Impulse für bessere Unternehmensentscheidungen
Aktuelle Einordnungen und Denkanstöße zu Organisation, Prozessen, Daten und Künstlicher Intelligenz. Im Mittelpunkt steht die Frage, wie Unternehmen neue Technologien sinnvoll einsetzen, bessere Entscheidungen treffen und nachhaltigen wirtschaftlichen Nutzen schaffen.
Hier finden Sie einen Auszug meiner aktuellen Publikationen.
Wenn Fachwissen KI korrigiert und Unternehmen mitlernen
Was passiert, wenn Mitarbeitende ein plausibles KI-Ergebnis fachlich korrigieren? Der Artikel zeigt, warum solche Eingriffe wertvolle Hinweise auf Daten, Annahmen und Prozesse geben – und wie Unternehmen daraus lernen können. Ein Beispiel aus dem Handel macht deutlich, welche Rahmenbedingungen Führungskräfte dafür schaffen sollten und warum Korrekturen nicht ungeprüft ins Modelltraining gehören.
Nettetal hat jetzt eine eigene KI. Was Unternehmen davon lernen können
Nettetal zeigt, wie KI mit überschaubaren Mitteln im Alltag helfen kann. Was Unternehmen daraus für ihre Prozesse, Daten und Organisation lernen können. Und warum es sich lohnt, mit einem konkreten Anwendungsfall zu beginnen und die Beschäftigten von Anfang an einzubeziehen.
Je mehr KI kann, desto mehr müssen auch wir können
Je leistungsfähiger KI wird, desto mehr verändern sich die Anforderungen der Arbeitswelt. Künftig werden nicht nur Fachkenntnisse und die Bedienung von KI-Werkzeugen entscheidend sein, sondern vor allem kritisches Denken und menschliches Urteilsvermögen. Denn nach dem Prompt beginnt die eigentliche Arbeit.
KI-Entwickler waren vor ihrer eigenen Technologie
Führende KI-Entwickler warnen davor, dass die Fähigkeiten autonomer Systeme schneller wachsen könnten als die Möglichkeiten, sie zuverlässig zu kontrollieren. Für Unternehmen ist das jedoch kein Grund abzuwarten: Entscheidend ist, jetzt praktische Erfahrungen zu sammeln und den Handlungsspielraum der KI schrittweise zu erweitern – gemeinsam mit Verantwortung und Kontrolle.
Wenn KI schneller erkennt, als Unternehmen entscheiden können
KI kann Schwachstellen erkennen, Daten auswerten und Handlungsoptionen aufzeigen – oft schneller, als Unternehmen reagieren können. Der entscheidende Engpass liegt deshalb häufig nicht mehr in der Analyse, sondern in der Organisation. Wie wird aus einer Erkenntnis eine Entscheidung – und aus einer Entscheidung wirksames Handeln?
Warum ich den Einsatz von KI bedenklich finde.
Viele Unternehmen investieren in KI – doch nur wenige erzielen damit einen messbaren finanziellen Erfolg. Warum persönliche Zeitersparnis noch kein ROI ist und wo der wirtschaftliche Nutzen von KI tatsächlich beginnt.
Gefährlichste KI-Nebenwirkung: verlerntes eigenes Entscheiden!
KI unterstützt uns bei schwierigen Fragen – kann aber zugleich unser anschließendes Urteil beeinflussen. Der Beitrag beleuchtet, warum wir gerade bei wichtigen Entscheidungen zuerst selbst nachdenken sollten.
KI demokratisiert Wissen, nicht notwendigerweise Experstise
Generative KI liefert in wenigen Minuten professionell wirkende Ergebnisse. Doch wer kann beurteilen, ob sie auch fachlich richtig sind? Warum Erfahrung und Urteilsvermögen im KI-Zeitalter wichtiger werden.
veröffentlicht am 15.10.2026
Wenn Fachwissen KI korrigiert und Unternehmen mitlernen
KI-Nutzung ist nicht gleich KI-Nutzung. Es macht einen Unterschied, wer die KI einsetzt, wie die Frage gestellt wird und wer das Ergebnis fachlich prüft und weiterverarbeitet, das wissen wir bereits. Die Person vor dem Rechner ist für ein gutes KI-Ergebnis entscheidend, ihre Erfahrung, ihr Wissen und Urteilsvermögen absolut wichtig.
Ein Schritt weiter gedacht stellt sich die Frage, wie das Unternehmen von seinen Mitarbeitenden profitieren kann, wenn diese aufgrund ihres Wissens und ihrer Erfahrungen Fehler der KI erkennen. Denn dieses Wissen bleibt häufig bei der Person, die den Fehler bemerkt hat. Für das Unternehmen wäre es wertvoll, auch den Grund für die Korrektur zu verstehen und hier einen Workflow zu entwickeln, der das Unternehmen und die KI fachlich weiterbringt.
