KI ist im Mittelstand angekommen – aber nicht flächendeckend. Unsere Analyse bündelt die wichtigsten, aktuellen Befunde aus amtlichen Erhebungen und führenden Studien: Wo KI heute tatsächlich eingesetzt wird, warum viele Unternehmen noch zögern und in welchen Bereichen sich KI messbar auszahlt. Am Ende können Sie die vollständige Studie kostenlos herunterladen – ganz ohne Registrierungsformular.
KI-Einführung 2026: Was die Zahlen wirklich sagen
Die KI-Diskussion ist im Jahr 2026 endgültig aus der „Trend-Ecke“ herausgewachsen. Aktuelle Erhebungen zeigen eine deutlich steigende Nutzung – gleichzeitig aber auch eine spürbare Kluft zwischen großen Unternehmen und dem Mittelstand. Während KI in vielen Großunternehmen bereits produktiv eingesetzt wird, bleibt sie im Mittelstand häufig auf einzelne Use Cases begrenzt.
Für Berater und Unternehmer ist genau dieser Unterschied entscheidend: Nicht die Frage „Nutzen wir KI?“ trennt Gewinner von Nachzüglern – sondern die Fähigkeit, gezielt zu entscheiden,
wo KI den höchsten Nutzen stiftet,
welche Hemmnisse real sind (und welche vorgeschoben),
und wie man vom Piloten zur skalierbaren, organisatorisch tragfähigen Einführung kommt.
Die 10 häufigsten KI-Use Cases: Was Unternehmen in Deutschland tatsächlich einsetzen
Unsere Studie verdichtet mehrere Perspektiven (amtliche Technologie-Erhebung, Mittelstands-Anwendungsfelder, Zielperspektive, Produktivitätsperspektive) zu einer belastbaren Top-10-Liste.
Diese Liste ist für Entscheider hilfreich, weil sie zwei Dinge trennt: (1) „Weit verbreitet“ (z. B. Textanalyse, Spracherkennung, Textgenerierung) und (2) „hoher Werthebel“ (z. B. Produktion/Qualität, Predictive Maintenance) – die oft mehr Integration und bessere Datenbasis erfordern.
Warum viele Mittelständler noch nicht starten – oder nicht skalieren
Die Studie zeigt: Die Hemmnisse sind kein „Ein-Grund-Problem“, sondern ein Bündel, das sich gegenseitig verstärkt. Besonders relevant ist das für die Beratungspraxis: Viele KI-Initiativen scheitern nicht am Modell, sondern an Wissen, Governance, Datenfähigkeit und Akzeptanz.
Die 10 größten Hemmnisse (verdichtet aus den zitierten Erhebungen)
Hemmnis
Was dahinter meist wirklich steckt
1. Fehlendes Wissen / Know-how
Keine klare Entscheidungsgrundlage, kein Enablement, keine internen Owner
Fehlende Leitplanken, fehlende Transparenz im Einsatz
Entscheidend: Die Hemmnisse sind steuerbar, wenn man sie systematisch angeht – nicht mit isolierten Tool-Einführungen, sondern als strukturierter Veränderungsprozess.
Wo KI im Mittelstand am lohnenswertesten ist
Die Studie zeigt besonders klare Erfolgsfelder dort, wo Unternehmen messbare Produktivitäts- oder Qualitätsgewinne realisieren können – typischerweise in Bereichen mit hohem Volumen, klaren KPIs und wiederholbaren Prozessen.
Erfolgsfelder (für Entscheidungen und Priorisierung)
Einsatzbereich
Warum dort der Nutzen häufig schnell sichtbar wird
Durchlaufzeiten, Automatisierungsquote, Kosten pro Vorgang
Produktion / Qualität
Großer Werthebel – aber höhere Daten/Integrationsanforderung
Ausschussquote, OEE, Stillstandzeiten, Nacharbeit
Predictive Maintenance
Wert in Vermeidung von Ausfällen
MTBF, ungeplante Stillstände, Wartungskosten
Das zentrale Muster:
Schneller Einstieg gelingt meist in Wissens- und Prozessarbeit (Dokumente, Service, Marketing, Admin).
Größere strategische Werthebel entstehen in Produktion/Service-Innovation – benötigen aber Datenbasis, Schnittstellen und Governance.
Was Berater und Unternehmer daraus ableiten können
1) Entscheidungen werden besser, wenn „Use Case“ und „Organisationsfähigkeit“ getrennt bewertet werden
Viele Unternehmen bewerten nur den Use Case („klingt gut“), aber nicht die Umsetzungsfähigkeit (Daten, Rollen, Compliance, Change). Genau diese Lücke verursacht Pilotitis.
2) Erfolgreiche KI-Einführung ist ein Portfolio-Thema
Die Studie zeigt deutlich: Punktuelle Insellösungen reichen nicht. Wer KI als Werkzeugkasten ohne Roadmap nutzt, unterschätzt Aufwand, Risiken und Potenziale.
3) Governance ist kein Bremsklotz, sondern Beschleuniger
Rechtliche Unsicherheit ist eines der größten Hemmnisse. Wer früh Klarheit schafft (Rollen, Risikoklassen, Datenschutz-Leitplanken, Dokumentation), skaliert schneller und sicherer.
Wie die KI-Toolsuite dabei konkret hilft
Die KI-Toolsuite ist dafür gebaut, genau diese Entscheidungen zu strukturieren:
Use-Case-Bewertung: Priorisierung nach Business Impact, Umsetzungsaufwand, Datenreife, Risiken und Skalierbarkeit.
Umsetzungs-Dashboard: Von Erkenntnis zu Maßnahmenplan – mit klaren Arbeitspaketen und Fortschrittslogik.
Kurz: Die Toolsuite reduziert Komplexität, macht Entscheidungen nachvollziehbar und hilft, den Schritt vom „KI-Pilot“ zur steuerbaren Transformation zu gehen. Kommen Sie zu einer Live-Produktpräsentation.
Kostenloser Download der Studie (ohne Formular)
Sie möchten die Zahlen, Tabellen und Quellen im Original nutzen – z. B. für Management-Briefings, Strategie-Workshops oder die Priorisierung Ihrer Roadmap?
Studie: „KI in Deutschland – Status quo, Hemmnisse und Erfolgsfaktoren im Mittelstand (Stand: Februar 2026)“
Von der Idee zum Nutzen und wie die KI-Toolsuite dabei hilft
In der aktuellen Folge des “agilophil Podcasts” spreche ich als einer der Macher der KI-Toolsuite über den realistischen Einsatz von Künstlicher Intelligenz (KI) im Mittelstand. Im Mittelpunkt des Gesprächs steht eine Frage, die mir in der Praxis immer wieder begegnet: Wo stehen kleine und mittelständische Unternehmen heute beim Thema KI – jenseits von Buzzwords, Marketingversprechen und pauschalen Heilsversprechen?
Meine Erfahrung aus zahlreichen Projekten zeigt sehr klar: KI ist längst kein reines Zukunftsthema mehr. Gleichzeitig besteht gerade im Mittelstand ein erheblicher Orientierungsbedarf. Viele Unternehmen wissen, dass sie sich mit KI beschäftigen sollten, sind aber unsicher, wie sie sinnvoll starten, welche Voraussetzungen erfüllt sein müssen und wie sich KI-Vorhaben strukturiert und verantwortungsvoll angehen lassen.
Warum KI für den Mittelstand eine besondere Herausforderung ist
Der Mittelstand ist in der Regel pragmatisch und stark nutzenorientiert. Genau diese Stärke wird beim Thema KI jedoch schnell zur Hürde. Solange der konkrete Nutzen nicht greifbar ist, bleibt die Zurückhaltung groß. Hinzu kommt, dass KI kein einzelnes Werkzeug ist, sondern ein breites Feld aus Technologien, Anwendungsfällen und organisatorischen Fragestellungen.
Im Vergleich zu Großunternehmen fehlen mittelständischen Organisationen häufig interne Ressourcen, klare Zuständigkeiten und Erfahrungen mit datengetriebenen Initiativen. Während Konzerne externe Expertise einkaufen oder eigene KI-Teams aufbauen können, müssen Mittelständler oft selbst herausfinden, wie sie das Thema sinnvoll strukturieren. Das führt nicht selten zu Unsicherheit oder zu isolierten Einzelinitiativen ohne strategischen Rahmen.
KI ist kein Technikprojekt
Ein zentraler Punkt, den ich im Podcast betone, ist die klare Abgrenzung von KI-Einführung als rein technischem Vorhaben. KI-Projekte betreffen Strukturen, Prozesse, Kultur, Führung und Kompetenzen – und sind damit in erster Linie Organisationsentwicklungsprojekte.
Wer KI ausschließlich als IT-Thema betrachtet, läuft Gefahr, am eigentlichen Mehrwert vorbeizuarbeiten. Entscheidend ist, sich zunächst mit grundlegenden Fragen auseinanderzusetzen:
Welche Ziele verfolgt das Unternehmen?
Welche konkreten Probleme sollen gelöst werden?
Welche Daten stehen realistisch zur Verfügung?
Welche organisatorischen Voraussetzungen müssen geschaffen werden?
Erst auf dieser Basis lassen sich sinnvolle KI-Use-Cases definieren, die über Experimente hinausgehen.
Use Cases, Nutzen und KPIs
KI entfaltet ihren Wert nicht pauschal, sondern immer im konkreten Anwendungskontext. Deshalb plädiere ich dafür, potenzielle Use Cases frühzeitig auf ihren tatsächlichen Nutzen zu überprüfen und diesen messbar zu machen.
