Max Schreiber
43 Prozent der deutschen Unternehmen verfügen über keine KI-Strategie. Weitere 38 Prozent haben zwar eine Strategie auf Papier, scheitern aber bei der Umsetzung. Diese Zahlen aus dem aktuellen Guide-to-Next-Report klingen nach einem Technologieproblem – sind aber eigentlich ein Führungs-, Kultur- und KI-Skills-Problem. Warum Unternehmen bei KI regelmäßig auf die Nase fallen und welche KI-Skills notwendig sind.
Es ist das Paradox der deutschen Digitalwirtschaft: KI ist das meistdiskutierte Thema auf jeder Vorstandssitzung, jedem Branchentreffen und jeder Unternehmenskonferenz. Gleichzeitig zeigt eine Studie nach der anderen, dass die Lücke zwischen KI-Ambitionen und KI-Realität beängstigend groß ist.
Um die KI-Skills im Unternehmen zu stärken, ist eine systematische Schulung erforderlich. Nur wenn die Mitarbeitenden die KI-Skills beherrschen, kann das volle Potenzial der Technologien ausgeschöpft werden.
Was steckt dahinter? Ehrlich gesagt: eine Kombination aus mehreren Faktoren, die alle zusammenspielen – und keiner davon ist „wir haben nicht genug Geld in Technologie investiert“. Meist ist es eher das Gegenteil: Technologie wurde eingekauft, aber nicht umgesetzt. Tools wurden lizenziert, aber nicht genutzt. Trainings wurden durchgeführt, aber Verhaltensweisen nicht verändert.
Das Team von digital-magazin.de hat sich die aktuellen Forschungsergebnisse angeschaut und kommt zu einem ernüchternden Befund: Die meisten KI-Initiativen scheitern nicht an fehlender Technologie, sondern an Problemen, die schon vor der ersten KI-Zeile existierten.
Die Förderung von KI-Skills ist entscheidend für die erfolgreiche Umsetzung von KI-Projekten in Unternehmen. Nur mit ausreichenden KI-Skills sind Mitarbeitende in der Lage, die Technologie effektiv zu nutzen.
Der klassische Fehler: Das Unternehmen kauft ein KI-Tool, weist die IT-Abteilung an, es einzuführen, und erwartet dann Effizienzgewinne. Was dabei übersehen wird: KI verändert Arbeitsabläufe. Und Arbeitsabläufe zu verändern ist keine technische, sondern eine organisatorische Aufgabe.
Beispiel Vertrieb: Ein Unternehmen führt ein KI-gestütztes CRM-System ein, das Verkaufschancen priorisiert und Kundengespräche analysiert. Die Software funktioniert technisch einwandfrei. Aber der Vertrieb nutzt sie kaum – weil niemand die Dateneingabe konsequent gepflegt hat, weil die KI-Empfehlungen nie erklärt wurden und weil die Vertriebsleitung weiterhin auf Bauchgefühl setzt statt auf Algorithmen-Output.
Um dies zu vermeiden, sollten Unternehmen sicherstellen, dass ihre Vertriebsmitarbeiter über die nötigen KI-Skills verfügen, um die neuen Systeme effektiv zu nutzen.
KI-Einführungen scheitern, wenn sie als IT-Projekt behandelt werden. Sie gelingen, wenn sie als Veränderungsprojekt geführt werden – mit Kommunikation, Training, Prozessanpassung und einer klaren Antwort auf die Frage: „Wie verändert sich meine Arbeit konkret, und warum ist das besser?“
McKinsey hat in einer umfassenden Analyse festgestellt, dass Unternehmen, die bei KI-Projekten Change-Management priorisieren, dreimal häufiger messbare Ergebnisse erzielen als solche, die auf reine Technologieimplementierung setzen. Das ist eine Zahl, die sprechen sollte – und in vielen Führungsetagen immer noch ignoriert wird.
Die richtigen KI-Skills können den Unterschied zwischen Erfolg und Misserfolg eines Projekts ausmachen. Unternehmen sollten daher in diese Kompetenzen investieren.
KI ist so gut wie die Daten, auf denen sie trainiert wurde. Das ist bekannt. Was weniger bekannt ist: Die meisten deutschen mittelständischen Unternehmen haben erhebliche Datenprobleme – Silos, Inkonsistenzen, fehlende Standardisierung, mangelhafte Datenqualität.
Ein produzierendes Unternehmen wollte KI zur Produktionsoptimierung einsetzen. Die Maschinendaten waren in fünf verschiedenen Systemen gespeichert, die nicht miteinander kommunizierten. Historische Wartungsdaten lagen als handschriftliche Einträge in Excel-Tabellen vor. Qualitätsdaten wurden in zwei verschiedenen Formaten erfasst, je nach Schicht. Das KI-Projekt wurde nicht wegen der Algorithmen gestoppt, sondern wegen der Datenbasis.
