Die McKinsey-Studie 2025 hat etwas zutage gefördert, das jede Unternehmensführung alarmieren sollte: Mitarbeitende nutzen generative KI dreimal häufiger, als ihre Führungskräfte vermuten. Nicht 30 Prozent häufiger. Dreimal. Diese Tools haben sich schneller in Organisationen verbreitet als Slack oder Zoom es je geschafft haben. Das Operating Model hat sich überhaupt nicht angepasst.

Genau in dieser Lücke bleibt die KI-Transformation stecken. Und sie hat nichts mit der Technologie zu tun.

Die falsche Diagnose

Fragen Sie jemanden mit IT- oder Technologieverantwortung im Unternehmen, was die KI-Transformation dort ausbremst. Sie bekommen drei Antworten. Die Daten sind nicht bereit. Die Modelle sind nicht gut genug. Die Integration ist zu komplex.

Das sind echte Probleme. Sie sind nicht das größte Problem.

Auch für die Cloud-Migration waren die Daten nicht bereit, und die Organisationen haben es trotzdem hinbekommen. Die Modelle waren vor fünf Jahren nicht gut genug, und Organisationen haben sich Workarounds gebaut. Integration ist seit dem ersten ERP-System komplex. Das sind lösbare Engineering-Aufgaben mit bekannten Ansätzen, Budgets und Zeitplänen.

Wofür es keinen etablierten Ansatz gibt, ist die organisatorische Neugestaltung, die parallel zur Technologie passieren muss. Die meisten Unternehmen behandeln KI als Technologie-Einführung mit nachgelagertem Change Management. Das ist verkehrt herum. KI ist ein organisatorisches Veränderungsprogramm, in dem Technologie nur eine Komponente ist. Die Reihenfolge zählt. Technologie ohne Operating Model schafft Potenzial ohne Steuerung.

%%{init: {'theme': 'base', 'themeVariables': {'primaryColor': '#1a2540', 'primaryTextColor': '#ffffff', 'primaryBorderColor': '#ffffff', 'lineColor': '#ffffff', 'background': '#0a0f1e', 'mainBkg': '#1a2540', 'nodeBorder': '#ffffff', 'edgeLabelBackground': '#1a2540'}}}%%
graph LR
    subgraph WRONG ["Was die meisten Unternehmen tun"]
        W1["Tool kaufen"] --> W2["Tool ausrollen"] --> W3["Auf das Tool schulen"] --> W4["Sich wundern, warum die Nutzung bei 12 % liegt"]
    end
    subgraph RIGHT ["Was funktioniert"]
        R1["Workflow neu gestalten"] --> R2["Neue Rollenprofile definieren"] --> R3["Tool in den neuen Ablauf einbetten"] --> R4["Nutzung erreicht 70 %+"]
    end
    style WRONG fill:#2a1a1a,stroke:#ff6b6b,color:#ffffff
    style RIGHT fill:#0a2a1e,stroke:#00ff88,color:#ffffff
    style W1 fill:#1a2540,stroke:#ff6b6b,color:#ffffff
    style W2 fill:#1a2540,stroke:#ff6b6b,color:#ffffff
    style W3 fill:#1a2540,stroke:#ff6b6b,color:#ffffff
    style W4 fill:#1a2540,stroke:#ff6b6b,color:#ffffff
    style R1 fill:#1a2540,stroke:#00ff88,color:#ffffff
    style R2 fill:#1a2540,stroke:#00ff88,color:#ffffff
    style R3 fill:#1a2540,stroke:#00ff88,color:#ffffff
    style R4 fill:#1a2540,stroke:#00ff88,color:#ffffff

Drei Probleme auf der Menschenseite, an denen KI-Initiativen scheitern

Ich habe inzwischen genug KI-Programme gesehen, um dieselben drei Fehlschläge immer wieder zu erkennen. An der Oberfläche wirken sie unterschiedlich, im Kern haben sie eine gemeinsame Wurzel: Das Operating Model wurde für rein menschliche Ausführung entworfen und nicht für die Zusammenarbeit von Mensch und KI neu gestaltet.