Diesen Gedanken greift Christian Catalini in seinem Beitrag „AI Is Making Verification the Bottleneck for Companies“ in der Harvard Business Review (10/2026) auf. Er lenkt den Blick auf die Momente, in denen Fachleute ein plausibles KI-Ergebnis zurückweisen, korrigieren oder eskalieren. Gerade darin könne wichtiges Wissen über die eigenen Abläufe, Daten und Entscheidungsmaßstäbe stecken. Catalini entwickelt damit eine These: Solche Eingriffe sollten nicht nur als individuelle Korrekturen verstanden werden, sondern als mögliche Lernquelle für die gesamte Organisation.
Nehmen wir ein Beispiel aus dem Handel: Eine KI-Auswertung zeigt, dass eine Produktgruppe an Bedeutung verliert. Eine Mitarbeiterin mit Erfahrung im Einkauf oder Category Management erkennt, dass die Auswertung eine wichtige Annahme nicht berücksichtigt – etwa eine veränderte Sortimentsstruktur, eine Sonderaktion oder nicht vergleichbare Verkaufszeiträume. Sie weist das Ergebnis zurück und ergänzt den fehlenden Kontext und erklärt zudem, wie sich dadurch die Aussage der Auswertung verändert.
Damit ist zunächst eine konkrete Auswertung korrigiert. Doch die Erklärung dahinter könnte für weitere Analysen wichtig sein. Vielleicht muss eine Kennzahl anders definiert, eine Datenquelle ergänzt oder eine bestimmte Annahme bei künftigen Auswertungen geprüft werden. Wenn die Begründung dokumentiert und fachlich eingeordnet wird, kann das Unternehmen daraus lernen. Bleibt sie unausgesprochen, muss die nächste Person denselben Fehler erneut erkennen.
Dafür reicht es nicht, einfach jede Korrektur zu sammeln. Entscheidend ist, den Zusammenhang festzuhalten: Was hat die KI ausgegeben? Was daran war falsch oder irreführend? Welche Information, Erfahrung oder fachliche Regel haben zur Korrektur geführt? Und was sollte sich daraus ändern? Erst dann lässt sich erkennen, ob es sich um einen Einzelfall handelt oder um ein wiederkehrendes Muster.
Je nach Ursache kann das Unternehmen an unterschiedlichen Stellen ansetzen: bei der Qualität oder Aufbereitung der Daten, bei Definitionen und Annahmen, bei Prüfkriterien oder bei der Art, wie ein KI-System eingesetzt wird. Manchmal kann auch eine gezielte Weiterentwicklung des Modells sinnvoll sein. Eine Korrektur sollte jedoch nicht automatisch und ungeprüft ins Modelltraining einfließen. Zunächst muss klar sein, was genau gelernt werden soll und ob die Korrektur auf weitere Fälle übertragbar ist.
So entsteht eine Verbindung zwischen individuellem Urteilsvermögen und organisatorischem Lernen. Die Erfahrung einer einzelnen Mitarbeiterin wird nicht einfach zum persönlichen Sonderwissen. Sie kann dazu beitragen, dass andere Fachleute vergleichbare Ergebnisse besser einordnen und Prozesse verlässlicher gestalten. Auch für die Daten- und Entscheidungsqualität ist das relevant: Korrekturen machen sichtbar, welche Annahmen hinter einer Auswertung stehen und wo vorhandene Definitionen nicht ausreichen.
Für Führungskräfte liegt darin eine konkrete Aufgabe. Sie müssen Rahmenbedingungen schaffen, in denen Mitarbeitende begründet widersprechen und ihre Korrekturen nachvollziehbar machen können. Dazu gehört auch, diese Rückmeldungen nicht als Bedienfehler oder Widerstand gegen neue Technik abzutun. Ein fachlicher Einwand kann ein Hinweis darauf sein, dass Daten, Prozess oder System die Realität des Unternehmens noch nicht ausreichend abbilden.
Catalinis weitergehende Überlegung, dass sich aus solchen Lernschleifen auch die Rolle von Hierarchien verändern könnte, ist eine anregende These – aber keine nachgewiesene Folge. Für Unternehmen muss die Diskussion auch nicht dort beginnen. Schon der erste Schritt ist anspruchsvoll genug: Korrekturen als relevantes Wissen zu behandeln und zu prüfen, was sich daraus für gemeinsame Regeln und Abläufe ableiten lässt.
