Was Microsoft aus KI gemacht hat — und warum Sie das jetzt betrifft
|
📋 MANAGEMENT SUMMARY — Was Sie in Kapitel 1 in 5 Minuten wissen müssen |
|---|
|
Microsoft hat zwischen 2019 und 2024 über 13 Milliarden US-Dollar in OpenAI investiert und damit das gesamte KI-Portfolio neu ausgerichtet. Das ist keine Produktstrategie mehr — das ist eine Neupositionierung des Unternehmens.
Was das für Sie bedeutet:
Zeitaufwand für Erstentscheidung nach Lektüre dieses Kapitels: ca. 45 Minuten — deutlich kürzer als das nächste Meeting über KI-Strategie, bei dem am Ende wieder niemand weiß, was als nächstes passiert. |
Abb. 1.1 — Microsoft KI-Portfolio — Alle drei Ebenen: M365-Anwenderebene, Copilot Studio und Azure KI-Infrastruktur
1.1 Wie Microsoft zur KI-Firma wurde
Es gibt eine Lesart der Geschichte, in der Microsoft schlicht das Glück hatte, zum richtigen Zeitpunkt am richtigen Tisch zu sitzen. Eine andere Lesart sagt, dass Satya Nadella eines der risikoreichsten Wetten der Unternehmensgeschichte eingegangen ist — und damit recht behalten hat. Wahrscheinlich sind beide Lesarten korrekt.
Der Anfang liegt im Jahr 2019. Microsoft investierte eine Milliarde US-Dollar in OpenAI, ein damals noch weitgehend unbekanntes KI-Forschungslabor in San Francisco. Die Berichterstattung war freundlich, aber unaufgeregt. Wer sich die Reaktion der Finanzpresse aus jener Zeit ansieht, findet Sätze wie 'strategisches Investment' und 'spannender Schritt im Bereich KI-Forschung'. Niemand ahnte, was daraus werden würde.
2020 sicherte sich Microsoft die Exklusivlizenz für GPT-3 — zu einem Zeitpunkt, als die meisten Unternehmenslenker noch nicht wussten, was ein Large Language Model ist. Diese Lizenz bedeutete: Wenn GPT-3 irgendwann kommerziell relevant werden sollte, hatte Microsoft eine Startposition, die kein Wettbewerber in dieser Form einholen konnte. Google hatte eigene Sprachmodelle, Amazon hatte AWS, aber die direkte Partnerschaft mit dem führenden KI-Labor blieb Microsofts Alleinstellungsmerkmal.
2021 folgte der Azure OpenAI Service — zunächst als eingeschränkte Vorschau für ausgewählte Unternehmenskunden. Microsoft begann, die OpenAI-Technologie in seine Cloud-Infrastruktur zu integrieren. Das war kein Meilenstein für Endanwender, aber ein kritischer Schritt: Azure wurde zur Plattform, auf der OpenAI-Modelle für Unternehmen verfügbar gemacht werden sollten — mit allen Compliance- und Sicherheitsversprechen, die Enterprise-Kunden erwarten.
Der ChatGPT-Schock — und Microsofts Reaktion
Im November 2022 veröffentlichte OpenAI ChatGPT. Was danach passierte, lässt sich kaum übertreiben. In fünf Tagen hatte ChatGPT eine Million Nutzer. In zwei Monaten waren es 100 Millionen. Kein Dienst in der Geschichte des Internets hatte dieses Wachstumstempo erreicht.
Für Microsoft war das eine zweischneidige Situation. Einerseits: Man hatte investiert, man hatte die Lizenz, man war bereit. Andererseits: ChatGPT war ein Consumer-Produkt und lief direkt auf der OpenAI-Infrastruktur — nicht auf Azure. Microsoft musste schnell zeigen, dass es die Technologie in eigene Produkte übersetzen kann.
Im Januar 2023 folgte die nächste Investitionsrunde — diesmal 10 Milliarden US-Dollar. Das war kein Investmententscheid mehr, das war ein öffentliches Bekenntnis: Microsoft positionierte sich als KI-Unternehmen. Satya Nadellas früheres Motto 'Mobile First, Cloud First' wurde still durch 'AI First' ersetzt — nicht durch einen offiziellen Slogan, sondern durch die Produktentscheidungen der folgenden 18 Monate.
Im Februar 2023 startete Microsoft Bing mit GPT-4-Integration. Die Reaktion der Presse war begeistert. Die tatsächliche Marktdurchdringung blieb bescheiden — Google hält noch immer über 90 Prozent des Suchmarkts. Aber Bing war nicht das Ziel. Bing war die Demonstration, dass Microsoft KI in Produkte integrieren kann. Der eigentliche Schachzug folgte später.
Satya Nadella und die strategische Neuausrichtung
Satya Nadella, seit 2014 CEO von Microsoft, hat in seiner Amtszeit bereits eine erfolgreiche Transformation vollzogen: von einem Unternehmen, das hauptsächlich Windows und Office verkaufte, zu einem Cloud-Konzern, dessen wichtigstes Produkt Azure ist. KI ist die zweite Transformation — und diesmal geht es schneller. Nadellas öffentliche Aussagen zu KI sind bemerkenswert konkret: Er beschreibt KI nicht als Produktfeature, sondern als neue Rechenebene — vergleichbar mit der Einführung von Client-Server-Architektur in den 1990er Jahren oder dem Übergang zu Cloud in den 2010er Jahren.
