AI at scale: von der Pilotphase zur echten Wertschöpfung

Dies markiert einen klaren Wendepunkt. Unternehmen können sich nicht länger auf Investitionen ohne klar definierten Nutzen oder auf breit gestreute Implementierungsansätze verlassen. Vor einiger Zeit reichte noch die bloße Dynamik – angetrieben durch diesen sich verstärkenden Trend und überzeugende Argumente für die KI-Transformation – aus, um Budgets und Unterstützung zu sichern. Heute sind Investoren und Aktionäre in der Lage – und bereit –, deutlich schärfer zwischen KI-Hype und echtem KI-Mehrwert zu unterscheiden.

der Führungskräfte auf C-Level bestätigten zu Jahresbeginn, dass KI Auswirkungen auf ihr Unternehmen hat.1

der Führungskräfte haben in den vergangenen zwei Jahren ihre Teams umstrukturiert, um KI einzuführen.2

bestätigten, dass die geopolitischen Entwicklungen der letzten sechs Monate ihre KI-Pläne vorangetrieben haben.1

^{1 C-Suite-Barometer: Outlook 2026; 2 C-Suite-Barometer: Mid-Year Pulse 2026}

KI-bedingte Effizienzgewinne und Transformationsinitiativen haben zwar spürbare Wirkung gezeigt – ihr volles Potenzial bleibt in vielen Unternehmen jedoch noch ungenutzt, oft trotz engagierter und eigentlich erfolgreicher Umsetzung. Die Zahl der Pilotprojekte ist stark gestiegen, doch nur wenige wurden so weiterentwickelt, dass sie dauerhaft neue Arbeitsweisen prägen oder die Leistungsfähigkeit des Unternehmens messbar verändern.

Um vom KI-Hype zum tatsächlichen Nutzen zu gelangen, müssen Unternehmen und ihre Führungskräfte von einem „Capability Talk“ – also einem Fokus auf Implementierung, Meilensteine und Deliverables – zu einem „Performance Talk“ gelangen, bei dem klar im Mittelpunkt steht, welchen konkreten Mehrwert KI schafft. Der ROI durch KI stellt einen entscheidenden Schritt nach vorn dar. Der Übergang von der Erprobung hin zur systematischen Messung ist der Schlüssel, der letztendlich das Skalierungspotenzial erschließt und anfängliche Erfolge in einen nachhaltigen Wettbewerbsvorteil verwandelt. Gelingt dieser Schritt nicht, hat das spürbare Folgen – nicht nur für Ergebnisentwicklung und Marktposition, sondern auch für die Legitimation zukünftiger Investitionen. 

Die ROI-Lücke bei KI Jedes Jahr untersuchen wir, welche Prioritäten und Themen für unsere Mandanten von zentraler Bedeutung sind. Unser „C-Suite-Barometer“ erfasst die Meinungen Tausender Führungskräfte aus aller Welt und liefert uns wertvolle Insights in die Trends und Entwicklungen, die sich auf Unternehmen auswirken. Sechs Monate nach unserem Ausblick auf das Jahr 2026 bestätigen neue Erkenntnisse aus unserem Mid-Year Pulse das Vertrauen, das Führungskräfte in das Potenzial von KI setzen – und zeigen nun erste Rückflüsse aus KI-Investitionen auf. Allerdings lässt sich die Gesamtrendite nicht wirklich einschätzen, ohne den Umfang der Investitionen zu berücksichtigen. Wie zu erwarten, steigt der Anteil des in KI investierten Budgets mit zunehmendem Umsatz deutlich an. Zugleich zeigen unsere Analysen, dass 15 % der Unternehmen mehr als ein Fünftel ihres Budgets in KI investieren, während 35 % weniger als 10 % aufwenden. Welchen Return on Investment sollten Führungskräfte, ihre Unternehmen (sowie deren Investoren und Stakeholder) erwarten?

