KI-Strategie entwickeln

KI-Strategie in einem Satz

Eine KI-Strategie legt fest, auf welche Unternehmensziele KI einzahlen soll, welche Anwendungsfälle dafür in welcher Reihenfolge umgesetzt werden, wie tief ihr selbst baut und nach welchen Regeln und Kennzahlen ihr steuert. Alles andere – Toolauswahl, Lizenzmodelle, Modellversionen – ist Umsetzung, nicht Strategie.

Der Unterschied ist praktisch relevant. Wer mit der Toolfrage beginnt, bekommt eine Sammlung von Abonnements. Wer mit der Zielfrage beginnt, bekommt eine Entscheidungslogik, die auch dann noch trägt, wenn sich die Anbieterlandschaft in zwölf Monaten verschoben hat. Dieser Artikel setzt voraus, dass erste Erfahrungen vorliegen – der operative Einstieg steht in KI im Unternehmen einführen.

Baustein 1: Verzahnung mit den Unternehmenszielen

Beginne nicht bei KI, sondern bei den zwei bis vier Zielen, die im laufenden Geschäftsjahr ohnehin gelten – Marge, Wachstum in einem Segment, Durchlaufzeit, Kundenzufriedenheit, Fachkräftemangel. Für jedes Ziel stellst du dieselbe Frage: Welcher Engpass verhindert die Zielerreichung, und ist dieser Engpass informations- oder textlastig?

Nur wenn die Antwort auf den zweiten Teil ja lautet, ist KI überhaupt der richtige Hebel. Ein Engpass in der Lieferkette wird nicht durch ein Sprachmodell gelöst. Ein Engpass in der Angebotserstellung, im Support-Volumen oder in der Content-Produktion sehr wohl.

Das Ergebnis dieses Schritts ist eine kurze Zielhierarchie: Unternehmensziel → Engpass → KI-Beitrag → Verantwortlicher. Vorhaben, die sich nicht bis zu einem Unternehmensziel durchziehen lassen, gehören nicht ins Portfolio – egal wie beeindruckend die Demo war.

Baustein 2: Use Cases priorisieren

Für die Priorisierung reichen vier Bewertungsdimensionen, jede auf einer Skala von 1 bis 5:

Der Wert ergibt sich aus Wertbeitrag × Häufigkeit, geteilt durch den Aufwand aus Datenreife und Risiko. Wichtig ist weniger die exakte Formel als die Disziplin, alle Vorschläge nach denselben Kriterien zu bewerten – inklusive derer, die aus der Geschäftsführung kommen.

Stelle daraus ein Portfolio in drei Horizonten zusammen: kurzfristige Effizienzfälle mit sicherer Umsetzbarkeit, mittelfristige Prozessumbauten mit Datenanbindung, und ein bis zwei langfristige Vorhaben, die das Geschäftsmodell berühren. Ohne den dritten Horizont optimierst du nur den Status quo; ohne die ersten beiden fehlt die Finanzierung dafür.

Baustein 3: Buy, Configure oder Build

Die Frage nach der Fertigungstiefe entscheidet über Kosten, Geschwindigkeit und Abhängigkeit. Drei Stufen genügen:

Die realistische Antwort für die meisten Unternehmen lautet Configure: eigene Assistenten mit hinterlegtem Firmenwissen, verbunden über Automatisierungsplattformen. Wie diese Verbindung technisch aussieht, zeigt KI-Automatisierung; der Vergleich der gängigen Plattformen steht in n8n vs. Zapier vs. Make.

Zwei Nebenbedingungen gehören in jede Build-Entscheidung: Austauschbarkeit des Modells – baue so, dass ein Anbieterwechsel kein Neubau ist – und Betriebskosten pro Vorgang, denn was im Test bei hundert Durchläufen günstig wirkt, kann bei hunderttausend die Wirtschaftlichkeit kippen.