Was Nadella richtig eingeschätzt hat und was viele Beobachter unterschätzten: Generative KI ist keine neue Produktkategorie, die neben bestehende Produkte gestellt wird. Sie ist eine Eigenschaft, die bestehende Produkte verändert — so wie das Hinzufügen von Internetfähigkeit in den 1990er Jahren jedes Softwareprodukt verändert hat. Wer das früh versteht, hat einen strukturellen Vorteil, der sich nicht durch ein einzelnes Investment einholen lässt. GitHub Copilot war das am schnellsten wachsende Produkt in der Geschichte von GitHub — und GitHub selbst gehörte Microsoft erst seit 2018.
Für Sie als Entscheider bedeutet das: Microsoft wird nicht damit aufhören, KI in alle seine Produkte zu integrieren. Das ist keine Option mehr, die evaluiert wird — es ist die Richtung des Unternehmens. Die Frage ist nicht, ob Microsoft KI in Ihre Infrastruktur bringt, sondern wie Sie damit umgehen, wenn es passiert. Und es passiert bereits.
Das Branding-Problem: Fünf Produkte, ein Name
Microsoft hat im Jahr 2023 eine Entscheidung getroffen, die aus Marketingperspektive nachvollziehbar, aus Kundenperspektive aber eine Quelle dauerhafter Verwirrung ist: Alles, was KI enthält, heißt 'Copilot'. Das ist die Marke. Der Inhalt dahinter ist radikal unterschiedlich.
GitHub Copilot für Entwickler gibt es seit 2022 und hat mit Microsoft 365 Copilot für Wissensarbeiter nichts gemein außer dem Namen — und dem Umstand, dass beide auf OpenAI-Modellen basieren. Copilot Studio ist wieder etwas anderes: ein Low-Code-Tool, mit dem eigene KI-Agenten gebaut werden können. Copilot for Security richtet sich an SOC-Analysten und ist in Microsoft Sentinel integriert. Copilot+ schließlich bezeichnet KI-fähige Windows-Geräte mit Neural Processing Unit. Fünf Produkte, ein Name — das ist Branding-Strategie, keine Produktarchitektur.
Das Ergebnis in der Praxis: Wenn in einer Führungsrunde jemand sagt 'wir sollten Copilot einsetzen', weiß niemand genau, worüber gesprochen wird. IT-Budgets werden für das falsche Produkt geplant, Pilotprojekte starten mit falschen Erwartungen, und Governance-Überlegungen setzen am falschen Punkt an. Die Faustregel für jedes Meeting: Klären Sie zuerst, über welches Copilot-Produkt gesprochen wird. Das allein verhindert mehr Fehler als die meisten KI-Schulungen.
Abb. 1.2 — Microsoft KI-Zeitstrahl 2019–2024: Von der ersten OpenAI-Beteiligung bis Copilot+
November 2023: Copilot für alle — 30 Dollar pro Kopf und Monat
Im November 2023 wurde Microsoft 365 Copilot allgemein verfügbar. Preis: 30 US-Dollar pro Nutzer und Monat, on top zu bestehenden M365-Lizenzen. Das war der Moment, an dem KI zu einer Beschaffungsentscheidung wurde — und nicht mehr nur zu einem Strategiethema.
Seitdem hat Microsoft das Portfolio konsequent erweitert. GitHub Copilot für Entwickler, Copilot for Security für IT-Sicherheitsteams, Copilot Studio für die Erstellung eigener KI-Agenten, Copilot+ als Bezeichnung für KI-integrierte Hardware. Und wer jetzt den Überblick verloren hat: Das ist normal. Microsoft hat in weniger als zwei Jahren mehr KI-Produkte unter dem Namen 'Copilot' gestartet als die meisten Unternehmen in einem Jahrzehnt an IT-Projekten.
Der Name 'Copilot' ist dabei keine Produktbezeichnung mehr — er ist eine Marke, die auf alles angewendet wird, was bei Microsoft KI enthält. Das ist für Endanwender verwirrend, für IT-Abteilungen eine Quelle dauerhafter Verwirrung und für Lizenzentscheidungen ein eigenes Kapitel. Spoiler: Sie bekommen dieses Kapitel. Es ist Kapitel 9.
Tabelle 1.1 — Microsoft KI-Meilensteine 2019–2024
|
Jahr |
Ereignis |
Bedeutung für Unternehmen |
|---|---|---|
|
2019 |
1 Mrd. $ Investment in OpenAI |
Strategische Partnerschaft — noch kein Produkt |
|
2020 |
GPT-3-Exklusivlizenz |
Microsoft sichert sich Technologievorsprung |
|
2021 |
Azure OpenAI Service Preview |
Enterprise-Zugang zu GPT — für Entwickler |
|
Nov 2022 |
ChatGPT Launch (OpenAI) |
Massenwirkung KI — Vorstand beginnt zu fragen |
|
Jan 2023 |
10 Mrd. $ Folgeinvestition |
Kein Zurück mehr — Microsoft ist KI-Unternehmen |
|
Feb 2023 |
Bing mit GPT-4 |
Demo-Effekt — aber kein Marktanteilsgewinn |
|
Mar 2023 |
Microsoft 365 Copilot angekündigt |
KI in Ihrem Posteingang — bald |
|
Nov 2023 |
M365 Copilot GA: 30 $/Nutzer/Monat |
Jetzt ist es eine Beschaffungsentscheidung |
|
2024 |
Copilot+, Agenten, Wave-Releases |
Monatliche Feature-Updates — Tempo steigt |
Tabelle 1.1 — Microsoft KI-Meilensteine: Von der ersten Investition bis zum aktuellen Produktportfolio
Abb. 1.6 — Microsoft KI-Investitionen 2019–2024: 13-faches Wachstum in fünf Jahren
1.2 Das Portfolio: Was Microsoft mit 'KI' alles meint
Wenn Ihr Vorstand fragt, ob Sie 'Microsoft KI' einsetzen, und Sie mit 'Ja' antworten, haben Sie damit noch nichts Konkretes gesagt. Microsoft betreibt heute mindestens fünf verschiedene Produktlinien unter dem Begriff KI — und jede davon hat andere Zielgruppen, andere Lizenzmodelle und andere Compliance-Anforderungen.
