KI für Unternehmen: ein Pilot statt große Ankündigung
KI für Unternehmen scheitert seltener am Werkzeug als am Rollout ohne Pilot. Ein Ablauf mit einer Aufgabe, einem Prüfschritt und einer Regel gegen Schatten-KI.
„KI für Unternehmen" klingt nach einer Grundsatzentscheidung: ein Tool auswählen, eine Ankündigung verschicken, fertig. In der Praxis scheitert genau dieser Ablauf am häufigsten — nicht weil das Werkzeug schlecht war, sondern weil niemand vorher festgelegt hat, an welcher konkreten Aufgabe sich der Nutzen zeigen soll und wer das Ergebnis prüft, bevor es nach außen geht. Der ehrliche Ausgangspunkt ist kleiner als die meisten Ankündigungen: ein Team, eine Aufgabe, ein Vorher-Nachher-Vergleich.
Wofür sich ein Pilotprojekt eignet
- Ein Team im Kundenservice, das Antwortentwürfe auf wiederkehrende Anfragen mit KI vorformuliert, bevor eine Person sie prüft und verschickt.
- Eine Marketingabteilung, die Entwürfe für Social-Media-Beiträge oder Produkttexte mit KI vorbereitet und selbst redigiert.
- Ein internes Team, das Meeting-Notizen und Protokolle standardisiert mit denselben Prompt-Vorlagen zusammenfasst.
- Eine Abteilung, die eine interne Wissensdatenbank testweise durchsuchbar macht, statt jede Frage einzeln per E-Mail zu klären.
Nicht geeignet für einen ersten Piloten ist alles, wo eine Entscheidung mit rechtlicher oder finanzieller Wirkung ungeprüft direkt aus dem Modell übernommen wird — eine automatische Ablehnung einer Bewerbung, eine automatisierte Preis- oder Kreditentscheidung, eine Kundenantwort mit rechtlicher Zusage ohne menschliche Prüfung. Dort steht am Anfang eine Freigaberegel, nicht ein Pilotprojekt.
Ebenfalls kein guter erster Pilot ist eine Aufgabe, die sich nur schwer messen lässt — etwa „die allgemeine Kreativität im Team verbessern". Ein Pilot ohne klare Vorher-Nachher-Zahl liefert am Ende nur Meinungen darüber, ob sich der Aufwand gelohnt hat, keine Entscheidungsgrundlage.
Ein Ablauf für den Einstieg, der nicht im zweiten Monat steckenbleibt
- Wähl eine einzelne, wiederkehrende Aufgabe in einem Team statt eines unternehmensweiten Rollouts — eine Aufgabe, die heute schon Zeit kostet und deren Ergebnis sich leicht prüfen lässt.
- Leg schriftlich fest, welche Daten in welches Werkzeug eingegeben werden dürfen, bevor der Pilot startet — nicht danach, wenn längst Kundendaten oder interne Zahlen irgendwo eingetippt wurden.
- Bestimme, wer jedes Ergebnis prüft, bevor es einen Kunden oder eine andere Abteilung erreicht, und wie lange diese Prüfung dauern darf.
- Miss die Aufgabe vor und nach dem Piloten an derselben Kennzahl — Zeit pro Vorgang, Anzahl Korrekturschleifen — statt den Erfolg an der allgemeinen Stimmung im Team festzumachen.
Ein Beispiel von Anfang bis Ende
Nimm den Kundenservice eines mittelständischen Unternehmens, der jede Woche Dutzende ähnliche Anfragen zu Lieferzeiten beantwortet. Schwacher Start: Das Tool wird der ganzen Abteilung an einem Montag freigeschaltet, ohne Vorgabe, welche Anfragen sich eignen und wer die Entwürfe gegenliest. Nach zwei Wochen nutzen einzelne Personen es intensiv, andere gar nicht, und niemand kann sagen, ob insgesamt Zeit gespart wurde.
Vollständiger Ablauf: Ein Team von drei Personen testet das Werkzeug vier Wochen lang ausschließlich für Anfragen zu Lieferzeiten, mit einer festen Vorlage für den Prompt und der Regel, dass jeder Entwurf vor dem Versand gegen das aktuelle Lager- und Versandsystem geprüft wird. Am Ende der vier Wochen steht eine Zahl — durchschnittliche Bearbeitungszeit pro Anfrage vorher und nachher — statt eines allgemeinen Eindrucks. Erst mit dieser Zahl entscheidet sich, ob der Ansatz auf weitere Anfragetypen oder Teams ausgeweitet wird.
Ein Pilotprojekt, das nach vier Wochen nur ein gutes Gefühl liefert, hat sein Ziel verfehlt. Ziel ist eine Zahl, die vorher feststand, und ein Prüfschritt, der beim Skalieren erhalten bleibt.
Wie viele Werkzeuge ein Pilot wirklich braucht
Ein zweites Beispiel zeigt denselben Ablauf aus einer anderen Abteilung: Eine Marketingabteilung testet KI für erste Entwürfe von Produkttexten und merkt nach zwei Wochen, dass drei Personen bereits drei verschiedene Abos bei drei verschiedenen Anbietern laufen haben — jede hat sich selbst für ein Werkzeug entschieden, weil niemand eine Vorgabe gemacht hat. Bevor ein Pilot auf weitere Teams ausgeweitet wird, lohnt sich deshalb ein Vergleich, welche Abo-Modelle für die geplante Nutzungsmenge tatsächlich sinnvoll sind, statt dass jede Abteilung ihr eigenes Abo mitbringt — ein Vergleich, der ausführlicher in KI-Abo-Kosten im Vergleich beschrieben ist.
