KI im Unternehmen erfolgreich einführen – Praxisleitfaden

Management-Summary

Künstliche Intelligenz (KI) bietet enorme Potenziale, um die Produktivität der Information-Worker zu steigern und Routineaufgaben in der Büroarbeit effizienter zu gestalten. Unternehmen sollten eine klare KI-Strategie mit schrittweiser Einführung verfolgen: Zuerst Quick-Win Use Cases identifizieren, kleine Pilotprojekte umsetzen und daraus Erkenntnisse für größere Leuchtturmprojekte ableiten. Datenqualität und Sicherheit sind Grundlagen – Daten müssen zentral verfügbar, klassifiziert und durch Mechanismen wie Datenklassifizierung in M365 und Data Loss Prevention (DLP) geschützt sein. Microsoft 365 Copilot und verwandte KI-Dienste lassen sich DSGVO-konform einsetzen, sofern KI-Governance, klare Richtlinien (z.B. eine Prompt-Policy) und rollenbasierte Zugriffsrechte etabliert wurden. Ein begleitendes KI-Change-Management mit Schulungen, transparenter Kommunikation und Einbindung des Betriebsrats stellt die Akzeptanz sicher. Darüber hinaus braucht es ein laufendes Monitoring von Nutzen (ROI, Zeitersparnis, Qualität) und Risiken (Halluzinationen, Datenabfluss) sowie einen konkreten 30/60/90-Tage-Plan, um die KI-Einführung systematisch voranzutreiben. Unternehmen sollten KI als strategisches Transformationsprojekt begreifen – mit klaren Verantwortlichkeiten, definierter Governance und einem langfristigen Fahrplan, der technische Umsetzung, organisatorische Veränderungen und wirtschaftlichen Nutzen in Einklang bringt.

Ausgangslage: Informationsarbeit heute, Pain Points und KI-Chancen

Information-Worker verbringen heute viel Zeit mit Routineaufgaben: E-Mails sichten, Informationen recherchieren, Berichte verfassen und Daten manuell aufbereiten. Pain Points sind z.B. Informationsflut, redundante Ablagen und zeitintensive Dokumentation. Dadurch entstehen Ineffizienzen – Studien zeigen, dass Wissensarbeiter täglich bis zu 20% ihrer Arbeitszeit mit Suchen und Sortieren verbringen. KI im Unternehmen kann hier ansetzen: Moderne Generative KI (wie Chatbots oder Microsoft 365 Copilot) ist in der Lage, Texte zu verstehen, zusammenzufassen und sogar erste Entwürfe zu erstellen. So lassen sich Recherche, Zusammenfassungen von Dokumenten oder proaktive Empfehlungen stark beschleunigen. Gleichzeitig können KI-gestützte Automatisierungen repetitive Prozesse übernehmen (z.B. Dateneingaben, Terminabstimmungen), was Mitarbeiter entlastet. Wichtig ist aber, KI nicht als Selbstzweck, sondern als Werkzeug zur Lösung konkreter Geschäftsprobleme zu betrachten. In der Ausgangslage vieler Firmen fehlen oft noch Datenstruktur, klare Anwendungsfälle und interne Kompetenz, um KI gezielt einzusetzen – das schafft aber zugleich die Chance, mit einem strategischen Plan systematisch Verbesserungen einzuführen.

• Aktion: Analysieren Sie aktuelle Schmerzpunkte in der Informationsarbeit Ihres Unternehmens (Zeitfresser, Medienbrüche, repetitive Aufgaben).
• Aktion: Bewerten Sie das Potenzial von KI-Lösungen punktuell – wo könnten z.B. Text-KIs oder Automatisierungen sofort Zeit sparen oder Qualität verbessern?

Zielbild: Produktivitätshebel für Information-Worker (Recherche, Zusammenfassung, Entwurf, Automatisierung)

Im Zielbild soll KI zum täglichen Begleiter der Information-Worker werden und als Produktivitätshebel wirken. Routineaufgaben werden beschleunigt, damit Mitarbeiter sich auf wertschöpfende Tätigkeiten konzentrieren können. Konkret bedeutet das: Bei der Recherche kann eine KI binnen Sekunden relevante Informationen aus internen Wissensdatenbanken und Dokumenten zusammenstellen, anstatt dass ein Mitarbeiter stundenlang sucht. Für Zusammenfassungen langer Berichte oder E-Mail-Konversationen erzeugt KI auf Knopfdruck prägnante Abstracts, was Entscheidern einen schnellen Überblick verschafft. Beim Entwurf von Dokumenten (Berichte, Angebote, Protokolle) liefert ein Assistent wie Microsoft 365 Copilot binnen Sekunden einen ersten Textentwurf oder Präsentationsvorschlag, den der Mitarbeiter nur noch verfeinern muss – frühe Pilotprojekte berichten, dass z.B. 85% der Nutzer schneller zu einem ersten Entwurf kommen. Gleiches gilt für E-Mails: Statt jede Nachricht manuell zu formulieren, macht KI intelligente Antwortvorschläge oder fasst lange Threads zusammen (64% der Testnutzer verbrachten weniger Zeit mit E-Mail-Bearbeitung). Durch Automatisierung wiederkehrender Abläufe – etwa das Ausfüllen von Formularen, Erstellen von Meeting-Protokollen oder das Generieren von Statusreports – sparen Teams täglich wertvolle Zeit. Insgesamt steigt so die Information Worker Produktivität, was sich in messbaren Kennzahlen zeigt (z.B. verkürzte Bearbeitungszeiten, weniger Fehler durch standardisierte KI-Hilfen). Wichtig im Zielbild ist auch, dass KI nahtlos im Flow of Work eingebettet ist: Die Assistenten sind direkt in den bekannten Tools (Word, Excel, Teams, Outlook etc.) verfügbar, sodass der Nutzer nicht kontextwechseln muss. Dies erhöht die Akzeptanz und sorgt dafür, dass KI-Unterstützung natürlich in die Arbeitsprozesse integriert wird, ähnlich wie ein versierter Kollege, der auf Zuruf hilft.

• Aktion: Definieren Sie eine klare Vision, welche Rolle KI in der täglichen Arbeit Ihrer Mitarbeiter spielen soll (z.B. „KI als Assistent für jeden Mitarbeiter“).
• Aktion: Leiten Sie konkrete Zielmetriken ab – etwa angestrebte Zeitersparnis pro Prozess oder Qualitätsverbesserungen –, um den Nutzen der KI-Einführung später messbar zu machen.

Use-Case-Portfolio

Eine erfolgreiche KI-Einführung beginnt mit dem richtigen Use-Case-Portfolio. Nicht jeder Anwendungsfall ist sofort umsetzbar oder sinnvoll – deshalb sollten Unternehmen eine Mischung aus kurzfristigen Quick Wins und strategischen Leuchtturmprojekten planen, während sie zugleich klar definieren, welche Ideen aufgrund von Ausschlusskriterien (z.B. Compliance-Risiken oder unzureichender Datenbasis) vorerst verworfen werden.

Quick Wins (90 Tage)

Quick Wins sind KI-Anwendungen, die innerhalb von ~3 Monaten realisierbar sind und unmittelbar spürbaren Nutzen bringen. Diese Projekte zeichnen sich durch begrenzten Umfang, geringe technische Komplexität und hohe Erfolgswahrscheinlichkeit aus. Ziel ist es, schnell Erfolgserlebnisse zu schaffen, um Stakeholder zu überzeugen und Momentum für die KI-Initiative aufzubauen. Typische Quick Wins im Büro- und Information-Worker-Umfeld sind z.B.:

• Meeting-Protokoll-Assistent: Eine KI, die Gespräche (z.B. Teams-Meetings) transkribiert und automatisch ein strukturiertes Protokoll mit Aufgabenliste erstellt. Nutzen: Spart pro Meeting 15–30 Minuten Nachbereitung.
• E-Mail-Zusammenfassung: Ein Tool (z.B. Outlook-Copilot), das lange E-Mail-Konversationen auf Knopfdruck in wenige Kernpunkte zusammenfasst. Nutzen: Weniger Zeitaufwand beim Lesen langer Threads.
• Dokumentenrecherche & Q&A: Ein interner Chatbot, der auf Firmenwissen trainiert ist (SharePoint, Wikis) und Mitarbeitern schnelle Antworten auf Fachfragen liefert. Nutzen: Schnellere Informationsbeschaffung und weniger Doppelarbeit.
• Textentwurf für Angebote oder Berichte: KI-Unterstützung beim Schreiben, wo der Nutzer Stichpunkte eingibt und die KI einen ersten Entwurf formuliert. Nutzen: Verkürzung der Erstellungszeit komplexer Dokumente um z.B. 30%.

Solche Quick Wins lassen sich oft mit Bordmitteln der vorhandenen Plattform umsetzen – etwa Microsoft 365 Copilot aktivieren oder Power Platform KI-Funktionen (AI Builder, Power Automate Templates) nutzen – ohne umfangreiche Eigenentwicklung. Wichtig ist eine enge Einbindung der Endanwender: Die ausgewählten Quick Wins sollten echte Alltagssorgen adressieren, damit die Nutzer den Mehrwert sofort erleben. Nach 90 Tagen Pilotbetrieb sollten klare Ergebnisse vorliegen (z.B. „KI-Meeting-Assistent spart 20% Zeit pro Meeting“) und eventuell bereits erste ROI-Kennzahlen (z.B. Stundenersparnis pro Woche) kommuniziert werden.

Leuchtturmprojekte (6–12 Monate)

Leuchtturmprojekte sind umfassendere KI-Vorhaben mit strategischer Bedeutung, die innerhalb 6–12 Monaten umgesetzt werden. Diese Projekte haben meist größeren Einfluss auf Kernprozesse oder Geschäftsmodelle und dienen als Referenz für die KI-Transformation im Unternehmen. Beispiele:

• KI-gestützte Kundenservice-Plattform: Integration eines fortgeschrittenen Chatbot oder Copilot in das Kundenservicetool, der Kundenanfragen versteht, in Backend-Systemen die Antwort ermittelt und dem Servicemitarbeiter Vorschläge liefert. Nutzen: Schnellere Reaktionszeiten, konsistente Antworten, höhere Kundenzufriedenheit.
• Automatisierte Dokumentenanalyse im Rechts-/Vertragswesen: Einsatz von KI (z.B. Azure OpenAI) zur Prüfung langer Vertragsdokumente auf Risikoklauseln oder extrahieren von Schlüsseldaten. Nutzen: Juristen oder Einkäufer sparen erhebliche Zeit, Risiken werden einheitlicher bewertet.
• Personalassistenz bei Einstellung und Weiterbildung: KI-System, das Bewerberdaten vorqualifiziert oder Mitarbeitern personalisierte Lernempfehlungen gibt (unter Berücksichtigung strenger DSGVO-Vorgaben). Nutzen: Entlastung der HR-Abteilung, bessere Talentförderung.
• Data-Analytics-Copilot: Ein Assistent für Data Analysts/Controlling, der per Spracheingabe komplexe Auswertungen ausführt (z.B. „Zeige Umsatztrend nach Produkt über 5 Jahre“) und die Ergebnisse visuell aufbereitet. Nutzen: Schnellere Insights, selbst für Fachfremde zugänglich.

Leuchtturmprojekte erfordern oft bereichsübergreifende Zusammenarbeit (IT, Fachbereich, Datenschutz) und eine solide Datenbasis. Sie sind technisch anspruchsvoller – möglicherweise müssen Azure OpenAI Services eingebunden oder Schnittstellen zu internen Systemen entwickelt werden. Der Aufwand lohnt sich, da solche Projekte als Vorzeigeprojekt dienen: Sie demonstrieren intern den Wert von KI im Kerngeschäft und liefern Learnings für weitere Rollouts. Ein Leuchtturm hat oft Pilotcharakter mit kontrolliertem Rollout in einer Abteilung, bevor auf das ganze Unternehmen skaliert wird.

Ausschlusskriterien (Compliance, Datenreife)

Nicht jeder scheinbar attraktive KI-Use-Case ist realisierbar oder sinnvoll. Es ist entscheidend, Ausschlusskriterien festzulegen, um Ressourcen nicht zu vergeuden und Risiken zu meiden:

• Compliance-Verstöße: Anwendungsfälle, die gegen DSGVO oder branchenspezifische Regulierung verstoßen könnten, sind tabu. Beispiel: Ein KI-System, das Mitarbeiter überwacht oder sensible personenbezogene Daten ungesteuert verarbeitet, sollte ausgeschlossen werden. Auch KI-Entscheidungen ohne menschliche Kontrolle in kritischen Bereichen (etwa vollautomatisierte Personalentscheidungen) sind aus ethischer und rechtlicher Sicht zu vermeiden.
• Unzureichende Datenreife: Use Cases, die hochwertige Daten erfordern, obwohl die Datenqualität intern schlecht ist, sollten zurückgestellt werden. Z.B. ein Vorhersagemodell für Kundensupport bringt nichts, wenn historische Tickets kaum kategorisiert sind. Erst müssen Daten aufbereitet (Dubletten bereinigt, Lücken gefüllt, konsistente Metadaten eingeführt) werden, bevor KI darauf aufsetzen kann.
• Hohe technische Komplexität bei geringem Nutzen: Projekte, die einen riesigen Entwicklungsaufwand bedeuten (z.B. eigenes KI-Modell trainieren) aber nur marginalen Nutzen versprechen, sollten aussortiert werden. Fokus liegt auf Machbarkeit und Mehrwert – Priorität hat, was in absehbarer Zeit Erfolge bringt.
• Unkalkulierbare Risiken: Falls ein Use Case potenziell hohe Risiken birgt – etwa rechtliche Haftung oder Reputationsschäden bei falschen Ergebnissen – und keine zuverlässigen Gegenmaßnahmen existieren, sollte er zumindest bis zur Klärung zurückgestellt werden. Beispiel: KI-unterstützte Anlageberatung kann rechtlich heikel sein (EU AI Act Hochrisiko-Einstufung) und gehört nicht in die erste Einführungsphase.