Microsoft 365 Copilot — der Einstieg für Wissensarbeiter
Microsoft 365 Copilot ist das Produkt, das die meisten Entscheider meinen, wenn sie über 'Copilot' sprechen. Es ist in Word, Excel, PowerPoint, Outlook und Teams integriert und kann auf Ihre Unternehmensdaten zugreifen — über die Microsoft Graph API. Das bedeutet: Copilot sieht alles, auf das Sie Zugriffsrechte haben.
Preis: 30 US-Dollar pro Nutzer und Monat, zusätzlich zu einer bestehenden Microsoft 365 E3- oder E5-Lizenz. Minimum ist seit Januar 2024 aufgehoben — früher waren 300 Lizenzen Pflicht, jetzt kann auch ein Einzelplatz lizenziert werden. Das macht die Entscheidung zwar einfacher, aber nicht unbedingt günstiger.
Azure OpenAI Service — für Entwickler, nicht für Endanwender
Der Azure OpenAI Service ist das Gegenteil von M365 Copilot: kein fertiges Produkt, sondern eine API. Unternehmen greifen per Programmcode auf GPT-4o, DALL-E, Whisper und andere Modelle zu und integrieren diese in eigene Anwendungen. Das Besondere gegenüber der direkten OpenAI-API: Die Daten verlassen nicht die Azure-Umgebung des Kunden, Microsoft verpflichtet sich in seinen Vertragsklauseln auf strikten Datenschutz, und die Modelle werden nicht mit Kundendaten nachtrainiert.
Für wen ist das relevant? Für IT-Abteilungen, die eigene KI-gestützte Anwendungen entwickeln wollen — etwa einen internen Wissens-Chatbot, ein automatisiertes Dokumenten-Klassifizierungssystem oder eine KI-gestützte Suchfunktion für das Intranet. Azure OpenAI ist kein Einsteigerprodukt: Es erfordert Entwicklungskompetenz und eine klare Architekturentscheidung.
Copilot Studio — eigene KI-Agenten ohne Programmierkenntnisse
Copilot Studio (früher: Power Virtual Agents) erlaubt es, eigene KI-Agenten zu bauen — ohne tiefe Programmierkenntnisse. Ein Unternehmen kann hier beispielsweise einen HR-Assistenten erstellen, der Mitarbeitern häufige Fragen zu Urlaubsregelungen beantwortet, oder einen internen IT-Helpdesk-Bot, der auf die eigene Wissensdatenbank zugreift.
Copilot Studio-Agenten können in Teams, auf Websites oder in anderen Kanälen veröffentlicht werden. Die Kosten sind komplex: Es gibt ein Tenant-Modell und ein Nachrichten-basiertes Abrechnungsmodell. Wer hier ohne Planung startet, erlebt Überraschungen auf der Rechnung — mehr dazu in Kapitel 9.
GitHub Copilot — KI für Entwickler
GitHub Copilot ist für Softwareentwickler das, was M365 Copilot für Wissensarbeiter ist: ein KI-Assistent, der direkt in der Entwicklungsumgebung arbeitet. GitHub Copilot ergänzt Code, schlägt Funktionen vor, erklärt fremden Code und hilft bei der Fehlersuche. Studien zeigen Produktivitätssteigerungen von 30 bis 50 Prozent bei bestimmten Aufgabentypen.
Für IT-Leiter, die Softwareentwicklung verantworten, ist GitHub Copilot oft der einfachste Einstieg in generative KI — weil die Zielgruppe klar ist, die Nutzung gut messbar ist und das Datenschutzrisiko überschaubar bleibt (es werden nur Codedateien verarbeitet, keine Business-Daten).
Copilot for Security — KI für das SOC
Copilot for Security ist ein eigenständiges Produkt für IT-Sicherheitsteams. Es ist in Microsoft Sentinel, Defender und Intune integriert und kann Sicherheitsereignisse analysieren, Angriffsmuster erkennen und Gegenmaßnahmen vorschlagen. Das Produkt ist teuer — es wird per Security Compute Unit abgerechnet — und setzt eine gewisse Reife der Security-Infrastruktur voraus.
Für CISOs, die ohnehin auf Microsoft Security setzen, ist es ein Werkzeug, das die Analyse-Kapazität des Teams erweitern kann, ohne neue Mitarbeiter einstellen zu müssen. Realistisches Einsatzszenario: Ein Sicherheitsanalyst bekommt KI-generierte Zusammenfassungen von Incidents, muss aber die endgültige Entscheidung weiterhin selbst treffen. Mehr dazu in Kapitel 8.
Azure AI Studio und Azure Machine Learning — die Entwicklerplattform
Jenseits von Azure OpenAI gibt es mit Azure AI Studio eine vollständige Entwicklungsumgebung für KI-Applikationen. Hier können Unternehmen nicht nur auf fertige Modelle zugreifen, sondern eigene Modelle trainieren, Fine-Tuning betreiben, Promptflow-Workflows erstellen und RAG-Architekturen aufbauen. RAG — Retrieval Augmented Generation — ist das Prinzip, das hinter vielen Enterprise-KI-Lösungen steckt: Das Sprachmodell bekommt nicht nur die Anfrage, sondern auch relevante Dokumente aus dem eigenen Wissensspeicher — und kann so präzisere, unternehmensspezifische Antworten liefern.
