Schlagwort: Studie

Veröffentlicht am

OECD prüft Leistungsindikatoren von KI – Strategie für KMU

Warum die neue OECD-Studie ein Weckruf für Manager ist, in Fähigkeiten statt einen Hype zu investieren

Künstliche Intelligenz (KI) verändert die Spielregeln – das merken wir jeden Tag. Doch KI ist nach einer Benchmark-Studie der OECD bezüglich neun menschentypischen Capability-Indikatoren (z. B. Sprache, Problemlösen, Kreativität, Metakognition) nur mittelmäßig. Manager, die nach einem Grund für ein „Weiter So“ suchen, muss ich dennoch enttäuschen: Strategisches Denken und Investieren ist das Gebot der Stunde.

Während die mediale Aufregung von Superintelligenz, Massenentlassungen oder grenzenloser Automatisierung spricht, fehlt es in den Unternehmen oft an einem klaren, faktenbasierten Verständnis darüber, wo KI heute wirklich steht, welche Kosten und welcher Nutzen zu erwarten ist – und wie man sinnvoll darauf reagieren sollte.

Mit den „OECD AI Capability Indicators“ liegt nun erstmals ein wissenschaftlich fundiertes, praxisrelevantes Rahmenwerk vor, das uns hilft die Fähigkeiten der KI besser einschätzen zu können. Es zeigt (wenig überraschend): Wir stehen nicht am Ende, sondern am Anfang der KI-Revolution – und Unternehmen haben jetzt die Chance, sich strategisch zu positionieren, statt blind zu investieren oder – vielleicht noch schlimmer – passiv zu bleiben.

Was misst die OECD – und warum ist das relevant für Unternehmen?

Die OECD vergleicht KI nicht anhand technischer Benchmarks oder Output-Metriken, sondern stellt die Frage: Wie weit sind KI-Systeme in zentralen menschlichen Fähigkeiten? Untersucht werden unter anderem:

  • Sprachverständnis und -produktion
  • Soziale Interaktion
  • Problemlösen und logisches Denken
  • Kreativität
  • Metakognition und kritisches Urteilsvermögen
  • Lernen und Gedächtnis
  • Visuelle und motorische Fähigkeiten
  • Robotische Intelligenz

Alle Fähigkeiten werden auf einer Skala von 1 (elementar) bis 5 (menschliche Äquivalenz) eingeordnet. Und das Ergebnis ist aufschlussreich: Selbst die besten KI-Systeme, wie etwa GPT-4o (Stand Herbst 2024!), erreichen lediglich maximal Level 3 – oft sogar nur Level 2. In vielen Bereichen sind sie schnell, aber nicht verlässlich, sprachgewandt, aber nicht kritisch, lernfähig, aber nicht anpassungsfähig.

FähigkeitStufe (1–5)Beschreibung
Sprache3Semantisches Verständnis, Mehrsprachigkeit, logisches Denken, aber noch schwache Argumentation.
Soziale Interaktion2Basisemotionen erkennbar, einfache Anpassungen, keine echte soziale Wahrnehmung oder Embodiment.
Problemlösen2Fähigkeit zu qualitativer Modellierung, aber brüchig bei komplexer oder sozialer Problematik.
Kreativität3Generiert neue Kombinationen und Transferleistungen, jedoch meist im Rahmen des Trainingskorpus.
Metakognition / kritisches Denken2Grundlegendes Monitoring eigener Leistung, aber keine echte Selbstreflexion oder Bewertung.
Wissen, Lernen & Gedächtnis3Kontextsensitives Lernen, jedoch ohne kontinuierliches Lernen oder Interaktion mit der Welt.
Visuelle Wahrnehmung3Robust bei moderaten Variationen; scheitert bei starker Kontextveränderung oder Rückkopplung.
Manipulation2Funktioniert in strukturierten Umgebungen; noch keine Anpassung an komplexe, dynamische Szenarien.
Robotische Intelligenz2Automatisierung einfacher Abläufe möglich, keine komplexe Interaktion mit Menschen oder Umwelt.

Wo KI dem Menschen weit überlegen ist – und warum genau dort ihr Einsatz besonders lohnt

Trotz aller berechtigten Einschränkungen und Unschärfen zeigt die OECD-Analyse auch sehr deutlich: In bestimmten Teilbereichen übertrifft KI den Menschen heute bereits deutlich – mit klar messbarem Nutzen für Unternehmen. Besonders stark ist KI in folgenden Fähigkeiten:

1. Verarbeitung großer Datenmengen in Echtzeit

KI-Systeme – insbesondere Machine-Learning-Modelle und moderne Large Language Models – können in Sekundenschnelle Millionen von Datensätzen analysieren, klassifizieren und auf Muster prüfen, die ein Mensch weder erkennen noch in sinnvoller Zeit auswerten könnte.

Typische Einsatzfelder:

  • Anomalieerkennung in Produktionsdaten (z. B. Predictive Maintenance)
  • Echtzeit-Analyse von Markt- oder Preisdaten
  • Auswertung großer Textmengen (Verträge, Gutachten, Support-Anfragen)

Nutzen:

  • Frühzeitige Risikoerkennung
  • Schnellere Entscheidungsfindung
  • Reduzierung manueller Analysearbeit

2. Automatisierung repetitiver, regelbasierter Aufgaben

KI ist bei streng definierten, sich häufig wiederholenden Tätigkeiten schneller, fehlerfreier und kostengünstiger als Menschen – insbesondere dann, wenn diese Tätigkeiten auf digital vorliegenden Informationen beruhen.