Wer KI einführen will, muss zuerst seine Datenstrategie in Ordnung bringen. Das ist weniger glamourös als das Präsentieren von KI-Dashboards, aber unerlässlich. Und dieser Schritt dauert in vielen Unternehmen länger als die eigentliche KI-Implementierung.
Konkret bedeutet das: Datenpflege als strategische Aufgabe etablieren, nicht als IT-Nebenprojekt. Datenverantwortung klar zuweisen. Und ehrlich sein darüber, in welchem Zustand die eigene Datenbasis wirklich ist – nicht in welchem Zustand man glaubt, dass sie ist.
Ein weiterer wichtiger Punkt ist die Investition in KI-Skills, um Mitarbeitende auf die zukünftigen Herausforderungen vorzubereiten.
Der Bitkom meldet regelmäßig, dass der Bedarf an KI-Fachkräften in Deutschland wächst – und die Verfügbarkeit nicht mithält. Das ist die eine Seite. Die andere Seite: Es gibt einen erheblichen Gap zwischen dem, was Mitarbeitende brauchen würden, um KI sinnvoll zu nutzen, und dem, was sie tatsächlich können.
Dabei geht es nicht nur um technisches Know-how. Wer KI-Tools im Alltag nutzen will, braucht Kompetenzen in drei Bereichen:
Diese drei Bereiche sind entscheidend, um die notwendigen KI-Skills im Unternehmen aufzubauen.
Promptkompetenz: Wie formuliere ich Aufgaben an ein KI-System so, dass ich brauchbare Ergebnisse bekomme? Das klingt trivial und ist es nicht. Schlechte Prompts produzieren schlechte Outputs – und führen zu dem Urteil „das KI-Tool taugt nichts“, obwohl das Problem beim Nutzer liegt.
Kritische Beurteilung: KI produziert plausibel klingende Outputs, die falsch sein können. Wer das nicht weiß oder nicht die Fachkenntnis hat, Fehler zu erkennen, übernimmt unkritisch Falschinformationen. Gerade in Bereichen wie Recht, Medizin, Finanzen ist das ein erhebliches Risiko.
Prozessdenken: Wie integriere ich KI-Tools in meinen Arbeitsablauf sinnvoll – und wann sollte ich lieber darauf verzichten? Diese Meta-Kompetenz fehlt in vielen Weiterbildungsprogrammen vollständig.
Wie flexible Arbeitsmodelle den Kompetenzerwerb verändern, ist dabei ein eigenes Thema: Dezentrales Arbeiten macht informelles Lernen schwerer und erfordert strukturiertere Wissensvermittlung.
Um den Kompetenzerwerb zu fördern, sollten Unternehmen Programme zur Entwicklung von KI-Skills in ihre Weiterbildung integrieren.
Vertrauen in die KI-Technologien kann gestärkt werden, wenn Mitarbeitende die erforderlichen KI-Skills erwerben und sich sicher im Umgang mit der Technologie fühlen.
Ein Aspekt, der in der KI-Debatte systematisch unterbelichtet ist: Vertrauen. Konkret: Vertrauen der Mitarbeitenden in KI-Systeme und Vertrauen der Führung in die Mitarbeitenden, KI selbstverantwortlich einzusetzen.
Auf Mitarbeiterseite: Viele Beschäftigte stehen KI mit einer Mischung aus Skepsis und Angst gegenüber. Die Angst vor KI-bedingtem Jobverlust ist real – unabhängig davon, ob sie berechtigt ist. Wer Angst hat, seinen Job zu verlieren, wird das Tool nicht aktiv vorantreiben. Das führt zu passivem Widerstand, der kaum sichtbar, aber sehr effektiv ist.
Auf Führungsseite: Manche Unternehmen führen KI ein und regulieren sie gleichzeitig so stark, dass sie kaum nutzbar ist. Datenschutzbedenken, Compliance-Anforderungen, IT-Sicherheitsrichtlinien – all das ist berechtigt, kann aber so restriktiv umgesetzt werden, dass Mitarbeitende lieber auf eigene Geräte und private KI-Zugänge ausweichen. Das Ergebnis: Sicherheitsrisiken durch Schatten-KI, die exakt das Gegenteil der Intention erreicht.
Das Vertrauensproblem lässt sich nur durch Kommunikation lösen: ehrlich darüber reden, was KI kann und was nicht, welche Jobs gefährdet sind und welche nicht, wie Mitarbeitende in die KI-Einführung einbezogen werden. Unternehmen, die das tun, haben erheblich geringere Widerstände.
Eine offene Kommunikation und die Entwicklung von KI-Skills sind entscheidend, um das Vertrauen in die neuen Technologien zu fördern.
KI-Projekte brauchen Treibende – Menschen, die überzeugt sind, die Kompetenz aufgebaut haben und andere mitziehen. In vielen Unternehmen fehlt diese Rolle.