Azure Machine Learning, das ältere Geschwisterprodukt, richtet sich an Data Scientists und ML-Ingenieure, die eigene Modelle in Produktionsumgebungen betreiben wollen. Es unterstützt MLOps — also die Industrialisierung von Machine-Learning-Prozessen — und ist für Unternehmen relevant, die bereits eigene KI-Modelle entwickeln oder vorhaben, dies zu tun. Für die meisten Entscheider in mittleren und großen Unternehmen ist Azure Machine Learning zunächst nachrangig. Es wird relevant, wenn ein Unternehmen die nächste Stufe erreicht: eigene KI-Applikationen statt vorkonfigurierter Produkte.
Power Platform KI — Automatisierung für alle
Die Power Platform — Power Automate, Power Apps, Power BI — hat Microsoft schrittweise mit KI-Funktionen ausgestattet. Power Automate kann seit 2023 natürlichsprachliche Prozessbeschreibungen in automatisierte Workflows übersetzen. Power Apps generiert auf Basis von Textbeschreibungen einfache Applikationen. Power BI bietet mit Copilot die Möglichkeit, Datenanalysen in natürlicher Sprache abzufragen und Berichte in Sekunden zu generieren.
Für Unternehmen, die bereits intensiv auf die Power Platform setzen, sind diese KI-Funktionen oft der niedrigschwelligste Einstieg: Die Plattform ist bekannt, die Governance ist aufgebaut, die Nutzer sind geschult. KI-Features werden als Erweiterung wahrgenommen, nicht als neues Produkt. Das ist ein strategischer Vorteil, den viele Unternehmen noch nicht systematisch nutzen. Power BI Copilot zum Beispiel kann erfahrungsgemäß die Zeit für die Erstellung von Standardberichten erheblich reduzieren — sofern die Datenqualität stimmt. Letzteres ist meistens der bremsende Faktor.
Wo beginnt KI und wo endet Marketing?
Eine ehrliche Einordnung: Nicht alles, was Microsoft als KI vermarktet, ist generative KI oder ein Large Language Model. Einige Features, die unter dem Copilot-Label laufen, sind hochwertige Automatisierungen oder statistisches Machine Learning — Technologien, die bereits vor dem GPT-Zeitalter existierten. Das macht diese Features nicht wertlos, aber es ist wichtig, die Unterschiede zu verstehen, weil sie unterschiedliche Governance-Anforderungen und Datenschutzfragen aufwerfen.
Generative KI — also Systeme, die neue Inhalte erzeugen können: Texte schreiben, Code generieren, Zusammenfassungen erstellen, Bilder produzieren — ist das, was den wirklichen Paradigmenwechsel darstellt. Klassisches Machine Learning, also Anomalieerkennung, Klassifizierung, Vorhersagemodelle, ist wertvoll und in vielen Microsoft-Produkten schon seit Jahren enthalten. Der wesentliche Unterschied für Datenschutz und Compliance: Generative KI verarbeitet und reproduziert möglicherweise Informationen in einer Weise, die bei klassischem ML nicht auftritt. Eine DSFA kann für generative KI in vielen Fällen Pflicht sein — mehr dazu in Kapitel 6.
Was das für Sie bedeutet: Wenn ein Anbieter oder ein internes Team mit 'KI-Features' argumentiert, fragen Sie konkret: Handelt es sich um generative KI auf Basis eines Large Language Models? Oder um traditionelle Automatisierung mit neuem Label? Die Antwort ändert nichts an der Nützlichkeit — aber sie ändert die Governance-Anforderungen erheblich.
|
ℹ️ TECHNISCHER HINTERGRUND — Microsoft Copilot vs. Azure OpenAI vs. Copilot Studio: Der Unterschied auf einen Blick |
|---|
|
Microsoft 365 Copilot
Azure OpenAI Service
Copilot Studio
Die häufigste Verwechslung: Viele meinen 'Azure OpenAI', wenn sie sagen 'Copilot' — und umgekehrt. Klären Sie in jedem Meeting zuerst, über welches Produkt Sie sprechen. |
Abb. 1.3 — Microsoft KI-Produktvergleich: M365 Copilot, Azure OpenAI, Copilot Studio im direkten Vergleich
Tabelle 1.2 — Copilot-Varianten im Überblick
|
Produkt |
Zweck |
Zielgruppe |
Lizenzmodell |
|---|---|---|---|
|
M365 Copilot |
KI in Office-Apps + Teams |
Wissensarbeiter |
30 $/Nutzer/Monat |
|
Azure OpenAI |
KI-API für eigene Apps |
Entwickler |
Token-basiert |
|
Copilot Studio |
Eigene Agenten bauen |
IT/Power-User |
~200 $/Monat + Messages |
|
GitHub Copilot |
Code-Assistent |
Softwareentwickler |
19–39 $/Nutzer/Monat |
|
Copilot for Security |
Sicherheitsanalyse |
SOC/CISO-Teams |
Per Security Compute Unit |
|
Copilot+ |
KI in Windows-Geräten |
Endanwender (Hardware) |
Im Gerät enthalten |
|
Copilot (Bing/Web) |
Öffentlicher KI-Assistent |
Alle Internetnutzer |
Kostenlos / Pro-Version |
Tabelle 1.2 — Die Copilot-Familie: Sieben Produkte unter einem Namen — mit sehr unterschiedlichen Anforderungen
Tabelle 1.3 — Wettbewerbsvergleich: Microsoft vs. Google vs. Salesforce vs. SAP
|
Kriterium |
Microsoft Copilot |
Google Workspace AI |
Salesforce Einstein |
SAP Business AI |
|---|---|---|---|---|
|
KI-Modell |
GPT-4o (OpenAI) |
Gemini (eigene Entwicklung) |
GPT-4 + eigene LLMs |
Eigene + Partner-Modelle |
|
Integration |
Tief in M365 + Azure |
Tief in Google Workspace |
Tief in Salesforce CRM |
Tief in SAP ERP/S4HANA |
|
Datenschutz EU |
EU Data Boundary |
EU-Rechenzentren verfügbar |
Abhängig von Konfiguration |
Clean Core-Prinzip |
|
Preis/Nutzer |
~30 $/Monat |
~30 $/Monat (Duet AI) |
Variable, CRM-abhängig |
Im SAP-Vertrag enthalten |
|
Marktposition |
Marktführer Enterprise |
Stark bei Google-Kunden |
Stark bei CRM-Prozessen |
Stark bei ERP-Kunden |
|
Empfehlung für |
M365-Kunden |
Google Workspace-Kunden |
Salesforce-Kunden |
SAP-Kunden |
Tabelle 1.3 — Wettbewerbsvergleich KI-Suites: Microsoft, Google, Salesforce und SAP im direkten Gegenüber
Abb. 1.5 — Chatbot vs. Microsoft Copilot: Warum Copilot kein Chatbot ist — und was das für Ihre Vorbereitung bedeutet
Abb. 1.7 — Marktpositionierung KI-Anbieter 2024: Enterprise-Integration vs. KI-Fähigkeit
|
💡 TIPP — Wie Sie den Überblick im Microsoft-KI-Portfolio behalten |
|---|
|
Drei Fragen klären neunzig Prozent der Verwirrung:
Wenn jemand in einem Meeting sagt 'wir wollen Copilot einsetzen', stellen Sie diese drei Fragen. Sie sparen sich damit mindestens zwei Folgemeetings.