Typische Einsatzfelder:

  • Rechnungseingang und Belegverarbeitung
  • E-Mail-Kategorisierung und Beantwortung
  • Dokumentensuche, Klassifizierung, Verschlagwortung

Nutzen:

  • Einsparung von Personalressourcen für monotone Aufgaben
  • Erhöhung der Prozessqualität
  • Entlastung qualifizierter Fachkräfte für wertschöpfende Tätigkeiten

3. Mustererkennung und Vorhersage in komplexen Zusammenhängen

Gerade in Bereichen mit nicht-linearen Zusammenhängen oder vielen Variablen zeigt KI ihre Stärken: Durch das Erkennen latenter Muster, Zusammenhänge und Wahrscheinlichkeiten können Entscheidungen besser unterstützt oder automatisiert werden.

Typische Einsatzfelder:

  • Nachfrageprognosen im Handel
  • Churn-Analysen im Kundenservice
  • Supply-Chain-Optimierung

Nutzen:

  • Verbesserung der Planungsgenauigkeit
  • Früherkennung von Trends und Risiken
  • Optimierung von Beständen und Ressourcen

4. Verfügbarkeit rund um die Uhr – bei gleichbleibender Leistung

Im Gegensatz zum Menschen kennt KI keine Pausen, Müdigkeit oder Motivationsprobleme. Das macht sie besonders attraktiv für 24/7-Aufgaben, etwa im Kundenservice oder Monitoring.

Typische Einsatzfelder:

  • Chatbots und Sprachassistenten
  • IT-Systemüberwachung
  • Automatisierte Berichterstellung

Nutzen:

  • Verbesserte Erreichbarkeit und Reaktionszeit
  • Gleichbleibende Qualität
  • Reduktion von Nachtschicht- oder Bereitschaftskosten

Fazit: KI ist kein Ersatz für menschliche Intelligenz – aber ein starker Partner in spezifischen Disziplinen

Dort, wo Geschwindigkeit, Umfang, Präzision oder Verfügbarkeit gefragt sind, ist KI dem Menschen bereits heute nicht nur ebenbürtig, sondern weit überlegen. Genau dort liegt der wirtschaftlich sinnvollste Einstiegspunkt:

Nicht, um Menschen zu ersetzen – sondern um sie gezielt zu entlasten und zu ergänzen.

Die Herausforderung besteht also nicht darin, überall KI einzuführen, sondern sie genau dort einzusetzen, wo ihre Stärken mit den Anforderungen der Organisation übereinstimmen. Wer diese Disziplin beherrscht, erzielt sichtbaren Mehrwert bei geringem Risiko – und legt die Grundlage für skalierbare Effizienzgewinne und strategische Differenzierung.

Was heißt das konkret für Entscheider in Unternehmen?

Es bedeutet vor allem eines: KI kann bereits viel – aber nicht alles. Und sie kann schon heute massiven Nutzen stiften, wenn man sie klug einsetzt. Aber sie erfordert auch gezielte Entscheidungen:

  • Wo lohnt sich der KI-Einsatz tatsächlich – heute, mit dem derzeitigen Reifegrad?
  • Wo sind menschliche Fähigkeiten unersetzbar – und sollten gezielt gestärkt werden?
  • Welche Investitionen bringen kurzfristigen Impact – und welche sind risikobehaftet oder verfrüht?

Wer diese Fragen beantworten kann, vermeidet Fehlinvestitionen und positioniert sich als adaptives Unternehmen, das Chancen nutzt, ohne in technische Sackgassen zu geraten.

Ein Beispiel für KMU bis 1.500 Mitarbeiter

Nehmen wir an, ein produzierendes Unternehmen mit 800 Mitarbeitenden möchte KI strategisch einsetzen. Wie kann man das Risiko begrenzen und dennoch sinnvoll in KI investieren?

Was jetzt nützlich ist: Strukturierter Einstieg mit begrenztem Risiko und hohem strategischem Wert

Die Einführung von Künstlicher Intelligenz ist kein Technologieprojekt – sie ist ein Organisationsentwicklungsprozess. Der unten gezeigte Ansatz veranschaulicht exemplarisch wie mittelständische Unternehmen durch klare Strukturen, überschaubare Einstiegsinvestitionen und schrittweises Lernen wirksam, verantwortungsvoll und zukunftsfähig KI einführen können. Jeder der folgenden Schritte zahlt dabei direkt auf organisationales Lernen, digitale Reife und zukünftige Skalierbarkeit ein.

1. Regelmäßige extern moderierte „Potenzialanalyse-Workshops“ (PA)

Der Ausgangspunkt jeder erfolgreichen KI-Initiative sollte ein präzises Verständnis der eigenen Potenziale und Prioritäten sein. In professionell moderierten Workshops werden interne Prozesse, Datenquellen und Problembereiche strukturiert analysiert. Ziel ist es, sogenannte „niedrig hängende Früchte“ zu identifizieren: also Use Cases mit hohem Nutzen, geringem Reifegradbedarf und schneller Umsetzbarkeit.

Nutzen:

  • Frühzeitiger sichtbarer Mehrwert schafft interne Akzeptanz.
  • Vermeidung unnötiger Investitionen in komplexe oder unreife Anwendungsfelder.
  • Grundlage für eine strategisch gesteuerte KI-Einführung statt blindem Aktionismus.

2. Etablierung einer KI-Governance

Parallel zur Potenzialanalyse beginnt der Aufbau von Strukturen, Prozessen und Verantwortlichkeiten für den Umgang mit KI im Unternehmen. Das betrifft u. a. die Definition von Entscheidungspfaden, die Bewertung von Chancen und Risiken, ethische Leitplanken sowie die Kontrolle über Modellentscheidungen.

Nutzen:

  • Schafft Sicherheit im Umgang mit neuen Technologien.
  • Verhindert Wildwuchs und schafft Klarheit bei Zuständigkeiten.
  • Ermöglicht es, interne Prozesse mit regulatorischen Anforderungen (z. B. AI Act, Datenschutz) zu harmonisieren.

