Kommentar von Ronny Fehling, HTEC Warum KI ein neues Betriebsmodell verlangt

Anbieter zum Thema

QUNIS GmbH

Obwohl die Investitionen in Künstliche Intelligenz (KI) überall zunehmen, bleibt der erhoffte Durchbruch meist aus. Der Grund liegt weniger in der Technologie als im Betriebsmodell selbst: Klassische Strukturen, herkömmliche Entscheidungswege sowie veraltete Budgetlogiken bremsen Skalierung und Wertschöpfung. Dringend notwendig ist daher nicht ein weiterer Blick auf die Technologie, sondern ein neu gedachtes Betriebsmodell und dazu passende Arbeitsweisen.

Eine KI-Strategie ohne Weiterentwicklung des Betriebsmodells erzeugt durchaus sichtbare Maßnahmen und Bewegung, aber keine nachhaltige Wirkung. Das Problem dabei: Die meisten großen Unternehmen verfügen heute zwar über eine KI-Strategie, aber nur die wenigsten haben ihre Arbeitsweisen und Prozesse wirklich verändert. Aber – und das ist der springende Punkt – ohne diese zugrundeliegenden Veränderungen entstehen vielleicht Pilotprojekte, Partnerschaften und Strategiepapiere – aber keine nachhaltige Transformation.

Weit verbreitet ist immer noch der Standardansatz, der darin besteht, KI an das vorhandene Betriebsmodell anzudocken. Ein zugegeben naheliegendes Konzept, das einem etablierten Muster folgt: Ein Chief AI Officer wird ernannt, eine KI-Abteilung aufgebaut, passende Anwendungsfälle identifiziert, Partnerschaften geschlossen und Governance-Strukturen definiert.

Kommentar von Christoph Knöll, Neurawork.ai

Die KI-Elite entsteht jetzt – und der Mittelstand droht zurückzufallen

Wer allerdings nur diese Häkchen auf der Checkliste abarbeitet, verändert das Betriebsmodell nicht. Solange die Arbeit weiterhin durch dieselben Genehmigungswege, Budgetzyklen, Governance-Gremien und Rollenlogiken läuft, die für eine Welt ohne KI entwickelt wurden, wird das logische Ergebnis Reibung statt Transformation sein. Nach vielleicht 18 Monaten existiert damit ein Portfolio aus Piloten, die nicht skalieren. Die übliche Schlussfolgerung lautet, KI sei schwieriger umzusetzen als erwartet. Das eigentliche Problem ist allerdings, dass das Betriebsmodell schlicht nicht für ihren Einsatz ausgelegt ist.

Diese Perspektive basiert auf einer einfachen These: Ein KI-fähiges Betriebsmodell ist kein bestehendes Modell mit zusätzlicher KI-Funktion. Es handelt sich vielmehr um eine neue Betriebslogik, in der Arbeitseinheiten, Veränderungsgeschwindigkeit, Entscheidungsrechte, Make-or-Buy-Logik und die zentrale Steuerung grundlegend anders gestaltet sind. Unternehmen, die diese Dimensionen nicht neu denken, werden Schwierigkeiten haben, KI langfristig erfolgreich zu nutzen.

KI ist keine Funktion

Der häufigste Fehler besteht darin, KI als eigenständige Unternehmensfunktion zu behandeln. Dieses Muster stammt aus der digitalen Transformation, als „digital“ noch klar abgrenzbar war – etwa in Form von Web, Mobile, E-Commerce oder Marketing-Technologie. Das funktionierte damals, weil es klare funktionale Grenzen gab.

Bei KI ist das anders: Sie ist kein abgegrenzter Bereich, sondern durchzieht das gesamte Unternehmen. Wird sie als zentrale Funktion organisiert, entsteht ständiger Abstimmungsbedarf mit Marketing, Operations und Engineering. Der Chief AI Officer steht dann vor einem ähnlichen Problem wie früher der CIO: Er steuert nur einen Teil der relevanten Aktivitäten.