Für einen Schnellüberblick: Tabelle 1.2 in diesem Kapitel gibt Ihnen alle wesentlichen Unterschiede auf einer Seite. |
1.3 Warum 'wir schauen erst mal' keine Strategie ist
'Wir beobachten das.' Diese vier Wörter haben in den letzten zwei Jahren in mehr Führungsrunden gestanden als jede andere KI-bezogene Aussage. Sie klingen klug. Sie klingen bedacht. Sie klingen, als hätte jemand eine fundierte Entscheidung getroffen. Meistens ist das Gegenteil der Fall.
'Wir beobachten das' ist keine neutrale Position. Es ist eine aktive Entscheidung — mit konkreten Konsequenzen. Während ein Unternehmen beobachtet, läuft die Zeit. Und in dieser Zeit passieren Dinge, die sich später nur noch schwer korrigieren lassen.
Shadow AI: Die Entscheidung haben Ihre Mitarbeiter schon getroffen
Laut verschiedenen Markterhebungen aus 2023 und 2024 nutzen zwischen 35 und 45 Prozent aller Büroangestellten in Deutschland KI-Tools im Arbeitsalltag — davon ein erheblicher Teil ohne Wissen oder Genehmigung des Arbeitgebers. Sie geben Texte in ChatGPT ein. Sie nutzen kostenlose KI-Tools für Übersetzungen. Sie lassen Kundendaten von Gratis-KI-Diensten zusammenfassen.
Das ist nicht Aufmüpfigkeit — das ist Effizienz. Mitarbeiter lösen Probleme mit den Mitteln, die verfügbar sind. Wenn das Unternehmen keine offizielle KI-Lösung bereitstellt, bauen Mitarbeiter sich selbst eine — mit Tools, über die die IT-Abteilung keine Kontrolle hat, die möglicherweise keine Datenschutzgarantien bieten, und die in keiner Datenschutz-Folgenabschätzung auftauchen.
Das offizielle Bild — Copilot-Adoptionsrate von circa drei Prozent — trügt vollständig. Der reale Anteil der Mitarbeiter, die täglich KI nutzen, liegt um ein Vielfaches höher. Der Unterschied: Die drei Prozent tun es mit einem lizenzierten, kontrollierten, DSGVO-konformen Tool. Die anderen tun es mit Tools, die niemand überprüft hat.
|
⚠️ RISIKO — Shadow AI: Wenn Mitarbeiter der IT-Abteilung vorauseilen |
|---|
|
Konkrete Risiken unkontrollierter KI-Nutzung:
Was hilft: Nicht verbieten — das funktioniert nicht. Stattdessen: Eine offizielle, sichere Alternative bereitstellen und kommunizieren, dass diese genutzt werden soll. Mehr dazu in Kapitel 4 (Governance) und Kapitel 5 (Betriebsrat).
Zahlen zum Einordnen: In einer Studie von 2023 gaben 48% der befragten Mitarbeiter an, vertrauliche Arbeitsinformationen in KI-Tools eingegeben zu haben. 68% dieser Mitarbeiter wussten nicht, dass ihre Eingaben für Modelltraining genutzt werden könnten. |
Abb. 1.4 — Adoption-Realität: Offizielle Copilot-Rate bei 3% — inoffizielle KI-Nutzung deutlich höher
Was in der Zwischenzeit bei der Konkurrenz passiert
Der Abwartende hat eine implizite Annahme: Dass die Welt stehenbleibt, während er beobachtet. Diese Annahme ist falsch.
Wettbewerber, die jetzt KI in ihre Prozesse integrieren, sammeln Erfahrungen, die sich nicht kaufen lassen. Sie wissen, welche Anwendungsfälle funktionieren und welche nicht. Sie haben gelernt, wie man Mitarbeiter von KI-Tools überzeugt. Sie haben Governance-Strukturen aufgebaut, die funktionieren. In zwölf oder achtzehn Monaten haben diese Unternehmen einen Vorsprung, der sich in realen Produktivitätsunterschieden und möglicherweise in Personalentscheidungen niederschlägt — denn qualifizierte Mitarbeiter wählen zunehmend Arbeitgeber, die technologisch auf Augenhöhe sind.