3. Begleitung des Kulturwandels

Technologische Veränderung gelingt nur, wenn sie von kulturellem Wandel begleitet wird. Es braucht Kommunikation, Transparenz und Beteiligung. Mitarbeitende müssen verstehen, wofür KI genutzt wird – und wofür nicht. Schulungen, interne Kampagnen und Dialogformate fördern Offenheit, reduzieren Unsicherheiten und stärken das Vertrauen in den Prozess.

Nutzen:

  • Reduziert interne Widerstände und Ängste.
  • Aktiviert verborgene Innovationspotenziale in Fachbereichen.
  • Unterstützt eine lernende Organisation, in der Experimente erlaubt und Fehler akzeptiert sind.

4. Schrittweise Umsetzung lohnenswerter Use Cases

Die aus der Potenzialanalyse hervorgehenden Anwendungsfälle werden in einer iterativen Roadmap priorisiert und umgesetzt. Der Fokus liegt auf praxisnahen Piloten, die rasch Ergebnisse liefern, aber skalierbar sind. Erfolgreiche Projekte dienen als Referenz und motivieren zur Ausweitung auf andere Bereiche.

Nutzen:

  • Klarer Return-on-Investment auf operativer Ebene.
  • Praktisches Erfahrungslernen innerhalb der Organisation.
  • Frühzeitiger Aufbau domänenspezifischer KI-Kompetenz.

5. Laufende Analyse des weiteren Bedarfs

KI-Einführung ist kein einmaliges Projekt, sondern ein dynamischer Entwicklungsprozess. Die kontinuierliche Beobachtung von Entwicklungen im Unternehmen, am Markt und in der Technologie ermöglicht es, neue Potenziale frühzeitig zu erkennen und zu integrieren.

Nutzen:

  • Sicherstellung langfristiger Relevanz der KI-Strategie.
  • Vermeidung blinder Flecken und sich entwickelnder Schatten-IT.
  • Ermöglicht eine agile Weiterentwicklung der gesamten KI-Landschaft.

6. Aufbau der Dateninfrastruktur

Parallel zur Use-Case-Entwicklung muss eine solide technische Basis geschaffen werden. Dazu zählen sichere Datenräume, standardisierte Schnittstellen, strukturierte Datenhaltung und geeignete Governance-Strukturen für Zugriff und Nutzung. Der Fokus liegt auf Skalierbarkeit, Sicherheit und Effizienz – nicht auf Großinvestitionen in Datenplattformen ohne konkreten Nutzungsplan.

Nutzen:

  • Reduziert Komplexität und fördert Wiederverwendbarkeit.
  • Ermöglicht schnelle Integration neuer Anwendungsfälle.
  • Schafft Vertrauen bei Stakeholdern (Datenschutz, Auditierung, Nachvollziehbarkeit).

7. Entwickeln von Partnerschaften

Gerade mittelständische Unternehmen profitieren enorm von strategischen Partnerschaften mit Technologieanbietern, Universitäten, Startups oder Beratungen. Der gezielte Zugang zu externem Wissen und Innovationen hilft, Ressourcen zu schonen und gleichzeitig auf dem neuesten Stand zu bleiben.

Nutzen:

  • Schnellere Realisierung mit geringerem Ressourcenaufwand.
  • Zugang zu Best Practices und neuesten Entwicklungen.
  • Aufbau eines nachhaltigen Ökosystems für digitale Innovation.

Wovon eher abzuraten ist: Investitionen mit zu hoher Abstraktion oder unklarem Reifegrad

  • Automatisierung komplexer Entscheidungsprozesse, etwa im HR- oder Rechtssystem, wo ethische Fragen und Kontextverständnis entscheidend sind.
  • Großprojekte zur vollständigen Prozessautomatisierung, bevor überhaupt klar ist, ob sich der Prozess für KI eignet.
  • Investitionen in robotische Systeme mit adaptivem Greifen oder Navigation, wenn die Umgebungsbedingungen nicht ausreichend standardisiert sind – die OECD-Indikatoren zeigen klar, dass KI in diesen Bereichen noch nicht zuverlässig ist.

Die eigentliche Botschaft: Nicht abwarten – sondern gezielt in Fähigkeiten investieren

Die OECD-Studie ist kein Grund zur Resignation, sondern ein Plädoyer für kluge, evidenzbasierte Entscheidungen. Unternehmen, die jetzt:

  • ihre Prozesse strukturiert analysieren,
  • ihre Mitarbeitenden befähigen, mit KI zu arbeiten,
  • und KI nicht als Ersatz, sondern als Verstärker menschlicher Fähigkeiten begreifen,

werden mittel- und langfristig einen deutlichen Wettbewerbsvorteil haben – sowohl durch Produktivitätsgewinne als auch durch Innovationskraft und Arbeitgeberattraktivität.

Fazit: Strategie schlägt Geschwindigkeit

Wer heute hektisch investiert, läuft Gefahr, morgen nachzurüsten. Wer aber gezielt Capabilities entwickelt – technologisch wie menschlich – kann mit jedem KI-Fortschritt wachsen.

KI ist kein Zauberstab. Aber sie ist auch keine ferne Zukunft. Sie ist ein Werkzeug, das gerade gelernt hat zu laufen – und nun zeigt sich: Wer es führen kann, führt auch den Wandel.

