KI ist Führungsaufgabe

Angesichts des Potentials - sowohl für positive, als auch für negative Einflüsse - von KI für unsere Gesellschaft und unsere Wirtschaft ist es im Grunde genommen eine Binsenweisheit, dass die Unternehmensführung das Thema als ureigenste Aufgabe für sich verstehen sollte. Neben den formalen Aspekten, die den Umgang mit KI regeln sollen (KI-Richtlinie, Datenschutz, Auswahl etc.) sollten die Führungspersönlichkeiten mit möglichst großer Geschlossenheit vorangehen und als Vorbild dienen. Dadurch werden ein paar der Fragen, die sich immer stellen, implizit beantwortet: Darf ich das? Soll ich das? Will ich das? Letztere vielleicht noch am wenigsten, aber auch hier wirkt es motivierend, wenn auch die Führungskraft offen mit ihren Erfahrungen im Umgang mit KI umgeht. Auch Sollen und Dürfen werden so sehr natürlich adressiert. Der Rest gestaltet sich einfacher, wenn man als Führungskraft ein Zeichen setzt. Das ist nichts KI-spezifisches und wird hier auch nur deshalb angeführt, weil eine gewisse Neigung in den Unternehmen zu beobachten ist, dass KI nur als neues IT-Tool gesehen wird, es in Wirklichkeit aber viel mehr ist.

Eine Anekdote hierzu aus dem echten Leben:

Ein Mitarbeiter sagt in einem Meeting, in dem es explizit um den Einsatz von KI in der täglichen Arbeit geht und jeder einmal seinen Stand und seine Erfahrung schildern soll so etwas wie:

“Ich setze es seit einer Weile intensiv ein und es spart mir enorm viel Zeit. Das hat mir regelrecht ein schlechtes Gewissen bereitet, weil ich ja gar nicht mehr so viel Arbeit in meine Ergebnisse stecken muss.”

Der anwesende Vorstand reagiert darauf mit:

“Das Du das einsetzt ist absolut richtig und Du brauchst kein schlechtes Gewissen zu haben. Wir profitieren ja als Unternehmen, wenn Du und andere dadurch effektiver werden!”

Das schlechte Gewissen des Mitarbeiters ist möglicherweise ein häufig unterschätzter Faktor. Für viele fühlt es sich fast schon illegal an, eine Arbeit, die früher einmal Stunden in Anspruch genommen hat, jetzt nur noch Minuten benötigt. Gleichzeitig kommen dann Gedankenspiralen in Gang, die in Richtung “Ich ersetze mich hier selbst” gehen. Es ist eine Führungsaufgabe, dieses schlechte Gewissen zu nehmen und jeden zu ermutigen, diese Effizienzsteigerungen zu erzielen und klar zu machen, dass man mit freigewordener Zeit und Kapazität im Zweifel viele produktive Dinge für den Erfolg des Unternehmens umsetzen kann. Vielleicht haben dann irgendwann die Mitarbeiter ein schlechtes Gewissen, die KI nicht einsetzen. Besser wäre eine positive Motivation, aber besser Antrieb durch ein wenig schlechtes Gewissen, als Bremse.

Nicht falsch verstehen: Dies ist kein Aufruf, Mitarbeitern ein schlechtes Gewissen zu machen!

Organisatorische Elemente

Nur die Vorbildfunktion des Geschäftsführers und der direkten Führungsmannschaft reicht selbstverständlich nicht. Aber auf dieser Grundlage lassen sich organisatorische Elemente einfacher implementieren.

Den Weg freimachen

Als erste Aufgabe sollten die typischen Hürden beseitigt werden. Hier reden wir oft über die oben bereits genannten Formalitäten, zu denen je nach Größe und Struktur auch eine Abstimmung mit dem Betriebsrat gehört. Wenn hier erst einmal allen formalen Ansprüchen Rechnung getragen wurde, dann gilt es, das eigene Schutzbedürfnis zu definieren und die auch in die Auswahl der Werkzeuge und Plattformen einfließen zu lassen.

Lernen und Starten

Wenn es in die Breite gehen soll, bietet es sich an, Schulungen und Einweisungen mit der Bereitstellung von Tools halbwegs zu synchroniseren. Auf Halde lernen funktioniert nicht und deshalb muss nach dem Absolvieren einer Schulung auch die Möglichkeit vorhanden sein, dass das Erlernte angewendet werden kann. Im besten Fall wird auch nicht einfach nur ein Zugang zu einem Chatbot für eingerichtet, sondern gleichzeitig auch eine begleitende Maßnahme organisiert, die dafür sorgt, dass keiner mit seinen Fragen alleine gelassen wird und jeder von jedem lernen kann. Die kann auf unterschiedliche Weise erfolgen. Von einem Wissensbereich, in dem sich jeder auch informieren kann, welche Dinge gut funktionieren und mit welchen einfachen Anwendungen jeder in die Nutzung kommen kann, bis hin zu regelmäßigen offenen Austauschformaten, in denen auch andere Anwender vorstellen können, was sie bisher mit der neuen Technologie geschafft haben.

Ohne einen Austausch mit anderen bleibt es oft bei einer Nutzung von ChatBots als Google-Ersatz und wenig anspruchsvollen Spielereien. Durch den Austausch und die unterstützende Begleitung auf vielen Ebenen werden jedoch auch skeptische Menschen überzeugt, mutigere Schritte zu machen und Dinge auszuprobieren, die andere schon probiert haben.

Ziele definieren

Natürlich ist es das Optimum, wenn alle intrinsisch motiviert sind und ohne äußere Faktoren KI adaptieren und damit sinnstiftende Leistungen im Rahmen der gesetzten Regeln erzeugen. Um dem Erfolg hier ein wenig auf die Sprünge zu helfen, ist es jedoch häufig sinnvoll bis notwendig, auch klare Ziele zu definieren. In einer ersten Phase ist es wichtiger, dass es Ziele gibt und diese auch erreichbar sind, als das diese Ziele einen massiven Einfluss auf den Unternehmenserfolg haben. Nicht jedes Unternehmen setzt OKR als System ein, aber wenn doch, ist natürlich optimal, diese Ziele in das System zu integrieren. Für alle anderen ist es jedoch auch in Ordnung, dass zunächst locker auf eine Weise zu formulieren, die jeder auf sich projizieren kann.

Spielraum lassen

Einer der wichtigsten Faktoren für den Erfolg von Innovation und Adaption ist eine gesunde Fehler- und Feedback-Kultur. Gerade bei der Einführung und Adaption von KI - und nachfolgender KI-basierter Innovation - ist es wichtig, experimentieren zu dürfen und das bedeutet eben auch immer: Fehler machen zu dürfen. Das diese Fehler in ihrem möglichen Schaden begrenzt sind, dafür sollen die Regelwerke und Randbedingungen sorgen. Ansonsten müssen die Anwender diese Fehler machen dürfen, um einen professionellen Umgang mit der neuen Technologie zu lernen.

Also: Starten, Lernen und Adaptieren!

Reifeprüfung

Um herauszufinden, wo die großen Gewinne durch KI erzielt werden können, lohnt es sich, auf die unterschiedlichen Reifegrade zu schauen. Hierfür nutzen wir ein einfaches Modell mit drei Stufen:

Stufe 1: Augmentation

KI wird genutzt, um Mitarbeitern erweiterte Möglichkeiten zu verschaffen. Prozesse bleiben grundsätzlich gleich, Systeme werden nicht modifiziert oder integriert.

In dieser Stufe geht es um die Realisierung von persönlichen Gewinnen bei der täglichen Arbeit. Der Mitarbeiter wird durch KI verstärkt oder erweitert. Das Ziel ist, die Effizienz, die Qualität oder das Volumen zu steigern. In der Regel werden dieselben Aufgaben erledigt, jetzt aber mit einem neuen Werkzeug, welches das alte ersetzt und dadurch diese Gewinne erzeugt. Hierfür gibt es viele Beispiele von der Unterstützung bei der Erzeugung oder Zusammenfassung von Texten, der Wissenserweiterung durch den Einsatz eines Chatbots oder der Skill-Erweiterung durch KI-Funktionen in Excel. In der Regel werden nur Schritte in vorhandenen Prozessen ersetzt, der Prozess selber bleibt gleich.

Stufe 2: Adaption

Prozesse werden umgestellt und mit KI erweitert. Systeme werden modifiziert oder um KI erweitert bzw. mit KI-Systemen integriert.

Durch KI können viele Prozesse anders gestaltet werden, als bisher. Reihenfolgen in den Prozessschritten ändern sich, manuelle Schritte können automatisiert werden und dadurch auch mit vorhandenen Systemen kommunizieren. Die Hürde ist in dieser Stufe größer, weil auch KI die Aufwände in der Umstellung von KI-Systemen nur bedingt beseitigen kann. Der initiale Aufwand ist jedoch gerechtfertigt durch einen klar berechenbaren Return on Invest. Die Umstellung ist langfristig und stabil, KI wird zum festen Bestandteil.

Stufe 3: Transformation

Vorgehensweisen ändern sich grundlegend und KI wird von Anfang an einbezogen. KI wird Bestandteil des Kerngeschäfts. Neue Angebote werden auf Basis von KI entwickelt, die es ohne KI nicht gäbe.

Wenn die Möglichkeiten der neuen Technologie *Künstliche Intelligenz* in einer gewissen Tiefe verstanden werden, entwickelt sich oft automatisch der Gedanke, dass damit nicht nur bestehendes verbessert werden, sondern ganz neues entstehen kann. Das ist dann echte Transformation, die einen großen und nachhaltigen Einfluss auf die Wertschöpfung in Art und Umfang haben kann. Von Predictive Maintenance als neuem Serviceangebot über Synthetische Medienproduktion bis zum autonomen Roboter gibt es bereits heute eine ganze Reihe an Beispielen. Zugegebenermaßen ist es alles andere als einfach, diesen Reifegrad zu erreichen. Es lohnt sich aber um so mehr und kennzeichnet das, was oft gemeint ist, wenn von technologischer Revolution die Rede ist, vielleicht am besten.

Und jetzt?

Mit einem Blick auf diese Definition von Reifegraden lässt sich unmittelbar erkennen, dass es nicht damit getan ist, jeder Mitarbeiterin und jedem Mitarbeiter einen ChatGPT-Account zu verschaffen, wenn sich die Nadel wirklich bewegen soll. Das soll nicht heißen, dass dies nicht trotzdem sinnvoll ist. Im Gegenteil: Die Nutzung und damit das Erlernen und die Gewöhnung an die Arbeit mit KI ist ein wichtiger Erfolgsfaktor. Vielleicht sogar mehr als das, nämlich das Fundament auf dem die großen Erfolge stehen können. Es muss nicht ChatGPT sein, aber eine möglichst vielfältige Unterstützung und Befähigung sowie eine vielfältige Tool-Landschaft sind gerade in der ersten Stufe wichtig. Während der Reifung der einzelnen Personen und der Organisation im Umgang muss auch mit Rückschlägen gerechnet werden - es könnte also sein, dass es erst einmal schlechter wird, bevor es besser werden kann.

Nicht stolpern

Die weitere Entwicklung - und es ist eine Entwicklung, also kein Projekt und keine plötzliche Erscheinung - geht umso schneller, wenn sich erste Erfolge einstellen und die Berührungsängste abgebaut sind. Organisationen mit einer ausgeprägten Innovations-, Fehler- und Feedback-Kultur sind hier im Vorteil. Wenn Mitarbeiter und Mitarbeiterinnen Angst davor haben, etwas falsch zu machen, dann werden sie alles Neue ablehnen. Es hilft also auch hier organisatorisch und kulturell den Boden zu bereiten. Dazu gehört auch, Glaubenssätze zu bekämpfen und mit einer positiven Führung voranzugehen. Mit der Metapher der Stufen wird auch deutlich, dass es zwar möglich ist, einzelne Stufen zu überspringen, aber wie an einer richtigen Treppe steigt die Gefahr, zu stürzen und sich blaue Flecken zu holen. Anders ausgedrückt: Wenn ich Stufe 3 - Themen anfasse, will ich das nicht mit einer Mannschaft tun, die nicht sehr fähig und trainiert im Umgang mit KI ist, sonst wird es schnell existenzbedrohend für das gesamte Unternehmen. Für die Wertschöpfung von morgen brauche ich Profis. Nur mit denen lässt sich eine neue, KI-basierte Wertschöpfungskette, ein neues KI-basiertes Produkt oder ein neuer KI-basierter Geschäftsbereich aufbauen und zu einem profitablen Geschäft machen. Da die wenigsten Unternehmen dafür auch noch auf komplett neues Personal setzen können oder wollen, müssen alle fit gemacht werden für die Zukunft.