Dazu gehören klar formulierte Ziele und geeignete Kennzahlen (KPIs), anhand derer sich Fortschritt und Wirkung nachvollziehen lassen. Gleichzeitig ist wichtig, realistisch zu bleiben: KI-Projekte sind selten von Anfang an vollständig planbar. Lernen, Anpassen und Nachschärfen gehören zwingend dazu – das muss organisatorisch eingeplant werden.
Warum KI-Projekte agil gedacht werden sollten
Strukturell sind KI-Vorhaben eng mit agilen Vorgehensweisen verwandt. Ergebnisse sind häufig nicht deterministisch, Anforderungen verändern sich, und neue Erkenntnisse entstehen erst im laufenden Projekt. Klassische Wasserfallmodelle stoßen hier schnell an ihre Grenzen.
Agile Ansätze ermöglichen kurze Iterationen, frühe Experimente und schnelles Lernen. Minimum Viable Products (MVPs) helfen dabei, erste Ergebnisse sichtbar zu machen, ohne sich frühzeitig auf eine finale Lösung festzulegen. Gerade für den Mittelstand ist das ein entscheidender Hebel, um Risiken zu begrenzen und gleichzeitig Fortschritte zu erzielen.
Orientierung durch Struktur: die KI-Toolsuite
Ein Schwerpunkt des Gesprächs ist die KI-Toolsuite, die wir entwickelt haben, um mittelständische Unternehmen bei der systematischen Einführung von KI zu unterstützen. Ziel ist es, dort Orientierung zu geben, wo häufig Unsicherheit herrscht: bei Reifegrad, Zielen, Prioritäten und geeigneten Anwendungsfällen.
Die Toolsuite setzt unter anderem bei einem strukturierten Readiness-Assessment an, betrachtet organisatorische, strategische und kulturelle Voraussetzungen und unterstützt bei der Entwicklung und Bewertung von Use Cases. Ergänzt wird dies durch Wissensbausteine, Projektunterstützung sowie eine umfangreiche Datenbank mit realen KI-Anwendungsfällen und potenziellen Umsetzungspartnern.
Ein praxisnahes Beispiel: Wissenssicherung im Unternehmen
Als konkretes Beispiel habe ich im Podcast einen Use Case zur Sicherung von Erfahrungswissen ausscheidender Mitarbeitender beschrieben. Mithilfe KI-gestützter Interviews wird implizites Wissen systematisch erfasst, aufbereitet und intern zugänglich gemacht. Das entstehende „Firmengedächtnis“ unterstützt neue Mitarbeitende und reduziert Wissensverluste – ein typisches und sehr greifbares Problem vieler mittelständischer Unternehmen.
Dieses Beispiel zeigt, wie KI ganz konkret zur Wertschöpfung beitragen kann, wenn Problem, Ziel und Kontext sauber definiert sind.
Der wichtigste Impuls zum Mitnehmen
Mein zentraler Impuls zum Abschluss lautet: klein anfangen, Erwartungen realistisch halten und den Mut haben, zu experimentieren. KI ist kein Allheilmittel. Richtig eingesetzt kann sie jedoch Innovation, Effizienz und Wertschöpfung ermöglichen.
Entscheidend sind weniger perfekte Planung und große Visionen als vielmehr Lernbereitschaft, Struktur und ein pragmatischer, agiler Ansatz. Genau in dieser Verbindung von Agilität und Künstlicher Intelligenz liegt aus meiner Sicht der Schlüssel für den Mittelstand.
Warum der Hype enden musste – und warum das gut für Unternehmen ist
Als Ende 2022 ChatGPT öffentlich zugänglich wurde, geschah etwas Seltenes: Eine Technologie verließ den Expertenkreis und trat unmittelbar in den Alltag von Millionen Menschen ein. Innerhalb weniger Wochen wurde aus einer Forschungsdisziplin ein globales Gesprächsthema. Menschen unterhielten sich mit Maschinen, Maschinen antworteten in natürlicher Sprache – flüssig, höflich, scheinbar kompetent. Was zuvor als „künstliche Intelligenz“ eher abstrakt blieb, bekam plötzlich eine Stimme.
Medien, Technologieunternehmen und Investoren reagierten euphorisch. Kaum ein Vorstand, der sich dem Eindruck entziehen konnte, hier entstehe gerade etwas grundsätzlich Neues – möglicherweise sogar eine Technologie, die menschliche Wissensarbeit in weiten Teilen ersetzen würde. In diesem Klima entstand ein Narrativ, das den Diskurs über Jahre prägen sollte: KI als universelles Werkzeug, als Produktivitätsmaschine, als Abkürzung zu Wachstum, Effizienz und Erkenntnis.
Der Artikel „The great AI hype correction of 2025“ aus der MIT Technology Review beschreibt nun den Moment, in dem diese Erzählung an ihre Grenzen stößt. Nicht, weil KI gescheitert wäre – sondern weil die Erwartungen an sie die Realität überholt haben.
Vom Fortschrittsrausch zur Ernüchterung
Die Dynamik der Jahre 2023 und 2024 war geprägt von Überbietungswettbewerben. Jedes neue Modell versprach mehr: bessere Sprache, Bilder, Video, „Reasoning“, Autonomie. CEOs erklärten öffentlich, dass ganze Berufsgruppen verschwinden würden. Forschungsergebnisse wurden in Produktversprechen übersetzt, lange bevor klar war, ob sie sich stabil in reale Arbeitskontexte übertragen lassen.
Besonders sichtbar wurde dieser Mechanismus beim Launch von GPT-5. Sam Altman hatte das Modell im Vorfeld als „PhD-level expert in anything“ angekündigt – eine Formulierung, die weniger technisch als symbolisch wirkte. Sie suggerierte einen qualitativen Sprung, eine neue Stufe maschineller Intelligenz.
Als GPT-5 dann veröffentlicht wurde, war die Reaktion auffällig verhalten. Das Modell war besser – aber nicht fundamental anders. Die erhoffte Zeitenwende blieb aus. Für viele Beobachter war das kein technisches Problem, sondern ein psychologisches: Zum ersten Mal seit Jahren wich der Eindruck, dass „alles exponentiell besser wird“, einer nüchternen Frage: War das schon alles?
An dieser Stelle vollzog sich der Stimmungsumschwung, den der Artikel als „Hype Correction“ beschreibt. Vergleichbar mit der Smartphone-Industrie, in der neue Geräte zwar leistungsfähiger, aber kaum noch revolutionär wirken, schien auch generative KI in eine Phase inkrementeller Verbesserungen einzutreten.
Warum LLMs nicht „die KI“ sind
Ein zentraler Punkt der Analyse ist die begriffliche Verengung, die der Hype mit sich brachte. In der öffentlichen Wahrnehmung wurde KI nahezu vollständig mit Large Language Models gleichgesetzt. Dabei handelt es sich um eine sehr spezielle Klasse von Systemen, die statistische Muster in Sprache extrem gut reproduzieren können – aber nicht notwendigerweise verstehen, was sie tun.
Selbst führende Forscher wie Ilya Sutskever, Mitbegründer von OpenAI, betonen inzwischen offen die Grenzen dieser Modelle. LLMs können tausende konkrete Aufgaben lösen, aber sie lernen nicht die dahinterliegenden Prinzipien. Sie generalisieren schlechter als Menschen, insbesondere außerhalb der Trainingsverteilung.
Das Problem liegt weniger in der Technik als in unserer Wahrnehmung. Sprache ist für uns ein starkes Signal von Intelligenz. Wenn ein System überzeugend formuliert, erklären wir es intuitiv für kompetent – auch dort, wo es lediglich wahrscheinlich klingende Antworten erzeugt. Marketing und mediale Überhöhung haben diesen Effekt verstärkt.
Die Hype-Korrektur ist daher auch eine begriffliche Korrektur: LLMs sind leistungsfähige Werkzeuge, aber kein Synonym für allgemeine Intelligenz.
FOMO: Wenn Angst Strategie ersetzt
In diesem Umfeld reagierten viele Unternehmen nicht strategisch, sondern reflexhaft. Der Artikel beschreibt ein Phänomen, das aus der Konsumpsychologie stammt, aber im Managementkontext besonders folgenreich ist: FOMO – Fear of Missing Out, die Angst, eine entscheidende Entwicklung zu verpassen.
FOMO bedeutete in der Praxis: Vorstände hatten das Gefühl, handeln zu müssen – sofort und sichtbar. Nicht, weil klar war, welches Problem gelöst werden sollte, sondern weil Wettbewerber KI-Initiativen ankündigten, Investoren danach fragten oder Medien Druck erzeugten. Bestehende Digitalisierungsprogramme wurden gestoppt oder überlagert, Budgets umgeschichtet, Innovationslabore gegründet, Pilotprojekte gestartet.
Viele dieser Initiativen hatten einen symbolischen Charakter. Ein Chatbot hier, ein „AI Taskforce“-Label dort. Die Hoffnung war, dass sich der Nutzen schon einstellen würde. Studien aus dem Jahr 2025 zeigen jedoch ein anderes Bild: Die Mehrheit dieser Projekte blieb im Pilotstatus stecken, ohne messbaren Beitrag zur Wertschöpfung.
Interessant ist dabei ein Detail, das oft übersehen wird: Während offizielle KI-Programme scheiterten, nutzten Mitarbeitende KI längst informell. Eine Art Schattenökonomie entstand – unkoordiniert, aber oft produktiver als die formalen Projekte. Der Unterschied lag nicht in der Technologie, sondern im Kontext: Menschen setzten KI dort ein, wo sie ihre eigene Arbeit tatsächlich unterstützte.
Warum KI (noch) keine Jobs ersetzt
Ein weiterer Kernpunkt des Artikels ist die Diskrepanz zwischen Ankündigung und Wirkung. Die vielfach beschworene Ablösung von Wissensarbeit blieb aus. Studien zeigten, dass autonome KI-Agenten selbst einfache Aufgaben nur unzuverlässig erledigten – zumindest ohne menschliche Begleitung.