Zum Stand der Daten der OECD Studie

  • Die Expertenbewertungen und Einordnungen in den 5-stufigen Skalen basieren auf einer umfassenden Literatur- und Benchmarkanalyse, die bis Ende 2024 durchgeführt wurde.
  • Berücksichtigt wurden aktuelle Systeme wie GPT-4o, DeepSeek R1 V3, AlphaZero und autonome Roboter, wie sie zu diesem Zeitpunkt dokumentiert, getestet und publiziert waren.
  • Die Indikatoren wurden von über 50 führenden Expertinnen und Experten aus den Bereichen KI, Psychologie, Robotik und Bildungsforschung gemeinsam erarbeitet und durch einen strukturierten Peer-Review-Prozess im Spätherbst 2024 validiert.
Veröffentlicht am

KI: Nur ein Hype oder immer noch unterschätzt?

Während für den neuen Papst Leo XIV. der Umgang mit Künstlicher Intelligenz (KI) als die bedeutendste industrielle Revolution unserer Zeit gilt, beschäftigen sich die meisten Deutschen letzte Woche laut Google Trends bevorzugt mit „Naddel“ oder dem „ESC“. Selbst weltweit schafft es „ChatGPT“ gerade einmal auf Platz 13 der meistgesuchten Google-Begriffe des vergangenen Jahres, in Deutschland sogar nur auf Platz 16, hinter „NTV“ und „Google Maps“. Ja, zugegeben, hier werden Äpfel mit Tomaten verglichen. Doch der Kontrast zeigt auch: Für die breite Öffentlichkeit bleibt KI häufig noch ein abstraktes und schwer greifbares Thema. Können wir uns also beruhigt zurücklehnen und den Hype vergessen? Ganz sicher nicht.

Gartner Hype Cycle – Mehr als ein bloßes Trendbarometer

Ein Blick auf den „Gartner Hype Cycle“ zeigt, dass viele Technologien im Bereich der KI weit entfernt von ihrem optimalen Produktivitätsplateau sind. Das Modell beschreibt dabei fünf Phasen, die Technologien typischerweise durchlaufen: den technologischen Auslöser, den Gipfel der überzogenen Erwartungen, das Tal der Enttäuschungen, den Pfad der Erleuchtung und schließlich das Plateau der Produktivität. Doch es sei gleich gewarnt: Der Standort der Entwicklung sagt wenig darüber aus, ob die Anwendung auch lohnenswert ist, das hängt von zahlreichen Faktoren ab und ist überaus individuell. Es ist durchaus denkbar, dass sich ein Unternehmen bereits in einem frühen Stadium massive Wettbewerbsvorteile gegenüber Wettbewerbern durch die Anwendung einer neuen Technologie verschafft.

Abbildung: Vier exemplarische Anwendungen aus dem Bereich der KI

Vier exemplarische KI-Technologien zeigen, die Bandbreite der Entwicklungen und Reife

1. Retrieval-Augmented Generation (RAG)
RAG kombiniert große Sprachmodelle (LLMs) mit externen (also etwa unternehmenseigenen) Datenquellen, um präzisere, aktuellere und auf die Bedürfnisse der Anwender zugeschnittene Antworten zu generieren. Bei gut kuratieren Inhalten reduziert das zudem die Wahrscheinlichkeit von Halluzinationen und ermöglicht domänenspezifische Informationen (etwa interne Informationen eines Unternehmens) einzubeziehen.
RAG ist dennoch in einer frühen Phase, befindet sich aktuell in einem Hype. Obwohl die Technologie bereits heute relativ einfach zu implementieren und zu nutzen ist, ist weder technologisch noch faktisch das Potential nur annährend ausgeschöpft. Die Technologie verbindet Sprachmodelle mit eigenen und dritten Datenquellen, um präzisere, spezifische Antworten zu liefern – die Menge an Anwendungsfällen, etwa für den Kundensupport, das Wissensmanagement und die Forschung ist schier endlos.

2. Generative KI
Generative KI, mit ChatGPT als großer und insbesondere populärer Durchbruch gefeiert, ist im „Tal der Enttäuschungen“ angelangt. Viele Unternehmen kämpfen derzeit mit Herausforderungen bei der Implementierung. Dennoch bietet sie erhebliches Potenzial in der automatischen Erstellung von Texten, Bildern und personalisierten Inhalten. Die Technologie und ihre Anbieter sind hochdynamisch und insbesondere durch das Beispiel von Deepseek, sind die Modelle nun in der Lage frühzeitig zusätzliche Module – etwa für die Lösung von Spezialaufgaben – wie etwa mathematische Aufgaben, zu übernehmen. Sie werden dadurch effizienter, schneller und vor allem zulässiger. Die zunächst rein sprachlich kompetenten Modelle werden vielseitig und universeller, ohne, dass sie eine ihrer Kernkompetenz – die sprachlichen Fähigkeiten – verlieren.

3. Cloud AI Services
Diese Dienste stecken ebenfalls im „Tal der Enttäuschungen“, geplagt von hohen Kosten und Integrationsproblemen, die oftmals Infrastrukturprobleme sind. Dennoch bleiben sie attraktiv für die Skalierung von KI-Anwendungen und Echtzeit-Datenanalyse durch Machine Learning Operations (MLOps) etwa für die Verwaltung und Überwachung von Use Cases in der Produktion.

4. Computer Vision
Computer Vision, ist ein Bereich der Künstlichen Intelligenz (KI), der es Maschinen ermöglicht, visuelle Daten wie Bilder und Videos zu verarbeiten und zu verstehen, ähnlich wie ein Mensch. Mit Hilfe von maschinellem Lernen, insbesondere Deep Learning, können Computer Objekte erkennen, Muster identifizieren und Entscheidungen auf Basis von visuellen Informationen treffen. Dieser Bereich ist deutlich weiterentwickelt. Die Technik liefert bereits realen Mehrwert in der Qualitätssicherung, Sicherheitsüberwachung und insbesondere auch medizinischer Diagnostik.

