Auf dem Weltwirtschaftsforum 2025 in Davos formulierte Microsoft-CEO Satya Nadella eine deutliche Warnung: Wenn nur Tech-Unternehmen von KI profitieren, handele es sich um eine Blase. Seine Bedenken spiegeln ein wachsendes Paradox wider. Trotz massiver Investitionen in generative KI und obwohl überall experimentiert wird, transformieren sich viele Unternehmen außerhalb des Technologiesektors kaum.
Die Brücke zwischen KI-Entdeckungen und deren Anwendung
Die Zahlen liefern ein aufschlussreiches Bild. Laut einer Erhebung des MIT Technology Review nutzen mittlerweile 95 Prozent aller Unternehmen generative KI in irgendeiner Form. Dennoch setzen die meisten sie nur in sehr begrenzten Bereichen ein. Zwischen Experimentieren und skaliertem Einsatz klafft eine erhebliche Lücke – und das wirft eine unbequeme Frage auf: Wenn der “KI-Hammer“ so leistungsfähig ist, warum finden die meisten Branchen keine passenden Nägel?
Die Antwort liegt in zwei miteinander verbundenen Hürden, die Unternehmen außerhalb der Tech-Welt nur schwer überwinden: Erstens fällt es ihnen schwer zu erkennen, wo KI echten Mehrwert schaffen kann (Discovery-Problem). Zweitens gelingt es ihnen nicht, isolierte KI-Experimente so zu skalieren, dass die gesamte Organisation davon profitiert (Integrationsproblem).
Selbst wenn Unternehmen wertvolle KI-Anwendungen entdecken, taucht eine zweite, ebenso große Hürde auf: Wie lassen sich einzelne Experimente so skalieren, dass die gesamte Organisation davon profitiert? Hier zeigt sich am deutlichsten, warum 95 Prozent KI nutzen, aber nur sehr wenige sie wirklich breit einsetzen.
Teil 1: Das Discovery-Problem – Wenn sich Fähigkeiten nicht in Anwendungen übersetzen lassen
Die erste Hürde ist trügerisch einfach: Die meisten Unternehmen wissen nicht, welche ihrer Probleme sich tatsächlich mit KI lösen lassen. Das liegt nicht an mangelnder Innovationsbereitschaft. Es fehlt schlicht das Bewusstsein dafür, was möglich ist.
Nehmen Sie ein mittelständisches Fertigungsunternehmen, das Automobilkomponenten produziert. Der Betriebsleiter weiß, dass Qualitätsprüfungen arbeitsintensiv sind, dass es in der Lieferkette ständig hakt und dass Wartungspläne ineffizient ablaufen. Das sind greifbare, kostspielige Probleme. Was der Betriebsleiter möglicherweise nicht weiß: Große Sprachmodelle können unstrukturierte Wartungsprotokolle analysieren und vorhersagen, wann Geräte ausfallen werden. KI-gestützte Bilderkennungssysteme (Computer Vision) können Fehler konsistenter erkennen als menschliche Prüfer. KI kann Produktionspläne optimieren, indem sie Echtzeitdaten von Lieferanten, Maschinen und Logistikpartnern verarbeitet.
KI-Fähigkeiten und Geschäftsprobleme: zwei Sprachen, keine Übersetzung
Das Problem liegt nicht darin, dass KI diese Aufgaben nicht bewältigen könnte. Das Problem ist, KI-Fähigkeiten werden in technischer Sprache kommuniziert – Natural Language Processing, Computer Vision, Reinforcement Learning –, während Geschäftsleute in operativen Begriffen denken: „Ausschussraten senken“, „Stillstandzeiten vermeiden“ oder „pünktlicher liefern“. Weil diese beiden Vokabulare nicht zusammenfinden, bleiben zahlreiche wertvolle Anwendungen für Entscheidungsträger unsichtbar.
KI-Anwendungsfälle erkennen: blinde Flecken vom Büro bis zur Werkshalle
Diese Bewusstseinslücke zeigt sich unterschiedlich – je nachdem, ob wir über Büro- oder Produktionsarbeit sprechen. In professionellen Dienstleistungsunternehmen verstehen Führungskräfte, dass KI E-Mails entwerfen und Dokumente zusammenfassen kann.