Die Nutzungslücke. Tools werden ausgerollt. Die Nutzung bleibt niedrig. Die Organisation gibt dem Tool die Schuld — „die Leute mögen keine Veränderung“, „die Oberfläche ist nicht intuitiv“, „wir brauchen bessere Schulung“. Der eigentliche Punkt ist meistens, dass niemand den Workflow rund um das Tool neu gestaltet hat. Ein Schadensregulierer, der GPT-4 ohne neugestalteten Schadensprozess in die Hand bekommt, wird damit etwas schneller E-Mails entwerfen. Das ist keine echte Nutzung. Das ist Nutzung am Rand des eigentlichen Prozesses. Echte Nutzung setzt voraus, dass neu gestaltet wird, was der Mensch tut, was die KI tut und wie die Übergabe zwischen beiden funktioniert.

Die Kompetenzlücke. Effektiv mit KI zu arbeiten ist nicht dasselbe, wie ein neues Software-Tool zu lernen. Es verlangt neue kognitive Fähigkeiten: Probleme so zu formulieren, dass probabilistische Systeme sie verarbeiten können, Ergebnisse zu bewerten, die man selbst nicht erzeugt hat, ein System zu beaufsichtigen, das schneller arbeitet, als man es überwachen kann. Diese Fähigkeiten werden in der Standard-Unternehmensschulung nicht vermittelt. An den Universitäten weitgehend ebenso wenig. Das Ergebnis ist eine Belegschaft, die mit einem Partner zusammenarbeiten soll, dessen Stärken, Schwächen und Fehlermodi sie nicht versteht.

Das Verantwortungs-Vakuum. Trifft ein Mensch eine schlechte Entscheidung, ist die Verantwortungskette klar. Trägt ein KI-System zu einer schlechten Entscheidung bei, zerfällt sie. Der Data Scientist hat das Modell gebaut. Der Product Manager hat den Anwendungsfall spezifiziert. Das Operations-Team hat das System ausgerollt. Das Compliance-Team hat es einmal geprüft. Wenn das System ein schädliches Ergebnis liefert, hat jede Partei eine Teilerklärung und niemand die Verantwortung. Das ist kein Governance-Problem, das man mit einem Komitee löst. Es ist ein Operating-Model-Problem, das man löst, indem man Verantwortung von Anfang an in die Aufgabenteilung zwischen Mensch und KI einbaut.

%%{init: {'theme': 'base', 'themeVariables': {'primaryColor': '#1a2540', 'primaryTextColor': '#ffffff', 'primaryBorderColor': '#ffffff', 'lineColor': '#ffffff', 'background': '#0a0f1e', 'mainBkg': '#1a2540', 'nodeBorder': '#ffffff', 'edgeLabelBackground': '#1a2540'}}}%%
graph TB
    Fail["Warum KI-Programme stecken bleiben"]
    Fail --> G1["Nutzungslücke
Tool ohne neugestalteten Ablauf"]
    Fail --> G2["Kompetenzlücke
Zusammenarbeit mit KI nicht vermittelt"]
    Fail --> G3["Verantwortungs-Vakuum
Niemand verantwortet Ergebnisse"]
    G1 --> Root["Operating Model entworfen für
rein menschliche Ausführung"]
    G2 --> Root
    G3 --> Root
    style Fail fill:#1a2540,stroke:#ff6b6b,color:#ffffff
    style G1 fill:#1a2540,stroke:#ffb347,color:#ffffff
    style G2 fill:#1a2540,stroke:#ffb347,color:#ffffff
    style G3 fill:#1a2540,stroke:#ffb347,color:#ffffff
    style Root fill:#1a2540,stroke:#ff6b6b,color:#ffffff

Der Perspektivwechsel, der die Investitionsthese verändert

Organisationen, die stecken bleiben, behandeln KI als Technologie-Einkauf. Organisationen, die schneller vorankommen, behandeln sie als Neugestaltung des Operating Models — mit Technologie als Hebel, nicht als Ziel.

Das verändert jede Investitionsentscheidung. Stecken wir 2 Mio. US-Dollar in ein besseres Modell oder 2 Mio. US-Dollar in die Neugestaltung der Workflows, in denen dieses Modell laufen wird? Stellen wir drei zusätzliche Data Scientists ein oder drei zusätzliche Prozessgestalter, die Mensch-KI-Zusammenarbeit verstehen? Berichtet unser KI-Steering-Committee an den CTO oder an den COO?

Ich glaube nicht, dass es darauf eine universelle Antwort gibt. Die richtige Antwort hängt davon ab, wo Ihre Organisation steht. Sicher bin ich mir, dass Organisationen, die nur die Technologiefragen stellen, die falschen Probleme lösen. Die Technologie ist nicht der Engpass. Der Engpass ist die organisatorische Bereitschaft, das auszuschöpfen, was die Technologie möglich macht.