Eric Schmidts Blick auf den Hype: Die unterschätzte KI-Revolution

In einem kürzlich erschienen Interview argumentiert Eric Schmidt, ehemaliger CEO von Google, eindrucksvoll, dass die KI-Revolution sogar noch weit unterschätzt wird. Der Wendepunkt war für ihn 2016, als AlphaGo einen Zug spielte, den Menschen in 2.500 Jahren nie gezogen hatten. Seitdem schreitet die Entwicklung rasant voran, jedoch meist unbemerkt von der Öffentlichkeit, die KI oftmals „nur“ als ChatGPT erlebt.

Schmidt betont, dass die tiefgreifendsten Veränderungen durch Reinforcement Learning und autonome KI-Agenten sehr schnell kommen werden. Sie unterstützen nicht nur Prozesse, sondern können sie auch vollständig automatisieren, so dass Agenten wie zuverlässige Mitarbeiter handeln – und das 24 Stunden am Tag und sieben Tage in der Woche. Allerdings stehen wir vor erheblichen Herausforderungen, wie enormen Energiebedarfen für Rechenzentren und ethischen Fragen rund um Autonomie und Überwachung. Für Unternehmen sind hier in den nächsten Jahren Produktivitätssprünge von jährlich 30% zu erwarten, die für viele noch außerhalb ihrer Vorstellungen liegen und deshalb besonders bedrohlich sind.

Die geopolitischen Risiken, speziell zwischen den USA und China, könnten zu gefährlichen Spannungen führen – Schmidt spricht von einem möglichen „Superintelligence Gap“, der zu realen Konflikten führen könnte. Dennoch überwiegen für ihn die Chancen: In der Medizin könnte KI alle schweren Krankheiten gezielt bekämpfen, in der Bildung könnte sie weltweit personalisierte Tutoren ermöglichen und in der Materialwissenschaft revolutionäre Innovationen hervorbringen.

Schmidts Empfehlung ist eindeutig: KI ist kein Sprint, sondern ein Marathon. Unternehmen, die jetzt nicht investieren, werden irrelevant.

Frühzeitig investieren – ein Muss für Bürger und Unternehmen

Was bedeutet das für uns, den normalen Bürger oder Unternehmer? Die klare Antwort lautet: Handeln! Unternehmen sollten dringend in ihre intellektuelle Infrastruktur investieren – vom Aufbau einer klaren Datenstrategie und KI-Kompetenzen in der Führungsebene bis hin zur Einrichtung von Cross-Functional AI-Teams und experimentellen Umgebungen (AI Sandboxes).

Für die breite Gesellschaft bedeutet dies, ein Verständnis für die Dringlichkeit des Themas zu entwickeln, Bildungschancen zu nutzen und frühe Leuchtturmprojekte zu fördern. KI wird unsere Lebens- und Arbeitswelt nachhaltig und auch schnell verändern, und diejenigen, die sich frühzeitig darauf einstellen, werden am meisten profitieren.

Meine Handlungsempfehlungen für Berater und Manager

I. Strategische Positionierung

  • Erkenne KI als Kernstrategie: KI ist nicht IT, sondern eine Management- und Geschäftsmodellfrage. Unternehmen, die das nicht verstehen, werden abgehängt.
  • Baue KI-Kompetenz in der Geschäftsleitung auf: Entscheidungsträger müssen mindestens ein funktionales Grundverständnis über agentenbasierte Systeme, Reinforcement Learning und Datenstrategie entwickeln.
  • Stärke auch die Veränderungskompetenz deines Unternehmens und seiner Mitarbeiterinnen und Mitarbeiter. Wissen wird dank KI immer schneller und hochwertiger verfügbar sein, es bedarf aber besonderer Kompetenzen das Wissen wertschöpfend einzusetzen.

II. Umsetzung in der Organisation

  • Identifiziere Prozesse mit hohem Automatisierungspotenzial: Beginne mit Use Cases mit schnellem ROI (z. B. Kundenservice, interne Anfragen, Dokumentation).
  • Etabliere KI-Teams crossfunktional: KI gehört nicht nur in die IT. Teams aus Fachbereichen, Datenwissenschaft und operativer Führung sind notwendig.
  • Entwickle ein System für experimentelle Nutzung: Ein „AI Sandbox“-Umfeld ermöglicht schnelle Iterationen ohne Produktionsrisiko.

III. Infrastruktur und Ökosystem

  • Investiere in Datenqualität und -verfügbarkeit: Eine robuste Datenstrategie ist der Engpass fast aller KI-Initiativen.
  • Bereite dich auf Rechenintensität vor: Überlege, ob dein Unternehmen langfristig Zugriff auf Cloud-Ressourcen oder lokale Inferenz benötigt.
  • Plane für Governance und Transparenz: Dokumentiere und beobachte KI-Entscheidungen, insbesondere bei agentenbasierten Systemen.

IV. Leadership und Kultur

  • Trainiere Führungskräfte im Umgang mit KI: Nicht nur technologisches, sondern auch ethisches und geopolitisches Verständnis wird essenziell.
  • Stärke die Innovationskultur: Ermutige zum Experimentieren, scheitern und schnellen Lernen.
  • Beziehe Belegschaft in Transformation ein: Nimm Ängste ernst, kommuniziere klar die Rollenverschiebung – von Arbeit durch Menschen zu Arbeit mit Maschinen.

V. Geopolitik und Ethik im Blick behalten

  • Achte auf Open-Source-Risiken: Beurteile genau, welche Modelle sicher in deiner Organisation einsetzbar sind.
  • Definiere Exit-Strategien für gefährliche Systeme: Notfallpläne bei unvorhersehbaren autonomen Entscheidungen sind Pflicht.

Die wahre Revolution der Künstlichen Intelligenz hat gerade erst begonnen.