Die Nutzung der KI zeigt, was einzelne Mitarbeitende mit dem System anfangen. Der Umgang mit ihren Korrekturen zeigt, was das Unternehmen daraus lernt.
veröffentlicht am 08.10.2026
Nettetal hat jetzt eine eigene KI. Was die Kleinstadt richtig macht und wie Unternehmen von diesem Beispiel lernen können.
In seinem Artikel in der Welt „Auch mit begrenzten Mitteln kann man etwas bewegen“ (09/2026) beschreibt Daniel Zwick, wie Nettetal seine Verwaltung mit KI modernisiert: ohne Millionenbudgets, mit pragmatischen Lösungen und dem Willen, bestehende Abläufe zu verändern.
Nettetal betreibt eine eigene lokale KI, mit der Beschäftigte sensible Verwaltungsdaten bearbeiten können, ohne dass diese das Rathaus verlassen. Eine Ampel zeigt bei der Nutzung unterschiedlicher KI-Systeme an, wo solche Daten eingegeben werden dürfen. Schulungen und ein kurzer „KI-Kompass“ geben den Beschäftigten Orientierung.
Besonders interessant finde ich das Beispiel Wohngeld: Gemeinsam mit den Sachbearbeitern wurden die Antragstellung und das Verwaltungsverfahren neu gestaltet. Bürger können Angaben und Unterlagen über eine App einreichen. KI unterstützt die Bearbeitung, indem sie auf fehlende Informationen und Widersprüche zwischen Antrag und Dokumenten hinweist.
Für Unternehmen steckt darin eine wichtige Anregung: Wer KI einsetzen möchte, muss nicht immer den gesamten Ablauf betrachten, auch so genannte Use Cases, für die es Verbesserungspotenziale gibt, können als “Leuchttürme” das KI-Mindset verbessern. Wo werden Informationen doppelt erfasst, von Hand übertragen oder unnötig weitergereicht? Wo entstehen Rückfragen, wo bleibt Arbeit liegen? Daraus lässt sich ableiten, welche Schritte verändert werden sollten und wo KI sinnvoll helfen kann. Wenn eine einzelne Aufgabe schneller erledigt wird, die Bearbeitung anschließend aber an derselben Stelle stockt wie zuvor, sollte dann doch gemeinsam der Gesamtprozess betrachtet werden.
In der Stadtplanung hilft eine weitere Anwendung, frühere Stellungnahmen zu Bauanfragen zu finden. Damit wird dokumentiertes Wissen schneller für aktuelle Fragestellungen zugänglich.
Auch in Unternehmen liegt viel Wissen in Dokumenten, E-Mails und Archiven, das im Alltag nur schwer auffindbar ist. KI kann den Zugang erleichtern. Dafür muss allerdings geklärt sein, welche Quellen aktuell und verlässlich sind, wer sie pflegt und wer darauf zugreifen darf. Die Herkunft der Informationen muss nachvollziehbar bleiben. Ob ein früherer Fall auf die heutige Situation übertragbar ist, müssen Fachleute beurteilen.
Nettetals Umgang mit sensiblen Daten zeigt zudem, dass die Wahl des Betriebsmodells aus den Anforderungen der Anwendung folgen sollte. Unternehmen müssen klären, wie vertraulich ihre Daten sind, welche Zugriffsrechte gelten und wie viel Kontrolle sie benötigen. Danach lässt sich eine passende Lösung wählen – auf eigenen Servern (z. B. Open Source) oder in einer Cloud (Europa/Deutschland oder außerhalb). Entscheidend sind der Schutz der Daten und die vertraglichen Zusicherungen des Anbieters. Im Arbeitsalltag brauchen die Beschäftigten dann eine ebenso verständliche Orientierung wie in Nettetal: Welche Daten dürfen in welches System eingegeben werden, und wofür darf es genutzt werden?
„Wir wollen zeigen, dass man auch mit begrenzten Mitteln etwas bewegen kann, wenn man möchte“, sagt Nettetals IT-Chef Thorsten Rode im Artikel.
Aus meiner Sicht liegt die Stärke dieses Beispiels darin, dass Technologie, Prozesse, Use Cases und die Organisation gemeinsam weiterentwickelt werden. Die Beschäftigten gestalten die Anwendungen mit und entwickeln ein Verständnis dafür, wie sie diese sinnvoll nutzen können. So entstehen Voraussetzungen dafür, dass KI im Arbeitsalltag tatsächlich helfen kann.