Ein einzelnes, bewusst ausgewähltes Werkzeug für die gesamte Pilotgruppe lässt sich außerdem leichter kontrollieren als drei parallele Abos — wer worauf Zugriff hat, welche Daten wohin fließen, und ob sich der gemessene Zeitgewinn am Ende überhaupt auf ein Werkzeug zurückführen lässt oder auf einen Mix aus dreien. Das gilt besonders, wenn mehrere Teams gleichzeitig anfragen: eine zentrale Entscheidung vor dem Pilotstart verhindert, dass am Ende des Quartals fünf Kostenstellen fünf ähnliche Abos tragen, die eigentlich dieselbe Aufgabe lösen sollten.
Warum Schatten-KI das eigentliche Risiko ist
Solange ein Unternehmen keine klare Regel hat, warten Beschäftigte selten ab. Eine Erhebung des Bitkom zeigt, dass ein erheblicher Teil der Beschäftigten in Deutschland private KI-Werkzeuge für die Arbeit nutzt, ohne dass die IT-Abteilung oder die Geschäftsführung davon weiß — sogenannte Schatten-KI. Das eigentliche Risiko eines fehlenden Piloten ist damit nicht, dass gar keine KI genutzt wird, sondern dass sie bereits unkontrolliert genutzt wird, mit unklarem Umgang mit Kunden- und Unternehmensdaten.
Eine schriftliche Regel, welche Daten in welches Werkzeug dürfen, ist deshalb kein bürokratischer Zusatzschritt, sondern der Teil des Piloten, der das eigentliche Risiko abdeckt — nicht die Frage, ob das Werkzeug gute Texte schreibt.
Wie verbreitet KI in deutschen Unternehmen bereits ist
Der Bitkom erhebt regelmäßig, wie viele deutsche Unternehmen generative KI inzwischen einsetzen, und das Statistische Bundesamt veröffentlicht dieselbe Entwicklung amtlich für die gesamte Wirtschaft — beide zeigen einen Anteil, der von Jahr zu Jahr spürbar steigt, aber noch weit von einer flächendeckenden Nutzung entfernt ist. Welche Aufgaben sich davon technisch überhaupt automatisieren lassen, untersucht laufend das IAB — ein nützlicher Anhaltspunkt dafür, wie groß ein realistischer erster Pilot sein sollte.
Genau die Fähigkeit, ein Ergebnis zu prüfen statt es unbesehen zu übernehmen, ist Teil dessen, wofür der Arbeitsmarkt laut PwC AI Jobs Barometer einen deutlichen Gehaltsaufschlag zahlt — ein Grund mehr, diese Fähigkeit im Piloten selbst aufzubauen, statt sie einer einzelnen Fachabteilung zu überlassen.
Was nach einem erfolgreichen Piloten passiert
Zeigt die Kennzahl am Ende der vier Wochen einen echten Zeitgewinn, folgt als nächster Schritt nicht sofort der unternehmensweite Rollout, sondern eine zweite, etwas größere Testrunde — ein weiteres Team, eine ähnliche, aber nicht identische Aufgabe. Erst wenn sich der Effekt auch dort zeigt, lohnt sich die Investition in eine feste Schulung und eine verbindliche Richtlinie für alle. Ein Effekt, der nur in einem einzigen Team auftritt, sagt oft mehr über dieses Team als über das Werkzeug.
Was du am Montag ausprobierst
- Wähl eine einzelne wiederkehrende Aufgabe in einem Team, deren Ergebnis sich leicht prüfen lässt.
- Leg schriftlich fest, welche Daten in das Werkzeug dürfen und welche nicht.
- Bestimme eine Person, die jedes Ergebnis vier Wochen lang prüft, bevor es verwendet wird.
- Miss dieselbe Kennzahl vor und nach dem Piloten, bevor über eine Ausweitung entschieden wird.
Wer die Rolle übernimmt, Werkzeuge zu bewerten und Piloten wie diesen zu koordinieren, trägt in vielen Unternehmen inzwischen den Titel KI-Manager — mit sehr unterschiedlichen Aufgaben je nach Betrieb. Für die einzelne Büroaufgabe im Piloten selbst gilt derselbe Prüfschritt, ausführlicher beschrieben in KI im Büro. Läuft die Aufgabe im Piloten jede Woche gleich ab, lohnt sich irgendein Punkt, den Kontext nicht jedes Mal neu zu erklären — dazu mehr in Custom GPT erstellen und, sobald mehrere Arbeitsschritte zusammenhängen, in Workflow-Automatisierung. Plant die Abteilung anschließend eine ganze ChatGPT-Schulung, zählt dort dasselbe Prinzip wie im Piloten: an echten Aufgaben üben, nicht nur zuschauen. Geht es im Piloten um den Umgang mit personenbezogenen Daten in einem KI-Werkzeug, gilt dieselbe Sorgfalt wie in Meta AI Datenschutz beschrieben.
Genau diese zwei Fähigkeiten — ein Ergebnis konkret einfordern und es prüfen, bevor es verwendet wird — vermittelt Coursium in kurzen Lektionen fürs Handy, für einzelne Mitarbeitende ebenso wie für ein Pilotteam. Bleib der KI voraus mit Übungen, die zu einer echten Aufgabe passen, nicht zu einem Demo-Beispiel. Mehr zu diesem Ansatz steht über Coursium.