Quellen:

Veröffentlicht am

Vertrauen ist die Basis für eine erfolgreiche Einführung von KI

Studie zur Wahrnehmung und Akzeptanz von KI durch Mitarbeiter und Führungskräfte

Unternehmen nutzen Künstliche Intelligenz (KI) immer häufiger, um Entscheidungsprozesse zu unterstützen oder sogar zu automatisieren. Doch was beeinflusst die Akzeptanz bei einer Einführung? Das Center for Leadership and Behavior in Organizations (CLBO) an der Goethe-Universität Frankfurt, das Deutsche Forschungszentrum für Künstliche Intelligenz (DFKI), die F.A.Z.-Digitalwirtschaft und die Unternehmensberatung Groß & Cie. haben in einer gemeinsamen gemeinsamen Studie untersucht, wie Führungskräfte und Mitarbeitende den Einsatz von KI wahrnehmen und welche Faktoren die Akzeptanz der Technologie beeinflussen.

Die Ergebnisse zeigen, dass Beschäftigte insbesondere dann skeptisch sind, wenn KI unmittelbar in personalrelevante Entscheidungen eingreift. Während Anwendungen wie IT-Support oder automatisierte Textzusammenfassungen eine überwiegend positive Resonanz erfahren, lässt das Vertrauen deutlich nach, sobald KI in Prozesse wie Kündigungen, Beförderungen oder Leistungsbeurteilungen involviert wird. In diesen Bereichen befürchten Mitarbeitende mögliche Ungerechtigkeiten oder mangelnde Nachvollziehbarkeit der Entscheidungsgrundlagen.

Abbildung: Vertrauen in Künstliche Intelligenz auf einer Skala 1 bis 7 (1 = „gar kein Vertrauen“, 7 = „völliges Vertrauen“)

Ein weiterer zentraler Befund betrifft den Grad der Autonomie, den die Beschäftigten der KI zugestehen. Ob Führungskräfte Entscheidungen selbst treffen oder sie mithilfe von KI unterstützen lassen, spielt für die Mitarbeitenden kaum eine Rolle. Sobald jedoch KI eigenständig entscheidet, sinkt die Akzeptanz spürbar – selbst bei eigentlich vorteilhaften Maßnahmen wie Gehaltserhöhungen oder Bonuszahlungen. Gleichzeitig steigt in solchen Szenarien die Bereitschaft, Entscheidungen zu hinterfragen und offene Diskussionen zu führen. Diese neuen Formen der organisationalen Friktion müssen von Unternehmen aktiv gemanagt werden, um den erfolgreichen Einsatz von KI sicherzustellen.

Im Gegensatz zu den Mitarbeitenden stehen Führungskräfte dem Einsatz von KI durchweg positiver gegenüber. Sie sehen die Technologie als wertvolle Unterstützung ihrer Führungsarbeit, etwa bei der Empfehlung für Beförderungen oder der Analyse von Leistungsdaten. Selbst in rechtlich sensiblen Bereichen bewerten sie KI-Anwendungen deutlich optimistischer als ihre Teams. Dies unterstreicht die Bedeutung digitaler Kompetenz und transparenter Kommunikation auf Führungsebene, um eine breite Akzeptanz in der Belegschaft zu fördern.

Handlungsempfehlungen für Manager, die KI schnell in ihrem Unternehmen einführen wollen

  1. Schrittweise Einführung über unterstützende Anwendungen
    • Starten Sie mit KI-Tools für Assistenzaufgaben (z. B. Textanalyse, IT-Support), da hier bereits ein hohes Vertrauen besteht.
    • Vermeiden Sie zu Beginn rein automatisierte Entscheidungen in sensiblen Bereichen, um Friktionen zu minimieren.

Abbildung: Vertrauen in Künstliche Intelligenz in Abhängigkeit von Digital Leadership auf einer Skala 1 bis 7 (1 = „gar kein Vertrauen“, 7 = „völliges Vertrauen“)

  1. Starke digitale Vorbildfunktion („Digital Leadership“) zeigen
    • Führungskräfte sollten aktiv selbst KI-Tools nutzen und Erfolge teilen.
    • Bieten Sie Trainings und Hands-on-Workshops an, um Skepsis abzubauen und Know-how aufzubauen.
  2. Identitätsstiftende Führung kultivieren
    • Betonen Sie gemeinsame Unternehmenswerte und vermitteln Sie ein Gefühl der Zusammengehörigkeit.
    • Fördern Sie eine psychologische Sicherheit, in der Fehler als Lernchance gelten – so steigt die Bereitschaft, neue KI-Ansätze auszuprobieren.
  3. Transparenz und Erklärbarkeit sicherstellen
    • Verwenden Sie Explainable AI-Ansätze, um Entscheidungsgrundlagen von KI für alle nachvollziehbar zu machen.
    • Kommunizieren Sie offen über Einsatzbereiche, Grenzen und Verantwortlichkeiten.
  4. Mitarbeitende frühzeitig einbeziehen
    • Führen Sie Pilotprojekte in kleinen Teams durch und holen Sie Feedback ein.
    • Implementieren Sie einen kontinuierlichen Feedback- und Verbesserungsprozess, um Bedenken direkt zu adressieren.
  5. Risiken proaktiv managen
    • Legen Sie klare Richtlinien für den Umgang mit sensiblen Daten und ethischen Fragestellungen fest.
    • Planen Sie Umschulungs- und Weiterbildungsprogramme, um Jobverluste durch Automatisierung abzufedern.
  6. Kontinuierliches Monitoring und Anpassung
    • Messen Sie regelmäßig Akzeptanz, Vertrauen und Leistung Ihrer KI-Projekte.
    • Passen Sie Tool-Einsatz und Governance-Strukturen agil an gewonnene Erkenntnisse an.