Große Fragen

Letztlich kommen auch mit optimal absolvierten Vorstufen die großen Durchbrüche in Stufe 3 nicht von alleine, leider. Aber mit einem profunden Verständnis der Technologie und der Kenntnis der Kunden, ihrer Bedürfnisse und des Marktes lassen sich große Dinge entwickeln. Man muss dafür aber auch die großen Fragen stellen:

1. Welche Bestandteile meines Geschäfts werden durch KI vulnerabel, weil die Eintrittsschwelle für Wettbewerber niedriger wird?

2. Welche Bestandteile meines Geschäfts muss ich umstellen, weil es der gesamte Markt tut und ich nicht mithalten kann, wenn ich es nicht tue?

3. Was kann ich in meinem Markt mit KI tun, was ohne KI nicht ging und wie schaffe ich es, dass schnell und mit hoher Qualität zu tun?

4. Sind alle meine Angebote trotz KI noch marktfähig? Wenn nicht, muss ich sie anpassen oder aufgeben?

Das ist unbequem, aber wertvoll. Wie immer bei neuen Technologien gilt: Lieber die Disruption selber durchführen, als ihr von außen ausgeliefert sein!

Auch die letzten Studien zeigen einen massiven Überhang der Anwendung generativer KI im Bereich Marketing gegenüber anderen Unternehmensbereichen. Ist das nur Zufall oder hat das Methode? Gehen wir der Sache auf den Grund.

LinkedIn, Instagram und Youtube sind voll von Berichten über Chatbots, Agenten, n8n-Flows und anderen Tools für die Generierung von Marketing Content. Sucht man nach Anwendungsfällen in anderen Bereichen, wird es schnell dünner. Personalabteilungen, Kundenservice, Sales und alles weitere kommen auch vor, aber in weit geringerem Umfang. Fällt uns nichts anderes ein oder gibt es weitere Gründe für dieses Bild?

Die Zahlen

Von 42% im Vorjahr ist in 2025 die Quote der Unternehmen auf 60% gesprungen, die im Marketing in der Pilotierungs- oder Skalierungsphase sind. 71% der Unternehmen, die KI im Marketing einsetzen, geben an, dass sie Umsatzzuwächse erzielt haben, auch wenn die Zuwächse noch in einem Bereich unter 5% liegen. Letzteres deutet auch darauf hin, dass die Entwicklung erst am Anfang steht. Die Top-Themen sind dabei mit Personalisierung mit 73%, Content-Optimierung mit 51% und Strategie bzw. Ideation mit 45%.

Die Gründe

Zunächst einmal ist die wohl vordergründigste Erklärung natürlich die, dass generative KI vor allem mit einem beeindruckt: Sie generiert. Letzteres ist auch im Marketing eine der wichtigsten Aufgaben, also liegt es sehr nahe, hier mit KI anzusetzen. Texte, Bilder und Videos zu erzeugen war traditionell ein aufwendiger und teurer Prozess. Texterinnen, Foto- und Videographen haben mit erheblichem Zeiteinsatz zu guten Stundensätzen ihre Arbeit geleistet. Alternativ haben interne Mitarbeiterinnen und Mitarbeiter der Marketingabteilung ihr Talent eingesetzt, um Content für das Marketing zu kreieren. Vom flüchtigen Text für eine Pressemitteilung bis zum gedruckten Katalog oder dem Imagefilm mit längerer Standzeit waren Zeit und Kosten eine erhebliche Hürde.

Die Kostenhürde

Je kürzer die Halbwertzeit und je höher der Qualitätsanspruch, desto eher wurde verzichtet, weil die Kosten-Nutzen-Rechnung nicht passte. Ein immer noch trauriger Zeuge dieser Umstände sind Online-Kataloge mit fahrlässig wenig Bildern und wenig aussagekräftigem Text. Wer soll das alles pflegen? Was sollen die ganzen Fotos kosten?

Die Daten

Vor dem Hintergrund der Diskussion um Souveränität und Schutzbedürfnis hinsichtlich der Daten offenbart sich jedoch noch ein weiterer Punkt: Marketing produziert Daten, die ohnehin für die Öffentlichkeit gedacht sind, es gibt also keinen Grund, hier mit Datenschutz zu argumentieren, was einfach vieles erleichtert.

Anders ist es bei den analytischen Themen im Marketing, die mit Kundendaten arbeiten und beispielsweise dabei helfen sollen, personalisiertere Ansprachen zu erzielen. Hyperpersonalisierung ist im Marketing ein typisches Einsatzgebiet auch für KI. Die dahinterliegende Logik und das erforderliche Know how bauen jedoch eine große Hürde auf, so dass hier eher weniger DIY-Projekte zu finden sind und meistens die mittlerweile ebenfalls KI-gestützten Werkzeuge großer Anbieter zum Einsatz kommen. Da diese die Kundendaten ohnehin schon gespeichert haben und es in der Regel auch eine zumindest vertraglich DSGVO-konforme Möglichkeit des Betriebs gibt, sind Bedenken eher selten.

Die Kernpunkte

Kurzum: Marketing bietet sich einfach an als Einsatzfeld für KI:

1. Artefakte sind ohnehin für die Öffentlichkeit
   -> Keine Angst vor Datenabfluss

2. Keine enge Integration in Kernsysteme erforderlich
   -> Einfache Umsetzung möglich

3. Generierung von Text, Bild und Video
   -> Paradedisziplin generativer KI

Vielfach erzielen Marketer durch generative KI einen enormen Produktivitätszuwachs, bis hin zu der Stufe, dass durch diese Technologie bestimmte Marketingmaßnahmen erst möglich werden. Dies ist insbesondere bei knappen Budgets der Fall, wenn Taktiken in der Vergangenheit nicht Teil des Mix waren, weil die externen Kosten hierfür zu groß waren. Bei den geringen Kosten durch den Einsatz von KI-Tools lohnt es sich dann auf einmal neue Sprachen auf der Website oder im Shop anzubieten, bzw. Broschüren oder Kataloge zu übersetzen. Mit Automatisierung und KI kann plötzlich auch ein kleines Team viele Kanäle bespielen, die vorher die Kapazitäten gesprengt hätten. Von der Analyse bis zum fertigen Post kann ein solcher Werkzeugkasten heute eine Agentur obsolet machen. Was bleibt, ist die Notwendigkeit eines guten Briefings und Controllings, nur in einer anderen Form. Prompts und Context Engineering ersetzen das gute alte Briefing-Dokument und agentische Lösungen erledigen Recherche, Bewertung und Erzeugung der Artefakte. Die Kehrseite der Medaille: Hier geraten Berufsbilder ins Wanken und Jobs stehen auf der Kippe. Andererseits kann kein Unternehmen aus Rücksicht auf die Mitarbeiterinnen bei einer Agentur darauf verzichten, diese Vorteile zu nutzen und Agenturen müssen sich mit Exzellenz in der Nutzung von KI-Tools neue Positionen erarbeiten und Kunden attraktive Angebote machen.

Das Fazit

Wann immer es keinen Anwendungsfall gibt, der sich aufdrängt und alle Kriterien erfüllt, die wir im letzten Artikel der Serie aufgezeigt haben, lohnt sich ein Blick in Richtung Marketing. Jedes Unternehmen kann hier relativ niedrigschwellig profitieren und es ermöglicht einen einfachen Einstieg in die KI-Reise.

Marketing ist das perfekte Übungsfeld: Die Daten sind ohnehin öffentlich, die Tools sind mächtig und das Risiko eines ‘KI-Halluzinations-GAUs’ ist bei einem Instagram-Post überschaubarer als in der Bilanzierung.

Wo steht Ihr Unternehmen? Ist das Marketing bereits im ‘KI-Rausch’ oder herrscht noch Skepsis? Schreiben Sie mir in den Kommentaren, welches Tool bei Ihnen den größten Nutzen gebracht hat.

KI muss sich rechnen

Um auf einen guten Anwendungsfall zu kommen muss zunächst einmal geklärt werden, wann er denn gut ist. Dazu gibt es verschiedene Perspektiven, die man einnehmen kann. Die wohl wichtigste Perspektive ist die Wirtschaftlichkeit, denn das ist es, was am Ende entscheidet. Es bietet sich also an, von Anfang an die Frage zu stellen, ob sich jemals so etwas wie ein Return On Invest einstellen kann. Dieser kann dadurch zustande kommen, dass Effizienzsteigerungen erreicht werden und damit entweder Kosten reduziert oder der Output erhöht werden kann oder ein signifikanter Einfluss auf andere, auch indirekte Größen ausgeübt wird. Als Bewertungsdimensionen können die folgenden dienen:

• Effizienz - Ich brauche weniger Ressourcen für denselben Output oder erreiche mit denselben Ressourcen höheren Output.
  Beispiel: Automatisierte Verarbeitung unstrukturierter Dokumente, die bislang manuell erfolgt.

• Wachstum - Durch den Einsatz von KI wird der Umsatz / Absatz erhöht.

  Beispiel: KI im Marketing erhöht die Reichweite und Conversion Rate mit dem Ergebnis, dass mehr Aufträge generiert werden.

• Qualität - KI-gestützte Qualitätssicherung sorgt für geringere Ausschussraten und Retouren.

  Beispiel: KI-gestützte Bilderkennung erhöht die Präzision in der Fehlerkennung in einer Produktionsstraße.

• Innovation - Die Geschwindigkeit und der Product Market Fit von Produktneuerungen erhöht sich.

  Beispiel: Digitale Zwillinge von Produkten / Installationen lassen Schwachstellen und Verbesserungspotentiale schneller sichtbar werden und das verschafft einen Wettbewerbsvorteil.

• Organisation / Kultur - Die verstärkende Wirkung des KI-Einsatzes für jede Anwenderin und jeden Anwender sorgt für positive Stimmung und einen Wettbewerb der Ideen und der Leistungsbereitschaft.

  Beispiel: Der Einsatz eines KI-Assistenten mit dem Expertenwissen des Unternehmens ermöglicht es auch Nicht-Experten, Kundenanfragen qualifiziert zu beantworten.

Wenn Anwendungsfälle gezielt nach diesen Kriterien gewählt bzw. bewertet werden, ergibt sich oft schon ein sehr viel klareres Bild, als nach dem ersten Brainstorming. Nichtsdestotrotz sind diese Kriterien eher für die Bewertung, als für die Suche nach Anwendungsfällen geeignet.

Fundamentale Kriterien - First Principles

“Vom Wiegen wird die Sau nicht fett” - Alte Bauernweisheit

Was Bauern seit langer Zeit wissen, gilt auch für andere Bereiche. Es ist gut, messen zu können, aber was man misst, muss man erzeugen.

Vor der Bewertung nach den oben genannten Kriterien lohnt es sich daher, sich zu vergegenwärtigen, an welchen Stellen KI ihre Stärken wirklich ausfahren kann. Viele der Anwendungsfälle, die bei einer typischen Brainstorming Session entstehen entpuppen sich im Nachhinein als Automatisierungsthemen. Hier kann KI mitunter nützlich sein, aber vielfach lässt sich das Automatisierungsproblem auch einfach mit herkömmlichen Methoden lösen. Die Probleme, die bislang einer Automatisierung im Wege standen sind oft fehlende Systemintegration und Medienbrüche sowie verteilte Daten in geschlossenen Silos. Wenn dies der Fall ist, handelt es sich nicht um ein Problem, das nur oder besser mit KI gelöst werden kann.

Trotzdem sind wir hier einer wesentlichen Eigenschaft von KI auf der Spur, wenn wir das Thema Medienbrüche genauer betrachten. Diese entstehen oft durch Prozesse, die Daten über die Grenzen mehrerer Systeme und / oder Unternehmen bzw. Abteilungen verarbeiten. Wenn das jedoch schon alles wäre, bräuchte man ja nur Schnittstellen und könnte die Systeme zusammenschalten, Fall erledigt. Selbst wenn hier Datenformate konvertiert werden müssten, wie es EDI-Plattformen tun, wäre das immer noch nicht besser mit KI oder nur mit KI lösbar. Die notwendige Zutat hierfür ist eine andere.

Verarbeitung von Daten, mit denen sonst nur Menschen klarkommen

Jeder Fall, der sich nicht durch Automation lösen lässt, prallt an derselben Stelle ab, nämlich der Unfähigkeit von Computern semi-strukturierte oder unstrukturierte Daten selbständig in strukturierte Daten zu verwandeln.