Sie übersehen aber weniger offensichtliche Einsatzmöglichkeiten: Vertragsportfolios analysieren, um Risikomuster zu erkennen. Aus Tausenden von Lieferantenvereinbarungen die wesentlichen Pflichten extrahieren. Individuelle Kundenberichte erstellen, indem Daten aus mehreren Systemen zusammenfließen. In Logistik- und Lagerbetrieben sehen Manager KI als futuristische Automatisierung, übersehen aber, was sofort möglich wäre: Routen auf Basis von Echtzeit-Verkehrs- und Wetterdaten planen. Bedarf prognostizieren und dabei saisonale Muster, regionale Ereignisse und das Verhalten von Wettbewerbern berücksichtigen.
Datenqualität als KI-Hürde – Symptom, nicht Ursache
Die MIT-Erhebung nennt Datenqualität als größte Hürde, um KI einzuführen – worin wirklich oft ein Problem liegt. Doch das Datenqualitätsproblem ist selbst ein Symptom: Unternehmen wissen nicht, welche Daten sie brauchen, weil sie die richtigen Ansatzpunkte noch nicht erkannt haben. Ein Chemiewerk, das auf Jahren von Produktionsdaten sitzt, erkennt vielleicht nicht, dass diese Informationen helfen könnten, Bedingungen zu optimieren, Energie zu sparen oder Qualitätsprobleme bei Chargen vorherzusagen, bevor sie auftreten.
Das Discovery-Problem verschärft sich durch die Art, wie KI verkauft und präsentiert wird. Anbieter zeigen typischerweise beeindruckende generische Fähigkeiten – Chatbots, Bildgenerierung, automatische Auswertung von Kundenfeedback –, schlagen aber selten die Brücke zu spezifischen Branchen-Workflows. Die Führungskraft einer Hotelkette mag eine beeindruckende Sprachschnittstelle sehen, kommt aber nicht unbedingt auf die Idee, Gästeservice-Anfragen zu automatisieren, Bewertungen auszuwerten, um operative Probleme zu erkennen, oder Marketing zu personalisieren, indem Buchungsmuster und Gästepräferenzen einfließen.
KI-Kompetenz trifft Fachwissen: Die Übersetzer fehlen
Was das Entdecken neuer Anwendungen besonders schwierig macht: Es erfordert eine seltene Kombination aus tiefem Fachwissen und echter KI-Kompetenz. Der Betriebsleiter versteht seine Prozesse bis ins Detail, erkennt aber möglicherweise nicht, welche Schritte sich für KI eignen. Der Data Scientist weiß, was Modelle leisten können, kennt aber den Kontext nicht gut genug, um zu beurteilen, welche Geschäftsprobleme am dringendsten oder machbarsten sind. Unternehmen brauchen Menschen, die beide Sprachen fließend sprechen – und solche Personen sind außerhalb von Technologieunternehmen rar.
Das Ergebnis: Viele wertvolle „Nägel“ – Gelegenheiten, bei denen KI substanziell etwas bewirken könnte – bleiben unsichtbar. Unternehmen experimentieren häufig mit KI in offensichtlichen, risikoarmen Bereichen wie E-Mail-Entwürfen oder Chatbot-Kundenservice, während sie potenziell transformative Anwendungen in Beschaffung, Qualitätskontrolle, Wartung und Bedarfsplanung kaum erkunden. Der Hammer existiert und ist leistungsfähig – aber ohne zu erkennen, wo er ansetzen sollte, bleibt sein Potenzial weitgehend theoretisch.
Die zwei Hürden der KI-Transformation
Die Brücke zwischen KI-Entdeckungen und deren Anwendung – warum 95% der Unternehmen KI nutzen, aber echte Transformation ausbleibt
Der KI-Hammer ohne Nagel
Isolierte Experimente, individuelle Produktivitätsgewinne, ChatGPT für E-Mails und Zusammenfassungen. Die KI-Nutzung ist hoch, aber echte Transformation bleibt aus.
Die unsichtbaren Nägel finden
KI-Fähigkeiten und Geschäftsprobleme sprechen zwei verschiedene Sprachen. Es fehlen Übersetzer, die wertvolle Anwendungen sichtbar machen – vom Büro bis zur Werkshalle.