• 86der Führungskräfte auf C-Level bestätigten, dass KI die Produktivität ihrer Teams gesteigert hat.¹
• 63der C-Level-Führungskräfte geben an, mit ihren KI-Investitionen Renditen von bis zu 10 % zu erzielen, wobei ein Fünftel noch höhere Gewinne verzeichnet.² 
• 33geben an, dass ihr Unternehmen bestens gerüstet und bereit ist, sich strategisch an das Tempo künftiger KI-Entwicklungen anzupassen.¹

Für die meisten Unternehmen ist ein ausbleibender ROI aus KI-Investitionen in der Regel auf vier entscheidende Faktoren zurückzuführen:

1. Fehlende Strategie – KI wurde häufig aus Erwartungs- oder Wettbewerbsdruck eingeführt, nicht zur Lösung konkreter unternehmerischer Herausforderungen. Entsprechend orientierte sich die Umsetzung an verfügbaren Technologien statt am tatsächlichen Bedarf.
2. Unklare Use-Case-Definition – Unternehmen haben sich auf horizontale Anwendungsfälle konzentriert, also solche, die breit über Funktionen hinweg eingesetzt werden können, statt auf vertikale, die gezielt auf einzelne Geschäftsbereiche oder spezifische Prozesse ausgerichtet sind. Zudem wurden nicht immer die passenden Tools gewählt oder realistische Kennzahlen und Erwartungen definiert – oft in Kombination miteinander.
3. Schlechte Governance – mangelhafte Datenqualität und ungenau definierte Rahmenbedingungen oder Klassifizierungen behindern selbst die am besten aufgestellten Projekte. Sogar große Technologieunternehmen wie Google haben noch immer mit diesen Herausforderungen zu kämpfen, was verdeutlicht, wie wichtig eine von Anfang an angemessen gestaltete Governance ist.
4. Unzureichendes Change Management – fehlende Akzeptanz seitens der Mitarbeiter*innen, mangelhafte Führung und ausbleibende Unterstützung haben in vielen Unternehmen dazu geführt, dass sich die neue Technologie nicht durchsetzen konnte.

Damit soll keineswegs angedeutet werden, dass Unternehmen ihre KI-Ambitionen auf Eis legen sollten. Das Innovationstempo verlangsamt sich nicht, sondern beschleunigt sich exponentiell. Wer das transformative Potenzial der KI nicht nutzt, läuft Gefahr, den Anschluss zu verlieren. Die ROI-Bilanz zeigt jedoch, dass die Implementierung unbedingt strategisch und verhältnismäßig angegangen werden muss. Ein strategieorientierter Ansatz bei der Bewertung und Definition von Use Cases – gepaart mit einer soliden Grundlage in den Bereichen Daten und Governance – ermöglicht es Unternehmen, ihre KI-Initiativen gezielt zu skalieren und echten Nutzen zu erzielen, auch während sich die Technologie weiterentwickelt.

Wie KI echten Mehrwert im Unternehmen schafft

KI verändert Geschäftsmodelle und Prioritäten grundlegend und wirkt in zahlreiche Unternehmensbereiche hinein, sodass sie nicht als bloße Zusatztechnologie verstanden werden kann. Deshalb braucht es eine solide Basis in den Bereichen Daten und Governance – ebenso wie Klarheit darüber, welche konkreten unternehmerischen Herausforderungen mit der Technologie tatsächlich gelöst werden sollen.

„Die erfolgreichsten Unternehmen sind diejenigen, die entweder bereits vor der Umsetzung von KI‑Use Cases über die richtigen Grundlagen in den Bereichen Daten und Governance verfügten – oder die KI gezielt als Impuls für eine umfassendere digitale Transformation genutzt und diese Grundlagen geschaffen haben, bevor sie KI im großen Maßstab ausgerollt haben.”  Michael Fried, Principal, Forvis Mazars in den USA

In jedem Fall sollte KI als potenzielles Hilfsmittel – wenn auch als sehr leistungsfähiges – zur Lösung eines strategischen Problems betrachtet werden und nicht als Selbstzweck. Sie ist kein Wundermittel. Wer KI allein mit dem Ziel einsetzt, sie möglichst breit zu nutzen, wird kaum echten Mehrwert erzielen und riskiert stattdessen unverhältnismäßige und wenig wirksame „Lösungen“. KI ist ein Werkzeug unter vielen, die für die Lösung eines konkreten Problems zur Verfügung stehen. Entscheidend ist, zu wissen, wann ihr Einsatz sinnvoll ist – und wann andere Ansätze die zugrunde liegende Herausforderung besser überwinden können.

