KI-Projekte richtig aufsetzen

Kernfrage für Unternehmen

Ein gutes KI-Projekt startet nicht mit einem Tool, sondern mit einer klaren Ausgangssituation, einem echten Problem, messbaren Zielen und einem groben Plan, der Technik, Recht, Daten, Menschen und Wirtschaftlichkeit zusammenbringt (Niessner 2026).

Typische Stolpersteine

Viele Unternehmen springen zu früh zur Lösung. Sie sehen ein beeindruckendes KI-Tool, kaufen Lizenzen und suchen danach einen Anwendungsfall. Niessner warnt vor solchen technologiegetriebenen Implementierungen: Ein Tool löst noch kein Unternehmensproblem, wenn niemand sagen kann, welcher Prozess besser, schneller, günstiger oder sicherer werden soll (Niessner 2026).

Ein zweiter Fehler liegt in vagen Problemformulierungen. „Der Kundenservice ist überlastet“ reicht nicht. Führungskräfte brauchen Zahlen: Wie viele Vorgänge entstehen pro Monat? Wie lange dauert ein Schritt? Wie viele Stunden oder Kosten stecken darin? Wie oft passieren Fehler? Erst solche Angaben zeigen, ob ein Problem groß genug für ein KI-Projekt ist (Niessner 2026).

Ein dritter Fehler entsteht, wenn Teams Mensch, Technik und Organisation trennen. Der Fraunhofer-Leitfaden fordert bereits am Anfang eine integrierte Sicht auf Ziele, Stakeholder, betroffene Prozesse, Schlüsselaktivitäten, rechtliche Anforderungen und Wirtschaftlichkeit. Dadurch landen Betriebsrat, Datenschutz, Qualifikation und Prozessveränderung nicht erst nach dem technischen Prototyp auf der Agenda (Kutzias, Dukino und Leuteritz 2023).

Zwingmann warnt vor einem vierten Muster: Teams bauen Prototypen, ohne den späteren Betrieb mitzudenken. Der Prototyp beantwortet dann zwar eine Demo-Frage, aber keine Produktionsfrage. Vor dem Start sollten Verantwortliche klären, welche Teile später übernommen, erweitert, neu gebaut oder erstmals etabliert werden müssen, etwa Datenpipeline, Governance, Monitoring, UX, Training und Infrastruktur (Zwingmann 2025).

Bewährte Vorgehensweisen

Beschreiben Sie zuerst die Ausgangssituation so, dass externe Entscheider:innen den Kontext verstehen. Dazu gehören Unternehmensgröße, Geschäftsmodell, betroffener Bereich, bestehende Systeme, relevante Daten und die konkrete Aufgabe im Prozess. Eine einzige gute Übersichtsfolie oder ein Prozess-Screenshot kann mehr erklären als zehn Minuten Unternehmensvorstellung (Niessner 2026).

Suchen Sie KI-Ideen dort, wo Mitarbeitende monotone, repetitive und ungeliebte Aufgaben erledigen. Solche Tätigkeiten liefern oft genug Wiederholung, Daten und wirtschaftlichen Hebel. Fragen Sie Teams direkt, welche Arbeit mühsam ist, wo sie viel klicken, kopieren, prüfen oder nachschlagen müssen und welche Fehler im Alltag besonders teuer werden (Niessner 2026).

Leiten Sie die Zielsetzung direkt aus dem Problem ab. Wenn die Angebotsbearbeitung zu lange dauert, kann ein Ziel etwa lauten: Bearbeitungszeit pro Anfrage um einen definierten Prozentsatz senken, Fehlerquote reduzieren oder Durchlaufzeit verkürzen. Das Ziel muss erklären, warum KI sinnvoller ist als eine klassische Regel, ein Formular oder eine normale Prozessoptimierung (Niessner 2026).

Planen Sie bei datengetriebenen Projekten früh eine kleine Machbarkeitsstudie ein, wenn unklar ist, ob die vorhandenen Daten genug relevante Information enthalten. Fraunhofer empfiehlt dafür ein reduziertes Projekt, das sich zuerst auf die Daten konzentriert. So können Führungskräfte früher entscheiden, ob ein vollständiges Projekt sinnvoll, anzupassen oder zu stoppen ist (Kutzias, Dukino und Leuteritz 2023).

KI-Leistung vor Systemintegration beweisen

Zwingmann verschärft die Machbarkeitslogik mit der Praxisregel „Proof before you Plumb“: Teams prüfen zuerst, ob ein Modell mit repräsentativen Unternehmensdaten die benötigte fachliche Qualität erreicht. Erst nach diesem Nachweis investieren sie in produktive Schnittstellen, Datenpipelines und Oberflächen. Eine funktionierende Integration verbessert nicht automatisch die Kernleistung des Modells (Zwingmann 2026).

Der frühe Test ersetzt keinen produktionsnahen Pilot. Datenschutz, Sicherheit, Datenfrische, Nutzerführung, Prozessänderung, Monitoring und Betriebsverantwortung bleiben eigene Voraussetzungen für Delivery. Die ausführliche Abgrenzung von Daten-Machbarkeit, fachlichem KI-Beweis, Pilot und Skalierung beschreibt KI-Machbarkeit vor der Integration testen (Zwingmann 2026; Zwingmann 2025).

Den Übergang vom Experiment in den Betrieb sollten Sie als eigenes Entscheidungstor behandeln. Ein Pilot ist erst reif für Skalierung, wenn Business Value, Nutzerfeedback, technische Machbarkeit, Sponsor, Budget, Compliance und Integrationspfad ausreichend geklärt sind. Fehlt einer dieser Punkte, ist ein Pivot oder ein kleinerer Scope oft besser als ein voreiliger Rollout (Zwingmann 2025).

Abbildung: Das Schaubild trennt explorative Discovery von produktionsorientierter Delivery. Führungskräfte sollten den Übergang bewusst entscheiden, statt einen Prototyp automatisch zu skalieren. Quelle: eigene Darstellung nach Zwingmann 2025.

Einstiegspunkte für die Umsetzung

Starten Sie mit acht Fragen (Niessner 2026; Zwingmann 2026):

1. Welchen Prozess beschreiben wir?
2. Welcher konkrete Engpass verursacht Kosten, Risiko oder Frust?
3. Welche Zahlen belegen das Problem?
4. Warum braucht dieser Fall KI statt klassischer Automatisierung?
5. Welche rechtlichen, betrieblichen und menschlichen Grenzen müssen wir von Beginn an mitdenken?
6. Welche Mindestqualität und welche Fehlerarten sind akzeptabel?
7. Können wir die KI-Leistung mit repräsentativen Beispieldaten prüfen, bevor wir Schnittstellen bauen?
8. Welche Evidenz führt zu Integration, weiterer Erprobung, kleinerem Umfang oder Stopp?

Das operative Vorgehen vertieft KI-ULTRA Vorgehensmodell für KI-Projekte. Die technische Einordnung passt zu KI-Einsatzebenen im Unternehmen. Die spätere Wirtschaftlichkeitsprüfung vertieft ROI von KI-Projekten berechnen. Die Menschen- und Organisationsperspektive bündelt Menschenzentrierte KI-Projekte (Niessner 2026; Kutzias, Dukino und Leuteritz 2023).