KI-Grundlagen: kein Chatbot, sondern eine neue Art zu arbeiten

1. Einleitung: Warum das alte Verständnis von künstlicher Intelligenz nicht mehr ausreicht

Noch immer wird über KI gesprochen, als wäre sie nur ein intelligentes Textfeld. Man stellt eine Frage und erhält eine Antwort. Man bittet um eine Idee und bekommt eine Liste. Man lässt eine E-Mail verfassen und erhält einen Entwurf.

Das war die erste prägende Nutzungserfahrung mit KI. Sie machte die Technologie leicht zugänglich, reicht aber nicht mehr aus, um zu beschreiben, wohin sich KI entwickelt.

KI ist weder nur ein Chatbot noch eine neue Form der Suchmaschine oder eine Maschine, die Texte erzeugt. Sie entwickelt sich zu einer neuen Arbeitsebene: zu einem System, das Ziele versteht, Informationen beschafft, Werkzeuge nutzt, Code schreibt, Arbeitsschritte ausführt, Automatisierungen anstößt, Freigaben einholt und aus den Prozessen einer Organisation lernt.

Damit ändert sich die Fragestellung grundlegend. Früher hieß es: „Was kann ich die KI fragen?“ Heute sollte die Frage lauten: „Welche Arbeitsschritte kann die KI übernehmen, welche Systeme darf sie nutzen und an welchen Punkten entscheidet ein Mensch?“

Das ist ein gewaltiger Wandel. Laut dem AI Index Report 2025 von Stanford HAI beschleunigte sich der KI-Einsatz in Organisationen deutlich: 2024 gaben 78 Prozent der Organisationen an, KI zu nutzen; ein Jahr zuvor waren es 55 Prozent. Zugleich flossen weltweit 33,9 Milliarden US-Dollar an privaten Investitionen in generative KI.^[1]

Es geht nicht mehr um ein einzelnes Werkzeug, sondern um die Neuorganisation der Arbeit.

2. Was bedeutet künstliche Intelligenz im Jahr 2026?

KI bezeichnet Computersysteme, die Aufgaben bewältigen können, für die bislang menschliches Denken, Sprache, Schlussfolgern, Erkennen, Lernen, Planen oder Kreativität erforderlich waren. Diese Definition greift heute jedoch zu kurz, wenn sie bei „KI liefert Antworten“ stehen bleibt.

Moderne künstliche Intelligenz kann mindestens fünf Dinge tun:

• Sie kann Inhalte erzeugen: Texte, Bilder, Code, Audio, Videos, Berichte und Präsentationen.
• Sie kann Informationen analysieren: Dokumente, Kundenfeedback, Tabellen, Bilder, Protokolle, Verträge und Daten.
• Sie kann Werkzeuge nutzen: Datenbanken, Kalender, CRM, Projektmanagement, Browser, Code-Editoren, Automatisierungsplattformen und APIs.
• Sie kann Arbeitsschritte ausführen: Entwürfe erstellen, Formulare ausfüllen, Tickets anlegen, Code schreiben, Optionen vergleichen und Entscheidungen vorbereiten.
• Sie kann als Agent agieren: mehrstufige Aufgaben planen, den Fortschritt prüfen, verschiedene Tools einsetzen und an kritischen Punkten die Freigabe eines Menschen einholen.

Hier gibt es einen wesentlichen Unterschied. Das alte Konzept der künstlichen Intelligenz lautete: KI antwortet. Das neue Konzept der künstlichen Intelligenz lautet: KI übernimmt Teile der Arbeit.

3. Die vier Rollen der KI: Denkpartner, Produzent, Werkzeugnutzer und Akteur

KI lässt sich am besten anhand von vier Rollen verstehen.

1. KI als Denkpartnerin

Dies ist die vertrauteste Ebene. KI hilft dabei, Ideen zu entwickeln, Sachverhalte zu erklären, Inhalte zusammenzufassen, Optionen zu vergleichen, Gedanken zu hinterfragen und Argumente auszuarbeiten. Beispiel: „Analysieren Sie diese Geschäftsidee aus Sicht der Kunden, des Wettbewerbs, der Preisgestaltung und der Risiken.“ Dabei dient KI als Sparringspartnerin.

2. KI als Unterstützung bei der Umsetzung

KI erzeugt konkrete Arbeitsergebnisse. Sie kann eine erste Fassung eines Berichts, Codes, einer Kampagne, Präsentation, Vertragsvorlage, Grafik, eines Videoskripts oder einer Kundennachricht erstellen. Beispiel: „Fassen Sie diese Kundenanalyse für die Geschäftsleitung auf drei Folien zusammen.“ Hier denkt die KI nicht nur mit, sondern liefert verwertbares Material.

