JEDAM DIGITAL
Februar 2026
7 Min. Lesezeit
Es gibt eine Frage, die ich von Führungsteams zu Beginn nahezu jedes AI-Gesprächs höre. Sie lautet: „Wir wollen AI einsetzen – wo sollten wir anfangen?“
Das klingt vernünftig. Es ist die falsche Frage. Und die Tatsache, dass sie so beständig gestellt wird, ist meiner Einschätzung nach der wichtigste Grund, warum die meisten AI-Initiativen in Unternehmen keinen nennenswerten Mehrwert liefern.
Wer mit der Frage „Wie setzen wir AI ein?“ beginnt, hat bereits einen entscheidenden Fehler gemacht: Er stellt die Technologie in den Mittelpunkt statt das Ergebnis. Nun werden Probleme gesucht, die zur bereits gewählten Lösung passen – genau umgekehrt zu der Art, wie gute unternehmerische Entscheidungen getroffen werden.
Das führt zu einem vorhersehbaren Muster. Ein Team wird zusammengestellt. Ein Tool wird ausgewählt, oft orientiert an dem, was der Wettbewerb angeblich tut, oder an einem überzeugenden Anbieter-Pitch. Ein Anwendungsfall wird definiert – meist etwas, das in einer Vorstandspräsentation beeindruckend klingt, wie „AI-gestützter Kundenservice“ oder „Predictive-Analytics-Dashboard“. Ein Budget wird bewilligt. Sechs Monate später existiert das System, aber niemand nutzt es, der ROI lässt sich nicht messen, und die AI-Initiative wird stillschweigend zu den Akten gelegt – während das Unternehmen zu dem Schluss kommt, „AI sei für unsere Branche noch nicht reif“.
Die Technologie war nicht das Problem. Das Problem war, wie die Initiative am ersten Tag definiert wurde.
Die richtige Ausgangsfrage ist konkret und unbequem: „Welches konkrete Ergebnis benötigen wir, das wir mit den Mitarbeitenden und Systemen, die wir heute haben, nicht im erforderlichen Umfang, Tempo oder zu vertretbaren Kosten erreichen können?“
Diese Frage bewirkt etwas Entscheidendes: Sie erzwingt Präzision beim Ergebnis – nicht „besserer Kundenservice“, sondern „3.000 Tier-1-Supportanfragen pro Monat bewältigen, ohne zusätzliches Personal einzustellen“. Sie verankert das Problem in der aktuellen operativen Realität. Und sie schafft einen klaren Erfolgsmaßstab, bevor überhaupt eine Technologie ausgewählt wird.
Von diesem Ausgangspunkt aus lässt sich die Frage beantworten, ob AI das richtige Werkzeug ist – und wenn ja, welche Art. Manchmal ist AI die richtige Antwort. Manchmal ist es eine Prozessneugestaltung. Manchmal ist es eine Neueinstellung. Manchmal sind es alle drei. Unternehmen, die gute AI-Investitionen tätigen, haben diese Fragen in der Regel getrennt beantwortet, bevor überhaupt über Technologie gesprochen wurde.
Muster eins: Das Pilotprojekt, das nichts beweist. Ein Proof of Concept wird gebaut, um zu zeigen, dass AI „funktioniert“ – dass sie das leisten kann, was theoretisch von ihr erwartet wird. Doch niemand hat vorab definiert, was „funktionieren“ in geschäftlichen Kennzahlen bedeutet. Der Pilot ist nach seinen eigenen, eng gefassten Kriterien erfolgreich. Das Unternehmen kann jedoch nicht beantworten, ob eine Skalierung sinnvoll ist. Das Projekt verharrt unbegrenzt in der „Evaluierungsphase“.
Muster zwei: Die falsche Verantwortlichkeit. AI-Initiativen, die in der IT-Abteilung oder in einem „Digital-Transformation-Team“ ohne Anbindung an das operative Tagesgeschäft angesiedelt sind, liefern durchweg zu wenig. Die Personen, die das eigentliche Geschäftsproblem tief genug verstehen, um Erfolgskriterien zu definieren, sitzen nicht mit am Tisch. Die Personen, die das System bauen, lösen ein technisches Problem – kein unternehmerisches.
Muster drei: Die Datenannahme. Eine AI-Initiative wird auf Basis der Annahme geplant und genehmigt, dass die benötigten Daten bereits in nutzbarer Form vorliegen. Das ist nicht der Fall. Drei Monate des Projekts werden mit dem Bereinigen, Strukturieren und Zusammenführen von Daten verbracht, bevor überhaupt eine AI-Lösung entstehen kann. Das Projekt überschreitet Budget und Zeitplan. Das Vertrauen der Führungsebene schwindet. Eine Technologie, die durchaus tragfähig gewesen wäre, wird abgeschrieben – weil die notwendige Vorarbeit erst sichtbar wurde, als sie bereits zum Hindernis geworden war.
Unternehmen, bei denen AI tatsächlich funktioniert, beginnen mit einem strukturierten Discovery-Prozess – nicht mit einer Technologieentscheidung. Sie identifizieren zwei oder drei konkrete operative Probleme, bei denen der Business Case für AI eindeutig ist: Die Zeitersparnis ist quantifizierbar, die Daten liegen vor oder lassen sich beschaffen, der Prozess ist klar genug definiert, um automatisiert zu werden, und das Ergebnis lässt sich messen.
Sie starten mit einer kleinen, klar abgegrenzten ersten Initiative und einem eindeutigen 90-Tage-Erfolgskriterium. Sie messen ehrlich. Sie skalieren auf Basis von Evidenz – nicht von Begeisterung.
Das ist langsamer als der Ansatz, den die meisten Unternehmen wählen. Es ist aber auch der einzige, der zuverlässig funktioniert.
Ein echtes AI-Strategiedokument ist keine Liste von AI-Technologien, die ein Unternehmen einführen wird. Es ist eine priorisierte Landkarte konkreter Geschäftsergebnisse, der AI-Fähigkeiten, die diese liefern könnten, der jeweiligen Daten- und Infrastrukturvoraussetzungen sowie einer ehrlichen Einschätzung der organisatorischen Reife.
Dazu gehören auch Fälle, in denen die Empfehlung lautet, AI nicht einzusetzen – wenn eine einfachere Automatisierung, eine Prozessänderung oder eine Personalentscheidung die bessere Antwort ist. Jede Strategie, die AI für alles empfiehlt, sagt Ihnen, was Sie hören wollen – nicht, was Sie wissen müssen.
Die meisten AI-Initiativen scheitern, bevor sie beginnen, weil sie mit der falschen Frage starten. Ändern Sie die Frage, und die Erfolgsaussichten ändern sich mit ihr.
