EFS Podcast

Die aktuelle Realität in Unternehmen

In vielen Unternehmen nutzen Abteilungen unterschiedliche KI-Tools ohne zentrale Abstimmung, was zu einem Chaos führt. Marketing, Einkauf, IT, Rechtsabteilung und HR arbeiten isoliert mit eigenen Lösungen, während das Management die fehlende KI-Strategie bemängelt. Diese Fragmentierung führt zu ungenutzten Ideen und Widerstand gegen die Implementierung von Automatisierung.

Die Herausforderungen der KI-Nutzung

Ein Großteil der KI-Aktivitäten erfolgt ungenehmigt, was als Shadow AI bezeichnet wird. Mitarbeitende nutzen KI-Tools pragmatisch, um effizienter zu arbeiten, jedoch ohne Berücksichtigung von Datenschutz oder Compliance. Dies kann zu schwerwiegenden Konsequenzen führen, wie dem Verlust sensibler Daten.

Die Notwendigkeit von Governance

Um KI verantwortungsvoll zu skalieren, ist Governance unerlässlich. Sie wird oft mit Bürokratie gleichgesetzt, doch es fehlt an klaren Leitlinien und Prozessen, die notwendig sind, um Innovationen sicher zu fördern. Der EU-AI-Act spielt hierbei eine Schlüsselrolle, indem er klare Richtlinien für den Einsatz von KI in Unternehmen vorgibt.

Rechtliche Risiken und Haftung

Ein aktuelles Urteil zeigt, dass Unternehmen für die Handlungen ihrer KI-Systeme haftbar gemacht werden können, selbst wenn diese offiziell eingesetzt werden. Shadow AI birgt zusätzliche Risiken, da sie häufig ohne Genehmigung und Dokumentation verwendet wird, was Unternehmen in rechtliche Schwierigkeiten bringen kann.

Die Implementierung von KI in Unternehmen

Zur strukturierten Einführung von KI gibt es verschiedene Implementierungslevels: Personal AI für individuelle Aufgaben, Tailored AI für teamübergreifende Lösungen, und Enterprise AI für geschäftskritische Prozesse. Jeder Level erfordert unterschiedliche Governance-Strategien.

Schritte zur Verbesserung der KI-Governance

Unternehmen sollten zunächst ein KI-Inventar erstellen, um alle eingesetzten Tools zu identifizieren. Zudem ist die Klärung von Verantwortlichkeiten für die KI-Governance entscheidend. Schließlich sollten Schulungsmaßnahmen implementiert werden, um die Kompetenzen der Mitarbeitenden im Umgang mit KI zu fördern.

Definition von Use Cases und Systemarchitektur

Ein Use Case beschreibt eine konkrete Situation, in der Nutzer oder Systeme ein Ziel mit KI erreichen. Wichtige Fragen klären den geschäftlichen Nutzen, den Input, die Prozessschritte und das erwartete Ergebnis. Eine klare Struktur verhindert isolierte Pilotprojekte und fördert reale Betriebsfähigkeit. Vier Ebenen liefern den Rahmen: Data Layer, Context Layer, Process Layer und Orchestration Layer, die gemeinsam eine stabile KI-Umgebung schaffen.

Drei konkrete Use Cases und ihre Wirkung

AI Contract Assistant macht Vertragswerke durch Indexierung, strukturierte Suche und eine Dialogoberfläche in Sekundenschnelle durchschaubar. Tender-Management nutzt KI zur automatisierten Angebotsanalyse und Dokumentenerstellung, reduziert Zeitaufwand und erhöht Compliance. iSupply-Chain-Bot fasst ERP-Daten in Echtzeit zusammen, ermöglicht proaktive Entscheidungen und senkt Kapitalbindung durch bessere Sichtbarkeit.

Zentrale Erkenntnisse: Daten, Rollen und Wert

Der Erfolg hängt weniger vom Modell ab als vom Datenfundament und der Systemintegration. KI verändert Rollen: Entscheidungen verschieben sich von Ausführung zu Urteil, von Suchen zu Entscheidungen. Repetitive Arbeiten werden reduziert, strategisches Arbeiten wächst, und der Mensch bleibt Entscheider, Prüfer und Gestalter.

Takeaways und Ausblick

Use Cases müssen klar definiert sein, mit fünf beantworteten Kernfragen und messbarem Wert. Die höchste Wirkung entsteht durch gut verknüpfte Systeme, nicht durch das neueste Modell. Governance und Compliance bilden das Fundament für nachhaltige, produktive Lösungen, wobei Prozesse, Verantwortlichkeiten und Datenschutz sorgfältig geregelt werden.

Einführung: Instrumente ohne Noten und der Lernbedarf

Es wird diskutiert, wie Unternehmen KI einsetzen: Hardware (Geigen) vorhanden, aber ohne Noten, Unterricht oder Sinn. Ohne klare Anleitung improvisieren wenige Akteure, während viele Mitarbeitende sich nicht bereit fühlen und kaum Training bekommen. Die Episode betont, dass echte Produktivität nur entsteht, wenn KI gezielt befähigt und in sinnvolle Arbeitsabläufe eingebettet wird.

KI-Literacy als Modell und Hindernisse

AI Literacy wird als umfassendes Modell beschrieben: sieben Dimensionen, darunter technisches Grundverständnis, Anwendungskompetenz, kritisches Denken, Integrationskompetenz, rechtliches Wissen, Ethik und gesellschaftliche Auswirkungen. Es gibt verschiedene Stufen von Kompetenz; der Fokus liegt darauf, wer welche Rolle übernimmt und wie die Organisation den Einsatz gestaltet, nicht nur das Tooling.

Roadmap und Organisationsdesign

Eine strukturierte Vorgehensweise wird vorgestellt: Diagnose, Programmdesign, Pilotierung, Skalierung und nachhaltige Verankerung. Wichtig sind rollenspezifische Lernpfade, Governance, Kultur und Mindset. Erfolgreiche Unternehmen gestalten Workflows grundlegend neu statt KI nur in bestehende Prozesse zu integrieren, um echtes Potenzial freizusetzen.

Messung, Werte und Abschluss

Für den Nachweis von AI-Literacy wird ein Dreiklang aus Utilization, Proficiency und Value empfohlen. Nutzung allein reicht nicht; es geht um tatsächliche Kompetenzen und messbaren Geschäftswert. KI soll nicht alle Denkprozesse ersetzen, sondern kritische, kompetente Nutzung in den jeweiligen Funktionen ermöglichen.