Für Unternehmen bedeutet das auch, die Erfahrung derjenigen einzubeziehen, die einen Ablauf oder eine Aufgabe täglich bearbeiten. Sie kennen die Ausnahmen und wissen, welche Unterstützung wirklich hilft. Ihre Rückmeldungen sollten in die Entwicklung und Verbesserung der Anwendung einfließen. Schulungen an konkreten Arbeitsaufgaben können zugleich vermitteln, wie Ergebnisse geprüft werden und wann zusätzliche fachliche Klärung nötig ist. Dabei muss klar bleiben, wer die Ergebnisse prüft, wer entscheidet und wer die Verantwortung trägt.
Einfach mal (geplant) in überschaubaren Einheiten MACHEN: Mit einem konkreten Anwendungsfall beginnen, die beteiligten Beschäftigten einbeziehen und vorab festlegen, woran eine Verbesserung erkennbar wäre: weniger Rückfragen, geringerer Bearbeitungsaufwand oder bessere Qualität. Das schafft eine Grundlage, um über die weitere Nutzung und die Übertragung auf andere Bereiche zu entscheiden.
Der Artikel beschreibt vielversprechende Anwendungen. Ob daraus ein dauerhaft messbarer Nutzen entsteht, muss sich an der Qualität der Bearbeitung, am Aufwand und an den Ergebnissen zeigen.
veröffentlicht am 01.10.2026
Je mehr KI kann, desto mehr müssen auch wir können
Im ersten Moment klingt es widersprüchlich: Je leistungsfähiger KI wird, desto mehr müssen auch wir können.
Natürlich müssen Menschen nicht schneller rechnen, größere Datenmengen verarbeiten oder mehr Wissen speichern als eine Maschine. Die Anforderungen verschieben sich: Je mehr Aufgaben KI übernimmt und je komplexer ihre Ergebnisse werden, desto wichtiger wird unsere Fähigkeit, diese zu prüfen, einzuordnen und kritisch zu hinterfragen.
In Unternehmen erlebe ich immer wieder, dass KI-Kompetenz vor allem mit der Fähigkeit gleichgesetzt wird, die KI zu bedienen und die richtigen Prompts zu formulieren und damit gute Ergebnisse zu erzielen. Das ist wichtig, greift aber zu kurz.
Denn nach dem Prompt beginnt die eigentliche Arbeit: Ergebnisse müssen geprüft, Zusammenhänge verstanden, unterschiedliche Perspektiven einbezogen und Entscheidungen auch unter Unsicherheit getroffen werden. Zudem muss klar sein, wer die Verantwortung für die daraus folgenden Entscheidungen trägt.
KI-Kompetenz bedeutet deshalb nicht nur, ein Modell bedienen zu können. Entscheidend ist die Fähigkeit, mit seinen Ergebnissen professionell weiterzuarbeiten.
Dazu passt ein aktuelles Gespräch mit dem Ökonomen Daniel Susskind bei Reuters. Er beschreibt, warum sich unser Blick auf die Arbeitswelt von morgen grundsätzlich verändern muss. Statt heute festlegen zu wollen, welche Berufe und Fachkenntnisse in zehn oder zwanzig Jahren besonders wichtig sein werden, gilt es, grundlegende Denk- und Urteilskompetenzen zu fördern. Im Umgang mit KI gehören dazu vor allem kritisches Denken und die Fähigkeit, Ergebnisse fundiert zu bewerten (Reuters, 09/2026).
Wie unterschiedlich die Bedeutung des menschlichen Urteilsvermögens eingeschätzt wird, zeigt eine aktuelle Untersuchung des IBM Institute for Business Value. Befragt wurden 1.500 Personalverantwortliche und 8.800 Beschäftigte. 71 Prozent der Personalverantwortlichen betrachten die Fähigkeit, KI-Ergebnisse zu überprüfen, zu bewerten und bei Bedarf zu korrigieren, als eine der wichtigsten Kompetenzen. Unter den Beschäftigten zählen dagegen nur 29 Prozent das eigene Urteilsvermögen zu den wichtigen Fähigkeiten im Umgang mit KI (IBM, 09/2026).
Diese Diskrepanz halte ich für bemerkenswert. Denn KI-Ergebnisse entfalten erst dann einen Wert für das Unternehmen, wenn sie fachlich eingeordnet und mit den strategischen Zielen, betrieblichen Zusammenhängen und möglichen Konsequenzen einer Entscheidung abgeglichen werden.
Wenn wir über den verantwortungsvollen Einsatz von KI sprechen, dürfen wir nicht nur über die Bedienung der Werkzeuge sprechen. Es geht ebenso um die Haltung der Menschen, die mit ihnen arbeiten: um die Bereitschaft, Ergebnisse zu hinterfragen, ein eigenes Urteil zu bilden und dafür einzustehen.
