KI-Einführung im Unternehmen: Readiness-Check und Vorgehen in vier Phasen

Die KI-Einführung im Unternehmen scheitert selten an der Technik. Sie scheitert daran, dass Lizenzen verteilt werden, bevor jemand weiß, welche Aufgaben damit anders laufen sollen, wer die Ergebnisse prüft und welche Daten hinein dürfen. Dieser Artikel zeigt den Weg in vier Phasen, vom Pilot bis zur Automatisierung, und den Readiness-Check davor.

Er richtet sich an Unternehmen mit 20 bis 500 Mitarbeitern ohne eigenes KI-Team. Die Strategie dahinter beschreibt der Artikel KI-Strategie für Unternehmen; den Gesamtblick auf Use Cases, Kosten und Werkzeuge gibt der Guide KI für Unternehmen.

Was KI-Einführung heute bedeutet

Vor zwei Jahren hieß KI-Einführung: ChatGPT-Accounts kaufen und hoffen. Heute heißt es, drei Dinge zusammenzubringen: Sprachmodelle, die Text, Dokumente und Daten verarbeiten; Workflows und Agenten, die daraus wiederholbare Abläufe machen; und Regeln, die festlegen, welche Daten hineinfließen und wer die Ergebnisse prüft. KI einführen ist abgeschlossen, wenn alle drei Teile im Betrieb sind, nicht wenn die Lizenzen aktiv sind. Für KI im Mittelstand gilt das ohne eigenes KI-Team, mit einem techaffinen Kollegen und externem Support.

Das Gegenbild ist die Kochrezept-Falle: Die breite Masse nutzt KI-Werkzeuge nur für einfachste Aufgaben, Unternehmen kaufen Werkzeuge ohne Regel für deren Einsatz in den Arbeitsprozessen, und es bleibt bei allgemeinen Lösungen, wo spezialisierte bessere Ergebnisse liefern. Das Ergebnis sind teure Lizenzen, die ihr Potenzial nicht ausschöpfen.

KI-Readiness: Zehn Fragen vor dem Start

KI-Readiness ist keine Reifegradstudie, sondern ein Blick auf fünf Voraussetzungen. Beantworte die zehn Fragen mit Ja oder Nein. Jedes Nein ist eine Aufgabe für Phase 1, kein Grund zu warten.

Sieben von zehn Ja reichen für den Start. Weniger als fünf heißt: Erst die Regeln und die Champions, dann die Accounts.

Phase 1: Pilotgruppe (Woche 1 bis 2)

Wähle drei bis fünf Power-User aus verschiedenen Abteilungen und gib ihnen einen LLM-Zugang. Die Aufgabe jedes Piloten: drei Use Cases dokumentieren, die ihm Zeit sparen. Parallel läuft das Audit: die drei zeitintensivsten Prozesse pro Abteilung, eine Ein-Seiten-Policy "Was darf rein, was nicht" und der erste automatisierte Workflow, meist Meeting-Zusammenfassungen.

Die Pilotgruppe ist keine Innovationsabteilung. Sie besteht aus Leuten, die den Prozess kennen, den sie verbessern. Ein Vertriebsmitarbeiter, der seine Lead-Recherche selbst automatisiert, überzeugt sein Team schneller als jede Präsentation.

Der erste Workflow: Meeting-Zusammenfassungen

Der erste automatisierte Workflow ist im Guide bewusst klein: Meeting-Zusammenfassungen. Er hat drei Eigenschaften, die ihn zum richtigen Start machen. Das Volumen ist hoch, weil jedes Team mehrere Meetings pro Woche hat. Der manuelle Aufwand ist sichtbar, weil heute jemand Protokolle schreibt oder niemand. Und das Risiko ist begrenzt: Meeting-Zusammenfassungen stehen im Governance-Framework in der Stufe "begrenzt" mit Standard-Review, nicht in der Hochrisiko-Klasse.