Stattdessen ist eine dezentrale Verankerung von KI direkt in den Fachbereichen notwendig, ergänzt um eine schlanke zentrale „Spine“, die Standards und gemeinsame Grundlagen definiert. Diese Zentrale bleibt bewusst klein, während die eigentliche Arbeit im gesamten Unternehmen stattfindet. Die Rolle eines Chief AI Officers – sofern vorhanden – sollte sich daher auf Koordination, Standardsetzung und Rahmenbedingungen konzentrieren, nicht auf die direkte Steuerung der KI-Arbeit.

Der KI-Qualitäts-Gap

Warum mehr Adoption nicht gleich mehr Qualität bedeutet

Dieser Ansatz stößt oft auf Widerstand, weil eine zentrale KI-Funktion eine scheinbar einfache Antwort auf ein komplexes Problem bietet. Sie erzeugt den Eindruck von Fortschritt, kann jedoch dazu führen, dass sich an der tatsächlichen Arbeitsweise des Unternehmens wenig verändert.

Was sich tatsächlich verändert

Wenn KI zum integralen Bestandteil der Wertschöpfung wird, verändern sich zentrale Dimensionen des Betriebsmodells. Keine davon ist primär technologisch – alle betreffen die Art und Weise, wie Unternehmen arbeiten.

1. Die Arbeitseinheit verschiebt sich vom Projekt zum „Slice“

Das klassische Betriebsmodell ist projektbasiert: mit festem Umfang, Zeitrahmen, Budget und definiertem Ende. KI folgt jedoch einer anderen Logik, auch weil der tatsächliche Umfang erst im Verlauf entsteht. Zyklen sind kürzer und iterativ, vor der Entwicklung wird zunächst in Lernen investiert und das Ende eines Arbeitsschritts markiert oft den Beginn des nächsten.

Wird KI dennoch wie ein herkömmliches Projekt behandelt, ufert der Umfang aus und es entstehen lange Freigabeprozesse sowie Governance-Modelle, die frühe Experimente wie fertige Lösungen bewerten. Die Lösung besteht nicht darin, KI in das Projektmodell zu pressen. Entscheidend ist vielmehr, die Arbeit selbst in echte „Slices“ zu zerlegen. Ein Slice ist eine kleine, in einen realen Geschäftsprozess eingebettete Arbeitseinheit mit P&L-Verantwortung und klaren Entscheidungspunkten. Sie wird als kleine Investition behandelt, nicht als Großprojekt – und entweder in produktive Nutzung überführt oder beendet.

2. Veränderungsgeschwindigkeit als Designparameter

Traditionell gingen Unternehmen von stabilen Betriebsmodellen über mehrere Jahre aus. Diese Annahme ist nicht länger tragbar, weil neue Modellgenerationen, Agenten-Architekturen oder regulatorische Änderungen regelmäßig die Rahmenbedingungen verändern.

Statt schnellerer Governance braucht es zwei Zeithorizonte:

• einen langsamen für stabile Grundlagen (etwa Daten, Ethik, Compliance)

• einen schnellen für dynamische Elemente (zum Beispiel Wahl des Modells, Workflows, Integration)

Viele Unternehmen vermischen diese Ebenen. Dabei geht die Geschwindigkeit verloren.

3. Entscheidungen verschieben sich

Früher konzentrierten sich Entscheidungen in der Unternehmensspitze, da Information und Expertise dort gebündelt waren. KI verschiebt diese Logik: Informationen fließen schneller, Entscheidungen können näher an der operativen Arbeit getroffen werden.

Das bedeutet nicht zwangsläufig flachere Hierarchien, sondern eine Verschiebung der Entscheidungsarten: Strategische, ethische und kapitalrelevante Entscheidungen bleiben unverändert, operative Konfigurationen, Priorisierung und Alltagsentscheidungen verschieben sich aber zunehmend.

4. Die Make-or-Buy-Grenze wird flexibel

Die klassische Entscheidung „Make or Buy“ wird durch KI aufgebrochen. Stattdessen entsteht eher ein „Zusammenstellen und Anpassen“. Damit ist gemeint, dass Foundation Models mit Integrationsschichten, Workflows, Evaluationsmechanismen und Infrastruktur kombiniert werden.

