Fragen Sie zehn Unternehmen nach ihrer KI-Strategie, und viele zeigen Ihnen eine Liste: den Assistenten, den alle nutzen dürfen, einen Chatbot auf der Website, drei Pilotprojekte in verschiedenen Abteilungen. So eine Liste ist keine Strategie. Sie sagt nicht, welchen Zielen KI dienen soll, welche Vorhaben zuerst kommen, was das Unternehmen aufbauen muss, um sie zu skalieren, und worauf es bewusst verzichtet. Das übliche Ergebnis ist ein Stapel Pilotprojekte, die nie im Arbeitsalltag ankommen.
Dieser Artikel ist Teil 1 von Level 4, der Expertenstufe unseres Lernpfads AI Work. Die Level 0 bis 3 haben einzelne Anwendungsfälle, die Tool-Auswahl, Abläufe und Pilotprojekte behandelt. Jetzt betrachten Sie das ganze Unternehmen. Sie lernen, eine Ambition festzulegen, Anwendungsfälle als Portfolio zu steuern, die nötigen Fähigkeiten zu benennen, zwischen Kaufen und Bauen zu entscheiden, eine Roadmap in drei Horizonten zu planen und sie in Stufen zu finanzieren. Die übrigen Teile dieses Levels vertiefen ROI, Governance, Akzeptanz und agentische Abläufe.
Strategie heißt entscheiden
Eine KI-Strategie ist eine kurze Reihe von Entscheidungen, die Unternehmensziele mit KI-Anwendungsfällen verbindet — und mit den Fähigkeiten, die diese Anwendungsfälle brauchen. Sie beantwortet vier Fragen: Wo soll KI für uns Wert schaffen? In welcher Reihenfolge? Was müssen wir dafür aufbauen? Woran erkennen wir, dass es wirkt?
Die erste Entscheidung ist die Ambition. Drei Stufen sind üblich:
- Effizienz: die heutige Arbeit mit weniger Aufwand erledigen, etwa schnellere Antworten im Kundenservice oder weniger Abtippen von Daten.
- Besserer Service und bessere Produkte: Qualität, Tempo oder Kundenerlebnis verbessern, etwa Antworten rund um die Uhr oder passendere Angebote.
- Neues Geschäft: etwas anbieten, das nur mit KI funktioniert, etwa einen neuen Service auf Basis Ihrer eigenen Daten.
Viele Unternehmen beginnen mit Effizienz. Das ist in Ordnung, sollte aber offen gesagt werden. Eine Effizienz-Ambition braucht ein anderes Portfolio, ein anderes Budget und andere Kennzahlen als der Anspruch, neues Geschäft aufzubauen.
Schreiben Sie die Strategie auf eine Seite. Braucht sie dreißig Folien, ist sie meist eine verkleidete Projektliste. Die Abbildung zeigt die sieben Entscheidungen, die auf diese Seite gehören; der Rest des Artikels geht sie der Reihe nach durch.
Anwendungsfälle als Portfolio steuern
Ein Use Case (Anwendungsfall) ist eine bestimmte Aufgabe in einem bestimmten Prozess, bei der KI hilft, etwa „Antworten auf Lieferfragen im Helpdesk entwerfen“. Sammeln Sie Use Cases aus allen Abteilungen. Level 3 hat mit einer ähnlichen Matrix einen einzelnen Pilot ausgewählt; hier ordnet sie das ganze Portfolio. Bewerten Sie jeden Use Case auf zwei Achsen:
- Wert: die Wirkung auf ein Unternehmensziel, wie oft die Aufgabe anfällt und wie viel Zeit, Umsatz oder Risiko daran hängt.
- Machbarkeit: ob die Daten vorhanden und gut genug sind, ob der Prozess klar ist, wie hoch das Risiko ist, wie aufwendig die Anbindung wird und ob das nötige Können im Haus ist.
An der Machbarkeit scheitern viele Use Cases. Ein Anwendungsfall kann wertvoll und trotzdem nicht reif sein, etwa weil die Kundendaten in fünf Systemen liegen. Level 0 erklärt, warum KI gute Unternehmensdaten braucht.
Die vier Felder führen zu vier verschiedenen Schritten. Schnelle Erfolge kommen in die nächste Pilotwelle. Strategische Wetten starten nicht als Pilot, sondern mit der Fähigkeit, die ihnen fehlt — oft mit den Daten. Selbstbedienung braucht kein zentrales Projekt: Geben Sie ein Standard-Tool frei, und die Teams nutzen es. Was Sie parken, kommt bei der nächsten jährlichen Prüfung wieder auf den Tisch.
