KI im Unternehmen kommt in drei Wellen, und die dritte beginnt nicht von selbst

In der Kaffeepause eines Workshops habe ich einen Geschäftsführer gefragt, was ihnen KI bis jetzt gebracht hat. „Wir haben viele Tools, alle auf Firmenkosten“, sagte er. „Meine Leute schwören auf das eine oder das andere. Aber wenn Sie mich fragen, was uns das unterm Strich bringt, müsste ich raten.“

Dieses „ich müsste raten“ ist mir geblieben, weil es den Zustand vieler Unternehmen genauer beschreibt als jedes Strategiepapier. Der Zugang ist bezahlt, die Nutzung läuft, und trotzdem kann niemand sagen, welcher Ablauf dadurch verlässlich besser geworden ist und wer dafür verantwortlich ist, dass er funktioniert.

Ich führe seit 2013 eine Digitalagentur, wir sind sechs Leute, und ich betreibe sie seit zwei Jahren als Experimentier-Labor für KI. Wir probieren früh aus, was die Werkzeuge können, und werfen das meiste wieder weg. Nicht auf jede Frage habe ich dabei eine Antwort gefunden. Ein Muster allerdings sehe ich sehr deutlich.

Die ersten zwei Wellen fühlen sich wie Fortschritt an

Ich sortiere KI-Einführung inzwischen in drei Wellen. Die erste ist die Lizenzwelle. Das Unternehmen kauft Zugänge, richtet Accounts ein und hakt „KI“ auf der Digitalisierungsliste ab. In der zweiten, der Promptwelle, folgen Schulungen, interne Vorreiter und erste Aha-Momente. Beide Wellen sind nötig, und beide fühlen sich wie Fortschritt an, weil sichtbar etwas passiert.

Die zweite Welle bringt gute einzelne Anwender hervor, und dabei bleibt es oft. Wenn die beste Prompterin im Haus zwei Wochen auf Urlaub ist, läuft der Ablauf trotzdem so wie vorher. Ihre Übung steckt in ihrem Kopf und nicht im Prozess.

In der dritten Welle wird ein konkreter Arbeitsablauf so umgebaut, dass KI verlässlich darin arbeitet. Diese Welle beginnt nicht von selbst. Jemand muss den Umbau ausdrücklich zur Aufgabe machen.

In einer im November 2025 veröffentlichten globalen Unternehmensbefragung (öffnet in neuem Fenster) berichten fast neun von zehn Befragten, dass ihre Organisation KI regelmäßig in mindestens einer Geschäftsfunktion nutzt. Rund sechs Prozent erfüllen eine engere Erfolgsdefinition. Sie schreiben der KI mindestens fünf Prozent ihres Ergebnisses vor Zinsen und Steuern sowie einen erheblichen Wertbeitrag zu. Diese Gruppe berichtet fast dreimal so häufig wie die übrigen Befragten, einzelne Workflows grundlegend umgebaut zu haben. Möglicherweise wird KI-Nutzung durch die Konkurrenz auch zur Basisanforderung. Das ist eine mögliche Erklärung, kein Befund dieser Befragung. Die Angaben sind Selbstauskünfte; ob der Umbau den Erfolg verursacht oder erfolgreiche Unternehmen schlicht mehr umbauen, zeigt die Befragung nicht.

Ich lese sie trotzdem als deutlichen Hinweis darauf, wo es hakt.

Was die dritte Welle im Alltag braucht

Im Betrieb läuft ein Workflow dauerhaft im Alltag, nicht nur in einer gelungenen Vorführung. Dabei achte ich auf vier Dinge. Ein benannter Owner verantwortet den Workflow. Im Team ist klar, woran gute Arbeit in diesem Ablauf erkennbar ist. Klare Übergaben regeln, wann die KI abgibt und welche Fälle immer ein Mensch entscheidet. Und ein regelmäßiger Review entscheidet, ob der Workflow weiterläuft, wächst oder endet. An diesen vier Punkten entscheide ich, ob ich einem Workflow traue.