Tabelle: Beispielhafte KI-Use-Case-Kandidaten

Bereich	Use Case	Nutzen	Datenquellen	Risiko (Compliance/Daten)	Aufwand	Reifegrad (Tech/Daten)	Priorität
Kundenservice	Chatbot für Kunden-FAQ	24/7 Antworten, Entlastung Support	Wissensdatenbank, Tickets	Falschantworten, DSGVO (Kundendaten)	Mittel	Hoch	Hoch (Quick Win)
Vertrieb	Angebotsentwurf via KI-Assistent	Schnellere Angebotserstellung, personalisierte Inhalte	CRM-Daten, Produktkatalog	Inhaltliche Fehler, Freigabe nötig	Mittel	Mittel	Mittel
Personalwesen	KI-Vorscreening von Bewerbungen	Zeitersparnis in Vorauswahl	Bewerberdaten, Stellenprofile	Bias/Diskriminierung, DSGVO	Hoch	Mittel	Niedrig (zunächst ausgeschlossen)
Buchhaltung	Automatisierte Rechnungsverarbeitung	Weniger manuelle Dateneingabe, schnellere Verbuchung	Eingescannte Belege (OCR)	OCR-Fehler, GoBD-Konformität	Hoch	Hoch	Mittel
Querschnitt	Meeting-Protokoll-Generator (Copilot)	Automatisches Protokoll + Tasks	Teams-Aufzeichnungen, Kalender	Vertraulichkeit interner Diskussionen	Gering	Hoch	Hoch (Quick Win)

Bewertung der Use Cases hinsichtlich Nutzen und Machbarkeit hilft, eine Roadmap zu erstellen. Quick Wins (hoch priorisiert) sollten sofort angegangen werden, während riskante oder unreife Vorhaben zunächst ausgespart bleiben.

• Aktion: Erstellen Sie eine Use-Case-Matrix und priorisieren Sie Anwendungsfälle nach Nutzen, Aufwand und Risiko. Beginnen Sie mit 1–3 Quick Wins, um frühe Erfolge zu erzielen.
• Aktion: Definieren Sie klare K.O.-Kriterien (Compliance, Datenverfügbarkeit etc.), um ungeeignete Ideen konsequent auszusortieren.

Daten- und Wissensbasis

Die Einführung von KI steht und fällt mit der Daten- und Wissensbasis des Unternehmens. Ein oft unterschätzter Grundsatz lautet: Garbage in, garbage out – KI kann nur mit den vorhandenen Informationen arbeiten. Daher ist im Vorfeld sicherzustellen, dass Datenqualität und Datenstruktur ausreichend sind:

• Zentrale Informationsablage: Information-Worker erzeugen tagtäglich Dokumente, E-Mails, Chat-Nachrichten (z.B. in Teams) und strukturierte Einträge (Listen, CRM-Daten). Diese verstreuten Inhalte sollten konsolidiert oder zumindest übersuchbar sein. In Microsoft 365 bietet sich an, Wissensdokumente in SharePoint bzw. Teams abzulegen und die Microsoft Graph-Suche zu nutzen, damit Copilot und andere KI darauf zugreifen können. Insellösungen und lokale Dateiablagen erschweren der KI den Zugang zum Wissenskapital.
• Datenklassifizierung und Metadaten: Jeder wichtige Informationsbereich sollte mit Metadaten versehen sein – z.B. Dokumententyp, Kundenbezug, Vertraulichkeitsstufe – um KIs Kontext zu geben. M365 Sensitivity Labels (Vertraulichkeitslabels) erlauben es, Dokumente nach Geheimhaltungsgrad zu markieren (öffentlich, intern, vertraulich, streng vertraulich). Solche Klassifizierungen sind nicht nur für Sicherheit wichtig, sie helfen auch, KI-Abfragen zu präzisieren (etwa nur öffentliche Infos zu durchsuchen) und Ergebnisse entsprechend einzuordnen.
• Zugriffskonzepte (Least Privilege): KI-Systeme agieren idealerweise im Rahmen der bestehenden Berechtigungen des Benutzers. D.h. Copilot darf nur das anzeigen oder verwenden, worauf der angemeldete User ohnehin Zugriffsrecht hat. Deshalb ist es essenziell, Berechtigungen in SharePoint/Teams aktuell zu halten und dem Least-Privilege-Prinzip zu folgen: Jeder Nutzer (und damit die KI für diesen Nutzer) sieht nur, was er wirklich benötigt. So verhindert man, dass KI versehentlich Informationen ausgibt, die jemand nicht sehen dürfte. Eine übersichtliche Rechtearchitektur (ggf. bereinigen von „Everyone“-Zugriffen, regelmäßige Reviews von Berechtigungen) ist vor KI-Go-Live Pflicht.
• Conditional Access & Umgebung: Mittels Entra ID (Azure AD) Conditional Access kann man festlegen, unter welchen Bedingungen KI-Dienste genutzt werden dürfen – z.B. nur von Firmenlaptops mit aktuellem Patchlevel, nur nach Multi-Faktor-Authentifizierung und nicht aus unsicheren Netzwerken. Solche Maßnahmen stellen sicher, dass nur berechtigte Personen unter sicheren Umständen KI-Zugriff haben, was besonders bei Cloud-basierten KI-Diensten (Azure OpenAI, M365 Copilot) relevant ist.
• Datenhygiene: Vor dem KI-Einsatz lohnt sich eine einmalige Datenbereinigung und Strukturierung. Das bedeutet Dubletten entfernen, alte irrelevante Informationen archivieren/löschen und sicherzustellen, dass verbleibende Datenquellen aktuell sind. KI wird sonst womöglich veraltetes oder widersprüchliches Wissen nutzen. Ebenso wichtig: Stammdaten-Qualität (z.B. korrekte Kundendaten, Produktlisten) sicherstellen, damit KI-Auswertungen korrekt sind.

Insgesamt gilt: Eine gut gepflegte Wissensbasis maximiert den Mehrwert der KI. Unternehmen, die hier investieren, legen das Fundament dafür, dass KI-Tools relevante, genaue und berechtigungskonforme Ausgaben liefern können.

• Aktion: Führen Sie einen Daten-Audit durch: Welche Datenquellen sollen von KI genutzt werden und sind diese vollständig, aktuell und zugriffsgesteuert?
• Aktion: Etablieren Sie ein Datenklassifizierungsschema (z.B. mittels Sensitivity Labels in M365) und schulen Sie Mitarbeiter, Inhalte konsequent entsprechend zu labeln, bevor KI-Systeme breit ausgerollt werden.

Architektur & Plattformen

Die Wahl der richtigen Architektur und Plattform entscheidet über Integration, Leistungsfähigkeit und Governance der KI-Lösungen. In einem Microsoft-zentrierten Umfeld bieten sich insbesondere folgende Bausteine an:

• Microsoft 365 Copilots: Microsoft 365 Copilot ist ein generativer KI-Assistent, der in Office-Apps (Word, Excel, PowerPoint, Outlook, Teams etc.) integriert ist. Er nutzt die Azure OpenAI-Modelle (z.B. GPT-4) in Kombination mit den Unternehmensdaten (über Microsoft Graph) und bleibt dabei innerhalb der Microsoft-365-Cloud. Vorteil: Er erfordert kaum eigene Infrastruktur – es ist ein SaaS-Angebot als Add-on-Lizenz – und respektiert von Haus aus die vorhandenen Sicherheits- und Compliance-Einstellungen (z.B. Copilot Sicherheit durch Sensitivity Labels und DLP, wie bereits erwähnt). Für viele Office-nahe Anwendungsfälle (Textentwurf, Analyse, Zusammenfassung) ist Copilot der schnellste Weg zur KI-Einführung. Unternehmen sollten prüfen, welche Copilot-Varianten verfügbar sind (für bestimmte Apps, z.B. Viva Sales Copilot im CRM) und mit welcher Lizenz (E3/E5 + Copilot-AddOn) sie genutzt werden können.
• Plugins/Connectors: Über Microsoft Graph Connectors kann man externe Datenquellen (z.B. On-Premise-Dateiserver, Datenbanken, Drittanwendungen) in die Microsoft 365 Suche integrieren, sodass Copilot diese Informationen ebenfalls findet. Zudem erlauben Teams- und Outlook-Plugins die Integration von KI-Services direkt in Kommunikationsplattformen (z.B. ein KI-Bot im Teams-Chat, der bestimmte Aufgaben erledigt). Es ist wichtig, ein Integrationsmuster zu entwerfen: Welche Legacy-Systeme sollen an KI angebunden werden und wie? Oft bieten sich REST-APIs oder RPA (Robotic Process Automation) über die Power Platform an, um KI-Erkenntnisse in bestehende Workflows einzuschleusen.
• Power Platform (AI Builder & Power Automate): Für maßgeschneiderte Lösungen können Power Apps und Power Automate Flows mit KI-Komponenten gebaut werden. Microsofts AI Builder bietet vorgefertigte KI-Funktionen (z.B. Formulare lesen, Vorhersagen), die ohne tiefe Data-Science-Kenntnisse genutzt werden können. Ein Beispiel: Ein Power Automate Flow, der eingehende E-Mails automatisch kategorisiert oder Antworten vorbereitet, basierend auf einem KI-Modell. Die Power Virtual Agents ermöglichen es, Chatbots für interne FAQs zu erstellen, die mit Azure OpenAI im Hintergrund laufen. Diese Low-Code-Tools eignen sich für Abteilungs-Power-User, um spezifische KI-Use-Cases umzusetzen, die Copilot nicht out-of-the-box abdeckt.
• Azure OpenAI Services: Wenn Unternehmensspezifität oder Kontrolle gefragt ist, kann man direkt auf Azure OpenAI zugreifen. Hier laufen die gleichen Modelle (GPT-3.5/4, Codex etc.) in der Azure-Cloud mit unternehmensspezifischen Einstellungen: Man kann z.B. eigene Trainingsdaten (Feinabstimmung) einbringen oder garantieren, dass alle Daten in einem bestimmten geografischen Raum (etwa Westeuropa) verbleiben – was DSGVO- und BSI-Grundschutz-Anforderungen entgegenkommt. Azure OpenAI erlaubt es auch, KI-Funktionen in eigene Anwendungen zu integrieren (über APIs), z.B. einen KI-Service in ein Intranetportal. Dies erfordert jedoch Entwicklerressourcen und ein gutes MLOps-Konzept (Deployment, Monitoring der Modelle).
• Alternativen und Koexistenz: Neben Microsoft gibt es Open-Source-Modelle (wie LLaMa, GPT-J) oder andere Cloud-Anbieter. Einige Unternehmen ziehen aus Datenschutzgründen On-Premise-Lösungen mit Open-Source-LLMs in Betracht, um volle Datenhoheit zu haben. Zu bedenken: Die Betriebskosten und der Aufwand für eigene Modelle sind beträchtlich. Oft ist ein hybrider Ansatz sinnvoll: z.B. Azure OpenAI für firmenspezifische Anwendungen und Microsoft 365 Copilot für allgemeine Office-Aufgaben, in Koexistenz. Wichtig ist, Konsistenz und Integration sicherzustellen – die verschiedenen KI-Systeme sollten möglichst auf denselben Datenpool zugreifen (durch gemeinsame Schnittstellen) und von den gleichen Governance-Regeln eingeschränkt werden (z.B. dass alle Logs in einem zentralen Monitoring landen).
• Netzwerk- und Identitätsarchitektur: Aus technischer Sicht müssen Netzwerk und Identity-Management vorbereitet sein. Wenn KI-Dienste cloudbasiert sind, stellen Sie sicher, dass die Netzwerk-Firewall/Proxies Zugriffe auf die entsprechenden Cloudendpunkte zulassen (ggf. in Absprache mit IT-Security, damit nur gewünschte Dienste erreicht werden). Entra ID (Azure AD) dient als zentrales Identity-System: alle KI-Tools sollten nach Möglichkeit Azure AD nutzen, damit Single Sign-On und zentral verwaltete Anmeldepolicies greifen. Dadurch lassen sich auch Conditional Access Regeln einheitlich durchsetzen (z.B. Multi-Faktor für alle sensiblen KI-Anwendungen).

