Die sinnvollste Antwort auf die Frage, in welchem Umfang KI im Unternehmen eingesetzt werden sollte, lautet nicht „so viel wie möglich“. Sie lautet vielmehr: „So weit, wie sie einen Mehrwert schafft, ohne das Urteilsvermögen, die Qualität und die Differenzierung zu beeinträchtigen“.
Das ist heute wichtiger, als es auf den ersten Blick scheint. In Italien ist der Einsatz künstlicher Intelligenz in Unternehmen laut Istat-Daten, über die „Il Foglio“ berichtet,von 8,2 % im Jahr 2024 auf 16,4 % im Jahr 2025 gestiegen. Diese Verdopplung innerhalb nur eines Jahres sagt eines ganz klar aus: Die Frage ist nicht mehr, ob man etwas unternehmen soll, sondern wie man den Schieberegler richtig einstellt.
Als CEO einer KI-Plattform für europäische KMU und als Forscher, der sich mit der Kommodifizierung der Ergebnisse von Sprachmodellen beschäftigt, beobachte ich, wie sich derselbe Fehler immer wieder wiederholt. Unternehmen behandeln KI wie einen Schalter. Entweder ignorieren sie sie oder versuchen, alles zu automatisieren. Beide Vorgehensweisen zerstören Wert. Die erste, weil sie einen träge macht. Die zweite, weil sie einen mit Ergebnissen überschüttet, die oberflächlich betrachtet korrekt, inhaltlich aber schwach sind.
Das Framework, das funktioniert, ist einfacher und strukturierter: KI dort einsetzen, wo sie mechanische Arbeit reduziert, und sie dort ausschalten, wo Verantwortung, Kontext und menschliches Urteilsvermögen gefragt sind.
Die meisten Unternehmen machen Fehler, weil sie zu viel oder zu spät handeln. Es geht nicht darum, KI einzuführen. Es geht darum, die Schwelle zu finden, ab der der operative Ertrag weniger steigt als das Risiko, das man eingeht.
Balaji Srinivasan hat es besser auf den Punkt gebracht als jeder andere: „0 % KI ist langsam. Aber 100 % KI ist Unsinn.“ Als CEO interpretiere ich das so: Zu wenig KI verursacht im Unternehmen unnötige Kosten. Zu viel KI ersetzt das eigene Urteilsvermögen durch plausible, aber austauschbare Ergebnisse.
Die Logik entspricht der Laffer-Kurve, angewandt auf die Wissensarbeit. Zu Beginn bringt jeder zusätzliche Punkt an KI einen hohen Ertrag: weniger Zeitverlust durch sich wiederholende Tätigkeiten, schnellere Ausführung, einheitlichere Prozesse. Dann wird eine Schwelle erreicht. Jenseits dieser Schwelle sinkt der Grenznutzen, und die Kosten beginnen zu steigen – was viele Manager erst spät erkennen: gut getarnte Fehler, geringere Kontrolle, unklare Zuständigkeiten, überall gleiche Inhalte.
Bei Null zu bleiben ist keine Vorsicht. Es bedeutet, qualifizierte Mitarbeiter dafür zu bezahlen, Arbeit zu verrichten, die keinen Wettbewerbsvorteil schafft.
Das passiert jeden Tag. Die Finanzabteilung, die Dateien manuell neu zusammenstellt. Die Vertriebsmitarbeiter, die fast identische E-Mails neu verfassen. Die Betriebsabteilung, die Daten von einem System in ein anderes überträgt. Die Marketingabteilung, die erste Entwürfe und Formatänderungen von Hand erstellt. Diese Tätigkeiten tragen nicht zur Verbesserung der Strategie bei, stärken weder die Positionierung noch steigern sie den vom Kunden wahrgenommenen Wert. Sie beanspruchen lediglich die Aufmerksamkeit der Führungskräfte und verschwenden wertvolle Arbeitszeit.
Aus diesem Grund ist der Markt in Bewegung. Wie eingangs erwähnt, nimmt die Akzeptanz zu, da Untätigkeit immer deutlichere Kosten verursacht – zunächst in Form von Zeitverlusten und später in Form von Gewinnmargeneinbußen.
Ohne KI verlangsamt sich die Ausführung. Mit zu viel KI vereinheitlicht man sogar das, was eigentlich einzigartig bleiben sollte.
