KI am Arbeitsplatz: Was die Daten wirklich zeigen – und was deutsche Unternehmen jetzt tun müssen

Der Beitrag KI am Arbeitsplatz: Anekdote oder Betriebsmodell? erschien zuerst auf Verein zur Unterstützung der digitalen Transformation e.V..

KI-Einführung 2026: Was die Zahlen wirklich sagen

Die KI-Diskussion ist im Jahr 2026 endgültig aus der „Trend-Ecke“ herausgewachsen. Aktuelle Erhebungen zeigen eine deutlich steigende Nutzung – gleichzeitig aber auch eine spürbare Kluft zwischen großen Unternehmen und dem Mittelstand. Während KI in vielen Großunternehmen bereits produktiv eingesetzt wird, bleibt sie im Mittelstand häufig auf einzelne Use Cases begrenzt.

Für Berater und Unternehmer ist genau dieser Unterschied entscheidend: Nicht die Frage „Nutzen wir KI?“ trennt Gewinner von Nachzüglern – sondern die Fähigkeit, gezielt zu entscheiden,

• wo KI den höchsten Nutzen stiftet,
• welche Hemmnisse real sind (und welche vorgeschoben),
• und wie man vom Piloten zur skalierbaren, organisatorisch tragfähigen Einführung kommt.

Die 10 häufigsten KI-Use Cases: Was Unternehmen in Deutschland tatsächlich einsetzen

Unsere Studie verdichtet mehrere Perspektiven (amtliche Technologie-Erhebung, Mittelstands-Anwendungsfelder, Zielperspektive, Produktivitätsperspektive) zu einer belastbaren Top-10-Liste.

Top-10-Use-Cases (kompakt)

Diese Liste ist für Entscheider hilfreich, weil sie zwei Dinge trennt:
(1) „Weit verbreitet“ (z. B. Textanalyse, Spracherkennung, Textgenerierung) und (2) „hoher Werthebel“ (z. B. Produktion/Qualität, Predictive Maintenance) – die oft mehr Integration und bessere Datenbasis erfordern.

Warum viele Mittelständler noch nicht starten – oder nicht skalieren

Die Studie zeigt: Die Hemmnisse sind kein „Ein-Grund-Problem“, sondern ein Bündel, das sich gegenseitig verstärkt. Besonders relevant ist das für die Beratungspraxis: Viele KI-Initiativen scheitern nicht am Modell, sondern an Wissen, Governance, Datenfähigkeit und Akzeptanz.

Die 10 größten Hemmnisse (verdichtet aus den zitierten Erhebungen)

Entscheidend: Die Hemmnisse sind steuerbar, wenn man sie systematisch angeht – nicht mit isolierten Tool-Einführungen, sondern als strukturierter Veränderungsprozess.

Wo KI im Mittelstand am lohnenswertesten ist

Die Studie zeigt besonders klare Erfolgsfelder dort, wo Unternehmen messbare Produktivitäts- oder Qualitätsgewinne realisieren können – typischerweise in Bereichen mit hohem Volumen, klaren KPIs und wiederholbaren Prozessen.

Erfolgsfelder (für Entscheidungen und Priorisierung)

Das zentrale Muster:

• Schneller Einstieg gelingt meist in Wissens- und Prozessarbeit (Dokumente, Service, Marketing, Admin).
• Größere strategische Werthebel entstehen in Produktion/Service-Innovation – benötigen aber Datenbasis, Schnittstellen und Governance.

Was Berater und Unternehmer daraus ableiten können

1) Entscheidungen werden besser, wenn „Use Case“ und „Organisationsfähigkeit“ getrennt bewertet werden

Viele Unternehmen bewerten nur den Use Case („klingt gut“), aber nicht die Umsetzungsfähigkeit (Daten, Rollen, Compliance, Change). Genau diese Lücke verursacht Pilotitis.

2) Erfolgreiche KI-Einführung ist ein Portfolio-Thema

Die Studie zeigt deutlich: Punktuelle Insellösungen reichen nicht. Wer KI als Werkzeugkasten ohne Roadmap nutzt, unterschätzt Aufwand, Risiken und Potenziale.

3) Governance ist kein Bremsklotz, sondern Beschleuniger

Rechtliche Unsicherheit ist eines der größten Hemmnisse. Wer früh Klarheit schafft (Rollen, Risikoklassen, Datenschutz-Leitplanken, Dokumentation), skaliert schneller und sicherer.

Wie die KI-Toolsuite dabei konkret hilft

Die KI-Toolsuite ist dafür gebaut, genau diese Entscheidungen zu strukturieren:

• Readiness-Assessment: Standortbestimmung entlang der entscheidenden Dimensionen (Strategie, Daten, Organisation, Technologie, Umsetzung, Compliance).
• Use-Case-Bewertung: Priorisierung nach Business Impact, Umsetzungsaufwand, Datenreife, Risiken und Skalierbarkeit.
• Umsetzungs-Dashboard: Von Erkenntnis zu Maßnahmenplan – mit klaren Arbeitspaketen und Fortschrittslogik.

Kurz: Die Toolsuite reduziert Komplexität, macht Entscheidungen nachvollziehbar und hilft, den Schritt vom „KI-Pilot“ zur steuerbaren Transformation zu gehen. Kommen Sie zu einer Live-Produktpräsentation.

Kostenloser Download der Studie (ohne Formular)

Sie möchten die Zahlen, Tabellen und Quellen im Original nutzen – z. B. für Management-Briefings, Strategie-Workshops oder die Priorisierung Ihrer Roadmap?

Studie: „KI in Deutschland – Status quo, Hemmnisse und Erfolgsfaktoren im Mittelstand (Stand: Februar 2026)“

Download: Studie kostenlos herunterladen (PDF)

Hinweis: Der Download ist bewusst ohne E-Mail-Gate, damit Sie die Inhalte unmittelbar weiterverwenden können.

Der Beitrag KI im deutschen Mittelstand 2026: Status quo, Hemmnisse, Erfolgsfelder erschien zuerst auf Verein zur Unterstützung der digitalen Transformation e.V..

Als Ende 2022 ChatGPT öffentlich zugänglich wurde, geschah etwas Seltenes: Eine Technologie verließ den Expertenkreis und trat unmittelbar in den Alltag von Millionen Menschen ein. Innerhalb weniger Wochen wurde aus einer Forschungsdisziplin ein globales Gesprächsthema. Menschen unterhielten sich mit Maschinen, Maschinen antworteten in natürlicher Sprache – flüssig, höflich, scheinbar kompetent. Was zuvor als „künstliche Intelligenz“ eher abstrakt blieb, bekam plötzlich eine Stimme.

Medien, Technologieunternehmen und Investoren reagierten euphorisch. Kaum ein Vorstand, der sich dem Eindruck entziehen konnte, hier entstehe gerade etwas grundsätzlich Neues – möglicherweise sogar eine Technologie, die menschliche Wissensarbeit in weiten Teilen ersetzen würde. In diesem Klima entstand ein Narrativ, das den Diskurs über Jahre prägen sollte: KI als universelles Werkzeug, als Produktivitätsmaschine, als Abkürzung zu Wachstum, Effizienz und Erkenntnis.

Der Artikel „The great AI hype correction of 2025“ aus der MIT Technology Review beschreibt nun den Moment, in dem diese Erzählung an ihre Grenzen stößt. Nicht, weil KI gescheitert wäre – sondern weil die Erwartungen an sie die Realität überholt haben.

Vom Fortschrittsrausch zur Ernüchterung

Die Dynamik der Jahre 2023 und 2024 war geprägt von Überbietungswettbewerben. Jedes neue Modell versprach mehr: bessere Sprache, Bilder, Video, „Reasoning“, Autonomie. CEOs erklärten öffentlich, dass ganze Berufsgruppen verschwinden würden. Forschungsergebnisse wurden in Produktversprechen übersetzt, lange bevor klar war, ob sie sich stabil in reale Arbeitskontexte übertragen lassen.

Besonders sichtbar wurde dieser Mechanismus beim Launch von GPT-5. Sam Altman hatte das Modell im Vorfeld als „PhD-level expert in anything“ angekündigt – eine Formulierung, die weniger technisch als symbolisch wirkte. Sie suggerierte einen qualitativen Sprung, eine neue Stufe maschineller Intelligenz.

Als GPT-5 dann veröffentlicht wurde, war die Reaktion auffällig verhalten. Das Modell war besser – aber nicht fundamental anders. Die erhoffte Zeitenwende blieb aus. Für viele Beobachter war das kein technisches Problem, sondern ein psychologisches: Zum ersten Mal seit Jahren wich der Eindruck, dass „alles exponentiell besser wird“, einer nüchternen Frage: War das schon alles?

An dieser Stelle vollzog sich der Stimmungsumschwung, den der Artikel als „Hype Correction“ beschreibt. Vergleichbar mit der Smartphone-Industrie, in der neue Geräte zwar leistungsfähiger, aber kaum noch revolutionär wirken, schien auch generative KI in eine Phase inkrementeller Verbesserungen einzutreten.

Warum LLMs nicht „die KI“ sind

Ein zentraler Punkt der Analyse ist die begriffliche Verengung, die der Hype mit sich brachte. In der öffentlichen Wahrnehmung wurde KI nahezu vollständig mit Large Language Models gleichgesetzt. Dabei handelt es sich um eine sehr spezielle Klasse von Systemen, die statistische Muster in Sprache extrem gut reproduzieren können – aber nicht notwendigerweise verstehen, was sie tun.

Selbst führende Forscher wie Ilya Sutskever, Mitbegründer von OpenAI, betonen inzwischen offen die Grenzen dieser Modelle. LLMs können tausende konkrete Aufgaben lösen, aber sie lernen nicht die dahinterliegenden Prinzipien. Sie generalisieren schlechter als Menschen, insbesondere außerhalb der Trainingsverteilung.

Das Problem liegt weniger in der Technik als in unserer Wahrnehmung. Sprache ist für uns ein starkes Signal von Intelligenz. Wenn ein System überzeugend formuliert, erklären wir es intuitiv für kompetent – auch dort, wo es lediglich wahrscheinlich klingende Antworten erzeugt. Marketing und mediale Überhöhung haben diesen Effekt verstärkt.

Die Hype-Korrektur ist daher auch eine begriffliche Korrektur: LLMs sind leistungsfähige Werkzeuge, aber kein Synonym für allgemeine Intelligenz.

FOMO: Wenn Angst Strategie ersetzt

In diesem Umfeld reagierten viele Unternehmen nicht strategisch, sondern reflexhaft. Der Artikel beschreibt ein Phänomen, das aus der Konsumpsychologie stammt, aber im Managementkontext besonders folgenreich ist: FOMO – Fear of Missing Out, die Angst, eine entscheidende Entwicklung zu verpassen.

FOMO bedeutete in der Praxis:
Vorstände hatten das Gefühl, handeln zu müssen – sofort und sichtbar. Nicht, weil klar war, welches Problem gelöst werden sollte, sondern weil Wettbewerber KI-Initiativen ankündigten, Investoren danach fragten oder Medien Druck erzeugten. Bestehende Digitalisierungsprogramme wurden gestoppt oder überlagert, Budgets umgeschichtet, Innovationslabore gegründet, Pilotprojekte gestartet.

Viele dieser Initiativen hatten einen symbolischen Charakter. Ein Chatbot hier, ein „AI Taskforce“-Label dort. Die Hoffnung war, dass sich der Nutzen schon einstellen würde. Studien aus dem Jahr 2025 zeigen jedoch ein anderes Bild: Die Mehrheit dieser Projekte blieb im Pilotstatus stecken, ohne messbaren Beitrag zur Wertschöpfung.

