägt. Für marktübliche Unterstützungsfunktionen ist Zukauf häufig die bessere Entscheidung. Technisch beeindruckend ist keine ausreichende Begründung für beides.
Was bedeutet das nun für Führungskräfte?
Nicht, dass sie jedes Modell verstehen oder jede Architekturentscheidung selbst treffen müssen. Ihre Aufgabe besteht darin, Richtung zu geben, wenige Kernfälle zu priorisieren, Ressourcen zu schützen und Stop-, Anpassungs- oder Skalierungsentscheidungen tatsächlich zu treffen. Dazu gehört auch sichtbares Verhalten: anwendungsnahe Lernformate unterstützen, die eigene Nutzung reflektieren und Grenzen offen kommunizieren.
Eine wirksame KI-Strategie ist damit kein Dokument, das nach einem Vorstandstermin abgelegt wird. Sie ist ein Entscheidungsrhythmus: das Kernteam bearbeitet Blocker in kurzen Abständen, ein monatlicher Portfolio- und Wirkungsreview vergleicht Nutzen, Qualität, Kosten und Risiken, und ein strategischer Review passt Prioritäten an neue Erkenntnisse an. Das ist weniger spektakulär als der nächste Tool-Launch. Es ist aber der Mechanismus, durch den aus vereinzelten Experimenten eine belastbare organisatorische Fähigkeit wird.
Für wen das relevant ist: für Führungsteams, die KI über einzelne Produktivitätsgewinne hinaus in Geschäftsprozesse und Kundenarbeit überführen wollen.
Für wen nicht: für einen einzelnen, risikoarmen Anwendungsfall ohne sensible Daten und ohne Prozesswirkung; dort sind klare Nutzungsregeln und ein kurzer Test oft ausreichend.
Konsequenz
Beginnen Sie nicht mit einer unternehmensweiten Tool-Roadmap. Formulieren Sie auf einer Seite den geschäftlichen Zielbeitrag, wählen Sie ein Wirkungsfeld und wenige Kernfälle, definieren Sie Messgrößen vor dem Test und vereinbaren Sie feste Entscheidungsgates. Was danach nicht zu Wirkung, Risiko und Umsetzbarkeit passt, wird nicht weiterverfolgt. Genau darin zeigt sich Strategie.