Unternehmen sollten bei der Einführung von KI-Systemen vor allem auf eine offene Begleitung setzen: Transparente Kommunikation, klare Erläuterung der Abläufe und kompetente Führung sind dabei entscheidend. Denn KI steigert zwar die Effizienz von Entscheidungsprozessen, verändert jedoch zugleich bestehende Machtverhältnisse. Wie Rolf van Dick vom CLBO betont, ist es deshalb unerlässlich, neben der Technologie auch in Führungsstärke und in den Aufbau psychologischer Sicherheit im Team zu investieren.

Zunächst gilt es, die Einstellung von Führungskräften und Mitarbeitenden gegenüber KI genau zu ermitteln. Michael Groß von Groß & Cie. weist darauf hin, dass die echte Akzeptanz von KI als gleichberechtigter „Arbeitskollege“ gerade dann nicht selbstverständlich ist, wenn es um die persönliche Arbeit oder die eigene Karriere geht. Eine solche Bestandsaufnahme bildet die Grundlage dafür, KI erfolgreich und vertrauensvoll im Unternehmen zu verankern.

Details zur Studie

1. Zielsetzung und Studiendesign
zwischen Januar und März 2025 wurden 1 028 Teilnehmende (62 % in Führungsposition, 38 % Mitarbeitende) per Online-Fragebogen befragt.
Die zentralen Forschungsperspektiven waren:

  • Verbreitung der KI-Nutzung im Arbeitsalltag
  • Ausmaß und Bereiche des Vertrauens in KI
  • Einfluss von Führungsverhalten und Teamklima auf Akzeptanz
  • Wahrnehmung von KI-gestützten vs. rein menschlichen Entscheidungen anhand von Szenarien

Der mehrstufige Fragebogen umfasste:

  1. Eigene KI-Nutzung
  2. Vertrauen in verschiedene KI-Anwendungen
  3. Führungsstil und digital-psychologisches Klima
  4. Szenarienbasierte Bewertung von Bonusentscheidungen mit unterschiedlichen Entscheidungsträgern (Management allein, Management + KI, Berater, KI allein)

2. Stichprobe

  • Alter: 30 % 18–49, 41 % 50–59, 29 % ≥ 60 Jahre
  • Geschlecht: 25 % Frauen, 74 % Männer, 0,3 % Divers
  • Unternehmensgröße: stärkere KI-Nutzung in großen Unternehmen

3. Verbreitung der KI-Nutzung

  • >80 % aller Befragten nutzen KI-Tools im Arbeitsalltag.
  • Führungskräfte (84 %) etwas mehr als Nicht-Führungskräfte (81 %).
  • In Großunternehmen (≥ 500 Mitarbeitende) liegt die Nutzungsrate bei 87 %, in kleinen bei 76 %.
    → KI ist bereits fest im Berufsalltag verankert

4. Vertrauen in KI-Anwendungen

  • Hohe Vertrauenswerte (Skala 1–7) bei unterstützenden Tools, z. B.:
    • Textzusammenfassungen: FK 5,64 vs. NF 5,48
    • IT-Support: FK 5,55 vs. NF 5,31
  • Geringeres Vertrauen bei managementrelevanten Entscheidungen:
    • Einstellungsempfehlungen: FK 3,70 vs. NF 3,42
    • Leistungsbewertungen: FK 3,30 vs. NF 2,86
  • Vollautomatisierte Managemententscheidungen werden deutlich abgelehnt, KI als Unterstützung eher akzeptiert.
  • Führungskräfte vertrauen KI durchgängig stärker als Mitarbeitende, auch in rechtlich sensiblen Bereichen (z. B. Kündigungen, Beförderungen).

5. Wahrnehmung von Chancen und Risiken

  • Chancen: Produktivitätssteigerung (FK 5,39 vs. NF 5,00), neue Geschäftsmöglichkeiten (FK 5,26 vs. NF 4,77)
  • Risiken:
    • Wegfall von Stellen: FK 3,43 vs. NF 3,82
    • Gefahr des eigenen Jobverlusts: FK 1,68 vs. NF 2,02
      Insgesamt sehen Führungskräfte mehr Chancen, Mitarbeitende mehr Risiken. ​

6. Rolle von Führung und Teamklima

  • Digitale Führungskompetenz (Digital Leadership) der Vorgesetzten fördert Offenheit der Mitarbeitenden für KI-Tools.
  • Identity Leadership (Gemeinschaftsgefühl, gemeinsame Werte) korreliert mit höherer digitaler Bereitschaft und psychologischer Sicherheit: Fehlertoleranz und Experimentierfreude nehmen zu.

7. Szenarienbasierte Bewertung von Entscheidungsprozessen

  • Bonusentscheidungen, wenn KI nur unterstützend eingesetzt wird, werden als transparenter und leichter nachvollziehbar empfunden.
  • Automatisierte Entscheidungen durch KI allein führen zu wahrgenommener Intransparenz und höherem Diskussionsbedarf – Friktionskosten steigen.
  • Diese negativen Effekte sind bei Mitarbeitenden und Führungskräften ähnlich ausgeprägt; vollautomatisierte Prozesse hemmen Akzeptanz deutlich.

Quellen

Veröffentlicht am

Deutschland droht beim KI-Einsatz in der Industrie den Anschluss zu verlieren

Die Studie „Industrie 4.0 Barometer 2025“ der Ludwig-Maximilians-Universität München und der Unternehmensberatung MHP zeigt auf, dass Deutschland und die DACH-Region beim Einsatz von Künstlicher Intelligenz (KI) und digitalen Technologien in der Industrie international ins Hintertreffen geraten. Besonders beunruhigend: Nur 19% der befragten Unternehmen setzen KI produktiv ein. Im Gegensatz dazu treiben China und die USA mit offensiven Datenstrategien, moderner IT-Infrastruktur und hochqualifizierten Fachkräften die digitale Transformation aktiv voran. Weniger als ein Fünftel der befragten Unternehmen gaben an, dass KI in der Produktion die Effizienz erhöht oder Kosten senkt: Das, so Oliver Kelkar von MHP „ist definitiv zu wenig für die Wettbewerbsfähigkeit und für die notwendige Automation vor dem Hintergrund von Fachkräftemangel und preisagressivem globalem Wettbewerb“. KI bestehe nur zu zehn Prozent aus „Magie“, der Rest sei schweißtreibende Arbeit für exzellente Daten.