In Summe sollte die KI-Architektur auf Flexibilität und Skalierbarkeit ausgelegt sein. Beginnen Sie mit den vorhandenen Plattform-Bausteinen (z.B. M365) und erweitern Sie schrittweise, wenn nötig. Architekturentscheidungen müssen stets in Abstimmung zwischen IT-Architekten, Sicherheitsverantwortlichen und den Fachbereichen getroffen werden, um eine optimale Balance aus Funktionalität, Sicherheit und Aufwand zu erreichen.

• Aktion: Definieren Sie eine Zielarchitektur für KI: Welche bestehenden Plattformen werden genutzt und wo werden ggf. neue Services (z.B. Azure OpenAI) eingebunden? Dokumentieren Sie Integrationspunkte und Datenflüsse.
• Aktion: Prüfen Sie frühzeitig die technischen Voraussetzungen (Netzwerkzugriff, Azure AD Konfiguration, Lizenzbedarf) für die vorgesehenen KI-Tools, damit die Einführung reibungslos verläuft.

Sicherheit, Compliance und Governance

Ohne klare Regeln und Kontrollen kann der Einsatz von KI schnell zu Compliance-Verstößen oder Sicherheitslücken führen. Daher braucht es von Anfang an ein robustes Konzept für Sicherheit, Compliance und KI-Governance:

Datenschutz (DSGVO) und Datensicherheit: Bei jeder Verarbeitung personenbezogener Daten durch KI ist die DSGVO maßgeblich. Es muss definiert werden, welche Daten zu welchem Zweck von der KI verarbeitet werden dürfen (Zweckbindung). Beispielsweise darf eine KI, die Meeting-Protokolle schreibt, nur geschäftliche Gesprächsinhalte verarbeiten – nicht aber private Mitarbeiterdaten. Auftragsverarbeitungsverträge mit KI-Anbietern (z.B. Microsoft, wenn Azure OpenAI genutzt wird) sind abzuschließen, um DSGVO-konform zu sein. Sensible Daten (etwa Kundendaten der Kategorie „besonders schützenswert“) sollten entweder generell von KI-Anwendungen ausgeschlossen oder nur in pseudonymisierter Form genutzt werden. Zudem sind Löschkonzepte erforderlich: Falls KI-Systeme Daten oder Protokolle speichern, muss geregelt sein, wie lange und wann diese wieder gelöscht werden (Stichwort Datenminimierung). Datensicherheit bedeutet auch, dass KI-Anfragen und -Antworten nicht in falsche Hände gelangen dürfen – hier helfen die bereits erwähnten DLP-Regeln: Wenn ein Nutzer z.B. versuchen würde, geheime Projektinfos via KI nach außen zu senden, greift eine DLP-Policy, die dies verhindert oder protokolliert.

EU AI Act (EU-KI-Gesetz): Der kommende EU AI Act wird KI-Systeme je nach Verwendungszweck in Risikoklassen einteilen. Unzulässige KI (z.B. soziale Bewertungssysteme) sind verboten – das ist für den typischen Office-Einsatz selten relevant. Hochrisiko-KI hingegen (z.B. KI in Bereichen wie Personalentscheidungen, Kreditvergabe, medizinische Diagnose) erfordert strenge Auflagen: Risikomanagement, Konformitätsbewertung, und umfangreiche Dokumentation wie Daten- und Modellkarten. Für generative KI im Unternehmen (z.B. Copilot für Texte) dürfte meist die Kategorie „begrenztes Risiko“ gelten, die vor allem Transparenzpflichten fordert (Benutzer muss informiert sein, dass KI im Spiel ist, und KI-Ausgaben sollten als solche erkennbar sein). Dennoch empfiehlt es sich, Elemente des Acts freiwillig umzusetzen: Dokumentieren Sie z.B. für wichtige KI-Anwendungen, mit welchen Daten sie trainiert wurden und welche Maßnahmen gegen Bias getroffen wurden (Modellkarte). Etablieren Sie Human-in-the-Loop-Mechanismen für wichtige Entscheidungen – d.h. ein Mensch prüft KI-Empfehlungen, bevor sie umgesetzt werden (besonders relevant, wenn es um Entscheidungen über Menschen geht, wie Einstellung, Beförderung, Kündigung etc., was der EU AI Act im Hochrisiko-Bereich sieht). Kurz: Auch wenn das Gesetz noch nicht in Kraft ist, bereiten Sie sich darauf vor, indem Sie jetzt schon KI-Risiken klassifizieren, Maßnahmen definieren und eine lückenlose Dokumentation aller KI-Systeme anlegen.

KI-Richtlinien und Nutzungsregeln: Jedes Unternehmen sollte eine interne KI-Policy erlassen, die Mitarbeitern klare Leitplanken für den Umgang mit KI gibt. Darin wird festgelegt, was erlaubt und was verboten ist. Beispielsweise: Dürfen Mitarbeiter eigenständig externe KI-Tools (wie ChatGPT) verwenden? Welche Daten dürfen in KI-Systeme eingegeben werden? Es empfiehlt sich etwa ein Verbot, sensible oder vertrauliche Informationen in öffentliche KI-Dienste einzugeben, da hier Datenabfluss droht. Stattdessen sollten Mitarbeiter unternehmensgestützte Lösungen (z.B. Azure OpenAI mit vertraglich geregeltem Datenschutz) nutzen. Auch sollte festgehalten sein, dass KI-Ausgaben nicht ungeprüft übernommen werden dürfen (Vier-Augen-Prinzip bei kritischen Inhalten). Untenstehend einige beispielhafte Policy-Snippets:

Prompt-Policy (Entwurf):
– Verwenden Sie in KI-Eingaben **keine vertraulichen Details** (z.B. Personenkennungen, Finanzdaten). Formulieren Sie Anfragen abstrakt oder anonymisiert.
– Prompts sollen **klar und sachlich** sein. Unpräzise oder mehrdeutige Eingaben führen zu schlechteren Ergebnissen.
– Fragen Sie KI-Tools **nicht nach verbotenen Inhalten** (z.B. Umgehung von Sicherheitsmechanismen, diskriminierenden Aussagen). Solche Nutzung ist untersagt.

Datenklassifizierung & KI:
– **Vertrauliche Daten** (gekennzeichnet z.B. als “vertraulich” oder höher) dürfen nur in KI-Systeme eingegeben werden, die für diese Schutzstufe freigegeben sind.
– Inhalte mit **personenbezogenen Daten** sind vor KI-Nutzung möglichst zu anonymisieren. Wenn nicht möglich, ist die Freigabe des Datenschutzbeauftragten einzuholen.
– KI-Anwendungen müssen **Zugriffskontrollen** respektieren: Nur autorisierte Nutzer und freigegebene Datensätze dürfen verarbeitet werden.

Umgang mit sensiblen Inhalten:
– KI-Ausgaben können unter Umständen **Vorurteile oder unangemessene Formulierungen** enthalten. Mitarbeiter überprüfen Ergebnisse auf solche Inhalte, bevor sie verwendet oder weitergegeben werden.
– Sollte eine KI-Antwort potentiell geschäftsschädigende oder vertrauliche Informationen enthalten, ist diese **umgehend zu melden** und das Ergebnis nicht zu verbreiten.
– Inhalte, die rechtlich bedenklich sind (z.B. urheberrechtlich geschützter Text), dürfen nicht aus KI-Ergebnissen übernommen werden, ohne Prüfung und ggf. Erlaubnis.

Review & Freigabe:
– **Kritische Dokumente oder Entscheidungen**, die (teilweise) von KI vorbereitet wurden, **müssen vor endgültiger Freigabe** von einer verantwortlichen Fachperson geprüft werden.
– Die prüfende Person dokumentiert stichpunktartig, welche Änderungen am KI-Vorschlag vorgenommen wurden bzw. gibt eine Freigabebestätigung, dass der Inhalt korrekt und angemessen ist.
– Für bestimmte KI-generierte Inhalte (z.B. externe Veröffentlichungen) kann ein **Freigabe-Workflow** eingerichtet werden, der Compliance, Fachbereich und ggf. Rechtsabteilung einbindet.

Logging & Monitoring:
– **KI-Nutzung wird protokolliert:** Alle Anfragen an produktive KI-Systeme und relevante Antworten sollen – soweit datenschutzkonform möglich – geloggt werden (mind. Metadaten: wer, wann, welches Tool, allgemeiner Zweck).
– Die Log-Daten werden vom **KI-Governance-Team** regelmäßig ausgewertet, um Fehlanwendungen, Bias oder sicherheitsrelevante Vorkommnisse zu erkennen.
– Protokolle sind **zugriffsbeschränkt** und werden nach einer definierten Aufbewahrungsfrist gelöscht oder anonymisiert. Datenschutz hat auch bei Monitoring Vorrang.

Solche Policy-Regeln sollten Teil der offiziellen Unternehmensrichtlinien sein und allen Mitarbeitern bekannt gemacht werden.

Organisatorische Governance & Rollen: Es empfiehlt sich, eine formale KI-Governance-Struktur aufzusetzen. Viele Unternehmen etablieren einen KI-Lenkungsausschuss (Steering Committee), besetzt mit Vertretern aus IT, Fachbereichen, Datenschutz, Informationssicherheit und ggf. Recht. Dieser Ausschuss bewertet neue KI-Use-Cases, trifft Freigabeentscheidungen (Go/No-Go) und überwacht die Einhaltung der KI-Strategie. Daneben werden klare Rollen benötigt:

• KI-Product Owner: Verantwortlich für einen konkreten KI-Anwendungsfall (z.B. den Chatbot im Kundenservice). Er/sie treibt die fachliche Entwicklung, priorisiert Anforderungen und stellt den Nutzen sicher.
• Data Owner: Für jede Datenquelle, die KI nutzt, sollte es einen Verantwortlichen geben, der Datenqualität sicherstellt und der Nutzung zustimmt. Dieser stellt auch sicher, dass die Daten korrekt klassifiziert sind und Compliance-Vorgaben eingehalten werden.
• M365-Administrator / KI-Plattform-Owner: Technisch Verantwortliche, die die KI-Plattformen konfigurieren (z.B. Copilot aktivieren, Berechtigungen setzen, Modelle deployen) und den laufenden Betrieb sicherstellen.
• Security Officer / Datenschutzbeauftragter: Diese überwachen, dass Sicherheitsrichtlinien und Datenschutz eingehalten werden. Sie prüfen z.B. Log-Auswertungen, behandeln Vorfälle und schulen zu Compliance-Themen.
• Fachbereiche / Power User: Die Fachabteilungen sollten Ansprechpersonen (z.B. KI-Champions) benennen, die Use Cases mitdefinieren, Tester in Pilotphasen sind und Feedback geben.

Eine RACI-Matrix (Responsible, Accountable, Consulted, Informed) hilft, die Verantwortlichkeiten zu ordnen. Ein Beispiel für zentrale Aktivitäten:

Aktivität	R = Responsible (Durchführend)	A = Accountable (Verantwortlich)	C = Consulted (Mitwirkend)	I = Informed (Informiert)
KI-Strategie & Roadmap festlegen	KI-Lenkungsausschuss	CIO/CTO (oder CDO)	Fachbereichsleiter, Datenschutz	Betriebsrat, Management-Team
Use-Cases identifizieren & priorisieren	KI-Product Owner + Fachbereiche	KI-Lenkungsausschuss	IT-Architekt, Data Owner	Alle betroffenen Teams
Technische Plattform einrichten	M365-Admin / IT-Team	Head of IT / CTO	Security Officer (für Policies)	KI-Product Owner, ggf. alle Nutzer
KI-Richtlinien erstellen	Security Officer / Datenschutz	CIO (Genehmigung durch Geschäftsleitung)	Betriebsrat, Rechtsabteilung	Alle Mitarbeiter (Rollout der Policy)
Pilotprojekt durchführen	KI-Product Owner	Fachbereichsleitung der Pilot-Abteilung	IT-Unterstützung, Data Owner	KI-Lenkungsausschuss
Monitoring & Compliance prüfen	Security Officer (Infosec Team)	CISO / Datenschutzbeauftragter	KI-Product Owner (bei Fehlereinordnung)	KI-Lenkungsausschuss
Change-Management & Schulung	Change Manager / HR	CHRO (HR-Leitung)	KI-Champions, Betriebsrat	Alle Mitarbeiter (Teilnehmer)
Betrieb & Support (laufend)	IT Operations / Service Desk	Head of IT Operations	KI-Product Owner (2nd-Level-Support fachlich)	Alle Nutzer (melden Incidents)

Diese Matrix skizziert, wer bei typischen Aufgaben welche Rolle einnimmt. So wird verhindert, dass Verantwortungslücken entstehen oder umgekehrt zu viele Köche im Topf sind.

Protokollierung und Kontrolle: Neben Policies und Rollen muss auch die Kontrolle der KI-Nutzung aktiv erfolgen. Dazu gehört Auditierung – z.B. kann Microsoft Purview Audit Logs aufzeichnen, wann welcher Nutzer Copilot-Abfragen gemacht hat (ohne den genauen Inhalt preiszugeben, je nach Einstellung). Ebenso können DLP-Systeme oder eDiscovery-Tools auffällige Aktivitäten erkennen (etwa Massenabzug von Daten via KI). Ein regelmäßiger KI-Report an den Lenkungsausschuss sollte Statistiken (Nutzung, Nutzen-KPIs, Vorfälle) und ggf. Verbesserungsvorschläge enthalten. So stellt man sicher, dass Governance kein einmaliger Akt ist, sondern fortlaufend gelebt wird.