Workflows strategisch neu gestalten
Mitarbeiter erkennen oft zuerst, wo KI helfen kann. Aber nur wenn die Führung den ganzen Ablauf neu denkt, entsteht echte Transformation – nicht nur Punktlösungen.
Teil 2: Das Integrationsproblem – Von Einzelexperimenten zur Transformation der gesamten Organisation
Selbst wenn Unternehmen wertvolle KI-Anwendungen entdecken, taucht eine zweite, ebenso große Hürde auf: Wie lassen sich einzelne Experimente so skalieren, dass die gesamte Organisation davon profitiert? Hier zeigt sich am deutlichsten, warum 95 Prozent KI nutzen, aber nur sehr wenige sie wirklich breit einsetzen.
Andrew Ng, Gründer von DeepLearning.AI und Co-Leiter der KI-Beratungsfirma AI Aspire, bringt diese Herausforderung in seinen Gedanken zu Davos 2025 auf den Punkt. Im Gespräch mit CEOs über KI beobachtete Ng: „Der Ansatz ‚Lasst alle mal ausprobieren‘ hat in den wenigsten Unternehmen zu echten Ergebnissen geführt.“
Das Problem, so argumentiert Ng: Echte Transformation erfordert, Workflows neu zu gestalten. Führungskräfte müssen den gesamten Prozess von Anfang bis Ende betrachten – und aktiv steuern, wie die einzelnen Schritte zusammenspielen.
KI-Einführung erfordert neue Abläufe, nicht nur neue Tools
Nehmen Sie das Beispiel einer Bank, die Kredite vergibt. Der Workflow besteht aus mehreren Phasen: Marketing → Antrag → Vorläufige Genehmigung → Finale Prüfung → Auszahlung. Angenommen, die vorläufige Genehmigung erforderte bisher eine einstündige menschliche Prüfung, aber ein neues KI-System erledigt das automatisch in 10 Minuten. Wenn man einfach nur die menschliche Prüfung durch KI ersetzt und alles andere belässt, gewinnt man etwas Effizienz – aber transformativ ist das nicht.
Was wäre denn transformativ? Ng erklärt: „Statt eine Woche auf eine menschliche Prüfung zu warten, erhalten Antragsteller in 10 Minuten eine Entscheidung. Dann wird der Kredit zu einem überzeugenderen Produkt. Diese bessere Kundenerfahrung ermöglicht es, mehr Anträge anzuziehen und letztlich mehr Kredite zu vergeben.“
Diese Veränderung erfordert jedoch mehr, als KI in einem Schritt einzusetzen. Der gesamte Workflow muss neu gestaltet werden. Das Marketing muss ein „10-Minuten-Kredit“-Produkt bewerben. Anträge müssen vollständig digital ablaufen und effizienter weitergeleitet werden. Finale Prüfung und Auszahlung müssen so umgebaut werden, dass sie dramatisch höhere Volumina bewältigen. Obwohl KI nur einen Schritt betrifft, muss das Unternehmen nicht eine Punktlösung einführen, sondern den gesamten Workflow transformieren.
Individuelle KI-Nutzung ist noch keine Unternehmenstransformation
Diese Erkenntnis verdeutlicht, warum die meisten Unternehmen bei begrenzten KI-Anwendungen stecken bleiben dürften. Einzelne Mitarbeiter entdecken, dass ChatGPT ihnen hilft, Berichte schneller zu schreiben, oder dass KI-Tools Meeting-Transkripte zusammenfassen. Diese persönlichen Produktivitätsgewinne sind real, aber isoliert. Sie erfordern keine Abstimmung mit anderen, stellen bestehende Prozesse nicht in Frage und verlangen kein Change Management.
Diese Einzelexperimente so zu skalieren, dass das ganze Unternehmen profitiert, ist eine völlig andere Aufgabe. Sie erfordert Antworten auf schwierige Fragen: Wie arbeiten Teams zusammen, wenn einige Mitglieder KI nutzen und andere nicht? Wie standardisieren wir Ergebnisse, wenn jeder KI anders einsetzt? Wer ist verantwortlich dafür, Workflows neu zu gestalten – IT, Operations oder Abteilungsleiter? Wie überwinden wir institutionelle Trägheit, wenn bestehende Prozesse Momentum haben und etablierte Stakeholder existieren?