Das bedeutet nicht, dass KI wirkungslos ist. Vielmehr zeigt sich ein Muster: KI hebt das Leistungsniveau von Nicht-Experten, erreicht aber selten die Qualität erfahrener Fachkräfte. Für Konsumenten ist das enorm wertvoll – für Organisationen mit spezialisierten Rollen jedoch weniger disruptiv als erwartet.
Produktivität entsteht dort, wo KI in bestehende Arbeitsabläufe eingebettet wird, nicht dort, wo man versucht, Menschen vollständig zu ersetzen. Dieser Unterschied ist strategisch entscheidend – und wurde im Hype häufig ignoriert.
Blase oder Infrastrukturaufbau?
Bleibt die Frage: Handelt es sich um eine gefährliche Blase? Der Artikel vermeidet einfache Antworten. Einerseits sind die Investitionen enorm, Geschäftsmodelle teilweise unklar, Energie- und Ressourcenverbrauch real. Andererseits entsteht gerade eine Infrastruktur, die unabhängig vom kurzfristigen Erfolg einzelner Anbieter Bestand haben wird – vergleichbar mit der Dot-Com-Zeit.
Einige Anwendungen, die zunächst wie Randphänomene wirkten, entwickeln sich plötzlich zu tragfähigen Märkten. Das zeigt: Wert entsteht oft nicht dort, wo man ihn erwartet, sondern dort, wo reale Bedürfnisse adressiert werden.
Schatten und Licht
Etwas vereinfacht kann man zusammenfassen: Die Enttäuschungen entstanden dort, wo KI als Ersatz, Abkürzung oder Heilsversprechen verstanden wurde. Die positiven Überraschungen entstanden dort, wo KI als Werkzeug zur Verstärkung menschlicher Fähigkeiten eingesetzt wurde.
1. Konkrete Enttäuschungen der KI-Welle 2023–2025
Autonome KI-Agenten im Unternehmensalltag Die Erwartung, dass KI-Agenten eigenständig Aufgabenketten übernehmen (Recherche → Entscheidung → Umsetzung), hat sich nicht erfüllt. In realen Arbeitsumgebungen scheitern sie häufig an Kontextwechseln, unklaren Zieldefinitionen und implizitem Fachwissen.
„Plug-and-Play“-Produktivität durch LLMs Die Hoffnung, bestehende Prozesse allein durch den Einsatz eines Chatbots signifikant effizienter zu machen, erwies sich als naiv. Ohne Prozessanpassung, Rollenklärung und Qualitätskontrollen bleibt der Effekt marginal.
Kurzfristiger, messbarer ROI in Kernprozessen Viele Unternehmen erwarteten innerhalb weniger Monate harte betriebswirtschaftliche Effekte. Laut den im Artikel zitierten Studien blieben diese in der Mehrheit der formalen KI-Pilotprojekte aus.
Ersatz von Wissensarbeit Die These, KI könne kurzfristig Fachkräfte ersetzen (Juristen, Entwickler, Analysten), hat sich nicht bewahrheitet. KI unterstützt – sie ersetzt nicht. Insbesondere dort nicht, wo Erfahrung, Verantwortung und Kontextwissen zählen.
Große Modellgenerationen als Quantensprung Der Launch neuer Modellgenerationen (z. B. GPT-5) brachte spürbare, aber keine revolutionären Verbesserungen. Die Erwartung „AGI-naher“ Fähigkeiten wurde enttäuscht.
Generalisierungsfähigkeit von LLMs Sprachlich überzeugende Antworten verdeckten lange Zeit, dass LLMs strukturell schlechter generalisieren als Menschen – ein Punkt, den selbst führende KI-Forscher inzwischen offen benennen.
Formale KI-Programme in Unternehmen Offizielle KI-Initiativen waren häufig weniger erfolgreich als informelle, individuelle Nutzung durch Mitarbeitende. Governance-Strukturen erwiesen sich teils als Innovationsbremse.
Universelle Einsetzbarkeit einer Technologieklasse Die Vorstellung, LLMs seien der „Schlüssel zu allem“, hat sich als Fehlannahme erwiesen. Viele Probleme lassen sich besser mit klassischen Algorithmen, Automatisierung oder Prozessdesign lösen.
2. Reife, wertschöpfende und positiv überraschende KI-Anwendungen
KI-gestützte Assistenz für Wissensarbeit (Copilot-Paradigma) Als persönlicher Arbeitsassistent – für Entwürfe, Strukturierung, Zusammenfassungen, Variantenbildung – entfaltet KI erheblichen Nutzen, insbesondere für Nicht-Experten oder in zeitkritischen Situationen.
Code-Unterstützung in der Softwareentwicklung KI-Tools zur Code-Erstellung, -Analyse und -Refaktorierung haben sich als äußerst produktiv erwiesen. Nicht als Ersatz für Entwickler, sondern als Beschleuniger und Qualitätsverstärker.
Medien- und Content-Produktion (Text, Bild, Video) Besonders im Marketing, in Schulung und interner Kommunikation haben generative Modelle den Aufwand drastisch reduziert. Anwendungen wie KI-Avatare oder Video-Generierung entwickelten sich schneller und wirtschaftlicher als erwartet.
Wissensmanagement und interne Suche (RAG-Ansätze) KI-gestützte Suche in internen Dokumenten, Richtlinien und Wissensbeständen liefert realen Mehrwert – vor allem dort, wo Informationen vorhanden, aber schwer zugänglich sind.
Sprach- und Texttransformation Übersetzung, Transkription, Zusammenfassung und Vereinfachung von Texten funktionieren zuverlässig und skalierbar – mit unmittelbarem Nutzen in internationalen, regulierten oder wissensintensiven Organisationen.
Unterstützung operativer Entscheidungen KI als „zweite Meinung“ bei Angeboten, Planungen oder Bewertungen erhöht Entscheidungsqualität, ohne Verantwortung zu delegieren. Der Nutzen liegt in Perspektivvielfalt, nicht in Autorität.
Automatisierung einfacher, klar abgegrenzter Teilaufgaben Dort, wo Aufgaben klar definiert, datengetrieben und regelarm sind (z. B. Klassifikation, Vorqualifizierung, Priorisierung), arbeitet KI stabil und effizient.
Individuelle Kompetenzverstärkung Eine der größten positiven Überraschungen: Der Produktivitätsgewinn entsteht oft nicht auf Organisationsebene, sondern auf individueller Ebene – bei Mitarbeitenden, die KI bewusst und reflektiert einsetzen.
Nischenanwendungen mit klarem Nutzenversprechen Anwendungen, die zunächst wie Randthemen wirkten (z. B. Avatar-basierte Trainingsvideos), entwickelten sich zu skalierbaren Geschäftsmodellen mit hoher Zahlungsbereitschaft.
Einordnung im Gartner-Hype-Cycle
Die Grafik visualisiert den Entwicklungspfad vom Gipfel überzogener Erwartungen, über das Tal der Enttäuschung hin zu einer Phase realistischer Nutzung. Wir befinden uns nicht am Ende der KI-Entwicklung, sondern am Ende eines naiven Narrativs.
Eine risikoarme Alternative zum direkten KI-Einsatz: Capability Assessment mit KI-Unterstützung
Die Ernüchterung, die der Artikel im Anschluss an den Gartner Hype Cycle beschreibt, hat eine klare Ursache: In vielen Unternehmen wurde versucht, künstliche Intelligenz direkt operativ einzusetzen, bevor Klarheit darüber bestand, welche Fähigkeiten (Capabilities) eigentlich verbessert werden sollen und wo die größten Wertschöpfungshebel liegen. Genau hier setzt ein alternativer Ansatz an, der bewusst nicht mit Tools, Modellen oder Automatisierung beginnt, sondern mit der systematischen Verbesserung der organisationalen Leistungsfähigkeit.
Statt KI unmittelbar in Prozesse, Produkte oder Kundeninteraktionen zu integrieren, wird sie indirekt eingesetzt – als Analyse-, Vergleichs- und Erkenntnisinstrument zur gezielten Weiterentwicklung der entscheidenden Capabilities eines Unternehmens. Dieser Ansatz wird bei Project Management Partners als KI-unterstützte Verbesserung der Capabilities bzw. AI-Driven Capability Enhancement (AIDCE) bezeichnet.
Der grundlegende Gedanke ist ebenso einfach wie wirkungsvoll: Nicht jede Organisation scheitert an fehlender Technologie – die meisten scheitern an unklaren Prioritäten, diffusen Zielbildern, historisch gewachsenen Prozessen und fehlender Transparenz darüber, wo Verbesserungen tatsächlich Wirkung entfalten würden. KI kann genau hier ihre größten Stärken ausspielen, ohne die typischen Risiken des direkten KI-Einsatzes zu erzeugen.
Wie KI im Capability Assessment wirkt – ohne operative Risiken
Im Capability-basierten Vorgehen wird künstliche Intelligenz nicht als Automatisierer eingesetzt, sondern als hochskalierbare Analyse- und Syntheseinstanz. Sie verarbeitet große Mengen an wissenschaftlichen Studien, Branchenbenchmarks, Projekterfahrungen und Best Practices und verdichtet diese zu klaren Erfolgsfaktoren für einzelne Capabilities – etwa Angebotsgeschwindigkeit, Servicequalität, Produktionssteuerung oder Entscheidungsfähigkeit im Management KI-unterstützte Verbesserung de….
Diese extern gewonnenen Erkenntnisse werden anschließend mit dem Ist-Zustand im Unternehmen abgeglichen. Über strukturierte Selbstbewertungen und KI-gestützte Auswertungen entstehen präzise Gap-Analysen: Wo liegen reale Leistungsdefizite? Welche Stellhebel sind nachweislich wirksam? Welche Maßnahmen versprechen mit geringem Eingriff eine hohe Wirkung?