Die bloße Identifikation eines Problems, das sich mit KI lösen lässt, reicht jedoch nicht aus. Effektive und wertschaffende Umsetzungen erfordern Klarheit über das Ziel, eine angemessene Ausgestaltung und einen konsequenten Fokus auf die Ergebnisse, die tatsächlich zählen.

Horizontale vs. vertikale Use Cases 

Hier zeigt sich, warum die Unterscheidung zwischen horizontalen und vertikalen Implementierungen entscheidend ist. Die Begriffe kommen aus der IT: „Scale-out“ beschreibt das Hinzufügen weiterer Kapazitäten – ähnlich wie zusätzliche Fahrspuren auf einer stark befahrenen Autobahn. „Scale-up“ hingegen steht für Effizienzsteigerung innerhalb bestehender Strukturen, vergleichbar mit leistungsfähigeren Fahrzeugen auf derselben Strecke.  

Im Zusammenhang mit KI-Implementierungen werden horizontale Anwendungsfälle häufig in Form von allgemeinen KI-Assistenten umgesetzt, die darauf abzielen, die Produktivität einzelner Mitarbeiter*innen zu steigern. Das ist nicht nur schwer zu quantifizieren – ohne klare, messbare Kennzahlen besteht zudem die Gefahr, dass Produktivitätsgewinne an anderer Stelle wieder aufgezehrt werden. Eine eingesparte Stunde, die nicht auf ein messbares Ergebnis einzahlt, ist letztlich kein echter Gewinn.

Horizontale Anwendungsfälle sind grundsätzlich breit angelegt und schwer zu messen. Für sich genommen rechtfertigen sie häufig nicht die Investitionen im Hinblick auf den tatsächlich erzielten, messbaren Nutzen für das Unternehmen.

Vertikale Anwendungsfälle hingegen sind leistungsfähigere KI‑Implementierungen, die zuvor manuelle Aufgaben automatisieren – seien sie zeitaufwendig, datenintensiv oder beides – oder die Abstimmung und Steuerung durchgängiger Geschäftsprozesse unterstützen. Durch ihre klare Verknüpfung mit spezifischen Funktionen und Ergebnissen lassen sich vertikale Implementierungen einfacher messen und besser begründen – selbst dann, wenn höhere Anfangsinvestitionen erforderlich sind.

Wertvolle Use Cases für den Einsatz von KI sind solche, die konkrete unternehmerische Probleme angehen und deren Erfolg sich anhand klar definierter Kennzahlen messen lässt.

Sind ein Problem und ein entsprechender vertikaler Use Case identifiziert, helfen die folgenden vier Fragen dabei, zu bestimmen, wie und ob KI einen konkreten Beitrag zum Unternehmenserfolg leisten kann:

1. Ist KI das passende Tool für diese Aufgabe?

KI-Einführung ist eine weitreichende Maßnahme und muss stets im Verhältnis zum wirtschaftlichen Nutzen des zugrunde liegenden Problems eingesetzt werden. Führungskräfte sollten darauf achten, keine überdimensionierten Ansätze zu verfolgen: Wenn regelbasierte Automatisierung, eine Prozessneugestaltung oder ein besser aufgebautes Dashboard die Aufgabe ebenso effektiv erfüllen, ist dies zumeist die sinnvollere Lösung als eine KI-Implementierung. Auch Umweltaspekte sowie Datenqualität und -verfügbarkeit sollten bereits in dieser Phase bedacht werden, bevor eine Entscheidung getroffen wird.