3. KI als Werkzeugnutzerin

Hier geht der Wandel tiefer. Die KI arbeitet nicht mehr isoliert, sondern nutzt Systeme: Sie ruft Daten aus dem CRM ab, liest Dokumente, fragt Datenbanken ab, prüft Kalender, untersucht Code-Repositories oder analysiert Aufgaben im Projektmanagement. Beispiel: „Rufen Sie die neuesten Supportanfragen, offenen Angebote und Gesprächsnotizen des Kunden ab und schlagen Sie die nächste Nachricht vor.“ Dafür benötigt die KI Zugriff auf reale Unternehmensdaten.

4. Künstliche Intelligenz als Agent

Das ist die nächste große Welle. Ein Agent antwortet nicht nur, sondern erledigt eine Aufgabe Schritt für Schritt. Beispiel: „Bereiten Sie den Kundentermin in der kommenden Woche vor: Recherchieren Sie die Hintergründe, prüfen Sie offene Punkte, erstellen Sie eine Agenda und einen Nachrichtenentwurf und holen Sie vor dem Versand meine Freigabe ein.“ Die KI wird damit zu einer digitalen Arbeitskraft – nicht zur eigenständigen Entscheiderin, aber zur aktiven Ausführenden von Arbeitsschritten.

4. Generative KI ist nur die erste Ebene

Generative KI bezeichnet Systeme, die neue Inhalte erzeugen: Text, Bild, Ton, Video, Code oder Kombinationen daraus. Sie brachte KI den Durchbruch im Massenmarkt. Wer hier stehen bleibt, sieht jedoch nur die sichtbare Oberfläche der Technologie.

Generative KI ist wie ein Elektromotor: eine leistungsfähige Komponente, deren eigentliche Wirkung erst durch die Verbindung mit Maschinen, Prozessen, Produktionslinien und Geschäftsmodellen entsteht.

Das Gleiche gilt für KI. Ein einzelner Textgenerator ist nützlich. Doch KI, die mit den Daten, Prozessen, Tools, Berechtigungen, Kontrollmechanismen und Entscheidungswegen eines Unternehmens verbunden ist, ist etwas grundlegend anderes.

Dann ist KI nicht mehr nur eine Assistenz im Hintergrund. Sie wird Teil der Arbeitsinfrastruktur.

5. Agenten: Wenn künstliche Intelligenz beginnt, Arbeitsschritte zu erledigen

Ein Agent ist ein KI-System, das ausgehend von einem Ziel mehrstufige Aufgaben erledigen kann. Er kann zum Beispiel die Aufgabe verstehen, in Teilaufgaben zerlegen, Informationen beschaffen, das passende Tool auswählen, eine Aktion ausführen, das Ergebnis prüfen, mit dem nächsten Schritt fortfahren, die Freigabe eines Menschen einholen und seine Arbeit dokumentieren.

Das ist ein großer Unterschied zu einem normalen Chatbot. Der Chatbot beantwortet die Frage. Der Agent treibt den Prozess voran.

Im Finanzwesen könnte ein Agent zum Beispiel:

1. offene Rechnungen abrufen
2. Abweichungen erkennen
3. sie mit Verträgen abgleichen
4. unklare Fälle auflisten
5. Maßnahmen vorschlagen
6. eine menschliche Freigabe einholen
7. Entscheidungen im System dokumentieren

Das ist nicht mehr nur Ideenfindung, sondern konkrete Arbeit. Die McKinsey-Umfrage „State of AI 2025“ zeigt genau diesen Übergang: Organisationen experimentieren nicht mehr nur mit KI. Sie gestalten Arbeitsabläufe neu, benennen Verantwortliche für die KI-Governance und entwickeln Wege, geschäftlichen Nutzen zu erzielen.^[2]

Die zunehmende Verbreitung von Agenten macht KI praktischer, aber auch riskanter. Je mehr eine KI tun darf, desto wichtiger ist eine klare Grenze für das, was sie nicht tun darf.

6. Orchestrierung: So wird KI-Arbeit auf Modelle, Agenten und Menschen verteilt

Orchestrierung zählt zu den wichtigsten Konzepten der künftigen KI-Arbeit. Sie steuert das Zusammenspiel: welches Modell welche Aufgabe übernimmt, welcher Agent welches Tool nutzt, an welchen Punkten ein Mensch eingreift und wie das Ergebnis geprüft wird.

Eine gute Analogie ist ein Orchester. Ein einzelnes Sprachmodell gleicht einem versierten Musiker. Hat ein Unternehmen jedoch Dutzende Tools, mehrere Modelle sowie unterschiedliche Datenquellen, Nutzer und Risikostufen, braucht es einen Dirigenten.

Orchestrierung beantwortet beispielsweise diese Fragen:

• Welche Aufgabe sollte einem schnellen und günstigeren Modell übertragen werden?
• Welche Aufgabe erfordert ein leistungsfähigeres Reasoning-Modell?
• Wann wird per RAG in den Dokumenten des Unternehmens gesucht?
• Wann darf ein Agent per MCP auf ein System zugreifen?
• Wann ist eine menschliche Freigabe erforderlich?
• Wie werden Fehler erkannt?
• Wie werden die Kosten unter Kontrolle gehalten?
• Wie wird das Endergebnis dokumentiert?