Der entscheidende Unterschied zum klassischen KI-Projekt liegt darin, dass keine produktiven KI-Systeme betrieben werden müssen. Es gibt:
keine sensiblen Datenanbindungen,
keine Compliance- oder Haftungsfragen,
keine Integrationsprojekte in ERP, CRM oder Kernsysteme,
keinen Schulungsaufwand für neue Tools.
Und dennoch wird KI in ihrer ganzen Stärke genutzt: zur Bewältigung von Komplexität, zur schnellen Auswertung großer Informationsmengen und zur evidenzbasierten Entscheidungsunterstützung.
Vergleich: Klassischer KI-Einsatz vs. KI-gestütztes Capability Assessment
Der Vorteil dieses Ansatzes wird besonders deutlich im direkten Vergleich:
Beim klassischen KI-Einsatz versucht das Unternehmen, ein konkretes Tool oder Modell produktiv einzusetzen. Das erzeugt sofort hohe Anforderungen an Datenqualität, Governance, Akzeptanz, IT-Sicherheit und Change-Management. Der Nutzen stellt sich oft verzögert ein – wenn überhaupt.
Beim Capability Assessment mit KI-Unterstützung hingegen:
entsteht Wertschöpfung vor der Technologie,
werden Fähigkeiten gezielt verbessert, die bereits heute geschäftskritisch sind,
bleiben Eingriffe minimalinvasiv,
sind Effekte schneller messbar,
und die Organisation gewinnt Klarheit und Kompetenz für spätere KI-Initiativen.
Oder anders formuliert: KI wirkt hier nicht als Risikohebel, sondern als Erkenntnisbeschleuniger.
Zeitrahmen, Risiko und Wirkung
Ein weiterer zentraler Punkt – gerade im Lichte der im Artikel beschriebenen Enttäuschungen – ist der Zeithorizont. Während klassische KI-Programme häufig viele Monate benötigen, um überhaupt belastbare Ergebnisse zu liefern, ist ein KI-gestütztes Capability Assessment typischerweise in wenigen Wochen abgeschlossen. Bereits nach sechs bis acht Wochen liegen:
priorisierte Capabilities,
konkrete, umsetzbare Maßnahmen,
klare Verantwortlichkeiten,
sowie erste messbare Verbesserungen im Tagesgeschäft vor Hans-Jörg-Einstieg-KI-Projekte-….
Das Risiko ist dabei bewusst gering gehalten: Es werden keine irreversiblen Technologieentscheidungen getroffen, keine langfristigen Lizenzbindungen eingegangen und keine Organisationseinheiten überfordert. Gleichzeitig entstehen genau jene Voraussetzungen – Zielklarheit, Prozessverständnis, Datenbewusstsein und Governance-Disziplin –, die im Artikel als fehlend bei vielen gescheiterten KI-Pilotprojekten identifiziert wurden.
Strategische Einordnung
Vor dem Hintergrund der „Hype Correction“ lässt sich dieser Ansatz als Brückentechnologie verstehen: Er ermöglicht es Unternehmen, die Vorteile von KI sofort zu nutzen, ohne sich den Enttäuschungen auszusetzen, die aus überhastetem operativem Einsatz resultieren. Gleichzeitig bereitet er die Organisation systematisch auf spätere, nachhaltige KI-Implementierungen vor.
Project Management Partners begleiten Unternehmen dabei sowohl methodisch als auch inhaltlich – von der Definition der relevanten Capabilities über die KI-gestützte Analyse bis zur Ableitung und Umsetzung wirksamer Maßnahmen. Der Fokus liegt dabei nicht auf Technologieverliebtheit, sondern auf messbarer Wertschöpfung und organisatorischer Lernfähigkeit.
Zusammenfassung: Was bleibt – und was jetzt zu tun ist
Die vielleicht wichtigste Erkenntnis des Artikels ist: Der Hype war notwendig, um Kapital, Talente und Aufmerksamkeit zu mobilisieren. Die Ernüchterung ist notwendig, um aus Technologie die dringend notwendige Produktivitätsverbesserung Wertschöpfung zu machen.
KI verschwindet nicht. Aber sie verlangt jetzt etwas, das im Rausch der letzten Jahre zu kurz kam: Verständnis, Integration, Geduld.
Zehn Regeln für Berater und Manager
Beginne nie mit der Technologie, sondern mit der Fähigkeit, die im Unternehmen fehlt oder gestärkt werden soll.
Ersetze FOMO durch Analyse: Kein KI-Projekt ohne klar benanntes Geschäftsproblem.
Plane KI immer als Mensch-Maschine-System, nicht als autonome Lösung.
Messe Erfolg an Kompetenzgewinnen, nicht an Modell-Benchmarks.
Akzeptiere Lernphasen: Pilotprojekte sind kein Scheitern, sondern Erkenntnisarbeit.
Integriere KI in Prozesse, nicht in PowerPoint-Strategien.
Investiere zuerst in Datenqualität, Governance und Qualifizierung, nicht in das „neueste Modell“.
Mache informelle KI-Nutzung sichtbar und sicher, statt sie zu verbieten.
Trenne Marketing-Narrative von operativer Realität.
Denke in Jahren, nicht in Quartalen, wenn du nachhaltige KI-Wertschöpfung willst.
Der Financial Time Kolumnist Richard Waters diskutiert mit dem MIT Technology Review Herausgeber David Rotman über die Auswirkungen der KI auf den Arbeitsmarkt und gibt dabei sehr aufschlussreiche Einblicke über Trends und die richtige Herangehensweise zur Umsetzung von KI in Unternehmen und anderen Organisationen.
Der Artikel analysiert die tatsächliche wirtschaftliche Wirkung von generativer KI auf Produktivität, Beschäftigung und Unternehmensorganisation – jenseits des Hypes.
Zentral ist die Diagnose: Die Einführung von KI verläuft extrem ungleich. Während in einzelnen Bereichen bereits massive Effizienzsprünge zu beobachten sind (z.B. KI-Coding-Assistants, die laut Zuckerberg bald 50% des Meta-Codes erstellen), verzeichnen 95% der generativen KI-Projekte bislang keinerlei wirtschaftlichen Ertrag. Dies wird von Skeptikern als Beweis gesehen, dass KI aufgrund ihrer probabilistischen Natur und halluzinativer Fehleranfälligkeit strukturell ungeeignet sei, Produktivität tiefgreifend zu steigern.
Die Gegenthese, vertreten u.a. von Erik Brynjolfsson, lautet: Transformative Technologien entfalten ihre gesamtwirtschaftliche Wirkung typischerweise zeitversetzt („Produktivitätsparadox“). Die Verzögerung resultiert nicht aus der Technologie selbst, sondern aus notwendigen organisatorischen Voraussetzungen: Neue Datenplattformen, Prozess-Re-Design, Kompetenzaufbau, Infrastruktur. In der IT zeigte der Produktivitätsschub der 1990er Jahre, dass jahrelange Vorinvestitionen notwendig waren, bevor Wirkung sichtbar wurde.
Für KI gilt: Der infrastrukturelle Unterbau (Cloud, Mobile Computing, GPU-Kapazitäten) existiert heute bereits. Theoretisch könnte der Produktivitätsboom schneller eintreten als in früheren Technologiezyklen. Erste Makrodaten weisen darauf hin: Nach über 15 Jahren stagnierender Produktivitätsraten von 1–1,5% liegt der US-Wert aktuell bei über 2%. Unklar bleibt jedoch, wie stark KI dafür ursächlich ist und wie nachhaltig dieser Trend ist.
Zugleich wird ein gegenläufiges Argument angeführt: Trotz Digitalisierung, Smartphones, Plattformökonomie und Automatisierung blieb seit den 2000ern eine echte gesamtwirtschaftliche Produktivitätsbeschleunigung aus. Die Hypothese: Digitale Technologien konzentrierten sich zu selten auf die Kernsektoren mit größtem wirtschaftlichem Volumen – Industrie, Pflege, Bildung, Logistik, Verwaltung. KI-Modelle werden primär für Chatbots und Kreativfunktionen optimiert, kaum jedoch für operative produktivitätskritische Tätigkeiten.
Daron Acemoglu warnt davor, dass KI-Investitionen derzeit zu eng ausgerichtet sind. Die dominierenden Foundation-Models lösen zwar kognitive Aufgaben, adressieren aber selten die Bereiche, in denen Millionen Erwerbstätige realen Produktivitätswert erzeugen. Die Gefahr: KI dient kurzfristig als Kostensenkungs- und Entlass(t)ungsinstrument, anstatt neue Wertschöpfungsformen und Qualifikationsanstiege zu ermöglichen. Produktivitätsgewinne entstehen jedoch nicht durch Substitution menschlicher Arbeit, sondern durch Ergänzung (Augmentation) und Qualifikationsverstärkung.
McKinsey vertritt dagegen ein optimistischeres Modell: Rund 60% heutiger Tätigkeiten könnten KI-basiert transformiert werden, was langfristig zu gesamtwirtschaftlichen Produktivitätsgewinnen von bis zu 3,4% pro Jahr führen könne.
Am Ende steht ein ambivalentes, aber zukunftsoffenes Bild: Wir befinden uns in der investitions- und friktionsreichen Vorphase. Die ökonomische Singularität – verstanden als strukturelle Verschiebung von Wertschöpfung, Arbeit und Kapital – ist nicht ausgeschlossen, aber keineswegs garantiert.