Interessant ist dabei ein Detail, das oft übersehen wird: Während offizielle KI-Programme scheiterten, nutzten Mitarbeitende KI längst informell. Eine Art Schattenökonomie entstand – unkoordiniert, aber oft produktiver als die formalen Projekte. Der Unterschied lag nicht in der Technologie, sondern im Kontext: Menschen setzten KI dort ein, wo sie ihre eigene Arbeit tatsächlich unterstützte.

Warum KI (noch) keine Jobs ersetzt

Ein weiterer Kernpunkt des Artikels ist die Diskrepanz zwischen Ankündigung und Wirkung. Die vielfach beschworene Ablösung von Wissensarbeit blieb aus. Studien zeigten, dass autonome KI-Agenten selbst einfache Aufgaben nur unzuverlässig erledigten – zumindest ohne menschliche Begleitung.

Das bedeutet nicht, dass KI wirkungslos ist. Vielmehr zeigt sich ein Muster: KI hebt das Leistungsniveau von Nicht-Experten, erreicht aber selten die Qualität erfahrener Fachkräfte. Für Konsumenten ist das enorm wertvoll – für Organisationen mit spezialisierten Rollen jedoch weniger disruptiv als erwartet.

Produktivität entsteht dort, wo KI in bestehende Arbeitsabläufe eingebettet wird, nicht dort, wo man versucht, Menschen vollständig zu ersetzen. Dieser Unterschied ist strategisch entscheidend – und wurde im Hype häufig ignoriert.

Blase oder Infrastrukturaufbau?

Bleibt die Frage: Handelt es sich um eine gefährliche Blase? Der Artikel vermeidet einfache Antworten. Einerseits sind die Investitionen enorm, Geschäftsmodelle teilweise unklar, Energie- und Ressourcenverbrauch real. Andererseits entsteht gerade eine Infrastruktur, die unabhängig vom kurzfristigen Erfolg einzelner Anbieter Bestand haben wird – vergleichbar mit der Dot-Com-Zeit.

Einige Anwendungen, die zunächst wie Randphänomene wirkten, entwickeln sich plötzlich zu tragfähigen Märkten. Das zeigt: Wert entsteht oft nicht dort, wo man ihn erwartet, sondern dort, wo reale Bedürfnisse adressiert werden.

Schatten und Licht

Etwas vereinfacht kann man zusammenfassen: Die Enttäuschungen entstanden dort, wo KI als Ersatz, Abkürzung oder Heilsversprechen verstanden wurde. Die positiven Überraschungen entstanden dort, wo KI als Werkzeug zur Verstärkung menschlicher Fähigkeiten eingesetzt wurde.

1. Konkrete Enttäuschungen der KI-Welle 2023–2025

1. Autonome KI-Agenten im Unternehmensalltag
   Die Erwartung, dass KI-Agenten eigenständig Aufgabenketten übernehmen (Recherche → Entscheidung → Umsetzung), hat sich nicht erfüllt. In realen Arbeitsumgebungen scheitern sie häufig an Kontextwechseln, unklaren Zieldefinitionen und implizitem Fachwissen.
2. „Plug-and-Play“-Produktivität durch LLMs
   Die Hoffnung, bestehende Prozesse allein durch den Einsatz eines Chatbots signifikant effizienter zu machen, erwies sich als naiv. Ohne Prozessanpassung, Rollenklärung und Qualitätskontrollen bleibt der Effekt marginal.
3. Kurzfristiger, messbarer ROI in Kernprozessen
   Viele Unternehmen erwarteten innerhalb weniger Monate harte betriebswirtschaftliche Effekte. Laut den im Artikel zitierten Studien blieben diese in der Mehrheit der formalen KI-Pilotprojekte aus.
4. Ersatz von Wissensarbeit
   Die These, KI könne kurzfristig Fachkräfte ersetzen (Juristen, Entwickler, Analysten), hat sich nicht bewahrheitet. KI unterstützt – sie ersetzt nicht. Insbesondere dort nicht, wo Erfahrung, Verantwortung und Kontextwissen zählen.
5. Große Modellgenerationen als Quantensprung
   Der Launch neuer Modellgenerationen (z. B. GPT-5) brachte spürbare, aber keine revolutionären Verbesserungen. Die Erwartung „AGI-naher“ Fähigkeiten wurde enttäuscht.
6. Generalisierungsfähigkeit von LLMs
   Sprachlich überzeugende Antworten verdeckten lange Zeit, dass LLMs strukturell schlechter generalisieren als Menschen – ein Punkt, den selbst führende KI-Forscher inzwischen offen benennen.
7. Formale KI-Programme in Unternehmen
   Offizielle KI-Initiativen waren häufig weniger erfolgreich als informelle, individuelle Nutzung durch Mitarbeitende. Governance-Strukturen erwiesen sich teils als Innovationsbremse.
8. Universelle Einsetzbarkeit einer Technologieklasse
   Die Vorstellung, LLMs seien der „Schlüssel zu allem“, hat sich als Fehlannahme erwiesen. Viele Probleme lassen sich besser mit klassischen Algorithmen, Automatisierung oder Prozessdesign lösen.

2. Reife, wertschöpfende und positiv überraschende KI-Anwendungen

1. KI-gestützte Assistenz für Wissensarbeit (Copilot-Paradigma)
   Als persönlicher Arbeitsassistent – für Entwürfe, Strukturierung, Zusammenfassungen, Variantenbildung – entfaltet KI erheblichen Nutzen, insbesondere für Nicht-Experten oder in zeitkritischen Situationen.
2. Code-Unterstützung in der Softwareentwicklung
   KI-Tools zur Code-Erstellung, -Analyse und -Refaktorierung haben sich als äußerst produktiv erwiesen. Nicht als Ersatz für Entwickler, sondern als Beschleuniger und Qualitätsverstärker.
3. Medien- und Content-Produktion (Text, Bild, Video)
   Besonders im Marketing, in Schulung und interner Kommunikation haben generative Modelle den Aufwand drastisch reduziert. Anwendungen wie KI-Avatare oder Video-Generierung entwickelten sich schneller und wirtschaftlicher als erwartet.
4. Wissensmanagement und interne Suche (RAG-Ansätze)
   KI-gestützte Suche in internen Dokumenten, Richtlinien und Wissensbeständen liefert realen Mehrwert – vor allem dort, wo Informationen vorhanden, aber schwer zugänglich sind.
5. Sprach- und Texttransformation
   Übersetzung, Transkription, Zusammenfassung und Vereinfachung von Texten funktionieren zuverlässig und skalierbar – mit unmittelbarem Nutzen in internationalen, regulierten oder wissensintensiven Organisationen.
6. Unterstützung operativer Entscheidungen
   KI als „zweite Meinung“ bei Angeboten, Planungen oder Bewertungen erhöht Entscheidungsqualität, ohne Verantwortung zu delegieren. Der Nutzen liegt in Perspektivvielfalt, nicht in Autorität.
7. Automatisierung einfacher, klar abgegrenzter Teilaufgaben
   Dort, wo Aufgaben klar definiert, datengetrieben und regelarm sind (z. B. Klassifikation, Vorqualifizierung, Priorisierung), arbeitet KI stabil und effizient.
8. Individuelle Kompetenzverstärkung
   Eine der größten positiven Überraschungen: Der Produktivitätsgewinn entsteht oft nicht auf Organisationsebene, sondern auf individueller Ebene – bei Mitarbeitenden, die KI bewusst und reflektiert einsetzen.
9. Nischenanwendungen mit klarem Nutzenversprechen
   Anwendungen, die zunächst wie Randthemen wirkten (z. B. Avatar-basierte Trainingsvideos), entwickelten sich zu skalierbaren Geschäftsmodellen mit hoher Zahlungsbereitschaft.

Einordnung im Gartner-Hype-Cycle

Sie visualisiert genau diesen Übergang: vom Gipfel überzogener Erwartungen, über das Tal der Enttäuschung hin zu einer Phase realistischer Nutzung. Der Artikel argumentiert klar: Wir befinden uns nicht am Ende der KI-Entwicklung, sondern am Ende eines naiven Narrativs.

Eine risikoarme Alternative zum direkten KI-Einsatz: Capability Assessment mit KI-Unterstützung

Die Ernüchterung, die der Artikel im Anschluss an den Gartner Hype Cycle beschreibt, hat eine klare Ursache: In vielen Unternehmen wurde versucht, künstliche Intelligenz direkt operativ einzusetzen, bevor Klarheit darüber bestand, welche Fähigkeiten (Capabilities) eigentlich verbessert werden sollen und wo die größten Wertschöpfungshebel liegen. Genau hier setzt ein alternativer Ansatz an, der bewusst nicht mit Tools, Modellen oder Automatisierung beginnt, sondern mit der systematischen Verbesserung der organisationalen Leistungsfähigkeit.

Statt KI unmittelbar in Prozesse, Produkte oder Kundeninteraktionen zu integrieren, wird sie indirekt eingesetzt – als Analyse-, Vergleichs- und Erkenntnisinstrument zur gezielten Weiterentwicklung der entscheidenden Capabilities eines Unternehmens. Dieser Ansatz wird bei Project Management Partners als KI-unterstützte Verbesserung der Capabilities bzw. AI-Driven Capability Enhancement (AIDCE) bezeichnet.

Der grundlegende Gedanke ist ebenso einfach wie wirkungsvoll:
Nicht jede Organisation scheitert an fehlender Technologie – die meisten scheitern an unklaren Prioritäten, diffusen Zielbildern, historisch gewachsenen Prozessen und fehlender Transparenz darüber, wo Verbesserungen tatsächlich Wirkung entfalten würden. KI kann genau hier ihre größten Stärken ausspielen, ohne die typischen Risiken des direkten KI-Einsatzes zu erzeugen.

Wie KI im Capability Assessment wirkt – ohne operative Risiken

Im Capability-basierten Vorgehen wird künstliche Intelligenz nicht als Automatisierer eingesetzt, sondern als hochskalierbare Analyse- und Syntheseinstanz. Sie verarbeitet große Mengen an wissenschaftlichen Studien, Branchenbenchmarks, Projekterfahrungen und Best Practices und verdichtet diese zu klaren Erfolgsfaktoren für einzelne Capabilities – etwa Angebotsgeschwindigkeit, Servicequalität, Produktionssteuerung oder Entscheidungsfähigkeit im Management KI-unterstützte Verbesserung de….

Diese extern gewonnenen Erkenntnisse werden anschließend mit dem Ist-Zustand im Unternehmen abgeglichen. Über strukturierte Selbstbewertungen und KI-gestützte Auswertungen entstehen präzise Gap-Analysen: Wo liegen reale Leistungsdefizite? Welche Stellhebel sind nachweislich wirksam? Welche Maßnahmen versprechen mit geringem Eingriff eine hohe Wirkung?

Der entscheidende Unterschied zum klassischen KI-Projekt liegt darin, dass keine produktiven KI-Systeme betrieben werden müssen. Es gibt:

• keine sensiblen Datenanbindungen,
• keine Compliance- oder Haftungsfragen,
• keine Integrationsprojekte in ERP, CRM oder Kernsysteme,
• keinen Schulungsaufwand für neue Tools.

Und dennoch wird KI in ihrer ganzen Stärke genutzt: zur Bewältigung von Komplexität, zur schnellen Auswertung großer Informationsmengen und zur evidenzbasierten Entscheidungsunterstützung.