KI kann Wissen verfügbar machen und Analysen beschleunigen. Doch die Entscheidung, ob und wie wir ihren Ergebnissen folgen, bleibt beim Menschen.
veröffentlicht am 16.09.2026
KI-Entwickler warnen vor ihrer eigenen Technologie
Wenn führende KI-Entwickler wie Jacob Coxon als ehemaliger Anthropic-Forscher wegen Sicherheitsbedenken öffentlich kündigt oder Sam Altman den Börsengang aus gleichem Grund ins nächste Jahr verschiebt, sollten Unternehmen genau hinhören.
Aktuell warnt auch Dario Amodei, CEO von Anthropic, vor dem hohen Entwicklungstempo der Branche. Seine gleiche Sorge richtet sich vor allem auf KI-Systeme, die zunehmend selbstständig handeln, auf andere Systeme zugreifen und bereits an der Entwicklung weiterer KI mitwirken können. Ihre technischen Fähigkeiten könnten schneller wachsen als die Möglichkeiten, sie zuverlässig zu verstehen und zu kontrollieren.
Amodei fordert deshalb, die Entwicklung besonders leistungsfähiger Systeme stärker an deren sichere Beherrschbarkeit anzupassen. Neue Fähigkeiten sollen kontrollierter freigegeben und die Sicherheitsmaßnahmen durch unabhängige Prüfer bewertet werden (Dario Amodei, „We Must Pace the Frontier“, 09/2026).
Aus meiner Sicht wäre es jedoch die falsche Konsequenz, deshalb den Einstieg in KI als Unternehmen aufzuschieben oder laufende Projekte grundsätzlich infrage zu stellen. Die Warnung bezieht sich vor allem auf Systeme, die zunehmend selbstständig handeln und weitreichende Zugriffsrechte erhalten – nicht gegen eine kontrollierte Nutzung von KI insgesamt.
Ich halte es deshalb gerade jetzt für wichtig, praktische Erfahrungen zu sammeln, Kompetenzen aufzubauen und geeignete Einsatzmöglichkeiten im eigenen Unternehmen zu entwickeln. Abwarten schafft hier nicht automatisch Sicherheit. Wenn Wettbewerber KI produktiv einsetzen, Kunden schnellere Leistungen erwarten und sich Marktstandards verändern, kann der Handlungsdruck schnell steigen. Unternehmen müssen dann möglicherweise kurzfristig aufholen, ohne zuvor die notwendigen Erfahrungen, Kompetenzen und Strukturen aufgebaut zu haben.
Der Einstieg muss dabei nicht mit autonomen Agenten oder umfassenden Automatisierungsprojekten beginnen. In vielen Unternehmen entsteht der größte unmittelbare Nutzen zunächst dort, wo KI Mitarbeitende bei bestehenden Aufgaben unterstützt: bei der Recherche und Aufbereitung von Informationen, beim Erschließen interner Dokumente, bei Analysen oder bei der Vorbereitung von Texten, Berichten und Entscheidungen.
Der entscheidende Schritt besteht darin, erfolgreiche Anwendungen anschließend systematisch weiterzuentwickeln. Ein System kann zunächst Vorschläge erstellen, später lesenden Zugriff auf ausgewählte Daten erhalten und schließlich einzelne Prozessschritte vorbereiten. Erst wenn diese Stufen zuverlässig funktionieren, sollte geprüft werden, welche Aufgaben tatsächlich produktiv geschaltet werden können.
Mit dem Handlungsspielraum muss auch die Kontrolle wachsen. Unternehmen sollten festlegen, auf welche Daten und Systeme eine KI zugreifen darf, welche Entscheidungen weiterhin eine menschliche Freigabe benötigen und wer für die Ergebnisse verantwortlich ist. Ebenso wichtig ist die Frage, wie sich ein Vorgang stoppen oder rückgängig machen lässt, wenn ein System unerwartet handelt.
Ein allgemeiner Verweis auf einen „Human in the Loop“ reicht dafür nicht aus. Kontrolle funktioniert nur, wenn eine verantwortliche Person das Ergebnis fachlich beurteilen kann, genügend Zeit für die Prüfung hat und tatsächlich eingreifen darf.
Die Warnung von Anthropic spricht daher nicht gegen die weitere Nutzung von KI. Sie spricht für ein bewusstes Vorgehen: Anwendungen jetzt erproben, Nutzen entwickeln und Autonomie nur dort zulassen, wo Verantwortung und Kontrolle mitwachsen.
veröffentlicht am 09.09.2026
Wenn KI schneller erkennt, als Unternehmen entscheiden können
In den meisten Unternehmen dürfte mittlerweile angekommen sein, dass sich Prozesse durch KI beschleunigen lassen. Daten können schneller ausgewertet, Abweichungen früher erkannt, Prognosen erstellt und mögliche Handlungsoptionen aufgezeigt werden.