Der andere Fehler ist subtiler, denn auf den ersten Blick scheint er ein Gewinn an Effizienz zu sein.
Ein vollständig von einer KI verfasster Finanzbericht mag korrekt, übersichtlich und sogar überzeugend wirken. Doch ein seriöser CFO unterzeichnet kein Dokument, nur weil es „gut klingt“. Er gleicht es mit Aufträgen, Zahlungseingängen, Lagerbeständen, betrieblichen Verzögerungen und geschäftlichen Ausnahmen ab. Ohne diesen Schritt automatisiert das Unternehmen nicht richtig. Es verlagert das Risiko lediglich weiter in die Kette.
Das Gleiche gilt für Vertrieb und Marketing. Eine zu 100 % von einer KI generierte E-Mail kann zwar Tonfall, Struktur und Grammatik einhalten. Oft fehlt ihr jedoch das individuelle Detail: der Bezug zur konkreten Situation des Kunden, zur Dynamik seiner Branche oder zu den spezifischen Reibungspunkten, die im Gespräch zutage getreten sind. Genau dort entsteht die Konversion. Und genau dort beginnt die vollständige Automatisierung, die Differenzierung zu zerstören.
Das ist der Slop. Lesbares Material, schnell zu erstellen, formal akzeptabel, aber ohne echte Verantwortung und ohne Wettbewerbsvorteil. Ich habe dieses Risiko hier ausführlicher analysiert: Wie Unternehmen mit KI umgehen.
Die Faustregel lautet wie folgt:
KI automatisiert nicht den gesamten Prozess. Sie automatisiert vielmehr den Kern des Prozesses. Sie funktioniert „von Mitte zu Mitte“.
Zu Beginn braucht es einen Menschen, der das Problem, den Kontext, die Rahmenbedingungen und die relevanten Daten definiert. Am Ende braucht es einen Menschen, der das Ergebnis überprüft, es in den Kontext einordnet und die Verantwortung dafür übernimmt. Dazwischen hingegen kann die KI viele Arbeitsstunden einsparen.
Nehmen wir eine Geschäftsanalyse als Beispiel. Das Management definiert die Ausgangsfrage: Bei welchen Kunden lässt die Nachfrage nach, welche Produktlinien wachsen, wo sinkt die Marge? Die KI aggregiert Daten, bereinigt Tabellen, weist auf Muster hin und erstellt den Bericht. Anschließend prüft ein Experte das Ergebnis und entscheidet, ob es sich bei diesem Muster um eine echte Anomalie oder um vorübergehende Schwankungen handelt.
Das gleiche Muster gilt für den Kundenservice, den Finanzbereich, den operativen Bereich und das Marketing. KI eignet sich gut für die Umwandlung, Klassifizierung, Zusammenfassung, Formatanpassung und Erstellung von ersten Entwürfen. Sie ist jedoch – für sich allein genommen – ungeeignet, um geschäftliche Prioritäten festzulegen und das Risiko der endgültigen Entscheidung zu tragen.
Viele Unternehmer achten auf APIs oder Lizenzen. Das ist zwar ein Teil der Kosten, aber selten der entscheidende Faktor. Die eigentlichen Kosten entstehen durch die Facharbeitsstunden, die erforderlich sind, um gute Anweisungen zu geben und die Ergebnisse zu überprüfen.
An dieser Stelle möchte ich eine Erkenntnis einbringen, die ich oft mit den Teams teile. Nur 10 % des Werts der KI stammen aus den Algorithmen, 20 % aus den Daten und 70 % aus den Menschen, den Prozessen und der Unternehmenskultur, wie Archimedia in seinem Praxisleitfaden zusammenfasst. Wenn Organisation, Governance und Verantwortlichkeiten nicht stimmen, kann man selbst mit dem besten Modell nur wenig erreichen.
Management-Regel: KI macht Fachkompetenz nicht überflüssig. Sie verlagert den Schwerpunkt vom mechanischen Ausführen hin zum richtigen Urteilsvermögen.
Aus diesem Grund sind Unternehmen, die versuchen, „Mitarbeiter zu ersetzen“, oft enttäuscht. Diejenigen hingegen, die die Rollen neu gestalten, erzielen bessere Ergebnisse. Weniger Zeitaufwand für manuelle Tätigkeiten. Mehr Zeit für Überprüfung, Auswertung und Entscheidungsfindung.
