Technologie allein skaliert nicht – Organisationen tun es
Bei diesen Zahlen – was läuft hier falsch, Kiana?
Wir sehen insgesamt vier Ursachen. Zum einen fehlen Entscheidungsstrukturen im Unternehmen – also: Wie werden Entscheidungen getroffen, wer trägt Ownership? Dann gibt es fehlende Skills und mangelndes Datenvertrauen. Darüber hinaus sehen wir: Was im kleinen Team funktioniert, muss nicht in End-to-End-Prozessen in der Breite funktionieren. Und ein letzter Aspekt ist die fehlende organisatorische Reife – es fehlt am Alignment zwischen Strategie, Governance, Skills und Kultur.
Welche Voraussetzungen brauchen Unternehmen, um KI erfolgreich zu implementieren?
Was heißt erfolgreich? Das muss zunächst jedes Unternehmen für sich definieren – denn es muss mit der Geschäftsstrategie verankert sein. Dann braucht es ein klares Governance- und Operating-Modell mit eindeutigen Entscheidungsrechten für das gesamte KI-Portfolio. Die Prozesse müssen End-to-End gedacht werden – also von der Entwicklung bis zum Betrieb. Skills und Capabilities müssen aufgebaut und implementiert werden, und die Kultur muss darauf ausgerichtet sein – das Mindset muss stimmen.
Erst dann kommt als letzter Punkt die Technologie- und Plattformentscheidung. Und das ist die entscheidende Botschaft: Technologie ist der Enabler – nicht der Treiber. Wer zuerst die Technologie wählt und dann die Organisation drumherum baut, zäumt das Pferd von hinten auf.
Das Thema Mensch als Grund für das Scheitern von Projekten haben wir in den vergangenen 30 Jahren bereits gesehen. Warum wollen Unternehmen immer noch nicht in Change-Management investieren, obwohl es doch der Hebel und damit der Garant für die erfolgreiche Umsetzung ist?
Weil Change-Management in vielen Unternehmen noch immer als begleitende Kommunikationsmaßnahme verstanden wird – und nicht als echter Umsetzungshebel. Solange Change als „nice to have“ gesehen wird, fließt das Budget zuerst in Technologie, Prozesse oder externe Implementierung. Dabei entscheidet gerade bei Data- und AI-Vorhaben nicht nur die Qualität der Lösung, sondern vor allem, ob Menschen sie verstehen, annehmen und in ihren Arbeitsalltag integrieren.
Genau deshalb ist Change-Management kein Zusatz, sondern Teil der Wertschöpfung. Wer hier zu spät investiert, riskiert, dass gute Konzepte nie in echte Nutzung übergehen. weil Change-Management in vielen Unternehmen noch immer als begleitende Kommunikationsmaßnahme verstanden wird – und nicht als echter Umsetzungshebel. Solange Change als „nice to have“ gesehen wird, fließt das Budget zuerst in Technologie, Prozesse oder externe Implementierung.
Dabei entscheidet gerade bei Data- und AI-Vorhaben nicht nur die Qualität der Lösung, sondern vor allem, ob Menschen sie verstehen, annehmen und in ihren Arbeitsalltag integrieren. Genau deshalb ist Change-Management kein Zusatz, sondern Teil der Wertschöpfung. Wer hier zu spät investiert, riskiert, dass gute Konzepte nie in echte Nutzung übergehen.
Warum können die evaluierten Zahlen das Management nicht überzeugen?
Ich glaube, es liegt daran, dass immer noch der Irrglaube vorherrscht, dass man Change-Management nicht bewerten und bemessen kann. Dabei gibt es klare KPIs, die CM-Projekte messbar machen. Dazu kommt, dass die Disziplin als ’soft‘ wahrgenommen wird – und damit als weniger relevant als Technologie oder Prozesse.
