Die meisten Unternehmen haben keinen Mangel an KI-Ideen. Die schwierigere Frage lautet: Wo fangen wir an, und wie wird aus einer Idee mehr als ein isolierter Gedanke in einem einzelnen Team?
Mitarbeitende testen Copilots, bauen erste Assistenten oder entwickeln mit Ansätzen wie Vibe Coding eigene Lösungen. Gerade die Menschen in den Fachbereichen wissen oft am besten, wo Informationen fehlen, welche Arbeitsschritte Zeit kosten und welche Unterstützung sie tatsächlich brauchen. Viele Ideen bleiben jedoch im Gespräch, in einer Präsentation oder innerhalb eines Teams stecken. Häufig ist unklar, wer unterstützen kann, welche Werkzeuge genutzt werden dürfen und wie ein erster sicherer Test überhaupt aussehen soll.
Und sobald aus einem persönlichen Experiment eine Lösung für ein Team oder einen Geschäftsprozess werden soll, entstehen weitere Fragen: Darf die Lösung auf interne Daten zugreifen? Wer prüft ihre Ergebnisse? Wer übernimmt den Betrieb? Und wer entscheidet, ob sie produktiv eingesetzt werden darf?
Genau hier zeigt sich, ob ein Unternehmen nur einzelne KI-Projekte umsetzt oder eine echte organisatorische KI-Fähigkeit entwickelt.
Das falsche Zielbild: Jede KI-Idee wird zum IT-Projekt
Unternehmen reagieren auf neue KI-Ideen häufig auf eine von zwei Arten.
Im ersten Fall experimentieren Mitarbeitende weitgehend unkoordiniert. Sie verwenden unterschiedliche Tools oder entwickeln Lösungen, von denen außerhalb ihres Teams kaum jemand weiß. So entsteht Geschwindigkeit, aber auch Shadow AI.
Im zweiten Fall wird jede Idee sofort an IT, Security, Legal oder ein zentrales AI-Gremium weitergeleitet. Selbst ein kleiner Anwendungsfall muss Abstimmungen und Freigaben durchlaufen, bevor überhaupt klar ist, ob er einen messbaren Nutzen bringt.
Beide Modelle skalieren nicht.
Unkontrollierte Experimente können Sicherheits-, Datenschutz- und Betriebsrisiken erzeugen. Eine vollständig zentralisierte Steuerung wird dagegen schnell zum Flaschenhals. Sie nimmt den Fachbereichen genau jene Flexibilität, die sie für Innovation benötigen.
Die Herausforderung besteht deshalb nicht darin, zwischen Freiheit und Kontrolle zu wählen. Unternehmen müssen beides organisatorisch und technisch miteinander verbinden.
Das bessere Zielbild: Business-led, IT-enabled
Das Ziel sollte eine Arbeitsweise sein, in der Fachbereiche eigene Lösungen entwickeln, erproben oder gemeinsam mit geeigneten Unterstützungsrollen gestalten können. Denn sie kennen ihre Anforderungen und alltäglichen Reibungsverluste meist am besten.
Die IT muss dabei nicht jede Idee selbst umsetzen. Sie schafft die Voraussetzungen, unter denen dezentrale Innovation sicher möglich wird. Das Zielbild ist daher business-led und IT-enabled.
Organisatorisch braucht es Menschen, Ressourcen und einen verständlichen Prozess, der eine Idee vom ersten Impuls bis zur möglichen Produktivsetzung begleitet.
Technisch braucht es eine geschützte Umgebung, in der Mitarbeitende selbst entwickelte Lösungen testen können, ohne produktive Systeme oder sensible Informationen unnötig zu gefährden.
Der Gedanke ähnelt dem Citizen Development: Nicht jede Lösung entsteht zentral in der IT. Die Fachbereiche erhalten die Möglichkeit, näher an ihren eigenen Problemen zu entwickeln. Anders als bei einem unkontrollierten Selbstbedienungsmodell geschieht dies jedoch innerhalb gemeinsamer Leitplanken.
Governance verbindet diese beiden Seiten. Sie soll Fachbereiche nicht von der IT abschneiden, sondern ihre Abhängigkeit von ihr bei jedem einzelnen Experiment reduzieren.
Das ist ein wichtiger Unterschied. Die IT bleibt für Plattformen, Integration, Sicherheit und Betriebsfähigkeit zentral. Sie entwickelt sich jedoch vom alleinigen Umsetzer zum Enabler einer stärker föderierten Arbeitsweise.
Zwei Situationen, die unterschiedliche Antworten brauchen
Nicht jeder KI-Use-Case benötigt denselben Prozess. Ein persönlicher Assistent zur Strukturierung von Notizen ist anders zu behandeln als eine Lösung, die Kundendaten verarbeitet und Einträge im CRM verändert. Ein skalierbarer Ansatz muss deshalb zwei unterschiedliche Situationen abbilden: das sichere Experimentieren im Self-Service und den kontrollierten Übergang in die produktive Nutzung.
Im Self-Service können Mitarbeitende Ideen mit freigegebenen Werkzeugen in einer geschützten Umgebung testen. Solange Nutzung, Wirkung und Risiko begrenzt bleiben, sollte dafür keine zentrale Einzelfreigabe notwendig sein.
