Was sollte vor dem
KI-Einsatz beachtet werden?

Künstliche Intelligenz wird häufig mit Anwendungen wie ChatGPT gleichgesetzt. Das greift jedoch zu kurz. Sprachmodelle sind zwar ein sehr sichtbares Beispiel für KI, sie bilden aber nur einen Teilbereich eines deutlich breiteren technologischen Feldes. KI-Systeme können sehr unterschiedliche Aufgaben übernehmen: Sie können Muster in Daten erkennen, Prognosen erstellen, Vorschläge generieren, Entscheidungen unterstützen oder bestimmte Abläufe teilweise automatisieren.

Ein zentrales Merkmal von KI-Systemen ist ihre Lernfähigkeit. Anders als klassische Software, die meist festen Regeln folgt, kann ein KI-System aus Daten lernen. Es wird also nicht jeder mögliche Einzelfall vorab programmiert. Stattdessen erkennt das System in vorhandenen Daten Zusammenhänge und nutzt diese, um auf neue Situationen zu reagieren. Ein einfaches Beispiel aus der Logistik ist ein System, das auf Basis historischer Verkaufs- oder Bestandsdaten Bestellvorschläge erstellt. Während ein regelbasiertes System dafür feste Meldebestände oder Bestellmengen benötigt, kann ein KI-basiertes System Muster aus vergangenen Entwicklungen ableiten.

Ein weiteres wichtiges Merkmal ist eine gewisse Autonomie. Damit ist nicht gemeint, dass KI völlig selbstständig und ohne Kontrolle handeln sollte. Gemeint ist vielmehr, dass das System innerhalb eines klar definierten Aufgabenbereichs selbstständig Empfehlungen oder Ergebnisse erzeugt. Es kann zum Beispiel eine Lieferzeit prognostizieren, eine Route vorschlagen oder eine auffällige Abweichung in Bestandsdaten erkennen.

Für Unternehmen ist wichtig zu verstehen, dass KI nicht zwingend als „KI“ sichtbar sein muss. Manche Funktionen in bestehenden ERP-, Lager- oder Transportmanagementsystemen nutzen bereits KI-Methoden, ohne dass Nutzer:innen dies unmittelbar erkennen. Automatische Dokumentenerkennung, Tourenvorschläge, Prognosemodule oder Forecast-and-Replenishment-Funktionen können bereits KI-Komponenten enthalten.

Für KMU bedeutet das: Der Einstieg in KI beginnt nicht zwingend mit einer völlig neuen Technologie. Oft lohnt sich zunächst ein Blick auf bestehende Systeme und Prozesse. Möglicherweise werden bereits Anwendungen genutzt, die KI-ähnliche Funktionen enthalten. Gleichzeitig hilft ein grundlegendes Verständnis von KI dabei, realistische Erwartungen zu entwickeln. KI ist kein magisches Werkzeug, sondern ein datenbasiertes System, das innerhalb klarer Grenzen nützlich sein kann.

Ob KI für ein Unternehmen relevant ist, hängt nicht davon ab, ob KI gerade als Trendthema diskutiert wird. Entscheidend ist, ob es im Unternehmen Aufgaben gibt, die durch KI sinnvoll unterstützt werden können. Es gibt einige typische Funktionen von KI-Systemen: Wahrnehmen, Erkennen, Erklären, Entscheiden, Vorhersagen, Generieren und Handeln. Diese Funktionen können in der Logistik an vielen Stellen auftreten.

In der Beschaffung kann KI beispielsweise dabei helfen, Risikolieferanten zu erkennen, Lieferzeiten vorherzusagen oder Lieferantenauswahl vorzubereiten. Im Lager- und Bestandsmanagement kann KI Füllstände erfassen, Inventurdifferenzen analysieren, Sicherheitsbestände vorschlagen oder Pick-Routen optimieren. In Produktion, Transport und Distribution können KI-Systeme Qualitätsabweichungen erkennen, Durchlaufzeiten prognostizieren, Tourenpläne generieren oder Verspätungsursachen analysieren.