Vergleich: Klassischer KI-Einsatz vs. KI-gestütztes Capability Assessment

Der Vorteil dieses Ansatzes wird besonders deutlich im direkten Vergleich:

Beim klassischen KI-Einsatz versucht das Unternehmen, ein konkretes Tool oder Modell produktiv einzusetzen. Das erzeugt sofort hohe Anforderungen an Datenqualität, Governance, Akzeptanz, IT-Sicherheit und Change-Management. Der Nutzen stellt sich oft verzögert ein – wenn überhaupt.

Beim Capability Assessment mit KI-Unterstützung hingegen:

• entsteht Wertschöpfung vor der Technologie,
• werden Fähigkeiten gezielt verbessert, die bereits heute geschäftskritisch sind,
• bleiben Eingriffe minimalinvasiv,
• sind Effekte schneller messbar,
• und die Organisation gewinnt Klarheit und Kompetenz für spätere KI-Initiativen.

Oder anders formuliert:
KI wirkt hier nicht als Risikohebel, sondern als Erkenntnisbeschleuniger.

Zeitrahmen, Risiko und Wirkung

Ein weiterer zentraler Punkt – gerade im Lichte der im Artikel beschriebenen Enttäuschungen – ist der Zeithorizont. Während klassische KI-Programme häufig viele Monate benötigen, um überhaupt belastbare Ergebnisse zu liefern, ist ein KI-gestütztes Capability Assessment typischerweise in wenigen Wochen abgeschlossen. Bereits nach sechs bis acht Wochen liegen:

• priorisierte Capabilities,
• konkrete, umsetzbare Maßnahmen,
• klare Verantwortlichkeiten,
• sowie erste messbare Verbesserungen im Tagesgeschäft vor Hans-Jörg-Einstieg-KI-Projekte-….

Das Risiko ist dabei bewusst gering gehalten: Es werden keine irreversiblen Technologieentscheidungen getroffen, keine langfristigen Lizenzbindungen eingegangen und keine Organisationseinheiten überfordert. Gleichzeitig entstehen genau jene Voraussetzungen – Zielklarheit, Prozessverständnis, Datenbewusstsein und Governance-Disziplin –, die im Artikel als fehlend bei vielen gescheiterten KI-Pilotprojekten identifiziert wurden.

Strategische Einordnung

Vor dem Hintergrund der „Hype Correction“ lässt sich dieser Ansatz als Brückentechnologie verstehen:
Er ermöglicht es Unternehmen, die Vorteile von KI sofort zu nutzen, ohne sich den Enttäuschungen auszusetzen, die aus überhastetem operativem Einsatz resultieren. Gleichzeitig bereitet er die Organisation systematisch auf spätere, nachhaltige KI-Implementierungen vor.

Project Management Partners begleiten Unternehmen dabei sowohl methodisch als auch inhaltlich – von der Definition der relevanten Capabilities über die KI-gestützte Analyse bis zur Ableitung und Umsetzung wirksamer Maßnahmen. Der Fokus liegt dabei nicht auf Technologieverliebtheit, sondern auf messbarer Wertschöpfung und organisatorischer Lernfähigkeit.

>> Produktseite KI-unterstützte Verbesserung der Capabilities bzw. AI-Driven Capability Enhancement (AIDCE)
>> Terminvereinbarung zu einem persönlichen Gespräch (30 Minuten)

Zusammenfassung: Was bleibt – und was jetzt zu tun ist

Die vielleicht wichtigste Erkenntnis des Artikels ist: Der Hype war notwendig, um Kapital, Talente und Aufmerksamkeit zu mobilisieren. Die Ernüchterung ist notwendig, um aus Technologie die dringend notwendige Produktivitätsverbesserung Wertschöpfung zu machen.

KI verschwindet nicht. Aber sie verlangt jetzt etwas, das im Rausch der letzten Jahre zu kurz kam: Verständnis, Integration, Geduld.

Zehn Regeln für Berater und Manager

1. Beginne nie mit der Technologie, sondern mit der Fähigkeit, die im Unternehmen fehlt oder gestärkt werden soll.
2. Ersetze FOMO durch Analyse: Kein KI-Projekt ohne klar benanntes Geschäftsproblem.
3. Plane KI immer als Mensch-Maschine-System, nicht als autonome Lösung.
4. Messe Erfolg an Kompetenzgewinnen, nicht an Modell-Benchmarks.
5. Akzeptiere Lernphasen: Pilotprojekte sind kein Scheitern, sondern Erkenntnisarbeit.
6. Integriere KI in Prozesse, nicht in PowerPoint-Strategien.
7. Investiere zuerst in Datenqualität, Governance und Qualifizierung, nicht in das „neueste Modell“.
8. Mache informelle KI-Nutzung sichtbar und sicher, statt sie zu verbieten.
9. Trenne Marketing-Narrative von operativer Realität.
10. Denke in Jahren, nicht in Quartalen, wenn du nachhaltige KI-Wertschöpfung willst.

Quelle:

MIT-Technology Review: “The great AI hype correction of 2025, Four ways to think about this year’s reckoning”, abgerufen am 02.01.2026 unter https://www.technologyreview.com/2025/12/15/1129174/the-great-ai-hype-correction-of-2025/

Der Beitrag Die große KI-Ernüchterung? erschien zuerst auf Verein zur Unterstützung der digitalen Transformation e.V..

Künstliche Intelligenz (KI) verändert die Spielregeln – das merken wir jeden Tag. Doch KI ist nach einer Benchmark-Studie der OECD bezüglich neun menschentypischen Capability-Indikatoren (z. B. Sprache, Problemlösen, Kreativität, Metakognition) nur mittelmäßig. Manager, die nach einem Grund für ein „Weiter So“ suchen, muss ich dennoch enttäuschen: Strategisches Denken und Investieren ist das Gebot der Stunde.

Während die mediale Aufregung von Superintelligenz, Massenentlassungen oder grenzenloser Automatisierung spricht, fehlt es in den Unternehmen oft an einem klaren, faktenbasierten Verständnis darüber, wo KI heute wirklich steht, welche Kosten und welcher Nutzen zu erwarten ist – und wie man sinnvoll darauf reagieren sollte.

Mit den „OECD AI Capability Indicators“ liegt nun erstmals ein wissenschaftlich fundiertes, praxisrelevantes Rahmenwerk vor, das uns hilft die Fähigkeiten der KI besser einschätzen zu können. Es zeigt (wenig überraschend): Wir stehen nicht am Ende, sondern am Anfang der KI-Revolution – und Unternehmen haben jetzt die Chance, sich strategisch zu positionieren, statt blind zu investieren oder – vielleicht noch schlimmer – passiv zu bleiben.

Was misst die OECD – und warum ist das relevant für Unternehmen?

Die OECD vergleicht KI nicht anhand technischer Benchmarks oder Output-Metriken, sondern stellt die Frage: Wie weit sind KI-Systeme in zentralen menschlichen Fähigkeiten? Untersucht werden unter anderem:

• Sprachverständnis und -produktion
• Soziale Interaktion
• Problemlösen und logisches Denken
• Kreativität
• Metakognition und kritisches Urteilsvermögen
• Lernen und Gedächtnis
• Visuelle und motorische Fähigkeiten
• Robotische Intelligenz

Alle Fähigkeiten werden auf einer Skala von 1 (elementar) bis 5 (menschliche Äquivalenz) eingeordnet. Und das Ergebnis ist aufschlussreich: Selbst die besten KI-Systeme, wie etwa GPT-4o (Stand Herbst 2024!), erreichen lediglich maximal Level 3 – oft sogar nur Level 2. In vielen Bereichen sind sie schnell, aber nicht verlässlich, sprachgewandt, aber nicht kritisch, lernfähig, aber nicht anpassungsfähig.

Wo KI dem Menschen weit überlegen ist – und warum genau dort ihr Einsatz besonders lohnt

Trotz aller berechtigten Einschränkungen und Unschärfen zeigt die OECD-Analyse auch sehr deutlich: In bestimmten Teilbereichen übertrifft KI den Menschen heute bereits deutlich – mit klar messbarem Nutzen für Unternehmen. Besonders stark ist KI in folgenden Fähigkeiten:

1. Verarbeitung großer Datenmengen in Echtzeit

KI-Systeme – insbesondere Machine-Learning-Modelle und moderne Large Language Models – können in Sekundenschnelle Millionen von Datensätzen analysieren, klassifizieren und auf Muster prüfen, die ein Mensch weder erkennen noch in sinnvoller Zeit auswerten könnte.

Typische Einsatzfelder:

• Anomalieerkennung in Produktionsdaten (z. B. Predictive Maintenance)
• Echtzeit-Analyse von Markt- oder Preisdaten
• Auswertung großer Textmengen (Verträge, Gutachten, Support-Anfragen)

Nutzen:

• Frühzeitige Risikoerkennung
• Schnellere Entscheidungsfindung
• Reduzierung manueller Analysearbeit

2. Automatisierung repetitiver, regelbasierter Aufgaben

KI ist bei streng definierten, sich häufig wiederholenden Tätigkeiten schneller, fehlerfreier und kostengünstiger als Menschen – insbesondere dann, wenn diese Tätigkeiten auf digital vorliegenden Informationen beruhen.

Typische Einsatzfelder:

• Rechnungseingang und Belegverarbeitung
• E-Mail-Kategorisierung und Beantwortung
• Dokumentensuche, Klassifizierung, Verschlagwortung

Nutzen:

• Einsparung von Personalressourcen für monotone Aufgaben
• Erhöhung der Prozessqualität
• Entlastung qualifizierter Fachkräfte für wertschöpfende Tätigkeiten

3. Mustererkennung und Vorhersage in komplexen Zusammenhängen

Gerade in Bereichen mit nicht-linearen Zusammenhängen oder vielen Variablen zeigt KI ihre Stärken: Durch das Erkennen latenter Muster, Zusammenhänge und Wahrscheinlichkeiten können Entscheidungen besser unterstützt oder automatisiert werden.

Typische Einsatzfelder:

• Nachfrageprognosen im Handel
• Churn-Analysen im Kundenservice
• Supply-Chain-Optimierung

Nutzen:

• Verbesserung der Planungsgenauigkeit
• Früherkennung von Trends und Risiken
• Optimierung von Beständen und Ressourcen

4. Verfügbarkeit rund um die Uhr – bei gleichbleibender Leistung

Im Gegensatz zum Menschen kennt KI keine Pausen, Müdigkeit oder Motivationsprobleme. Das macht sie besonders attraktiv für 24/7-Aufgaben, etwa im Kundenservice oder Monitoring.

Typische Einsatzfelder:

• Chatbots und Sprachassistenten
• IT-Systemüberwachung
• Automatisierte Berichterstellung

Nutzen:

• Verbesserte Erreichbarkeit und Reaktionszeit
• Gleichbleibende Qualität
• Reduktion von Nachtschicht- oder Bereitschaftskosten

Fazit: KI ist kein Ersatz für menschliche Intelligenz – aber ein starker Partner in spezifischen Disziplinen

Dort, wo Geschwindigkeit, Umfang, Präzision oder Verfügbarkeit gefragt sind, ist KI dem Menschen bereits heute nicht nur ebenbürtig, sondern weit überlegen. Genau dort liegt der wirtschaftlich sinnvollste Einstiegspunkt:

Nicht, um Menschen zu ersetzen – sondern um sie gezielt zu entlasten und zu ergänzen.