Drei praktische Konsequenzen:
Der schnellste Weg, bei der Einführung Fehler zu machen, besteht darin, die Grenzen der KI als vorübergehende Probleme zu betrachten. Viele davon sind es nicht. Es handelt sich um strukturelle Grenzen, die genau dazu dienen, zu entscheiden, wo man aufhören muss.
Erste Einschränkung: die Kosten. KI im großen Maßstab ist nicht kostenlos. Jeder Aufruf, jeder Workflow, jede Orchestrierung, jede Integration und jede Steuerung verursacht zusätzliche Kosten. Wenn die Aufgabe nur einen geringen Wert hat oder zu viele Überprüfungsschritte erfordert, kann die Automatisierung die Gewinn- und Verlustrechnung verschlechtern, anstatt sie zu verbessern.
Zweite Einschränkung, mathematischer Natur. KI löst Probleme nicht auf magische Weise, wenn das System instabil, chaotisch oder nur schwer beobachtbar ist. Ein Modell kann dabei helfen, Signale zu deuten. Es kann jedoch radikale Unsicherheit nicht in Gewissheit verwandeln.
Dritte Einschränkung, praktischer Art. Selbst wenn das Modell gut ist, lässt sich die Aufgabe nicht vollständig automatisieren. Jemand muss das Problem formulieren, und jemand muss die Antwort überprüfen.
Vierte Grenze: die physische. Die KI ist nicht in Ihrem Werk vor Ort, besucht keine Kunden, spürt nicht die Spannung bei Verhandlungen und sieht keine Maschine, die ungewöhnlich vibriert, wenn ihr niemand diese Informationen in den Daten zur Verfügung stellt.
Wenn der Prozess impliziten Kontext, direkte Wahrnehmung oder eine hohe rechtliche Verantwortung erfordert, muss die KI als Assistent fungieren, nicht als Steuerer.
Der am meisten unterschätzte Engpass ist die interne Kompetenz. In Italien betrachten 68 % der Unternehmen mit weniger als 50 Mitarbeitern den Mangel an internen Kompetenzen als das größte Hindernis für die Einführung von KI, und laut dieser Analyse zu KI-Nutzung, Daten, Kompetenzen und Schulungen sind durchschnittlich 4 bis 6 Wochen Schulung erforderlich, um eine selbstständige Nutzung zu erreichen.
Diese Tatsache ist wichtiger als viele spektakuläre Vorführungen. Wenn niemand im Unternehmen in der Lage ist, die Ergebnisse zu kontrollieren, ist die Automatisierung kein Vorteil. Sie stellt ein betriebliches Risiko dar.
Für einen Manager lautet die richtige Frage nicht: „Kann die KI das?“. Sondern:
Wenn eine dieser Antworten „Nein“ lautet, erhöhe den menschlichen Anteil.
Das subtilste strategische Problem ist nicht der grobe Fehler. Es ist die Tendenz, sich auf ein mittelmäßiges, aber qualitativ gutes Niveau einzupendeln. Ich nenne diesen Effekt „B+ Trap“.
Die wichtigsten generativen Modelle liefern immer häufiger Ergebnisse, die „gut genug“ sind. Saubere Texte. Lesbare Zusammenfassungen. Übersichtliche Analysen. Korrekte Strukturen. Doch wenn alle dieselben Modelle, dieselben Prompt-Muster und dieselben Abläufe verwenden, tendieren die Ergebnisse dazu, sich anzunähern.
Für viele Unternehmen ist dies anfangs nicht erkennbar. Sie sehen Geschwindigkeit und scheinbare Qualität. Sie erkennen nicht den Verlust an Stimme, Profil und Wettbewerbsvorteil. Im Marketing führt dies zu austauschbaren Inhalten. In der Analyse führt dies zu Erkenntnissen, die jeder andere auch gewinnen kann. In der Strategie führt dies zu Entscheidungen, die auf durchschnittlichen Marktkenntnissen beruhen und nicht auf Ihrem eigenen Wettbewerbsvorteil.
Ein Unternehmen, das die Standardarbeit der KI überlässt und dann internes Fachwissen, Branchenkontext, firmeneigene Daten und das Urteilsvermögen der Führungskräfte einbringt, erzielt ein anderes Ergebnis. Nicht unbedingt ein längeres oder komplexeres. Sondern ein nützlicheres.