Auch im Nachfragemanagement gibt es viele mögliche Einsatzfelder. KI kann etwa historische Absatzzahlen mit weiteren Einflussfaktoren kombinieren, zum Beispiel Wetter, Saisonalität oder Aktionen. Daraus können genauere Prognosen entstehen. Solche Anwendungen sind besonders relevant, wenn Entscheidungen heute noch stark auf Erfahrungswissen einzelner Personen beruhen oder wenn viele Daten vorhanden sind, deren Zusammenhänge schwer manuell zu überblicken sind.

Für KMU ist dabei wichtig: KI sollte nicht eingesetzt werden, nur weil die Technologie verfügbar ist. Relevanz entsteht erst dann, wenn ein konkreter betrieblicher Nutzen erkennbar ist. Ein Unternehmen sollte daher fragen: Wo treffen wir regelmäßig Entscheidungen unter Unsicherheit? Wo entstehen Fehler, Verzögerungen oder hohe Kosten? Wo gibt es wiederkehrende Aufgaben, die viel Zeit binden? Wo liegen große Datenmengen vor, die bisher kaum genutzt werden?

Wenn sich solche Aufgaben finden, kann KI relevant sein. Das bedeutet aber noch nicht automatisch, dass sofort ein KI-Projekt gestartet werden sollte. Zunächst muss geprüft werden, ob die Datenlage, die organisatorischen Voraussetzungen und der erwartete Nutzen ausreichend sind. KI-Relevanz ist also ein erster Hinweis, aber noch keine Umsetzungsentscheidung.

Der Nutzen von KI liegt in der Logistik vor allem darin, bestehende Prozesse besser, effizienter und transparenter zu machen. Prozessverbesserungen, Effizienzsteigerung, Kostenreduktion, Produktivitätssteigerung und bessere Entscheidungen sind besonders wichtige Nutzenkategorien. Das zeigt: KI wird meist nicht zuerst eingesetzt, um völlig neue Geschäftsmodelle zu schaffen, sondern um konkrete operative Probleme besser zu lösen.

Ein typisches Beispiel ist die Verbesserung von Prognosen. Wenn Absatzmengen, Lieferzeiten oder Kapazitätsbedarfe genauer vorhergesagt werden können, lassen sich Bestände, Personal, Transporte oder Produktionskapazitäten besser planen. Auch kleine Verbesserungen können hier wirtschaftlich relevant sein, wenn dadurch Lagerkosten sinken, Lieferfähigkeit steigt oder Engpässe früher erkannt werden.

Ein weiterer Nutzen liegt in der Unterstützung von Entscheidungen. Viele logistische Entscheidungen sind komplex, weil sie zahlreiche Einflussfaktoren berücksichtigen müssen. KI kann helfen, diese Faktoren systematischer auszuwerten und Handlungsvorschläge zu erzeugen. Die Entscheidung bleibt dabei idealerweise beim Menschen, wird aber durch bessere Informationsgrundlagen unterstützt.

Auch der Fachkräftemangel spielt eine wichtige Rolle. In vielen Unternehmen liegt wertvolles Prozesswissen bei wenigen erfahrenen Mitarbeiter:innen. Wenn diese Personen das Unternehmen verlassen, geht Wissen verloren. KI- und datenanalytische Systeme können helfen, Teile dieses Wissens sichtbar zu machen, zu dokumentieren oder in Entscheidungsprozessen nutzbar zu halten. Das ersetzt nicht die Erfahrung der Mitarbeiter:innen, kann aber helfen, Abhängigkeiten zu reduzieren.

Zusätzlich können KI-Projekte indirekte positive Effekte haben. Um ein KI-System zu entwickeln, müssen Daten oft bereinigt, strukturiert und zusammengeführt werden. Dadurch verbessert sich die Datenbasis des Unternehmens insgesamt. Auch wenn ein erstes KI-Projekt nicht sofort den erwarteten wirtschaftlichen Effekt erzielt, kann es wichtige Grundlagen für weitere datenbasierte Verbesserungen schaffen.

Für KMU ist entscheidend, den Nutzen nicht zu abstrakt zu formulieren. Aussagen wie „Wir wollen KI nutzen, um innovativer zu werden“ sind zu ungenau. Besser ist es, konkrete Ziele zu definieren: weniger manuelle Nacharbeit, geringere Bestände, bessere Liefertermintreue, schnellere Angebotserstellung oder präzisere Absatzplanung. Erst wenn der Nutzen klar beschrieben ist, lässt sich später bewerten, ob ein KI-Projekt erfolgreich war.