Handlungsempfehlungen für Unternehmensberater und Manager
Abbildung: Strategische KI-Implementierung
Produktivitätsrealisierung vor Showcase-Piloten Der Artikel bestätigt: Ein hoher Prozentsatz der KI-Pilotierungen liefern (zunächst) keinen ROI. Empfehlung: – nur Projekte mit messbarem Werttreiber starten (z.B. Durchlaufzeitreduktion, Fehlerraten, Servicekosten) – KPI-Struktur vor Projektstart definieren
Datenplattformen und Prozessdesign priorisieren Technologie allein erzeugt keine Wirkung. Erforderlich: – Bereinigung und Zusammenführung von Datenquellen – Standardisierte Datenpipelines – End-to-End-Prozessanalyse und Re-Design vor Automatisierung
Nicht Substitution, sondern Augmentation als Leitprinzip Kostensenkung durch Stellenabbau führt nicht zu Produktivitätswachstum, sondern beschleunigt lediglich Deflation. Empfehlungen: – KI-Coachings für Fachpersonal auf Station, Produktion, Kundenservice – Fokus auf menschlich-technische Arbeitsteilung („AI-assisted roles“)
KI in produktionsnahen und systemkritischen Sektoren einsetzen Das größte Potenzial liegt nicht im Office-Text- oder Präsentationsbereich, sondern in: – Fertigung (Qualitätskontrolle, Predictive Maintenance) – Pflege und Klinikbetrieb (Dokumentationsentlastung, Triage-Assistenz) – Schule und Bildung (Korrektur-Assistenz, Förderdiagnostik) – Logistik (Routing, Lagerautomatisierung)
Sektor-spezifische KI statt generischer Foundation-Modelle Generative Modelle sind nicht für Industrieprozesse optimiert. Maßnahmen: – Domänenfeintuning auf realen Produktions- und Servicedaten – Aufbau kleiner, erklärbarer Modelle pro Fachbereich – Sicherer Umgang mit vertraulicher Betriebs- und Maschinendatenbasis
Transformation als mehrjährige Strukturreform begreifen Der Artikel zeigt: Transitionsphasen dauern Jahre. Verpflichtend: – KI-Roadmap 24–48 Monate – Kosten- und Kompetenzplan – klare Verantwortlichkeiten (CIO, CDO, KI-Programmleitung)
Kompetenzaufbau wird zentraler Produktivitätstreiber Technische Kompetenz ohne Geschäftsprozesswissen bleibt wirkungslos. Zielbild: – funktionsspezifische AI-Up-/Reskilling Tracks (nicht generische Schulungen) – Prozessverantwortliche als KI-Produktowner
Human-Centered AI als Wettbewerbsfaktor Unternehmerische Zielgröße: nicht „Arbeitskräfte ersetzen“, sondern „Arbeitskraftwert erhöhen“. Beispiele: – Diagnoseassistenz statt ärztlicher Substitution – operative Produktionsbegleitung statt Werker-Reduktion – Service-Augmentation statt Callcenter-Abbau
Implikationen für das Management
– KI-Programme müssen als Organisationsumbau verstanden werden, nicht als Technologieeinführung. – Produktivität entsteht erst, wenn KI systemrelevant in Wertschöpfungskerne integriert wird. – Die strategische Aufgabe des Managements ist die Priorisierung echter Transformationsfelder, nicht die Beschaffung einzelner Tools.
Schlussfolgerung
Der Artikel positioniert KI in einer entscheidenden Übergangsphase: Zwischen Hype und struktureller Neuausrichtung. Unternehmensleitungen und Berater sind gefordert, KI außerhalb des Präsentations- und Textkosmos zu denken und als Infrastrukturwende zu begreifen. Der Produktivitätsboom ist möglich, aber nur, wenn KI dort eingesetzt wird, wo reale Wirtschaft stattfindet – in Industrie, Daseinsvorsorge, Bildung, Logistik und Versorgungssystemen.
Project Management Partners fokussiert exakt auf diese Widersprüche und sieht die KI-Einführung nicht als “anekdotisches” Umsetzen von verlockenden Use-Cases, sondern als Transformationsprozess, der strukturiert geplant und umgesetzt werden muss: Mit der KI-Toolsuite ist genau das möglich, da von Beginn an systematisch die KI-Reife anhand von klaren Kennzahlen entwickelt wird und nicht der reine Fokus auf der Umsetzung von Use Cases liegt. Buchen Sie einen Termin für eine kostenlose Produktvorstellung.
Mit freundlicher Genehmigung des Autors und der Herausgeber aus dem Buch: Hans-Jörg Vohl, „Change Management und Künstliche Intelligenz –Warum KI-Einführung kein Technikprojekt ist und was das bedeutet“ in: Künstliche Intelligenz – Smarte Lösungen im KI-Zeitalter (Hrsg. Carsten Fabig und Alexander Haasper), Vineyard Management Consulting GmbH, Hofheim am Taunus, November 2025, ISBN 978-3-695-18605-1.
Der Artikel ist eine gekürzte Fassung des Originalartikels.
KI einführen heißt Organisation verändern
Künstliche Intelligenz scheitert in Unternehmen nur selten an Algorithmen oder Rechenleistung. In der Praxis sind es vielmehr sehr menschliche und organisatorische Faktoren, die den Erfolg verhindern: unrealistische Erwartungen, fehlendes Vertrauen, unklare Verantwortlichkeiten, unzureichende Datenflüsse oder überlastete Teams. Besonders in kleinen und mittleren Unternehmen fehlen häufig Zeit, Erfahrung und personelle Ressourcen, während größere Organisationen mit komplexen Zuständigkeiten, Silos und Governance-Vorgaben kämpfen. In beiden Fällen gilt: Wer KI einführt, greift tief in Entscheidungswege, Rollenbilder und Lernroutinen ein. Genau deshalb ist KI-Einführung immer auch ein Veränderungsprozess – und damit eine Frage des Change Managements.
Der entscheidende Punkt ist, dass Technik und Organisation nicht getrennt betrachtet werden dürfen. KI verändert nicht nur Werkzeuge, sondern auch die Art, wie Arbeit erledigt, Entscheidungen getroffen und Verantwortung verteilt wird. Wird dieser Zusammenhang ignoriert, bleibt selbst gute Technik wirkungslos.
Warum KI einen besonderen Veränderungsbedarf erzeugt
Im Unterschied zu klassischen IT-Systemen liefert KI keine eindeutigen „richtig oder falsch“-Antworten. Sie arbeitet mit Wahrscheinlichkeiten, lernt aus Daten und verändert ihr Verhalten über Zeit. Für viele Organisationen bedeutet das einen tiefen Bruch mit gewohnten Denkmodellen. Ergebnisse müssen erklärt, eingeordnet und kritisch reflektiert werden. Gleichzeitig schwanken Qualität und Genauigkeit, insbesondere in frühen Phasen. Aus Anwendersicht entstehen neue Oberflächen, neue Arbeitslogiken und neue Fehlerbilder. Statt Sicherheit gibt es zunächst mehr Fragen als Antworten.
Wenn diese Unsicherheit nicht aktiv begleitet wird, schlägt sie schnell in Ablehnung um. Aussagen wie „zu kompliziert“, „darauf verlasse ich mich nicht“ oder „das macht mir mehr Arbeit als Nutzen“ sind typische Reaktionen. Hinzu kommt, dass KI fast immer interdisziplinär wirkt. Sie verändert nicht nur einzelne Aufgaben, sondern ganze Funktionsbereiche und deren Zusammenspiel. Genau deshalb müssen Ängste ernst genommen und Veränderungen gemeinsam mit den Betroffenen gestaltet werden. Ohne diesen Schritt bleibt der Erfolg fragil.
Praxisbeispiele: Warum Technik allein nicht reicht
In einem mittelständischen Unternehmen wird ein KI-gestützter Service-Chatbot eingeführt. Technisch funktioniert das System zuverlässig. Dennoch nutzen die Mitarbeitenden es kaum, weil unklar ist, wann die KI übernehmen soll, was als akzeptable Antwort gilt und wie Fehler korrigiert werden. Ohne klare Regeln, kurze Trainings am realen Fall und sichtbare Erfolgskriterien wird der Chatbot ignoriert oder abgeschaltet.
In einem größeren Industriebetrieb werden KI-basierte Nachfrageprognosen getestet. Die Modelle liefern plausible Ergebnisse, doch Einkauf und Vertrieb misstrauen den Empfehlungen. Sie verstehen nicht, warum sich Vorschläge von einem Tag auf den anderen ändern. Ohne transparente Kommunikation, gemeinsam definierte Akzeptanzgrenzen und feste Feedback-Routinen bleibt der Nutzen begrenzt – trotz guter Modellqualität.
Beide Beispiele zeigen: Der Engpass liegt nicht in der Technik, sondern im Umgang mit Unsicherheit, Verantwortung und Lernen.
Warum Change Management bei KI besonders kritisch ist
KI verändert Arbeit grundlegend. Anders als bei klassischen Systemeinführungen gibt es keinen klaren Endpunkt nach dem Go-Live. Stattdessen entstehen Lernkurven, die kontinuierliche Anpassung erfordern. Bestehende Routinen von „richtig“ und „falsch“ werden infrage gestellt, insbesondere in Bereichen, die auf Verlässlichkeit und Nachvollziehbarkeit angewiesen sind. Für viele Organisationen ist das ungewohnt und verunsichernd.
Diese Unsicherheit macht KI-Projekte anfällig. Ohne aktive Steuerung entstehen Akzeptanzprobleme, Fehlnutzung oder Rückfälle in alte Arbeitsweisen. Gleichzeitig hängt der Nutzen stark von organisatorischer Passung ab. KI entfaltet ihren Wert nur dann, wenn Prozesse, Rollen und Datenflüsse aufeinander abgestimmt sind. Fehlt diese Abstimmung, entstehen Insellösungen ohne messbaren Effekt.