Vorher ist zu prüfen, ob das KI-Modell die Aufgabe überhaupt kann, ob die Daten zugänglich und brauchbar sind, ob sich das Ganze in die bestehenden Systeme einfügt und ob Datenschutz und Budget mitspielen. Noch so gutes Organisieren rettet keinen ungeeigneten Use Case.

Wie das konkret aussieht, zeigt ein Ablauf aus unserem Labor. Auf den Websites, die wir betreuen, meldet das Werkzeug Sentry Fehler, die bei Besucher:innen oder Redakteur:innen auftreten. Heute arbeitet ein KI-Agent diese Liste ab und startet für jeden Fehler einen eigenen KI-Agenten. Dieser sucht die Ursache, stellt den Fehler lokal nach und entwickelt eine Korrektur. Er prüft, ob sie den Fehler behebt, und erstellt einen Pull Request, das ist Entwicklersprache für einen Änderungsvorschlag zur Prüfung an einen Entwickler.

Die vier Dinge stecken in den Regeln, die der Agent bei jedem Lauf mitbekommt. Der Owner bin ich. Ich entscheide, wann diese Regeln angepasst werden. Jeder Pull Request soll Fehler, Ursache, Lösung und Prüfung erklären und zwei Bildschirmaufnahmen als Screenshot oder Video enthalten. Eine zeigt den Fehler, die andere zeigt, dass dieselben Schritte nach der Korrektur funktionieren. Bei der Übergabe schlägt der Agent vor, ein Mensch entscheidet. Live stellen und einen Fehler als erledigt markieren kann der Agent nicht. Und er darf früh aufhören. Schätzt der Agent die Wahrscheinlichkeit, dass ein Fehler in einem Jahr noch mindestens einmal auftritt, auf unter 70 Prozent, empfiehlt er, ihn vorerst liegen zu lassen, und steckt keine weitere Arbeit hinein.

Mit fünf Schritten in die dritte Welle

Unser Fehler-Workflow ist ein Beispiel dafür, wie aus einem KI-Versuch ein fester Ablauf im Alltag wird. Welcher Ablauf sich dafür eignet, hängt vom jeweiligen Unternehmen ab. Für den ersten Umbau in deinem Unternehmen kannst du dich an diesen fünf Schritten orientieren.

Danach beginnen die fünf Schritte von vorn, mit dem nächsten Workflow.

Was die fünf Schritte nicht garantieren

Sie garantieren keine Skalierung, und das kann richtig so sein. In einer im Januar 2025 veröffentlichten Befragung von Führungskräften (öffnet in neuem Fenster) meldeten fast drei Viertel, dass ihre jeweils fortgeschrittenste Initiative mit generativer KI die Erwartungen an den Ertrag erfüllt oder übertrifft. Trotzdem rechneten mehr als zwei Drittel damit, dass in den folgenden drei bis sechs Monaten höchstens 30 Prozent ihrer Experimente vollständig in die Breite gehen. Für mich gehört zum Betrieb, Versuche ohne ausreichenden Nutzen zu stoppen und tragfähige Abläufe stabil zu betreiben.

Die dritte Welle beginnt mit einer Entscheidung

Die Frage des Geschäftsführers aus der Kaffeepause ist mit einer weiteren Lizenz oder Schulung allein noch nicht beantwortet. Seine erste Entscheidung aus der dritten Welle legt einen Ablauf, einen Namen und einen Termin fest, an dem geprüft wird. Im Change Management gibt es dazu viele spannende Ansätze, über die ich in zukünftigen Artikeln mehr schreiben will.

Das gilt über diesen einen Fall hinaus. Wo Modell, Daten und Anbindung für einen Workflow grundsätzlich taugen, kommt es darauf an, Experimente zu organisieren und aus den brauchbaren Ergebnissen einen verlässlichen Betrieb zu machen.