Der Digitalisierungsgrad eines Unternehmens ist ein wichtiger Hinweis darauf, wie gut es auf KI vorbereitet ist. KI baut in vielen Fällen auf vorhandenen digitalen Prozessen, Daten und Systemen auf. Wenn zentrale Abläufe noch stark papierbasiert, manuell oder isoliert organisiert sind, ist ein KI-Projekt meist schwieriger umzusetzen. Dann müssen zunächst Grundlagen geschaffen werden.

Digitalisierung bedeutet dabei nicht nur, dass Software vorhanden ist. Entscheidend ist, wie gut digitale Systeme tatsächlich in Prozesse integriert sind. Werden Daten strukturiert erfasst? Werden Systeme regelmäßig genutzt? Gibt es Medienbrüche, bei denen Informationen manuell von einem System in ein anderes übertragen werden? Sind Daten aktuell und verlässlich? Können Mitarbeiter:innen sicher mit digitalen Werkzeugen umgehen?

Dabei sind nicht nur technologische Aspekte relevant. Auch digitale Kompetenzen, Veränderungsbereitschaft, Datenmanagement und eine klare Digitalstrategie spielen eine Rolle. Ein Unternehmen kann moderne Software besitzen und trotzdem nur begrenzt KI-fähig sein, wenn Daten schlecht gepflegt werden oder Mitarbeiter:innen digitale Systeme nicht konsequent nutzen.

Für KMU ist diese Selbsteinschätzung besonders wichtig. Viele kleine und mittlere Unternehmen verfügen nicht über große IT-Abteilungen. Das bedeutet nicht, dass KI für sie unmöglich ist. Es bedeutet aber, dass sie genauer prüfen sollten, welche Grundlagen bereits vorhanden sind und wo Unterstützung benötigt wird. Wenn der Digitalisierungsgrad sehr niedrig ist, kann es sinnvoll sein, zunächst digitale Prozesse zu stabilisieren, Daten sauber zu erfassen und Kompetenzen aufzubauen.

Ein hoher Digitalisierungsgrad erleichtert hingegen den Einstieg in KI. Wenn bereits ERP-, Lager-, Transport- oder Planungssysteme genutzt werden, wenn Daten strukturiert vorliegen und wenn Mitarbeitende Erfahrung mit digitalen Tools haben, sind wichtige Voraussetzungen erfüllt. Dann kann der nächste Schritt darin bestehen, konkrete datenbasierte Fragestellungen zu identifizieren.

Die zentrale Botschaft lautet: KI ist kein Ersatz für Digitalisierung. KI setzt Digitalisierung häufig voraus. Unternehmen sollten daher ehrlich prüfen, ob sie für ein KI-Projekt bereit sind oder ob zuerst digitale Basisarbeit nötig ist.

Daten sind die Grundlage vieler KI-Anwendungen. Ohne passende Daten kann ein KI-System keine verlässlichen Muster erkennen und keine sinnvollen Prognosen oder Empfehlungen geben. Deshalb sollte jedes Unternehmen vor einem KI-Projekt prüfen, welche Rolle Daten heute bereits spielen und wie gut die vorhandene Datenbasis ist.

Dabei geht es nicht nur um die Menge der Daten. Große Datenmengen allein reichen nicht aus. Entscheidend sind Qualität, Struktur, Aktualität und Relevanz. Daten müssen zu der Fragestellung passen, die mit KI beantwortet werden soll. Wenn ein Unternehmen zum Beispiel Lieferzeiten prognostizieren möchte, braucht es historische Lieferdaten, Informationen zu Lieferanten, Produkten, Transportwegen, Mengen, Zeitpunkten und möglicherweise externen Einflussfaktoren. Fehlen wichtige Informationen oder sind sie unvollständig, leidet die Qualität des KI-Modells.

Ein wichtiger Indikator ist, welche Anwendungssysteme im Unternehmen genutzt werden. ERP-Systeme, Warehouse-Management-Systeme, Transport-Management-Systeme, CRM-Systeme oder Supplier-Relationship-Management-Systeme erzeugen und speichern Daten, die für KI-Anwendungen relevant sein können. Je besser diese Systeme integriert sind, desto leichter lassen sich Daten zusammenführen und nutzen.