• Aktion: Richten Sie ein bereichsübergreifendes KI-Governance-Team oder -Ausschuss ein. Definieren Sie darin Verantwortliche für Strategie, Daten, Technik, Sicherheit und Fachseite.
• Aktion: Erarbeiten Sie eine KI-Nutzungsrichtlinie und lassen Sie diese von Geschäftsleitung, Datenschutz und Betriebsrat abnehmen. Schulen Sie alle Mitarbeiter zu den darin enthaltenen Do’s & Don’ts, bevor KI-Tools breit ausgerollt werden.

Change-Management & Qualifizierung

Technologie allein genügt nicht – der menschliche Faktor entscheidet maßgeblich über Erfolg oder Misserfolg der KI-Einführung. Ein durchdachtes Change-Management und Qualifizierungsprogramm ist daher unerlässlich, um Ängste abzubauen und Kompetenzen aufzubauen.

Schulungscurriculum: Mitarbeiter benötigen verschiedene Stufen von Training, um KI effektiv zu nutzen. Das Curriculum könnte abgestuft sein: – Grundlagen-Schulung (Awareness): Für alle Information-Worker ein Einstiegsmodul „KI im Unternehmen“, das Nutzen und Grenzen erklärt. Inhalte: Was kann z.B. Microsoft 365 Copilot? Welche Anwendungsfälle sind vorgesehen? Betonung, dass KI ein Hilfsmittel ist und die Verantwortung beim Nutzer bleibt. Zudem Erklärung der KI-Policy (was darf man eingeben, welche Outputs sind kritisch etc.). Format: E-Learning oder Live-Webinar, ca. 1-2 Stunden. – Fortgeschrittenen-Schulung (Skills): Für Power-User und Interessierte detaillierte Workshops zu Prompt-Engineering (wie formuliere ich effektive Eingaben?), Anpassungsmöglichkeiten (z.B. eigene Vorlagen für Copilot entwickeln), sowie Troubleshooting (Umgang mit Fehlantworten, Korrekturmöglichkeiten). Hier können auch Fallbeispiele aus dem Unternehmen geübt werden (z.B. „Schreibe mit Copilot eine Zusammenfassung unseres Quartalsberichts“). – Spezial-Schulung (Experten): Für bestimmte Rollen, etwa Entwickler oder Data Scientists, Schulungen zur Nutzung der Azure OpenAI Services, zum Erstellen eigener KI-Modelle oder zum Verwalten der KI-Infrastruktur. Ebenso Schulungen für KI-Champions in den Fachbereichen, damit diese als Multiplikatoren dienen können. – Laufende Weiterbildung: KI-Technologien entwickeln sich schnell. Planen Sie regelmäßige Update-Sessions (viertel- oder halbjährlich), um über neue Features (z.B. neue Copilot-Funktionen) oder Lessons Learned zu informieren. Auch ein internes KI-Community-Forum (z.B. ein Team oder Yammer-Gruppe) kann den Austausch fördern.

Kommunikationsplan: Offene und proaktive Kommunikation begleitet den Change. Frühzeitig sollte das Top-Management die Vision („Warum führen wir KI ein?“) vermitteln, z.B. in Townhall-Meetings oder per Rundschreiben. Im Verlauf des Projekts sind regelmäßige Updates sinnvoll: Erfolge feiern („100 Stunden pro Woche eingespart durch KI-Tool X!“), aber auch transparent auf Herausforderungen eingehen (z.B. notwendige Datenschutzmaßnahmen erklären, um Gerüchten vorzubeugen). Ein FAQ-Bereich im Intranet zu KI kann typische Fragen der Mitarbeiter beantworten. Wichtig ist, auch auf emotionaler Ebene zu kommunizieren: KI soll Mitarbeitern helfen, nicht sie ersetzen. Die Kommunikation muss klar machen, dass die Unternehmensleitung Jobprofile entwickeln will und Mitarbeiter auf höherwertige Aufgaben umschult, anstatt Stellen abzubauen. Das nimmt vielen die Angst und fördert eine positive Haltung.

Betriebsrat-Einbindung: In deutschsprachigen Ländern ist die Mitbestimmung besonders wichtig. Daher sollte der Betriebsrat (so vorhanden) früh im Projekt informiert und einbezogen werden. Etwaige Betriebsvereinbarungen zur Nutzung von KI sind auszuarbeiten – z.B. hinsichtlich der Protokollierung von Nutzungsdaten, der Qualifizierungsangebote oder der Absicherung, dass KI nicht zur Mitarbeiterbewertung missbraucht wird. Eine vertrauensvolle Zusammenarbeit mit dem Betriebsrat sorgt dafür, dass die Einführung sozialverträglich geschieht und Mitarbeiterrechte gewahrt bleiben. Der Betriebsrat kann im Idealfall sogar als Unterstützer auftreten, wenn man gemeinsam Leitlinien entwickelt, die Beschäftigten nutzen (z.B. „Keine Überwachung durch KI, KI dient der Entlastung“).

Leitfäden, Do’s & Don’ts: Neben formalen Schulungen helfen praxisnahe Leitfäden. Erstellen Sie z.B. eine kurze „Copilot-Bedienungsanleitung“ mit Screenshots für typische Anwendungsfälle. Oder eine Dos and Don’ts Liste: Dos wie „Nutzen Sie KI für erste Entwürfe, um Zeit zu sparen“ und Don’ts wie „Vertrauen Sie KI-Ergebnissen nie blind, immer validieren!“. Solche Unterlagen können im Intranet bereitgestellt werden. Auch Success Stories aus dem Pilot sollten verbreitet werden („Kollege X hat mit KI seine Projektplanung automatisiert, dadurch…“), um andere zu motivieren.

Umgang mit Widerstand: Es wird immer einen Teil der Belegschaft geben, der skeptisch ist oder Angst vor Veränderung hat. Change-Management sollte diese Widerstände ernst nehmen. Möglichkeit: In Workshops Bedenken sammeln und faktisch entkräften (z.B. „KI macht Fehler“ – ja, daher haben wir Review-Prozesse; „Ich verliere meinen Job“ – nein, wir planen niemanden abzubauen, sondern schulen euch für neue Aufgaben). Wichtig ist, die Kultur mitzudenken: Eine offene Fehlerkultur hilft, weil KI-Einsatz ein Lernprozess ist – Mitarbeiter müssen sich trauen, zu experimentieren, ohne Angst vor Sanktionen bei Fehlern. Führungskräfte sollten hier Vorbild sein, KI selbst nutzen und positiv darüber sprechen, aber auch realistisch bleiben (nicht „KI ist magisch“, sondern „KI hilft mir, aber ich prüfe immer gegen“).

• Aktion: Entwickeln Sie einen Qualifizierungsplan für verschiedene Zielgruppen (Endanwender, Power User, Admins). Planen Sie Trainings rechtzeitig vor dem breiten Rollout ein, damit Mitarbeiter sich sicher im Umgang fühlen.
• Aktion: Erstellen Sie einen Kommunikationsfahrplan (inkl. Einbindung des Betriebsrats): z.B. Initiales Management-Statement, regelmäßige Updates im Intranet, Q&A-Runden. Stellen Sie sicher, dass Mitarbeiter Fragen stellen können und diese zeitnah beantwortet werden.

Umsetzung & Betrieb

Die praktische Umsetzung der KI-Einführung sollte in Phasen erfolgen, gefolgt von einem planvollen Betrieb und kontinuierlicher Optimierung.

Vorgehensmodell (Projektphasen): 1. Discovery/Planung: In dieser Anfangsphase (ca. 4–6 Wochen) werden die Grundlagen gelegt. Aktivitäten: Ziele schärfen, Ist-Analyse (Daten, IT-Umfeld, Reifegrad) durchführen, Use Cases bewerten (wie in Use-Case-Portfolio beschrieben) und eine grobe Roadmap erstellen. Hier sollte auch ein initialer Business-Case gerechnet werden, um die wirtschaftliche Rechtfertigung zu prüfen. Zudem werden Projektorganisation und Governance-Board etabliert. Ergebnis der Phase: priorisierte Use Cases, Projektscope, Budgetfreigabe, Pilot-Plan. 2. Pilotierung (MVP-Phase): Für 1–2 Quick-Win-Use-Cases wird ein Pilot entwickelt (ca. 2–3 Monate). Der technische Aufbau (Einrichten von Copilot/AI-Services, Konfiguration, evtl. Entwicklung von Schnittstellen) erfolgt im kleinen Rahmen. Eine begrenzte Nutzergruppe (z.B. 20–50 Personen aus verschiedenen Abteilungen, inklusive Power User) testet die KI-Lösungen im Alltag. Man sammelt Feedback, misst erste KPIs (wie Nutzungsgrad, Bearbeitungszeiten) und identifiziert notwendige Anpassungen. Wichtig: In dieser Phase engmaschig kommunizieren und Erfolge sichtbar machen. 3. Rollout (Skalierung): Nach erfolgreichem Pilot entscheidet das Governance-Gremium Go-Live für die breite Einführung. Nun werden die KI-Anwendungen organisatorisch und technisch skaliert: Ausrollen an alle vorgesehenen Nutzer (ggf. gestaffelt nach Abteilung), flächendeckende Schulungen werden abgeschlossen, Supportstrukturen hochgefahren. Infrastrukturseitig muss man ggf. Kapazitäten erhöhen (z.B. genügend Lizenzen kaufen, Performance überwachen wenn plötzlich viele Nutzer KI anfragen). Das Change-Management läuft auf Hochtouren, um alle Mitarbeiter abzuholen. Diese Phase dauert je nach Unternehmensgröße einige weitere Monate. 4. Betrieb (laufend): Ist die KI-Lösung im Alltag etabliert, beginnt die Betriebsphase. Hier gelten Prinzipien ähnlich wie für jede IT-Anwendung, aber mit spezifischen Aspekten: Kontinuierliches Monitoring (Nutzung, Kosten, Vorfälle), regelmäßige Wartung/Updates (KI-Modelle werden vom Anbieter verbessert oder müssen neu trainiert werden bei eigenen Modellen), Support für Nutzeranfragen oder Probleme (z.B. ein KI-Service liefert falsche Ergebnisse – an wen wenden sich Mitarbeiter?). Zudem sollten Mechanismen der kontinuierlichen Verbesserung greifen: z.B. vierteljährliche Review-Meetings, wo man die KPI-Trends anschaut und neue Anforderungen diskutiert. Möglicherweise werden nach und nach zusätzliche Use Cases oder Funktionen ergänzt, basierend auf Nutzerwünschen.

Metriken & Telemetrie: Ein entscheidender Erfolgsfaktor ist das Messen. Ohne KPIs kann man weder Erfolg nachweisen noch Schwachstellen erkennen. Folgende Kennzahlen sollten in einem KI-Dashboard oder Report verfolgt werden: – Produktivität: z.B. durchschnittliche Bearbeitungszeit pro Vorgang vor und nach KI-Einsatz; Stunden an Routinearbeit eingespart pro Woche; Anzahl erstellter Inhalte pro Mitarbeiter. – Qualität: z.B. Fehlerquote bei durch KI beeinflussten Outputs (wie oft musste ein KI-generierter Text nachträglich stark korrigiert werden?); Zufriedenheitswerte (durch Umfragen) der Nutzer mit KI-Ergebnissen; ggf. Kundenzufriedenheit, wenn Endkunden betroffen. – Compliance: z.B. Anzahl der Policy-Verstöße (wie viele DLP-Vorfälle, wo jemand verbotene Daten an KI schicken wollte?); Audit-Findings (Ergebnisse interner Audits der KI-Prozesse, z.B. ob Logs lückenlos vorliegen); Anzahl erkannter Bias-Vorfälle (wenn z.B. KI unpassende Formulierungen lieferte, wie oft kam das vor). – Adoption (Nutzungsgrad): z.B. aktive Nutzer in der letzten Woche/Monat (von X möglichen); Durchschnittliche Nutzung pro Benutzer (z.B. Sitzungsdauer oder Anfragen pro Tag); Anteil der Teams/Abteilungen, die KI regelmäßig einsetzen. – Wirtschaftlichkeit: z.B. ROI (geschätzter finanzieller Nutzen vs. Kosten, siehe Abschnitt Wirtschaftlichkeit); Kosten pro Nutzungsstunde der KI.

Diese KPIs sollten mit Zielen hinterlegt sein (z.B. „90% der Pilotnutzer nutzen das Tool mindestens 3x pro Woche“ oder „20% Zeitersparnis bei Berichtserstellung“) und dem Management regelmäßig berichtet werden. So wird aus vagen KI-Versprechen ein belegbares Resultat.