Baustein 4: Governance, die nicht bremst

Governance hat in KI-Projekten einen schlechten Ruf, weil sie oft als nachträgliche Verbotsliste auftaucht. Wirksam ist sie, wenn sie vorab klare Freiheitsgrade definiert. Fünf Elemente reichen:

Risikoklassifizierung pro Use Case. Ordne jeden Anwendungsfall in eine von drei internen Klassen ein – unkritisch, prüfpflichtig, freigabepflichtig – und leite daraus die Kontrolltiefe ab. Die regulatorische Grundlage dafür liefert der EU AI Act.

Datenregeln. Welche Datenkategorien dürfen in welches System, mit welcher vertraglichen Grundlage. Details in KI und Datenschutz.

Qualitätssicherung. Für jeden produktiven Use Case ein definierter Prüfschritt mit benannter Rolle. Wer prüft, was, wie oft, und was passiert bei Abweichung.

Kompetenz. Rollenbasierte Schulung statt einheitlicher Pflichtveranstaltung – Anwender, Verantwortliche und Führung brauchen unterschiedliche Tiefe.

Transparenz. Ein gepflegtes Verzeichnis aller produktiven KI-Anwendungen mit Zweck, System, Datenbasis und Verantwortlichem. Dieses Verzeichnis ist der einzige Governance-Baustein, den du in jedem Fall brauchst – für Audits, für den Überblick und um Doppelentwicklungen zu vermeiden.

Baustein 5: Messbarkeit

Der häufigste Messfehler ist, Nutzung mit Wirkung zu verwechseln. Aktive Nutzer und Prompt-Zahlen sagen nichts über den Geschäftsbeitrag. Nutze stattdessen drei Ebenen:

1. Adoption (Frühindikator): Anteil der Zielgruppe, der den Anwendungsfall im Alltag nutzt. Aussagekraft: gering, aber früh verfügbar.
2. Prozesswirkung (Kernebene): Durchlaufzeit, Bearbeitungsdauer pro Vorgang, Fehler- oder Nacharbeitsquote, Ausbringungsmenge – jeweils gegen den vor Projektstart gemessenen Ausgangswert.
3. Geschäftswirkung (Zielebene): Kosten pro Vorgang, Umsatz je Mitarbeitendem, Reaktionszeit gegenüber Kunden. Diese Ebene braucht Zeit und lässt sich selten sauber isolieren – dokumentiere die Annahmen, statt Kausalität zu behaupten.

Setze pro Use Case eine Kernkennzahl auf Ebene zwei und überprüfe sie quartalsweise. Und plane bewusst ein Ende ein: Anwendungsfälle, die nach zwei Quartalen keine Wirkung zeigen, werden abgeschaltet statt stillschweigend weiterbezahlt.

Die Strategie auf einer Seite

Eine tragfähige KI-Strategie passt auf ein Blatt und beantwortet sechs Fragen:

• Wozu? Zwei bis vier Unternehmensziele mit benanntem Engpass.
• Was? Portfolio aus priorisierten Use Cases in drei Horizonten.
• Wie tief? Grundsatzentscheidung Buy/Configure/Build je Fall.
• Nach welchen Regeln? Risikoklassen, Datenregeln, Prüfschritte, Verzeichnis.
• Wer? Verantwortliche pro Use Case plus eine koordinierende Rolle.
• Woran erkennen wir Erfolg? Eine Kernkennzahl pro Fall, quartalsweise überprüft.

Alles, was darüber hinausgeht, ist Umsetzungsplanung. Die Strategie selbst muss ein Jahr halten – die Toolauswahl darunter darf sich jederzeit ändern.

Fazit

Eine KI-Strategie ist keine Technologieauswahl, sondern eine Priorisierungs- und Kontrolllogik. Sie beginnt bei den Unternehmenszielen, bewertet Anwendungsfälle nach einheitlichen Kriterien, trifft eine bewusste Entscheidung über die Fertigungstiefe, setzt Governance als Freiheitsrahmen statt als Verbotsliste und misst Prozesswirkung statt Nutzungszahlen. Der wertvollste Bestandteil ist dabei die Fähigkeit, Vorhaben auch wieder zu beenden – denn Kapazität, nicht Ideenmangel, ist der eigentliche Engpass.