Problematisch sind Medienbrüche. Wenn Daten aus einem System exportiert, manuell bearbeitet und anschließend in ein anderes System übertragen werden, entstehen Fehlerquellen. Unterschiedliche Datenstände können zu widersprüchlichen Auswertungen führen. Für KI-Projekte ist das besonders kritisch, weil das System auf den vorhandenen Daten lernt. Schlechte Daten führen häufig zu schlechten Ergebnissen.

Neben der technischen Datenlage ist auch die strategische Bedeutung von Daten wichtig. Unternehmen sollten fragen: Werden Daten nur gesammelt, weil Systeme sie automatisch erzeugen? Oder werden Daten aktiv genutzt, um Entscheidungen zu verbessern? Gibt es klare Verantwortlichkeiten für Datenqualität? Wird Datenpflege als wichtige Aufgabe verstanden? Gibt es eine gemeinsame Datenbasis oder arbeiten Abteilungen mit unterschiedlichen Versionen der Wahrheit?

Für KMU bedeutet das: Vor einem KI-Projekt sollte nicht nur gefragt werden, ob Daten vorhanden sind, sondern ob diese Daten vertrauenswürdig und nutzbar sind. Oft kann bereits die Beschäftigung mit einem möglichen KI-Projekt aufdecken, wo Datenlücken oder Qualitätsprobleme bestehen. Das ist kein Scheitern, sondern ein wertvoller Lerneffekt. Eine gute Datenbasis schafft nicht nur Voraussetzungen für KI, sondern verbessert auch klassische Auswertungen, Controlling und operative Entscheidungen.

KI sollte nicht als isoliertes Einzelprojekt betrachtet werden. Die Einführung neuer Technologien verändert oft Prozesse, Rollen, Kompetenzen und Entscheidungswege. Deshalb ist es wichtig, dass Unternehmen grundsätzlich klären, welche Rolle digitale Technologien und Innovation für ihre Entwicklung spielen sollen.

Eine Digitalstrategie kann dabei helfen, KI-Projekte sinnvoll einzuordnen. Sie beantwortet Fragen wie: Welche Unternehmensziele sollen durch digitale Technologien unterstützt werden? Wo wollen wir effizienter werden? Wo wollen wir bessere Entscheidungen treffen? Wo wollen wir uns vom Wettbewerb abheben? Wenn solche Fragen bereits geklärt sind, lassen sich KI-Anwendungsfälle gezielter auswählen.

Ohne strategische Einordnung besteht die Gefahr, dass KI-Projekte aus kurzfristiger Begeisterung entstehen. Dann wird möglicherweise eine Technologie getestet, ohne dass klar ist, welches Problem damit gelöst werden soll. Das kann zu enttäuschten Erwartungen führen. Eine Strategie hilft dagegen, Prioritäten zu setzen und Ressourcen sinnvoll einzusetzen.

Strategische Überlegungen sind auch deshalb wichtig, weil KI kein einmaliges Thema ist. Technologien entwickeln sich schnell weiter. Neue Lösungen entstehen, bestehende Systeme werden erweitert, rechtliche Anforderungen verändern sich. Unternehmen sollten daher nicht nur ein einzelnes Projekt planen, sondern überlegen, wie sie langfristig mit technologischer Veränderung umgehen wollen.

Hilfreich sind Strukturen, die Innovation unterstützen. Dazu gehören Formate zur Ideensammlung, regelmäßiger Austausch über technologische Entwicklungen, klare Kriterien zur Bewertung neuer Lösungen und Verantwortlichkeiten für Digitalisierungs- oder Innovationsprojekte. Solche Strukturen müssen in KMU nicht kompliziert sein. Schon einfache Workshops, regelmäßige Review-Termine oder eine kleine interne Arbeitsgruppe können ausreichen.

Für KMU in der Logistik ist besonders wichtig, Technologie nicht losgelöst vom Tagesgeschäft zu betrachten. KI sollte dort ansetzen, wo sie konkrete Beiträge zu bestehenden Zielen leisten kann: höhere Lieferqualität, bessere Auslastung, geringere Kosten, weniger Fehler oder bessere Kundenzufriedenheit. Strategische Überlegungen schaffen den Rahmen, damit KI nicht als Experiment ohne Anschluss endet, sondern Teil der Unternehmensentwicklung wird.