Supportmodell: Mit dem Rollout muss geklärt sein, wie Benutzer Hilfe erhalten. Wahrscheinlich werden anfangs viele Fragen kommen („Wie mach ich X mit der KI?“, „Warum hat sie hier Unsinn erzählt?“). Deshalb sollte der interne IT-Support/Helpdesk vorbereitet und geschult sein, um zumindest Ersthilfe zu leisten. Komplexere Fragen leitet der Support an das KI-Projektteam oder die KI-Champions weiter. Ein Champions-Netzwerk – z.B. pro Abteilung ein besonders versierter Nutzer – kann wertvoll sein: Kollegen wenden sich lieber an einen vertrauten Kollegen bei Fragen zur Anwendung im fachlichen Kontext. Diese Champions treffen sich regelmäßig mit dem KI-Produktteam, um Feedback und Tipps auszutauschen. Zusätzlich kann man Selbsthilfe-Ressourcen bereitstellen: FAQ-Dokumente, kurze Tutorial-Videos, ein User-Forum. Ziel: Die Hemmschwelle für Nutzer senken, damit sie bei Unsicherheiten schnell Antworten finden und weiter experimentieren.

Kontinuierliche Verbesserung: Nach dem Start ist vor dem Start – KI-Einführung ist ein fortlaufender Prozess. Nutzen Sie die Erkenntnisse aus Monitoring und Feedback, um stetig nachzusteuern. Vielleicht zeigt sich, dass ein bestimmtes Feature kaum genutzt wird – dann ergründen, warum (Fehler? Kein Bedarf? Unklarheit?) und entsprechend anpassen oder abschalten. Oder ein neuer Use Case wird von Nutzern vorgeschlagen – diesen aufnehmen und prüfen für die nächste Phase. Etablieren Sie idealerweise ein AI Center of Excellence oder zumindest regelmäßige Governance-Runden, in denen neue Markttrends bewertet werden (z.B. kommt ein neues Copilot-Modul auf den Markt, ist das relevant für uns?). Auch die Risikoanalyse muss regelmäßig aktualisiert werden, da sich Bedrohungsbilder ändern können. Kontinuierliche Verbesserung bedeutet auch, die Trainingsdaten oder Einstellungen der KI-Modelle zu aktualisieren, wenn die Ausgangsdaten sich ändern (z.B. neue Produktlinien, neue Compliance-Regeln – das muss der KI beigebracht werden).

• Aktion: Nutzen Sie einen iterativen Projektansatz: Starten Sie mit einem Pilot (MVP) und skalieren Sie dann. Stellen Sie sicher, dass nach jedem Projektschritt ein Review erfolgt und die Learnings für die nächste Phase adaptiert werden.
• Aktion: Etablieren Sie früh ein KPI-Dashboard und einen festen Prozess (z.B. monatliches KI-Steuerung-Meeting), um die Nutzung und Wirkung der KI-Lösungen auszuwerten und kontinuierlich Verbesserungsmaßnahmen abzuleiten.

Wirtschaftlichkeit & Beschaffung

KI-Projekte müssen sich langfristig auch wirtschaftlich rechnen. Daher sind die Aspekte Kosten, Nutzenargumentation und Beschaffung von Anfang an ein Thema.

Lizenzmodelle & Infrastrukturkosten: Im Microsoft-Umfeld fallen v.a. Lizenzkosten an. Microsoft 365 Copilot wird als Add-on pro Nutzer lizenziert (aktueller Richtwert: ca. 30 USD pro Nutzer/Monat zusätzlich zur E3/E5 Lizenz). D.h., 1000 Nutzer mit Copilot verursachen rund 30.000 USD monatlich. Daneben könnten Kosten für Azure Services anfallen, wenn man z.B. Azure OpenAI oder Cognitive Services nutzt (abrechnung nach Nutzung, z.B. pro 1000 API-Aufrufe). Es ist zu klären, ob die KI-Budgetierung als Opex (laufende Betriebskosten) gehandhabt wird – was bei Cloud-Diensten typisch ist – oder ob initiale Investitionen (Capex für Projektsetup, Beratung, evtl. Hardware für On-Prem-Lösungen) nötig sind. Beispielsweise kann der Aufbau einer eigenen KI-Infrastruktur hohe Einmalkosten bedeuten, während die Nutzung von SaaS eher kontinuierliche Kosten verursacht. Ein Vergleich der Optionen (Make or Buy) hilft bei der Entscheidung: Oft ist das Zukaufen von KI-Funktion (Copilot SaaS) günstiger und schneller, während eigene Entwicklungen flexibler aber teurer sind.

Nutzenargumentation & ROI: Um die Beschaffung (Budgetfreigabe durch Finanzabteilung) zu erreichen, bedarf es einer belastbaren Nutzenargumentation. Dies erfolgt klassischerweise über einen Business Case. Darin werden die erwarteten Einsparungen/Mehrwerte den Kosten gegenübergestellt. Bei KI ist der Nutzen häufig in Zeitersparnis und Qualitätssteigerung zu beziffern, die sich indirekt finanziell ausdrücken lassen: – Zeitersparnis -> Kapazitätsgewinn: Wenn Information-Worker weniger Zeit für Routine brauchen, können sie mehr wertschöpfende Aufgaben übernehmen. Das kann man z.B. mit dem internen Stundensatz bewerten. – Qualität -> Fehlerkosten senken: Weniger Fehler bedeuten weniger Nacharbeit oder Vertragsstrafen. Lässt sich quantifizieren, wenn man historische Fehlerkosten kennt. – Schneller zum Markt -> Umsatzpotenziale: KI könnte Produkteinführungen beschleunigen oder besseren Service liefern, was zu mehr Umsatz oder Kundenbindung führt (schwerer zu quantifizieren, aber als strategischer Nutzen erwähnenswert). – Compliance -> Vermeidung von Strafzahlungen: Durch KI kann man ggf. Compliance-Verstöße reduzieren (z.B. keine Datenschutzpannen, weil KI automatisch sensible Infos erkennt und markiert), was potenzielle Bußgelder vermeidet.

Ein einfacher ROI-Rechenansatz ist oft: Summe der eingesparten Stunden * Personalkosten pro Stunde vs. Summe Kosten KI-Lösung. Beispiel:

• Annahmen: 1000 Information-Worker, durchschnittlicher interner Personalkostensatz 50 € pro Stunde. Jeder Mitarbeiter spart konservativ 30 Minuten pro Tag durch KI-Unterstützung (z.B. schnelleres Finden von Infos, automatische Zusammenfassungen).
• Jährlicher Nutzen: 1000 Mitarbeiter * 0,5 h/Tag * 50 €/h * ~220 Arbeitstage = ca. 5,5 Mio. € Produktivitätsgewinn pro Jahr (als Wert der frei werdenden Arbeitszeit).
• Jährliche Kosten: 1000 KI-Lizenzen * 30 € pro Monat * 12 = 360.000 € für Lizenzen p.a. (plus evtl. 100.000 € für initiale Projektkosten und Schulungen im ersten Jahr).
• ROI: In diesem Szenario übersteigen die Einsparungen die Kosten um ein Vielfaches (Nutzen ~5,5 Mio. € vs. Kosten ~0,46 Mio. € im ersten Jahr). Selbst wenn nur die Hälfte der Zeitersparnis tatsächlich in Wertschöpfung fließt, wäre der ROI immer noch deutlich positiv.

Natürlich sind solche Berechnungen vereinfachte Modelle – ein guter Business Case berücksichtigt verschiedene Szenarien (Best-Case, Worst-Case), sowie weiche Faktoren. Beispiel für qualitative Vorteile: “Mitarbeiterzufriedenheit steigt, weil monotoner Aufwand sinkt” oder “Unser Unternehmen positioniert sich als innovativer Arbeitgeber, was hilft, Talente zu gewinnen”. Diese sind schwer in Euro zu fassen, gehören aber in die Argumentation.

Auch sollte man im Business Case die Investitionsstruktur darlegen: z.B. initiales Projektbudget (für Implementierungspartner, evtl. Cloud-Guthaben) vs. laufende Betriebskosten. Eine TCO-Betrachtung über 3-5 Jahre ist ratsam, um zu zeigen, wie sich Kosten und Nutzen entwickeln (z.B. Kosten sinken nach Jahr 1, wenn keine weiteren Implementierungsprojekte nötig sind, während Nutzen steigt, wenn mehr Nutzer dazukommen).

Beschaffung & Vertragsgestaltung: Nachdem die Nutzen-Kosten-Analyse überzeugt hat, folgt der Beschaffungsprozess. Für Cloud-Dienste wie Microsoft 365 Copilot läuft das meist über Erweiterung bestehender Microsoft-Verträge (Enterprise Agreement). Hier lohnt es sich zu prüfen, ob E5-Lizenzen Vorteile bieten (E5 enthält einige erweiterte Sicherheits- und Compliance-Features, die für KI relevant sind – z.B. erweiterte Audit-Logs, eDiscovery Premium etc.). Ggf. rechnet es sich, von E3 auf E5 upzugraden, um die KI-Einführung besser abzusichern. Alternativ müssen einzelne Add-ons zugekauft werden (z.B. wenn man bei E3 bleibt, Copilot als Add-on plus separate Sicherheitsfeatures aus der Purview-Suite). Im Einkauf sollte man auch mögliche Mengenrabatte oder Testzeiträume ausloten – Microsoft bietet mitunter Pilotkunden befristete Angebote.

Falls Drittanbieter-Lösungen oder Beratungsleistungen beschafft werden, sind die Vertragsbedingungen hinsichtlich KI genau anzusehen: Eigentumsrechte an KI-Entwicklungen (z.B. wenn ein Partner ein Modell für Sie trainiert – wem gehört es?), Service Level (Reaktionszeit, Verfügbarkeit der KI-Dienste) und besonders die Haftungsregelungen (wer haftet, wenn KI-Ausgaben Schaden verursachen?). Letzteres ist komplex, meist schließen Anbieter eine direkte Haftung aus, daher muss das Unternehmen vorsorgen (eigene Versicherung, Haftungsbegrenzung intern regeln).

• Aktion: Erstellen Sie früh einen Business-Case-Entwurf, der alle relevanten Kosten und Nutzenpunkte enthält. Stimmen Sie diesen mit Finanzabteilung und Management ab, um die ökonomische Tragfähigkeit nachzuweisen.
• Aktion: Klären Sie mit Ihrem Software-Lieferanten (z.B. Microsoft-Partner) die Lizenzierungsdetails und investieren Sie in die richtigen Lizenzpakete. Planen Sie Beschaffung so, dass Lizenzen, Infrastruktur und evtl. Beratungsleistungen rechtzeitig verfügbar sind, um den Rollout nicht zu verzögern.

Risiken & Gegenmaßnahmen

Trotz aller Chancen dürfen die Risiken von KI nicht übersehen werden. Eine vorausschauende Planung identifiziert mögliche Probleme frühzeitig und definiert Gegenmaßnahmen, um Schaden vom Unternehmen abzuwenden. Im Folgenden zentrale Risiken bei KI-Einführung und wie man ihnen begegnet:

• Halluzinationen: KI-Modelle wie GPT neigen dazu, gelegentlich plausibel klingende, aber falsche Antworten zu geben (sogenannte Halluzinationen). Risiko: Mitarbeiter könnten diese Fehlinformationen ungeprüft weiterverwenden, was zu falschen Entscheidungen oder fehlerhaften Dokumenten führt. Gegenmaßnahmen: Training der Nutzer, immer skeptisch zu bleiben und wichtige Fakten zu verifizieren; Einsatz von KI in unterstützender Rolle, nicht als alleinige Entscheidungsinstanz. Technisch kann man versuchen, KI-Antworten mit Quellenverweisen zu ergänzen, oder ein zweites KI-Modell als Checker einzusetzen. Letztlich muss aber ein menschlicher Experte final drüberschauen, insbesondere bei externalen Veröffentlichungen oder Entscheidungen mit Tragweite (Human-in-the-Loop).
• Datenabfluss: Wenn Mitarbeiter sorglos mit KI umgehen, könnten vertrauliche Informationen ungewollt das Unternehmen verlassen – z.B. durch Eingabe in öffentliche KI-Tools (wie ChatGPT-Website) oder wenn KI-generierte Inhalte vertrauliches Wissen enthalten und extern geteilt werden. Gegenmaßnahmen: Strenge Prompt-Policy (siehe oben) und technische DLP-Kontrollen, die z.B. verhindern, dass jemand große Mengen an geschützten Text per Copy-Paste irgendwo eingibt. Microsofts Copilot verspricht zwar, keine Kundendaten zur Modellverbesserung zu verwenden, aber trotzdem sollte nur autorisierten Diensten vertrauliches anvertraut werden. Zudem sollte in Verträgen mit Anbietern klar geregelt sein, dass Daten nicht weiterverwendet oder gespeichert werden (Microsoft bietet hier Entsprechendes für Azure OpenAI).
• Schatten-IT: Falls die offizielle KI-Einführung zu langsam geht oder zu restriktiv ist, besteht das Risiko, dass findige Mitarbeiter eigenmächtig KI-Tools nutzen (ohne Freigabe). Das kann von Online-Tools bis zu selbst programmierten Lösungen reichen. Schatten-IT untergräbt Governance und kann Sicherheitsrisiken bergen (ungetestete Tools, kein Datenschutz). Gegenmaßnahmen: Den Bedarf der Nutzer ernst nehmen und schnell legitime Angebote schaffen (daher Quick Wins). Außerdem Awareness schärfen, dass die Nutzung von nicht freigegebenen KI-Services untersagt ist – und idealerweise Netzwerk- und Proxy-Einstellungen so setzen, dass Zugriffe auf gewisse public KI-Dienste erkannt oder blockiert werden. Ein transparenter Umgang („wir wissen, es gibt viele tolle Tools, aber aus folgenden Gründen haben wir uns für dieses interne Tool entschieden…“) hilft, Akzeptanz zu fördern.
• Haftung & Fehlentscheidungen: Nutzt ein Unternehmen KI-Outputs, stellt sich die Frage der Haftung. Beispiel: KI gibt falschen Rat, daraufhin entsteht ein finanzieller Schaden – wer haftet? Juristisch haftet in der Regel das Unternehmen für eigene Entscheidungen, auch wenn eine KI beteiligt war. Zudem können KI-Systeme diskriminierende Vorschläge machen (Bias), was z.B. arbeitsrechtliche Folgen haben könnte. Gegenmaßnahmen: Haftungsbegrenzung in AGB der KI-Anbieter prüfen, aber intern vor allem dafür sorgen, dass KI nie allein entscheidet. Verantwortlichkeiten klar benennen: Der Mensch am Ende trägt die Entscheidung – das sollte Schulungsinhalt sein. Bei hochkritischen Bereichen (Medizin, Recht, Finanzen) ist wahrscheinlich eine zusätzliche Expertenprüfung Pflicht. Aus Versicherungs-Sicht könnte man prüfen, ob eine Haftpflicht auch KI-Fehler abdeckt. Und dokumentieren Sie Entscheidungsprozesse: wenn KI einen Vorschlag lieferte, notieren Sie, dass der menschliche Entscheider geprüft hat – das zeigt Sorgfalt.
• Urheberrecht & Plagiate: Generative KI kann auch Texte oder Bilder produzieren, die Ausschnitte aus Trainingsdaten enthalten – ggf. ohne Lizenz. Ebenso könnten Mitarbeiter KI nutzen, um z.B. Code oder Texte aus dem Internet zusammenzusuchen, was Urheberrechte Dritter verletzt. Gegenmaßnahmen: Eine Policy, dass keine KI-generierten Inhalte veröffentlicht werden dürfen, ohne sie auf Urheberrechtsverletzungen zu prüfen (es gibt Tools zur Plagiatserkennung, z.B. für Texte). Microsoft verspricht bei Copilot für Code einen sog. Copilot Copyright Commitment (Haftungsübernahme bei Code-KI), aber für allgemeine Texte gibt es das nicht pauschal. Also Vorsicht: interne Nutzung von KI-Content ist meist unproblematisch, aber sobald es extern geht (Website, Marketingmaterial, Produktdokumentation), muss sichergestellt sein, dass entweder die KI nur gemeinfreie Infos genutzt hat oder die resultierenden Texte/Bilder originär genug sind. Im Zweifel besser KI als Hilfsmittel nehmen, aber den finalen Text doch eigenständig umformulieren.

Nachfolgend ein Risikoregister-Auszug, der Risiken mit Ursache, Auswirkung etc. zusammenfasst:

Risiko	Ursache	Auswirkung (Folge)	Wahrscheinlichkeit	Gegenmaßnahme	Owner (Verantw.)
Halluzinationen	LLM erfindet falsche Infos	Fehlentscheidungen, Image-Schaden (wenn extern publiziert)	Mittel (kommt vor)	Nutzer schulen; Review-Prozess; eingeschränkte KI-Nutzung für kritische Fälle	KI-Product Owner (fachl.)
Datenabfluss	Unvorsichtige Dateneingabe in unsichere KI oder unsichere Outputs	Verlust vertraulicher Daten, DSGVO-Verstoß	Mittel (menschl. Fehlverhalten)	Strenge KI-Policy; DLP-Regeln; Monitoring von KI-Anfragen	CISO / Datenschutz
Schatten-IT (KI)	Ungeduld oder Unwissen der Nutzer, fehlendes offizielles Tool	Einsatz unsicherer Tools, keine Kontrolle, Compliance-Verstöße möglich	Mittel	Schnelle Quick-Wins bereitstellen; Netzwerk überwachen; interne Aufklärung	IT-Leiter / Governance
Falsche Entscheidungen & Haftung	Überschätzung der KI, fehlende Kontrolle	Finanzieller Schaden, rechtliche Konsequenzen	Niedrig bis Mittel	„Human in the Loop“-Pflicht; dokumentierte Freigaben; evtl. Versicherung prüfen	Geschäftsführung / Legal
Urheberrechtsverletzung	KI generiert geschützte Inhalte (Text/Bild) unbemerkt	Abmahnungen, rechtl. Ansprüche Dritter	Niedrig	Output-Filter einsetzen; KI-Ergebnisse auf Plagiate prüfen; im Zweifel externen Content durch Legal freigeben lassen	KI-Product Owner + Legal

Ein Risiko-Owner sollte pro Risiko benannt sein – diese Person/Abteilung kümmert sich, dass Maßnahmen umgesetzt werden und beobachtet das Risiko im Zeitverlauf. Die Eintrittswahrscheinlichkeit kann man qualitativ (hoch/mittel/niedrig) einschätzen; wichtig ist, dass hohe Risiken priorisiert mitigiert werden.

Technische und organisatorische Kontrollen: Viele Gegenmaßnahmen sind schon anklungen: technisch z.B. DLP-Tools, Zugriffsrechte, Logging; organisatorisch v.a. Policies, Schulungen, Reviews. Diese sollten in ihrer Gesamtheit betrachtet werden – eine Kontrollmatrix kann helfen, sicherzustellen, dass für jedes identifizierte Risiko ausreichende Kontrollen etabliert wurden. Vor dem Go-Live empfiehlt sich ein Pre-Mortem oder Risiko-Workshop, wo man durchspielt: „Was kann alles schiefgehen?“ und prüft, ob man für jedes Szenario Vorkehrungen hat. Auch Abnahmetests sind essenziell, insbesondere bei selbst entwickelten KI-Lösungen: Testen Sie mit echten Anwendungsfällen, ob die KI das tut, was sie soll, und in Grenzfällen angemessen reagiert (z.B. nicht plötzlich vertrauliche Daten ausspielt). Definieren Sie Abnahmekriterien wie Genauigkeit der Antworten mindestens 90% in Testfragen; keine sicherheitskritischen Verstöße bei simulierten Inputs; Logging funktioniert wie erwartet. Erst wenn diese Kriterien erfüllt sind, erteilt das Projektteam die Freigabe zum Rollout.

• Aktion: Führen Sie ein Risk Assessment speziell für Ihre KI-Use-Cases durch. Dokumentieren Sie die Top-10-Risiken und legen Sie für jedes konkrete Gegenmaßnahmen und Verantwortliche fest (lebendes Dokument als Teil Ihrer Governance).
• Aktion: Implementieren Sie technische Schutzmaßnahmen (Zugriffsbeschränkungen, DLP, Logs) und testen Sie diese vor Produktivsetzung der KI-Lösungen. Richten Sie zudem einen Prozess ein, um KI-Fehler oder Vorfälle zu melden und zu behandeln (z.B. Ticket-System mit spezieller KI-Kategorie).

Roadmap & 30-/60-/90-Tage-Plan

Zum Abschluss wird aus den genannten Schritten ein konkreter Fahrplan abgeleitet. Die folgende 90-Tage-Roadmap skizziert, was in den ersten drei Monaten der KI-Einführung passieren sollte:

Zeitraum	Ziel (Was soll erreicht sein?)	Meilensteine (Zwischenziele)	Deliverables (Ergebnisse)	Verantwortliche	Messgrößen (KPIs)
Tag 30	KI-Initiative aufgesetzt & Fokus definiert	– Projektteam & KI-Lenkungsausschuss etabliert<br>– Priorisierte Liste von Use Cases (Quick Wins & Leuchttürme) erstellt<br>– Datenschutz/Betriebsrat eingebunden (Info & Grobkonzept)	– Projektauftrag/Charter KI-Programm<br>– Use-Case-Portfolio (Dokument)<br>– Kommunikationsplan für Pilotphase	CIO/KI-Sponsor (A), Projektleiter (R), Datenschutz/Betriebsrat (C)	Zustimmung des Mgmt; # identifizierte Use Cases; erste Freigaben (Go für Pilot)
Tag 60	Pilotbereit zur Umsetzung	– Technische Umgebung eingerichtet (Copilot aktiviert, Azure Dienste konfiguriert)<br>– Go-Live-Readiness-Check durchgeführt (Daten vorhanden, Policies definiert)<br>– Pilotnutzer (z.B. 50 Personen) ausgewählt und geschult	– KI-Pilot (MVP) funktionsfähig in Test<br>– Schulungsunterlagen & Leitfäden fertig<br>– „Go“-Entscheidung für Pilotstart dokumentiert	IT-Leiter/M365-Admin (R), KI-Product Owner Pilot (R), KI-Lenkungsausschuss (A)	Fertigstellungsgrad der Pilot-Lösung (%); # Pilotuser geschult; Checkliste Go-Live erfüllt (ja/nein)
Tag 90	Pilot abgeschlossen & Auswertung	– Pilotphase durchgeführt (min. 4–6 Wochen Nutzung)<br>– Feedback der Nutzer eingeholt (Umfragen, Interviews)<br>– KPI-Messung: Zeitersparnis, Nutzungsrate, Qualität erhoben	– Pilotbericht (Ergebnisse & Learnings)<br>– Entscheidungsvorlage für Vorstand (Rollout ja/nein + Investitionsbedarf)<br>– Aktualisierte KI-Roadmap (basierend auf Pilot)	KI-Product Owner (R), Change Manager (C für Feedback), CIO/KI-Sponsor (A)	Erreichte Nutzen-KPIs (z.B. Stunden gespart, % Fehlerreduktion); Nutzerzufriedenheit (Score); Empfehlung für ROI (Business Case aktualisiert)

Dieser 30/60/90-Tage-Plan dient als Richtschnur. Er kann je nach Unternehmensgröße variieren, aber grundsätzlich sollte innerhalb der ersten 3 Monate ein greifbarer Pilot laufen und die Grundlage für das weitere Vorgehen geschaffen sein. Nach 90 Tagen entscheidet sich, ob breite Ausrollung und weitere Projekte gestartet werden. Wichtig ist, nicht nach den 90 Tagen aufzuhören: Es sollte direkt ein Plan für die nächsten 9 Monate folgen (Rollout, weitere Use Cases, langfristige Verankerung – siehe auch nächstes Kapitel).

• Aktion: Nutzen Sie obigen Plan als Ausgangspunkt und erstellen Sie Ihre individuelle KI-Roadmap mit klaren Aufgaben, Verantwortlichkeiten und Terminen. So behalten alle Beteiligten den Überblick über die nächsten Schritte.
• Aktion: Planen Sie bereits am Ende der 90 Tage einen Review-Termin mit dem Management, um Ergebnisse zu präsentieren und (bei positivem Ergebnis) grünes Licht für die flächendeckende KI-Einführung im nächsten Jahresverlauf zu erhalten.

Fazit: Prioritäten für die nächsten 12 Monate

Die Einführung von KI im Unternehmen – ob mit Microsoft 365 Copilot oder anderen Tools – ist ein komplexes Vorhaben, aber mit einem strukturierten Ansatz gut beherrschbar. In den nächsten 12 Monaten sollten Entscheider vor allem drei Prioritäten setzen:

Erstens Governance und Grundlagen festigen: Ohne saubere Daten, klare Richtlinien und definierte Verantwortlichkeiten sollte kein breiter KI-Rollout erfolgen. Die Basis (Daten, Sicherheit, Compliance) muss im ersten Schritt gelegt und geprüft sein. Zweitens Pilotieren und Skalieren: Durch kleine Erfolge im Pilot wird der Weg für größere Rollouts geebnet. Diese Erfolge gilt es konsequent auszubauen, weitere Use Cases zu integrieren und KI zu einem normalen Bestandteil der Arbeitsprozesse zu machen. Drittens Mitarbeiter mitnehmen: Der kulturelle Wandel braucht kontinuierliche Kommunikation, Training und Einbindung. KI-Change-Management ist kein einmaliges Training, sondern fortlaufende Begleitung, um die anfängliche Begeisterung zu halten und Skepsis abzubauen.

Wenn Unternehmen KI als strategisches Transformationsprojekt priorisieren, regelmäßig Fortschritte messen und lernen, sowie flexibel auf neue Entwicklungen reagieren, stehen die Chancen gut, dass sie in 12 Monaten erste signifikante Produktivitätssteigerungen und einen positiven ROI vorweisen können. Gleichzeitig legt diese Vorgehensweise den Grundstein dafür, dass KI mittelfristig fest in Kultur und Prozesse verankert wird – ein entscheidender Faktor, da KI-Technologien sich stetig weiterentwickeln. Der Fokus im kommenden Jahr liegt darauf, aus Experimenten echten Mehrwert zu schaffen, Risiken im Griff zu behalten und die Wettbewerbsfähigkeit durch KI-gestützte Information-Worker Produktivität spürbar zu erhöhen.