Die Herausforderung besteht also nicht darin, überall KI einzuführen, sondern sie genau dort einzusetzen, wo ihre Stärken mit den Anforderungen der Organisation übereinstimmen. Wer diese Disziplin beherrscht, erzielt sichtbaren Mehrwert bei geringem Risiko – und legt die Grundlage für skalierbare Effizienzgewinne und strategische Differenzierung.

Was heißt das konkret für Entscheider in Unternehmen?

Es bedeutet vor allem eines: KI kann bereits viel – aber nicht alles. Und sie kann schon heute massiven Nutzen stiften, wenn man sie klug einsetzt. Aber sie erfordert auch gezielte Entscheidungen:

• Wo lohnt sich der KI-Einsatz tatsächlich – heute, mit dem derzeitigen Reifegrad?
• Wo sind menschliche Fähigkeiten unersetzbar – und sollten gezielt gestärkt werden?
• Welche Investitionen bringen kurzfristigen Impact – und welche sind risikobehaftet oder verfrüht?

Wer diese Fragen beantworten kann, vermeidet Fehlinvestitionen und positioniert sich als adaptives Unternehmen, das Chancen nutzt, ohne in technische Sackgassen zu geraten.

Ein Beispiel für KMU bis 1.500 Mitarbeiter

Nehmen wir an, ein produzierendes Unternehmen mit 800 Mitarbeitenden möchte KI strategisch einsetzen. Wie kann man das Risiko begrenzen und dennoch sinnvoll in KI investieren?

Was jetzt nützlich ist: Strukturierter Einstieg mit begrenztem Risiko und hohem strategischem Wert

Die Einführung von Künstlicher Intelligenz ist kein Technologieprojekt – sie ist ein Organisationsentwicklungsprozess. Der unten gezeigte Ansatz veranschaulicht exemplarisch wie mittelständische Unternehmen durch klare Strukturen, überschaubare Einstiegsinvestitionen und schrittweises Lernen wirksam, verantwortungsvoll und zukunftsfähig KI einführen können. Jeder der folgenden Schritte zahlt dabei direkt auf organisationales Lernen, digitale Reife und zukünftige Skalierbarkeit ein.

1. Regelmäßige extern moderierte „Potenzialanalyse-Workshops“ (PA)

Der Ausgangspunkt jeder erfolgreichen KI-Initiative sollte ein präzises Verständnis der eigenen Potenziale und Prioritäten sein. In professionell moderierten Workshops werden interne Prozesse, Datenquellen und Problembereiche strukturiert analysiert. Ziel ist es, sogenannte „niedrig hängende Früchte“ zu identifizieren: also Use Cases mit hohem Nutzen, geringem Reifegradbedarf und schneller Umsetzbarkeit.

Nutzen:

• Frühzeitiger sichtbarer Mehrwert schafft interne Akzeptanz.
• Vermeidung unnötiger Investitionen in komplexe oder unreife Anwendungsfelder.
• Grundlage für eine strategisch gesteuerte KI-Einführung statt blindem Aktionismus.

2. Etablierung einer KI-Governance

Parallel zur Potenzialanalyse beginnt der Aufbau von Strukturen, Prozessen und Verantwortlichkeiten für den Umgang mit KI im Unternehmen. Das betrifft u. a. die Definition von Entscheidungspfaden, die Bewertung von Chancen und Risiken, ethische Leitplanken sowie die Kontrolle über Modellentscheidungen.

Nutzen:

• Schafft Sicherheit im Umgang mit neuen Technologien.
• Verhindert Wildwuchs und schafft Klarheit bei Zuständigkeiten.
• Ermöglicht es, interne Prozesse mit regulatorischen Anforderungen (z. B. AI Act, Datenschutz) zu harmonisieren.

3. Begleitung des Kulturwandels

Technologische Veränderung gelingt nur, wenn sie von kulturellem Wandel begleitet wird. Es braucht Kommunikation, Transparenz und Beteiligung. Mitarbeitende müssen verstehen, wofür KI genutzt wird – und wofür nicht. Schulungen, interne Kampagnen und Dialogformate fördern Offenheit, reduzieren Unsicherheiten und stärken das Vertrauen in den Prozess.

Nutzen:

• Reduziert interne Widerstände und Ängste.
• Aktiviert verborgene Innovationspotenziale in Fachbereichen.
• Unterstützt eine lernende Organisation, in der Experimente erlaubt und Fehler akzeptiert sind.

4. Schrittweise Umsetzung lohnenswerter Use Cases

Die aus der Potenzialanalyse hervorgehenden Anwendungsfälle werden in einer iterativen Roadmap priorisiert und umgesetzt. Der Fokus liegt auf praxisnahen Piloten, die rasch Ergebnisse liefern, aber skalierbar sind. Erfolgreiche Projekte dienen als Referenz und motivieren zur Ausweitung auf andere Bereiche.

Nutzen:

• Klarer Return-on-Investment auf operativer Ebene.
• Praktisches Erfahrungslernen innerhalb der Organisation.
• Frühzeitiger Aufbau domänenspezifischer KI-Kompetenz.

5. Laufende Analyse des weiteren Bedarfs

KI-Einführung ist kein einmaliges Projekt, sondern ein dynamischer Entwicklungsprozess. Die kontinuierliche Beobachtung von Entwicklungen im Unternehmen, am Markt und in der Technologie ermöglicht es, neue Potenziale frühzeitig zu erkennen und zu integrieren.

Nutzen:

• Sicherstellung langfristiger Relevanz der KI-Strategie.
• Vermeidung blinder Flecken und sich entwickelnder Schatten-IT.
• Ermöglicht eine agile Weiterentwicklung der gesamten KI-Landschaft.

6. Aufbau der Dateninfrastruktur

Parallel zur Use-Case-Entwicklung muss eine solide technische Basis geschaffen werden. Dazu zählen sichere Datenräume, standardisierte Schnittstellen, strukturierte Datenhaltung und geeignete Governance-Strukturen für Zugriff und Nutzung. Der Fokus liegt auf Skalierbarkeit, Sicherheit und Effizienz – nicht auf Großinvestitionen in Datenplattformen ohne konkreten Nutzungsplan.

Nutzen:

• Reduziert Komplexität und fördert Wiederverwendbarkeit.
• Ermöglicht schnelle Integration neuer Anwendungsfälle.
• Schafft Vertrauen bei Stakeholdern (Datenschutz, Auditierung, Nachvollziehbarkeit).

7. Entwickeln von Partnerschaften

Gerade mittelständische Unternehmen profitieren enorm von strategischen Partnerschaften mit Technologieanbietern, Universitäten, Startups oder Beratungen. Der gezielte Zugang zu externem Wissen und Innovationen hilft, Ressourcen zu schonen und gleichzeitig auf dem neuesten Stand zu bleiben.

Nutzen:

• Schnellere Realisierung mit geringerem Ressourcenaufwand.
• Zugang zu Best Practices und neuesten Entwicklungen.
• Aufbau eines nachhaltigen Ökosystems für digitale Innovation.

Wovon eher abzuraten ist: Investitionen mit zu hoher Abstraktion oder unklarem Reifegrad

• Automatisierung komplexer Entscheidungsprozesse, etwa im HR- oder Rechtssystem, wo ethische Fragen und Kontextverständnis entscheidend sind.
• Großprojekte zur vollständigen Prozessautomatisierung, bevor überhaupt klar ist, ob sich der Prozess für KI eignet.
• Investitionen in robotische Systeme mit adaptivem Greifen oder Navigation, wenn die Umgebungsbedingungen nicht ausreichend standardisiert sind – die OECD-Indikatoren zeigen klar, dass KI in diesen Bereichen noch nicht zuverlässig ist.

Die eigentliche Botschaft: Nicht abwarten – sondern gezielt in Fähigkeiten investieren

Die OECD-Studie ist kein Grund zur Resignation, sondern ein Plädoyer für kluge, evidenzbasierte Entscheidungen. Unternehmen, die jetzt:

• ihre Prozesse strukturiert analysieren,
• ihre Mitarbeitenden befähigen, mit KI zu arbeiten,
• und KI nicht als Ersatz, sondern als Verstärker menschlicher Fähigkeiten begreifen,

werden mittel- und langfristig einen deutlichen Wettbewerbsvorteil haben – sowohl durch Produktivitätsgewinne als auch durch Innovationskraft und Arbeitgeberattraktivität.

Fazit: Strategie schlägt Geschwindigkeit

Wer heute hektisch investiert, läuft Gefahr, morgen nachzurüsten. Wer aber gezielt Capabilities entwickelt – technologisch wie menschlich – kann mit jedem KI-Fortschritt wachsen.

KI ist kein Zauberstab. Aber sie ist auch keine ferne Zukunft. Sie ist ein Werkzeug, das gerade gelernt hat zu laufen – und nun zeigt sich: Wer es führen kann, führt auch den Wandel.

Zum Stand der Daten der OECD Studie

• Die Expertenbewertungen und Einordnungen in den 5-stufigen Skalen basieren auf einer umfassenden Literatur- und Benchmarkanalyse, die bis Ende 2024 durchgeführt wurde.
• Berücksichtigt wurden aktuelle Systeme wie GPT-4o, DeepSeek R1 V3, AlphaZero und autonome Roboter, wie sie zu diesem Zeitpunkt dokumentiert, getestet und publiziert waren.
• Die Indikatoren wurden von über 50 führenden Expertinnen und Experten aus den Bereichen KI, Psychologie, Robotik und Bildungsforschung gemeinsam erarbeitet und durch einen strukturierten Peer-Review-Prozess im Spätherbst 2024 validiert.

Der Beitrag OECD prüft Leistungsindikatoren von KI – Strategie für KMU erschien zuerst auf Verein zur Unterstützung der digitalen Transformation e.V..

Die Digitalisierung in deutschen Unternehmen ist trotz zahlreicher Herausforderungen – von langwierigen Prozessen bis zu unzureichender öffentlicher Infrastruktur – ungebrochen im Fokus. Die DIHK-Digitalisierungsumfrage 2025 zeigt, dass Unternehmen zwar weiterhin digitale Projekte vorantreiben, aber in einigen Bereichen wie Breitbandausbau und öffentlicher Verwaltung erhebliche Hemmnisse bestehen. Im Folgenden fassen wir die zentralen Ergebnisse zusammen, analysieren Fortschritte und Defizite und geben konkrete Handlungsempfehlungen für Manager und Eigentümer mittelgroßer sowie größerer Unternehmen.

1. Status Quo der Digitalisierung in deutschen Unternehmen

Aktueller Digitalisierungsstand:
Die Befragung zeigt, dass Unternehmen ihren eigenen Digitalisierungsgrad im Durchschnitt mit einer Note von ca. 2,8 bewerten – vergleichbar mit dem Vorjahr. Im Börsenjargon würde man von einer „Seitwärtsbewegung“ sprechen, Klartext heißt das jedoch: Hier hat sich in einem Jahr nichts Messbares verbessert!
Branchenübergreifend dominieren Effizienzsteigerung, Qualitätsverbesserung und Kostensenkungen als Hauptmotive. In vielen Betrieben wird der Einsatz von Künstlicher Intelligenz (KI) zunehmend als strategischer Erfolgsfaktor erkannt.

Grafik 1: Bewertung des Digitalisierungsstandes in Schulnoten
Quelle: DIHK-Digitalisierungsumfrage 2025 ​

2. Fortschritte in der Digitalisierung

Positive Entwicklungen:

• Steigende KI-Nutzung:
  Die Nutzung von KI-Technologien in Unternehmen hat in den letzten Jahren einen deutlichen Anstieg verzeichnet – von 12% im Jahr 2020 auf prognostizierte 38% im Jahr 2024. Dies unterstreicht den Trend, dass KI zunehmend als integraler Bestandteil digitaler Transformationsprozesse verstanden wird, insgesamt sind die Zahlen aber auch hier enttäuschend niedrig.