Doch wir wissen mittlerweile auch, dass mehr Erkenntnisse nicht automatisch zu besseren Entscheidungen führen. Und eine schnellere Analyse sorgt noch lange nicht dafür, dass ein Unternehmen ebenso schnell handelt.
Genau darin liegt aus meiner Sicht eine der größten Fehleinschätzungen beim Einsatz von KI. Viele Unternehmen konzentrieren sich vor allem auf die Leistungsfähigkeit der Technologie: Welche Daten kann sie analysieren? Was kann sie erkennen? Wie viel Zeit lässt sich damit einsparen?
Entscheidend ist jedoch, was nach der Analyse passiert. Sind Verantwortlichkeiten unklar, dauern Freigaben zu lange oder fehlen die notwendigen personellen und technischen Kapazitäten, verschwindet der Engpass nicht. Er verlagert sich lediglich von der Analyse in die Organisation.
Wie konkret dieses Problem bereits ist, zeigt eine aktuelle Untersuchung der britischen Finanzaufsicht Financial Conduct Authority. Sie hat untersucht, wie Finanzunternehmen sogenannte Frontier-AI-Modelle einsetzen, um Schwachstellen in ihren IT-Systemen zu erkennen.
Das Ergebnis: KI findet Sicherheitslücken teilweise schneller, als die Unternehmen sie bewerten und beheben können. Die Systeme erzeugen eine wachsende Zahl möglicher Befunde. Fachleute müssen anschließend prüfen, welche davon tatsächlich relevant sind, welche Risiken zuerst behandelt werden müssen und welche Maßnahmen ohne Gefährdung des laufenden Betriebs umgesetzt werden können. Genau hier entsteht nun ein neuer Engpass: die Problemerkennung läuft, Priorisierung und Umsetzung werden zum Problem.
Die FCA bezeichnet die organisatorische Bereitschaft deshalb als zentrale Herausforderung. Der Nutzen der eingesetzten KI hänge weniger vom konkreten Modell ab als von Governance, Kontrollen, menschlicher Aufsicht und dem operativen Umfeld, in das die Technologie eingebettet ist.
Der untersuchte Fall betrifft die Cybersicherheit. Die Erkenntnis lässt sich jedoch auf nahezu alle Unternehmensbereiche übertragen.
Ein Vertrieb profitiert wenig von zusätzlichen Kundenanalysen, wenn daraus keine priorisierten Maßnahmen entstehen. Eine Produktion wird nicht automatisch leistungsfähiger, weil Abweichungen früher erkannt werden. Und eine Geschäftsführung trifft nicht allein deshalb bessere Entscheidungen, weil ihr mehr Informationen zur Verfügung stehen.
Meine Überzeugung ist deshalb: KI-Readiness zeigt sich nicht daran, wie viele KI-Anwendungen ein Unternehmen einsetzt. Sie zeigt sich daran, wie gut das Unternehmen die daraus entstehenden Erkenntnisse in Entscheidungen und wirksames Handeln übersetzen kann.
Vor jeder Einführung sollten deshalb nicht nur technische Fragen geklärt werden. Ebenso wichtig ist:
Wer bewertet die Ergebnisse? Wer setzt Prioritäten? Wer darf entscheiden? Welche Kapazitäten stehen für die Umsetzung bereit? Und wie wird überprüft, ob aus schnellerer Analyse tatsächlich ein besseres Geschäftsergebnis entsteht?
KI kann Prozesse erheblich beschleunigen. Doch auch hier zeigt sich wieder: Entscheidend ist nicht allein die Technologie, sondern die Organisation.
veröffentlicht am 02.09.2026
Warum ich den Einsatz von KI in Unternehmen bedenklich finde
Unternehmen investieren zunehmend Zeit und Geld in den Einsatz von KI. Die Gründe dafür sind betriebswirtschaftlich oft nicht nachvollziehbar. Wenn man nachfragt, heißt es: „andere machen das jetzt auch“, „wer jetzt nicht investiert, für den ist der Zug abgefahren“ oder „mit KI werden wir effektiver und effizienter“.
Für mich ergeben sich hier Parallelen zu meinen Vorlesungen und Vorträgen: Wenn Visionen und Strategien formuliert werden, frage ich immer: „Wie misst du das?“. Oder ganz konkret: „Wir wollen in 2-3 Jahren Marktführer sein“ – aber was heißt das, woran erkenne ich die Zielerreichung? Und was haben die Maßnahmen gekostet, gibt es eine ROI-Rechnung?