• Aktion: Machen Sie KI zur Chefsache – setzen Sie klare Jahresziele (z.B. „bis Ende des Jahres 30% der Mitarbeiter mit KI-Tools ausgestattet und 15% Effizienzsteigerung in definierten Prozessen“) und überprüfen Sie den Fortschritt quartalsweise.
• Aktion: Bleiben Sie flexibel und innovationsbereit: Evaluieren Sie mindestens alle 6 Monate neue KI-Trends oder Funktionen (z.B. zusätzliche Microsoft Copilot-Features, Updates zum EU AI Act) und passen Sie Ihre Strategie laufend an, um stets am Puls der Entwicklung zu bleiben.

FAQ

Frage: Müssen wir den Betriebsrat an der KI-Einführung beteiligen?
Antwort: Ja, unbedingt. Der Betriebsrat ist bei Einführung neuer Technologien mitbestimmungsberechtigt, besonders wenn Arbeitsabläufe oder Leistungskontrollen betroffen sind. Beziehen Sie den Betriebsrat frühzeitig ein, klären Sie Transparenz- und Datenschutzfragen und schließen Sie ggf. eine Betriebsvereinbarung zur KI-Nutzung.

Frage: Wie stellen wir den Datenschutz (DSGVO) bei Microsoft 365 Copilot sicher?
Antwort: Microsoft 365 Copilot verarbeitet Unternehmensdaten innerhalb der Microsoft-Cloud. Microsoft sichert zu, die Daten nur zur Bereitstellung der Funktion zu verwenden, nicht zum Training des KI-Modells. Um DSGVO-konform zu sein, sollten Sie einen Auftragsverarbeitungsvertrag mit Microsoft abschließen. Zudem müssen Sie intern regeln, dass keine unnötigen personenbezogenen Daten über die KI verarbeitet werden. Verwenden Sie Funktionen wie Sensitivity Labels und DLP, damit Copilot sensible Daten nicht ungewollt weitergibt.

Frage: Welche Lizenzen benötigen wir und was kostet Microsoft Copilot?
Antwort: Voraussetzung ist ein geeigneter Microsoft 365 Plan (Enterprise E3/E5 oder Business Standard/Premium). Copilot selbst ist ein zusätzliches Add-on pro Nutzer. Aktuell liegt der Preis bei ca. 30 US-Dollar pro Nutzer und Monat. D.h., Sie brauchen pro User eine gültige M365-Lizenz + die Copilot-Lizenz. Prüfen Sie auch, ob ein Upgrade auf E5 sinnvoll ist, da dort manche Security-Features inklusive sind, die für KI nützlich sein können.

Frage: Kann man nicht einfach kostenlose KI-Tools wie ChatGPT nutzen statt Microsoft 365 Copilot?
Antwort: Theoretisch können Mitarbeiter eigenständig Tools wie ChatGPT verwenden, jedoch birgt das Risiken. Bei öffentlichen Diensten haben Sie keinen Schutz für vertrauliche Firmendaten (alles, was eingegeben wird, verlässt die Unternehmenssphäre). Zudem fehlen Integrationen in Ihre Systeme und Governance-Möglichkeiten. Copilot ist speziell für Firmenumgebungen entwickelt, greift sicher auf Ihre internen Daten zu und respektiert Compliance-Einstellungen. Für professionelle Nutzung im Unternehmen sollten Sie daher auf abgesicherte, vertraglich geregelte KI-Services (wie Copilot oder Azure OpenAI) setzen, um Datenschutz und Integration zu gewährleisten.

Frage: Wie finden wir die richtigen Anwendungsfälle für KI in unserem Unternehmen?
Antwort: Gehen Sie strukturiert vor: Analysieren Sie Prozesse in verschiedenen Abteilungen und suchen Sie nach repetitiven, zeitintensiven Tätigkeiten oder Informationsengpässen. Gute Kandidaten sind z.B. das Zusammenfassen von Berichten, Beantworten häufiger Fragen (Chatbot), Automatisieren von Formularen/Reports oder Assistenten für Analyseaufgaben. Binden Sie die Fachbereiche ein – fragen Sie Mitarbeiter, wo sie Entlastung brauchen könnten. Bewerten Sie die Ideen nach Nutzen und Machbarkeit (Datenverfügbarkeit!). Starten Sie mit ein paar Quick Wins, die in allen Büroumgebungen sinnvoll sind (siehe Use-Case-Portfolio), und sammeln Sie dann Erfahrungen für komplexere, bereichsspezifische Projekte.

Frage: Wie stellen wir sicher, dass KI-Ergebnisse korrekt und qualitativ hochwertig sind?
Antwort: 100%ige Korrektheit kann KI nicht garantieren, daher sind Prozesse wichtig. Etablieren Sie ein Vier-Augen-Prinzip für kritische Outputs: KI generiert einen Vorschlag, ein Mitarbeiter prüft und finalisiert ihn. Schulen Sie Mitarbeiter darin, KI-Ausgaben zu überprüfen und nicht blind zu vertrauen. Nutzen Sie bei Bedarf technische Tools – z.B. KI kann Zahlen und Fakten halluzinieren, hier könnte ein Abgleich mit vorhandenen Datenbanken sinnvoll sein. Zudem: Füttern Sie die KI mit möglichst guten, aktuellen firmenspezifischen Daten und geben Sie klares Feedback, wenn Ausgaben falsch waren (bei trainierbaren Modellen). Langfristig können wiederkehrende Fehler so reduziert werden. KPIs wie „Überarbeitungsaufwand“ und Fehlerquoten sollten Sie tracken, um die Qualität messbar zu verbessern.

Frage: Was tun, wenn Mitarbeiter Angst haben, durch KI ihre Stelle zu verlieren?
Antwort: Nehmen Sie diese Ängste ernst und begegnen Sie ihnen aktiv. Kommunizieren Sie deutlich, dass KI zur Unterstützung gedacht ist, nicht als Ersatz. Geben Sie Beispiele, wie KI langweilige Aufgaben abnimmt, sodass Mitarbeiter anspruchsvollere Tätigkeiten übernehmen können. Bieten Sie Qualifizierungen an, damit sich Mitarbeiter weiterentwickeln und neue Rollen in einer KI-gestützten Arbeitswelt finden – z.B. als Datenkurator, KI-Produktbetreuer etc. Wichtig ist auch, die Arbeitsplatzsicherheit zu betonen: Keine Entlassungen wegen KI, sondern Umschulungen. Wenn Mitarbeiter spüren, dass sie Teil der Reise sind und profitieren (etwa mehr Zeit für kreative Aufgaben), wandelt sich Angst nach und nach in Akzeptanz.

Frage: Welche Aufgaben sollte man nicht von KI erledigen lassen?
Antwort: Verzichten Sie auf KI in Bereichen, wo hohe Risiken und regulatorische Vorgaben bestehen, sofern die KI-Lösung diese nicht sicher abdeckt. Zum Beispiel: vollautomatische Personalentscheidungen (Einstellung/Entlassung) oder medizinische Diagnosen ohne Arzt – solche Anwendungen sind von Gesetz wegen kritisch (EU AI Act Hochrisiko) und ethisch heikel. Ebenso Aufgaben, in denen menschliche Empathie oder strategisches Denken gefragt sind (z.B. schwierige Mitarbeitergespräche, Führungsentscheidungen) – KI kann hier allenfalls zuarbeiten, aber nicht ersetzen. Alles, was mit kreativem Denken, komplexer Verantwortung oder sensitiven persönlichen Themen einhergeht, sollte der Mensch federführend behalten. Auch sollte KI nicht eingesetzt werden, wenn die Datenbasis mangelhaft ist: Dann produziert sie nur Unsinn. Generell gilt: KI als Assistent nutzen, aber menschliche Urteilskraft bleibt unerlässlich.

Frage: Wie messen wir konkret den ROI unserer KI-Initiative?
Antwort: Legen Sie schon zu Beginn Metriken fest (siehe KPI-Katalog). Beispielsweise können Sie vor und nach KI-Einsatz die benötigte Zeit für bestimmte Prozesse messen (z.B. wie lange braucht ein Berichtsentwurf vorher vs. mit KI). Die Differenz in Stunden multipliziert mit dem Personalkostensatz gibt eine monetäre Ersparnis. Addieren Sie solche Effizienzgewinne über mehrere Anwendungsfälle oder Mitarbeiter hoch. Dem stellen Sie die Kosten gegenüber (Lizenzen, Projektaufwand). Zusätzlich können Sie qualitative Verbesserungen einbeziehen: z.B. höhere Kundenzufriedenheit oder geringeres Fehlerrisiko, was zwar nicht direkt in Euro fließt, aber bedeutend ist. Im Laufe des Projekts sollten diese Kennzahlen regelmäßig erhoben werden – z.B. mittels Mitarbeiterumfragen („Wieviel Zeit sparen Sie dank KI pro Woche?“) und Systemdaten (Nutzungsstatistiken). So können Sie nach einigen Monaten einen belastbaren ROI-Bericht erstellen. Im Idealfall sehen Sie, dass z.B. „für jeden investierten Euro in KI 5 Euro an Wert generiert wurden“ – eine starke Story für zukünftige Investitionen.

Frage: Was passiert, wenn künftige Gesetze (z.B. EU AI Act) strenger werden? Müssen wir dann alles ändern?
Antwort: Wahrscheinlich nicht „alles“, wenn Sie schon jetzt auf Compliance achten. Der EU AI Act wird Anforderungen je nach Risikoklasse vorschreiben. Wenn Sie hauptsächlich KI zur internen Produktivitätssteigerung (geringeres Risiko) nutzen, werden die Auflagen moderat sein (Transparenz, ggf. Meldung der verwendeten KI-Systeme an Behörden). Nutzen Sie KI in Hochrisikobereichen (etwa im Personalmanagement automatisiert), müssen Sie Konformitätsprüfungen durchführen und umfangreiche Dokumentation sowie Risikomanagement nachweisen. Es empfiehlt sich, bereits jetzt eine Art KI-Register zu führen, wo alle KI-Anwendungen mit Zweck, Daten, Funktionsweise dokumentiert sind – das wird vermutlich vorgeschrieben werden. Ebenso sollten Sie jetzt schon Aspekte wie Bias-Tests und Genauigkeitsbewertungen durchführen. Wenn das Gesetz in Kraft tritt, haben Sie so den Großteil der Hausaufgaben erledigt. Bleiben Sie informiert über die konkreten Anforderungen, aber mit einer guten Governance und Ethikrichtlinie sind Sie auf einem sicheren Pfad, auch künftige Regularien zu erfüllen.