Das ist keine Panikmache. Es ist eine nüchterne Einschätzung: In einer Welt, in der ein Tool für 30 Dollar pro Monat die Arbeitsproduktivität einzelner Wissensarbeiter um 20 bis 30 Prozent erhöht — auch wenn die Zahlen je nach Untersuchung schwanken —, ist das Abwarten kein risikoloses Verhalten. Es ist eine Entscheidung, deren Kosten man nur nicht sofort auf der Rechnung sieht.
Die Halbwertszeit des Beobachtens
Ende 2022 war Abwarten eine vernünftige Haltung — die Technologie war neu, die Produkte waren unreif, die Rechtslage war unklar. Ende 2023 war Abwarten noch zu verteidigen — man konnte auf fehlende EU-Data-Boundary-Optionen oder unreifes Lizenzmodell verweisen. Ende 2024 ist Abwarten eine Entscheidung, die man vor dem Vorstand, dem Betriebsrat und den eigenen Mitarbeitern begründen muss.
Die Argumente, die 2022 für Abwarten sprachen, sind größtenteils weggefallen. M365 Copilot ist reif. Die EU Data Boundary ist verfügbar. Der AI Act ist in Kraft. DSGVO-Leitlinien für KI werden konkreter. Lizenzmodelle sind gestaffelt und zugänglich. Was bleibt, ist Unsicherheit — aber Unsicherheit ist kein Argument für Stillstand.
Die echten Kosten des Abwartens
Abwarten hat einen Preis. Dieser Preis erscheint auf keiner Rechnung — deshalb wird er systematisch unterschätzt. Er setzt sich aus drei Komponenten zusammen, die selten gemeinsam betrachtet werden.
Die erste Komponente ist der Produktivitätsnachteil. Wenn ein Wissensarbeiter durch KI-Unterstützung täglich eine Stunde Routinearbeit einspart — Zusammenfassungen erstellen, E-Mails formulieren, Recherchen beschleunigen —, entspricht das bei 200 Arbeitstagen 25 Arbeitstagen pro Jahr und Mitarbeiter. Ob diese Zahl realistisch ist, hängt stark vom Aufgabenprofil ab. Selbst bei einem Drittel dieser Annahme sind die Zahlen bei 100 Mitarbeitern bedeutsam: über 800 Arbeitstage jährlich.
Die zweite Komponente ist das Qualifikationsgefälle. Mitarbeiter, die KI-Tools routiniert einsetzen, entwickeln Fähigkeiten, die sich nicht in einer Schulungsstunde nachholen lassen. Prompt-Engineering, kritisches Bewerten von KI-Outputs, effiziente Nutzung von Copilot-Features in Excel oder Word — das ist Erfahrungswissen, das sich in Monaten aufbaut. Ein Unternehmen, das ein Jahr wartet, hat einen Qualifikationsrückstand, der nicht durch eine einmalige Schulungsmaßnahme geschlossen wird.
Die dritte Komponente ist die Arbeitgeberattraktivität. Qualifizierte Fachkräfte, die mit KI-Tools vertraut sind, wählen Arbeitgeber, die diese Tools bereitstellen und fördern — nicht Unternehmen, die noch evaluieren, ob das ein Hype ist. In Recruiting-Gesprächen wird die Frage nach verfügbaren Tools zunehmend gestellt. Copilot ist dabei nicht der einzige relevante Faktor, aber er ist ein sichtbares Signal für die technologische Reife eines Unternehmens.
Was 'wir beobachten das' wirklich bedeutet
In der Praxis bedeutet 'wir beobachten das' meistens eines von drei Dingen: Erstens — und am häufigsten — bedeutet es, dass die Entscheidung auf die lange Bank geschoben wird, weil sie komplex ist und konkurrierende Prioritäten hat. Das ist menschlich verständlich, ändert aber nichts daran, dass die Konsequenzen trotzdem eintreten.
Zweitens bedeutet es manchmal, dass die Entscheidungsebene das Thema für weniger dringend hält als die operative IT-Ebene. In diesem Fall ist das Problem kein Abwarten — es ist ein Kommunikationsproblem. Die IT-Abteilung hat nicht überzeugend genug erklärt, warum das Thema jetzt relevant ist. Dieses Buch ist unter anderem dafür gedacht, diese Überzeugungsarbeit zu erleichtern — mit Zahlen, Fallbeispielen und konkreten Szenarien.
Drittens — und das ist die beste Version des 'Beobachtens' — bedeutet es, dass ein Unternehmen systematisch evaluiert: Was ist der richtige Zeitpunkt? Welche Voraussetzungen müssen erfüllt sein? Wer trägt die Verantwortung? Diese Form des Abwartens ist keine Untätigkeit — sie ist Vorbereitung. Der Unterschied zur ersten und zweiten Variante: Es gibt ein konkretes Datum, zu dem die Entscheidung getroffen wird, und konkrete Kriterien, nach denen entschieden wird. Wenn Sie sich in dieser dritten Variante wiedererkennen: Dieses Buch ist für Sie, um diese Evaluationsphase abzukürzen.