Das ist wichtig, weil eine künftige KI-Lösung selten aus nur einem Bot besteht. Häufig bildet sie eine vollständige Prozesskette. Eine KI-Orchestrierung im Kundenservice könnte etwa so aussehen:

1. Ein kleines Modell klassifiziert die Nachricht
2. RAG ruft Richtlinien und Kundendaten ab
3. Das Sprachmodell entwirft die Antwort
4. Der Agent prüft die Bestellung im System
5. Die Regel-Engine bewertet das Risiko
6. Ein Mensch gibt Ausnahmefälle frei
7. Das System protokolliert den Vorgang im CRM

Das ist die neue Grundform des KI-Einsatzes: kein einzelner Prompt, keine einzelne Antwort, sondern ein orchestrierter Arbeitsablauf.

7. Agentenfarm: digitale Arbeitskräfte der Zukunft

Eine Agentenfarm ist eine Gruppe spezialisierter KI-Agenten mit jeweils eigenen Aufgaben. Ein Agent wertet Kundenfeedback aus. Ein zweiter bereitet Vertriebsunterlagen vor. Ein dritter prüft Code. Ein vierter beobachtet Wettbewerber. Ein fünfter analysiert Finanzdaten. Ein sechster überwacht Vertragsfristen. Ein siebter unterstützt die Vorbereitung von Recruiting-Prozessen.

Das klingt futuristisch, doch die Entwicklung ist bereits sichtbar. In Unternehmen ist inzwischen auch von „Agent Sprawl“ die Rede, also von der unkontrollierten Ausbreitung von Agenten. Laut dem Wall Street Journal kämpfen Unternehmen bereits damit, dass verschiedene Teams eigene KI-Agenten entwickeln – und damit Risiken für Informationssicherheit, Governance und Kosten erhöhen.^[3]

Eine Agentenfarm kann einen enormen Produktivitätssprung ermöglichen – sofern sie geführt wird. Andernfalls entsteht eine neue Form der Schatten-IT: Schatten-KI. Beschäftigte bauen eigene Agenten, Teams verwenden eigene Werkzeuge und Datenflüsse werden undurchsichtig. Niemand weiß mehr, welcher Agent mit welchen Berechtigungen was getan und welche Kosten verursacht hat.

Daher benötigt eine Agentenfarm drei Dinge:

1. Ein Register – welche Agenten gibt es in der Organisation?
2. Einen Verantwortlichen – wer trägt die Verantwortung für Betrieb, Qualität und Risiken des Agenten?
3. Ein Monitoring – was tut der Agent, wie viel kostet sein Betrieb und welche Fehler verursacht er?

Gut geführt wird eine Agentenfarm zu einer neuen Produktionsstruktur. Schlecht geführt verursacht sie teures und riskantes Chaos.

8. RAG: Wie man künstliche Intelligenz mit dem unternehmenseigenen Wissen verbindet

RAG steht für Retrieval-Augmented Generation. Gemeint ist, dass die Generierung durch den Abruf zusätzlicher Informationen ergänzt wird. Das Prinzip ist einfach: Statt nur auf Grundlage ihres allgemeinen Trainingswissens zu antworten, sucht die KI zunächst relevante Informationen in unternehmenseigenen Dokumenten, Datenbanken oder anderen Quellen. Anschließend formuliert sie ihre Antwort auf Grundlage der gefundenen Informationen.

RAG löst eines der größten KI-Probleme: den fehlenden Unternehmenskontext. Ohne ihn kann die KI nur allgemeine Ratschläge geben. Mit RAG kann sie auf die tatsächliche Situation des Unternehmens eingehen.

Beispiel: „Welche zentralen Anforderungen stellt unsere Informationssicherheitsrichtlinie an Unterauftragnehmer?“ Ohne RAG kann die KI nur allgemein antworten. Mit RAG ruft sie die passenden Stellen aus der unternehmenseigenen Richtlinie ab und fasst sie zusammen.

Besonders wichtig ist dies im Kundenservice, in Rechts- und Personalabteilungen, im Vertrieb, im technischen Support, in der Produktdokumentation, bei der internen Informationssuche, in Schulungen und bei der Entscheidungsvorbereitung.

RAG ist jedoch kein Wundermittel. Die Qualität hängt vom Unternehmenswissen ab. Sind Dokumente veraltet, widersprüchlich oder schlecht benannt, ruft die KI ungeeignete Informationen ab – schnell und überzeugend.

Ein RAG-Projekt ist deshalb häufig zugleich ein Wissensmanagementprojekt. KI macht sichtbar, wie gut oder schlecht das interne Wissen tatsächlich gepflegt ist.