Glossar

• Künstliche Intelligenz (KI): Teilgebiet der Informatik, das versucht, menschenähnliche geistige Fähigkeiten nachzubilden. KI-Systeme können z.B. lernen, Muster zu erkennen und auf Basis von Daten selbstständig Probleme lösen. Praktisch umfasst KI viele Techniken wie Machine Learning und Regelwerke.
• Information-Worker (Wissensarbeiter): Mitarbeiter, der vor allem mit Informationen, Wissen und Kommunikation arbeitet (statt körperlicher Arbeit). Typische Information-Worker sind z.B. Büroangestellte, Analysten, Projektmanager – also alle, die Computer, E-Mails und Dokumente als Hauptwerkzeug haben.
• Machine Learning (maschinelles Lernen): Untergruppe der KI, bei der Algorithmen anhand von Beispieldaten Muster und Regeln erlernen, anstatt explizit programmiert zu werden. Das System verbessert seine Leistung durch Erfahrung. Beispiele: Klassifikationsmodelle, die Spam erkennen, oder Vorhersagemodelle, die Absatz prognostizieren.
• Deep Learning: Ein spezieller Ansatz des Machine Learning, der künstliche neuronale Netze mit vielen Schichten nutzt. Dadurch können sehr komplexe Muster gelernt werden. Deep Learning hat zu Durchbrüchen geführt in Bereichen wie Bild- und Spracherkennung und steckt hinter aktuellen KI-Modellen für Sprache (LLMs). Es benötigt große Datenmengen und Rechenleistung.
• Neuronales Netzwerk: Inspiriert von der Struktur des Gehirns – ein Netz aus vielen einfachen Recheneinheiten (Neuronen), die über Gewichte miteinander verbunden sind. Ein neuronales Netzwerk lernt, indem es diese Verbindungsgewichte anpasst. Je mehr Schichten (Layer) ein Netzwerk hat, desto komplexere Zusammenhänge kann es darstellen (siehe Deep Learning).
• Generative KI: KI-Modelle, die neue Inhalte erzeugen können – z.B. Texte, Bilder, Audio. Sie „generieren“ also etwas Neues (im Gegensatz zu nur Klassifizieren oder Erkennen). Beispiele: GPT-4, das Texte schreibt, oder DALL-E, das Bilder malt. Generative KI lernt die Muster aus bestehenden Daten und kann darauf basierend Variationen erstellen.
• Large Language Model (LLM): Ein sehr großes Sprachmodell, trainiert auf riesigen Textmengen, das in der Lage ist, menschenähnliche Texte zu verstehen und zu produzieren. GPT-3.5/GPT-4 sind LLMs. Sie nutzen Milliarden von Parametern. LLMs beherrschen Aufgaben wie Übersetzen, Zusammenfassen, Beantworten von Fragen auf Basis des Gelernten.
• Prompt: Die Eingabe/Aufforderung, die man einer generativen KI gibt, um eine Antwort oder Aktion zu erhalten. Bei ChatGPT z.B. ist der Prompt die Frage oder Aufgabe, die der Nutzer formuliert. Gute Prompts sind präzise formuliert und geben der KI genügend Kontext. Prompt-Engineering bezeichnet die Kunst, solche Eingaben so zu gestalten, dass die KI optimale Ergebnisse liefert.
• KI-Halluzination: Phänomen, dass ein KI-Modell etwas Erfundendes ausgibt, das nicht der Realität entspricht, aber überzeugend klingt. Beispiel: Die KI gibt eine Quelle oder ein „Fakt“ an, den es so gar nicht gibt. Dies entsteht, weil das Modell zwar Sprachmuster sehr gut beherrscht, aber kein echtes Verständnis hat. Halluzinationen sind ein bekanntes Problem großer Sprachmodelle.
• Data Loss Prevention (DLP): Sicherheitskonzept und -werkzeuge, um zu verhindern, dass vertrauliche Daten nach außen gelangen. In M365 gibt es DLP-Richtlinien, die z.B. das Versenden von Kreditkartennummern oder personengebundenen Daten blockieren oder melden. Beim KI-Einsatz kann DLP helfen, zu kontrollieren, was Nutzer an externe Systeme schicken.
• Sensitivity Label (Vertraulichkeits-Label): Eine Funktion in Microsoft 365, um Dokumente und E-Mails nach ihrem Vertraulichkeitsgrad zu klassifizieren (öffentlich, intern, vertraulich, streng vertraulich…). Labels können mit Regeln verknüpft sein – z.B. Verschlüsselung oder Zugriffsbeschränkungen. KI-Systeme wie Copilot beachten diese Labels, um z.B. Inhalte nicht anzuzeigen, für die der Nutzer keine Berechtigung hat.
• Microsoft 365 Copilot: KI-Assistenzfunktion von Microsoft, integriert in die Office-365-Welt. Copilot nutzt ein LLM (GPT-4) und die Daten im Microsoft Graph (Ihre Dateien, E-Mails, Kalender, Chats), um Nutzer bei Aufgaben zu unterstützen: Texte schreiben, E-Mails beantworten, Analysen in Excel, Zusammenfassungen in Teams usw. Copilot wird als Zusatzservice lizenziert und wurde entwickelt, um innerhalb der Unternehmens-Cloud zu arbeiten, unter Einhaltung der vorhandenen Sicherheits- und Compliance-Einstellungen.
• Power Platform: Microsofts Low-Code-Plattform, bestehend aus Power BI (Datenanalyse), Power Apps (Anwendungen bauen), Power Automate (Workflows automatisieren) und Power Virtual Agents (Chatbots erstellen). Mit AI Builder bietet die Power Platform auch vorgefertigte KI-Komponenten (z.B. Formulare scannen, Texte klassifizieren). So können auch Anwender ohne tiefe Programmierkenntnisse KI-Funktionen in eigene Apps/Automatisierungen einbinden.
• EU AI Act (EU-KI-Verordnung): Geplantes europäisches Gesetz (Stand 2025 in Finalisierung) zur Regulierung von KI-Systemen nach Risiko. Es definiert verbotene KI-Praktiken (z.B. Massenüberwachung mit Social Scoring), Hochrisiko-Anwendungen (z.B. KI im Personalwesen, kritische Infrastruktur), die strengen Auflagen unterliegen, und geringere Risikoklassen, für die Transparenz und gewisse Standards verlangt werden. Ziel ist es, sichere, vertrauenswürdige KI zu gewährleisten. Unternehmen, die KI einsetzen, müssen prüfen, in welche Kategorie ihre Anwendung fällt und dann entsprechende Compliance-Maßnahmen umsetzen, sobald der Act in Kraft tritt.
• DSGVO (Datenschutz-Grundverordnung): Europäische Verordnung zum Schutz personenbezogener Daten. Für KI relevant, da wo immer Personenbezug in Daten besteht, diese strengen Regeln gelten: Rechtmäßigkeit der Verarbeitung (Einwilligung oder anderer Erlaubnistatbestand), Datensparsamkeit, Zweckbindung, Betroffenenrechte (Auskunft, Löschung), technische-organisatorische Maßnahmen etc. Ein KI-System im Unternehmen muss DSGVO-konform betrieben werden – d.h. man braucht u.a. eine Rechtsgrundlage (meist berechtigtes Interesse oder Vertragserfüllung) und muss geeignete Sicherheitsvorkehrungen treffen, damit keine Datenschutzverletzung passiert.

Anhang A: Mustervorlage „KI-Richtlinie für Information-Worker“

Zweck: Diese Richtlinie legt den sicheren und verantwortungsvollen Einsatz von KI im Unternehmen fest, um Chancen zu nutzen und Risiken (Datenschutz, Fehler, Missbrauch) zu minimieren. Sie gilt für alle Mitarbeiter und Bereiche, in denen KI-Tools eingesetzt werden.

Geltungsbereich: Alle KI-Anwendungen, die vom Unternehmen bereitgestellt oder für geschäftliche Zwecke verwendet werden (z.B. Microsoft 365 Copilot, Chatbots, Analytic-KI). Ausgenommen sind private Nutzungen außerhalb der Unternehmens-IT.

Grundsätze: KI ist eine Assistenztechnologie – Entscheidungen treffen weiterhin Menschen. Mitarbeiter müssen KI-Ausgaben kritisch prüfen. Die Nutzung hat im Einklang mit Gesetzen (DSGVO, Urheberrecht, EU AI Act) und Unternehmenswerten zu erfolgen. Diskriminierende oder unethische KI-Anwendungen sind verboten.

Datenumgang: Keine Eingabe von vertraulichen oder personenbezogenen Daten in KI-Systeme, sofern nicht ausdrücklich dafür freigegeben. Wo möglich, sind Daten zu anonymisieren. KI-Systeme dürfen nur auf dafür vorgesehene Datenspeicher zugreifen. Ergebnisse, die sensible Informationen enthalten, unterliegen denselben Geheimhaltungsstufen wie die Eingangsdaten.

Zulässige und unzulässige Nutzung: Zulässig ist z.B. das Erstellen von Entwürfen, Zusammenfassungen, Analysen zur Entscheidungsunterstützung. Unzulässig sind vollautomatisierte Entscheidungen ohne Prüfschritt in personalrelevanten oder rechtlich verbindlichen Angelegenheiten. Ebenso untersagt ist das Verwenden von unternehmensfremden KI-Diensten für geschäftliche Inhalte ohne Freigabe der IT/Compliance.

Qualitätssicherung: Ergebnisse aus KI-Tools, die extern weitergegeben oder veröffentlich werden, müssen qualitativ geprüft und freigegeben werden (Vier-Augen-Prinzip). Mitarbeiter sind angehalten, Fehler oder auffällige Ausgaben zu melden, damit die Systeme verbessert oder Warnungen abgeleitet werden können.

Überwachung & Protokollierung: Die Nutzung unternehmensbereitgestellter KI-Dienste wird im Rahmen der gesetzlichen Bestimmungen protokolliert (wer, wann, welches Tool). Dies dient ausschließlich der Sicherheit und Verbesserung des Dienstes. Eine Leistungs- oder Verhaltenskontrolle der Mitarbeiter mittels KI-Logs ist ausgeschlossen. Zuwiderhandlungen gegen diese Richtlinie können untersucht und geahndet werden.

Verantwortlichkeiten: Jeder Mitarbeiter ist für die eigene KI-Nutzung verantwortlich und hat diese Richtlinie zu befolgen. Führungskräfte stellen sicher, dass ihre Teams geschult sind und etwaige Verstöße adressiert werden. Das KI-Governance-Team überwacht die Einhaltung der Richtlinie und passt sie bei Bedarf (z.B. neuen gesetzlichen Vorgaben) an.

(Diese Vorlage kann je nach Unternehmensspezifika angepasst werden – insbesondere hinsichtlich Geltungsbereich, zulässigen Anwendungen und Verantwortlichkeiten.)

Anhang B: Mustervorlage „Prompt-Policy“ (Auszug)

• Verwende keine vertraulichen Personen- oder Kundendaten in Prompts, außer das eingesetzte KI-System ist dafür offiziell freigegeben (z.B. internes System mit DSGVO-Konformität). Bei Unsicherheit: Daten anonymisieren oder abstrahieren.
• Formuliere klar und präzise: Gib der KI möglichst konkrete Anweisungen oder Fragen. Beispiel statt „Bericht machen“ besser „Fasse den 10-seitigen Quartalsbericht Q1/2023 in 5 Bulletpoints zusammen“. Vermeide zweideutige Formulierungen.
• Keine Anweisungen zu unerlaubten Handlungen: Fordere die KI nicht auf, Sicherheitsmaßnahmen zu umgehen, illegalen Inhalt zu erstellen oder jemanden zu diskriminieren/beleidigen. Solche Prompts sind strikt untersagt und werden ggf. protokolliert.
• Kontext bereitstellen: Für bessere Ergebnisse liefere notwendigen Kontext im Prompt (z.B. „Verwende für die Antwort unsere Firmen-Tonality: sachlich, per Sie, deutsch.“). Aber achte darauf, dabei keine internen Geheimnisse offenzulegen.
• Überprüfungspflicht: Betrachte die KI-Antwort als Vorschlag, den Du kritisch prüfst. Insbesondere wenn ein Prompt um Fakten oder Zahlen bittet, validiere das Ergebnis an einer verlässlichen Quelle. Im Zweifel: einen neuen Prompt stellen zur Präzisierung oder das Ergebnis verwerfen.

(Diese Prompt-Policy ist Mitarbeitern bereitzustellen, idealerweise als leicht verständliche Checkliste beim Arbeiten mit KI-Werkzeugen.)

Anhang C: Rollenbeschreibungen KI-Product Owner & Data Owner

KI-Product Owner – Aufgaben und Verantwortung:
– Treibt die fachliche Entwicklung eines KI-Use-Cases oder -Produkts voran und definiert die Anforderungen aus Nutzersicht.
– Priorisiert Features und Verbesserungen des KI-Systems (agiles Backlog-Management) basierend auf Mehrwert und Nutzerfeedback.
– Überwacht die Leistung der KI-Lösung im Betrieb (Nutzungskennzahlen, Ergebnisqualität) und initiiert Optimierungen.
– Ist Hauptansprechpartner für Fachbereichsfragen zur KI-Anwendung und koordiniert Schulungen oder Kommunikationsmaßnahmen dafür.
– Stellt sicher, dass das KI-Produkt den geschäftlichen Nutzen erzielt (z.B. Zeitersparnis, Qualität) und berichtet dies regelmäßig an Stakeholder.
– Arbeitet eng mit dem technischen Team (Entwicklung/IT) zusammen, um Umsetzung und Betrieb reibungslos zu gestalten (inkl. Tests und Releases).
– Gewährleistet gemeinsam mit Compliance/Legal, dass der KI-Einsatz im Use Case regelkonform und ethisch vertretbar bleibt.
– Dokumentiert wichtige Entscheidungen, Trainingsdaten (bei eigenen Modellen) und Änderungen am KI-System, um Nachvollziehbarkeit zu garantieren.

Data Owner – Aufgaben und Verantwortung:
– Verantwortet spezifische Datendomänen (z.B. Kundendatenbank, Dokumentenablage) und gewährleistet deren Qualität und Aktualität.
– Definiert und pflegt die Datenklassifizierung für seine Datendomäne (z.B. festlegen, welche Daten vertraulich sind) und sorgt für korrekte Kennzeichnung der Daten.
– Prüft und genehmigt die Nutzung „seiner“ Daten durch KI-Anwendungen: Nur freigegebene, geeignete Datenquellen werden angebunden.
– Überwacht den Datenzugriff: stellt sicher, dass KI-Systeme nur auf Daten gemäß Berechtigungskonzept zugreifen (ggf. in Abstimmung mit IT Berechtigungen anpassen).
– Arbeitet mit dem KI-Product Owner und Data Scientists zusammen, um benötigte Daten für Modelltraining oder -nutzung bereitzustellen (inkl. Bereinigung und Transformation der Daten).
– Implementiert Verfahren zur Datenpflege: z.B. regelmäßige Bereinigung, Dubletten entfernen, Konsistenzprüfungen – damit die KI stets auf einer verlässlichen Datenbasis operiert.
– Achtet auf Datenschutz und Compliance in Bezug auf seine Daten: stellt sicher, dass keine unzulässigen Personendaten in KI-Prozesse fließen und bei Bedarf Einwilligungen vorliegen.
– Ist Anlaufstelle für Fragen zur Interpretation der Daten und unterstützt bei der Ableitung von Datenstrategie-Entscheidungen (z.B. Anschaffung neuer Datenquellen, Änderungen in der Datenhaltung) im Kontext von KI-Projekten.

 

Weitere Beiträge zum Thema KI