Der Mehrzahl der Unternehmen fehlt das Steuerungsparadigma, Ziele zu definieren, zu quantifizieren, zu messen und zu steuern. Bereits Peter Drucker und Alfred Rappaport erwähnten „If you can’t measure it, you can’t manage it“. Leider ist es dann nicht so. Informationen werden in Unternehmen gesammelt, Alternativen bewertet, Abstimmungen durchgeführt und Freigaben eingeholt. Diese Kosten tauchen allerdings in keiner eigenen Position der Gewinn-und-Verlust-Rechnung auf. Sie sind über Prozesse, Funktionen und Managementebenen verteilt.
Nach McKinsey („The state of AI in 2026: On the road to ROI“, 08/2026; „The decision dividend: How AI creates economic value“, 08/2026.) sind 80 Prozent der Befragten der Meinung, dass KI ihre persönliche Produktivität verbessert. 50 Prozent berichten, mithilfe von KI bessere Entscheidungen zu treffen. Allerdings sieht es auf Unternehmensebene anders aus: Nur 37 Prozent der Unternehmen steigern durch den Einsatz von KI ihren operativen Gewinn. Lediglich sechs Prozent erzielen damit einen spürbaren finanziellen Erfolg und gelten als sogenannte „AI High Performer“.
Die Zahlen zeigen eine deutliche Diskrepanz zwischen individueller und unternehmerischer Wirkung: Wenn einzelne Beschäftigte schneller arbeiten, wird dadurch nicht automatisch das gesamte Unternehmen produktiver oder profitabler.
Zeitersparnis bleibt zunächst ein individueller Effekt. Wirtschaftlicher Wert entsteht erst, wenn Unternehmen diese zusätzlichen Möglichkeiten in bessere Prozesse und bessere Entscheidungen übersetzen.
Genau hier liegt meines Erachtens das größte Potenzial von KI.
McKinsey spricht in diesem Zusammenhang von einem „Decision Dividend“. Demnach entsteht ein großer Teil des wirtschaftlichen Nutzens von KI nicht allein durch eingesparte Arbeitszeit, sondern durch schnellere und bessere Entscheidungen.
Wenn Produktionspläne häufiger an aktuelle Nachfrage- und Bestandsdaten angepasst werden, lassen sich vorhandene Kapazitäten besser nutzen. Wenn Preis-, Investitions- oder Sortimentsentscheidungen auf mehr Informationen und belastbareren Szenarien beruhen, steigen Handlungsfähigkeit und Ergebnisqualität. Und wenn ein Unternehmen früher auf Veränderungen reagiert, kann es Chancen nutzen, die langsamere Wettbewerber verpassen.
Entscheidend ist nicht der Umfang des KI-Einsatzes, sondern sein messbarer Beitrag zum Unternehmenserfolg. Erst wenn KI die Kosten senkt, Prozesse verbessert, Umsätze steigert oder die Qualität von Entscheidungen erhöht, entsteht wirtschaftlicher Nutzen.
Relevanter ist demnach die Frage, bei wie vielen wirtschaftlich wichtigen Entscheidungen KI bereits zu einer besseren Entscheidungsgrundlage, schnelleren Abläufen oder zu einer Automatisierung (wo sinnvoll) beiträgt.
Dabei genügt es nicht, KI auf bestehende Abläufe aufzusetzen. Die wenigen Unternehmen, die bereits einen erheblichen finanziellen Nutzen erzielen, gestalten ihre Workflows deutlich häufiger grundlegend neu. Sie verbinden Technologie mit Daten, Prozessen, Verantwortlichkeiten und klaren wirtschaftlichen Zielgrößen.
Der ROI von KI beginnt deshalb nicht bei der eingesparten Arbeitsstunde. Er beginnt dort, wo ein Unternehmen bessere Entscheidungen trifft und daraus bessere Geschäftsergebnisse entstehen.
veröffentlicht am 26.08.2026
Wenn KI das Urteilsvermögen schwächt
KI kann Führungskräften helfen, Informationen und Daten schneller auszuwerten, Zusammenhänge zu erkennen und Entscheidungen vorzubereiten. Doch was, wenn sie zunehmend das Denken vorstrukturiert?
Mit dieser Frage beschäftigen sich Leonid Sudakov und Nathan Furr in einem aktuellen Beitrag im Harvard Business Review (08/26). Ausgangspunkt ist unter anderem ein Feldexperiment mit 228 erfahrenen Personen, die Einreichungen für einen Innovationswettbewerb bewerten sollten. Untersucht wurde, wie sich unterschiedliche Formen der KI-Unterstützung auf ihre Beurteilungen auswirkten.