Unterschiedliche Ausgangslagen: KMU und größere Unternehmen
In kleinen und mittleren Unternehmen fehlt oft die Erfahrung mit KI-Projekten. Der Mut, klein zu starten, ist begrenzt, und Vorhaben werden schnell zu groß angelegt. Ohne begleitende Lernschleifen und regelmäßige Überprüfung bleibt der Fortschritt aus. Wirkungsvoll sind hier klar geschnittene Piloten mit wenigen, verständlichen Kennzahlen und kurzen Feedback-Zyklen.
In größeren Unternehmen liegen die Hürden meist in Silostrukturen, Tool-Fragmentierung und komplexer Governance. Hier braucht es Transparenz über Prozesse und Zuständigkeiten sowie Orientierung im Arbeitsfluss, damit Teams nicht den Anschluss verlieren, wenn sich Systeme weiterentwickeln.
Was wirksames Change Management bei KI leisten muss
Gutes Change Management sorgt dafür, dass Technik wirksam wird. Es kalibriert Erwartungen, klärt Rollen, macht Lernen möglich und schafft Vertrauen. Entscheidend ist nicht theoretische Methodik, sondern konsequente Umsetzung im Alltag. Mitarbeitende müssen wissen, was die KI leisten kann und wo ihre Grenzen liegen. Verantwortung für Daten, Modelle und Entscheidungen muss eindeutig benannt sein. Lernen muss nah am realen Prozess stattfinden, nicht in abstrakten Schulungen. Fortschritt muss sichtbar werden, etwa durch wenige, nutzernahe Kennzahlen. Und statt großer Rollouts braucht es kleine, überprüfbare Schritte mit klaren Entscheidungspunkten.
Der unmittelbare Nutzen ist spürbar. Teams gewinnen Sicherheit im Umgang mit der KI, Fachbereiche behalten die Kontrolle, und Führung kann Risiken adressieren, bevor Vertrauen verloren geht. Gute Technik entfaltet ihren Wert erst dann, wenn sie in einen tragfähigen Veränderungsprozess eingebettet ist.
Grenzen und typische Fehler
Change Management ist kein Allheilmittel. Es kann schlechte Daten nicht reparieren, ungeeignete Use Cases nicht wertvoll machen und regulatorische Anforderungen nicht ersetzen. Besonders schädlich sind kosmetische Kommunikation ohne echte Beteiligung, technischer Aktionismus ohne klare Regeln, das Überspringen von Startklarheit oder groß angekündigte Rollouts ohne Lernphasen. Ebenso zerstörerisch sind Überversprechen, die bei den ersten Einschränkungen zu Enttäuschung führen.
Wirksam ist dagegen ein nüchterner, ehrlicher Ansatz: klar kommunizieren, klein starten, konsequent messen und gemeinsam lernen.
Zusammenführung: Warum Change der Schlüssel ist
Der Erfolg von KI-Projekten entsteht aus dem Zusammenspiel von technischer Qualität, erlebtem Nutzen und Vertrauen. Fehlt einer dieser Faktoren, bleibt die Wirkung begrenzt. Change Management ist die Verbindung zwischen diesen Elementen. Es übersetzt Ziele in Alltag, macht Nutzen greifbar und hält den Lernprozess stabil.
KI-Einführung ist damit weniger eine Frage von Hightech als von Handwerk. Wer pilotiert, lernt, erklärt und erst dann skaliert, schafft Lösungen, die nicht nur gut aussehen, sondern im Betrieb tragen. Der richtige Zeitpunkt dafür ist selten perfekt. Aber er ist immer dann, wenn man bereit ist, klein zu beginnen und unterwegs besser zu werden.
Mit freundlicher Genehmigung des Autors und der Herausgeber aus dem Buch: Hans-Jörg Vohl, „Wie führe ich KI erfolgreich in meinem Unternehmen ein?“ in: Künstliche Intelligenz – Smarte Lösungen im KI-Zeitalter (Hrsg. Carsten Fabig und Alexander Haasper), Vineyard Management Consulting GmbH, Hofheim am Taunus, November 2025, ISBN 978-3-695-18605-1.
Der Artikel ist eine gekürzte Fassung des Originalartikels.
I. Warum Unternehmer und Manager zögern
Viele Unternehmen bremsen bei der Einführung von Künstlicher Intelligenz, obwohl die grundsätzliche Relevanz längst erkannt ist. Die Gründe sind selten Ablehnung, sondern vor allem Vorsicht und Unsicherheit. Gleichzeitig hat sich der Rahmen deutlich verändert: Technologie entwickelt sich schnell weiter, der Wettbewerbsdruck steigt, und regulatorische Anforderungen werden konkret. Dadurch wird KI weniger zu einer optionalen Zukunftsfrage, sondern zu einer Managementaufgabe der Gegenwart. Entscheidend ist nicht mehr, ob KI genutzt wird, sondern wie sie so eingeführt wird, dass Nutzen, Sicherheit und Akzeptanz zusammenpassen.
Die fünf häufigsten Gründe fürs Zögern
1) Rechts- und Vertrauensunsicherheit Ein wesentlicher Hemmschuh ist das Gefühl, auf rechtlich unsicherem Terrain zu agieren. Viele Verantwortliche fragen sich zuerst, ob bestimmte Anwendungen überhaupt erlaubt sind. Datenschutz, Urheberrecht, Haftungsfragen und regulatorische Anforderungen wirken wie ein komplexes Risikofeld. Besonders heikel wird es, sobald interne oder kundenspezifische Daten im Spiel sind. Schon bei frühen Überlegungen treten Fragen auf: Wer darf auf welche Daten zugreifen? Welche Daten dürfen an externe Systeme übermittelt werden? Wie lässt sich dokumentieren, was ein System tut und warum es so entscheidet? Ohne klare Leitplanken entsteht Zurückhaltung – nicht, weil man nicht will, sondern weil niemand ein Risiko verantworten möchte, das er nicht überblickt.
2) Fehlende Zeit und Kompetenzen KI wirkt attraktiv, aber sie konkurriert mit einem vollen Alltag. In vielen Unternehmen fehlt ein freier Zeitkorridor, um neue Arbeitsweisen geordnet zu testen und zu verankern. Zusätzlich ist die Kompetenzlage oft uneinheitlich: Es gibt vielleicht technische Expertise, aber wenig Erfahrung in Prozessintegration, Datenverantwortung oder Change-Kommunikation. Häufig ist unklar, wer überhaupt die Führung übernimmt: IT, Fachbereich, Datenschutz, Rechtsabteilung oder eine übergreifende Rolle? Wenn Zuständigkeiten nicht sauber geklärt sind, bleiben Initiativen fragmentiert. Es entstehen gute Absichten und einzelne Experimente – aber keine konsequente Umsetzung. Gerade in wirtschaftlich angespannten Situationen verstärkt sich dieses Muster: Kurzfristige operative Themen erhalten Priorität, während strukturelle Entwicklungsarbeit aufgeschoben wird.
3) Unklare Use Cases und schwer greifbarer ROI Viele Unternehmen spüren, dass KI Potenzial hat, können aber nicht klar benennen, wo genau es im eigenen Betrieb den größten Nutzen bringt. Ideen sind vorhanden, aber sie bleiben oft allgemein: „Wir könnten im Service automatisieren“, „Wir könnten schneller Angebote erstellen“, „Wir könnten Wissenssuche verbessern“. Der Nachweis eines belastbaren Business Case ist jedoch schwierig, wenn Ziele und Messgrößen fehlen. Dazu kommt ein typisches Problem: Selbst wenn ein Pilot in einer isolierten Umgebung gut aussieht, entsteht im Alltag oft keine Wirkung, weil die Integration in bestehende Systeme nicht gelingt. Ohne Anbindung an Ticketing, CRM oder ERP bleiben Zeitersparnisse theoretisch. Wenn Nutzen nicht sauber gemessen und in die operative Realität übertragen wird, entsteht kein Momentum – und das Thema wandert erneut nach hinten.
4) Daten- und Infrastrukturbaustellen KI ist nur so gut wie die Daten, auf denen sie arbeitet. In vielen Unternehmen sind relevante Informationen aber verteilt, uneinheitlich, historisch gewachsen oder nur schwer zugänglich. Oft existieren Dateninseln, unterschiedliche Definitionen, inkonsistente Pflege oder unklare Verantwortung. Zusätzlich sind Sicherheits- und Berechtigungsmodelle komplex: Wer darf welche Informationen sehen, nutzen, verändern, und wie lange? Dadurch wird selbst ein kleiner Proof of Concept schnell zu einem Daten- und Integrationsprojekt. Statt Nutzen zu erzeugen, verbringen Teams viel Zeit damit, Grundlagen zu schaffen. Wenn diese Grundlagen fehlen, wird die Einführung zäh – nicht, weil die Idee schlecht ist, sondern weil das Fundament nicht trägt.
5) Die Produktivitäts-J-Kurve Ein wichtiger Punkt ist die Erwartungskorrektur: Am Anfang macht KI Arbeit. Prozesse werden angepasst, Rollen neu definiert, Mitarbeitende geschult, Verantwortlichkeiten geklärt und Qualitätssicherung aufgebaut. Das kostet Zeit, Geld und Aufmerksamkeit – Ressourcen, die gerade in angespannten Phasen knapp sind. Der Nutzen kommt häufig erst nach einer Lern- und Umstellungsphase. Wer diese Anfangsbelastung nicht einplant, erlebt Enttäuschung und stoppt zu früh. Wer sie jedoch bewusst einkalkuliert, kann die Lernkurve steuern und den späteren Nutzen deutlich zuverlässiger erreichen.
