Nicht die Technik bremst KI – sondern Unklarheit über Engpässe, Daten und Verantwortung

In vielen kleinen und mittleren Unternehmen ist KI weniger ein Technologiethema als ein Einordnungsthema. Nicht, weil es an Interesse fehlt, sondern weil im Alltag selten Raum entsteht, um Begriffe, Wirkungen und Konsequenzen in Ruhe zu klären. Zwischen Aufträgen, Reklamationen, Personalfragen und Lieferterminen bleibt KI ein Wort, das überall auftaucht und dennoch nicht greifbar wird. Daraus entsteht Orientierungslosigkeit: Wo anfangen, wenn nicht einmal klar ist, was KI im eigenen Kontext überhaupt bedeutet?

Drei typische Fehlstarts

Aus dieser Ungewissheit entstehen typische Fehlstarts. Sie wirken auf den ersten Blick plausibel, führen aber fast immer zu denselben Reibungen:

• Wegschieben und ignorieren: KI betreffe das eigene Geschäft nicht, also könne das Thema warten. Gleichzeitig nutzen Mitarbeitende längst KI-gestützte Funktionen – aus Neugier, aus Zeitdruck, weil es sich anbietet. So entsteht Schatten-KI: Nutzung ohne Rahmen, ohne Regeln, ohne Verantwortlichkeit.

• Delegation an die IT: KI wird behandelt wie eine Software-Version, die ausgerollt und abgehakt werden kann. Damit wird ein organisatorisches Thema in eine technische Zuständigkeit verschoben – und die eigentliche Führungsfrage bleibt unbeantwortet.

• Strategie ohne Verständnis: KI wird top-down als wichtig verankert, eine Einführungsstrategie wird entworfen, doch es ist nicht geklärt, welche Arbeit eigentlich besser werden soll und welche Voraussetzungen dafür real existieren.

  
  

Nach solchen Anläufen bleibt selten ein neutraler Eindruck zurück. Es entsteht Reibung. Zeit und Geld sind investiert, einzelne Personen haben Engagement gezeigt, vielleicht auch Mut. Wenn die Wirkung ausbleibt, kippt die Stimmung schnell in Abwehr: KI funktioniere im eigenen Bereich nicht, die eigene Nische sei anders, die Branche brauche das nicht. Dieser Satz ist gefährlich, weil er nicht nur einen Versuch beendet, sondern künftige Entscheidungen belastet. Beim nächsten Anlauf muss zuerst diese Fehleinschätzung abgetragen werden, bevor überhaupt wieder nüchtern gedacht werden kann.

Klarheit beginnt im Status quo

Klarheit beginnt deshalb nicht mit „KI einführen“, sondern mit dem Status quo: Wo soll Wirkung entstehen? In der Auftragsabwicklung wird das besonders sichtbar. Dort laufen Informationen aus Vertrieb, Einkauf, Produktion, Logistik und Buchhaltung zusammen. Kleine Unsauberkeiten werden zu Verzögerungen, Rückfragen zu Wartezeiten, fehlende Daten zu improvisierten Lösungen. Ohne ein gemeinsames Bild der Engpässe bleibt jede KI-Idee abstrakt – und jede Einführung wird zum Versuch, Geschwindigkeit auf Unordnung zu setzen.

Der Klarheits-Check

Die notwendige Bestandsaufnahme ist unspektakulär, aber entscheidend. Sie schafft ein gemeinsames Bild darüber, worüber im Alltag sonst nur in Einzelfällen gesprochen wird:

• Wirkungspunkt: Wo entstehen die Engpässe in Abläufen und Entscheidungen? Welche Übergaben sind brüchig, wo stauen sich Rückfragen, wo wird regelmäßig improvisiert?

• Datenrealität: Welche Informationen existieren verlässlich, wo liegen sie, wie entstehen sie – und wie oft verändern sie sich unterwegs? Wer hat Datenhoheit, wer darf zugreifen, welche Version gilt?

• Verantwortung: Wer entscheidet, wofür KI genutzt wird? Welche Regeln gelten? Wie wird sichtbar, wenn Schatten-KI entsteht, statt sich leise zu verfestigen?

  
  

Daten: Klarheit statt jahrelanger Vorbau

Gerade beim Thema Daten entsteht an dieser Stelle häufig ein Missverständnis. Status quo klären heißt nicht, zuerst jahrelang Datenqualität zu „reparieren“, bis perfekte Voraussetzungen geschaffen sind. Das wäre nur ein neuer Vorbau, der alles verzögert und am Ende oft an den eigentlichen Problemen vorbeiarbeitet. Klarheit über die Datenrealität ist der Startpunkt, nicht ihre Vollendung. Erst wenn sichtbar ist, wo Daten liegen, wie zugänglich sie sind und welche Lücken bestehen, lässt sich sinnvoll fragen, welche Datenqualität für ein konkretes Problem überhaupt nötig ist.

So entsteht ein iteratives Vorgehen, das KI und Datenarbeit zusammenführt, statt sie zu trennen: Ein Engpass wird gewählt, die notwendige Mindestqualität der Daten wird bestimmt, die Lücke wird gezielt geschlossen, eine Lösung wird integriert – dann folgt der nächste Engpass. Datenqualität steigt dadurch nicht „irgendwann“, sondern punktuell dort, wo eine echte Wirkung erwartet wird. Das reduziert Risiko, verhindert Großprogramme ohne Ergebnis und hält Verantwortung dort, wo sie hingehört: in der Organisation, nicht im Tool.

Damit wird auch die verbreitete Annahme brüchig, KI sei ein Projekt. Projekte haben Startdatum, Enddatum und einen Abschlussbericht. Hier entsteht eher eine dauerhafte Veränderung, ähnlich wie die Digitalisierung vor Jahren – nur näher am Alltag und schneller in der Verbreitung. Am Ende bleibt eine nüchterne Verschiebung, die vielen Unternehmen gut tut: Nicht KI ist der Startpunkt, sondern Engpässe, Verantwortlichkeiten und die Datenrealität. KI wird erst im zweiten Schritt zur Option – dann allerdings zu einer Option mit Bodenhaftung.