Aus diesem Grund ist eine zu 100 % auf KI basierende Strategie eine Sackgasse im Wettbewerb. Nicht, weil die KI schlecht wäre, sondern weil man – wenn man sie ohne menschliches Eingreifen alles produzieren lässt – Ergebnisse erhält, die denen aller anderen immer ähnlicher werden. Der Teil, der Gewinnspanne schafft, ist das, was nicht zur Massenware gehört.
Wer sich aus wissenschaftlicher Sicht näher mit diesem Thema befassen möchte, dem empfehle ich die Veröffentlichungen zum Thema KI-gestützte Analytik.
Der Vorteil im Jahr 2026 besteht nicht darin, Zugang zur KI zu haben. Es geht vielmehr darum, zu wissen, wo man die Automatisierung unterbrechen und eine eigene, firmeneigene Ebene hinzufügen muss.
Wenn mich ein Unternehmer fragt, in welchem Umfang KI im Unternehmen eingesetzt werden sollte, gehe ich von zwei Variablen aus. Nicht vom Tool.
Der erste Punkt ist die Art der Aufgabe. Ist sie mechanischer, analytischer oder entscheidungsorientierter Natur?
Der zweite Punkt sind die Kosten eines Fehlers. Wenn das Ergebnis falsch ist, verlierst du dann ein paar Minuten, einen Kunden, Gewinn oder Glaubwürdigkeit?
Dieser Ansatz ist auch aus einem ganz konkreten Grund sinnvoll. Die unmittelbarsten Auswirkungen der Generativen KI zeigen sich in der Automatisierung sich wiederholender Aufgaben wie der E-Mail-Verwaltung und der Erstellung von Standardberichten, wodurch personelle Ressourcen für wertschöpfendere Aufgaben freigesetzt werden, wie Huware in seiner Analyse zur Unternehmensproduktivität hervorhebt.
| Aufgabentyp | Geringe Fehlerkosten | Durchschnittliche Fehlerkosten | Hohe Fehlerkosten |
|---|---|---|---|
| Mechanisch und monoton | Fast 90 % KI. Datenformatierung, Zeitplanung, Tagging, Verteilung von Inhalten. | Etwa 70 % KI. Hoher Automatisierungsgrad mit abschließender Kontrolle. | Etwa 50 % KI. Die KI erstellt den Text, der Mensch überprüft ihn Zeile für Zeile. |
| Analytisch und interpretativ | Etwa 70 % KI. Die KI erkennt Muster, der Mensch bestätigt sie. | Etwa 50 % KI. Gute Ausgewogenheit bei den Managementberichten. | Etwa 40 % KI. Eine systematische Überprüfung durch Experten ist erforderlich. |
| Entscheidungsorientiert und strategisch | Etwa 40 % KI. Unterstützung bei Szenarien und Optionen. | Etwa 30 % KI. Die KI unterstützt, sie schließt keine Schlussfolgerungen. | Fast 30 % KI. Preisgestaltung, Strategie, Personalbeschaffung, heikle Kommunikation. |
Diese Prozentsätze sind kein Naturgesetz. Sie sind ein praktischer Ausgangspunkt. Sie dienen dazu, zwei klassische Fehler zu vermeiden: risikoreiche Prozesse zu früh zu automatisieren oder Prozesse manuell zu belassen, die mittlerweile durch Software abgewickelt werden sollten.
In der Praxis empfiehlt es sich, den Automatisierungsgrad regelmäßig zu überprüfen. Die nützlichsten Kennzahlen sind einfach.
Wenn Sie diesen Schritt formell festlegen möchten, ist es sinnvoll, sich Gedanken darüber zu machen, wie sich die Rendite der KI-Investition bewerten lässt, bevor Sie die Einführung auf das gesamte Unternehmen ausweiten.
Wichtige Erkenntnisse
Der beste Weg, dieses Framework zu verstehen, besteht darin, seine Anwendung ohne überflüssige Theorie zu betrachten. Intern ging der Ansatz nicht von einem abstrakten Konzept auf der „KI-Ebene“ aus. Er basierte auf einer einfachen Regel: Automatisierung nur dort, wo die Kosten eines unentdeckten Fehlers gering sind, und Beibehaltung der menschlichen Kontrolle dort, wo die Kosten eines Fehlers hoch sind.