Tatsächlich sollten Nachhaltigkeitsaspekte bereits in der Konzeptionsphase berücksichtigt werden und nicht erst im Nachgang. Den ökologischen Fußabdruck von KI zu quantifizieren, ist schwierig – selbst bei Nutzung eigener Grafikprozessoren (GPUs). Und die Nutzung von KI ist mit erheblichen Umweltbelastungen verbunden, insbesondere bei agentenbasierten KI-Systemen. Umso wichtiger ist es, Nachhaltigkeitsziele, regulatorische Anforderungen sowie Compliance-Aspekte frühzeitig einzubeziehen. Denn häufig existieren ebenso wirksame – oder nahezu ebenso wirksame – Alternativen, die deutlich weniger Ressourcen beanspruchen. Nicht-KI-basierte Lösungen können in vielen Fällen einen Großteil des angestrebten Nutzens liefern – und das bei geringeren Umweltbelastungen sowie häufig weniger Kosten.

 2. Welche Art von KI eignet sich am besten für diese Aufgabe?

Ist KI das richtige Werkzeug, stellt sich als nächster Schritt die Frage nach dem konkreten Ansatz. Nutzen und Herausforderungen variieren erheblich – je nach Einsatz von Chat-Schnittstellen, Retrieval Augmented Generation, agentenbasierten Systemen oder Multi-Agenten-Architekturen.

KI auf Ebene einzelner Aufgaben einzusetzen, schöpft ihr Potenzial oft nicht aus: Ein Use Case kann oft die Grundlage für weitere schaffen. Wer statt isolierter Einzellösungen in Zusammenhängen und Fähigkeitsstrukturen denkt, erzielt in der Regel bessere Ergebnisse. Auf diese Weise kann eine Implementierung – oder eine gezielt koordinierte Umsetzung – mehrere unternehmerische Herausforderungen adressieren oder ein einzelnes Problem lösen, bei dem Faktoren aus verschiedenen Unternehmensbereichen eine Rolle spielen.

“Unternehmen, die mit KI echten Nutzen erzielen, denken nicht in einzelnen Aufgaben, sondern in zusammenhängenden Fähigkeitsstrukturen. Eine gut konzipierte Implementierung kann mehrere Geschäftsprobleme gleichzeitig adressieren – allerdings nur, wenn man sich vom unmittelbaren Anwendungsfall löst und das übergeordnete Operating Modell in den Blick nimmt.“.”  – Laurent Inard, Partner, Head of Research & Development, Forvis Mazars in Frankreich

Etablierte Large Language Models (LLMs) sind – im Vergleich zu unternehmenseigenen Modellen – die am häufigsten gewählte Maßnahme. In der Regel sind sie robuster und effizienter und werden kontinuierlich weiterentwickelt. Gleichzeitig bringen sie jedoch spezifische Risiken und Anforderungen mit sich, insbesondere in Bezug auf das Management von Drittparteirisiken (Third Party Risk Management, TPRM). Externe Modelle reduzieren nicht den Bedarf an Governance und Steuerung – sie erhöhen ihn tendenziell sogar. 

3. Anhand welcher Kennzahlen lässt sich der Erfolg des Use Cases messen?

Eine der größten Herausforderungen beim Wechsel vom „Capability Talk“ zum „Performance Talk“ besteht darin, die richtigen Erfolgskennzahlen zu definieren. Für jeden Anwendungsfall sollten die KPIs eng mit dem strategischen Problem verknüpft sein und den tatsächlichen Nutzen für das Unternehmen widerspiegeln. Messbare Effekte – etwa kürzere Durchlaufzeiten, verbesserte Fehlerquoten oder beschleunigte Wertschöpfung – sind dabei aussagekräftiger als reine Produktivitätskennzahlen, Meilensteine oder unscharfe „Effizienz“-Indikatoren.

4. Funktioniert dieser Use Case auch ohne KI?

Auch wenn ein Use Case die gesetzten Ziele nicht erfüllt, sollte der zugrunde liegende Prozess grundsätzlich ohne KI tragfähig sein. Ist er schlecht definiert oder ineffizient, verschärft der Einsatz von KI die bestehenden Schwächen, statt sie zu lösen.