Wie Neugestaltung tatsächlich aussieht

Ein europäischer Pharmakonzern, mit dem ich letztes Jahr gearbeitet habe, hatte ein GenAI-Tool für die Dokumentation klinischer Studien ausgerollt. Nutzung nach sechs Monaten: 12 Prozent. Das Tool funktionierte. Die Oberfläche war in Ordnung. Die Schulung war umfassend. Das Problem war: Um es zu nutzen, mussten die Klinikerinnen und Kliniker einen Workflow ändern, der über fünfzehn Jahre gewachsen war — wer das Dokument initiiert, für welche Abschnitte wer verantwortlich ist, wie Freigaben zwischen Medizin, Regulatorik und Qualität laufen. Niemand hatte diesen Workflow erfasst, bevor das Tool ausgerollt wurde. Die KI war schneller darin, Text zu erzeugen, machte aber die Koordination zwischen Menschen schwerer, nicht leichter.

Die Lösung war nicht bessere Schulung. Es war Workflow-Neugestaltung. Aus Medical Writern wurden Dokumentarchitekten — sie definierten die Struktur, prüften KI-erzeugte Abschnitte und kümmerten sich um Ausnahmen. Regulatorische Prüfer wechselten von Zeile-für-Zeile-Kontrolle zu Stichproben und risikobasierter Prüfung. Die Qualitätsaufsicht wurde vorgelagert und beobachtete die Output-Muster der KI, statt einzelne Dokumente zu prüfen. Das Operating Model hatte sich geändert. Die Nutzung stieg in drei Monaten auf 74 Prozent.

Die Technologie hat sich nicht geändert. Die Organisation schon.

%%{init: {'theme': 'base', 'themeVariables': {'primaryColor': '#1a2540', 'primaryTextColor': '#ffffff', 'primaryBorderColor': '#ffffff', 'lineColor': '#ffffff', 'background': '#0a0f1e', 'mainBkg': '#1a2540', 'nodeBorder': '#ffffff', 'edgeLabelBackground': '#1a2540'}}}%%
graph LR
    Before["Medical Writer
(schreibt jeden Abschnitt)"] --> After["Dokumentarchitekt
(strukturiert + prüft KI-Output)"]
    Before2["Regulatorischer Prüfer
(Zeile-für-Zeile-Kontrolle)"] --> After2["Risikobasierter Prüfer
(Stichproben + Muster)"]
    Before3["Qualitätsaufsicht
(Prüfung pro Dokument)"] --> After3["Musteranalyst
(vorgelagerte Prüfung am KI-Output)"]
    style Before fill:#1a2540,stroke:#ff6b6b,color:#ffffff
    style Before2 fill:#1a2540,stroke:#ff6b6b,color:#ffffff
    style Before3 fill:#1a2540,stroke:#ff6b6b,color:#ffffff
    style After fill:#1a2540,stroke:#00ff88,color:#ffffff
    style After2 fill:#1a2540,stroke:#00ff88,color:#ffffff
    style After3 fill:#1a2540,stroke:#00ff88,color:#ffffff

Die Technologie ist bereit. Die Frage ist, ob die Organisation es ist.

Das ist die unbequeme Wahrheit, die in Vendor-Demos und Technologie-Roadmaps untergeht. Die Modelle sind gut genug. Die Infrastruktur ist reif genug. Die Integrationsmuster sind gut verstanden. Für die meisten Anwendungsfälle im Unternehmen ist die Technologie nicht der entscheidende Engpass.

Entscheidend ist, ob Ihre Organisation sich selbst neu gestalten kann, um mit KI zu arbeiten — statt KI einfach über bestehende Abläufe zu legen. Das verlangt Prozess-Neugestaltung, Kompetenzaufbau und Verantwortungsstrukturen, mit deren Aufbau die meisten Organisationen noch gar nicht begonnen haben.

Die Lücke zwischen dem, was KI kann, und dem, wozu Ihre Organisation bereit ist, ist Ihr eigentliches Wettbewerbsrisiko. Nicht die Modellwahl. Nicht der Cloud-Anbieter. Die organisatorische Lücke.

Schließen Sie sie, bevor Ihre Wettbewerber es tun.

Quellen

Daniel Piatkowski — Data & Analytics-Veteran, der AI-native Unternehmen prägt. elicify.ai