Die Situation verändert sich, wenn aus dem Experiment eine belastbare Lösung werden soll. Sobald mehrere Personen darauf angewiesen sind, sensible Daten verarbeitet oder operative Systeme angebunden werden, braucht es einen gemeinsamen Entscheidungspunkt mit der IT und gegebenenfalls weiteren Funktionen.
Dabei geht es nicht darum, Innovation zu erlauben oder zu verhindern. Gemeinsam wird geprüft, ob Informationen, Verantwortlichkeiten und Sicherheitsvorkehrungen für einen produktiven Einsatz vorhanden sind. Der Use Case wird dadurch nicht automatisch gestoppt. Er wechselt lediglich von einem geschützten Experiment in einen strukturierten Entscheidungsweg.
Der entscheidende Moment ist der Übergang
Ein Prototyp darf unfertig sein. Er darf Annahmen testen, Grenzen ausloten und auch scheitern. Eine produktive Lösung hat andere Anforderungen. In einer Demo zählt vor allem, ob eine Idee grundsätzlich funktioniert. Im Betrieb zählen zusätzlich Ownership, Datenqualität, Informationssicherheit, Kosten, Support und die Frage, was bei einem Fehler passiert.
Eine Vertriebsmitarbeiterin entwickelt beispielsweise einen Assistenten, der ihre Gesprächsnotizen strukturiert. Solange sie ein freigegebenes Tool in einer geschützten Umgebung nutzt und die Ergebnisse selbst prüft, kann dieser Fall im Self-Service bleiben.
Soll derselbe Assistent später für das gesamte Vertriebsteam ausgerollt werden und automatisch CRM-Einträge anlegen, verändert sich sein Charakter. Nun muss geklärt werden, wer die fachliche Verantwortung trägt und unter welchen Bedingungen die Lösung live gehen kann.
Die Governance-Frage lautet deshalb nicht: „Darf KI genutzt werden?" Sie lautet: „Welche Entscheidungen braucht diese konkrete Form der Nutzung?"
Governance nach Wirkung und Risiko, nicht nach Technologie
Unternehmen sollten Use Cases nicht allein danach bewerten, welche KI-Technologie eingesetzt wird.
Ein Assistent auf Basis eines großen Sprachmodells kann für eine wenig kritische persönliche Aufgabe genutzt werden. Gleichzeitig kann eine technisch einfache Automatisierung erhebliche Auswirkungen haben, wenn sie personenbezogene Daten verarbeitet oder operative Entscheidungen auslöst.
Relevant sind Wirkung, Reichweite und Risiko. Für manche Fälle reichen gemeinsame Standards. Andere benötigen eine kurze Klärung. Nur ein kleinerer Teil sollte eine vertiefte Prüfung und formale Freigabe durchlaufen.
Das klingt einfach. In der Praxis beginnt hier jedoch die eigentliche Gestaltungsarbeit: Wo endet Self-Service? Welche Kriterien lösen einen Review aus? Wer trifft welche Entscheidung? Und wie bleibt der Prozess schnell genug, damit Governance nicht selbst zum Engpass wird?
Zwischen Prinzip und Praxis liegt das Operating Model
Eine AI Policy oder ein zusätzliches Gremium beantwortet diese Fragen nicht automatisch. Entscheidend ist das Operating Model: Es verbindet den fachlichen Freiraum für Experimente mit klaren Verantwortlichkeiten und Entscheidungswegen für die produktive Nutzung. Unser CEO Wolfgang Ennikl hat das in seinem Beitrag Wenn KI handelt, reicht eine Richtlinie nicht mehr auf den Punkt gebracht: Sobald KI handelt, braucht es ein Betriebsmodell.
Ein sinnvoller Ausgangspunkt ist dabei kein vollständiges Regelwerk, sondern ein realer Use Case. An ihm wird sichtbar, wo Orientierung fehlt, welche Übergänge geklärt werden müssen und wo unnötige Abhängigkeiten entstehen.
Der erste Use Case testet damit nicht nur die Technologie. Er testet das zukünftige Operating Model.
Den Weg zur Skalierung gestalten
Wer KI skalieren möchte, braucht nicht nur weitere Ideen. Es braucht eine Umgebung, in der Fachbereiche einfach beginnen können, und einen verlässlichen Übergang vom selbst entwickelten Experiment zur professionell betriebenen Lösung.
Die entscheidende Frage lautet daher nicht, wie jedes einzelne KI-Vorhaben zentral gesteuert werden kann. Sie lautet, wie Unternehmen Freiraum für dezentrale Innovation schaffen und zugleich sicherstellen, dass Verantwortung und Kontrolle mit der Wirkung eines Use Cases mitwachsen.
Governance skaliert KI nicht, indem sie jede Entscheidung zentralisiert. Sie skaliert KI, indem sie aus einzelnen Experimenten einen verlässlichen Weg zur Umsetzung macht.
Mehr dazu
Live bei AI Challenge Accepted: Am 17. November spreche ich bei „AI-Challenge Accepted" in Linz darüber, wie dieser Weg in der Praxis aussieht, und beantworten Ihre Fragen direkt vor Ort.
Whitepaper: Falls Sie nicht vor Ort sein können, beschreiben wir in unserem aktuellen Whitepaper, wie Unternehmen Data & AI Governance pragmatisch aufbauen, welche Rollen und Entscheidungswege es braucht und wie sich Governance in den Arbeitsalltag übersetzen lässt. „Von Data Governance zu Data & AI Governance" - Jetzt kostenlos herunterladen