Unternehmens, mit dynamischen Veränderungen umgehen zu können, zu steigern. An diesem Punkt sollte daher überprüft werden, wie stark technologische Entwicklungen bereits bislang im Umfeld der Logistik und darüber hinaus, für das Unternehmen eine strategische Rolle gespielt haben.

Die Haltung der Geschäftsführung ist ein entscheidender Faktor für den erfolgreichen Einstieg in KI. Gerade in KMU prägt die Geschäftsführung stark, welche Themen Priorität erhalten, welche Ressourcen bereitgestellt werden und wie offen das Unternehmen gegenüber Veränderungen ist. Wenn KI-Projekte nur nebenbei oder gegen die Skepsis der Führungsebene verfolgt werden, ist die Umsetzung deutlich schwieriger.

Ein klares Bekenntnis der Geschäftsführung bedeutet nicht, dass sofort große Investitionen getätigt werden müssen. Es bedeutet vor allem, dass die Geschäftsführung signalisiert: Wir wollen uns ernsthaft mit KI beschäftigen, wir prüfen sinnvolle Einsatzmöglichkeiten und wir stellen die nötige Unterstützung für erste Schritte bereit. Dieses Signal ist wichtig, weil KI-Projekte häufig Unsicherheit erzeugen. Nicht alle Ergebnisse sind von Beginn an planbar, und erste Projekte dienen oft auch dem Lernen.

Die Geschäftsführung hat außerdem eine wichtige Kommunikationsrolle. KI kann bei Mitarbeiter:innen Hoffnungen, aber auch Ängste auslösen. Manche erwarten, dass KI sofort alle Probleme löst. Andere befürchten, dass Arbeitsplätze ersetzt oder Entscheidungen intransparent werden. Deshalb braucht es eine klare und ehrliche Kommunikation: Warum beschäftigt sich das Unternehmen mit KI? Welche Ziele werden verfolgt? Wo soll KI unterstützen? Wo bleiben Menschen verantwortlich?

Besonders wichtig ist die Einbindung der Beschäftigten und gegebenenfalls des Betriebsrats. Wenn KI-Systeme Arbeitsabläufe verändern oder Entscheidungen vorbereiten, sollten Betroffene frühzeitig informiert und eingebunden werden. Akzeptanz entsteht leichter, wenn Mitarbeiter:innen verstehen, welchen Nutzen das System für ihre Arbeit haben kann und welche Grenzen es hat.

Für KMU ist die Rolle der Geschäftsführung oft noch direkter als in großen Unternehmen. Führungskräfte kennen Prozesse, Personen und Engpässe meist sehr genau. Dadurch können sie helfen, realistische Anwendungsfälle auszuwählen und überzogene Erwartungen zu vermeiden. Gleichzeitig müssen sie darauf achten, KI nicht nur als technisches Thema zu delegieren. KI betrifft Geschäftsprozesse, Organisation und Strategie.

Die zentrale Frage lautet daher: Gibt es ein stabiles, langfristiges Interesse der Geschäftsführung, KI sinnvoll zu prüfen und erste Projekte aktiv zu unterstützen? Wenn ja, ist eine wichtige Voraussetzung erfüllt. Wenn nein, sollte zunächst an Verständnis, Zielbild und Erwartungshaltung gearbeitet werden.

Für den erfolgreichen Einsatz von KI braucht es mehr als Daten und Software. Viele Voraussetzungen sind organisatorischer, personeller und strategischer Natur. Dazu gehören Ressourcen, Know-how, Datenqualität, Managementunterstützung, Veränderungsbereitschaft, Datenschutz, IT-Sicherheit und eine realistische Einschätzung dessen, was KI leisten kann.

Eine häufige Herausforderung sind begrenzte Ressourcen. KI-Projekte benötigen Zeit, Aufmerksamkeit und fachliche Mitarbeit. Auch wenn externe Partner die technische Umsetzung übernehmen, muss das Unternehmen selbst Anforderungen erklären, Daten bereitstellen, Ergebnisse bewerten und Entscheidungen treffen. Ein KI-Projekt kann daher nicht vollständig ausgelagert werden.