Grafik 2: Entwicklung der KI-Anwendungen im Unternehmen
Quelle: DIHK-Digitalisierungsumfrage 2025 ​

• Hauptmotive für Digitalisierung:
  Unternehmen setzen verstärkt auf Digitalisierung, um Kosten zu senken, flexibel zu arbeiten und die Produkt- sowie Servicequalität zu verbessern. In den Befragungen wurden Qualitätsverbesserung (63 %), Kostenreduktion (65 %) und Flexibilisierung des Arbeitens (65 %) als zentrale Treiber benannt.

3. Herausforderungen und stagnierende Entwicklungen

Als zentrale Herausforderungen gelten lt. der Befragung:

• Zeit und Komplexität:
  Mit 60 % bzw. 54 % der Befragten wird die Komplexität und der Zeitaufwand als größte Hürde für Digitalisierungsprojekte genannt.
• Rechtliche Unsicherheiten:
  Rund 31 % der Unternehmen geben an, dass rechtliche Fragestellungen und Unsicherheiten die digitale Transformation bremsen.
• Fachkräftemangel und IT-Kompetenzen:
  Fehlende IT-Fachkräfte (32 %) und ein unzureichender interner Know-how-Aufbau erschweren den reibungslosen Rollout neuer digitaler Technologien.
• Breitbandausbau und öffentliche Verwaltung:
  Der aktuelle Stand der Internetinfrastruktur entspricht in nur etwa 73–75 % der Unternehmensbedarfe. Zudem wird die Digitalisierung der öffentlichen Verwaltung mit einer durchschnittlichen Bewertung von 4,29 als deutlich schlechter eingeschätzt als der Digitalisierungsgrad der eigenen Unternehmen (2,85).
• Cybersicherheit:
  Obwohl das Sicherheitsbewusstsein zunimmt und bereits zahlreiche Maßnahmen umgesetzt werden, zeigt die Umfrage, dass gerade größere Unternehmen vermehrt von Cyberangriffen betroffen sind. Bemerkenswerte 50% aller großen Unternehmen wurden im Betrachtungszeitraum von von mindestens einem erheblichen Cybersicherheitsvorfall betroffen.

Grafik 3: Herausforderungen bei Digitalisierungsprojekten
Quelle: DIHK-Digitalisierungsumfrage 2025 ​

4. Handlungsempfehlungen für Manager und Eigentümer

Basierend auf den Umfrageergebnissen und ergänzenden Branchenanalysen lassen sich folgende konkrete Maßnahmen ableiten um erforderliche Kompetenzen zu steigern und die Digitalisierung strategisch weiterzuentwickeln:

a) Ausbau interner Kompetenzen und Weiterbildung

• Gezielte Schulungen und Workshops:
  Investieren Sie in regelmäßige Weiterbildungsprogramme – insbesondere im Bereich Digitalisierung und KI. Dies kann in Form von internen Schulungen oder Kooperationen mit externen Bildungsanbietern erfolgen.
• Talentförderung:
  Setzen Sie auf die Rekrutierung und Förderung von IT-Fachkräften sowie auf die gezielte Weiterbildung vorhandener Mitarbeiter, um interne Know-how-Lücken zu schließen.

b) Optimierung der IT-Infrastruktur

• Investitionen in Netzwerktechnologien:
  Angesichts der Herausforderungen beim Breitbandausbau sollten Unternehmen in leistungsfähige IT-Infrastrukturen investieren, um Engpässe zu vermeiden und den digitalen Betrieb sicherzustellen.
• Cybersecurity:
  Erhöhen Sie die Sicherheitsstandards, indem Sie regelmäßige Risikoanalysen, Penetrationstests und Mitarbeiterschulungen implementieren. Eine externe Überprüfung der IT-Sicherheit kann zusätzliche Sicherheit bieten.

c) Kooperationen und strategische Partnerschaften

• Zusammenarbeit mit Technologiepartnern:
  Durch strategische Allianzen mit spezialisierten Dienstleistern und Technologiefirmen können Unternehmen von externem Fachwissen profitieren und ihre digitale Transformation beschleunigen.
• Öffentlich-private Partnerschaften:
  Engere Kooperationen mit Behörden und öffentlichen Einrichtungen können helfen, bürokratische Hürden zu überwinden und gemeinsam den Ausbau der digitalen Infrastruktur voranzutreiben.

d) Förderung einer digitalen Unternehmenskultur

• Agile Arbeitsmethoden:
  Etablieren Sie agile Prozesse und flexible Arbeitsmodelle, die den digitalen Wandel unterstützen und Innovationen fördern.
• Kulturwandel initiieren:
  Fördern Sie eine unternehmensweite Kultur, in der digitale Innovation als Chance begriffen wird. Dies kann durch Change-Management-Programme und gezielte Kommunikation von Erfolgen geschehen.

5. Ausblick

Die Ergebnisse der DIHK-Umfrage 2025 machen deutlich: Die digitale Transformation in Deutschland befindet sich in einem Spannungsfeld zwischen mäßigen Fortschritten – wie der zunehmenden Nutzung von KI – und hartnäckigen Hemmnissen, die vor auch durch rechtliche, infrastrukturelle und personelle Engpässe bedingt sind.

Manager und Eigentümer von KMU und großer Unternehmen müssen deshalb den digitalen Wandel als fortlaufenden Prozess verstehen, der kontinuierliche Investitionen in Technologie, Personal und Kooperationen erfordert.

Der Beitrag Digitalisierung in Deutschland: Zwischen Effizienz und Bürokratie erschien zuerst auf Verein zur Unterstützung der digitalen Transformation e.V..

Teil 1: Überblick über die Möglichkeiten von KI in der Cybersecurity

KI hat sich als unverzichtbares Werkzeug zur Bekämpfung und Prävention von Cyberangriffen entwickelt. Mit den Fortschritten in der Rechenleistung und den Datenmengen, die Unternehmen generieren, bietet die Integration von KI-Technologien in die Sicherheitsinfrastruktur zahlreiche Vorteile. KI kann dabei in mehreren Bereichen der Cybersecurity eingesetzt werden, um diese effizienter und intelligenter zu gestalten.

Bedrohungserkennung und Prävention

Künstliche Intelligenz kann eingesetzt werden, um Bedrohungen in Echtzeit zu erkennen. KI-gestützte Systeme analysieren große Mengen an Daten und identifizieren Muster, die auf potenzielle Sicherheitslücken oder Bedrohungen hinweisen. Machine Learning (ML)-Algorithmen können verdächtige Aktivitäten anhand von historischen Daten erkennen und auf Basis dieser Muster zukünftige Angriffe vorhersagen, ohne dass menschliche Eingriffe erforderlich sind.

Beispielsweise wird KI bereits erfolgreich zur Erkennung von Phishing-Angriffen, Malware und Ransomware eingesetzt. Diese Systeme sind in der Lage, neue Angriffsstrategien schneller zu identifizieren als herkömmliche Sicherheitssysteme, da sie nicht nur auf bekannte Bedrohungen reagieren, sondern auch unbekannte, bisher nicht identifizierte Bedrohungen erkennen können.

Automatisierung von Sicherheitsprozessen

Die Automatisierung ist ein weiteres wichtiges Einsatzgebiet der KI in der Cybersecurity. Viele Sicherheitsprozesse, wie etwa das Patchen von Software, das Überwachen von Netzwerken oder die Verwaltung von Zugriffsrechten, erfordern eine kontinuierliche und oft fehleranfällige manuelle Überwachung. KI kann diese Aufgaben automatisieren und dabei helfen, die Effizienz und Genauigkeit zu steigern.

Ein Beispiel hierfür ist die Nutzung von KI, um automatisch Software-Schwachstellen zu identifizieren und Patches zu installieren, ohne dass das IT-Team manuell eingreifen muss. Dies reduziert nicht nur den Arbeitsaufwand, sondern gewährleistet auch eine schnellere Reaktion auf potenzielle Sicherheitslücken.

Unterstützung bei der Vorhersage von Cyberbedrohungen

Künstliche Intelligenz kann nicht nur dazu verwendet werden, bestehende Bedrohungen zu erkennen, sondern auch um zukünftige Bedrohungen vorherzusagen. Durch die Analyse von Daten aus verschiedenen Quellen, wie etwa sozialen Netzwerken, Dark Web-Foren oder öffentlich zugänglichen Datenbanken, können KI-Systeme potenzielle Angriffsziele und Angriffsvektoren frühzeitig identifizieren. Dies ermöglicht eine proaktive Sicherheitsstrategie und die frühzeitige Umsetzung von Schutzmaßnahmen.

Teil 2: Praxisbeispiele für den Einsatz von KI in der Cybersecurity

Beispiel 1: KI zur Verbesserung der Netzwerksicherheit in einem mittelständischen Unternehmen

Ein mittelständisches Unternehmen im Bereich der Fertigung entschloss sich, Künstliche Intelligenz zur Verbesserung seiner Netzwerksicherheit einzusetzen. Das Unternehmen stand vor der Herausforderung, immer wieder Angriffe durch Phishing und Malware zu erleben, die trotz bestehender Sicherheitsmaßnahmen nicht verhindert werden konnten.

Durch die Implementierung eines KI-gesteuerten Systems zur Echtzeitüberwachung des Netzwerkverkehrs konnte das Unternehmen verdächtige Aktivitäten schneller erkennen. Die KI analysierte den Datenverkehr und konnte automatisch anomale Muster identifizieren, die auf einen Angriff hindeuteten. Ein besonders hilfreicher Aspekt war, dass das System nicht nur bekannte Bedrohungen, sondern auch neuartige Angriffe erkennen konnte, die noch nicht in den traditionellen Sicherheitsdatenbanken vorhanden waren.

Die KI führte die ersten Reaktionsmaßnahmen automatisch aus, wie das Blockieren verdächtiger IP-Adressen und das Isolieren infizierter Systeme. Diese automatisierte Reaktion ermöglichte es dem Unternehmen, den Angriff zu stoppen, bevor er größeren Schaden anrichten konnte, und reduzierte die Zeit, die für die manuelle Untersuchung und das Eingreifen erforderlich war.

Beispiel 2: Einsatz von KI in der Schwachstellenanalyse

Ein weiteres mittelständisches Unternehmen, das Softwareprodukte entwickelt, nutzte KI zur Analyse seiner Software auf potenzielle Sicherheitslücken. Das Unternehmen war zunehmend besorgt über die wachsende Zahl an Sicherheitsvorfällen und die damit verbundenen Reputations- und Finanzrisiken.

Durch die Einführung einer KI-gestützten Lösung zur Schwachstellenanalyse konnte das Unternehmen seine Sicherheitsstrategie erheblich verbessern. Die KI analysierte automatisch den Quellcode und die Software-Architektur, um potenzielle Schwachstellen zu identifizieren. Zusätzlich ermöglichte die KI es, bekannte Sicherheitslücken in Echtzeit zu patchen und gleichzeitig neue Angriffsvektoren zu identifizieren, die durch die Kombination verschiedener Code-Elemente entstanden waren.

Dies führte zu einer signifikanten Reduktion der Anzahl der entdeckten Schwachstellen und einer stärkeren Sicherheit der Softwareprodukte. Für das Unternehmen bedeutete dies eine verbesserte Sicherheit und ein höheres Vertrauen der Kunden.