Die Autoren leiten daraus eine wichtige Warnung ab: Je häufiger Führungskräfte auf vorformulierte Einschätzungen und Empfehlungen von KI zurückgreifen, desto größer ist die Gefahr, dass sie ihr eigenes Urteilsvermögen weniger aktiv einsetzen. Aus einem hilfreichen Werkzeug kann so schleichend eine Instanz werden, die nicht nur Informationen liefert, sondern den Denkrahmen vorgibt.
Das bedeutet nicht, auf KI bei Managemententscheidungen zu verzichten. Im Gegenteil: Ihre Fähigkeit, große Datenmengen zu analysieren, Muster sichtbar zu machen und verschiedene Szenarien durchzuspielen, kann die Entscheidungsqualität erheblich verbessern. Entscheidend ist jedoch, an welcher Stelle des Prozesses sie eingesetzt wird.
Führungskräfte sollten sich deshalb bei wichtigen Entscheidungen zunächst ein eigenes Bild machen: Was ist das eigentliche Problem? Welche Annahmen liegen der Entscheidung zugrunde? Welche Erfahrungen und Kontextinformationen sind relevant? Erst danach sollte KI genutzt werden, um diese Einschätzung zu überprüfen, Gegenargumente zu liefern oder zusätzliche Perspektiven aufzuzeigen.
Gute Entscheidungen entstehen nicht dadurch, dass KI das Urteil übernimmt. Sie entstehen im Zusammenspiel aus Daten, analytischer Unterstützung, Erfahrung und menschlicher Verantwortung. Unternehmen brauchen deshalb nicht nur leistungsfähige KI-Systeme, sondern bewusst gestaltete Entscheidungsprozesse innerhalb ihrer Organisation, die das eigenständige Denken erhalten.
Die zentrale Managementfrage lautet damit nicht allein: Wo können wir KI einsetzen? Sondern auch: Wo müssen Führungskräfte weiterhin selbst urteilen, bevor sie KI hinzuziehen?
veröffentlicht am 19.08.2026
KI demokratisiert Wissen, aber nicht notwendigerweise Expertise.
Wenn jeder KI-Nutzer zum Experten wird, wer erkennt dann noch, ob die Ergebnisse fachlich gut sind?
Generative KI ermöglicht heute Ergebnisse, für die früher erhebliche Erfahrung notwendig war. Texte, Analysen, Konzepte oder Strategien entstehen innerhalb weniger Minuten – und wirken häufig erstaunlich professionell.
Doch genau darin liegt ein Problem.
David S. Duncan beschreibt in der Harvard Business Review ein interessantes Paradox: Erfahrene Mitarbeiter können erhebliche Produktivitätsgewinne aus KI ziehen. Weniger erfahrenen Mitarbeitern fehlt dagegen häufig die Fähigkeit einzuschätzen, ob ein KI-generiertes Ergebnis überhaupt gut ist.
KI demokratisiert Wissen – aber nicht notwendigerweise Expertise.
Denn ein professionell wirkendes Ergebnis bedeutet noch lange nicht, dass jemand beurteilen kann,
- ob die zugrunde liegenden Annahmen stimmen,
- ob wesentliche Aspekte fehlen,
- ob das Ergebnis zum Kontext passt,
- welche Risiken bestehen oder
- wann eine Ausnahme von der Regel notwendig ist.
Für Unternehmen entsteht daraus eine weitere Herausforderung: Wie entwickeln Nachwuchskräfte künftig genau dieses Urteilsvermögen, wenn KI zunehmend jene Aufgaben übernimmt, an denen sie bislang Erfahrung gesammelt haben?
KI ausschließlich als Instrument zur Produktivitätssteigerung zu betrachten, greift deshalb zu kurz.
Je stärker KI das Erstellen übernimmt, desto wichtiger werden auf menschlicher Seite Einordnung, Interpretation, Kontrolle und Entscheidung.
Das gilt besonders für Führungskräfte. Technologie allein schafft keine besseren Entscheidungen. Dafür braucht es geeignete Prozesse und Governance, kompetente Menschen sowie belastbare Daten und kontrollierbare KI.
Vielleicht wird Erfahrung durch KI deshalb nicht weniger wertvoll, sondern wertvoller.
Denn je einfacher es wird, überzeugende Antworten zu produzieren, desto wichtiger wird die Fähigkeit, zwischen einer überzeugenden und einer richtigen Antwort unterscheiden zu können.