Braucht man KI wirklich? Warum gute KI-Projekte nicht mit KI beginnen

Der Satz „Wir brauchen KI“ klingt auf den ersten Blick nach Zukunftsorientierung. Er vermittelt Handlungsbereitschaft, Modernität und den Wunsch, nicht den Anschluss zu verlieren. In vielen Unternehmen ist er inzwischen fast zu einer Standardformulierung geworden, wenn über Digitalisierung, Effizienz oder Wettbewerbsfähigkeit gesprochen wird. Doch genau darin liegt das Problem: Der Satz ist oft zu allgemein, um als strategischer Ausgangspunkt wirklich hilfreich zu sein.

Denn „KI“ beschreibt keine konkrete Lösung. Es ist zunächst nur ein Sammelbegriff für sehr unterschiedliche Technologien, Methoden und Einsatzmöglichkeiten. Ob ein Unternehmen tatsächlich KI braucht, hängt nicht davon ab, ob KI gerade viel diskutiert wird, sondern davon, welches Problem gelöst werden soll. Erst wenn klar ist, wo ein Prozess stockt, welche Entscheidungen besser getroffen werden sollen oder welche Informationen heute nicht sinnvoll nutzbar sind, lässt sich überhaupt beurteilen, ob künstliche Intelligenz ein passender Ansatz ist.

Viele KI-Initiativen scheitern deshalb nicht an der Technologie selbst, sondern an einem unklaren Startpunkt. Ein Team erkennt, dass andere Unternehmen bereits KI einsetzen, liest über neue Tools oder bekommt intern den Auftrag, „etwas mit KI“ zu machen. Daraus entstehen Pilotprojekte, die technisch interessant wirken, aber keinen stabilen geschäftlichen Nutzen erzeugen. Am Ende steht dann häufig die Enttäuschung: Die Erwartungen waren hoch, der praktische Effekt bleibt begrenzt.

Erst das Problem verstehen, dann über Technologie entscheiden

Ein belastbares KI-Projekt beginnt nicht mit der Frage, welches Modell verwendet werden soll. Es beginnt mit der Frage, welches Problem überhaupt relevant genug ist, um gelöst zu werden. Das klingt einfach, wird in der Praxis aber oft übersprungen. Statt den betrieblichen Kontext sauber zu analysieren, wird zu früh über Tools, Chatbots, Agenten oder Automatisierung gesprochen.

Ein Beispiel: Wenn ein Unternehmen lange Durchlaufzeiten in der Auftragsbearbeitung hat, ist KI nicht automatisch die richtige Antwort. Vielleicht fehlen klare Zuständigkeiten. Vielleicht werden dieselben Daten mehrfach manuell übertragen. Vielleicht gibt es Medienbrüche zwischen E-Mail, ERP-System und Excel-Dateien. Vielleicht entstehen Wartezeiten nicht durch fehlende Intelligenz, sondern durch unklare Freigaberegeln. In solchen Fällen würde KI das eigentliche Problem nicht lösen, sondern höchstens eine zusätzliche technische Schicht auf einen ohnehin instabilen Prozess legen.

Das bedeutet nicht, dass KI hier nutzlos wäre. Sie könnte helfen, Dokumente auszulesen, E-Mails zu klassifizieren, Rückfragen vorzubereiten oder Muster in Verzögerungen sichtbar zu machen. Aber sie ersetzt nicht die notwendige Klärung des Prozesses. Ohne diese Klärung bleibt unklar, was verbessert werden soll und woran der Erfolg gemessen wird.

Schlechte Prozesse werden durch KI nicht automatisch besser

Ein häufiger Denkfehler besteht darin, KI als Mittel zu sehen, um bestehende Prozessprobleme zu überdecken. Wenn ein Ablauf langsam, unübersichtlich oder fehleranfällig ist, kann der Einsatz von KI kurzfristig attraktiv wirken. Die Hoffnung lautet: Das System wird schon erkennen, was zu tun ist. Genau diese Erwartung ist gefährlich.

Schlechte Prozesse werden durch KI nicht automatisch gut. Sie werden manchmal nur schneller, komplexer oder schwerer nachvollziehbar. Wenn Eingaben uneinheitlich sind, Verantwortlichkeiten fehlen und Entscheidungen nicht dokumentiert werden, kann KI diese Mängel nicht einfach wegzaubern. Im Gegenteil: Sie kann bestehende Unordnung skalieren. Was vorher ein manueller Fehler in einem einzelnen Vorgang war, kann durch Automatisierung plötzlich in vielen Vorgängen gleichzeitig auftreten.