Unternehmensbesteuerung: idealer Use Case für KI

Unternehmen erzielen dank KI-gestützter Prozesse und Auswertungen kurzfristig klare Einsparungen bei der Steuerlast und realisieren damit einen messbaren ROI der eingesetzten KI-Anwendungen. Das liegt vor allem daran, dass der Bereich Unternehmenssteuern häufig besonders gut für den Einsatz von KI geeignet ist – unter anderem aufgrund seiner etablierten operativen Abläufe und soliden Governance-Strukturen:

• Steuerabteilungen verfügen über klare, standardisierte Abläufe
• Die Daten sind dank Compliance-Anforderungen häufig gut strukturiert und geregelt
• Steuerfunktionen umfassen oft manuelle Tätigkeiten und intensive Datenanalysen

Der Schlüssel für eine erfolgreiche Einführung von KI liegt in der Qualität und Standardisierung von Daten und Prozessen. Auch dezentral organisierte Steuerfunktionen können von KI profitieren; zentralisierte Abläufe und Daten schaffen jedoch klare Voraussetzungen, um den Mehrwert von KI gezielt zu realisieren.

Der Einsatz von KI hat sich insbesondere bei datenintensiven und sich regelmäßig wiederholenden Anwendungsfällen als erfolgreich erwiesen, wie beispielsweise:

• Compliance und Berichterstattung
• Elektronische Rechnungsstellung und Archivierung
• Analyse von Einkaufs- und Akquisitionsdaten
• Post-Merger-Integration

Das Leitprinzip lautet hier „Right-Size-Governance“. Schutzmechanismen und Verantwortlichkeiten müssen gezielt auf die Art, den Umfang und die Kritikalität des jeweiligen KI-Use Cases sowie auf dessen Auswirkungen auf das Unternehmen abgestimmt sein. Angemessene Kontrollen erfordern, dass Unternehmen zunächst bestimmen, welche Risikokategorie ein Use Case mit sich bringt, und darauf aufbauend geeignete Maßnahmen festlegen. Ein kundennahes, entscheidungsunterstützendes System erfordert daher ein deutlich anderes Kontrollumfeld als ein internes Tool zur Zusammenfassung von Inhalten.

Auch die Abstimmung des Reifegrades spielt eine Rolle: Die Ziele sollten auf den aktuellen Stand der Organisation in den Bereichen Datenintegration, Infrastruktur und Qualifikationen der Mitarbeiter*innen abgestimmt sein – und nicht darauf, welchen Stand sich die Führungskräfte wünschen. Wenn Ziele und Reifegrad in der Realität nicht übereinstimmen, deutet dies darauf hin, dass vor der Umsetzung eine tiefgreifende Transformation erforderlich ist.

Definition eines verbindlichen Workflows

Um den Weg von der Zielsetzung zur praktischen Umsetzung zu bewältigen, sollte für jeden Use Case ein „Workflow-Vertrag“ festgelegt werden. Dieser Vertrag umfasst fünf Schlüsselelemente:

Die Data-Readiness bildet die Grundlage für all diese Aspekte. Führungskräfte müssen ihre Ziele mit dem tatsächlichen Reifegrad ihres Unternehmens entlang eines realistischen Entwicklungspfads in Einklang bringen – andernfalls scheitern KI-Initiativen mit hoher Wahrscheinlichkeit. Im Zweifel liefern verfrühte oder nicht ausreichend abgestimmte Implementierungen kaum bis gar keinen Mehrwert, selbst wenn sie technisch „erfolgreich“ umgesetzt wurden.

Sicherheit und Compliance von Anfang an mitgedacht

Sicherheit und Compliance gehen Hand in Hand mit Governance und erfordern eine vergleichbare Disziplin. Der Stand der KI-Regulierung ist im Jahr 2026 deutlich weiter entwickelt als noch vor einem Jahr: Sich überschneidende regionale Regelwerke bringen inzwischen konkrete Verpflichtungen für Unternehmen mit sich, die bestimmte Formen von KI einsetzen.