Know-how ist ein weiterer wichtiger Punkt. KMU müssen nicht zwingend eigene KI-Entwickler:innen beschäftigen. Für viele Unternehmen ist das unrealistisch und auch nicht notwendig. Wichtiger ist, dass im Unternehmen genügend Verständnis vorhanden ist, um sinnvolle Anwendungsfälle zu erkennen, mit externen Partnern zu kommunizieren und Ergebnisse kritisch einzuordnen. Fachbereiche müssen erklären können, welche Prozesse betroffen sind und welche Entscheidungen verbessert werden sollen.

Auch Erwartungsmanagement ist zentral. KI ist kein Allheilmittel. Gerade erste Projekte sollten nicht zu groß angelegt werden. Sinnvoller ist es, mit einem klar begrenzten, praxisnahen Use Case zu starten. Ein solches Pilotprojekt ermöglicht es, Aufwand, Nutzen, Datenlage und Zusammenarbeit realistisch einzuschätzen. Kleine Erfolge schaffen Vertrauen und bilden eine Grundlage für weitere Schritte.

Neben technischen und organisatorischen Fragen müssen rechtliche Aspekte berücksichtigt werden. Dazu zählen Datenschutz, Datennutzung, Lizenzfragen, Haftung, Urheberrecht und die Einordnung nach dem EU AI Act. Nicht jeder KI-Einsatz ist gleich kritisch, aber Unternehmen sollten frühzeitig prüfen, welche Anforderungen für ihren konkreten Fall relevant sind.

Für KMU lautet die wichtigste Empfehlung: klein starten, aber professionell vorgehen. Ein erstes KI-Projekt muss nicht groß sein. Es sollte aber ein echtes Problem adressieren, klare Verantwortlichkeiten haben, mit geeigneten Daten arbeiten und realistische Ziele verfolgen. So entsteht ein Lernprozess, der dem Unternehmen auch über den einzelnen Use Case hinaus hilft.

Ein sinnvoller KI-Einstieg beginnt nicht mit der Technologie, sondern mit einem konkreten Problem. Der Leitfaden empfiehlt deshalb, zunächst sogenannte Pain Points zu identifizieren. Damit sind betriebliche Herausforderungen gemeint, die spürbare Auswirkungen auf Kosten, Qualität, Zeit, Kundenzufriedenheit oder Mitarbeiterbelastung haben.

Beispiele für solche Pain Points in der Logistik sind hohe Lagerbestände, häufige Lieferverzögerungen, manuelle Fehler bei der Datenerfassung, unzuverlässige Forecasts, Engpässe in der Transportplanung oder aufwendige Abstimmungen zwischen Abteilungen. Wichtig ist, diese Probleme möglichst konkret und messbar zu beschreiben. Statt allgemein zu sagen „Unsere Planung ist schlecht“, sollte gefragt werden: Wie oft treten Abweichungen auf? Welche Kosten entstehen? Welche Kund:innen oder Produkte sind betroffen? Wie viel Zeit wird für manuelle Korrekturen aufgewendet?

Im nächsten Schritt wird geprüft, ob Daten helfen können, den Pain Point besser zu verstehen oder zu lösen. Nicht jedes Problem ist automatisch ein KI-Problem. Manche Herausforderungen entstehen durch unklare Zuständigkeiten, fehlende Kommunikation oder ungeeignete Prozesse. In solchen Fällen kann KI wenig ausrichten. Wenn ein Problem aber durch bessere Analyse, Prognose oder Entscheidungsvorbereitung bearbeitet werden kann, entsteht ein möglicher datenanalytischer Use Case.

Hilfreich ist es, Pain Points in konkrete Fragestellungen zu übersetzen. Dabei können vier Ebenen unterschieden werden: Was ist passiert? Warum ist es passiert? Was wird passieren? Was sollen wir tun? Diese Logik hilft, nicht sofort zur komplexesten Lösung zu springen. Wenn unklar ist, warum ein Problem entsteht, ist eine Handlungsempfehlung durch KI möglicherweise zu früh. Dann sollte zunächst analysiert werden, welche Faktoren das Problem beeinflussen.

