KI-Beratung & Strategie

Fast jedes Unternehmen hat mehr KI-Ideen als Kapazität, sie umzusetzen. Gleichzeitig ist der Markt unübersichtlich. Fertige Assistenten, Funktionen in vorhandener Software und Eigenentwicklungen konkurrieren um dieselben Aufgaben, und die Versprechen der Anbieter lassen sich von außen kaum vergleichen. Viele Vorhaben scheitern weniger an der Technik als an unklarem Nutzen, fehlenden Daten oder fehlender Zuständigkeit.

Wir helfen bei der Entscheidung, wo KI sich lohnt, in welcher Form und in welcher Reihenfolge. Das Ergebnis ist eine bewertete Liste von Use Cases, eine Einschätzung der Datenlage und eine Roadmap, die sich in Projekte übersetzen lässt. Gebaut wird in dieser Phase nichts. Ob ein Ansatz an den eigenen Daten die nötige Qualität erreicht, klärt ein Proof of Concept, und wie ein Unternehmen insgesamt mit Daten arbeitet, die Datenstrategie. Wir sagen auch offen, wo KI nicht die richtige Lösung ist.

Use Cases bei den Fachbereichen finden

Gute Ideen entstehen dort, wo die Arbeit stattfindet. Wir sprechen mit den Fachbereichen über Abläufe, nicht über Technik. Wo entstehen Wartezeiten? Wo tragen Mitarbeitende immer wieder Informationen von Hand zusammen? Wo werden große Mengen Text, Dokumente oder Bilder bearbeitet, und wo hängen Entscheidungen an Prognosen? Meist landen wir bei Anfragen und Tickets, Dokumenten, Wissenssuche, Berichten und Bedarfsprognosen.

Jede Idee wird kurz beschrieben: Aufgabe, Beteiligte, heutiger Aufwand, benötigte Daten, erwartete Wirkung. Bewertet wird nach fünf Kriterien. Beim Nutzen geht es darum, wie viel Zeit, Geld oder Qualität auf dem Spiel steht und wie sich der Effekt messen lässt. Die Machbarkeit fragt, ob die Aufgabe mit heutigen Modellen in der nötigen Qualität lösbar ist, die Datenlage, ob die Daten vorhanden, zugänglich, aktuell und mit passenden Berechtigungen nutzbar sind. Das Risiko beschreibt, was bei Fehlern passiert und wie leicht sie auffallen, fachlich, rechtlich und organisatorisch. Die Betriebskosten schließlich umfassen Lizenzen, Nutzung, Infrastruktur, Pflege und Support.

Die Kriterien gewichten wir gemeinsam, denn eine kleine Zeitersparnis bei hohem Volumen kann mehr wert sein als ein großer Effekt bei einer seltenen Aufgabe. Welche Pflichten sich aus dem EU AI Act ergeben, behandelt der gleichnamige Schwerpunkt, Fragen zu Hosting und Datenflüssen der Schwerpunkt zu datenschutzkonformer KI.

Wo KI hilft und wo nicht

KI eignet sich vor allem für Aufgaben mit Sprache, Dokumenten oder vielen ähnlichen Fällen, bei denen ein Vorschlag genügt, den ein Mensch prüft: Entwürfe für Texte und Antworten, Zusammenfassungen, das Einordnen von Anfragen, das Auslesen von Dokumenten, die Suche in Wissensbeständen oder Prognosen auf Basis vorhandener Zeitreihen. Weniger geeignet sind Aufgaben mit festen Regeln, die sich ohne KI zuverlässiger und günstiger automatisieren lassen, exakte Berechnungen, die immer reproduzierbar sein müssen, seltene Aufgaben mit kleinem Volumen und Entscheidungen mit hohem Schaden, bei denen Fehler nicht auffallen.

Ein häufiger Befund ist außerdem, dass der Prozess selbst unklar ist. KI würde dann ein Vorgehen automatisieren, das niemand genau beschreiben kann. Dann ist es sinnvoller, zuerst den Ablauf zu klären oder mit einfacher Automatisierung zu beginnen. Ähnlich verläuft es, wenn jemand mit einem Werkzeug anfängt und danach Anwendungen sucht. Am Ende stehen Lizenzen, die kaum genutzt werden.