Diese Komponenten sind nicht statisch, sondern werden kontinuierlich neu kombiniert. Klassische Beschaffungsprozesse sind darauf nicht ausgelegt und müssen entsprechend neu gedacht werden – weg von langfristigen Einzelverträgen hin zu modularen, ergebnisorientierten Strukturen.

Die wirklich kritischen Entscheidungen

Drei strukturelle Fragen bestimmen, ob ein Unternehmen KI skalieren kann:

Wer trägt die Verantwortung für die Ergebnisse? KI wird oft in CIO-, CTO- oder CAIO-Strukturen verankert. Das schafft scheinbare Klarheit, funktioniert aber nur, wenn auch echte Verantwortung verteilt wurde. Ohne P&L-Verantwortung bleibt KI ein Budgetthema ohne Skalierungskraft.

Wie wird KI finanziert? KI sollte nicht wie klassische IT-Projekte finanziert werden. Besser ist ein Portfolioansatz: Kapital wird in einem Bereich gebündelt und über mehrere „Slices“ verteilt. Jede Einheit trifft Entscheidungen, etwa das Projekt fortsetzen, anpassen oder stoppen. Die zentrale Kennzahl des Portfolios ist der insgesamt über das gesamte Portfolio hinweg geschaffene Wert – nicht der Erfolg einer einzelnen Slice. Dieses Vorgehen ähnelt eher der Kapitalallokation von Venture Capital als der klassischen IT-Projektfinanzierung. Aber Vorsicht: Ohne Einbindung des CFO kehrt das klassische Budgetmodell schnell zurück.

Wie wird Governance gestaltet? Vorab definierte Governance reagiert oft auf hypothetische Risiken und bremst Innovation. Stattdessen sollte sie sich aus der Praxis entwickeln. Grundlegende Themen wie Ethik, Daten oder Compliance können früh definiert werden, dynamische Themen wie Workflows, Monitoring oder Eskalation entstehen eher iterativ aus der Umsetzung heraus.

Die daraus entstehende Arbeitsstruktur

Die Veränderungen durch KI zeigen sich direkt in der Arbeitsorganisation. Sie sind keine Nebenwirkung, sondern Konsequenz des neuen Betriebsmodells.

Entscheidend werden nicht primär KI- oder Datenspezialisten, sondern erfahrene Fachkräfte aus dem Geschäft selbst, die KI in ihrer täglichen Arbeit nutzen können. Der Engpass liegt damit weniger in der Technologie als in der Verfügbarkeit von KI-affinen Fachkräften.

Kommentar von Stefan Maxones

Data Contracts: So bauen Unternehmen stabile Datenfundamente für KI

Ein zweiter Wandel betrifft die mittlere Unternehmensebene, wo der größte Umbruch stattfindet. Erfahrene Mitarbeiter werden durch KI unterstützt, neue Mitarbeiter kommen bereits KI-kompetent ins Unternehmen. Tätigkeiten zwischen diesen beiden Ebenen – geprägt von Koordination und Routinearbeit – werden deutlich zurückgehen. Dieser Übergang muss aktiv gesteuert werden.

Was gilt es zu messen?

Nach 12 bis 18 Monaten sollte sich prüfen lassen, ob drei Dinge erreicht sind:

• KI-Anwendungen (Slices) sind bereits im operativen Geschäft produktiv im Einsatz und erzeugen messbaren wirtschaftlichen Nutzen.

• Die Time-to-Production hat sich von Monaten auf wenige Wochen verkürzt.

• Das Unternehmen selbst hat sich sichtbar verändert – in Finanzierung, Entscheidungslogik, Governance und Personalstruktur. Wenn das nicht der Fall ist, wurde KI lediglich in das bestehende System integriert, nicht das System selbst verändert.

Wirklich erfolgreiche Unternehmen werden jene sein, die ihr Betriebsmodell konsequent auf KI-Arbeit ausrichten, statt KI-Arbeit in ein Betriebsmodell zu zwingen, das nie dafür gebaut wurde. Der eigentliche Engpass ist nicht die Strategie, sondern das Betriebsmodell. Unternehmen transformieren nicht zuerst und betreiben dann. Sie transformiert durch den Betrieb.

(ID:50869075)