Tabelle 1.4 — KI-Strategie-Reifegrad: Fünf Stufen mit konkreten Risiken und Empfehlungen
|
Stufe |
Typische Aussage |
Konkretes Risiko |
Empfehlung |
|---|---|---|---|
|
1 — Ignorieren |
'Das ist ein Hype' |
Shadow AI unkontrolliert aktiv, Datenschutzvorfälle möglich |
Sofort: Bestandsaufnahme Shadow AI |
|
2 — Beobachten |
'Wir schauen erst mal' |
Wettbewerber sammeln Erfahrungen, Mitarbeiter nutzen externe Tools |
Kap. 2: Standortbestimmung durchführen |
|
3 — Testen |
'Wir haben einen Pilot' |
Pilot ohne Ziel endet ergebnislos, kein Governance-Rahmen |
Kap. 4: Governance-Framework aufbauen |
|
4 — Pilotieren |
'Wir skalieren nach dem Piloten' |
Piloten in Silos, kein zentrales Reporting, Kosten unbekannt |
Kap. 9: Kostenstruktur analysieren |
|
5 — Skalieren |
'KI ist Teil unserer DNA' |
Tempo vs. Compliance-Druck, AI Act ab 2026 |
Kap. 6+7: DSGVO und AI Act prüfen |
Tabelle 1.4 — KI-Strategie-Reifegrad: Wo stehen Sie — und was sind die Risiken jeder Stufe?
Abb. 1.8 — KI-Strategie-Reifegrad: Fünf Stufen von Ignorieren bis Skalieren — jede Stufe hat ihren Preis
|
🏢 FALLSTUDIE — Musterwerk GmbH: 18 Monate 'erstmal schauen' — eine Bilanz |
|---|
|
Thomas Berger ist IT-Leiter bei der Musterwerk GmbH, einem Maschinenbauer mit 800 Mitarbeitern in Dortmund. Er kennt seine Infrastruktur gut. Er hat SharePoint 2016 auf Microsoft 365 migriert, Exchange läuft stabil, Teams ist im Einsatz seit 2020. Seine Umgebung ist solide — und in vielen Bereichen gewachsen und undokumentiert.
Ende 2022 fragte die Geschäftsführung nach KI. Thomas Berger antwortete ehrlich: 'Wir beobachten das und evaluieren Optionen.' Das war korrekt. Das war vernünftig.
Zwölf Monate später: Die Geschäftsführung fragte erneut. Thomas Berger hatte noch immer keine Antwort — weil er in der Zwischenzeit anderes zu tun hatte. Betrieb. Migration. Teams-Rollout. Die typische IT-Leiter-Realität: Das Dringende verdrängt das Wichtige.
Was in dieser Zeit passiert war, ohne dass Thomas Berger es bemerkte:
Als Thomas Berger das Ausmaß erkannte, war sein erster Impuls ein Verbot. Sein zweiter Impuls — nach einem langen Gespräch mit dem Datenschutzbeauftragten — war eine Bestandsaufnahme, gefolgt von einer klaren Richtlinie und einer offiziellen Alternative.
Das Ergebnis: Musterwerk ist heute an Reifegrad-Stufe 3. Der Pilot läuft. Thomas Berger schläft besser. Der Verbotsimpuls wäre die schlechteste aller Optionen gewesen.
Was Sie daraus mitnehmen sollten: Das Problem ist nicht, dass Mitarbeiter KI nutzen. Das Problem ist, wenn sie es unkontrolliert tun. |
1.4 Wie dieses Buch aufgebaut ist
Dieses Buch folgt einer Logik, die sich an der Entscheidungsreihenfolge orientiert, die in der Praxis sinnvoll ist. Sie müssen nicht von vorne nach hinten lesen — aber es schadet nicht.
Die Kapitelstruktur im Überblick
Kapitel 1 (dieses) gibt den Überblick: Was ist Microsoft KI, wo steht der Markt, warum ist Abwarten eine Entscheidung.
Kapitel 2 hilft Ihnen bei der ehrlichen Standortbestimmung: Wo stehen Sie wirklich? Nicht wo Sie glauben zu stehen — sondern was wirklich in Ihrer Umgebung aktiv ist, wer was nutzt und welche Lücken Sie haben.
Kapitel 3 erklärt technisch präzise, wie Copilot auf Ihre Daten zugreift — über die Microsoft Graph API, über Berechtigungsstrukturen, und warum das mehr bedeutet als 'die KI liest Ihre E-Mails'. Das ist Pflichtlektüre für IT-Leiter und DSBs.
Kapitel 4 ist das zentrale Arbeitskapitel: Wie Sie ein Governance-Framework aufbauen, das nicht im ersten Quartal in der Schublade verschwindet. Mit konkreten Vorlagen, Rollendefinitionen und Entscheidungswegen.
Kapitel 5 behandelt das Thema, das oft vergessen wird, bis es zu spät ist: Betriebsrat und Belegschaft. Mitbestimmungsrechte, Betriebsvereinbarungen, Change-Management.
Kapitel 6 und 7 sind für DSBs und Compliance-Verantwortliche: Was die DSGVO von Ihnen verlangt, bevor Copilot live geht — und was der EU AI Act konkret bedeutet.
Kapitel 8 richtet sich an CISOs: Angriffsvektoren, Prompt Injection, KI als Waffe — und wie Copilot for Security helfen kann.
Kapitel 9 rechnet nach: Was Sie wirklich zahlen — inklusive aller Positionen, die in keinem Microsoft-Angebot stehen.
Kapitel 10 und 11 schließen den Kreis: Wie Sie die richtige Entscheidung treffen und worauf Sie sich vorbereiten sollten — auch wenn Sie heute noch keinen Copilot haben.
Tabelle 1.5 — Welche Kapitel für welche Rolle besonders relevant sind
|
Ihre Rolle |
Priorität-Kapitel |
Warum? |
|---|---|---|
|
CISO |
Kap. 3, 8, 6, 7 |
Zugriff, Angriffsvektoren, DSGVO, AI Act — die vier Kernthemen der IT-Sicherheit |
|
DSB / DPO |
Kap. 3, 6, 7, 4 |
Datenzugriff verstehen, DSGVO-Pflichten, AI Act-Klassifizierung, Governance |
|
IT-Leiter |
Alle Kapitel |
Technische, rechtliche und strategische Dimension — alles relevant |
|
CIO |
Kap. 1, 2, 4, 9, 10 |
Überblick, Standort, Governance, Kosten, Entscheidung |
|
CFO |
Kap. 9, 2, 10 |
Was kostet es wirklich? Wo stehen wir? Wie entscheiden wir strukturiert? |
|
HR-Leiter |
Kap. 5, 4, 7 |
Betriebsrat, Governance-Rollen, AI Act-Nutzerpflichten |
|
Vorstand |
Kap. 1, 2, 10, 11 |
Überblick, Status quo, Entscheidungsrahmen, Ausblick |
Tabelle 1.5 — Leseanleitung nach Rolle: Wer welche Kapitel priorisieren sollte
1.5 Leseanleitung: Wie Sie dieses Buch am effektivsten nutzen
Dieses Buch ist für Menschen geschrieben, die viel zu tun haben. Es enthält keine Sätze, die um des Seitenfüllers willen stehen. Aber es enthält Struktur — und wenn Sie die Struktur verstehen, halbiert sich die Lesezeit.
Management Summary Kästen — Das Wichtigste in fünf Minuten
Jedes Kapitel beginnt mit einem Management Summary. Wenn Sie nur drei Minuten haben: Lesen Sie den. Er enthält die Kernaussagen des Kapitels in verdichteter Form — nicht als Werbetexter-Zusammenfassung, sondern als Entscheider-Briefing.
Das Ziel der Management Summary Kästen ist nicht, das Lesen zu ersetzen — es ist, das Lesen vorzubereiten. Wer zuerst die Zusammenfassung liest, versteht den Haupttext besser und schneller.
Fallstudien — Was Sie lernen können, und was nicht
Die drei Fallstudien-Unternehmen — Musterwerk GmbH, Sparfuchs & Partner und Trendforge Digital GmbH — sind fiktiv. Die Probleme, die sie haben, sind es nicht. Sie basieren auf typischen Mustern, die in realen Unternehmen beobachtbar sind.
Was Sie aus den Fallstudien lernen sollten: das Muster, nicht die Details. Musterwerk ist kein Maschinenbauer-Problem — es ist ein 'gewachsene-Strukturen-Problem'. Sparfuchs ist kein Steuerberater-Problem — es ist ein 'Compliance-trifft-Budgetknappheit-Problem'. Trendforge ist kein Softwarehaus-Problem — es ist ein 'zu-viel-Kompetenz-ohne-Entscheidungskultur-Problem'.
Das letzte davon ist übrigens häufiger als die meisten Führungskräfte zugeben würden.
Tabellen — Entscheidungshilfen, keine Dekoration
Die Tabellen in diesem Buch sind nicht Schmuck. Sie sind Entscheidungswerkzeuge. Vergleichstabellen, Risikobewertungen, Checklisten — alles verdichtet auf das Wesentliche. Wenn Sie ein Kapitel gelesen haben und die Tabellen übersehen haben, lesen Sie das Kapitel noch einmal.
Spezifisch: Die Tabellen in Kapitel 9 (Kosten) und Kapitel 10 (Entscheidungsrahmen) sind für die meisten Leser das Wertvollste im gesamten Buch. Nicht weil der Fließtext irrelevant ist — sondern weil diese Tabellen direkt in Entscheidungen einfließen können.
Risiko- und Tipp-Kästen — Kontext zu den Hauptaussagen
Die farbigen Kästen am Rand der Hauptaussagen geben Ihnen Kontext, den der Fließtext nicht immer liefern kann. Risiko-Kästen zeigen konkrete Konsequenzen von Fehlentscheidungen — mit realen Zahlen und Szenarien, soweit verfügbar. Tipp-Kästen sind Handlungsempfehlungen, die direkt angewendet werden können.
Die WAS JETZT ZU TUN IST-Kästen am Ende jedes Kapitels sind direkt umsetzbar. Keine vagen Empfehlungen wie 'Sie sollten KI-Governance prüfen'. Konkrete nächste Schritte, mit Zeitrahmen und Verantwortlichkeiten.
Was dieses Buch nicht ist
Dieses Buch ist kein Handbuch für Techniker. Es erklärt technische Konzepte so weit, wie ein Entscheider sie verstehen muss — aber es gibt keine Schritt-für-Schritt-Anleitungen für die Konfiguration von Azure OpenAI oder die Einrichtung von Sensitivity Labels. Dafür gibt es Microsoft-Dokumentationen, technische Berater und Ulrich Boddenbergs Beratungsangebot (Anhang K).
Dieses Buch ist auch kein Juristentext. Es enthält rechtliche Einordnungen und konkrete Handlungsempfehlungen zu DSGVO und AI Act — aber keine Rechtsberatung. Für Ihr konkretes Unternehmen in Ihrer konkreten Situation brauchen Sie weiterhin einen Datenschutzbeauftragten und für komplexe Fragen einen Anwalt. Was dieses Buch Ihnen gibt, ist die Grundlage, um mit diesen Experten fundiert zu sprechen.
Was dieses Buch ist: Die ehrliche Einschätzung einer Situation, die für viele Unternehmen komplex und dringlich zugleich ist — von jemandem, der weder etwas verkaufen noch einen Lehrstuhl verteidigen muss.
|
➡️ WAS JETZT ZU TUN IST — Fünf Maßnahmen nach Lektüre dieses Kapitels |
|---|
|
Zeitaufwand für alle fünf Punkte: eine bis zwei Stunden. Das ist weniger als das Meeting, in dem Ihr Vorstand zuletzt über KI-Strategie gesprochen hat — mit weniger Ergebnis. |
KAPITEL 2