Das typische Bild: Ein KI-Tool wird eingeführt, eine Schulung findet statt, dann ist das Team auf sich gestellt. Wer Fragen hat, wendet sich an die IT – die meistens keine fachliche Antwort geben kann, sondern nur die Technologie betreut. Das Momentum verpufft innerhalb von Wochen.
Unternehmen, die KI erfolgreich einführen, haben oft spezifische Rollen geschaffen: KI-Koordinatorinnen und -koordinatoren, interne Champions in jedem Team, digitale Botschafterprogramme. Das kostet Zeit und Geld – aber die Wirkung übersteigt jeden Technologieeinkauf um ein Vielfaches.
Externe Beraterinnen und Berater können helfen, aber sie ersetzen nicht die interne Verankerung. Wer KI-Kompetenz komplett auslagert, hat am Ende zwar Berichte und Empfehlungen, aber keine nachhaltige Veränderung der eigenen Organisation.
Der Aufbau von KI-Skills in der Belegschaft ist ein zentraler Aspekt, um langfristig erfolgreich zu sein.
Die gute Nachricht: Die häufigsten Scheitergründe sind nicht schicksalhaft. Sie sind lösbar – mit der richtigen Priorisierung und dem Willen zur Veränderung.
Mit Pilotprojekten beginnen: Statt KI unternehmensweit auszurollen, einen konkreten Use Case wählen, echten Mehrwert demonstrieren und aus diesem Piloten lernen. Erfolge sichtbar machen, Misserfolge dokumentieren. Das baut Vertrauen und Know-how gleichzeitig auf.
Die Identifikation von konkreten KI-Skills ist entscheidend, um die Weiterbildung gezielt zu steuern.
Daten-Inventur machen: Bevor ein KI-Projekt startet, den tatsächlichen Zustand der eigenen Datenbasis erheben. Welche Daten haben wir? In welchem Format? Welche fehlen? Welche sind veraltet? Diese Analyse kostet Zeit, spart aber KI-Projekte, die an Datenproblemen scheitern.
Skills-Bedarf definieren: Nicht pauschal „KI-Training“ anbieten, sondern konkret fragen: Wer braucht welche KI-Kompetenzen für welche Aufgaben? Das ermöglicht zielgerichtete Weiterbildung statt Gießkannenprinzip.
Jede KI-Einführung sollte auch eine Analyse der benötigten KI-Skills beinhalten, um den Schulungsbedarf zu ermitteln.
Change Management integrieren: Jede KI-Einführung als Veränderungsprojekt planen. Stakeholder-Analyse, Kommunikationsplan, Pilotgruppe, Feedback-Schleifen. Das ist Aufwand – aber Aufwand, der sich auszahlt.
Offene Fehlerkultur: KI-Experimente werden scheitern – das ist normal und lehrreich. Unternehmen, die Fehler bestrafen, erzeugen Risikovermeidung statt Innovation. Wer von Fehlern lernen will, muss eine Kultur schaffen, in der Fehler gemacht werden dürfen.
Die Unternehmen, die heute in KI-Skills investieren, werden in der Zukunft einen Vorteil gegenüber ihren Mitbewerbern haben.
Die Unternehmen, die KI heute ernsthaft angehen, werden in fünf Jahren erhebliche Wettbewerbsvorteile haben. Die Unternehmen, die weiterhin im Pilot-Modus verharren oder auf „nächste Generation Tools“ warten, werden aufholen müssen – in einem Markt, in dem andere schon Erfahrungen gesammelt haben.
Das ist keine Drohung, sondern Realitätsbeschreibung. Der aktuelle Bitkom-KI-Report zeigt: Unternehmen, die KI produktiv einsetzen, erzielen messbare Produktivitätsgewinne zwischen 15 und 40 Prozent in den betroffenen Bereichen. Das sind keine Schätzungen, das sind Messwerte aus der Praxis.
Ein gut ausgebildetes Team mit den notwendigen KI-Skills kann den Unterschied in der Produktivität ausmachen.
Der entscheidende Schritt ist nicht die Technologie. Es ist die Entscheidung der Führung, KI als strategisches Thema zu behandeln, nicht als IT-Projekt. Mit allem, was das bedeutet: Investition in Menschen, in Daten, in Veränderungsprozesse und in eine ehrliche Auseinandersetzung mit den Gründen, warum bisherige Initiativen nicht so erfolgreich waren wie erhofft.
Wer das tut, wird feststellen: KI ist keine Magie und kein Allheilmittel. Aber gut eingesetzt, in gut vorbereiteten Organisationen, von gut geschulten Menschen – da steckt tatsächlich erhebliches Potenzial drin. Das Potenzial, das bisher so viele Unternehmen ungenutzt lassen.
Es ist wichtig, sich bewusst zu machen, dass die Entwicklung von KI-Skills eine kontinuierliche Aufgabe ist, die langfristig in die Unternehmensstrategie integriert werden muss.