Eine Bestellung, die in XML, JSON, EDIFACT oder ähnlichem daher kommt, kann in jedes ERP eingelesen werden. Mit oder ohne vorherige Transformation. Kommt diese Bestellung jedoch als E-Mail in Prosaform an, haben wir den typischen Medienbruch, der dazu führt, dass ein Mensch diese Mail lesen, interpretieren und dann - Horror für jeden Prozessoptimierer - manuell durch Copy & Paste oder Abtippen in ein Verarbeitungssystem (ERP, Warenwirtschaft, CRM, ...) übertragen muss. Natürlich gibt es auch für solche Fälle bereits seit einiger Zeit Tools und Techniken wie bspw. OCR (Optical Character Recognition), welche beispielsweise in der Rechnungseingangsverarbeitung angewendet werden. Diese Systeme haben jedoch hohe Fehlerraten und müssen teilweise immer noch darauf trainiert werden, auf Rechnungsdokumenten an den richtigen Stellen zu suchen und die Daten als Text bzw. Zahlen zu extrahieren. Wenn das Eingangsdokument etwas anders aussieht, funktioniert es schon nicht mehr. Mit KI lässt sich hier ein wesentlicher Sprung in der Erkennungsrate erreichen. Mittlerweile existieren dedizierte Modelle für die Dokumentenextraktion, die im Grunde beliebige Dokumente interpretieren und Informationen daraus extrahieren können. Eingebettet in einen Workflow, lässt sich damit ein hoher Automatisierungsgrad für ehemals rein manuelle Teilprozesse erzielen.

Ein weiterer Bereich, in dem Computer bisher zwar schon hilfreich waren, aber nicht ohne menschliche Bedienung ausgekommen sind, ist die Verarbeitung großer Datenmengen / Dokumente in Bezug auf die Extraktion von Informationen wie Kernaussagen oder strukturierte Zusammenfassungen und darüberhinaus die sinnvolle Verknüpfungen der Informationen aus mehreren Dokumenten.

Wann immer sich solche Problemstellen in Prozessen oder generell in der täglichen Arbeit zeigen, sind das erst einmal gute Kandidaten für einen KI-Anwendungsfall. Um die Brücke zur Wirtschaftlichkeit zu schlagen braucht es aber mindestens eine weitere Eigenschaft.

Mengengerüste

Wenn der Anwendungsfall perfekt mit KI lösbar ist, die Frequenz der Anwendung jedoch gering, wird sich die Investition wahrscheinlich nicht rechnen. Es geht also immer auch um die Menge an Fällen, über die geredet wird. Selbstverständlich kann man auch andere Kriterien höher priorisieren, zum Beispiel die reine Demonstration der Machbarkeit, um mit diesem Momentum weitere, lohnenswertere Anwendungsfälle anzugehen. Dieses Experimentieren mit KI ist auch ein wichtiger Schritt in der Reifegrad-Entwicklung eines Unternehmens. Insofern ist es manchmal auch gut, sich als ersten Anwendungsfall nichts auszusuchen, bei dem es direkt um maximalen ROI geht, sondern den Lerneffekt in den Vordergrund zu stellen. Wenn das Gelernte dann idealerweise auf viele - dann wirtschaftlich relevante Anwendungsfälle - übertragbar ist, lohnt sich dieser Ansatz sehr. Bei einer Betrachtung des einzelnen Falls ist eine große Häufigkeit jedoch ein starker Indikator für einen passenden Anwendungsfall zur Lösung mit KI.

Wir landen hier leider auch in einem Dilemma. Die Anwendungsfälle mit hoher Frequenz und dem Potential des Ersatzes von manueller Arbeit durch digitale Prozesse gehen immer auch einher mit der Ablehnung durch die betroffenen Mitarbeiterinnen und Mitarbeiter. Dementsprechend werden diese Vorgänge zumindest von den betroffenen Personen nicht genannt und müssen entweder sehr offensichtlich sein oder durch andere identifiziert werden. Widerstand ist an dieser Stelle allerdings nahezu garantiert. Wer sägt schon gerne an dem Ast auf dem er sitzt? Hier ist eine sensible Vorgehensweise wichtig, die transparent darlegt, wie mit Effizienzsteigerungen umgegangen werden soll. Dafür gibt es aktuell genug Ansätze von der Verlagerung der Aufgaben auf wertschöpfendere Tätigkeiten bis hin zur Tatsache, dass es vielfach kaum eine Alternative zur Automatisierung gibt, um dem Fachkräftemangel zu begegnen.

Nicht datenlos zusehen

Die Fähigkeiten von KI in Bezug auf Datenauswertung und Datennutzung werden häufig sehr verklärt gesehen. Selbstverständlich ist der Umgang mit Daten die Domäne der künstlichen Intelligenz und hier liegt auch großes Potential. Leider kann keine KI ohne zum Teil erheblichen Aufwand in der Datenvorbereitung echten Mehrwert aus bis dato eher ungenutzten Datenbeständen erzeugen. Genau das ist jedoch häufig die Hoffnung: Können wir nicht ”eine KI” an unser ERP anschließen, um unsere Lagerbestände zu optimieren und unsere Kapitalbindung an der Stelle reduzieren? KI anschließen geht, aber optimierte Lagerbestände kommen dann nur raus, wenn noch etwas Feenstaub am Lager ist ... Spaß beiseite: KI kann hier großartige Ergebnisse erzielen, aber vorher braucht es ein Projekt zur Datenaufbereitung und -bereinigung. Selbstverständlich kann jemand mit tieferem Verständnis von KI und dem entsprechenden Tool-Einsatz auch ohne vorherige Datenbereinigung Mehrwert aus dem Einsatz ziehen, aber in der Breite sind es vorläufig noch die Fälle mit wiederkehrenden Einsatzfällen, die sich lohnen.

Andererseits lohnt es sich auf jeden Fall, die Belegschaft zu befähigen, um einen souveränen Umgang mit den Tools zu erreichen. Das stellt sicher, dass auch ad hoc - Anwendungsfälle mit der verstärkenden Wirkung von KI gelöst werden können und damit gerade auch in Bezug auf Datenauswertung Fragen beantwortbar sind, die vorher nicht bekannt waren. Aufgrund dieser Bedeutung der Befähigung ist dem Thema ein eigener Teil in dieser Reihe vorbehalten.

Beispiele zeigen

Je nach Wissensstand des Teams, mit dem die Anwendungsfälle erarbeitet werden, bietet es sich an, mit Beispielen zunächst das Spektrum aufzuzeigen und die kreativen Säfte zum Fließen zu bringen. Allerdings besteht die Gefahr, dass diese Beispiele auch den Lösungsraum zu stark definieren, daher liegt es in der Verantwortung des Moderators, hier eine sinnvolle Auswahl zu kuratieren und sich auf die Teilnehmer einzustellen.

Leitfragen

Ein wichtiges Instrument für die explorative Arbeit am Anfang sind Leitfragen. Anhand dieser Fragen, lassen sich die Gedanken auf die richtigen Stellen lenken, an denen potentiell gute Anwendungsfälle zu finden sind. Hier sind einige Beispiele:

1. Wo haben wir manuelle Arbeit mit Daten (Copy & Paste, Abtippen, Export/Import, Excel-Tools)?

   Hintergrund: Im oben genannten Sinne handelt es sich hier entweder um Prozesse, die einfach noch nicht per Schnittstellenanbindung optimiert wurden oder um solche, bei denen es keine einfache Schnittstellenanbindung gibt, weil Daten unstrukturiert sind.

   Beispiel: Abgleich von Frachtlisten und -rechnungen vom Logistiker.

2. Wo muss jemand viele Dokumente lesen und dafür viel Zeit aufwenden, um eine Entscheidung zu treffen oder die Inhalte zu verstehen und wichtige Punkte zu extrahieren?

   Hintergrund: Vorschriften, Verträge, juristische Schriftsätze, Bewerbungsschreiben etc. sind immer noch in der Regel lange Texte, die es zu verstehen gilt, um wichtige Fragen zu beantworten. KI kann hier eine wertvolle Arbeit leisten, in dem diese schnell verarbeitet und bewertet werden können.

   Beispiel: Automatisierung des Screenings von eingehenden Bewerbungen

   (ACHTUNG: Hier handelt es sich um personenbezogene Daten und es muss besondere Sorgfalt gelten. Darüberhinaus ist die EU KI-Verordnung zu beachten.)

3. Wo haben wir Daten, von denen wir glauben, dass wir sie zur mehrwertstiftend einsetzen können? Wo haben wir Optimierungsbedarf, den wir mit vorhandenen Daten lösen könnten, aber die Daten nicht zu nutzen wissen?

   Hintergrund: Die meisten Unternehmen verfügen über viele Daten, in denen häufig auch wichtige Informationen verborgen sind oder die für die Optimierung von Prozessen genutzt werden könnten, aber es fehlen die Instrumente, um dies zu tun.

   Beispiel: Optimierung von Lagerbeständen anhand der historischen Daten aus dem ERP in Bezug auf Zu- und Abgänge im Lager, Bestelleingänge und Lagerbewegungen.

Eine vollständige Liste von Leitfragen steht hier zum Download bereit: Klick - Link zum Download

Mit einer anhand der Leitfragen ermittelten Liste an Anwendungsfällen geht es nun in die Bewertung.

Bewertungsschema

Häufig wird die Bewertung von Anwendungsfällen oder auch Projekt- oder Produktideen rein subjektiv innerhalb einer Gruppe getroffen. Typische Dynamiken, wie ”Highest paid person in the room decides” - auch als Schulterklappensyndrom bekannt - verhindern, dass eine objektive Entscheidung getroffen wird. Das wiederum stellt den Erfolg der ganzen Aktion infrage. Es lohnt sich daher systematisch vorzugehen und Objektivierbarkeit in den Vordergrund zu stellen.

Hier sollen drei Möglichkeiten vorgestellt werden, die sich in der Praxis bewährt haben:

Einordnung nach Lösungskategorie

Wie oben bereits erläutert, sind viele Anwendungsfälle, die bei Brainstorming-Sessions für den Einsatz von KI auf den Tisch kommen, bei genauer Betrachtung eher einer anderen Kategorie zuzuordnen. Folgende Kategorien kommen häufig vor, können aber auch ergänzt werden:

1. Künstliche Intelligenz

   Diese Kategorie muss natürlich als erste dabei sein, weil alles, was ausschließlich dieser Kategorie zuzuordnen ist, von der Einordnung her perfekt wäre. Ein Anwendungsfall fällt in diese Kategorie, wenn er nur mittels KI oder wesentlich besser mit KI, als mit anderen Ansätzen zu lösen ist.

2. Automatisierung

   Viele Anwendungsfälle sind eigentlich in dieser Kategorie. Häufig geht es um die Beseitigung von vielen oder umständlichen manuellen Schritten. Wie oben bereits beschrieben, braucht es KI in solchen Fällen nur, wenn weder Schnittstellen noch Datenformate für die Verbindung der beteiligten Systeme vorhanden sind.

3. Data Analytics / Data Science

   Alles, was in Richtung Datenauswertung und Sichtbarmachung von Daten einhergeht, gehört in jedem Fall in diese Kategorie. Ob KI dafür eingesetzt werden muss oder der Einsatz von KI vorteilhaft ist, muss genau bewertet werden.

4. Standardsoftware

   Sehr häufig kommt es vor, dass Anwendungsfälle genannt werden, von denen man vor der Einschätzung in Bezug auf die anderen Kategorien zunächst mal zu der Einschätzung kommt, dass hier besser eine Standardsoftware eingesetzt werden sollte. Wenn das der Fall ist, sollte diese Option zunächst geprüft werden.

Im einfachsten Fall erfolgt die Zuordnung einfach in eine oder mehrere Kategorien. Wenn die Bewertung differenzierter erfolgen soll, dann kann man hier auch prozentuale Werte vergeben für jede Kategorie, in die ein Anwendungsfall eingeordnet wird. Dadurch ergibt sich ein noch besseres Bild und Anwendungsfälle, die dieselbe Zuordnung haben, lassen sich besser gegeneinander bewerten und abrenzen.

Wirtschaftlichkeitskriterien

Diese fünf Kriterien wurden oben bereits gesprochen:

1. Effizienz

2. Wachstum

3. Qualität

4. Innovation

5. Organisation / Kultur

Darüberhinaus gibt es bewährte Bewertungsschemata wie das RICE-Schema, welche entweder generell oder zusätzlich zur Bewertung herangezogen werden können.

RICE-Schema

Dieses Bewertungsschema ist nicht explizit für die Bewertung von KI-Anwendungsfällen vorgesehen, funktioniert aber auch hier gut.

RICE steht für:

1. Reach / Reichweite: Welche Reichweite erziele ich mit der Realisierung des Anwendungsfalls?

   Erläuterung: Hier lohnt es sich zwischen intern und marktorientiert zu unterscheiden, weil in den meisten Fällen die Anzahl der potentiellen Kunden, die betroffen sind, größer ist, als die Anzahl der Mitarbeiter bei internen Themen. Da für die Bewertung ein Score aus allen vier Domensionen berechnet wird können so Verzerrungen entstehen. Man kann dies auch normieren, in dem man immer mit der prozentualen Reichweite arbeitet.

2. Impact / Einfluss: Wie groß ist der Einfluss auf die Zielgruppe?

   Erläuterung: Lässt sich am einfachsten in Niedrig bis Hoch bewerten. Hierzu kann eine Likert-Skala von 1 - 5 angewendet werden.