Dann gleichen Sie das Portfolio aus. Nur schnelle Erfolge sparen Zeit, verändern aber nie, wie das Unternehmen arbeitet. Nur strategische Wetten zeigen ein Jahr lang keine Ergebnisse und verlieren Rückhalt. Ein ausgewogenes Portfolio kombiniert mehrere schnelle Erfolge, die Können und Vertrauen aufbauen, mit wenigen strategischen Wetten und einigen kleinen Experimenten. Die Tabelle zeigt, wie ein Beispielportfolio aussehen könnte:
| Use Case (Beispiel) | Wert | Machbarkeit | Entscheidung |
|---|---|---|---|
| Antworten auf häufige Supportfragen entwerfen | Hoch: viele Tickets jeden Tag | Hoch: Hilfeseiten und Ticketverlauf sind vorhanden | Schneller Erfolg, Horizont 1 |
| Daten aus Lieferantenrechnungen erfassen | Hoch: viel Abtippen von Hand | Hoch: Standarddokumente, klare Regeln | Schneller Erfolg, Horizont 1 |
| Lagerbestände prognostizieren | Hoch: weniger Überbestand, weniger Fehlbestand | Niedrig: Verkaufsdaten über Systeme verstreut | Strategische Wette: erst die Daten, Horizont 2 |
| Agent, der Bestellungen selbstständig ändert | Hoch: spart viele Schritte | Niedrig: braucht Schreibrechte und starke Kontrollen | Strategische Wette, Horizont 3 |
| Meeting-Protokolle | Mittel | Hoch: fertige Tools gibt es | Selbstbedienung mit einem freigegebenen Tool |
| Chatbot für seltene Themen | Niedrig: wenige Anfragen | Niedrig: kaum Inhalte, aus denen er lernen kann | Parken |
Die nötigen Fähigkeiten benennen
Pilotprojekte scheitern beim Ausrollen immer wieder an denselben Stellen: fehlende Daten, fehlendes Können, keine Plattform, auf der sie laufen. Das sind Fähigkeiten — etwas, das das Unternehmen einmal aufbaut und in vielen Use Cases wiederverwendet. Drei sind am wichtigsten:
- Daten. Saubere Kerndaten in CRM, Helpdesk und ERP-System, eine verantwortliche Person für jeden wichtigen Datenbestand und eine Dokumentation, die ein Bot als Wissen nutzen kann.
- Können. KI-Grundwissen für alle, Champions in jedem Team und einige Spezialistinnen und Spezialisten, die KI-Ergebnisse bewerten, Prompts schreiben und Systeme verbinden. In der EU verlangt die KI-Verordnung (AI Act) von Unternehmen, die KI-Systeme einsetzen, die KI-Kompetenz ihrer Beschäftigten zu fördern (Artikel 4).
- Plattformen. Ein freigegebener Assistent, eine Liste freigegebener Tools, eine Integrationsschicht, die KI mit Ihren Systemen verbindet, Single Sign-on, Protokollierung und Zugang zu mehr als einem Modell.
Der Blick auf die Fähigkeiten verändert die Budgetdebatte. Ohne ihn bezahlt jedes Projekt erneut für Datenzugang, Sicherheitsprüfung und Schulung. Mit ihm nutzen der zweite und dritte Use Case, was der erste aufgebaut hat.
Entscheiden, was Sie kaufen, konfigurieren oder bauen
Für jeden Use Case wählen Sie einen von drei Beschaffungswegen:
| Weg | Was er bedeutet | Stärken | Schwächen | Passt, wenn |
|---|---|---|---|---|
| Kaufen | Business-Software mit eingebauter KI, so genutzt, wie sie geliefert wird | Schneller Start, der Anbieter pflegt sie | Wenig Abgrenzung, Daten liegen beim Anbieter, Gefahr der Abhängigkeit | Die Aufgabe ist in vielen Unternehmen gleich |
| Konfigurieren | Eigene Assistenten und Automatisierungen auf einer freigegebenen Plattform | Schneller als Code, passt zu Ihrem Prozess | Grenzen der Plattform, braucht interne Verantwortliche | Der Prozess ist Ihrer, die Technik ist Standard |
| Bauen | Eigene Lösung auf Modell-APIs, eventuell mit Open-Weight-Modellen | Volle Kontrolle, kann Sie vom Wettbewerb abheben | Langsam, teuer im Unterhalt, braucht Fachleute | Ihre Daten oder Ihr Prozess sind ein echter Vorteil |
Eine nützliche Regel: Kaufen Sie, wo KI Standard ist, und bauen Sie, wo sie Sie unterscheidet. Für Standardaufgaben in Vertrieb, Service, Marketing, E-Commerce und Betrieb gibt es meist etwas zu kaufen. Unser Tool-Vergleich für AI Work führt derzeit 46 Tools. Hier sind drei Beispiele, bei denen KI der Kern des Produkts ist. Nach Angaben der Anbieter betreibt Typewise KI-Agenten für den Kundenservice, die in CRM- und ERP-Systemen arbeiten, DataSnipper automatisiert das Auslesen und den Abgleich von Dokumenten in Wirtschaftsprüfung und Finanzwesen, und Claap macht aus Verkaufsgesprächen strukturierte Notizen und CRM-Einträge:
Kurzbeschreibungen aus unserem Tool-Vergleich, nach Angaben der Anbieter — nicht von ABXK getestet.