Deshalb ist Prozessverständnis eine Voraussetzung für sinnvolle KI-Nutzung. Unternehmen sollten vor einem KI-Projekt wissen, welche Schritte im Prozess tatsächlich wertschöpfend sind, welche nur historisch gewachsen sind und welche sich standardisieren lassen. Erst danach lässt sich entscheiden, ob KI, klassische Automatisierung, bessere Datenintegration oder eine organisatorische Änderung der richtige Hebel ist.

Datenqualität entscheidet über den Nutzen

Neben dem Prozess ist die Datenbasis der zweite zentrale Faktor. Viele Unternehmen verfügen zwar über große Mengen an Informationen, aber nicht automatisch über brauchbare Daten. Dokumente liegen in unterschiedlichen Formaten vor, Kundendaten sind unvollständig, Produktinformationen widersprechen sich, E-Mails enthalten wichtige Hinweise, die nie strukturiert erfasst wurden, und SharePoint-Ordner sind über Jahre organisch gewachsen.

In solchen Umgebungen stößt auch ein leistungsfähiges KI-System schnell an Grenzen. Ein Modell kann nur mit dem arbeiten, was ihm zugänglich gemacht wird. Wenn Daten veraltet, widersprüchlich oder nicht eindeutig zuordenbar sind, entstehen unsichere Ergebnisse. Das Problem liegt dann nicht darin, dass die KI „schlecht“ ist, sondern darin, dass sie auf einer schwachen Informationsgrundlage arbeitet.

Gerade bei betrieblichen Use Cases ist daher die Vorbereitung oft wichtiger als das Modell selbst. Es geht um Datenzugriff, Berechtigungen, Aktualität, Struktur, Verantwortlichkeit und Qualitätssicherung. Wer diese Themen ignoriert, baut keine stabile KI-Anwendung, sondern eine Oberfläche, die auf unsicherem Fundament steht.

Nicht jede Automatisierung braucht KI

Ein weiterer wichtiger Punkt ist die Unterscheidung zwischen Automatisierung und künstlicher Intelligenz. Viele Aufgaben, die in Unternehmen als „KI-Use-Cases“ beschrieben werden, benötigen eigentlich keine KI. Sie brauchen klare Regeln, Schnittstellen und saubere Workflows.

Wenn eine Rechnung ab einem bestimmten Betrag automatisch zur Freigabe an eine bestimmte Person weitergeleitet werden soll, ist das zunächst klassische Automatisierung. Wenn ein Statusbericht jede Woche aus bestehenden Systemdaten erzeugt wird, kann auch dafür oft ein regelbasierter Ablauf genügen. Wenn Daten zwischen zwei Systemen synchronisiert werden sollen, ist eine robuste Integration meist wertvoller als ein KI-Modell.

KI wird dort besonders interessant, wo starre Regeln nicht ausreichen. Das ist der Fall, wenn Sprache interpretiert, Bedeutungen erkannt, unstrukturierte Informationen verarbeitet oder komplexe Muster identifiziert werden müssen. Beispiele sind die Analyse von Kundenanfragen, das Zusammenfassen umfangreicher Dokumente, das Erkennen wiederkehrender Probleme in Support-Tickets oder die Extraktion relevanter Informationen aus Verträgen und E-Mails.

Die entscheidende Frage lautet also nicht: „Können wir KI einsetzen?“ Sondern: „Welche Art von Aufgabe liegt vor?“ Wenn die Aufgabe klar regelbasiert ist, sollte sie nicht unnötig mit KI verkompliziert werden. Wenn sie Kontext, Sprache oder Mustererkennung erfordert, kann KI einen echten Mehrwert schaffen.

KI kann helfen, Unklarheit sichtbar zu machen

Trotz aller Vorsicht sollte die Diskussion nicht in ein pauschales Nein zu KI kippen. KI kann gerade dort hilfreich sein, wo Unternehmen selbst noch keinen vollständigen Überblick haben. Sie kann Hinweise darauf geben, welche Themen in Kundenkommunikation häufig auftreten, welche Prozessschritte besonders viele Rückfragen erzeugen oder welche Informationen in Dokumenten immer wieder fehlen.

In diesem Sinne kann KI nicht nur eine Lösung sein, sondern auch ein Analyseinstrument. Sie kann fragmentierte Informationen aus E-Mails, Dokumenten, Wissensdatenbanken oder ERP-Systemen zusammenführen und dadurch bessere Fragen ermöglichen. Oft liegt der erste Nutzen nicht darin, sofort einen Prozess vollständig zu automatisieren, sondern darin, Transparenz zu schaffen.