3. Confidence / Vertrauen: Wie sehr vertraue ich meiner eigenen Einschätzung? Wie sicher bin ich mir damit?

   Erläuterung: Wenn es innerhalb der Gruppe wenig Diskussionen zu einem Thema gibt, ist die Confidence hoch, wenn es eine weite Spreizung innerhalb der Gruppe gibt, ist sie eher niedrig. Angaben können in Prozent erfolgen.

4. Effort / Aufwand: Wieviel Aufwand würde für die Realisierung anstehen?

   Erläuterung: Auch hier bietet es sich an, zunächst mit einer normierten Skala zu starten, die es allen Beteiligten einfach macht, eine Einschätzung abzugeben. Das einfachste ist eine Skala in T-Shirt-Größen (XS, S, M, L, XL), deren Werte sich oft erst im direkten Vergleich zwischen den einzelnen Schätzungen einpendelt. Wenn das eine Paket ein L bekommt, dann muss das andere aber XS sein ... Wir können in generell besser vergleichend als absolut schätzen. Hierfür ist es auch sinnvoll, ein Referenzpaket zu definieren. Für die Berechnung des Scores müssen die T-Shirt-Größen noch in numerische Werte umgewandelt werden, zum Beispiel: XS = 1, S=5, M=15, L=30, XL=50, XXL=100.

Der Score berechnet sich grundsätzlich folgendermaßen:

S = (R x I x C) / E

Tipp: Wenn die Reihenfolgen / Rankings, die sich aus den einzelnen Bewertungsmethoden ergeben weit voneinander abweichen, dann lohnt sich ein zweiter Blick. Wenn sie gut übereinander liegen, dann sind die Rankings plausibel.

Eine Beispiel-Excel-Datei steht hier zum Download bereit: Download

Use Case Canvas

Abschließend soll noch der Use Case Canvas vorgestellt werden, der sich bei der Identifikation von KI-Anwendungsfällen ebenfalls als sehr nützlich herausgestellt hat. Im Grunde handelt es sich um die in anderen Bereichen bewährte Methode, alle relevanten Aspekte eines Themas auf einem übersichtlichen sogenannten Canvas (Vordruck als Poster oder DIN A 3/4 bzw. digital als editierbares Format) geführt festzuhalten und damit zu visualisieren. Bekanntestes Beispiel ist wahrscheinlich der Busines Model Canvas.

Wir haben zwei verschiedene Varianten zum Download bereitgestellt: Download

Fazit

Der Auswahl des richtigen Anwendungsfalls für den Start in die systematische und professionelle KI-Nutzung kommt eine herausragende Bedeutung zu, weil sie über den weiteren Verlauf maßgeblich mitentscheidet. Hier sei auch noch einmal jemand zitiert, der als echte Größe auf dem Gebiet folgendes gesagt hat:

”Es ist wichtiger, dass Ihre ersten KI-Projekte erfolgreich sind, als dass sie die wertvollsten KI-Projekte sind. Sie sollten aussagekräftig genug sein, damit die ersten Erfolge Ihrem Unternehmen helfen, sich mit KI vertraut zu machen und auch andere im Unternehmen zu überzeugen, in weitere KI-Projekte zu investieren; sie sollten nicht so klein sein, dass andere sie als trivial ansehen würden. Wichtig ist, dass Sie das Schwungrad in Gang bringen, damit Ihr (KI-)Team an Fahrt gewinnt.”

Andrew Ng, ehemaliger Leiter von Google Brain und der Baidu AI Group

Mit den vorgestellten Hintergründen und Werkzeugen hoffen wir eine gute Starthilfe geben zu können! Generell gilt aber auch: Anfangen ist wichtiger, als Perfektion!

In diesem Sinne: Viel Erfolg!

Unklare Anwendungsfälle

In den meisten Fällen läuft die gedankliche Route bei der Beschäftigung mit KI in den Unternehmen von der Lösung zum Problem. Nach dem Motto ”Ich habe eine tolle Lösung, jetzt suche ich mir ein passendes Problem dazu”. Das ist einerseits erklärbar, wenn man noch keine Erfahrung mit neuer Technologie hat und ist ja auch in der Vergangenheit oft so gelaufen, trägt aber ein großes Risiko in sich. Besser wäre: Ich habe ein Problem, von dem ich annehme oder weiß, dass es mit der neuen Technologie besser gelöst werden kann oder überhaupt erst lösbar ist.

Aktuell sind die meisten Initiativen in den Unternehmen eher FOMO-getrieben (Fear Of Missing Out - Angst, etwas zu verpassen), oder es handelt sich um Golfplatz-Projekte: Beim Golfspielen fragt der Aufsichtsrat den CEO, was er denn im Bereich KI tut. Der CEO versichert in dem Moment, dass er “dran” ist und tritt dann eine Initiative los, wenn er wieder im Unternehmen ist, um bei der nächsten Hauptversammlung etwas präsentieren zu können. Das ist natürlich stark überzogen, hat aber durchaus anekdotische Evidenz. Auch wenn ein starker Top-Management / Geschäftsführungs-Einsatz im Bereich KI nahezu unabdingbar ist, muss das mit einer strukturierten Vorgehensweise einhergehen. Wenn nicht, werden oft Feigenblatt-Projekte gestartet, die zum Einen enttäuschen und zum Anderen auch viele andere wichtige Aspekte der Einführung vernachlässigen, wie die breite Einbeziehung und Fortbildung der Mitarbeiter und die Tatsache, dass es eher eine Reise als ein Projekt ist. Diese Reise sollte gut starten, damit sie nicht bereits am Anfang zur Belastung wird und damit zu scheitern droht. Es ist daher von extrem großer Bedeutung, mit welchen Anwendungsfällen gestartet wird. Im nächsten Artikel dieser Reihe wird ein Framework zur Identifikation guter Anwendungsfälle vorgestellt.

Zwischen Blauäugigkeit und Angst - Unsicherheiten im Schutzbedürfnis

Von der totalen Verweigerung der Nutzung jeglicher KI im Unternehmen bis zum ”Wir haben nix zu verbergen” gibt es das ganze Spektrum bei mittelständischen Unternehmen. Allerdings überwiegt eine gewisse Skepsis und das ist vermutlich auch gut so. Jedes Unternehmen mit einem Minimum an Bewusstsein für Datenschutz besitzt bereits - mal mehr, mal weniger formalisiert - Prozesse und Regeln für die Überprüfung der des Datenschutzes under Risikoabwägung in diesem Bereich. Oft ist ein externer Datenschützer involviert. Wird dieser nach den Risiken beim Einsatz von KI im Unternehmenskontext befragt, ist häufig direkt die Bremse gezogen. Nicht falsch verstehen: Der Datenschützer macht nur seinen Job und weist darauf hin, dass man nicht alles bedenkenlos nutzen kann, wenn man DSGVO-konform sein möchte. Dass hier ja auch personenbezogene Daten eingegeben oder automatisiert eingespeist werden könnten und das Unternehmen bzw. bei nicht erfolgter Ergreifung von Maßnahmen auch die Geschäftsführung persönlich haftbar sind, führt nicht dazu, dass es geschmeidiger weiter geht. Die Beschäftigung mit dem Thema und ggf. Zweit- und Dritt-Meinungen fördern dann noch weitere Problemstellen zu Tage: Was ist mit vertraulichen Daten? Was mit Firmengeheimnissen? Spätestens jetzt fällt vielleicht noch jemandem ein, dass man - da wo es das gibt - auch den Betriebsrat einbinden muss. Die Unsicherheit steigt und das Thema wird nicht angegangen. Dann passiert das, was in solchen Situationen immer passiert: Das Leben bahnt sich einen Weg ...

Schatten-KI

Jeder hat ein Smartphone und was auf dem privaten Gerät passiert, kann die Unternehmens-IT nicht kontrollieren. Wenn das Unternehmen keine oder keine adäquate Möglichkeit der KI-Nutzung anbietet, geschieht nahezu immer dasselbe: Mitarbeitende nutzen private Endgeräte in der einen oder anderen Form für die Erledigung ihrer Arbeit mit KI. Spätestens seit der Einführung des KI-Modus in der Google-Suche sind die Dämme gebrochen. Wer würde seinen Mitarbeitenden schon das Googlen verbieten? Also werden E-Mails auf private Accounts weitergeleitet oder Daten sonstwie transferiert oder - am unteren Ende der technischen Fähigkeiten: abfotografiert. Das ist mit Schatten-KI gemeint und stellt mittlerweile ein erhebliches Problem dar. Dadurch, dass das Unternehmen alles kontrollieren will, verliert es die Kontrolle vollständig. Darüberhinaus wirkt es negativ auf die Kultur im Unternehmen, weil die Mitarbeitenden frustriert sind und das Thema KI stigmatisiert wird. Viele Unternehmen stecken an dieser Stelle lange fest und fragen sich, welche Lösung sie einführen sollen, um all diesen Punkten und Bedingungen gerecht zu werden.

Tool-Auswahl

Wenn es nicht einfach ein OpenAI / ChatGPT - Account für jeden Mitarbeitenden ist, dann wird es schnell kompliziert. Die Landschaft ist vielfältig und für Nicht-Experten reichlich unübersichtlich. Hinzu kommt, dass man natürlich gerne eine All-In-One-Lösung hätte: Einmalig einen Vertrag abschließen, alles erledigt. Bei genauer Betrachtung wird das aber schwierig, auch wenn Microsoft als Default für viele genau das verspricht. Es ist aber auch verlockend: MS 365 ist ohnehin im Einsatz, vielleicht sogar Business Central, also kann man doch den Copilot lizensieren. Leider bleibt Microsoft hier weit hinter den Erwartungen und den Marktbegleitern zurück und verspielt damit seinen riesigen Vorteil in der Distribution. Für die meisten Casual User, die halt auch mal einen Chatbot fragen, einen Text entwerfen oder verbessern lassen wollen, ist ChatGPT oder Gemini oder Claude einfach besser. Für die, die mehr machen wollen, ist der Funktionsumfang zu eingeschränkt und für echte Power User sicherlich nicht geeignet. Sobald es spezieller wird, wie zum Beispiel bei der Datenanalyse oder Softwareentwicklung, kommt man um spezialisierte Lösungen nicht herum. Damit wird das Thema entsprechend komplex und sperrig, so dass dann wieder nichts passiert.

Raus aus dem Schatten!

Haben Sie die Probleme wiedererkannt? Operieren Sie auch im Schatten oder wissen nicht so richtig, was Sie mit der KI anfangen sollen?

Schreiben Sie es mir gerne in die Kommentare - ich lese alle Beiträge und antworte!

Wie man mit dem ganzen Themenkomplex sinnvoll umgehen kann und welche Werkzeuge und Hilfen es dafür gibt, erläutern wir in dieser Reihe. Im nächsten Teil geht es um die Identifikation von guten Anwendungsfällen. Bleiben Sie dabei und damit im Rennen um die effektive und nutzenbringende Anwendung von KI im Mittelstand!

Ich zeige, wie mittelständische Unternehmen KI produktiv einführen – mit Fokus auf souveräne Architektur, Betrieb & Integration. Die Leitplanken der Regulatorik (DSGVO/EU-AI-Act) werden praxisnah einbezogen.

Für wen:

CIO/IT-Leitung, Digitalverantwortliche, Security, Data/AI-Teams im Mittelstand – und Entscheider, die KI ohne Abhängigkeiten & ohne Datenabfluss nutzen wollen.

Was du hier bekommst:

• Verständliche Hintergrundinformationen (Technik, Prozesse, Anwendungsbeispiele)

• Anleitungen (Architektur-Muster, Bausteine, Betriebsmodelle)

• Werkzeuge (Bewertungsmatrix, Use Case Canvas, Leitfragen)

Lesepfad (wenn du neu bist):

1. Grundlagen: Was „moderne KI“ wirklich umfasst (jenseits Chatbots).

2. Souveräne KI: Definition + Bausteine + Beispielarchitektur (u. a. RAG + Vektordatenbank + lokales Modell).

3. Datenhoheit: Warum „Verträge“ keine operative Sicherheit ersetzen und wo Datenkontrolle praktisch scheitert.

4. Kill Switch & Geopolitik: Warum Abhängigkeiten plötzlich sehr real werden können – und was das architektonisch bedeutet.

5. Kosten & Lock-in: Wie Preiserhöhungen entstehen – und wie Architektur Kosten kontrollierbar macht.

6. Agenten: Was Agentic AI ist und welche Komponenten du dafür brauchst (Tools, Memory, Planer).

7. EU-KI-VO (Leitplanke): Was Artikel 4 praktisch heißt (Training/Kompetenzen) – ohne Overkill.

Wenn du KI in deinem Unternehmen souverän aufsetzen willst: Abonniere (kostenlos) 👇, damit du die nächsten Ausgaben direkt per Mail bekommst.

Mit solchen Versprechen werben viele Anbieter von Cloud- und SaaS-Lösungen. Der Einstieg ist bequem, die Preise transparent – zunächst. Doch was als günstiger Start erscheint, entwickelt sich häufig zur Kostenfalle mit systemischer Bindung. Denn mit steigender Nutzung, wachsender Integration und wachsendem Datenvolumen wird der Wechsel aufwändiger – und die Anbieter drehen an der Preisschraube.