Compliance ist ein zentraler Aspekt bei der Umsetzung von KI, sollte jedoch – wie andere Formen der Governance auch – angemessen und differenziert ausgestaltet werden. Sie muss als integraler Bestandteil der Geschäftsstrategie und des Risikomanagements verstanden werden. Dasselbe gilt für die Cyber-Sicherheit: Maßnahmen müssen risikobasiert sein und sollten sich proportional an den jeweiligen Daten, Prozessen, Mitarbeiter*innen und Systemen orientieren.

Sowohl Compliance als auch Sicherheitsaspekte sollten von Beginn an, bereits während der Bedarfsermittlung und des Konzeptionsprozesses, in den KI-Lebenszyklus integriert werden und nicht erst als abschließender Prüfschritt. Standardisierte und wiederholbare Governance-Ansätze unterstützen dies. Unternehmen benötigen für neue Use Cases klare, übertragbare Antworten auf grundlegende Fragen, darunter ein einheitliches Vorgehen zur Datenklassifizierung, standardisierte Protokollierungs- und Speichermechanismen für Prüfungszwecke sowie – besonders wichtig – eine klar definierte „Notabschaltung“ oder ein Fallback-Verfahren für den Fall, dass die Qualität nachlässt oder Modelle unerwünscht reagieren.

Eine klare Exit-Strategie ist unerlässlich. Unternehmen sollten sich fragen: Woran erkennen wir, wenn die Qualität der KI nachgelassen hat? Wie sieht der Prozess aus, um die KI zu deaktivieren und die Weiterführung des zugrunde liegenden Prozesses sicherzustellen? Wer trägt die Verantwortung und verfügt über die Entscheidungsbefugnis in diesem Bereich? Die Antworten müssen vor der Einführung feststehen – nicht erst nach einem Schadensfall.

Auswirkungen auf die Mitarbeiter*innen und der Faktor „Angst“

Die strategisch am besten aufgestellten Unternehmen, die den größten Mehrwert aus KI erzielen, setzen auf Effizienzgewinne, indem sie die vorhandenen Kompetenzen ihrer Mitarbeiter*innen nutzen – und nicht, indem sie die Belegschaft durch KI-Tools ersetzen. Diese Tatsache allein reicht jedoch kaum aus, um die Angst der Mitarbeiter*innen zu mindern, von KI aus ihrem Job verdrängt zu werden – insbesondere dann nicht, wenn diese Botschaft intern nicht klar kommuniziert wird.

Realistisch betrachtet werden Mitarbeiter*innen KI-Tools nicht nutzen – oder zumindest nicht in vollem Umfang –, wenn sie glauben, dass diese sie ersetzen sollen. Sie müssen die Gewissheit haben, dass KI zur Steigerung der Effizienz der Belegschaft beiträgt, jedoch im Dienste künftiger Wachstumsziele und nicht zum Zweck des Personalabbaus. Der durch KI ermöglichte Weg in die Zukunft muss für alle klar erkennbar sein, insbesondere für diejenigen, die diese Technologien nutzen sollen.

Unterstützung in der Pilotphase sichern

Der erfolgreiche Übergang vom Pilotprojekt zur Skalierung – insbesondere dort, wo die Akzeptanz der Nutzer*innen entscheidend ist – hängt von klar nachweisbaren und gut sichtbaren Ergebnissen ab. Resultate, die sich in Finanz-Dashboards oder in wöchentlichen Betriebs-Reviews widerspiegeln, schaffen die notwendige Grundlage, um die Zustimmung für eine breitere Transformation zu gewinnen.

Schulungen spielen in diesem Übergang eine entscheidende Rolle. Mitarbeiter*innen müssen die Vorteile, Grenzen und Erwartungen im Umgang mit KI verstehen. Die Cyber-Sicherheit verdient dabei besondere Aufmerksamkeit: Beschäftigte sollten umfassend für die Risiken im Zusammenhang mit KI und Datenschutz sensibilisiert werden – insbesondere beim Einsatz von KI-Chatbots und externen Tools.