Für ein erstes Projekt sollte der Umfang begrenzt bleiben. Statt etwa Absatzprognosen für alle Produkte, Regionen und Kundengruppen gleichzeitig zu entwickeln, kann ein Unternehmen mit einer Produktgruppe, einer Region oder einem klar abgegrenzten Prozess starten. Dadurch sinkt die Komplexität, und Erfolge oder Grenzen werden schneller sichtbar.

Die zentrale Botschaft lautet: Gute KI-Projekte beginnen mit guten Problemdefinitionen. Wer den Pain Point klar versteht, kann besser entscheiden, ob KI sinnvoll ist, welche Daten benötigt werden und woran Erfolg gemessen wird.

Neben der Geschäftsführung braucht es im Unternehmen Personen, die technologische Innovation operativ vorantreiben. Diese Personen sind oft keine klassischen IT-Spezialist:innen, sondern Mitarbeitende aus Fachbereichen, die Prozesse gut kennen und gleichzeitig Interesse an neuen Technologien haben. Sie können eine Schlüsselrolle beim Einstieg in KI übernehmen.

Solche Personen verstehen, wo im Arbeitsalltag Probleme entstehen. Sie wissen, welche Abläufe umständlich sind, welche Daten genutzt werden und welche Lösungen für Kolleg:innen praktikabel wären. Gleichzeitig bringen sie genug Neugier und Offenheit mit, um neue Ansätze auszuprobieren. Dadurch bilden sie eine wichtige Brücke zwischen Fachbereich, Geschäftsführung, IT und externen Umsetzungspartnern.

In KI-Projekten können diese Personen unterschiedliche Rollen übernehmen. Sie können Ideen für Use Cases einbringen, Anforderungen formulieren, Daten interpretieren, Zwischenergebnisse testen oder als Projektverantwortliche auftreten. Besonders wertvoll sind sie als Early Adopter. Das bedeutet, dass sie neue Systeme früh nutzen, Feedback geben und helfen, die Lösung für eine breitere Einführung vorzubereiten.

Auch für die Akzeptanz im Unternehmen sind solche Personen wichtig. Wenn Kolleg:innen sehen, dass eine vertraute Person aus dem Fachbereich aktiv an einem KI-Projekt mitarbeitet, kann das Vertrauen schaffen. Die Einführung wirkt dann weniger wie ein technisches Projekt „von außen“ und stärker wie eine Verbesserung aus dem eigenen Arbeitsumfeld.

Für KMU ist dieser Punkt besonders relevant, weil formale Innovationsabteilungen oft fehlen. Umso wichtiger ist es, engagierte Personen zu identifizieren und ihnen Zeit sowie Rückhalt zu geben. Interesse allein reicht nicht aus, wenn diese Personen ihre Rolle nur zusätzlich zum Tagesgeschäft erfüllen sollen. Wer ein KI-Projekt begleiten soll, braucht dafür Kapazität, Unterstützung und klare Erwartungen.

Die zentrale Frage lautet daher: Gibt es im Unternehmen Menschen, die sowohl fachlich nah am Problem sind als auch Lust haben, neue technologische Lösungen mitzugestalten? Wenn ja, sollten sie frühzeitig eingebunden werden. Sie können entscheidend dazu beitragen, dass KI-Projekte nicht an der Praxis vorbeigehen, sondern echten Nutzen im Arbeitsalltag schaffen.

• Ausgewählte Beratungsleistungen und Anlaufstellen:
  • Digitalisierungsberatung der WKO OÖ
  • Digital Innovation Hub Süd (z. B. Beratung von KMU zu Digitalkompetenzen)
  • Digital Innovation Hub West (z. B. Beratung von KMU zu Digitalkompetenzen)
  • Digital Innovation Hub Ost (z. B. Beratung von KMU zu Digitalkompetenzen)
  • Beratungsförderung Erfolg.Plus der WKO OÖ
  • Geförderte Beratungsaktion Digital Check der WKO NÖ
• Ausgewählte Schulungsangebote und Anbieter:
  
  • Plattform der WKO für e-learning Angebote
  • Bildungsangebote und Referenzrahmen zu Digitalisierung des ÖAD
  • Digital Überall Schulungen von Digital Austria
  • Workshops zu KI der RISC AI Academy
  • Mytalents.ai – KI-gestützte Erstellung von Trainingsinhalten