Die Folge: Preissteigerungen ohne echte Alternative – und ohne Kontrolle.

Der Lock-in beginnt mit günstigen Einstiegspreisen

Viele Anbieter setzen auf ein bekanntes Prinzip: Niedrige Einstiegshürden in Kombination mit funktionalen Limits, die skalieren.

Beispielhafte Mechanismen:

• Freemium-Modelle: Gratisnutzung mit eingeschränkten Funktionen

• Nutzerbasierte Preisstaffelung: Je mehr Teammitglieder, desto teurer

• Storage- oder API-Limits: Bei wachsendem Datenaufkommen explodieren die Kosten

• Unterschiedliche Preisdimensionen: Kombination aus Basisgebühr, Add-ons, Support-Levels, Transaktionskosten

Was harmlos beginnt, wird im Alltagsbetrieb schnell komplex und intransparent – vor allem, wenn mehrere Produkte desselben Anbieters im Einsatz sind (z. B. Microsoft, Google, Salesforce).

Die Kosten steigen – schleichend, aber sicher

Typische Beobachtungen in Unternehmen:

• Jährliche Preissteigerungen um 10–25 %, oft ohne Mehrwert

• Einführung neuer Lizenzmodelle, die bestehende Verträge entwerten

• Reduktion von Inklusiv-Leistungen, z. B. API-Zugriffe oder Speicherplatz

• Versteckte Kosten durch Zusatzfunktionen, Integrationstools, Compliance-Pakete

• Kosten durch Nichtnutzung: Accounts, die nicht gelöscht werden, aber weiter zahlen

Ein zentrales Problem: Viele dieser Entwicklungen sind vertraglich zulässig, da AGB-Anpassungen durch Anbieter vorbehalten sind – oft ohne explizite Zustimmung des Kunden.

Der Wechsel wird mit jedem Monat schwieriger

Ein Systemwechsel ist in der Theorie möglich – inder Praxis aber oft aufwändig, teuer oder gar nicht realistisch. Denn:

• Daten liegen in proprietären Formaten vor (z. B. CRM, Analytics, Projekttools)

• Schnittstellen sind nicht dokumentiert oder exportfähig

• Nutzer:innen sind geschult und gewöhnt – Schulungskosten für Alternativen sind hoch

• Integrierte Workflows müssten neu aufgebaut werden

• Verträge sind gebündelt (z. B. Microsoft E5, Google Workspace mit Add-ons)

Der sogenannte Vendor Lock-in entsteht nicht nurtechnisch – er ist organisatorisch und kulturell verankert. Und genau diese Lock-ins nutzen Anbieter, umPreise anzuheben, ohne Wechselrisiken einzugehen.

Typische Preisentwicklungsstrategien

Fallbeispiel: Collaboration-Suite als Kostenfalle

Ein Mittelständler entscheidet sich für eine umfassende SaaS-Collaboration-Suite mit Dokumenten, Kommunikation, Kalender, KI-Funktionen. Die Einstiegskosten liegen bei unter 10 €/User/Monat.

Zwei Jahre später:

• Die Preise steigen auf 15 €/User

• Neue Funktionen sind nur im Enterprise-Paket enthalten (30 €/User)

• Zusätzliche API-Zugriffe müssen einzeln bezahlt werden

• Die Alternative eines Wechsels ist unattraktiv, weil alle Prozesse auf dem System basieren

Ergebnis: Die Gesamtkosten haben sich verdreifacht – ohne relevante Verbesserung des Nutzens.

Was tun? Kostenkontrolle durch Architektur

Preis-Transparenz einfordern

• Anbieter mit offenen Preislisten und klarer Staffelung bevorzugen

• Kein Anbieterwechsel ohne Simulation des 24-Monats-Kostenverlaufs

Modulare Architektur aufbauen

• Vermeidung von „Suiten“ zugunsten einzelner, austauschbarer Tools

• APIs prüfen: Können Daten und Funktionen auch mit anderen Tools genutzt werden?

Open-Source prüfen

• Offene Software ist nicht gratis – aber kontrollierbar

• Die Kosten sind transparent und nicht von fremden Roadmaps abhängig

Exit-Strategiedokumentieren

• Technisch: Datenformate, Exporte, Schnittstellen

• Organisatorisch: Schulungsaufwand, Prozessportierung

Fazit: Wer keine Kostenkontrolle hat, zahlt mit Abhängigkeit

Kostenentwicklung ist kein Betriebsproblem – sie ist strategisch.

Undurchsichtige Preismodelle, wachsender Lock-in und begrenzte Alternativen machen viele Anbieter unangreifbar – zu Lasten der Unternehmen.

Die Lösung liegt in bewusstem Technikeinsatz, modularen Architekturen und Exit-Optionen.

Wer heute auf Kontrolle achtet, vermeidet die Preiserhöhung von morgen – oder kann ihr zumindest selbstbewusst entgegentreten.

‍

Spoiler zu Beginn: Fast alle sind verpflichtet. Aber informieren Sie sich hier lieber gründlich.

Wir starten mit einer eher trockenen Materie, die jedoch die Grundlage darstellt: Was steht in der EU-KI-Verordnung?

Grundsätzlich gilt die Verordnung für natürliche und juristische Personen (Unternehmen, Organisationen, Einzelunternehmer), die:

• KI-Systeme im Sinne der Definition in Art. 3 Nr. 1 entwickeln, in Verkehr bringen, bereitstellen oder nutzen,

• in der EU ansässig sind oder

• deren KI-Systeme Auswirkungen auf Personen in der EU haben (auch wenn der Anbieter selbst nicht in der EU sitzt).

Merke: Auch Unternehmen, die keine KI selbst entwickeln, sondern nur nutzen, können unter die Verordnung fallen.

Artikel 4 gilt für:

• Nutzer von KI-Systemen (Art. 3 Nr. 4) – also jede Person, die ein KI-System unter eigener Verantwortung verwendet (z. B. Vertrieb, Support, HR, Produktion).

• Betreiber / Bereitsteller – also interne Teams, die KI-Anwendungen konfigurieren, trainieren oder bereitstellen.

• Personen im Auftrag – z. B. externe Dienstleister, die für das Unternehmen KI-Systeme bedienen.

Ein Beispiel:

Auch wenn ein Unternehmen nur einen Chatbot oder ein Übersetzungstool im Alltag einsetzt, fällt es unter die „Nutzer“-Definition.

Laut Artikel 4 müssen alle, die im Unternehmen mit KI arbeiten, über eine angemessene Kombination aus

• technischen Kenntnissen,

• Erfahrung,

• Ausbildung oder Schulung

verfügen, um Risiken zu verstehen und das System sicher zu betreiben.

Das bedeutet:

• Ja, Pflicht → Wenn Mitarbeitende in irgendeiner Form mit KI-Systemen im Sinne der Verordnung interagieren.

• Nein, keine Pflicht → Nur wenn gar keine KI-Systeme im Unternehmen eingesetzt oder bereitgestellt werden – weder direkt noch indirekt über Drittsoftware.

Kurzform:

Jedes Unternehmen, das irgendeine Form von KI nutzt oder bereitstellt, fällt unter Art. 4 und muss sicherstellen, dass seine Nutzer und Betreiber ausreichend KI-Kompetenz haben.

Ausnahme: Unternehmen ohne jeglichen KI-Bezug.

Praxisbeispiele: Wann greift die Schulungspflicht nach Art. 4 EU-KI-VO?

Kategorie 1 – Unternehmen entwickelt selbst KI-Systeme

Typisch bei Tech-/Daten-getriebenen Firmen oder in F&E-Bereichen

Beispiele:

• Entwicklung eines Machine-Learning-Modells zur Absatzprognose (z. B. Python/Scikit-Learn, TensorFlow)

• Eigenentwickelter Chatbot mit Natural Language Processing

• Bild- oder Videoanalyse zur Qualitätsprüfung in der Fertigung (Computer Vision)

• Sprachsteuerung für Maschinen oder Apps

• KI-gestützte Betrugserkennung in Zahlungsprozessen

• Individuelle Empfehlungssysteme im E-Commerce (ähnlich wie Amazon-Empfehlungen, aber intern entwickelt)

• Prognosemodelle für Wartungsbedarf (Predictive Maintenance)

• KI-Module in Embedded Devices (z. B. intelligente Sensoren, Robotiksteuerung)

• Generative KI intern trainiert (z. B. eigenes LLM für Kundenservice-Wissensdatenbank)

Kategorie 2 – Unternehmen stellt KI-Systeme Dritten zur Verfügung

Auch dann relevant, wenn KI nur Teilfunktion eines Produkts oder Services ist!

Beispiele:

• SaaS-Plattform mit automatischer Texterstellung oder Übersetzung

• Recruiting-Software mit automatischer Lebenslaufanalyse

• Bildbearbeitungstool mit KI-basiertem Hintergrund-Entferner

• Analyse- oder Reporting-Tools mit Anomalieerkennung

• Routenoptimierungssoftware mit Machine-Learning-Optimierung

• Chatbots im Kundenservice, die Antworten automatisch generieren

• Gesundheits-App mit KI-gestützter Diagnoseunterstützung

• Lernplattform mit automatischer Aufgabenkorrektur oder personalisierten Lernpfaden

• Vertragsprüfungs-Tools mit NLP-gestützter Risikoanalyse

• CRM- oder ERP-Module mit KI-Vorhersagen (z. B. Sales Forecast, Lead Scoring)

Kategorie 3 – Unternehmen nutzt externe KI-Systeme

Die größte „Überraschungskategorie“ – viele Alltags-Tools enthalten KI, oft unbemerkt!

Beispiele:

• Bürosoftware:

  • Microsoft 365 (Copilot in Word, Excel, Outlook, Teams)

  • Google Workspace (KI-Autovervollständigung, Smart Compose in Gmail/Docs)

• Kommunikation & Kollaboration:

  • Zoom (Live-Transkription, Meeting-Zusammenfassungen)

  • Slack (KI-Such- und Zusammenfassungsfunktionen)

• Vertrieb & Marketing:

  • HubSpot, Salesforce Einstein (Lead-Scoring, Prognosen)

  • Mailchimp (Optimierungszeitpunkt für E-Mail-Versand)

• Kundensupport:

  • Zendesk (KI-gestützte Ticket-Kategorisierung)

  • Intercom (KI-Antwortvorschläge)

• Übersetzung & Sprache:

  • DeepL, Google Translate, Microsoft Translator

  • Otter.ai (Transkription, Meeting-Mitschriften)

• Design & Content-Erstellung:

  • Canva (KI-Bildgenerator, Magic Write)

  • Adobe Photoshop (Generative Fill, Objekterkennung)

• ERP/CRM/Branchensoftware:

  • SAP (Predictive Analytics, Machine Learning Add-ons)

  • Microsoft Dynamics 365 (Verkaufsprognosen, Textanalyse)

  • Theorg mit KI-gestützter Terminplanung (in manchen Modulen)

• HR & Recruiting:

  • Softgarden, Personio mit automatischer Lebenslaufanalyse

  • LinkedIn Recruiter (KI-gestützte Kandidatenvorschläge)

• Fertigung & Logistik:

  • IoT-Analysen in MES-Systemen

  • Lagerverwaltung mit automatischer Nachfrageprognose

• Sicherheit & IT:

  • Firewalls mit Anomalieerkennung (z. B. Palo Alto, Fortinet KI-Module)

  • Microsoft Defender mit KI-basiertem Threat Detection

• Branchenspezifische Spezialfälle:

  • Medizingeräte mit KI-Bilderkennung (Radiologie)

  • Bauplanung mit KI-unterstützter Mengenermittlung

  • Landwirtschaftsdrohnen mit Objekterkennung

💡 Praxis-Tipp:

Unternehmen sollten nicht nur fragen „Nutzen wir KI?“, sondern „Welche unserer Tools enthalten KI-Funktionen – auch als Nebenfunktion?“

Oft schlummern diese in Updates, ohne dass die IT oder Compliance es aktiv registriert.

‍

Anbieter versprechen Sicherheit, Compliance und Datenschutz – aber was sind diese Zusagen wirklich wert? Der Blick hinter die Kulissen zeigt: Oft bleiben nur Verträge ohne Substanz, Intransparenz und leere Sicherheitsversprechen.

Die Illusion des Vertrags als Sicherheitsnetz

Die meisten Anbieter von Cloud- oder SaaS-Lösungen sichern sich rechtlich ab – mit AGB, AV-Verträgen und DSGVO-Klauseln. Auf dem Papier scheint alles geregelt. Doch in der Praxis:

• Nutzungsbedingungen können jederzeit geändert werden, oft ohne Zustimmung des Kunden.

• Zugriffsrechte auf Daten sind nicht eindeutig geregelt – weder im Fall technischer Probleme noch bei Vertragskündigung.

