KI-Readiness: Erst der Use Case, dann das Tool
Warum KI-Vorhaben seltener am Modell hängen bleiben als an einem unklaren Use Case, an heterogenen Plattformen mit verteilter Verantwortung und an Datenschutz und Governance, die zu spät eingebunden werden.
Wenn bei Kunden über KI gesprochen wird, geht es meist zuerst um Modelle und Tools. Welches Sprachmodell ist das beste, welcher Assistent passt, welcher Anbieter liefert am schnellsten? Das sind keine falschen Fragen. Sie kommen aber oft vor der wichtigeren: Welches konkrete Problem soll mit KI eigentlich gelöst werden?
Ob ein Unternehmen bereit für KI ist, hängt aus meiner Sicht deshalb weniger am richtigen Tool. Entscheidend ist eher, ob der Use Case klar ist und ob die vorhandene Landschaft die Lösung auch tragen kann. Bei dem, was ich bei Kunden gesehen habe, bremsen vor allem drei Punkte.
1. Der Use Case kommt zu spät
Solange der Use Case offen ist, lässt sich kaum bewerten, welches Tool passt. Die Diskussion dreht sich dann um Funktionen und Benchmarks, und am Ende steht ein Werkzeug, für das erst noch ein Einsatzzweck gesucht wird.
Hilfreicher ist die umgekehrte Reihenfolge: zuerst den Prozess und das Problem beschreiben, dann festlegen, woran der Erfolg gemessen wird, und erst danach über Modelle und Anbieter sprechen. Das klingt selbstverständlich, wird in der Praxis aber oft übersprungen. Mehr dazu im Artikel Warum die besten KI-Projekte nicht mit KI anfangen.
2. Heterogene Plattformen und verteilte Verantwortung
Spätestens in der Umsetzung kommt die eigene Architektur ins Spiel. Unterschiedliche Plattformen und Endgeräte bedeuten, dass eine KI-Lösung auf jeder davon einzeln integriert werden muss. Das bremst eine Umsetzung deutlich stärker als eine homogene Infrastruktur, in der eine Integration für alle gilt.
Dazu kommt ein organisatorischer Effekt, der oft unterschätzt wird. Wenn die Plattformen bei unterschiedlichen Teams oder Personen liegen, liegen dort auch unterschiedliche Verantwortlichkeiten und damit unterschiedliche Interessen. Jede Integration wird so auch zu einer Abstimmungsfrage, und das erschwert die Umsetzung zusätzlich.
Bei einem Versicherungskonzern habe ich das im Workplace-Umfeld erlebt. Die Arbeitsplätze der Entwickler waren über Jahre heterogen gewachsen, und ein KI-Coding-Assistent wäre auf so vielen unterschiedlich konfigurierten Maschinen schnell zum Support-Fall geworden. Wir haben KI-Readiness deshalb als eigene Dimension in die Plattformentscheidung aufgenommen, statt die Werkzeuge einfach auszurollen. Die Details stehen in der Referenz-Story.
3. Datenschutz und Governance kommen zu spät auf den Tisch
Datenschutz und Governance sind berechtigte Anforderungen, gerade in regulierten Branchen. Werden sie erst gegen Ende eingebunden, können sie ein KI-Vorhaben aber blockieren, bevor die Umsetzung überhaupt richtig beginnt.
Im selben Workplace-Mandat gab es eine gewachsene Gremienlandschaft mit Veto-Prinzip, dazu Betriebsvereinbarungen und Datenschutz-Freigaben. Die Compliance-Themen liefen deshalb von Beginn an parallel zur Technik und mit denselben Terminen. Das war zäh, aber ohne diese Belege wäre der Termin für die Freigabe nicht zu halten gewesen.
Was bereit für KI wirklich heißt
Bereit für KI ist aus meiner Sicht weniger, wer das neueste Modell oder die meiste Rechenleistung hat. Bereit ist eher, wer einen klaren Use Case hat, weiß, auf welchen Plattformen die Lösung laufen muss und wer dafür verantwortlich ist, und wer Datenschutz und Governance von Anfang an mit an den Tisch holt.
Mein Rat deshalb: Vor der Tool-Auswahl einmal ehrlich prüfen, ob diese drei Punkte geklärt sind. Das spart in der Umsetzung meist mehr Zeit, als es am Anfang kostet.
Sie planen ein KI-Vorhaben und wollen wissen, ob Ihre Landschaft dafür bereit ist? In unserem KI-Readiness Assessment prüfen wir in vier bis sechs Wochen, wo Ihre Architektur bereit ist und wo die Weichen jetzt gestellt werden müssen. Kostenloses Erstgespräch vereinbaren.