Ein Unternehmen kann zum Beispiel feststellen, dass viele Kundenanfragen nicht deshalb lange dauern, weil Mitarbeitende zu langsam reagieren, sondern weil Produktinformationen uneinheitlich gepflegt sind. Oder dass interne Abstimmungen nicht an fehlender Motivation scheitern, sondern an verteilten Informationsquellen. Solche Erkenntnisse sind wertvoll, weil sie zeigen, wo der eigentliche Hebel liegt.

Wirtschaftliche Nachhaltigkeit statt technischer Spielerei

Aus wirtschaftlicher Sicht sollte jedes KI-Projekt die Frage beantworten, ob der zusätzliche technische Aufwand langfristig gerechtfertigt ist. KI verursacht Kosten: für Entwicklung, Integration, Datenaufbereitung, Betrieb, Monitoring, Sicherheit, Schulung und laufende Anpassung. Diese Kosten sind nicht immer sofort sichtbar, gehören aber zur ehrlichen Bewertung dazu.

Ein Projekt ist nicht deshalb sinnvoll, weil KI darin vorkommt. Es ist sinnvoll, wenn es bessere Entscheidungen ermöglicht, Abläufe beschleunigt, Fehler reduziert, Kosten senkt oder Mitarbeitende spürbar entlastet. Entscheidend ist der messbare Nutzen im Verhältnis zum Aufwand. Wenn ein einfacher Workflow denselben Effekt mit weniger Komplexität erreicht, ist er oft die bessere Lösung.

Das gilt besonders für Unternehmen, die KI nicht nur testen, sondern dauerhaft in ihre Arbeitsweise integrieren wollen. Nachhaltige KI-Nutzung bedeutet, technische Möglichkeiten mit organisatorischer Realität abzugleichen. Sie bedeutet auch, bewusst Nein zu sagen, wenn der Use Case nicht reif ist oder wenn die Datenbasis nicht trägt.

Verantwortung bleibt beim Menschen

Ein weiterer Aspekt wird in der Euphorie um KI oft unterschätzt: Auch wenn ein System Vorschläge macht, Muster erkennt oder Informationen strukturiert, bleibt die Verantwortung für betriebliche Entscheidungen beim Menschen. KI kann Entscheidungsgrundlagen verbessern, aber sie sollte nicht unkritisch zur Entscheidungsinstanz werden.

Das ist besonders relevant, wenn Entscheidungen wirtschaftliche, rechtliche oder personelle Folgen haben. Ein KI-System kann eine Empfehlung geben, aber Menschen müssen verstehen, auf welcher Grundlage sie handeln. Dazu gehören Transparenz über Datenquellen, Grenzen des Systems und klare Zuständigkeiten. Ohne diese Elemente entsteht ein Risiko: Entscheidungen wirken objektiv, obwohl sie auf unvollständigen oder fehlerhaften Grundlagen beruhen können.

KI sinnvoll einzusetzen heißt deshalb nicht, Verantwortung abzugeben. Es heißt, bessere Werkzeuge zu nutzen, ohne die eigene Urteilskraft auszulagern.

Fazit: Die bessere Frage lautet nicht „KI ja oder nein“

Die Frage „Braucht man KI wirklich?“ lässt sich nicht pauschal beantworten. In manchen Fällen ist KI ein sehr passender Hebel. In anderen Fällen ist sie überdimensioniert, zu teuer oder schlicht das falsche Werkzeug. Der Unterschied zeigt sich erst, wenn Problem, Prozess und Datenbasis ernsthaft betrachtet werden.

Der Satz „Wir brauchen KI“ sollte deshalb nicht das Ende einer strategischen Überlegung sein, sondern höchstens ihr Anfang. Besser wäre die Frage: Welches Problem ist wichtig genug, um gelöst zu werden? Welche Informationen fehlen uns heute? Welche Entscheidungen sollen besser werden? Welche Aufgaben sind regelbasiert automatisierbar, und wo brauchen wir tatsächlich Mustererkennung, Sprachverständnis oder Kontextinterpretation?

Gute KI-Projekte entstehen dort, wo Technologie nicht aus FOMO eingeführt wird, sondern aus einem klaren Verständnis des betrieblichen Nutzens. KI kann helfen, Ordnung in komplexe Informationen zu bringen, bessere Fragen zu stellen und Prozesse gezielter zu verbessern. Sie kann aber auch bestehendes Chaos schneller skalieren, wenn sie ohne Klarheit eingesetzt wird.

Am Ende ist nicht entscheidend, ob ein Unternehmen KI nutzt. Entscheidend ist, ob es weiß, warum es sie nutzt.