Teil 3: Ausblick auf zukünftige Entwicklungen in der KI-gesteuerten Cybersecurity

Die Entwicklungen in der Künstlichen Intelligenz sind rasant und versprechen, die Cybersecurity der Zukunft entscheidend zu verändern. In den kommenden Jahren werden KI-Systeme voraussichtlich noch leistungsfähiger und autonomer werden, was zu einer weiteren Verbesserung der Sicherheitsarchitektur führen wird.

Integration von KI mit anderen Technologien

Ein bedeutender Trend wird die zunehmende Integration von KI mit anderen innovativen Technologien wie Blockchain und 5G sein. In Kombination mit Blockchain könnte KI dazu beitragen, dezentralisierte Sicherheitslösungen zu entwickeln, die besonders für mittelständische Unternehmen von Vorteil wären. Die Verschmelzung dieser Technologien könnte dazu beitragen, Daten sicherer und transparenter zu speichern und zu übertragen.

Selbstlernende Systeme

Ein weiteres spannendes Entwicklungspotential liegt in der Entwicklung selbstlernender KI-Systeme. Diese Systeme könnten ihre Algorithmen kontinuierlich auf Basis neuer Daten und Bedrohungen anpassen und so noch schneller und präziser auf neue Angriffsmuster reagieren. Für mittelständische Unternehmen könnte dies zu einer Reduzierung des Managementaufwands und einer noch effizienteren Bedrohungsabwehr führen.

Künstliche Intelligenz als Service

Für mittelständische Unternehmen, die möglicherweise nicht über die notwendigen Ressourcen verfügen, um KI-basierte Sicherheitslösungen intern zu entwickeln und zu implementieren, wird der Trend zu „KI als Service“ von Bedeutung sein. Anbieter werden zunehmend KI-gestützte Sicherheitslösungen anbieten, die Unternehmen über die Cloud nutzen können. Dies wird den Zugang zu fortschrittlichen Sicherheitslösungen erleichtern und die Einführung von KI in die Sicherheitsstrategie vereinfachen.

Schlussüberlegungen

KI hat das Potenzial, die Art und Weise, wie Unternehmen ihre Cybersecurity gestalten, revolutionär zu verändern. Besonders mittelständische Unternehmen können von den Vorteilen profitieren, die KI in der Bedrohungserkennung, der Automatisierung und der Vorhersage von Sicherheitsvorfällen bietet. Mit zunehmenden Fortschritten in der Technologie und der Integration von KI in die Sicherheitsstrategien werden Unternehmen in der Lage sein, ihre Abwehrmechanismen weiter zu stärken und die Herausforderungen der Cybersecurity effizienter zu meistern.

Weiterführende Literatur

• “Wie KI die Cybersicherheit und Zugangskontrollen verbessert”: IT-Kenner
• “Künstliche Intelligenz für Cybersecurity und Cyberattacken”: IT-Kenner
• “Einfluss von KI auf die Cyberbedrohungslandschaft”: BSI
• “Ein Best Practice KI-Toolkit für den ‘Cybersecurity Awareness Month’”: heise online
• “BSI – Threat Intelligence – KI und gegenwärtige Cyberbedrohungen”: BSI
• “Benchmark: Welche KI taugt am besten für Cybersecurity?”: heise online
• “KI in der IT-Security: Was der Einsatz wirklich bringt”: Computerwoche
• “iX-Workshop: Effiziente IT-Sicherheit durch KI”: heise online
• “KI in der Cybersecurity: Gefahren und Chancen”: Heise Business Services
• “Wie KI zu mehr Sicherheit und Resilienz beitragen kann”: Computerwoche
• “Informationssicherheit bei KI: Lösungen & Technologien”: IT-Kenner
• “Gute KI gegen böse KI”: Welt

Der Beitrag Künstliche Intelligenz zur Verbesserung der Cybersecurity: Chancen, Praxisbeispiele und Ausblick nicht nur für mittelständische Unternehmen erschien zuerst auf Verein zur Unterstützung der digitalen Transformation e.V..

1. Was tun KI-Agenten?

KI-Agenten sind Softwareprogramme, die mithilfe von Künstlicher Intelligenz Aufgaben und Entscheidungsprozesse eigenständig durchführen können. Anders als klassische Software, die nach starren Regeln funktioniert, sind KI-Agenten in der Lage, zu lernen, zu adaptieren und auf Veränderungen in ihrer Umgebung zu reagieren. Diese Art von Software wird häufig als eine Mischung aus Automatisierung, maschinellem Lernen und autonomen Systemen beschrieben.

Ein KI-Agent im Unternehmenskontext kann eine Vielzahl von Aufgaben übernehmen, insbesondere im Bereich der Prozessautomatisierung, Datenanalyse und Kundeninteraktion. Einige typische Funktionen von KI-Agenten umfassen:

• Automatisierung repetitiver Aufgaben: KI-Agenten übernehmen routinemäßige und sich wiederholende Aufgaben, die wenig kreative Arbeit erfordern. Dies können Tätigkeiten wie das Abgleichen von Bestellungen, das Bearbeiten von Rechnungen oder das Sammeln und Auswerten von Unternehmensdaten sein.
• Prozessoptimierung: Sie analysieren Unternehmensprozesse und schlagen Optimierungen vor. Dabei berücksichtigen sie große Datenmengen, die für den Menschen schwer zu durchdringen wären, und treffen auf Basis dieser Informationen autonome Entscheidungen.
• Interaktive Unterstützung: Im Kundenservice, etwa bei der Bearbeitung von Anfragen oder der ersten Kontaktaufnahme, können KI-Agenten als Ansprechpartner fungieren. Sie agieren wie intelligente Chatbots, die einfache Anfragen eigenständig beantworten oder weiterleiten.
• Dateninterpretation und -verarbeitung: KI-Agenten analysieren unstrukturierte Daten, ziehen Schlüsse und geben Handlungsempfehlungen, die vorher entweder von Menschen manuell durchgeführt wurden oder gar nicht erkannt worden wären.

Ein gutes Beispiel für KI-Agenten sind die von Machines Like Me, einem Münchener Softwareunternehmen, entwickelten Software-Roboter. Diese übernehmen Aufgaben wie das Analysieren von Mietverträgen oder das Entgegennehmen von Zählerständen bei Stadtwerken. Solche Agenten automatisieren Prozesse, die für Mitarbeiter wenig Wertschöpfung bringen, und erhöhen so die Effizienz im Unternehmen.

2. Was sind die Vorteile von KI-Agenten?

Die Einführung von KI-Agenten in ein Unternehmen bietet zahlreiche Vorteile, die sowohl die Produktivität als auch die langfristige Wettbewerbsfähigkeit steigern können. Zu den wichtigsten Vorteilen gehören:

• Steigerung der Produktivität: KI-Agenten können Aufgaben wesentlich schneller erledigen als Menschen, was zu einer Reduktion der Prozesszeiten führt. Dies bedeutet, dass Unternehmen ihre Prozesse beschleunigen und ihre Ressourcen effizienter nutzen können.
• Fehlerreduktion: Da KI-Agenten auf Algorithmen und maschinellem Lernen basieren, ist die Wahrscheinlichkeit menschlicher Fehler geringer. Dies verbessert die Genauigkeit der Aufgaben, wie etwa die Datenverarbeitung oder die Analyse von Dokumenten.
• Kostenersparnis: Durch die Automatisierung von Routineaufgaben können Unternehmen erhebliche Einsparungen erzielen, da die Notwendigkeit für manuelle Arbeit und die damit verbundenen Kosten verringert werden.
• Bessere Entscheidungen durch datengetriebene Erkenntnisse: KI-Agenten können große Datenmengen analysieren und aus ihnen Muster und Zusammenhänge erkennen, die für den Menschen schwer fassbar sind. Dies führt zu fundierteren, datengestützten Entscheidungen.
• Skalierbarkeit und Flexibilität: KI-Agenten können bei Bedarf in Unternehmen skalieren. Sie sind flexibel einsetzbar und können an verschiedene Geschäftsprozesse angepasst werden.
• Verbesserte Kundeninteraktion: Durch den Einsatz von KI-Agenten im Kundenservice oder in der Kundenakquise können Unternehmen schneller und präziser auf Kundenanfragen reagieren, was die Kundenzufriedenheit erhöht.

3. Wie kann man KI-Agenten bekommen?

Für Unternehmen, die KI-Agenten einsetzen möchten, gibt es verschiedene Ansätze, je nach Größe und Bedarf des Unternehmens:

• Fertige Lösungen von Anbietern: Große Technologieunternehmen wie Microsoft, IBM und Google bieten fertige KI-Agenten-Lösungen an, die auf die Bedürfnisse von Unternehmen zugeschnitten sind. Microsoft zum Beispiel bietet KI-Agenten für den Vertrieb, die Kommunikation und die Prozessautomatisierung an.
• Maßgeschneiderte Entwicklung: Mittelständische Unternehmen können auch auf spezialisierte Softwareunternehmen wie Machines Like Me oder Salt Solutions zurückgreifen, die maßgeschneiderte KI-Agenten entwickeln, die perfekt auf die spezifischen Anforderungen eines Unternehmens abgestimmt sind.
• Cloud-basierte KI-Agenten: Viele Unternehmen setzen auf Cloud-Dienste, bei denen KI-Agenten als Software-as-a-Service (SaaS) bereitgestellt werden. Anbieter wie Amazon Web Services (AWS) und Google Cloud stellen APIs und Plattformen zur Verfügung, mit denen Unternehmen KI-Agenten in ihre Geschäftsprozesse integrieren können.

4. Wer unterstützt Manager bei der Implementierung von KI-Agenten?

Die Implementierung von KI-Agenten erfordert Fachwissen in mehreren Bereichen, einschließlich IT-Infrastruktur, Datenanalyse und KI-Entwicklung. Daher benötigen Unternehmen Unterstützung von verschiedenen Partnern:

• Beratungshäuser: Unternehmensberatungen wie BCG, McKinsey oder Accenture bieten Expertise in der Implementierung von KI-Strategien. Sie unterstützen bei der Auswahl der richtigen Technologien, der Integration in bestehende Systeme und der Schulung von Mitarbeitern.
• Softwareentwickler und KI-Experten: Unternehmen wie Machines Like Me oder Salt Solutions bieten maßgeschneiderte Lösungen und Unterstützung bei der Entwicklung und Integration von KI-Agenten.
• Cloud- und IT-Dienstleister: Anbieter von Cloud-Diensten wie Microsoft Azure, Google Cloud und Amazon Web Services bieten nicht nur die notwendige Infrastruktur, sondern auch spezialisierte Tools und APIs, die die Entwicklung und den Einsatz von KI-Agenten erleichtern.

5. Warum und wie können sich mittelständische Unternehmen differenzieren?

Mittelständische Unternehmen haben einen erheblichen Vorteil, wenn es um die Implementierung von KI-Agenten geht: Ihre Flexibilität und Agilität. Sie können KI-Technologien schneller adaptieren und in bestehende Prozesse integrieren, ohne mit den bürokratischen Hürden und langen Entscheidungswegen großer Konzerne konfrontiert zu sein.