Kaufen, konfigurieren oder bauen

Für dieselbe Aufgabe gibt es meist drei Wege. Ein fertiger Assistent wie Microsoft Copilot deckt allgemeine Aufgaben wie Texte, Zusammenfassungen und Recherche ab. Die Einführung geht schnell und braucht wenig Anpassung, der Nutzen hängt aber davon ab, ob die Teams ihn im Alltag verwenden. Viele Anwendungen bringen außerdem eigene KI-Funktionen mit, etwa CRM-Systeme, BI-Werkzeuge oder Ticketsysteme, und mit Low-Code-Werkzeugen lassen sich eigene Assistenten ohne Programmierung zusammenstellen. Der Vorteil ist die Nähe zu Daten und Berechtigungen, die schon in der Software liegen.

Die eigene Anwendung ruft ein Sprachmodell oder ein Machine-Learning-Modell über die Plattform eines Cloud-Anbieters auf. Das lohnt sich bei besonderen Abläufen, tiefer Integration oder Anforderungen, die kein Produkt erfüllt. Dafür fallen Entwicklung, Tests, Betrieb und Pflege an.

Wir prüfen zuerst, ob ein vorhandenes Produkt die Aufgabe abdeckt. Verglichen werden Lizenzkosten pro Person, nutzungsabhängige Kosten, die Abhängigkeit vom Anbieter und der Aufwand für den Betrieb. Wie man Assistenten einführt und Modelle auswählt, beschreibt der Schwerpunkt zu generativer KI.

Datenlage, Roadmap und Zuständigkeiten

Ob ein Use Case funktioniert, entscheidet sich oft an den Daten. Für die priorisierten Vorhaben prüfen wir, ob die Daten vorhanden, in brauchbarer Qualität, technisch zugänglich und aktuell genug sind und ob Berechtigungen und Datenschutz passen. Es geht nur um die Daten, die der jeweilige Use Case braucht. Das ersetzt keine Datenstrategie, zeigt aber, wo Grundlagen fehlen.

Die Roadmap bringt die Vorhaben in eine Reihenfolge und berücksichtigt Abhängigkeiten, etwa eine Datenbasis, die mehrere Vorhaben nutzen. Pro Vorhaben benennt sie eine verantwortliche Person im Fachbereich und legt Entscheidungspunkte fest. Ohne diese Person fehlt der Anlass, Ergebnisse zu prüfen und weiterzuentwickeln. Wenige Vorhaben, die fertig werden, sind besser als viele parallele Pilotprojekte. Zur Organisation gehört außerdem, wer KI-Vorhaben verantwortet, wer Ergebnisse prüft und welche Kompetenzen intern vorhanden sein müssen. Wir benennen, was aufgebaut, zugekauft oder geschult werden sollte.

Nutzen messen, bevor das Projekt startet

Der Nutzen wird vor dem Start festgelegt, nicht danach. Dazu gehören der Ausgangswert im heutigen Ablauf, ein Zielwert, ein Qualitätsmaß und die erwarteten Betriebskosten. Nach der Einführung erfassen wir dieselben Werte erneut, dazu Nutzung und Qualität im Alltag, etwa durch Stichproben. Zeitersparnis ist nur dann Nutzen, wenn die Zeit anders eingesetzt wird. Außerdem legen wir vorab fest, bei welchen Werten ein Vorhaben fortgesetzt, angepasst oder beendet wird.

Überzogene Erwartungen entstehen meist durch Demos. Sprachmodelle formulieren überzeugend, auch wenn eine Aussage falsch ist, und eine fehlerfreie Antwort in der Vorführung sagt wenig über die Quote im Alltag. Hilfreich ist der Vergleich mit dem heutigen Prozess, denn auch manuelle Abläufe machen Fehler. Auch Anbieterversprechen prüfen wir. Gartner beschreibt unter dem Begriff „Agent Washing“, dass bestehende Chatbots und Automatisierungen als Agenten vermarktet werden.

Wie weit Anspruch und Wirklichkeit auseinanderliegen, zeigen Umfragen. In der McKinsey-Umfrage „The state of AI in 2025“ gaben knapp zwei Drittel der Befragten an, dass ihr Unternehmen KI noch nicht unternehmensweit ausbaut. In einer Gartner-Umfrage unter CIOs vom Oktober 2026 sagten nur 13 Prozent, ihr Unternehmen habe bisher erheblichen oder transformativen Nutzen aus KI gezogen. Gartner prognostizierte 2025 außerdem, dass über 40 Prozent der Agenten-Projekte bis Ende 2027 eingestellt werden, wegen Kosten, unklarem Nutzen oder unzureichender Risikokontrolle. Die Kosten je verarbeiteter Textmenge sind für Modelle einer bestimmten Leistungsklasse in den letzten Jahren deutlich gesunken. Die Gesamtkosten sinken deshalb nicht automatisch, denn mit der Nutzung wächst der Verbrauch, und Modelle, die vor der Antwort länger rechnen, benötigen mehr.