Nutzer*innen sowie die Verantwortlichen für die jeweiligen Use Cases sollten auch die ESG-Auswirkungen ihrer Arbeit verstehen. Dieses Verständnis hilft, den Einsatz auf wesentliche und wertstiftende Prozesse zu konzentrieren, und fördert zugleich die Nutzung ressourcenschonenderer Lösungen, sofern diese verfügbar sind.

Abschließend sollten die Mitarbeiter*innen verstehen, wie neue Use Cases bewertet und gesteuert werden – und dieser Prozess muss transparent gestaltet sein. Sind klare und reproduzierbare Governance-Strukturen etabliert, können Mitarbeiter*innen und Führungskräfte neue Use Cases gezielt einbringen und effizient sowie wirkungsvoll bewerten – mit Fokus auf der Verbesserung von Geschäftsergebnissen statt auf kurzfristigen Trends.

Führungskräfte bestimmen den Kurs

Die Unternehmensführung muss ein starkes Vorbild sein, sowohl hinsichtlich der Begeisterungsfähigkeit für KI als auch bei deren alltäglicher Nutzung. Die Erwartungshaltung wird von oben definiert, und die Führungskräfte beeinflussen maßgeblich, wie die Mitarbeiter*innen im gesamten Unternehmen die Bedeutung von KI einschätzen. Ein Führungsteam, das KI-Tools nutzt, offen über deren Möglichkeiten und Grenzen spricht und durchdachtes Ausprobieren belohnt, wird eine ganz andere Akzeptanzkurve erleben als eines, das KI in seinen eigenen Aufgabenbereichen ignoriert oder ablehnt und deren Einsatz an untergeordnete Ebenen delegiert.

Wie können Führungskräfte in den verschiedenen Unternehmensbereichen also konkret dazu beitragen, mit KI echten und messbaren Mehrwert zu schaffen?

Fokus: Festlegen, wo Mehrwert geschaffen werden soll Das größte Risiko besteht nicht darin, zu wenig zu tun – sondern darin, zu viel zu tun, ohne dabei eine Wirkung zu erzielen. KI konsequent an Geschäftsergebnissen ausrichten: Jede KI-Initiative klar mit einem Umsatzhebel, einem Kostentreiber oder einem zentralen Entscheidungsprozess verknüpfen Fokus schärfen, um echten Impact zu erzielen: Eine begrenzte Anzahl hochwertiger, vielschichtiger Use Cases priorisieren und vermeiden, Investitionen auf zu viele Initiativen zu verteilen Die Transformation aktiv steuern: KI als Hebel für Produktivität und bessere Entscheidungen positionieren – nicht als Instrument zum Personalabbau – und dies im gesamten Unternehmen konsistent kommunizieren Führungsteam auf Wert und Zeithorizont ausrichten: Sicherstellen, dass sich CFO, CIO und die Geschäftsführung einig sind, wie Erfolg definiert wird, wie Mehrwert gemessen wird und wann mit Erträgen zu rechnen ist Anpassungsfähigkeit in der Umsetzung verankern: Statische Transformations-Roadmaps vermeiden und stattdessen eine vierteljährliche Neubewertung von Initiativen sowie schnelle Entscheidungszyklen auf Führungsebene etablieren Compliance von Anfang an mitdenken: Eine konsequente, angemessen ausgestaltete Governance und Compliance einfordern – auch wenn sich regulatorische Anforderungen noch entwickeln – und sich für verhältnismäßige, risikobasierte Maßnahmen einsetzen, wo klare Rahmenwerke noch fehlen