Was Sie auch wählen, planen Sie den Wechsel mit ein. Die Sprachmodelle hinter diesen Produkten werden alle paar Monate besser, und das führende Modell wechselt oft. Das Diagramm zeigt, wer im Lauf der Zeit die Bestmarke im Epoch Capabilities Index hielt, einem Wert, der viele Benchmarks zu einer Zahl je Modell zusammenfasst. Die aktuellen Modelle vergleichen Sie in unserer LLM-Datenbank.
Drei Gewohnheiten halten Sie beweglich. Behalten Sie Prompts, Testfälle und Daten in Ihrer eigenen Hand. Bevorzugen Sie Tools, bei denen sich das Modell dahinter wechseln lässt. Und vereinbaren Sie Datenexport und Ausstiegsbedingungen, bevor Sie einen Vertrag unterschreiben.
Die Roadmap in drei Horizonten planen
Eine Roadmap macht aus dem Portfolio eine Reihenfolge. Eine bewährte Struktur stammt aus der Strategiearbeit: das Drei-Horizonte-Modell, das die McKinsey-Berater Mehrdad Baghai, Stephen Coley und David White in ihrem Buch The Alchemy of Growth beschrieben haben. Im ursprünglichen Modell sind die Horizonte keine Phasen, sondern Portfolios, die ein Unternehmen gleichzeitig steuert: das heutige Kerngeschäft, entstehende Geschäfte und Optionen für die Zukunft. Für eine KI-Roadmap lesen Sie sie als den Zeitraum, in dem die wichtigsten Ergebnisse fällig sind:
- Horizont 1 (0–6 Monate): Basis und erste Erfolge. Freigegebene Tools und Regeln, KI-Grundwissen für alle, ein KI-Inventar und zwei oder drei schnelle Erfolge im Arbeitsalltag.
- Horizont 2 (6–18 Monate): ausrollen, was wirkt. Die schnellen Erfolge auf weitere Teams übertragen, KI an die Kernsysteme anbinden und die strategischen Wetten beginnen.
- Horizont 3 (18–36 Monate): Prozesse neu gestalten. Ganze Prozesse statt einzelner Aufgaben verändern, auch mit Agenten, die innerhalb klarer Kontrollen handeln.
Die Arbeit an allen drei Horizonten beginnt früh. Die Datenarbeit für eine Wette in Horizont 2 startet oft schon in Horizont 1.
Zwischen den Horizonten liegen Tore: Entscheidungspunkte, an denen Sie Ergebnisse, Datenlage und Risiken prüfen. Gehen Sie weiter, wenn die Belege da sind, nicht wenn der Kalender es sagt. Auch jeder Use Case passiert seine eigenen kleinen Tore, von der Idee über den Pilot bis in den Betrieb. Level 3 zeigt, wie Sie ein KI-Pilotprojekt durchführen — mit klaren Erfolgskriterien und einer Go/No-go-Entscheidung.
In Stufen finanzieren und Fortschritt messen
Finanzieren Sie KI wie ein Portfolio, nicht wie ein einziges Großprojekt. Geben Sie ein kleines Budget für die Erkundung, mehr für einen Pilot und das volle Budget fürs Ausrollen erst, wenn der Pilot Ergebnisse gezeigt hat. Finanzieren Sie die gemeinsamen Fähigkeiten zentral, denn keine einzelne Abteilung bezahlt eine Plattform, die alle nutzen. Lassen Sie die Abteilungen, bei denen der Nutzen ankommt, ihre Use Cases mitfinanzieren. Das hält den Business Case ehrlich.