• Schnellere Entscheidungsfindung: Mittelständische Unternehmen haben den Vorteil, dass sie Entscheidungen schneller treffen können, was in einer dynamischen KI-Landschaft entscheidend ist. Sie können schnell auf neue Technologien zugreifen und diese in ihren Geschäftsbetrieb integrieren.
• Fokussierte Nischenstrategien: Mittelständische Unternehmen haben häufig spezialisierte Geschäftsmodelle und können KI-Agenten gezielt einsetzen, um ihre Nischenmärkte zu bedienen, ohne dass die gesamte Unternehmensstruktur umgekrempelt werden muss.
• Kostenvorteile: Da mittelständische Unternehmen oft weniger komplexe Strukturen haben, können sie KI-Agenten schneller und kostengünstiger implementieren als große Unternehmen. Sie können so in der Digitalisierung und Automatisierung einen Vorsprung erlangen.

6. Kosten und Nutzen – Was bringt der Business Case?

Die Kosten für die Implementierung von KI-Agenten variieren je nach Umfang der Automatisierung und den eingesetzten Technologien. Generell kann man sagen, dass die Investitionskosten in die Technologie zunächst höher sind, sich aber schnell durch Einsparungen und Effizienzgewinne amortisieren.

• Kosten:
  • Einfache Implementierungen von KI-Agenten für kleinere Aufgaben können mit Kosten von etwa 10.000 bis 50.000 Euro verbunden sein.
  • Komplexe, maßgeschneiderte Lösungen für größere Unternehmen können Kosten im Bereich von 100.000 bis 500.000 Euro oder mehr verursachen.
• Nutzen:
  • Unternehmen, die KI-Agenten erfolgreich einsetzen, berichten von Produktivitätssteigerungen von bis zu 300-500%, was sich schnell in finanziellen Einsparungen niederschlägt.
  • Langfristig können KI-Agenten dazu beitragen, die Betriebskosten signifikant zu senken, insbesondere durch die Automatisierung repetitiver Aufgaben und die Reduzierung des Personalbedarfs in bestimmten Bereichen.

Ein Beispiel aus der Praxis zeigt, dass ein Unternehmen, das den Kundenservice mithilfe von KI-Agenten optimiert hat, innerhalb von 6 Monaten eine Kostensenkung von 30% bei den Personalkosten und eine Verbesserung der Kundenzufriedenheit um 20% erzielte.

7. Fallbeispiele

• Microsoft: Microsoft bietet KI-Agenten, die Vertriebsprozesse optimieren. Ein Vertriebs-KI-Agent kann potenzielle Kunden aus sozialen Medien und E-Mails identifizieren, sie ansprechen und bewerten, bevor er sie an ein menschliches Team weitergibt.
  • Quelle: Microsoft AI Solutions
• Machines Like Me: Das Unternehmen aus München bietet maßgeschneiderte KI-Agenten, die speziell für die Automatisierung von Verwaltungs- und Serviceaufgaben entwickelt wurden. Sie haben bereits mehrere erfolgreiche Implementierungen in verschiedenen Sektoren durchgeführt.
  • Quelle: Machines Like Me

8. Fazit und Ausblick

KI-Agenten sind eine der vielversprechendsten Technologien, die die Produktivität und Effizienz von Unternehmen revolutionieren können. Während die Technologie noch in der Anfangsphase steckt, sind die ersten Erfolge bereits sichtbar. In den kommenden Jahren wird der Einsatz von KI-Agenten weiter zunehmen, und Unternehmen, die frühzeitig auf diese Technologie setzen, können sich klare Wettbewerbsvorteile verschaffen.

Der Weg dahin wird jedoch nicht ohne Herausforderungen sein. Unternehmen müssen nicht nur in die Technologie investieren, sondern auch die notwendigen strukturellen und kulturellen Anpassungen vornehmen, um die vollen Potenziale von KI-Agenten auszuschöpfen.

Insgesamt wird die Entwicklung von KI-Agenten in den kommenden Jahren rasant voranschreiten, und Manager sollten sich bereits heute mit dieser Technologie vertraut machen, um ihre Unternehmen in der Zukunft erfolgreich zu positionieren.

Der Beitrag Die Rolle von KI-Agenten in der Unternehmenswelt – Chancen für Manager in großen und mittelständischen Unternehmen erschien zuerst auf Verein zur Unterstützung der digitalen Transformation e.V..

Von Dr. Jörg Schumacher

„Der Industrie kommt eine zentrale Rolle bei der Transformation der Wirtschaft mit Blick auf Klimaschutz und Digitalisierung zu“ – der Koalitionsvertrag der Bundesregierung macht deutlich, von wie großer Bedeutung die fortschreitende digitale Transformation der hiesigen Industrie ist. Zugleich hat sich die Ampelkoalition damit aber auch ein hohes Ziel gesteckt. Schließlich ist die digitale Transformation bei Weitem noch nicht in der Breite angekommen.

Insbesondere viele kleinere und mittlere Unternehmen hinken bei der Digitalisierung im Vergleich zu größeren Konzernen nach wie vor massiv hinterher. Wie das ifo Institut erst Ende vergangenen Jahres festgestellt hat, hapert es demnach massiv an der digitalen Innovationsfähigkeit zahlreicher Betriebe. Soll die Industrie hierzulande langfristig international wettbewerbsfähig bleiben, ist daher dringend Handlungsbedarf erforderlich.

Digitale Technologien ganzheitlich integrieren

Bevor jedoch die Gründe für das Hinterherhinken sowie mögliche Lösungsansätze dargelegt werden können, ist es zunächst entscheidend, einen Schritt zurückzumachen. Konkret geht es vorab nämlich um die Frage: Was genau sieht eine digitale Unternehmenstransformation vor? Obwohl das Wort „Digitalisierung“ in aller Munde ist, scheinen viele kleinere und mittlere Betriebe deren Bedeutung häufig zu unterschätzen. Womöglich, weil sie sich kein umfassendes Bild von den Chancen machen, die die Transformation bietet, und stattdessen eher die damit einhergehenden Aufgaben mit Skepsis betrachten.

Eine recht eingängige Definition liefert beispielsweise SAP, Europas größter Softwarehersteller. Digitale Transformation bedeutet demnach, „digitale Technologien und Lösungen in alle Bereiche eines Unternehmens zu integrieren. Der Wandel ist dabei nicht nur technologischer, sondern auch kultureller Natur.“ Es wird also ersichtlich: Die Digitalisierung ist keineswegs ein Prozess, der sich von heute auf morgen erledigen lässt. Vielmehr handelt es sich um ein äußerst vielschichtiges und komplexes Unterfangen, das umgekehrt jedoch ein großes Wachstumspotenzial birgt.

Unternehmen, die digitalen Innovationen offen gegenüberstehen, haben etwa die Möglichkeit, neue Geschäftsmodelle zu entwickeln, auf diese Weise neue Kunden zu gewinnen oder bereits bestehende Stammkunden noch enger an sich zu binden. Somit stärken entsprechend digital aufgestellte Betriebe ihre Wettbewerbsfähigkeit gegenüber der Konkurrenz und sind letztlich dazu in der Lage, Zeit und Kosten aufgrund einer äußerst effizienten Arbeitsweise einzusparen.

Mangelnde personelle und finanzielle Ressourcen

Neben dem Faktor der unterschätzten Bedeutung dieses Wandels spielen jedoch noch viele weitere Gründe eine wichtige Rolle für den digitalen Rückstand. Zahlreiche Unternehmen leiten die Digitalisierung oftmals sehr inkonsequent ein – beispielsweise, weil sie sich hinsichtlich einer strategischen Herangehensweise schlichtweg nicht ausreichend auskennen, aber auch, weil es ihnen an personellen und finanziellen Ressourcen mangelt. Hinzu kommt die mit dem hohen Tempo digitaler Innovationen einhergehende Problematik. Fortlaufend werden neue Technologien entwickelt, die den Betrieben ein hohes Maß an Flexibilität abverlangen – eine Anforderung, der im Arbeitsalltag nicht immer nachzukommen ist.

Angesichts dieser Herausforderungen stellt sich entsprechend die Frage: Wie können es gerade KMU schaffen, sich innerhalb dieses fluktuierenden Marktumfeldes langfristig zu behaupten? Abhilfe kann hier der Einsatz eines externen Interim Managers schaffen, der im Idealfall gemeinsam mit einem erfahrenen und direkt arbeitsfähigen Team auftritt. Ein sicherlich berechtigter Einwand mag hierbei zwar zunächst sein, dass auch bei diesem Vorgehen initiale Kosten entstehen. Dieser Mehraufwand kann jedoch dank eines wesentlich effizienter und somit auch nachhaltigeren Transformationsprozesses ausgeglichen werden.

Doch der Reihe nach – worauf kommt es bei der digitalen Transformation an, unabhängig vom Einsatz eines sogenannten „CDO auf Zeit“? Als eine der absoluten Grundvoraussetzungen für den langfristigen Erfolg gilt dabei zunächst das einhellige Commitment der Führungsebene. Der Wandel betrifft wie eingangs geschildert sämtliche Bereiche eines Unternehmens – von der Produktion über den Vertrieb bis hin zur Logistik. Nur, wenn die Top-Ebene eines Betriebes hierbei eine einheitliche Sprache spricht, lassen sich später auch sämtliche Mitarbeiterinnen und Mitarbeiter in den Prozess einbinden.

Digitale Transformation – ein Fulltime-Job

Darüber hinaus sind eine strukturierte Vorarbeit sowie die Implementierung eines steten digitalen Optimierungsprozesses unabdingbar. Dazu gilt es, zunächst den digitalen Status quo eines Unternehmens mit Hilfe einer Ist-Analyse zu untersuchen. Das Ergebnis kann dann wiederum mit State-of-the-Art-Lösungen verglichen werden. Die Differenz gibt schließlich einen guten Anhaltspunkt für den notwendigen Handlungsbedarf und ermöglicht zudem eine Priorisierung der anzugehenden Tätigkeitsfelder.

Ausgehend davon sollten bei der konkreten Maßnahmenplanung stets auch Zeit-, Kosten- und Nutzeneffekte berücksichtigt werden. Dies verhindert mögliche böse Überraschungen während des später fortlaufenden Digitalisierungsprozesses. Geht es dann um die konkrete Personalplanung, ist der Einsatz eines Digitalisierungsteams ungemein wichtig. Die digitale Transformation kann nicht „nebenbei“ durchgeführt werden, sie stellt vielmehr einen querschneidenden Belang dar, der entsprechend professionell bearbeitet werden will.

Das Team wird später die gesamte Umsetzung betreuen, regelmäßige Abgleiche mit den eingangs gesteckten Zielen machen und die Partner- und Lieferantenstrategie im Blick behalten. Anhand dessen wird deutlich, wie zeitintensiv der gesamte Prozess letztlich ist – und worin wiederum der Vorteil eines eingesetzten externen CDO mit Team besteht.

Denn: Dank dieses interimistischen Beratungsansatzes lässt sich die Digitalisierung nicht nur autonom vorantreiben. KMU schonen auf diese Weise insbesondere ihre Ressourcen und Mitarbeiterinnen und Mitarbeiter. Zudem können die digitalen Strukturen bereits parallel zum Einsatz des CDO-Teams aufgebaut werden – das spart Zeit und somit letztlich auch Geld. Schließlich gilt es, allein aufgrund der angestrebten Wettbewerbsfähigkeit die Unternehmensabläufe auch während des digitalen Wandels niemals zu stören und die vollumfängliche Handlungsfähigkeit eines Betriebes jederzeit zu bewahren.

Über den Autor:

Jörg Schumacher ist seit 2011 Partner bei der Unternehmensberatung Haselhorst Associates. Herr Schumacher hat langjährige Erfahrungen in der Beratung des Top-Managements und begleitete international als interner Berater und als Manager in Linienfunktionen zahlreiche Projekte zum Thema Organisation. 