Fokus: Sicherstellen, dass der Mehrwert erfasst und realisiert wird KI sollte nicht wie eine klassische IT-Investition behandelt werden. Ihr Nutzen entsteht schrittweise, hängt von der Umsetzung ab und variiert je nach Use Case.  Die Diskussion von Fähigkeiten auf Leistung verlagern: Operative Kennzahlen erfassen und nachhalten – nicht nur technische Outputs (z. B. Durchlaufzeiten, Produktivitätsgewinne, Fehlerreduktion, Kapazitätsaufbau) Ein belastbares Rahmenwerk für ROI- und Wertmessung aufbauen: Tatsächliche Investitionskosten (einschließlich Daten, Integration und Veränderungsaufwand) sowie realisierten Nutzen erfassen – nicht nur erwartete; dabei zwischen kurzfristigen Effizienzgewinnen und langfristigem Geschäftswert unterscheiden Kompetenzen statt isolierter Initiativen finanzieren: Budgets gezielt in Datenfundamente, KI-Plattformen und zentrale Bausteine investieren Investitionen staffeln und diszipliniertes Vorgehen einfordern: Finanzierung an Meilensteine sowie messbare Ergebnisse bzw. Nutzungsraten knüpfen Ressourcen bei sichtbarem Mehrwert neu verteilen: Personaleinsatz und Kostenstrukturen proaktiv anpassen Compliance zum Bestandteil der Performance-Bewertung machen: Für Transparenz bei Compliance und Governance als Teil der Bewertung von Use Cases sorgen und kontinuierliche Prüfmechanismen etablieren, um die fortlaufende Harmonisierung sicherzustellen

Fokus: Mehrwert skalierbar und nachhaltig gestalten Das Verfolgen des neuesten KI-Trends ohne belastbare Grundlagen führt eher zu Unsicherheiten, statt echten Mehrwert zu schaffen. Daten und Governance als Grundlage priorisieren: In Datenqualität, Zugänglichkeit und klare Verantwortlichkeiten investieren und Governance in alle Transformationsinitiativen integrieren – nicht nur in KI-Projekt Auf unternehmensweite Transformation ausrichten: Über rein taktische Use Cases hinausgehen, vielseitig einsetzbare Fähigkeiten identifizieren, Mehrfachnutzen über Funktionen hinweg sicherstellen und KI-Initiativen mit der übergreifenden digitalen Transformation verzahnen Reproduzierbare Muster für Skalierung etablieren: Ansätze zur Datenklassifizierung standardisieren, freigegebene KI-Verarbeitungsumgebungen („Zonen“) definieren und Mechanismen zur menschlichen Validierung („Human-in-the-loop“) fest verankern Integration in zentrale Abläufe sicherstellen: KI in bestehende Geschäftsprozesse und Entscheidungsabläufe einbetten und die Interoperabilität zwischen Systemen gewährleisten Technologieentscheidungen am Geschäftsnutzen ausrichten: Vom Problem ausgehen, nicht vom Tool; technische Lösungen wählen, die zum Use Case, zur Datenlandschaft und zum jeweiligen Risikoprofil passen Compliance operativ verankern: Die Lücke zwischen Compliance-Strategien und technischer Umsetzung schließen und in jeder Phase für Transparenz sorgen

Vom KI-Hype zum tatsächlichen KI-Mehrwert

Wie können Unternehmen, die die Einführung von KI entweder aufgeschoben haben oder bei ihren Use Cases nur einen geringen Mehrwert erzielen konnten, schnell reagieren und die richtigen Grundlagen schaffen, ohne dabei an Wettbewerbsfähigkeit einzubüßen? Die gute Nachricht ist: Auch wenn eine echte Transformation Zeit braucht, gibt es Möglichkeiten, aktuelle KI-Projekte effektiv neu auszurichten:

„Blenden Sie den aktuellen KI-Hype bewusst aus. Betrachten Sie stattdessen Ihr eigenes Unternehmen und entwickeln Sie eine zentrale Strategie, die sich an echtem Mehrwert orientiert. So können Sie die Wirtschaftlichkeit neuer Use Cases aufzeigen und die richtigen Rahmenbedingungen für die Ziele Ihres Unternehmens schaffen. Das führt zu messbarer Wertschöpfung sowie zu mehr Widerstandsfähigkeit und Sicherheit, während sich KI kontinuierlich weiterentwickelt.”  Michael Fried, Principal, Forvis Mazars in den USA