Was sich in den letzten zwei Jahren sichtbar verändert hat
Mehr Nutzung, weniger Scheu – aber viele Piloten bleiben Piloten KI ist in vielen Teams bereits angekommen, oft in Form von Assistenzsystemen für Texte, Recherchen oder erste Analysen. Die Nutzung ist pragmatischer geworden, und viele Mitarbeitende haben weniger Berührungsängste. Trotzdem gelingt der Übergang in die Breite häufig nicht. Der Grund liegt weniger in der reinen Toolnutzung, sondern in der Einbettung in reale Abläufe: Wer integriert die Lösung in bestehende Systeme? Wer betreibt und verbessert sie dauerhaft? Und wer trägt die Verantwortung? Ohne klare Antworten bleibt es bei Pilotprojekten.
Regulatorik wird real – Governance wird Pflichtaufgabe Regulatorische Rahmenbedingungen sind nicht mehr abstrakt. Unternehmen müssen sich mit Richtlinien, Rollen, Risiko- und Dokumentationspflichten auseinandersetzen. Das wird häufig zunächst als Aufwand erlebt, weil es nicht unmittelbar Wertschöpfung erzeugt. Gleichzeitig bietet Governance eine Chance: Wenn Spielregeln definiert sind, sinkt Unsicherheit, und Entscheidungen werden handhabbarer. Für viele kleinere Unternehmen ist das jedoch ungewohnt, weil pragmatische Umsetzung traditionell stärker gewichtet wird als formale Regelwerke. Die Herausforderung besteht darin, Governance schlank und wirksam zu gestalten, statt sie als Bremse zu erleben.
Wettbewerbsdruck steigt – die Lücke wächst Unternehmen, die früh begonnen haben, professionalisieren ihre Ansätze, standardisieren Schnittstellen und bauen systematisch aus. Wer abwartet, spart kurzfristig Aufwand, verliert aber langfristig Geschwindigkeit, Qualität und Innovationsfähigkeit. Die Lücke entsteht nicht nur bei Kosten, sondern auch bei der Fähigkeit, neue Lösungen schnell in den Betrieb zu überführen und kontinuierlich zu verbessern.
Was heißt das jetzt konkret? Drei pragmatische Einsichten
Governance entlastet, statt zu bremsen Klare Regeln zu Daten, Rollen, Verantwortlichkeiten, Transparenz und Haftung sind kein Selbstzweck. Sie reduzieren Unsicherheit, ermöglichen mutigere Entscheidungen und verhindern teure Fehlstarts. Gute Governance wirkt wie ein Sicherheitsrahmen: Sie macht Handlungsspielräume klar, statt sie zu verbieten.
Kleine, messbare Use Cases schlagen große Visionen Statt mit einem großen, abstrakten Ziel zu starten, ist ein klar definierter, messbarer Anwendungsfall oft wirkungsvoller. Ein kleiner Use Case, der sauber integriert ist, verlässlich gemessen wird und im Alltag tatsächlich Zeit spart oder Qualität hebt, erzeugt mehr Dynamik als viele unkonkrete Ideen. Wiederholbarkeit und Skalierbarkeit entstehen durch klare Messgrößen, stabile Einbindung und Lernschleifen.
Daten- und Menschenarbeit sind Führungsthemen Datenqualität, Verantwortlichkeiten und Kompetenzaufbau lassen sich nicht „nebenbei“ erledigen. Wer die Menschen befähigt, Prozesse sauber umstellt und Ownership schafft, verkürzt die Anfangsphase deutlich. Ohne diese Arbeit bleibt KI oft Oberfläche – mit ihr wird sie zum betrieblichen Fortschritt.
Die sieben kritischen Erfolgsfaktoren
Erfolgreiche KI-Einführung hängt weniger an einzelnen Technologien, sondern an einer Kombination aus Führung, organisatorischer Klarheit, tragfähiger Umsetzung und konsequentem Lernen. Sieben Faktoren sind dabei besonders entscheidend:
1) Sichtbares Leadership und Sponsoring KI-Projekte benötigen aktive Führung. Wenn eine Leitungsperson ein klares Zielbild formuliert, Priorität sichtbar macht und Hindernisse konsequent aus dem Weg räumt, entsteht Orientierung. Entscheidend ist nicht nur Zustimmung, sondern ein regelmäßiger, verlässlicher Führungsimpuls: Blockaden werden schneller gelöst, Zuständigkeiten werden geklärt, und Teams bleiben handlungsfähig. Schweigen oder Unklarheit von oben führt dagegen häufig zu Verunsicherung und Verzögerung.
2) Organisatorische Readiness Bevor ein Projekt startet, sollte ehrlich geprüft werden, ob Ziele, Daten, Prozesse und Ansprechpartner tatsächlich passen. Ein kompakter Readiness-Check kann verhindern, dass Monate in einem Pilot verloren gehen, der an Grundlagen scheitert. Sinnvoll ist ein fokussierter Start, etwa über einen Pilotbereich oder einen Standort, der überschaubar ist und schnell Lernen erlaubt. Wer Startbedingungen realistisch prüft, startet schneller und stabiler.
3) Technisches Fundament Es braucht keine perfekte IT, aber ein Mindestfundament. Dazu gehören nutzbare Daten, klare Qualitätsindikatoren und ein Rhythmus für Messung und Verbesserung. Ein einfaches System, das Datenqualität sichtbar macht und regelmäßige Lernschleifen erzwingt, ist oft wirkungsvoller als große, komplexe Steuerungsinstrumente. Entscheidend ist der kontinuierliche Takt: beobachten, messen, nachschärfen, verbessern.
4) Menschen und Vertrauen Selbst gute Systeme scheitern, wenn die betroffenen Teams nicht eingebunden sind oder sich ausgeschlossen fühlen. Wirkung entsteht durch Lernen am echten Prozess: kurze, praxisnahe Schulungen, regelmäßige Sprechstunden, interne Multiplikatoren und ein Klima, in dem Fragen erlaubt sind. Vertrauen wächst, wenn Mitarbeitende verstehen, was die Lösung tut, wo ihre Grenzen liegen und wie sie sinnvoll genutzt wird.
5) Kommunikation und Erwartungsmanagement Zu Beginn werden KI-Fähigkeiten oft überschätzt, während der strukturelle Aufwand unterschätzt wird. Deshalb braucht es klare Kommunikation: Warum wird KI eingeführt? Was kann sie leisten – und was nicht? Welche Veränderungen entstehen im Alltag? Wenn alle Beteiligten ein realistisches Bild teilen, sinken Reibungsverluste, und der Dialog bleibt konstruktiv, auch wenn Fehler auftreten.
6) Prozess und Umsetzung: vom Pilot zur Skalierung Ein sicherer Weg ist, klein zu starten, strukturiert zu lernen und bewusst zu skalieren. Dazu helfen klare Zwischenstopps, an denen entschieden wird, ob ein Vorhaben tragfähig ist, ob es Nutzen bringt und ob der Betrieb stabil ist. Diese Zwischenstopps verhindern, dass zu früh groß ausgerollt wird oder dass Pilotprojekte endlos weiterlaufen, ohne produktive Wirkung zu entfalten.
7) Policy und Governance Klare Regeln sind eine Absicherung. Es genügt oft, Verantwortlichkeiten in einem einfachen Rollenmodell zu definieren und je Modell eine kurze Dokumentation anzulegen: Zweck, Datenquellen, Grenzen, Zuständigkeiten. Wichtig ist nicht Papier, sondern Regelmäßigkeit: Wenn Kennzahlen und Risiken vor Skalierung überprüft werden, bleiben Projekte diszipliniert und auditierbar.
Kernbotschaft
KI-Einführung ist in erster Linie Organisationsarbeit. Technik ist notwendig, aber nicht ausreichend. Führung schafft Richtung, Readiness verhindert Fehlstarts, ein Mindestfundament ermöglicht Betrieb, Menschenarbeit erzeugt Akzeptanz, Kommunikation stabilisiert Erwartungen, Prozessdesign steuert Tempo, und Governance schützt Fortschritt. Wer diese Punkte ernst nimmt, legt die Grundlage, um den passenden Einführungsweg zu wählen und nicht bei Piloten stehenzubleiben.
II. Die drei Wege zur Einführung von Künstlicher Intelligenz
Die Einführung von KI ist kein lineares Stufenmodell, das jedes Unternehmen zwangsläufig in derselben Reihenfolge durchläuft. Sinnvoller ist es, die Ausgangslage realistisch zu betrachten. Zwei Faktoren sind dabei entscheidend: die Klarheit über Ziele und Nutzen von KI sowie die vorhandene Kompetenz, diese Ziele organisatorisch, technisch und kulturell umzusetzen.
Zielklarheit bedeutet, dass ein Unternehmen weiß, wofür KI konkret eingesetzt werden soll und woran Erfolg gemessen wird. Kompetenz meint mehr als technisches Wissen. Sie umfasst auch Prozessverständnis, Datenpraxis, Governance-Routinen und die Fähigkeit, Veränderungen im Unternehmen wirksam zu gestalten.
Aus der Kombination dieser beiden Dimensionen ergeben sich drei praktikable Wege zur KI-Einführung, die jeweils zu unterschiedlichen Ausgangslagen passen.
Orientierung entlang von Zielklarheit und Kompetenz
Unternehmen mit niedriger Zielklarheit und geringer Kompetenz profitieren zunächst nicht von großen KI-Implementierungen. Hier ist Orientierung gefragt. Organisationen mit klaren Zielen, aber noch begrenzter Umsetzungskompetenz benötigen Struktur und Begleitung. Und Unternehmen, die sowohl Zielklarheit als auch Kompetenz aufgebaut haben, können KI eigenständig und planvoll einführen.
Diese drei Situationen bilden die Grundlage für die drei Wege: Capability-Enhancement, den KI-Toolsuite-geführten Weg und den klassischen Weg.