Für Haselhorst Associates hat er bereits mehrere Restrukturierungen in Dax-Konzernen mit großem Erfolg geleitet, darunter Reorganisationen in Frankreich, Portugal und Italien. Darüber hinaus hat Herr Schumacher beim Starnberger Unternehmen den Bereich Digitalisierung aufgebaut und verantwortet hier umfassende Digitalisierungsinitiativen bei global agierenden Großkunden.

Der Beitrag Digitalisierung im Mittelstand erfolgreich umsetzen erschien zuerst auf Verein zur Unterstützung der digitalen Transformation e.V..

Die schwächelnde Produktivität müsse wieder stärker steigen – nicht nur für wenige, sondern in der Breite. Damit könne Deutschland wettbewerbsfähig bleiben und „Wachstum für alle“ wieder gelingen.

Armando Garcia Schmidt von der Bertelsmann-Stiftung, warnt, dass vor allem kleinere und mittlere Unternehmen abgehängt werden könnten: „Wir laufen in eine doppelte Produktivitätskrise hinein“. Die Arbeitsproduktivität je Erwerbstätigen sei im zurückliegenden Jahrzehnt um durchschnittlich weniger als ein Prozent pro Jahr gestiegen. Das sei problematisch, wenn angesichts des demografischen Wandels künftig weniger Erwerbstätige Wohlstand und Renten erwirtschaften müssen (=> Wie wir aus weniger mehr für alle machen).

Kurzum: Deutschland brauche eine Agenda für Produktivität und Teilhabe – wirtschaftspolitische Maßnahmen, die auf Produktivitätssteigerungen in der Breite und somit Wachstum und Teilhabe zugleich einzahlten. Das Projekt setzt das Produktivitätswachstum auf die wirtschaftspolitische Agenda und erarbeitet Handlungsoptionen, die Produktivität und Teilhabe gleichermaßen erhöhen. Die Empfehlungen der Bertelsmann-Stiftung konzentrieren sich auf drei Bereiche, in denen Handlungsbedarf besteht:

– Wettbewerbspolitik: Die zunehmende Unternehmenskonzentration hemmt die gesamtwirtschaftliche Produktivität – viele Firmen, Branchen und Regionen halten im digitalen Wettbewerb nicht mehr mit. Wirtschaftspolitik kann hier einen modernen und gleichzeitig wettbewerbsfördernden Rahmen schaffen, der Anreize für mehr Produktivitätswachstum setzen kann.

– Investitionspolitik: Veraltete Anlagen und Lücken in der (digitalen) Infrastruktur gefährden Wachstum und Teilhabe. Vor allem der deutsche Mittelstand investiert nicht ausreichend in sogenanntes „Wissenskapital“, einem zentralen Treiber der Produktivität. Es braucht Strategien und Instrumente für mehr öffentliche und private Investitionen, die Teilhabe und Produktivität steigern.

– Innovationspolitik: Produktivitätswachstum braucht Innovationen in der Breite. Die Verzahnung von Unternehmen, Forschung und Gründern konzentriert sich jedoch auf einige Zentren; in strukturschwachen Regionen und vielen Branchen liegt das Innovationssystem brach. Ein wirtschaftspolitischer Kurswechsel kann Deutschland zu einem starken Innovationsstandort machen – und alle Beschäftigten, Firmen und Regionen dabei besser einbinden.

Produktivität sei für die Bewältigung der schlechten Entwicklung die zentrale Kenngröße. Die deutsche Wirtschaft ist in den vergangenen Jahren insgesamt kaum produktiver geworden. Doch das ist nicht das einzige Problem. Denn das Wachstum der Produktivität schwächelt nicht nur, es verteilt sich auch zunehmend ungleich: Große Unternehmen hängen kleine und mittlere Unternehmen ab, dynamische Regionen lassen weniger starke Regionen immer weiter hinter sich zurück. Haupttriebkraft ist die Digitalisierung: Anders als bei vielen der technologischen Entwicklungen der vergangenen 100 Jahre, sind die Anforderungen der Digitalisierung für viele, vor allem kleinere Unternehmen, so hoch, dass sie nicht mehr mitkommen. Sie investieren nicht, oder kaum mehr in ihr Wissenskapital, ziehen sich aus dem Innovationsgeschehen zurück und adaptieren auch keine neuen (digitalen) Technologien in ihre Prozesse und Geschäftsmodelle. Produktivität wächst unter diesen Voraussetzungen nicht mehr.  Produktivität muss wieder stärker steigen – vor allem im Bezug auf unseren Ressourceneinsatz und nicht nur bei wenigen Spitzenunternehmen in Großstädten.

Was der Wirtschaftsstandort Deutschland braucht, ist tatsächlich ein Aufbruch, der die deutsche Wirtschaft produktiver werden lässt und zugleich auf ein inklusives Wachstum abzielt. Produktivität muss vor allem wieder in der Breite wachsen – in der Breite der Unternehmenslandschaft und in allen Teilen des Landes. So werden Teilhabe- und Beteiligungschancen, so wird Wohlstand gesichert. Nur auf dieser Grundlage kann aber auch ein echtes Umsteuern in Richtung eines nachhaltigeren Wirtschaftsmodells gelingen, das uns auch ein Höchstmaß von Produktivität im Umgang mit den natürlichen Ressourcen abverlangen wird.

Wo genau angesetzt werden kann und wie es funktionieren kann, Produktivitätswachstum inklusiv zu gestalten – die „Agenda für Produktivität und Teilhabe“ liefert Antworten in acht Handlungsfeldern.

Der Beitrag Der Mittelstand kommt bei der Digitalisierung nicht hinterher erschien zuerst auf Verein zur Unterstützung der digitalen Transformation e.V..

Initiative Maschinenraum

Wie das etwa für die Entwicklung neuer, digitaler Geschäftsmodelle funktionieren kann, zeigt die Initiative Maschinenraum, die auf Initiative von Maximilian Viessmann größere Mittelständler mit gemeinsamen Zielen zusammenbringt:

• Erleben & Vernetzen
• Teilen & Lernen sowie
• Umsetzen & Kollaborieren

Das Handelsblatt hat sich den Maschinenraum angeschaut und resümiert: „Soll man ein Start-up kaufen, mit einem kooperieren oder ein eigenes hochziehen? Oder ist vielleicht eine Kooperation mit anderen Mittelständlern die beste Lösung? All diese Fragen lassen sich aber in jedem Fall besser beantworten, wenn man sich vorher mit anderen Mittelständlern ausgetauscht hat. Der ‚Maschinenraum‘ will auch dabei helfen, die Ergebnisse der jeweiligen Überlegungen systematisch aufzuarbeiten.„

Digitale Geschäftsmodelle

Der langfristige Nutzen von reinen Effizienzsteigerungen im meist niedrigen, einstelligen Bereich ist angesichts großer Veränderungen wenig hilfreich. Neue und digitale Geschäftsmodelle gelten heute als die Königsdisziplin, versprechen sie neue Umsätze mit hohen Margen durch Innovation und neue Kunden.
In einer groß angelegten Studie von Familienunternehmen der WHU Otto Beisheim School of Management unter der Leitung von Prof. Dr. Nadine Kammerlander und mit Unterstützung der Beratungsgesellschaft ANDERSCH wurde untersucht, wie der aktuelle Status der Digitalen Transformation heute in diesem Unternehmenssegment zu bewerten ist. Für die Studie wurden 1.727 Top-Entscheider aus 1.444 Unternehmen befragt, davon 689 Unternehmen in mehrheitlichem Familienbesitz und 755 im Nicht-Familienbesitz. Demnach erkennen 87 Prozent der befragten Unternehmen Neues, aber nur 43 Prozent sagen, dass sie auch in der Lage sind, dies adäquat zu nutzen.

Die Leiterin der Studie resümiert: „Die Schlussfolgerungen, die diese Daten ermöglichen, sind besonders für diese (Corona) Krise ernüchternd. Schon zuvor war eine Fokussierung auf die Verbesserung von Effizienz kritisch zu hinterfragen. (…) Um aus dieser Krise zu kommen, bedarf es für viele nicht nur schmerzhafter Einschnitte im Jetzt – sondern vor allem viel Mut und Selbstvertrauen in der Zukunft. Dazu reicht es nicht aus, Neuerungen zu erkennen. Sondern Unternehmen müssen jetzt die strukturellen und prozessualen Möglichkeiten schaffen, diese Innovationen dann auch konsequent in Richtung Markt umzusetzen.“

Ein wichtiger Schritt in die Zukunftsfähigkeit und eine klare Empfehlung der Forscherin ist die Kooperation mit anderen Unternehmen, vor allem mit Start-ups, deren Lebenszweck es sei, bahnbrechende Innovationen zu erzeugen. Kammerlander ist daher der Ansicht: „Wer nicht kooperiert, stirbt.“ Dies sei eine Überlebensfrage. Schließlich sei auch die Corona-Krise eine bahnbrechende Veränderung: „Es ist ein tieferer Einschnitt mit unklarem Verlauf“.

Daher werde es, so Kammerlander, in den kommenden Jahren sehr viel mehr „Varianz“ bei den Familienunternehmen geben. Also mehr solche, denen es gut gehen und mehr solche, denen es schlecht gehen werde. Dabei hält Nadine Kammerlander auch das Konzept, ausschließlich als Hidden Champion im verborgenen B2B-Geschäft zu glänzen für langfristig „gefährlich“. Wer innovative Mitarbeiter und Kooperationspartner anziehen wolle, müsse visibler werden, ist sie überzeugt. Sie habe durchaus in ihren Studien gesehen, wie innovativ Familienunternehmen bislang waren. Aber auch, dass die manchmal jahrhundertelange Geschichte von Familienunternehmen trotzdem „kein Indiz fürs Überleben“ sei. Den Weckruf durch die Corona-Krise sei nicht zu überhören. Und dabei helfe sicherlich etwas, wofür Familienunternehmen durchaus bekannt sind: Erfahrung und schnelle Entscheidungswege.

Die Studie nennt folgende Voraussetzungen für eine erfolgreiche Umsetzung

• Unternehmen benötigen Fähigkeiten zur Einschätzung von Risiko und Veränderungsbereitschaft sowie Kapazitäten zur Implementierung neuer digitaler Initiativen.
• Trotz ausreichend vorhandener unternehmerischer Fähigkeiten können sich interne Barrieren ergeben, bspw. durch ein starres Festhalten an bestehenden Strukturen. Der gezielte Einsatz von „Enablern“, wie einer klaren Digitalisierungsstrategie, hilft Barrieren zu überwinden und trägt zu einer erfolgreichen Transformation bei.
• Stetige Weiterentwicklungen stehen im Zentrum der erfolgreichen Transformation. Daher sind Lernprozesse im Unternehmen unabdinglich.
• Die Förderung von Innovationen muss sich übergreifend auf Prozesse, Produkte, Dienstleistungen und das Geschäftsmodell richten, um so eine erfolgreiche Positionierung für die Zukunft zu schaffen.
• Zur stetigen Weiterentwicklung zählt auch die zunehmende Einbindung von Zukunftstechnologien, wie Lösungen, die auf künstlicher Intelligenz beruhen oder Applikationen basierend auf virtuellen Realitäten. Diese werden sich verstärkt auf verschiedene Geschäftsbereiche auswirken.

Die Studie der WHU kann hier kostenlos als PDF heruntergeladen werden.

Der Beitrag Kooperation muss sein – besonders im Mittelstand erschien zuerst auf Verein zur Unterstützung der digitalen Transformation e.V..