Der Einfluss der Künstlichen Intelligenz (KI) auf die Wettbewerbsfähigkeit wird als enorm eingeschätzt – auch wenn die Umsetzung in der Produktion durch die lange Lebensdauer der Anlagen noch Zeit benötigt. Zukünftig sollen Produktionssysteme nicht mehr starr und hardwarezentriert agieren, sondern durch den Einsatz von KI und digitalen Technologien deutlich flexibler werden. KI übernimmt dabei die Rolle des „Gehirns“ der Produktionsanlagen, indem sie Maschinen autark steuert, optimiert und dynamisch anpasst.

Ein zentraler Erfolgsfaktor ist die KI-Kompetenz im Management. Obwohl die deutsche Industrie hier Fortschritte verzeichnet, besteht international ein deutlicher und sogar wachsender Kompetenzunterschied. Besonders problematisch ist, dass oft langjährige Manager ohne ausreichende Kenntnisse in KI und Softwareentwicklung mit der Implementierung digitaler Projekte betraut werden – ein Ansatz, der aufgrund der unterschiedlichen Herangehensweisen an hardwarebezogene versus digitale Projekte problematisch ist: „Die deutsche Industrie hat bei ihren KI-Kompetenzen zwar Fortschritte gemacht, aber die Lücke fällt im internationalen Vergleich deutlich aus und wird eher größer“, erläutert Johann Kranz, Professor für Digital Services und Nachhaltigkeit an der LMU München.

Herausforderungen in der DACH-Region:

  • Veraltete IT-Infrastrukturen und hartnäckige Datensilos behindern die Integration von Industrie-4.0-Technologien.
  • Fehlende Datenstrategie und ein defensiver Umgang mit Daten (Fokus auf Compliance statt Innovation).
  • Geringe KI-Kompetenz im Management – oft sind hardwarenah geprägte Führungskräfte für digitale Themen zuständig.
  • Fachkräftemangel und fehlende Weiterbildungsangebote im Bereich Datenkompetenz.
  • Zu geringe Einbindung von CIOs in die Geschäftsleitung (nur bei 49 % der Unternehmen, im Vergleich zu 92 % in China).

Stärken der internationalen Wettbewerber:

  • China setzt auf dezentrale Datenarchitekturen, flexible Steuerung durch KI und flächendeckende Sensorik.
  • In den USA und China wird KI zur Entwicklung neuer Geschäftsmodelle und zusätzlicher Einnahmequellen genutzt.
  • Digitale Zwillinge, Machine-to-Machine-Kommunikation und Traceability sind dort Standardtechnologien.

Handlungsempfehlungen für Manager und Eigentümer mittelständischer und großer Unternehmen

1. Digitale Führungsstrukturen neu denken
  • CIO als strategischer Impulsgeber: Einbindung eines technologieaffinen CIO in die Geschäftsleitung. Studien belegen einen Produktivitätsvorteil von bis zu 31 % durch diese Maßnahme (MHP/LMU, 2025).
  • Führungspersonal gezielt weiterbilden in datengetriebenem Denken, digitaler Innovationssteuerung und KI-Kompetenz.
2. Datenstrategie als Kernelement der Unternehmensstrategie verankern
  • Von defensiver zu offensiver Datenstrategie wechseln: Daten nicht nur zur Optimierung, sondern gezielt zur Entwicklung neuer Produkte, Services und Geschäftsmodelle nutzen (MIT Sloan Management Review, 2022).
  • Daten als Asset betrachten – Aufbau von Datenprodukten, Monetarisierungsstrategien und Governance-Strukturen.
3. IT-Architektur modernisieren und skalierbar gestalten
  • Legacy-Systeme systematisch ablösen, offene und interoperable Systemlandschaften aufbauen.
  • Datensilos abbauen durch Cloud-Lösungen, APIs und zentrale Datenplattformen.
4. Technologieeinsatz entlang der gesamten Wertschöpfungskette
  • Einsatz von Sensorik, digitalen Zwillingen, Machine Learning und automatisierter Steuerung priorisieren.
  • Prozesse mit KI verbessern – von Predictive Maintenance bis zur autonomen Produktionssteuerung.
5. Unternehmenskultur und Weiterbildung
  • Digitales Mindset fördern: Kulturwandel durch Schulungen, cross-funktionale Teams und Innovationsprogramme.
  • Kontinuierliche Weiterbildung in den Bereichen Datenanalyse, Automatisierung, KI und Softwareentwicklung.
6. Innovationspartnerschaften und Ökosysteme nutzen
  • Kooperationen mit Startups, Forschungsinstituten und Technologiepartnern ausbauen.
  • Nutzung staatlicher Förderprogramme (z. B. Innovationsprämie Digitalisierung, GAIA-X-Projekte).
7. Messen, Benchmarken, Skalieren
  • KPIs zur digitalen Reife, Nutzung von KI und Automatisierungsgrad definieren.
  • Pilotprojekte zur Skalierung befähigen – Fokus auf skalierbare Proof-of-Concepts mit klar messbarem ROI.

Quellenangaben / Primärquelle:

Weitere Quellen zur Untermauerung der Empfehlungen: