Viele Unternehmen diskutieren noch immer zuerst über das Werkzeug. ChatGPT, Copilot, Claude, lokale Modelle, RAG-Systeme, eigene Plattformen. Die Liste wird länger, die Grundfrage bleibt oft dieselbe: Was sollen wir einsetzen?
Ich halte diese Frage inzwischen für nachgelagert. Wichtiger ist, wo AI im Alltag tatsächlich hilft. Nicht als Innovationsfolie, nicht als Experiment im Nebenraum, sondern dort, wo Menschen täglich suchen, schreiben, prüfen, entwickeln, entscheiden und wiederholen.
Wir haben in den letzten Monaten verschiedene AI-Anwendungen produktiv eingeführt. Der Maßstab war dabei kein Trendbegriff, sondern eine einfache Frage: Löst das ein reales Problem? Sehr schnell wurde klar, dass die Technologie selten der größte Engpass ist. Schwieriger sind Priorisierung, Datenzugang, Akzeptanz, Kosten und saubere Leitplanken.
AI skaliert nicht allein über Technologie
Viele technische Hürden sind kleiner geworden. Modelle sind verfügbar, APIs sind verfügbar, Cloud-Plattformen sind verfügbar. Vor wenigen Jahren sah das noch anders aus.
Damit verschiebt sich die eigentliche Arbeit. Es reicht nicht, ein Modell auszuwählen und einen Piloten zu starten. Man muss klären, welcher Nutzen entstehen soll, welche Daten verwendet werden dürfen, wer die Ergebnisse bewertet und wie viele Einzelinitiativen eine Organisation verträgt, bevor daraus Wildwuchs wird.
Über Erfolg entscheidet deshalb nicht das nächste Modell. Über Erfolg entscheidet, ob AI in belastbare Arbeitsabläufe übersetzt wird.
Beispiel 1: Wenn Dokumentation endlich nutzbar wird
Ein sehr konkretes Beispiel waren technische Produktdatenblätter. Die Dokumente waren vorhanden, die Informationen ebenfalls. Das Problem war nicht fehlendes Wissen. Das Problem war der Zugang zu diesem Wissen.
Technische Informationen mussten gesucht, verglichen und interpretiert werden. Das kostet Zeit. Nicht einmalig, sondern jeden Tag.
Mit einem RAG-basierten Ansatz konnten wir vorhandene Dokumentation deutlich besser nutzbar machen. Die Akzeptanz entstand nicht, weil Mitarbeitende ein neues AI-Tool spannend fanden. Sie entstand, weil sie schneller an belastbare Antworten kamen. Technische Daten ließen sich gezielt abfragen, vergleichen und auswerten.
Der Mehrwert lag also nicht in der AI selbst. Er lag darin, dass vorhandenes Wissen im Alltag besser verfügbar wurde. Genau dort wird aus Technologie ein Werkzeug.
Beispiel 2: Copilot ist auch ein Steuerungsthema
Ein weiteres Beispiel war die Einführung von GitHub Copilot. Der Nutzen wurde schnell sichtbar. Wiederkehrende Aufgaben ließen sich schneller umsetzen, Codevorschläge halfen bei der Entwicklung, Rechercheaufwand sank. Produktivität stieg, und zwar nicht nur gefühlt.
Gleichzeitig wurde etwas sichtbar, das in vielen AI-Diskussionen zu spät kommt: Wer AI produktiv nutzt, erzeugt Verbrauch. Und Verbrauch erzeugt Kosten.
Die Diskussion endet deshalb nicht mit der Einführung. Sie beginnt dort erst richtig. Sobald AI im Alltag läuft, muss geklärt werden, welche Modelle wirtschaftlich sinnvoll sind, welche Aufgaben welchen Aufwand rechtfertigen, wie Nutzung gesteuert wird und wie Mehrwert gemessen werden kann.
AI ist damit nicht nur ein Technologiethema. Sie wird auch zu einem Steuerungsthema. Viele Organisationen merken das erst, wenn die ersten produktiven Nutzungszahlen vorliegen.
Beispiel 3: Ein Modell reicht selten aus
Eine weitere Erkenntnis war, dass unterschiedliche Anwendungsfälle unterschiedliche Modelle brauchen. Nicht jede Anfrage gehört in ein externes Modell. Nicht jede Aufgabe benötigt ein internes Modell. Nicht jede Information darf die Organisation verlassen.
Deshalb haben wir ein Framework aufgebaut, das verschiedene Modelle und Anwendungsfälle zusammenführt: interne LLMs, externe Modelle, API-basierte Integrationen und klare Leitplanken für Datenschutz und Informationssicherheit.
Das Ziel war nicht maximale Kontrolle. Das Ziel war nutzbare Flexibilität. Mitarbeitende sollten passende Werkzeuge verwenden können, ohne jedes Mal neu über Datenschutz, Freigaben oder Modellwahl nachdenken zu müssen. In der Praxis braucht das mehr Vorarbeit, als es in vielen Präsentationen klingt.
AI braucht Leitplanken, keine Reflexe
Viele Unternehmen reagieren auf AI reflexhaft. Entweder wird fast alles freigegeben, oder fast alles wird verboten. Beides funktioniert auf Dauer schlecht.
Vollständige Freiheit erzeugt Risiken. Vollständige Verbote erzeugen Schatten-IT. Beides habe ich gesehen.
Hilfreicher sind klare, verständliche Leitplanken und Werkzeuge, die im Alltag wirklich nutzbar sind. Nicht formal freigegebene Lösungen, die niemand verwendet. Akzeptanz entsteht erst dann, wenn der sichere Weg auch der praktikable Weg ist.
Die organisatorische Arbeit ist der harte Teil
Je länger AI produktiv genutzt wird, desto deutlicher zeigt sich ein Muster. Die größten Herausforderungen sind selten rein technischer Natur.
Schwieriger ist zu entscheiden, welche Anwendungsfälle Priorität haben, welche Daten genutzt werden dürfen, wer Ergebnisse verantwortet, wie Nutzen gemessen wird und welche Risiken akzeptabel sind.
Das sind keine Modellfragen. Das sind Managementfragen. Ohne klare Antworten darauf bleibt AI eine Sammlung einzelner Versuche.
Operativer Nutzen schlägt Strategiepapier
Viele Unternehmen arbeiten aktuell an AI-Strategien. Das ist sinnvoll, solange die Strategie nicht zum Ersatz für konkrete Umsetzung wird.
Eine Strategie erzeugt noch keinen Nutzen. Nutzen entsteht, wenn ein konkretes Problem gelöst wird. Wenn Mitarbeitende schneller arbeiten können. Wenn Wissen besser verfügbar ist. Wenn Prozesse weniger Reibung haben. Wert entsteht im Alltag, nicht im Strategiepapier.
Worauf es hinausläuft
Im Mittelstand stellt sich inzwischen nicht mehr die Frage, ob AI genutzt wird. Sie wird längst genutzt, offiziell oder inoffiziell.
Die wichtigere Frage ist, ob daraus operativer Nutzen entsteht. Nicht in Pilotprojekten oder Präsentationen, sondern im Tagesgeschäft. Dort entscheidet sich, ob AI ein interessantes Experiment bleibt oder zu einem echten Werkzeug wird.
Diese Arbeit ist weniger glamourös als viele AI-Diskussionen. Aber genau deshalb ist sie so wichtig.