9. MCP: kontrollierte Schnittstelle der KI zu Unternehmenssystemen

MCP, das Model Context Protocol, ist ein offener Standard, über den KI-Anwendungen kontrolliert auf externe Tools, Datenquellen und Systeme zugreifen können. Anthropic stellte MCP im November 2024 als offenen Standard vor, der sichere bidirektionale Verbindungen zwischen KI-Tools und Datenquellen ermöglichen soll.^[4]

MCP lässt sich als USB-C-Anschluss für KI betrachten. Für den Unternehmenseinsatz passt jedoch vielleicht ein anderes Bild besser: MCP ist ein Werkzeugschrank für KI, dessen Zugriff sich steuern lässt. MCP legt fest, welche Tools verfügbar sind, welche Daten gelesen und welche Aktionen ausgeführt werden dürfen, mit welchen Berechtigungen, im Namen welches Nutzers und wann eine Freigabe erforderlich ist.

Dadurch verändert sich die Rolle der KI:

• KI ohne Integrationen ist ein allgemeiner Assistent.
• KI mit Unternehmensdaten ist eine kontextkundige Expertin.
• KI mit Werkzeugzugriff kann Arbeitsschritte ausführen.
• Mit Berechtigungen, Protokollierung und Freigaben wird KI zu einer kontrollierten digitalen Akteurin.

Die wichtigste MCP-Frage für ein Unternehmen ist nicht technischer, sondern organisatorischer Natur: Worauf darf die KI zugreifen? Darf sie Kundendaten lesen? Darf sie das CRM aktualisieren? Darf sie Nachrichten versenden? Darf sie Datenbanken abfragen? Darf sie Tickets anlegen? Darf sie Produktivcode ändern? Darf sie Zahlungen auslösen?

Jede Ja-Antwort erhöht den Nutzen. Und Verantwortung zugleich.

10. Denken in Kompetenzen: Welche Fähigkeiten bringt KI in die Organisation?

KI wird zu oft nur als Tool betrachtet. Sinnvoller ist es, über Kompetenzen beziehungsweise Skills zu sprechen. Ein Unternehmen sollte nicht nur fragen: „Setzen wir KI ein?“, sondern: „Welche neuen Fähigkeiten bringt KI in unsere Organisation?“

KI kann zum Beispiel die Fähigkeit einbringen, lange Dokumente zu lesen, das Wesentliche zusammenzufassen, Widersprüche aufzudecken, erste Fassungen zu schreiben, Inhalte für unterschiedliche Zielgruppen zu übersetzen, Kundenfeedback zu analysieren, Anomalien in Daten zu erkennen, SQL-Abfragen auszuführen, Code zu schreiben und zu testen, Bilder und Videos zu erstellen, Vertriebstexte zu verfassen, Angebote vorzubereiten, Wettbewerber zu beobachten, Vertragsfristen zu überwachen, Tickets anzulegen, Systeme zu aktualisieren, Qualität zu prüfen und nächste Schritte vorzuschlagen.

Das Denken in Kompetenzen macht KI greifbar. Es lenkt die Diskussion weg von einer vagen „KI-Transformation“ und hin zu den konkreten Bestandteilen der Arbeit. Eine Liste der KI-Kompetenzen eines Marketingteams könnte so aussehen:

1. Entwicklung von Kampagnenideen
2. Zielgruppenanalyse
3. Erstellung von Textvarianten
4. Entwicklung von Bildkonzepten
5. Planung von A/B-Tests
6. Analyse von Kampagnendaten
7. Entwurf eines Berichts für die Geschäftsleitung

Das ist viel praktischer als der Satz „Wir nutzen künstliche Intelligenz im Marketing.“

11. Programmieren: Warum sich die Softwareentwicklung als Erstes verändert hat

Softwareentwicklung gehört zu den wichtigsten KI-Anwendungsfeldern. Dafür gibt es drei Gründe: Erstens ist Code eine Sprache, die Sprachmodelle gut verarbeiten können. Zweitens lassen sich Ergebnisse testen – Code funktioniert oder funktioniert nicht. Drittens sind Entwickler an Werkzeuge, Dokumentation, Versionsverwaltung und Automatisierung gewöhnt, sodass sich KI natürlich in ihre Arbeitsabläufe einfügt.

In der Softwareentwicklung kann KI Funktionen schreiben, bestehenden Code erklären, Bugs finden, Architekturen vorschlagen, Tests schreiben, Code refaktorieren, Dokumentation erstellen, Fehlerlogs analysieren, Prototypen bauen, bei der Einführung einer neuen Bibliothek helfen, UI-Entwürfe erzeugen und Migrationen durchführen.

Das bedeutet nicht, dass KI gute Entwickler ersetzt. Es bedeutet, dass ein guter Entwickler mehr leisten kann. Noch interessanter ist: Ein Gründer ohne technischen Hintergrund kann erste Prototypen auf eine Weise bauen, die früher deutlich schwieriger war.

Dies wirkt sich direkt auf die Start-up-Welt aus. Früher war die technische Umsetzung oft ein Engpass. Heute lässt sich eine erste Version schneller, günstiger und mit einem kleineren Team entwickeln.

Zugleich drohen technische Schulden. KI kann in kurzer Zeit Code erzeugen, den niemand wirklich versteht, oder einen ansprechenden Prototyp bauen, der nicht skaliert. Ebenso kann sie Sicherheitslücken, problematische Abhängigkeiten und eine unübersichtliche Architektur einschleppen.

Beim Programmieren ersetzt KI daher kein Fachwissen – sie macht es noch wertvoller.

12. AI-first-Denken: Prozesse müssen neu gestaltet werden

AI-first bedeutet nicht, KI überall hineinzuzwängen. Es bedeutet, Prozesse von Anfang an mit der Frage zu gestalten: „Wie würden wir diese Arbeit erledigen, wenn KI ein natürlicher Bestandteil des Prozesses wäre?“

Das ist etwas völlig anderes als ein Chatbot, der einem alten Prozess einfach aufgesetzt wird. Beim alten Ansatz erledigt der Mensch die Arbeit, KI hilft beim Formulieren, und der Prozess bleibt unverändert. Der AI-first-Ansatz sieht so aus:

1. Ziel definieren
2. Wiederkehrende Arbeitsschritte identifizieren
3. Arbeit auf Menschen, KI und Automatisierung verteilen
4. KI mit den richtigen Datenquellen verbinden
5. Freigabepunkte einbauen
6. Qualität, Zeit, Kosten und Risiken messen
7. Prozess kontinuierlich verbessern

Im Recruiting bedeutet AI-first beispielsweise nicht, dass KI Menschen auswählt. KI kann einen Entwurf der Stellenausschreibung verfassen, die Sprache auf Diskriminierungsfreiheit prüfen, Bewerbungen strukturieren, relevante Erfahrungen den Kriterien gegenüberstellen, Interviewfragen vorbereiten, Gesprächsnotizen zusammenfassen und auf Entscheidungsrisiken hinweisen. Die Entscheidungen trifft jedoch ein Mensch.

AI-first bedeutet nicht, den Menschen aus dem Prozess zu entfernen. Es verlagert menschliche Arbeitszeit auf die wertvolleren Teile des Prozesses.

13. Unternehmensperspektive: KI in Budget, Führung und Monitoring

Unternehmen sollten KI nicht länger nur aus einem Versuchsetat finanzieren, sondern als reguläre Produktivitätsinvestition behandeln. Ebenso wie Softwarelizenzen, Geräte, Schulungen und Arbeitsmittel gehören auch KI-Lizenzen, Token- und API-Kosten, Automatisierungsplattformen, Informationssicherheit, Schulung, Integrationen, Monitoring, Qualitätssicherung und interne Entwicklung ins Budget.

Token sind die grundlegende Abrechnungseinheit bei der Nutzung von KI-Modellen. Praktisch sind es kleine Einheiten, in die Texte, Daten oder andere Eingaben zerlegt werden und nach deren Menge die Modellnutzung berechnet wird. Je mehr KI liest, schreibt und verarbeitet, desto mehr Token werden verbraucht.

Das klingt technisch, doch aus Führungssicht ist die Frage einfach: Wie viel ist ein Unternehmen bereit zu investieren, um die Produktivität seiner Beschäftigten zu steigern? Es ist durchaus sinnvoll zu prüfen, ob beispielsweise 1–5 Prozent der Personalkosten in KI fließen sollten, wenn Fachkräfte dadurch schneller arbeiten, die Qualität steigt und Routinearbeit abnimmt. Der genaue Anteil hängt von Branche, Art der Arbeit, Datenreife und Risikoniveau ab – entscheidend ist das Prinzip.

Bei einem KI-Budget sollten vier Bereiche unterschieden werden:

1. Betriebsbudget – Lizenzen, Token, API-Kosten und Tools.
2. Kompetenzbudget – Schulungen, interne Leitlinien, Prompt-Bibliotheken, Bestandsaufnahme der Skills und bewährte Verfahren.
3. Integrationsbudget – MCP, RAG, Datenquellen, Automatisierungen, Informationssicherheit und Systemanbindungen.
4. Transformationsbudget – Neugestaltung von Prozessen, Veränderungsmanagement, Monitoring und Führungsmodelle.

Wichtig ist auch, den KI-Einsatz zu beobachten – nicht, um Menschen zu überwachen, sondern damit das Unternehmen versteht, wo KI tatsächlich Nutzen stiftet, wo sie Fehler verursacht, wie viel ihr Einsatz kostet, wer weitere Schulungen benötigt, welche Teams Vorreiter sind, welche Prozesse als Nächstes automatisiert werden sollten und wo Risiken entstehen.

Das Monitoring des KI-Einsatzes ist eine neue Führungsaufgabe. Ohne belastbare Daten bleibt nur ein Gefühl: „Wir nutzen ziemlich viel KI.“ Das reicht nicht. Ein Unternehmen muss wissen, was sich dadurch verändert.

14. Start-up-Perspektive: kleineres Team, höhere Leistungsfähigkeit

Für Start-ups bietet KI außergewöhnliche Chancen. Ein kleines Team kann Aufgaben bewältigen, für die früher deutlich mehr Menschen nötig waren: Prototypen bauen, Code schreiben, Leitfäden für Nutzerforschung erstellen, Interviews auswerten, Marketingmaterial produzieren, Preise testen, Vertriebslisten erstellen, Unterlagen für Investoren entwerfen, die erste Stufe des Kundenservice übernehmen und interne Arbeitsschritte automatisieren.

Das macht ein Start-up nicht automatisch zu einem guten Unternehmen. Es verändert jedoch, was Geschwindigkeit bedeutet. Früher beruhte ein Wettbewerbsvorteil oft darauf, wer über die meisten Ressourcen verfügte. Heute kann er daraus entstehen, wer Menschen und KI am wirkungsvollsten miteinander verbindet.

Ein KI-natives Start-up fragt nicht: „Wo ergänzen wir eine KI-Funktion?“ Es fragt: „Wie würden unsere Prozesse aussehen, wenn wir dieses Unternehmen heute von Grund auf mit KI aufbauen würden?“

Für Start-ups birgt der KI-Hype jedoch auch Gefahren. Plötzlich scheint alles möglich und schnell umsetzbar; es entstehen viele Demos, aber wenig tragfähiges Geschäft. Deshalb müssen sie kritisch fragen: Welches reale Kundenproblem lösen wir? Was kann KI besser als der bisherige Ansatz? Welchen eigenen Datenvorteil haben wir? Welchen Vertriebsvorteil haben wir? Was ist schwer zu kopieren? Wie sichern wir die Qualität? Wie entwickeln sich die Kosten bei wachsender Nutzung?

KI erleichtert die Entwicklung. Den Markt macht sie nicht einfacher.

15. Veränderungsmanagement: Warum KI scheitert, wenn Menschen außen vor bleiben

Die Einführung von KI ist nicht nur ein Technologieprojekt, sondern ein Vorhaben des Veränderungsmanagements. Kauft die Führung ein Werkzeug, ohne Arbeitsweisen anzupassen, bleibt KI ein Fremdkörper. Befürchten Beschäftigte, dass KI ausschließlich Einsparungen dienen soll, teilen sie ihre besten Anwendungen nicht. Versteht das mittlere Management die Möglichkeiten nicht, kann es Prozesse nicht sinnvoll verändern. Wird die Informationssicherheit erst am Ende einbezogen, gerät das Vorhaben ins Stocken oder kommt zum Stillstand.

Gutes Veränderungsmanagement beginnt mit einer ehrlichen Botschaft: KI verändert die Arbeit. Nicht alles wird automatisiert, und nicht alles sollte automatisiert werden. Aber alle müssen lernen, KI sinnvoll einzusetzen.

Eine Organisation sollte den KI-Wandel auf vier Ebenen gestalten:

1. Verstehen – was künstliche Intelligenz ist und was nicht?
2. Anwendungskompetenz – wie setzt ein Beschäftigter KI in der eigenen Arbeit ein?
3. Prozessänderung – wie werden sich die Arbeitsabläufe des Teams ändern?
4. Veränderung der Führung – wie spiegelt sich KI in Zielen, Budget, Kennzahlen, Risikomanagement und Entscheidungen wider?

Wichtig ist, interne Vorreiter zu finden. Die besten KI-Anwendungen entstehen oft nicht auf Strategiefolien, sondern im Alltag: im Vertrieb bei der Vorbereitung von Kundenterminen, in der Rechtsabteilung bei der Vertragsprüfung, in der Entwicklung bei automatisierten Tests oder im Personalbereich bei einer schnelleren Einarbeitung. Die Führung muss solche Praktiken sichtbar machen, skalieren und absichern.

16. Risiken: Daten, Berechtigungen, Halluzinationen, Kosten und Verantwortung

Je mehr die KI übernimmt, desto schwerer wiegen die Risiken. Solange sie nur einen Entwurf schreibt, lässt sich ein Fehler meist leicht korrigieren. Nutzt sie Systeme, ruft Daten ab, nimmt Änderungen vor oder versendet Nachrichten, kann ein Fehler unmittelbare Folgen haben.

Die wichtigsten Risiken:

1. Halluzinationen

KI kann Informationen erfinden oder falsche Schlüsse ziehen. Besonders gefährlich ist das, wenn die Antwort sauber formuliert und überzeugend wirkt.

2. Falscher Kontext

KI kann ein veraltetes Dokument, falsche Kundeninformationen oder unvollständige Daten verwenden. RAG hilft nicht, wenn die abgerufenen Informationen schlecht sind.

3. Zu weitreichende Berechtigungen

Erhält ein Agent Zugriff auf alles, kann er zu viel tun. Wie sonst in der Informationssicherheit sollte das Least-Privilege-Prinzip gelten: KI erhält nur die Berechtigungen, die sie tatsächlich benötigt.