Der Workflow zeigt dem Team in Woche eins, wie ein Ergebnis aussieht, das direkt nutzbar ist: Entscheidungen, offene Punkte, Verantwortliche, Termine. Wer die Zusammenfassung liest und zwei Fehler findet, hat verstanden, warum Regel vier der Policy "Ein Mensch prüft" heißt. Das ist die Schulung, die kein Foliensatz ersetzt.

Phase 2: Best Practices und Regeln (Woche 3 bis 4)

Sammle die besten Use Cases der Piloten und destilliere daraus eine interne Prompt-Bibliothek mit fünf bis zehn Templates. Definiere die Regeln: Kundendaten nur anonymisiert, keine Passwörter, keine Verträge in Consumer-Accounts. Miss in dieser Phase die Baseline: Stunden pro Vorgang vor der Einführung, sonst fehlt später das Delta für den Business Case.

Ein guter Prompt in der Bibliothek hat Kontext, Zielvorgabe, Tonalität, Länge und Struktur. "Schreib mir eine E-Mail an den Kunden" ist kein Template. "Schreibe eine E-Mail an [Kunde] zu [Problem], Kontext [Hintergrund], Ton höflich aber bestimmt, Ziel [Ergebnis], höchstens 150 Wörter, Struktur Begrüßung, Problem, Lösung, nächste Schritte" ist eines.

Phase 3: Rollout ins Team (Woche 5 bis 8)

Der Rollout läuft über Workshops von zwei Stunden pro Abteilung, ein Buddy-System, in dem jeder Power-User drei bis vier Kollegen betreut, und ein wöchentliches KI-Standup von 15 Minuten mit der Frage: Was hat funktioniert, was nicht. Die Schulung ist nicht "KI allgemein", sondern der konkrete Anwendungsfall der Abteilung.

In dieser Phase entscheidet sich die Adoption. Das Metrik-Framework für KI-Projekte nennt die dritte Ebene, Adoption und Change, die am meisten unterschätzte: aktive Nutzer, Acceptance Rate der Vorschläge, Workaround-Rate, Time-to-Value. Wenn weniger als 40 Prozent der Zielgruppe das Werkzeug täglich nutzen, ist das kein Technikproblem, sondern Change-Management.

Phase 4: Automatisierung (ab Monat 3)

Die manuellen Prompts, die am meisten genutzt werden, werden zu automatisierten Workflows: API-Anbindungen für wiederkehrende Aufgaben, eigene Agenten für abteilungsspezifische Aufgaben. Das ist der Übergang vom Werkzeug zum Prozess, und hier greift die dritte Kompetenzstufe: Prozess-Integrierer bauen KI systematisch in ihre Workflows ein, etwa eine Marktanalyse, die jeden Freitag automatisch läuft.

Ein typischer zweiter Workflow ist der automatische Wochenreport für Operations: Ein Agent greift auf die Datenquellen zu, führt die Abfragen aus, interpretiert die Ergebnisse und schreibt einen Bericht mit Auffälligkeiten und Handlungsempfehlungen. Der Use-Case-Artikel nennt als typischen Effekt: von einem Tag Reporterstellung auf 15 Minuten. Der Guide setzt diesen Report in Woche zwei des Fahrplans an, zusammen mit der Baseline-Messung.

Jetzt lohnt der Blick auf die Werkzeuge des Growth-Stacks: eine Vektordatenbank für die interne Suche, Sales-Automation mit LLM-Integration, eigene Dashboards über die API. Vorher nicht; ein Werkzeug ohne Prozess dahinter ist eine Lizenz ohne Nutzen.

KI-Kompetenz: Pflicht und Hebel

Artikel 4 des EU AI Act verpflichtet Anbieter und Betreiber, Maßnahmen zu ergreifen, um die KI-Kompetenz ihres Personals zu unterstützen, und nach besten Kräften ein ausreichendes Maß sicherzustellen. Die Pflicht gilt seit dem 2. Februar 2025. Ein ausreichendes Maß heißt nicht Data-Science-Kurs für alle, sondern: Jeder, der KI im Job nutzt, weiß, was das Werkzeug kann, was nicht, welche Daten hinein dürfen und wann ein Mensch prüft.