Planen Sie die vollen Kosten, nicht nur Lizenzen: Integration, Datenarbeit, Schulung, Veränderungsmanagement, menschliche Prüfung der KI-Ergebnisse und nutzungsabhängige Modellkosten, die mit dem Volumen wachsen. Teil 2 dieses Levels zeigt, wie Sie den ROI von KI in der Arbeit messen — mit all diesen Kosten.
Messen Sie den Fortschritt auf fünf Ebenen, vom Portfolio bis zum Risiko:
| Ebene | Beispielkennzahl | Warnzeichen |
|---|---|---|
| Portfolio | Use Cases je Stufe: Idee, Pilot, Betrieb, gestoppt | Viele Piloten, nichts im Betrieb, nichts gestoppt |
| Nutzung | Anteil der lizenzierten Nutzer, die das Tool jede Woche verwenden | Lizenzen gekauft, Nutzung sinkt nach dem ersten Monat |
| Wert | Erreichter Nutzen im Vergleich zum Business Case | „Gesparte Stunden“, die kein Unternehmensziel bewegen |
| Fähigkeiten | Geschulte Beschäftigte, Datenbestände mit benannter Verantwortung | Jedes Projekt baut Datenzugang und Schulung neu auf |
| Risiko | KI-Vorfälle, überfällige Prüfungen, Tools außerhalb des Inventars | Kunden finden Probleme vor Ihren Kontrollen |
Ein gestoppter Pilot ist kein Scheitern. Ein Portfolio, in dem nie etwas gestoppt wird, wird nicht gesteuert. Software für Strategieumsetzung und Ziele kann eine solche Kennzahlenübersicht tragen. Nach Angaben der Anbieter hilft ElevateForward.ai, Strategie in Maßnahmen zu übersetzen und deren Umsetzung zu verfolgen, und Databox verbindet Dashboards, automatische Berichte und Ziele:
Kurzbeschreibungen aus unserem Tool-Vergleich, nach Angaben der Anbieter — nicht von ABXK getestet.
Auch die Governance gehört auf die Strategieseite: wer neue Tools und Use Cases freigibt, welche Risikostufen es gibt und wer für Entscheidungen mit KI geradesteht. Teil 3 behandelt KI-Governance für Fachbereiche im Detail.
Typische Fehler in KI-Strategien
Prüfen Sie Ihren Entwurf gegen diese Muster. Jedes wirkt am Anfang harmlos und wird später teuer:
| Fehler | Was passiert | Besser |
|---|---|---|
| Mit Tools beginnen | Lizenzen ohne Use Cases, geringe Nutzung | Von Unternehmenszielen und Use Cases ausgehen |
| Zu viele Piloten gleichzeitig | Budget zerfasert, nichts erreicht den Betrieb | Weniger Piloten, jeder mit Plan fürs Ausrollen und Entscheidungstermin |
| Keine gemeinsamen Grundlagen | Jedes Projekt baut Datenzugang und Kontrollen neu | Daten, Plattform und Schulung zentral finanzieren |
| Auf ein Modell setzen | Abhängig, sobald die Spitze wechselt | Prompts, Testfälle und Daten selbst besitzen; Ausstiegsbedingungen sichern |
| Governance erst zum Schluss | Schatten-KI, späte Stopps durch Rechtsabteilung oder Betriebsrat | Regeln und Freigabewege schon in Horizont 1 festlegen |
| Aktivität statt Wert zählen | Viele Piloten, kein Nachweis von Nutzen | Erreichten Wert und gestoppte Use Cases verfolgen |
| Energie und Wasser ignorieren | Große Modelle für kleine Aufgaben; Kosten und Emissionen wachsen mit jeder Anfrage | Das kleinste Modell nehmen, das die Aufgabe erfüllt; Energie- und Wasserzahlen beim Anbieter erfragen |
Die letzte Zeile fehlt auf vielen Listen. Der Fußabdruck von KI wächst schnell: Laut der Internationalen Energieagentur steigt der Strombedarf von Rechenzentren viermal so schnell wie der aller anderen Sektoren (Quelle: berichtet vom Guardian, März 2026). Eine Studie schätzt, dass KI-Systeme allein 2025 zwischen 32,6 und 79,7 Millionen Tonnen CO₂ verursachten – eine Spanne, in der auch New York City mit 52,2 Millionen Tonnen im Jahr 2023 liegt – und 312,5 bis 764,6 Milliarden Liter Wasser verbrauchten (Quelle: de Vries-Gao, Patterns, Dezember 2025). Große Anbieter veröffentlichen kaum KI-spezifische Zahlen; fragen Sie deshalb bei jeder Ausschreibung danach.