• Verfügbarkeit und Rückgabe der Daten bleiben häufig vage. Der Export ist technisch möglich – aber nicht praktikabel.

• Support-Verpflichtungen gelten nur in bestimmten Fällen und mit Vorlaufzeiten, die im Notfall zu spät greifen.

Diese Realität führt dazu, dass viele Verträge in kritischen Momenten versagen. Sie bieten keine operative Sicherheit –und oft auch keine rechtliche Handhabe.

Der Datenzugang ist nicht gleich Datenhoheit

Ein häufiger Irrtum: Wer auf seine Daten zugreifen kann, hat auch die Kontrolle. Tatsächlich liegt zwischen Zugriff und Hoheit ein weiter Weg:

Merke: Nur wer Daten lokal oder unter klarer Kontrolle speichert, hat echte Datenhoheit – alles andere ist ein Verfügbarkeitsversprechen mit eingebautem Fragezeichen.

Anbietertransparenz? Fehlanzeige

Die Realität bei vielen internationalen Cloud-Anbietern

• Standort der Speicherung bleibt unklar – oft „multi-region“ oder „redundant georedundant“ ohne Angabe, wo genau.

• Zugriffe durch Techniker, Dienstleister oder Behörden werden selten dokumentiert – und noch seltener mitgeteilt.

• Datenverarbeitung durch KI-Systeme erfolgt teilweise ohne Kenntnis des Kunden (z. B. bei Trainingsdaten).

• Sicherheitsvorfälle werden verzögert oder gar nicht kommuniziert.

Selbst große Anbieter liefern oft keine vollständige Dokumentation der eigenen technischen und organisatorischen Maßnahmen (TOMs). Kunden bleibt nur Vertrauen – oder der Kontrollverlust.

Sicherheit ohne Substanz

Viele Anbieter werben mit:

• ISO-Zertifikaten

• Audit-Berichten

• Zero-Trust-Architekturen

• Ende-zu-Ende-Verschlüsselung

Doch in der Praxis:

• ISO-Zertifikate gelten nur für Teile des Unternehmens, nicht für alle Systeme.

• Audits werden von Anbietern selbst in Auftrag gegeben – der Prüfbericht ist selten öffentlich.

• Zero Trust ist eine Designidee, keine Garantie – und wird oft nur teilweise umgesetzt.

• Verschlüsselung endet oft am Rand des Dienstes – nicht auf dem Kundenendgerät oder beim Transfer in Dritttools.

Sicherheit wird als Marke verkauft – nicht als messbare Eigenschaft.

Fallbeispiel: Datenverlust trotz Cloudvertrag

Ein mittelständisches Unternehmen speichert überJahre seine Projektdokumentation in einem SaaS-Tool eines internationalen Anbieters. Nach einem Cyberangriff auf die Plattform bleiben große Teile der Daten unzugänglich. Zwar bestehen Verträge – doch der Anbieter verweist auf„höhere Gewalt“ und übernimmt keine Verantwortung.

Ein Datenexport war technisch möglich – wurde aber nie automatisiert durchgeführt. Backups lagen beim Anbieter selbst. Die Folge: Monatelanger Datenverlust, Kundenprojekte verzögern sich, Schaden entsteht – rechtlich kaum durchsetzbar.

Wie Datenhoheit konkret aussieht

Echte Datenhoheit bedeutet:

• Technische Kontrolle über Speicherung, Zugriff und Bewegung der Daten

• Klare Exportwege – automatisiert, strukturiert und vollständig

• Transparente Architektur – keine Blackbox, sondern nachvollziehbare Pfade

• Regelmäßige Backups in eigener Hand

• Kryptografische Absicherung mit eigener Schlüsselkontrolle

Datenhoheit ist keine Vertragsfrage – sie ist einArchitekturprinzip.

Fazit: Wer seine Daten nicht schützt, verliert sein Know-how

Daten sind mehr als Ressourcen – sie sind Wettbewerbsvorteil, Geschäftsgrundlage und strategischer Rohstoff. Wer diese Grundlage auslagert, sollte sich nicht mit Papierversprechen zufriedengeben.

Verträge ersetzen keine Kontrolle. Zertifikate ersetzen keine Einsicht. Versprechen ersetzen keine Verantwortung.

Datenhoheit beginnt mit einer klaren Architekturentscheidung – und dem Willen, die Kontrolle über das eigene Wissen nicht aus der Hand zu geben.

‍

Geopolitische Dynamik verschärft digitale Abhängigkeit

Seit einigen Jahren zeigt sich: IT ist nicht nur Technologie – sie kann Waffe, Druckmittel oder Erpressungsfaktor sein. Global agierende Anbieter unterliegen nationalen Gesetzen wie dem US CLOUD Act, der US-Behörden Zugriff auf Daten gewährt – selbst wenn diese in Europa gespeichert sind.

Die Eskalation geopolitischer Spannungen – etwa durch Sanktionen, Handelskonflikte oder politische Einflussnahme – verschärft diese Problemlage. Ein außenpolitischer Richtungswechsel kann genügen, um kritische Dienste jederzeit zu unterbrechen oder zu manipulieren.

Der Fall des ICC-Chefermittlers in Den Haag

Im Februar 2025 verhängte US-Präsident Trump Sanktionen gegen den Chefankläger des International Criminal Court (ICC) in Den Haag, Karim Khan, nachdem dieser Haftbefehle gegen israelische Regierungsvertreter erlassen hatte.

Als Folge wurden Khan der Zugang zu seinem Microsoft-Emailkonto versperrt und seine Bankkonten eingefroren – offenbar in Ausführung des US CLOUD Act und nationaler Sanktionsgesetze .

• „Red flag at all levels of government“ – so kommentierte ein holländischer Regierungsbeamter die Blockade .

• Die Niederlande reagierten prompt: Parlament und Regierung begannen, Cloud-Nutzungsrisiken systematisch zu bewerten und auf hybride Modelle mit privaten Datenhaltungssystemen zu setzen.

Dieses Ereignis zeigt, wie schnell der „KillSwitch“ Realität werden kann – ausgelöst nicht durch technischen Fehler, sondern durch politische Entscheidung.

Der „KillSwitch“ im Dienste geopolitischer Macht

Die Abhängigkeit von US-Plattformen ist daher nicht harmlos: Sie generiert ein geopolitisches Risiko, das jederzeit real werden kann – und oft geschieht es ohne Vorwarnung.

Warum das gerade jetzt wichtig ist

• Geopolitische Instabilität – Sanktionen, Krieg, interne US-Politik (z. B. Executive Orders) können digitale Dienste tangieren.

• Rechtslage spitzt sich zu – CLOUD Act, „Hague Invasion Act“, automatische Sanktionierungen durch EU/USA – technische Systeme sind betroffen.

• Reputation und Betriebssicherheit – plötzlicher Zugriffsausfall beschädigt Prozesse, Terminpläne und das Vertrauen von Kunden, Partnern, Behörden.

Unternehmen, die kritische Dienste auf US-Clouds betreiben – etwa Identity, CRM, Collaboration – laufen stets auf digitalem Sprengsatz, auch wenn er derzeit nicht sichtbar ist.

Schritte gegenden „Kill Switch“

Risiko-Analyse

Identifizieren, welche Dienste, Daten oder Systeme kritisch sind – und welche Abhängigkeiten bestehen.

AlternativeArchitektur planen

Hybrid oder souverän: Private Speicherung, europäische Rechenzentren, Open-Source-Alternativen.

Exit-Strategiedefinieren

Für jedes Ausfallszenario vorab Datenexport, Migrationspfade, Testläufe dokumentieren.

VertraglicheAbsicherung

Analysieren von Nutzungsbedingungen, Datenschutzklauseln, Reaktionszeiträumen. Notfalls umbauen mit Zusatzvereinbarungen.

Governance einführen

Übergangspläne definieren, Verantwortliche festlegen, Notfallübungen durchführen.

Fazit: Unabhängigkeit ist Verteidigung

Der Fall ICC zeigt: Der „Kill Switch“ ist keine abstrakte Bedrohung, sondern Realität – mit verheerender Wirkung. In einer Welt, in der politische Interessen global verlaufen, braucht digitale Infrastruktur strategische Redundanz, kontrollierte Architekturen und rechtliche Souveränität.

Nur wer digitale Unabhängigkeit bewusst ansteuert, kann handlungsfähig bleiben –auch wenn die Politik plötzlich einen Knopf drückt.

Muss man sich entscheiden zwischen Innovation und Unabhängigkeit? Die Antwort lautet: Nein. Unternehmen können KI souverän einsetzen, ohne sich in technologische Abhängigkeit zu begeben – wenn sie die richtigen Bausteine wählen.

Was bedeutet „souveräne KI“ konkret?

Souveräne KI bezeichnet Systeme, bei denen Unternehmen

• die Kontrolle über Infrastruktur, Daten und Modelle behalten,

• keine bindenden Abhängigkeiten von einzelnen Plattformen eingehen,

• rechtlich und regulatorisch auf der sicheren Seite stehen (z. B. DSGVO, KI-Verordnung),

• und bei Bedarf Systeme wechseln oder selbst betreiben können.

Souverän bedeutet nicht, alles selbst zu bauen –sondern strategisch so zu wählen, dass Unabhängigkeit und Gestaltungsfreiheit erhalten bleiben.

Wo entstehen heute typische Abhängigkeiten?

Viele KI-Projekte starten mit guten Absichten –und landen dennoch schnell in einer Anbieterfalle. Die folgenden drei Ebenen bergen die größten Risiken:

Cloud-Infrastruktur

Viele KI-Services sind eng an Cloud-Plattformen wie AWS, Azure oder Google Cloud gebunden. Wechsel oder Export sind aufwändig oder unmöglich.

Modelle undAPIs

Proprietäre Modelle (z. B. GPT-4 via OpenAI API) können nicht angepasst oder lokal betrieben werden. Die Datenverarbeitung findet extern statt, oft ohne volle Kontrolle über Inhalte, Logs oder Verbleib.

Werkzeuge und Frameworks

Kommerzielle Tools zur Modellüberwachung, Datenvorbereitung oder Deployment setzen oft auf geschlossene Standards – das erschwert Integration und Migration.

Diese Abhängigkeiten sind nicht sofort sichtbar –werden aber spätestens beim Ausbau oder Audit zum Problem.

Die Bausteine für souveräne KI im Überblick

Um unabhängig zu bleiben, braucht es eine Architektur, die auf modularen, offenen und kontrollierbaren Komponenten basiert. Die folgende Übersicht zeigt bewährte Bausteine aus der Praxis:

Diese Bausteine ermöglichen Unternehmen, KI vollständig in der eigenen Umgebung zu betreiben, gezielt mit Daten aus eigenen Quellen zu versorgen – und auf Wunsch auch mit Dienstleistern zu betreiben, ohne Kontrollverlust.

Praxisbeispiel: Souveräne Text-KI mit Vektor- und RAG-Architektur

Ein mittelständischer Hersteller technischer Geräte möchte interne Supportdokumente KI-basiert durchsuchbar machen – ohne Daten in US-Clouds zu geben.

Die Lösung:

1. Dokumente werden lokal verarbeitet und in einer Vektordatenbank wie Qdrant oder Weaviate abgelegt.

2. Als Sprachmodell dient ein lokal gehostetes Mistral-7B-Modell, integriert via LangChain.

3. Eine einfache Web-Oberfläche erlaubt Anfragen auf natürliche Sprache – mit Antworten aus den eigenen Inhalten.

Ergebnis: Kein externer API-Zugriff, volle Datenkontrolle, keine laufenden Lizenzkosten – und ein intelligenter Assistent, der das interne Wissen effizient nutzbar macht.

Strategien zur Vermeidung von Lock-in-Effekten

Unabhängigkeit entsteht nicht nur durchTechnologie, sondern auch durch strategische Entscheidungen:

• Exit-Strategien mitdenken: Jeder Technologieeinsatz sollte dokumentieren, wie ein System ersetzt oder migriert werden kann.

• Offene Standards bevorzugen: Formate wie ONNX, JSON, REST oder CSV sichern langfristige Lesbarkeit und Schnittstellenfähigkeit.

• Sourcing bewusst gestalten: Bei Nutzung externer Dienstleister SLA-Vorgaben zu Souveränität, Datenspeicherung und Portabilität vereinbaren.

• Modular entwickeln: Kleine, gekapselte Komponenten (Microservices, APIs) lassen sich einfacher kontrollieren und austauschen.

Fördermöglichkeiten für souveräne KI-Projekte

Die öffentliche Hand erkennt zunehmend die Bedeutung digitaler Souveränität und fördert gezielt entsprechende Initiativen:

• BMWK – Mittelstand-Digital Zentrum: bietet Beratung und Schulungsformate für souveräne Digitalisierung

• GAIA-X Förderprojekte: speziell für KI-Projekte mit europäischen Standards

• go-digital (Modul „Digitalisierung von Geschäftsprozessen“)

• ZIM-Innovationsförderung (inkl. KI-relevanter Forschungs- und Entwicklungsprojekte)

Ein souveräner Technologieansatz ist also nicht nur strategisch sinnvoll, sondern oft auch finanziell unterstützbar.

Fazit: Souveräne KI ist keine Utopie – sondern machbar

Viele Unternehmen stehen vor der Herausforderung, KI nutzen zu wollen, ohne sich abhängig zu machen. Die gute Nachricht: Es ist heute einfacher denn je, Technologien so zu wählen und zu kombinieren, dass sie sowohl leistungsfähig als auch beherrschbar bleiben.

Wer souveräne KI-Bausteine nutzt, erhält:

• volle Kontrolle über Daten, Modelle und Infrastruktur,

• die Möglichkeit zur Auditierung, Anpassung und Weiterentwicklung,

• und eine deutlich reduzierte Abhängigkeit von globalen Plattformen.

Souveränität heißt nicht, alles selbst zu machen– sondern klug zu entscheiden, was delegiert werden kann und was unter eigener Kontrolle bleiben muss.

‍

Was ist ein KI-Agent?

Ein KI-Agent ist ein System, das ein Zielerhält – z. B. „bereite einen Vertriebsbericht vor“ – und dann selbstständig:

1. den Lösungsweg plant,

2. Informationen sammelt (z. B. aus Datenbanken, Dokumenten, APIs),

3. Entscheidungen trifft und

4. Schritte ausführt (z. B. E-Mails verschickt, Berichte generiert, Termine plant).

Im Gegensatz zu klassischen KI-Modellen (Input →Output) arbeiten Agenten reaktiv, iterativ und kontextbezogen. Sieverfügen über eine Art „Gedächtnis“ (Memory) und „Werkzeugkasten“ (Tools), mitdem sie eigenständig arbeiten können.

Anwendungsbeispiele im Unternehmen

Agenten können repetitive, komplexe oderkoordinierte Aufgaben übernehmen:

• Vertriebsunterstützung: Agent analysiert Kundendaten, generiert passende Angebote, bucht Follow-ups im CRM.

• IT-Automatisierung: Agent übernimmt Logfile-Analyse, meldet Auffälligkeiten und löst automatisch einen Incident aus.

• Content-Erstellung: Agent sucht passende Quellen, strukturiert Inhalte und erstellt Blogposts oder Newsletter.

• Wissensmanagement: Agent beantwortet interne Anfragen, greift auf DMS, Intranet und Datenbanken zu – ähnlich einem intelligenten Inhouse-Chatbot mit Handlungsspielraum.

Architektur:Wie funktionieren Agenten technisch?

Die meisten modernen Agentensysteme bestehen ausfolgenden Komponenten:

• Large Language Model (LLM): Das „Gehirn“, das Sprache versteht und generiert.

• Toolbox / Plugins: Externe Systeme, die aufgerufen werden können (z. B. Datenbankabfragen, HTTP-Requests, Tabellenkalkulation).

• Memory-Modul: Ermöglicht Kontextverständnis über mehrere Interaktionen hinweg.

• Task-Planer: Zerlegt Ziele in Teilaufgaben und priorisiert Aktionen.

Frameworks wie LangChain, Auto-GPT,CrewAI, MetaGPT oder OpenAgents machen es heute relativeinfach, solche Agenten zu entwickeln – auch auf Unternehmensdaten oder imIntranet.

Chancen undRisiken für den Mittelstand

Vorteile:

• Automatisierung ganzer Arbeitsabläufe, nicht nur einzelner Schritte

• Kontinuierliches Lernen durch Feedback und Memory

• Entlastung von Fachkräften bei monotonen Aufgaben

Herausforderungen:

• Governance: Wer kontrolliert, was der Agent tut – und was nicht?

• Sicherheit: Schutz vor ungewolltem Zugriff auf sensible Daten

• Verantwortung: Wer haftet, wenn ein Agent einen Fehler macht?

Besonders im regulierten odersicherheitskritischen Umfeld muss die Einführung von Agentic AI gutvorbereitet und technisch begrenzt werden – z. B. durchSandbox-Umgebungen, rollenbasierte Zugriffskontrollen und menschlicheFreigabeschritte.

Fazit: Agenten sind nicht die Zukunft – sie sind schon Realität

Agentic AI ist mehr als ein Trend: Sie steht füreine neue Evolutionsstufe in der Nutzung von KI. Unternehmen, die bereits mitKI arbeiten, sollten prüfen, welche Prozesse sich durch autonome Agentenbesser, schneller oder robuster abbilden lassen.

Dabei gilt: Nicht jeder Agent muss alles können. Besser sind viele spezialisierteAgenten mit klaren Aufgaben, integriert in bestehende Systeme – und untermenschlicher Aufsicht.

Dieser Beitrag erklärt, was moderne KI heute leisten kann, welche technologischen Grundlagen dahinterstehen und wie Unternehmen systematisch Anwendungsfelder erschließen – ohne in technologische Abhängigkeit zu geraten.

Was ist „moderne KI“ – und wie unterscheidet sie sich von klassischer Automatisierung?

Künstliche Intelligenz (KI) beschreibt allgemein das Ziel, Maschinen mit menschenähnlichen Entscheidungsfähigkeiten auszustatten. Moderne KI – insbesondere maschinelles Lernen (ML) und DeepLearning – geht jedoch einen Schritt weiter: Sie erlaubt Systemen, auf Basis großer Datenmengen selbstständig Muster zu erkennen, Prognosen zu erstellen und Entscheidungen zu treffen.

Im Gegensatz zu klassischen regelbasierten Systemen (wenn A, dann B) arbeitet moderne KI datengetrieben und adaptiv. Sie wird nicht im Detail programmiert, sondern trainiert – ähnlich wie ein Mensch durch Erfahrung lernt.

Die vier technologischen Säulen moderner KI

Moderne KI-Systeme bestehen selten aus einem einzigen „intelligenten“ Modul, sondern sind Kombinationen aus verschiedenen Technologien. Besonders relevant sind folgende Komponenten:

1. Maschinelles Lernen (ML)

Das Rückgrat moderner KI. Algorithmen wie Random Forest, Gradient Boosting oder Support Vector Machines lernen aus strukturierten Daten und erzeugen Vorhersagen oder Klassifikationen.

2. Deep Learning

Eine Weiterentwicklung des ML, die mit künstlichen neuronalen Netzen arbeitet. Besonders stark in Bild-, Sprach- und Textverarbeitung. Grundlage vielerAnwendungen wie Sprachassistenten, Bilderkennung oder ChatGPT.

3. Natural Language Processing (NLP)

Sprachverarbeitung für maschinenlesbare Interpretation, Generierung und Klassifikation von Text. Wichtig für Chatbots, automatische Übersetzung, Textanalyse oder semantische Suche.

4. Computer Vision

Verarbeitung visueller Informationen (Bilder, Videos). Anwendung in Qualitätskontrolle, Sicherheit, Medizin und Robotik.

Diese Technologien lassen sich kombinieren – etwa ein Deep-Learning-Modell, das Sprache versteht (NLP), Inhalte erkennt (Vision) und daraus Entscheidungen ableitet (ML).

WichtigeAnwendungsfelder im B2B-Umfeld

Moderne KI ist längst nicht mehr auf Tech-Konzerne beschränkt. Gerade im Mittelstand bieten sich heute praktikable, skalierbare Lösungen – oft modular einsetzbar. Ein Überblick:

Diese Anwendungen basieren nicht auf einem Allzweck-Tool wie ChatGPT – sondern auf spezialisierter, oft trainierter KI, abgestimmt auf Daten, Prozesse und Ziele des jeweiligen Unternehmens.

ChatGPT und generative KI – ein Sonderfall mit Potenzial

ChatGPT und vergleichbare Systeme (wie Claude,Gemini oder Mistral) gehören zur generativen KI – also KI, die neue Inhalte erzeugt: Texte, Bilder, Code, Musik. Die Grundlage dafür sind sogenannte Large Language Models (LLMs), die mit enormen Textmengen trainiert wurden.

Vorteile:

• Schneller Einstieg durch vortrainierte Modelle

• Natürliche Sprachverarbeitung

• Vielseitig einsetzbar (Texte, Zusammenfassungen, Assistenz)

Einschränkungen:

• Eingeschränkte Fachspezialisierung ohne Nachtraining (Fine Tuning)

• Tendenz zu „halluzinierten“ Antworten

• Meist keine echte Integration in bestehende Prozesse oder Datenlandschaften

Also: ChatGPT ist nützlich – aber nicht ausreichend. Wer KI geschäftskritisch nutzen will, braucht mehr als einen Textassistenten.

Wie KI in der Praxis funktioniert – ein Beispiel aus dem Mittelstand

Ein mittelständisches Unternehmen im Maschinenbau nutzt KI zur automatisierten Qualitätskontrolle: Kameras prüfen Bauteile auf Risse, Abweichungen und Fehlstellen. Ein Deep-Learning-Modell wird anhand tausender Beispielbilder trainiert und lernt so, gute von fehlerhaften Teilen zu unterscheiden.

Parallel wird ein ML-Modell eingesetzt, das Produktionsdaten (Temperatur, Druck, Bearbeitungszeit) analysiert und frühzeitig Ausschusswahrscheinlichkeiten prognostiziert. So können Prozesse optimiert und Stillstände reduziert werden.

Das Entscheidende: Beide Systeme sind im Unternehmen integriert –über APIs, mit Dashboard, Logging und menschlichem Feedback-Loop.

Voraussetzungen für erfolgreiche KI-Projekte

Der größte Engpass bei KI ist oft nicht dieTechnologie – sondern Struktur, Datenlage und Organisation. Unternehmen, die KI erfolgreich einsetzen wollen, sollten folgende Punkte beachten:

1. Klare Zieldefinition: Was soll erreicht werden? Prozessoptimierung, Automatisierung, Erkenntnisgewinn?

2. Datenlage prüfen: Gibt es ausreichend und qualitativ verwertbare Daten?

3. Modular denken: Viele Use Cases lassen sich isoliert starten und später vernetzen.

4. Kompetenzen aufbauen: Data Literacy, KI-Governance und Schnittstellenkompetenz sind entscheidend.

5. Souveränität sichern: Wer kontrolliert die Modelle, Datenflüsse und Ergebnisse?

Insbesondere letzter Punkt ist entscheidend: Der KI-Einsatz muss technisch beherrschbar, rechtlich sauber und operativ steuerbar sein.

Fazit: Moderne KI ist kein Monolith – sondern ein Werkzeugkasten

Künstliche Intelligenz ist heute mehrdimensional und modular. Sie umfasst nicht nur Sprachassistenten wie ChatGPT, sondern ein ganzes Spektrum leistungsfähiger Systeme, die Unternehmen helfen können, schneller zu entscheiden, effizienter zu produzieren und smarter zu agieren.

Wer moderne KI verstehen und nutzen will, sollte nicht nur auf einzelne Tools schauen – sondern den gesamten Stack in den Blick nehmen: von der Datenstrategie über die Modellwahl bis zur Integration in die eigene Prozesslandschaft.

In diesem Beitrag beleuchten wir, warum OpenSource ein zentraler Baustein souveräner IT-Strategien ist, was bei der Auswahlzu beachten ist und wie Unternehmen Schritt für Schritt davon profitierenkönnen.

Was bedeutet Open Source – und warum ist das relevant?

Open Source beschreibt Software, deren Quellcodeöffentlich zugänglich ist und von jedem eingesehen, genutzt, verändert undweiterverbreitet werden darf – unter bestimmten Lizenzbedingungen. Dies alleinwäre noch kein Garant für digitale Selbstbestimmung. Entscheidend ist, was OpenSource im unternehmerischen Kontext ermöglicht:

• Transparenz: Sie sehen, was die Software tut – keine versteckten Prozesse oder undokumentierten Datentransfers.

• Kontrolle: Sie bestimmen, wann Updates eingespielt werden, wie Funktionen erweitert werden und wo die Software betrieben wird.

• Flexibilität: Sie sind nicht auf einen Hersteller oder Dienstleister angewiesen – Sie können intern betreiben, Dienstleister wechseln oder Weiterentwicklungen selbst steuern.

Gerade für Unternehmen, die sensible Datenverarbeiten, kritische Infrastrukturen betreiben oder strengen regulatorischenVorgaben unterliegen, ist dies ein unschätzbarer Vorteil.

Warum ist OpenSource besonders für den Mittelstand interessant?

Mittelständische Unternehmen bewegen sich häufigin einem Spannungsfeld zwischen begrenzten IT-Ressourcen und wachsendemDigitalisierungsdruck. Proprietäre Softwarelösungen versprechen schnelleErgebnisse – führen aber langfristig oft zu starren Abhängigkeiten. Open Sourcebietet hier einen dritten Weg:

• Kostenkontrolle statt Lizenzzwang: Viele Open-Source-Lösungen sind kostenfrei oder verursachen nur geringe Betriebskosten.

• Innovationskraft durch Community-Entwicklung: Sie profitieren von globaler Entwicklungsarbeit, ohne alles selbst stemmen zu müssen.

• Anpassbarkeit an Geschäftsprozesse: Open Source erlaubt, eigene Anforderungen direkt umzusetzen, statt sich an Standardsoftware anzupassen.

Allerdings: Open Source bedeutet nichtautomatisch Plug-and-Play. Der strategische Nutzen entsteht erst durch gezielteAuswahl, Integration und Governance.

Typische Einsatzfelder im Unternehmen

Open-Source-Software ist längst nicht mehr aufEntwicklerwerkzeuge oder Nischenanwendungen beschränkt. Vielehochprofessionelle Lösungen decken heute zentrale Geschäftsprozesse ab:

Diese Tools können lokal betrieben, in souveränenRechenzentren gehostet oder in eigene Plattformstrategien integriert werden –ideal für Unternehmen, die digitale Eigenverantwortung mit Skalierbarkeitverbinden wollen.

Open Source ≠ Kostenlos = Verantwortung

Ein weit verbreiteter Irrtum: Open Source seigleichbedeutend mit „kostenlos“. Tatsächlich entfallen zwar in der Regel Lizenzkosten– dafür braucht es eine andere Art von Investition: in Kompetenz, Prozesseund Pflege.

Wer Open Source souverän nutzen will, sollte daher:

• Verantwortlichkeiten klären: Wer betreut das System? Internes Team, externer Dienstleister oder hybrides Modell?

• Sicherheitsaspekte im Blick behalten: Regelmäßige Updates, Patch-Management und Monitoring sind auch hier Pflicht.

• Dokumentation und Wissen aufbauen: Für nachhaltigen Einsatz muss Know-how im Unternehmen gesichert sein.

Anders gesagt: Open Source entlastet nicht vonVerantwortung – es macht sie nur wieder selbst steuerbar.

Was bei derAuswahl zu beachten ist

Nicht jede Open-Source-Software ist gleichausgereift oder geeignet. Bei der Auswahl kommt es auf folgende Kriterien an:

1. Reifegrad und Community: Wird die Software aktiv weiterentwickelt? Gibt es eine engagierte Nutzer- und Entwicklergemeinschaft?

2. Dokumentation: Ist der Einstieg für Administratoren und Nutzer nachvollziehbar beschrieben?

3. Integration: Wie gut lässt sich die Lösung in bestehende Systeme einbinden?

4. Lizenzmodell: Erlaubt die Lizenz auch kommerzielle Nutzung und Modifikation?

5. Sicherheit und Update-Frequenz: Werden Sicherheitslücken schnell geschlossen? Gibt es ein Release-Management?

Eine professionelle Open-Source-Strategiebedeutet daher: nicht einfach nach GitHub-Sternen gehen, sondern strukturierteEvaluation, ggf. mit externer Expertise.

Einstieg in eine souveräne Open-Source-Strategie: 5 Schritte

1. Systemlandschaft analysieren: Wo bestehen bereits Abhängigkeiten? Welche Systeme könnten ersetzt werden?

2. Anforderungen definieren: Welche Funktionen, Schnittstellen und Betriebsmodelle sind nötig?

3. Kandidaten evaluieren: Mit Kriterienkatalog, ggf. mit Proof-of-Concept oder Testinstanz.

4. Implementierung planen: Betriebskonzept, Supportmodell, Schulung.

5. Governance etablieren: Updates, Sicherheit, interne Verantwortlichkeiten regeln.

Fazit: Open Source ist kein Nischenphänomen, sondern strategischer Hebel

Der Mittelstand steht vor der Herausforderung, digitaleUnabhängigkeit, Effizienz und Sicherheit unter einen Hut zu bringen.Open-Source-Software bietet hier eine Chance, die weit über reineKosteneinsparung hinausgeht. Sie ermöglicht es, IT-Systeme selbstbestimmt zugestalten, flexibel zu skalieren und technologische Abhängigkeiten schrittweiseabzubauen.

Wer Open Source professionell einsetzt, gewinntnicht nur Souveränität, sondern häufig auch Innovationsfähigkeit – undbringt IT wieder in eine strategische Rolle im Unternehmen.

‍

In einer Zeit, in der technologische Abhängigkeiten wachsen, gesetzliche Anforderungen zunehmen und geopolitische Unsicherheiten neue Risiken schaffen, gewinnt digitale Souveränität eine ganz neue Bedeutung – nicht nur für Großkonzerne, sondern gerade für mittelständische Unternehmen. Dieser Artikel beleuchtet, was unter digitaler Souveränität zu verstehen ist, warum sie für den Mittelstand relevant ist, und wie Unternehmen einen selbstbestimmten, sicheren und zukunftsfähigen Weg einschlagen können.

Was bedeutet digitale Souveränität?

Der Begriff „digitale Souveränität“ ist in den letzten Jahren in vielen politischen und technologischen Kontexten aufgetaucht– und bleibt doch häufig unscharf. Im unternehmerischen Kontext meint digitale Souveränität die Fähigkeit eines Unternehmens, die eigenen IT-Systeme, Daten und digitalen Prozesse selbstbestimmt und unabhängig zu betreiben und zu gestalten. Es geht nicht um Isolation, sondern um kontrollierte Autonomie: Wer die Kontrolle über seine digitalen Ressourcen behält, bleibt handlungsfähig, sicher und wirtschaftlich flexibel.

Dabei steht nicht zwangsläufig im Vordergrund, alles selbst zu entwickeln oder zu betreiben. Entscheidend ist vielmehr, dass die Wahlfreiheit besteht – bei der Auswahl von Anbietern, beim Umgang mit Daten, beim Wechsel von Systemen oder bei der Anpassung von Geschäftsprozessen an neue Anforderungen. Souveränität bedeutet also vor allem: Nicht von einzelnen Anbietern, Systemen oder Plattformen abhängig zu sein.

Warum das Thema jetzt auf die Agenda gehört

Zahlreiche Entwicklungen der letzten Jahrezeigen, dass digitale Souveränität längst kein abstraktes Konzept mehr ist – sondern ein konkreter Wettbewerbsfaktor. Immer mehr Unternehmen erkennen, dass technologische Abhängigkeiten strategische Risiken bergen: von Lieferkettenunterbrechungen bis zu regulatorischen Fallstricken.

Besonders deutlich wurde das mit dem Wegfall des transatlantischen Datenschutzabkommens „Privacy Shield“. Unternehmen, die personenbezogene Daten in US-Clouds speichern, sehen sich plötzlich mit rechtlichen Unsicherheiten konfrontiert. Gleichzeitig wächst die Anzahl komplexer KI-Systeme, deren Entscheidungen sich nicht nachvollziehen lassen und deren Anbieter außerhalb des Einflussbereichs europäischer Gesetzgebung liegen.

Hinzu kommt die geopolitische Dimension: In Krisenzeiten zeigt sich, wie schnell digitale Lieferketten ins Wanken geraten können. Unternehmen, die auf externe Plattformen angewiesen sind, müssen im Ernstfall mit Produktionsausfällen, Datenverlust oder IT-Blockaden rechnen. Digitale Souveränität wird so zur Voraussetzung für Resilienz – und damit zur Existenzfrage.

Drei zentrale Abhängigkeiten – und ihre Folgen

Die folgende Tabelle zeigt typische Abhängigkeitssituationen, wie sie sich auch im deutschen Mittelstand häufig finden – und welche Risiken damit einhergehen:

Solche Abhängigkeiten bleiben oft lange unbemerkt– bis sie teuer oder gefährlich werden. Und je stärker Systeme miteinander verknüpft sind, desto schwieriger wird es, sie wieder zu entflechten.

Der Preis der Unsouveränität

Fehlende Souveränität erzeugt nicht nur Risiken, sondern auch laufende Mehrkosten, die sich langfristig zu einem echten Wettbewerbsnachteil summieren. Dazu gehören:

• Lizenzgebühren und versteckte Kosten bei proprietären Systemen, etwa für API-Zugriffe oder Datenexporte.

• Eingeschränkte Innovationsfähigkeit, wenn Anpassungen nur durch Drittanbieter möglich sind.

• Langwierige und teure Migrationen, sobald Anbieter oder Technologien gewechselt werden sollen.

• Sicherheitsrisiken durch fehlende Kontrolle über Datenflüsse und Softwarearchitektur.

Dabei sind diese Kosten häufig nicht sichtbar – oder werden in einzelnen Projekten schlicht akzeptiert, ohne das große Ganze im Blick zu behalten.

Wo Unternehmen ansetzen können

Der Weg zur digitalen Souveränität beginnt nicht mit einem großen Umbruch, sondern mit einer kritischen Bestandsaufnahme. Wo bestehen heute technologische Abhängigkeiten? Welche Systeme sind sicherheits- oder geschäftskritisch? Wo fehlt die Exit-Strategie?

Typische Handlungsfelder sind:

IT-Infrastruktur

Viele Mittelständler haben in den letzten Jahren Cloudlösungen eingeführt – oft getrieben durch Geschwindigkeit und Kosten. Doch nicht jede Cloud ist gleich souverän. Die Wahl einer Infrastruktur sollte daher nicht nur anhand von Preis und Verfügbarkeit erfolgen, sondern auch unter demAspekt der Reversibilität, Datenkontrolle und Standorttreue.

Datenmanagement

Daten gelten als das „Öl“ des 21. Jahrhunderts –doch in vielen Unternehmen fließen sie unkontrolliert in verschiedenste Richtungen. Digitale Souveränität setzt ein bewusstes Daten-Governance-Konzept voraus: Wer hat Zugriff? Wo liegen die Daten? Wie sind sie verschlüsselt? Und: Könnten sie morgen an einen anderen Ort migriert werden?

Softwarestrategie

Ob ERP, CRM oder DMS – proprietäre Softwarelösungen dominieren in vielen Unternehmen. Wer souverän bleiben will, sollte auf offene Schnittstellen, exportierbare Daten und modulare Architekturen achten. Auch Open-Source-Alternativen bieten hier häufig nicht nur mehr Kontrolle, sondern langfristig auch niedrigere Betriebskosten.

Künstliche Intelligenz

Gerade im Bereich KI ist Souveränität eine noch junge, aber drängende Herausforderung. Unternehmen, die auf Blackbox-Modelle externer Anbieter setzen, verlieren nicht nur Kontrolle über Entscheidungen, sondern setzen sich auch rechtlichen Risiken aus. Alternativen wie„Explainable AI“ oder selbst betriebene KI-Modelle auf souveräner Infrastruktur bieten einen gangbaren Weg – erfordern aber auch strategische Weitsicht und Investitionen.

Fallbeispiel: Souveränität in der Praxis

Ein deutscher Maschinenbauer nutzte jahrelang ein US-basiertes CRM-System, das tief mit anderen Anwendungen verzahnt war. Nach dem Ende von Privacy Shield 1.0 wurde klar: Der Betrieb war rechtlich heikel – und ein Anbieterwechsel kaum möglich. Durch die Umstellung auf eine europäische Open-Source-Alternative konnte das Unternehmen nicht nur die Compliance wiederherstellen, sondern auch die Integrationskosten deutlich senken, da alle Prozesse nun mit offenen Schnittstellen arbeiten.

So gelingt der Einstieg: Ein 5-Schritte-Plan

Wer souveräner werden möchte, braucht kein Großprojekt, sondern einen strukturierten, realistischen Plan. Bewährt hat sich folgendes Vorgehen:

1. Status quo erfassen: Bestandsaufnahme von Systemen, Datenströmen und Abhängigkeiten.

2. Kritikalität bewerten: Welche Systeme sind zentral? Wo bestehen die größten Risiken?

3. Zielbild definieren: Welche Systeme sollen langfristig souverän betrieben werden?

4. Maßnahmen planen: Technologische und organisatorische Schritte zur Umsetzung.

5. Change begleiten: Mitarbeitende sensibilisieren, Know-how aufbauen, Partner einbinden.

Auch Fördermittel können helfen: Programme wie go-digital, Mittelstand-Digital oder GAIA-X-Initiativen unterstützen konkret bei der Umsetzung souveräner IT-Strategien.

Fazit: Souveränität ist Zukunftssicherung

Digitale Souveränität ist kein Selbstzweck. Sie schützt nicht nur vor rechtlichen und technologischen Risiken, sondern eröffnet auch wirtschaftliche Chancen: Weniger Abhängigkeit bedeutet mehr Agilität, mehr Innovation und mehr Gestaltungsspielraum.

Gerade der Mittelstand – agil, wertorientiert und kundennah – hat die Chance, zum Vorreiter souveräner Digitalisierung zu werden. Wer heute in digitale Selbstbestimmung investiert, legt den Grundstein für langfristige Wettbewerbsfähigkeit.

‍