Wir haben bei einem Kunden den Impact von Change-Management klar nachweisen können: Die Entscheidungszeit für zentrale Governance-Themen sank von drei bis vier Wochen auf fünf bis sieben Werktage – ein Rückgang von rund 70 Prozent. Und die Zeit bis zum ersten messbaren Wert bei Data- und AI-Use-Cases verkürzte sich um 30 bis 40 Prozent. Das sind keine weichen Ziele – das sind harte Geschäftsergebnisse. Und genau das hat überzeugt.
Wie können Unternehmen die Ablehnung von AI durch Mitarbeiter überwinden?
Widerstand ist bei neuen Themen zunächst einmal normal – und oft sogar ein Zeichen dafür, dass das Thema als relevant wahrgenommen wird. Gerade deshalb ist entscheidend, wie Unternehmen damit umgehen. Es braucht frühzeitige Einbindung, eine klare Change Story, Multiplikatoren auf verschiedenen Ebenen und einen iterativen Feedback-Mechanismus. Wir empfehlen deshalb ein responsives Change-Management, das bereits in der ersten Projektphase startet – nicht erst kurz vor dem Roll-out. Denn Mitarbeitende müssen verstehen, warum KI eingeführt wird, was sich für sie verändert und welchen konkreten Nutzen sie daraus ziehen können. Erst wenn aus Unsicherheit Orientierung wird, kann echte Akzeptanz entstehen.
Welche Aufgaben kommen dem Leadership bei AI-Projekten zu – und was hat sich gegenüber anderen Projekten geändert?
AI muss strategisch im Unternehmen und in der Führung verankert sein und dort auch sichtbar gelebt werden. Deshalb ist Top-Management-Commitment hier keine Kür, sondern Voraussetzung. Ohne ausgerichtete Anreize, angepasste Entscheidungsprozesse und eine AI-bereite Kultur bleiben selbst gute Piloten isolierte Einzelfälle. Führungskräfte müssen als aktive Sponsoren auftreten und sich als sichtbare Vorbilder positionieren, etwa durch Leadership Dialoges oder andere Formate, die Orientierung schaffen.
Hinzu kommt ein zweiter zentraler Hebel: Kommunikation. Die interne Positionierung von AI und ihrer Relevanz ist entscheidend. Mitarbeitende müssen das „Warum“ hinter dem Thema verstehen – nicht als Top-down-Anweisung, sondern als gemeinsame strategische Überzeugung.
Was ist das größte Problem, das Sie bei AI-Projekten in Unternehmen sehen?
Das größte Problem ist oft die Annahme: „Das bekommen wir schon alleine hin, es ist ja nur ein weiteres Transformationsprojekt.“ Viele Unternehmen unterschätzen, dass AI keine isolierte Technologieinitiative ist, sondern eine tiefgreifende organisatorische Veränderung. Häufig wird das erst erkannt, nachdem bereits Ressourcen investiert wurden, ohne nachhaltigen Effekt zu erzeugen.
In der Praxis sehe ich drei wiederkehrende Muster: Erstens fehlt Ownership – niemand fühlt sich für domänenübergreifende Datenqualität wirklich verantwortlich. Zweitens wird Governance eher als Bremse aufgebaut als als Enabler, mit zu vielen Policies und zu wenig pragmatischen Entscheidungsmodellen. Und drittens kommt Enablement oft zu spät: Skills werden erst dann aufgebaut, wenn Use Cases bereits live gehen sollen. Dann wird aus Ambition schnell Überforderung.
Welchen ROI können Unternehmen aus diesen Projekten man erwarten?
Der ROI lässt sich natürlich nicht pauschal beziffern, weil er stark vom Reifegrad der Organisation, den gewählten Use Cases und der Umsetzungstiefe abhängt. In der Praxis sehen wir aber häufig deutliche Effizienzgewinne, eine schnellere Skalierung relevanter Use Cases und insgesamt eine höhere aktive Nutzung von Daten und AI in den Fachbereichen. Der eigentliche Hebel liegt jedoch nicht nur in kurzfristigen Einsparungen, sondern im Aufbau einer Organisation, die datenbasierte Wertschöpfung dauerhaft und skalierbar ermöglicht.