Der klassische Weg: eigenständig, planvoll, skalierbar
Der klassische Weg eignet sich für Organisationen, die ihre Ziele klar formulieren können und über eingespielte Teams in Daten, Prozessen, IT und Veränderungsmanagement verfügen. In diesem Fall kann KI ähnlich wie andere strategische Initiativen eingeführt werden: fokussiert, schrittweise und mit klarer Steuerung.
Typisch ist ein Vorgehen, bei dem zunächst ein klar abgegrenzter Anwendungsfall definiert wird. Dieser Pilot wird nicht im Labor getestet, sondern im realen Arbeitsalltag. Währenddessen werden Nutzen, Qualität und Akzeptanz kontinuierlich beobachtet. Auf dieser Basis wird entschieden, ob nachgeschärft, gestoppt oder skaliert wird.
Der große Vorteil dieses Weges liegt in der Eigenständigkeit. Das Unternehmen behält volle Kontrolle über Tempo, Prioritäten und Architektur. Gleichzeitig erfordert dieser Ansatz Disziplin: Datenpflege, Dokumentation, Governance und Adoption müssen konsequent mitgedacht werden. Ohne diese Disziplin drohen Reibungsverluste, auch wenn die technische Lösung grundsätzlich funktioniert.
Der klassische Weg ist kein schneller Einstieg, aber ein robuster Pfad für Organisationen, die reif genug sind, KI als dauerhaften Bestandteil ihres Betriebsmodells zu etablieren.
Capability-Enhancement: Orientierung und Wirkung vor Technik
Wenn Zielbild und Kompetenz noch unscharf sind, ist es riskant, direkt mit KI-Tools zu starten. In dieser Situation setzt Capability-Enhancement an. Der Fokus liegt nicht auf Technologie, sondern auf den Fähigkeiten, mit denen ein Unternehmen heute Wert schafft: zum Beispiel Angebotsgeschwindigkeit, Servicequalität, Lieferzuverlässigkeit oder Wissensnutzung.
Diese Fähigkeiten werden systematisch identifiziert, priorisiert und analysiert. KI dient dabei als Analyse- und Erkenntnisinstrument: Sie hilft, große Mengen an Studien, Best Practices und Vergleichsdaten auszuwerten und sichtbar zu machen, wodurch erfolgreiche Organisationen besser sind als andere. Daraus entsteht ein realistisches Bild der eigenen Stärken und Engpässe.
Auf dieser Basis werden gezielte Verbesserungsmaßnahmen abgeleitet, meist in Form kleiner, überschaubarer Initiativen mit klarer Verantwortung. Der Nutzen entsteht schnell und unmittelbar im Tagesgeschäft – oft ohne neue Software oder komplexe IT-Projekte.
Capability-Enhancement stärkt damit die Organisation, bevor KI operativ eingesetzt wird. Zielklarheit wächst, Prozesse werden sauberer, Verantwortlichkeiten klarer. Gleichzeitig bauen Teams Kompetenz auf, ohne mit komplexen Systemen überfordert zu werden. Dieser Weg ersetzt keine spätere KI-Einführung, bereitet sie aber wirksam vor.
Orientierungshilfe zur Entscheidung über das Vorgehensmodell
Der KI-Toolsuite-geführte Weg: Struktur, Tempo und Sicherheit
Für viele Unternehmen liegt die Realität zwischen den beiden Extremen. Entweder sind Ziele vorhanden, aber die Umsetzungskompetenz fehlt noch, oder es gibt kompetente Teams, aber kein klares Zielbild. In diesen Fällen bietet ein strukturierter, begleiteter Ansatz Vorteile.
Der KI-Toolsuite-geführte Weg verbindet methodische Führung mit praktischer Unterstützung. Er deckt den gesamten Bogen der KI-Einführung ab: von der Standortbestimmung über die Identifikation und Bewertung von Use Cases bis hin zur Umsetzung, Steuerung und Kompetenzentwicklung.
Zentral ist dabei, dass Entscheidungen nicht aus dem Bauch heraus getroffen werden, sondern auf klaren Kriterien beruhen. Fortschritt wird sichtbar gemacht, Risiken werden früh adressiert, und Governance ist von Anfang an integriert. Gleichzeitig bleibt das Unternehmen handlungsfähig und eigenverantwortlich.
Readiness Radar aus der KI-Toolsuite mit Reifegraden Darstellung der notwendigen “Dimensionen” (Kategorien)
Ein wichtiger Bestandteil dieses Weges ist die Kombination aus digitalen Werkzeugen und persönlicher Beratung. Die Tools geben Struktur und Transparenz, die Beratung hilft bei Zielschärfung, Priorisierung und der Übersetzung von Ergebnissen in konkrete Maßnahmen. Dadurch wird die Einführung beschleunigt, ohne die Organisation zu überfordern.
Der KI-Toolsuite-geführte Weg ist für viele KMU und dezentrale Unternehmensbereiche ein praktikabler Mittelweg: niedrigschwelliger Einstieg, klare Orientierung und ein reproduzierbarer Prozess.
III. Die Optionen im Vergleich
Die drei Wege unterscheiden sich weniger im Anspruch als in Tempo, Einstiegshürde und Steuerungslogik.
Der klassische Weg erfordert den höchsten Eigenaufwand, bietet dafür aber maximale Selbstbestimmung und hohe Skalierbarkeit, wenn die Voraussetzungen stimmen. Capability-Enhancement ermöglicht einen sehr schnellen Einstieg mit unmittelbarer Wirkung, bleibt jedoch zunächst auf die Verbesserung von Fähigkeiten begrenzt. Der KI-Toolsuite-geführte Weg verbindet Struktur mit Geschwindigkeit und bietet eine integrierte Steuerung über mehrere Initiativen hinweg.
Gemeinsam ist allen drei Wegen, dass sie nur dann nachhaltig wirken, wenn Governance, Change und Nutzungssicherung von Beginn an mitgedacht werden. KI entfaltet ihren Nutzen nicht durch den Rollout allein, sondern durch konsequente Anwendung im Alltag.
IV. Synthese: Orientierung statt Königsweg
Es gibt keinen universell richtigen Weg zur Einführung von Künstlicher Intelligenz. Unternehmen starten von sehr unterschiedlichen Ausgangspunkten, mit verschiedenen Zielbildern, Kompetenzen und Restriktionen. Entscheidend ist daher weniger die perfekte Wahl des Ansatzes als ein bewusster, gut strukturierter Start.
KI-Einführung ist kein einmaliges Projekt, sondern ein dauerhafter Organisationsprozess. Sie lebt von Lernschleifen, klaren Entscheidungen und der Fähigkeit, Fortschritt regelmäßig zu überprüfen. Kleine, belastbare Ergebnisse sind dabei wertvoller als große Ankündigungen.
Alle drei Wege lassen sich zudem kombinieren. Unternehmen können mit Capability-Enhancement Orientierung gewinnen, anschließend strukturiert skalieren und später einzelne Initiativen klassisch eigenständig weiterführen. Wichtig ist, dass der gewählte Weg zur aktuellen Situation passt und nicht an einem idealisierten Zielbild ausgerichtet wird.
Abschließende Einordnung
Der größte Fehler bei der KI-Einführung ist selten die falsche Methode. Häufiger ist es das Zögern. Abwarten wirkt kurzfristig sicher, verzögert aber Lernen, Nutzen und Kompetenzaufbau. Sicherheit entsteht nicht durch Perfektion vor dem ersten Schritt, sondern durch diszipliniertes Lernen im Tun.
KI einzuführen heißt, die eigene Organisation weiterzuentwickeln: Schritt für Schritt, mit klarer Richtung, überschaubaren Ergebnissen und einer Haltung, die Lernen ermöglicht. Wer diesen Prozess ernst nimmt, macht KI nicht zum Risiko, sondern zu einer gestaltbaren Fähigkeit des Unternehmens.
Wir schätzen Ihre Privatsphäre
Wir verwenden technisch notwendige Cookies und Local-Storage-Einträge, um den Betrieb unserer Website sicherzustellen (z.B. Login, Sitzungen) sowie eine anonyme, lokale Reichweitenanalyse ohne Drittanbieter. Es findet kein Tracking über externe Dienste statt. Weitere Informationen finden Sie in unserer Datenschutzerklärung.
Funktional
Immer aktiv
Die technische Speicherung oder der Zugang ist unbedingt erforderlich für den rechtmäßigen Zweck, die Nutzung eines bestimmten Dienstes zu ermöglichen, der vom Teilnehmer oder Nutzer ausdrücklich gewünscht wird, oder für den alleinigen Zweck, die Übertragung einer Nachricht über ein elektronisches Kommunikationsnetz durchzuführen.
Präferenzen
Die technische Speicherung oder der Zugriff ist für den rechtmäßigen Zweck der Speicherung von Präferenzen erforderlich, die nicht vom Abonnenten oder Benutzer angefordert wurden.
Statistiken
Die technische Speicherung oder der Zugriff, der ausschließlich zu statistischen Zwecken erfolgt.Die technische Speicherung oder der Zugriff, der ausschließlich zu anonymen statistischen Zwecken verwendet wird. Ohne eine Vorladung, die freiwillige Zustimmung deines Internetdienstanbieters oder zusätzliche Aufzeichnungen von Dritten können die zu diesem Zweck gespeicherten oder abgerufenen Informationen allein in der Regel nicht dazu verwendet werden, dich zu identifizieren.
Marketing
Die technische Speicherung oder der Zugriff ist erforderlich, um Nutzerprofile zu erstellen, um Werbung zu versenden oder um den Nutzer auf einer Website oder über mehrere Websites hinweg zu ähnlichen Marketingzwecken zu verfolgen.