Das deutlichste Beispiel ist die redaktionelle Pipeline. Der erste Versuch war einfach: alles zu automatisieren, vom ersten Entwurf bis zur Veröffentlichung auf den Kanälen, einschließlich Format Anpassungen, Bildern und Zeitplanung. Es funktionierte. Aber das Ergebnis war nur allgemein korrekt.
Der Ton stimmte. Das Format ebenfalls. Was fehlte, war das, was ein erfahrener Leser sofort wahrnimmt: der spezifische Blickwinkel, die Wertung, die Sichtweise.
Die Optimierung erfolgte durch die Wiedereinführung menschlicher Eingriffe an nur zwei Stellen: Überprüfung der Kernbotschaft und Auswahl des Bildausschnitts für die jeweilige Plattform. Die KI blieb weiterhin für die Formatanpassung, die Erstellung der kreativen Inhalte und die Veröffentlichung zuständig. Dadurch reduzierte sich der menschliche Arbeitsaufwand pro Zyklus von drei Stunden auf etwa 30 Minuten, wobei das endgültige Verhältnis bei etwa 80 % KI und 20 % menschlicher Arbeit lag.
Der optimale Punkt liegt nicht dort, wo die KI alles schafft. Er liegt dort, wo das Team aufhört, zu viel zu korrigieren, und das Ergebnis glaubwürdig bleibt.
Die Methode, mit der wir dieses Ergebnis erzielt haben, lässt sich in jedem KMU umsetzen.
Es werden drei interne Kennzahlen beobachtet: die Korrekturmaßnahmenquote, die Gesamtdurchlaufzeit und die vom Endnutzer wahrgenommene Qualität. Wenn sich eine dieser Kennzahlen verschlechtert, muss der Schieberegler zurückgestellt werden.
Dieser Ansatz spiegelt auch eine Produktphilosophie wider, die ich für sinnvoll halte: KI sollte die Arbeit eines Analysten übernehmen, wenn diese repetitiv und strukturiert ist – nicht jedoch das unternehmerische Urteilsvermögen. Mit anderen Worten: Sie ist dazu gedacht, Ihren Analysten zu ersetzen, nicht Ihr Urteilsvermögen.
Der Wettbewerbsvorteil entsteht nicht dadurch, dass man mehr KI einsetzt. Er entsteht dadurch, dass man eine Grenze setzt, bevor die Automatisierung beginnt, Margen, Vertrauen und die Einzigartigkeit der Arbeit zu untergraben.
Deshalb lautet die richtige Frage nicht, ob man KI einsetzen soll, sondern in welchem Umfang KI im Unternehmen in jedem relevanten Prozess zum Einsatz kommen soll. Die KI-Laffer-Kurve dient genau diesem Zweck: den Punkt zu finden, an dem die Automatisierung Produktivität und Geschwindigkeit steigert, ohne das Team in die „B+“-Falle zu treiben – also Ergebnisse, die zwar gut genug sind, um den Anforderungen zu genügen, aber zu generisch, um das Unternehmen von anderen abzuheben.
In der Praxis sollte KI dort eingesetzt werden, wo sie Zeit spart, repetitive Arbeit reduziert und die Kosten für die Überprüfung gering hält. Sie sollte nicht eingesetzt werden, wenn ein Fehler schwerer wiegt als die eingesparte Zeit, wenn der Kontext wichtiger ist als das Format und wenn die Entscheidung geschäftliche oder rufbezogene Auswirkungen hat.
Hier zeigt sich die Führungsreife.
Im nächsten Wettbewerbszyklus werden jene Unternehmen gewinnen, die der KI klare Grenzen setzen können. Nicht diejenigen, die sie überall einsetzen, sondern jene, die das menschliche Urteilsvermögen bewahren und den Rest diszipliniert automatisieren.
Wenn Sie diesen Ansatz mit einer Plattform umsetzen möchten, die die Analyse automatisiert, ohne Ihnen die Entscheidungshoheit zu entziehen , lernen Sie ELECTE kennen – eine KI-gestützte Datenanalyseplattform für KMU. Sehen Sie selbst, wie sie Rohdaten in verwertbare Erkenntnisse, automatische Berichte und nützliche Signale umwandelt, damit Sie schneller Entscheidungen treffen können, ohne sich zu 100 % auf die KI zu verlassen. Sind Sie bereit, Ihre Daten zu nutzen? Starten Sie Ihre kostenlose Testphase →
.svg)
.svg)
.svg)