4. Prompt Injection

Ein externes Dokument, eine Webseite oder ein aus einem System abgerufener Inhalt kann Anweisungen enthalten, die KI manipulieren sollen. Das wird umso gefährlicher, wenn KI auf Tools zugreifen kann.

5. Ausufernde Kosten

Token kosten Geld. Agenten verbrauchen Token. RAG-Abfragen kosten Geld. Die Orchestrierung mehrerer Modelle kostet Geld. Coding-Agenten können lange Aufgabenketten abarbeiten. Ohne Monitoring können die KI-Kosten unbemerkt steigen.

6. Verwischung der Verantwortung

„Das hat die KI getan“ ist kein Haftungsausschluss. Das Unternehmen bleibt seinen Kunden gegenüber verantwortlich, die Führung für ihre Entscheidungen und die Beschäftigten für die Qualität ihrer Arbeit. Das NIST-Profil zum Risikomanagement generativer KI betont, dass Organisationen die besonderen Risiken generativer KI als Teil ihres umfassenderen KI-Risikomanagements erkennen und steuern müssen.^[5]

Verantwortungsvoller KI-Einsatz bedeutet nicht, zu bremsen. Er bedeutet, Leitplanken zu bauen, bevor das Tempo steigt.

17. Zukunft: Auf dem Weg zum KI-Betriebssystem

Die Zukunft der KI liegt nicht in einer einzelnen Anwendung. KI wird zu einer Ebene zwischen Anwendungen, Daten, Prozessen und Menschen. In der Arbeitswelt der Zukunft kann sie wie ein Betriebssystem wirken: Sie versteht das Ziel des Nutzers, beschafft den richtigen Kontext, wählt Tools aus, verteilt Aufgaben an Agenten, nutzt Unternehmensdaten, verfolgt den Fortschritt, holt Freigaben ein, lernt aus Prozesskennzahlen und verbessert den Arbeitsablauf kontinuierlich.

Das geschieht weder über Nacht noch in allen Branchen gleich schnell. Die Richtung ist jedoch klar. KI entwickelt sich:

• vom Text zur Aktion
• vom Chat zum Arbeitsablauf
• vom Prompt zum Prozess
• vom Einzelmodell zum Agentensystem
• vom Experiment zur systematischen Steuerung

Unternehmen, die dies frühzeitig erkennen, „nutzen KI“ nicht einfach so. Sie bauen die Arbeit darum herum neu auf.

18. Schlussfolgerungen

Zu den KI-Grundlagen gehört heute mehr, als einen guten Prompt schreiben zu können. Entscheidend ist, die Logik der neuen Arbeitswelt zu verstehen.

KI kann mitdenken, Material erstellen, Tools nutzen, Unternehmenswissen abrufen, Code schreiben, Arbeitsschritte ausführen, als Agent handeln, Prozesse automatisieren, die Produktivität der Beschäftigten steigern, die Kostenstruktur des Unternehmens verändern und die Anforderungen an Führung auf ein neues Niveau heben.

Doch KI nimmt dem Menschen seine Verantwortung nicht ab – im Gegenteil. Je mehr die KI übernimmt, desto besser muss der Mensch sie steuern. Ein Unternehmen muss wissen, was die KI warum tut, über welche Berechtigungen sie verfügt, welche Kosten entstehen und wann ein Mensch eingreifen muss.

Die wichtigste Erkenntnis lautet: KI ist nicht nur ein Werkzeug, das Arbeit beschleunigt, sondern eine neue Art, Arbeit zu organisieren.

Unternehmen, die das verstehen, fragen nicht mehr: „Wie nutzen wir KI?“ Sie fragen: „Wie würden wir dieses Unternehmen aufbauen, wenn KI bei jedem sinnvollen Arbeitsschritt verfügbar wäre?“ Hier beginnt der echte Wandel.

19. Praxismodelle und Arbeitsvorlagen

1. AI-first-Prozesskarte

Wählen Sie einen Prozess aus und gehen Sie ihn folgendermaßen durch:

1. Was ist das Ziel des Prozesses?
2. Welche Schritte wiederholen sich?
3. Wo ist menschliches Urteilsvermögen gefragt?
4. Wo werden Unternehmensdaten benötigt?
5. Wo könnte KI einen Entwurf erstellen?
6. Wo könnte KI nach Informationen suchen?
7. Wo könnte KI ein Tool einsetzen?
8. Was könnte KI automatisch tun?
9. Wo ist eine Freigabe erforderlich?
10. Wie wird das Ergebnis gemessen?

Ein gutes erstes Ziel ist ein Prozess, der repetitiv, zeitaufwändig und ausreichend risikoarm ist.

2. Das Vier-Stufen-Modell der KI

Bewerten Sie jeden KI-Anwendungsfall anhand dieses Modells:

Je höher die Stufe, desto mehr Berechtigungen, Kontrolle und Freigaben sind erforderlich.