Change Management für KI: Wer trägt die Verantwortung?
Die Hürden bei der Abstimmung sind erheblich. Wenn KI-Nutzung ad hoc und individuell bleibt, sind Ergebnisse inkonsistent, Qualität lässt sich schwer kontrollieren, und der Gesamteffekt beschränkt sich auf die Summe individueller Produktivitätsgewinne. Der Übergang von „KI-kompetenten Einzelpersonen“ zu „KI-befähigten Organisationen“ erfordert, Prozesse systematisch neu zu gestalten, gemeinsame Standards zu etablieren, Verantwortlichkeiten klar zu regeln und Change Management zu beherrschen – Fähigkeiten, die den meisten Nicht-Tech-Unternehmen fehlen.
KI-Strategie braucht Führung von oben
Ng fasst es so zusammen: Mitarbeiter erkennen oft zuerst, wo KI helfen kann. Aber nur wenn die Führung den ganzen Ablauf neu denkt, entsteht echte Transformation.
Das Integrationsproblem erklärt weitgehend, warum die MIT-Erhebung hohe KI-Nutzung, aber wenig breiten Einsatz zeigt. Der erste Schritt ist geschafft – Einzelpersonen experimentieren mit KI-Tools. Aber der zweite Schritt fehlt – Geschäftsprozesse und Workflows so umzubauen, dass KI systematisch eingebettet ist. In dieser Lücke stagnieren die meisten KI-Initiativen. Hier entscheidet sich, ob es bei kleinen Effizienzgewinnen bleibt oder ob echte Transformation gelingt.
Beide Lücken schließen
Die Herausforderung für Branchen außerhalb der Technologie liegt nicht darin, dass leistungsfähige KI fehlt oder dass es keine Probleme zu lösen gäbe. Die Herausforderung ist zweifach: Erstens müssen Unternehmen entdecken, welche Probleme sich wirklich mit KI lösen lassen. Zweitens müssen sie diese Lösungen in neu gestaltete Workflows einbetten, die echten Mehrwert freisetzen – nicht nur kleine Effizienzgewinne.
Um das Discovery-Problem zu lösen, muss die Kluft zwischen technischem KI-Vokabular und operativen Geschäftsproblemen überbrückt werden. Es braucht Fachleute, die zwischen beiden Welten übersetzen und „unsichtbare Nägel“ aufspüren – wertvolle Gelegenheiten, die Unternehmen derzeit übersehen.
Um das Integrationsproblem zu lösen, müssen Unternehmen über Bottom-up-Experimente hinausgehen und Workflows strategisch neu gestalten. Es braucht Fähigkeiten in Change Management, Prozessgestaltung und systemischem Denken – damit sich isolierte KI-Experimente zu unternehmensweiter Transformation skalieren lassen.
Beide Lücken sind nicht nur technischer Natur. Es geht darum, Abläufe zu koordinieren und Kompetenzen aufzubauen. Unternehmen, die diese Lücken schließen – ob durch eigene Entwicklung oder mit spezialisierter externer Unterstützung –, werden KI von einer experimentellen Spielerei zu einem echten Wettbewerbsvorteil entwickeln.
Wenn KI-Vorteile über Technologieunternehmen hinausgehen sollen, muss sich der Fokus verschieben: weg davon, weitere Hämmer anzuschaffen – hin dazu, die richtigen Nägel zu finden und sie richtig einzuschlagen.
Wie geht es für SIE weiter?
Sie möchten herausfinden, wo in Ihrem Unternehmen die „unsichtbaren Nägel“ liegen – und wie Sie von isolierten KI-Experimenten zu echter Workflow-Transformation gelangen?
KI-Tools im Überblick: Welches Werkzeug für welche Aufgabe?
[…] ein Hammer ist, dann sieht jedes Problem wie ein Nagel aus. Oder übertragen auf dieses Thema: Der beste Hammer nützt nichts, wenn Sie eigentlich einen Schraubendreher benötigen. Und nicht jeder Nagel lässt sich mit dem gleichen Hammer […]