Die Pflicht und der Hebel sind dasselbe: Der Unterschied zwischen einem Team, das Lizenzen hat, und einem, das produktiver ist, liegt in der Kompetenz. Echte KI-Kompetenz hat drei Stufen: Tool-Optimierer kennen die Stärken und Schwächen der Werkzeuge, Prompt-Meister arbeiten mit Kontext und Struktur, Prozess-Integrierer bauen KI in Abläufe ein. Der Rollout plant, wer welche Stufe erreicht.

Die Kennzahlen dafür: Zeitersparnis pro Aufgabe vorher und nachher, Anzahl aktiver Nutzer, Fehlerrate bei KI-Ergebnissen, Anzahl selbst initiierter KI-Projekte. Die letzte Zahl zeigt, ob die Einführung angekommen ist: Wenn Mitarbeiter eigene Use Cases vorschlagen, läuft der Prozess ohne dich.

Regeln, die vor dem ersten Account stehen

Die Ein-Seiten-Policy aus Phase 1 beantwortet vier Fragen: Welche Werkzeuge und Anbieter sind freigegeben, welche Daten dürfen hinein, welche Use Cases sind erlaubt und welche verboten, und wer genehmigt neue Anwendungen. Das ist die erste Säule des Governance-Frameworks, konkreter als "verantwortungsvoll".

Für Werkzeuge, die personenbezogene Daten verarbeiten, kommt der Datenschutz dazu: Rechtsgrundlage vor dem Einsatz festlegen und dokumentieren, Auftragsverarbeitungsvertrag mit jedem externen Anbieter abschließen, Datenklassifikation durchführen, EU-Region für die Verarbeitung sicherstellen. Was das für ChatGPT konkret heißt, steht im Artikel ChatGPT im Unternehmen.

Fünf Fehler bei der KI-Einführung

1. Lizenzen vor Regeln. Accounts für alle, bevor die Policy und die Champions stehen. Die Folge: oberflächliche Nutzung und Lizenzen ohne Wirkung.
2. "KI allgemein" schulen. Schulung ohne den konkreten Anwendungsfall der Abteilung bleibt Theorie.
3. Keine Baseline. Ohne Stunden je Vorgang vor der Einführung gibt es kein Delta und keinen Business Case.
4. Adoption nicht messen. Wer nur die Technik prüft, übersieht, dass das Team Workarounds baut.
5. Zu früh automatisieren. Ein Agent für einen Prozess, den noch niemand manuell mit KI beherrscht, produziert Fehler ohne Korrektiv.

Der Gegenentwurf ist unspektakulär: eine Pilotgruppe, eine Seite Regeln, eine Prompt-Bibliothek, Workshops mit dem eigenen Anwendungsfall, Kennzahlen ab Woche zwei und Automatisierung erst, wenn der manuelle Ablauf sitzt.

Fazit

KI-Einführung ist ein Prozess mit vier Phasen und einem Readiness-Check davor, kein Einkauf. Wer die zehn Fragen beantwortet, die Pilotgruppe mit echten Prozessen startet, die Regeln vor die Accounts stellt und die Adoption misst, hat nach acht Wochen ein Team, das KI im Alltag nutzt, und nach drei Monaten die ersten automatisierten Abläufe. Wie du daraus dauerhaft Kompetenz baust, zeigt der Artikel zum KI-Kompetenz-Paradox; welche Pflichten der Gesetzgeber dazu stellt, der Artikel EU AI Act für Unternehmen.

Quellen

• Verordnung (EU) 2024/1689, Artikel 4 (KI-Kompetenz), eur-lex.europa.eu/eli/reg/2024/1689/oj; Artikeltext auf Deutsch unter artificialintelligenceact.eu/de/article/4/
• Eigene Artikel: KI für Unternehmen (Phasen 1 bis 4, 30-Tage-Fahrplan, Stacks), Das KI-Kompetenz-Paradox, Erfolgsmetriken für KI-Projekte, KI-Governance Framework, DSGVO-konforme KI-Implementierung