3. Skills-Bestandsaufnahme im Team

Bearbeiten Sie gemeinsam im Team:

• Was machen wir jede Woche? Listen Sie 20 sich wiederholende Arbeitsschritte auf.
• Wobei könnte KI helfen? Ordnen Sie jeden Arbeitsschritt einer Kategorie zu: Ideenfindung, Entwurf, Analyse, Suche, Automatisierung oder Entscheidungsunterstützung.
• Welche Fähigkeiten benötigen wir? Zum Beispiel Dokumente zusammenfassen, Kundendaten analysieren, Code erzeugen, Berichte erstellen oder Bilder produzieren.
• Was muss integriert werden? Dokumente, CRM, Projektmanagement, Datenbank, Kalender, E-Mail.
• Was darf nicht automatisiert werden? Entscheidungen, die Menschen, Finanzen, Gesundheit, Sicherheit, rechtliche Belange oder die Reputation betreffen – sofern keine Freigabe vorliegt.

4. RAG-Bereitschaftscheckliste

Bevor Sie eine RAG-Lösung erstellen, fragen Sie:

• Wo befinden sich die Informationen?
• Sind die Informationen aktuell?
• Wem gehören die Informationen?
• Sind die Informationen widersprüchlich?
• Wie funktionieren Berechtigungen?
• Wie werden dem Nutzer die Quellen angezeigt?
• Wie werden falsche Antworten erkannt?
• Wie werden veraltete Informationen entfernt?
• Wie wird Qualität gemessen?

RAG behebt kein schlechtes Informationsmanagement – es macht dessen Schwächen sichtbar.

5. Modell für die MCP-Einführung

So fangen Sie an:

1. Wählen Sie ein System aus.
2. Erteilen Sie zunächst nur die Leseberechtigung.
3. Begrenzen Sie den Nutzerkreis.
4. Protokollieren Sie alle Zugriffe.
5. Legen Sie Freigabepunkte fest.
6. Testen Sie Missbrauchsszenarien.
7. Erweitern Sie den Einsatz erst, wenn Nutzen und Risiken verstanden sind.

Beginnen Sie nicht mit den kritischsten Systemen, sondern in einem Bereich mit klarem Nutzen und beherrschbarem Risiko.

6. Governance-Modell für Agentenfarmen

Für jeden Agenten müssen folgende Punkte festgelegt sein: Name, Zweck, verantwortliche Person, verwendete Tools, Datenquellen, Berechtigungen, Kostenlimit, Protokollierung, Qualitätskennzahl, Freigabepunkte und Abschaltmechanismus.

Ein Agent ohne klar benannten Verantwortlichen gehört nicht in den Produktivbetrieb.

7. Grundlegendes KI-Budgetmodell

Die Geschäftsleitung sollte die KI-Investitionen ins Verhältnis zu den Personalkosten setzen. Soll die Produktivität von Fachkräften steigen, ist es sinnvoll zu prüfen, welcher Anteil der Personalkosten in KI investiert werden sollte.

8. Kennzahlen für das Monitoring des KI-Einsatzes

Verfolgen Sie mindestens folgende Kennzahlen: aktive Nutzer, eingesetzte Tools, Tokenverbrauch, Kosten pro Team, eingesparte Zeit, Zahl der erstellten Entwürfe, Zahl der freigegebenen KI-Ergebnisse, Fehlerzahl, Nutzerzufriedenheit, Prozessdurchlaufzeit, Auswirkungen auf Kunden, Risikofälle und Automatisierungsgrad.

Entscheidend ist nicht, alles zu messen, sondern zu erkennen, wo KI die Arbeit tatsächlich verbessert.

9. Fragenkatalog für Führungskräfte

Stellen Sie zu jedem Prozess folgende Fragen:

1. Was nimmt hier am meisten Zeit in Anspruch?
2. Was ist repetitiv?
3. Was erfordert Daten?
4. Was erfordert menschliches Urteilsvermögen?
5. Kann KI die erste Version erstellen?
6. Kann KI die notwendigen Informationen abrufen?
7. Kann KI ein Tool nutzen?
8. Welche Risiken entstehen, wenn die KI fehlerhaft handelt?
9. Wo ist eine Freigabe erforderlich?
10. Wie messen wir Verbesserungen?

10. Praxistipp in einem Satz

Beginnen Sie nicht mit der Frage, was Sie KI fragen könnten. Fragen Sie stattdessen:

„Welchen Arbeitsschritt sollte in diesem Prozess die KI übernehmen, welche Entscheidung muss ein Mensch treffen und was sollte das System automatisch erledigen?“

Darin liegt der Kern eines modernen KI-Verständnisses.

Quellen

1. The 2025 AI Index Report — Stanford HAI
2. The State of AI: How organizations are rewiring to capture value — McKinsey
3. Companies Have a New AI Problem: Too Many Agents — Wall Street Journal
4. Introducing the Model Context Protocol — Anthropic
5. AI Risk Management Framework — NIST