Was kann getan werden, um
die KI-Nutzung zu skalieren?

Dieser Abschnitt gibt einen Überblick, wie ein Unternehmen vorgehen kann, wenn der Pilot eines neuen KI-Systems bereitsteht und nun dessen Nutzung im Unternehmen skaliert werden soll. Neben Fragestellungen, die diese KI-Anwendung und ihre breitere Nutzung im Unternehmen betreffen, wird auch thematisiert, wie die weitere Planung der KI-Nutzung im Unternehmen unterstützt werden kann und welche Überlegungen in die Entscheidung einfließen sollten, eigene KI-Entwicklungskompetenzen aufzubauen.

Wenn ein KI-System erfolgreich pilotiert wurde, stellt sich die nächste zentrale Frage: Wie wird daraus eine dauerhaft nutzbare Lösung im Arbeitsalltag? Ein Pilotprojekt zeigt zunächst, dass ein Anwendungsfall technisch und fachlich grundsätzlich funktionieren kann. Für den laufenden Betrieb reicht das aber noch nicht aus. Nun muss die Lösung stabil in Prozesse, Systeme und Verantwortlichkeiten eingebettet werden.

Ein wichtiger Schritt ist die technische Integration in die bestehende Systemlandschaft. Während im Pilot Daten oft noch manuell vorbereitet oder in begrenztem Umfang verarbeitet werden, muss der laufende Betrieb zuverlässiger funktionieren. Das KI-System sollte laufend mit relevanten Daten versorgt werden und seine Ergebnisse so bereitstellen, dass sie in den bestehenden Anwendungen weiterverwendet werden können. Wenn eine KI-Anwendung beispielsweise Lagerstände aus Kameraaufnahmen erkennt, sollten diese Ergebnisse direkt an ein Lagerverwaltungssystem übergeben werden können.

Dabei stellt sich die Frage, ob die KI-Lösung als separates System bestehen bleibt oder möglichst nahtlos in vorhandene Anwendungen integriert wird. Für Nutzer:innen ist es oft hilfreich, wenn die KI-Funktion direkt in jenem System verfügbar ist, mit dem sie ohnehin arbeiten. Dann wird KI weniger als zusätzliche Anwendung wahrgenommen, sondern als Erweiterung des bestehenden Arbeitsablaufs. Das kann die Akzeptanz deutlich erhöhen.

Neben der technischen Integration muss auch die organisatorische Integration geplant werden. Ein KI-System verändert häufig Prozessschritte: Manche Aufgaben entfallen, andere werden automatisiert, neue Kontrollaufgaben entstehen. Wenn beispielsweise ein System Bestellvorschläge erstellt, muss geklärt werden, wer diese Vorschläge prüft, wer sie freigibt und was passiert, wenn ein Vorschlag unplausibel erscheint. Die Einführung in den laufenden Betrieb ist daher nicht nur eine IT-Aufgabe, sondern auch eine Prozess- und Organisationsaufgabe.

Auch Schulungen und interne Regeln sind wichtig. Mitarbeiter:innen müssen verstehen, wie sie mit dem System arbeiten, welche Ergebnisse sie erwarten können und wo Grenzen liegen. Zusätzlich kann eine interne KI-Richtlinie helfen, den Umgang mit KI verbindlicher zu regeln. Darin können etwa Vorgaben zum Umgang mit Daten, mit KI-generierten Ergebnissen, mit Informationspflichten oder mit ethischer Verantwortung festgehalten werden. Der Leitfaden hebt hervor, dass eine solche Richtlinie neben Schulungen ein wichtiges Instrument sein kann, um Mitarbeitende auf die Nutzung von KI vorzubereiten.

Für KMU bedeutet das: Die Skalierung eines KI-Systems beginnt nicht erst, wenn alle technischen Fragen gelöst sind. Schon während des Piloten sollte mitgedacht werden, wie das System später in den Alltag passt. Ein KI-System wird erst dann Teil des laufenden Betriebs, wenn Datenflüsse, Schnittstellen, Arbeitsabläufe, Verantwortlichkeiten, Schulungen und Supportprozesse zusammen funktionieren.

Ein KI-System ist nach der ersten Einführung nicht abgeschlossen. Anders als viele klassische IT-Systeme, die nach der Implementierung lange unverändert laufen können, müssen KI-Systeme regelmäßig überprüft, angepasst und weiterentwickelt werden. Das liegt daran, dass sie stark von Daten, Prozessbedingungen und Nutzungsverhalten abhängig sind. Wenn sich diese Faktoren ändern, kann auch die Qualität der Ergebnisse sinken oder neue Anforderungen können entstehen.

Bei der Weiterentwicklung sollten zwei Dimensionen beachtet werden: Erstens die Abdeckung des Use Case, also den Umfang dessen, was das KI-System leisten soll. Zweitens den Grad der Integration und Automatisierung im betrieblichen Ablauf. Viele Pilotprojekte starten bewusst mit einem eingeschränkten Anwendungsfall. So kann etwa eine Absatzprognose zunächst nur für eine bestimmte Produktgruppe, Region oder Kundengruppe getestet werden, bevor sie auf das gesamte Sortiment ausgeweitet wird.

Diese schrittweise Erweiterung ist sinnvoll, weil ein enger Startpunkt Komplexität reduziert. Wenn der erste Einsatz erfolgreich ist, kann geprüft werden, ob das Modell auf weitere Produkte, Standorte, Prozesse oder Entscheidungssituationen übertragen werden kann. Dabei sollte jedoch nicht automatisch angenommen werden, dass eine Lösung überall gleich gut funktioniert. Unterschiedliche Datenmuster, Prozessvarianten oder Marktbedingungen können dazu führen, dass ein Modell angepasst oder neu trainiert werden muss.

Die zweite Weiterentwicklungsdimension betrifft den Automatisierungsgrad. Ein KI-System kann zunächst nur Informationen bereitstellen oder Empfehlungen geben. In einem nächsten Schritt können diese Empfehlungen stärker in Arbeitsabläufe integriert werden. Später könnten bestimmte Prozessschritte teilweise automatisiert werden, sofern Datenqualität, Vertrauen, Governance und rechtliche Rahmenbedingungen dies erlauben. Wichtig ist dabei, nicht zu schnell zu automatisieren. Gerade bei ersten Anwendungen sollte menschliche Kontrolle erhalten bleiben, bis ausreichend Erfahrung mit dem System gesammelt wurde.

Weiterentwicklung entsteht auch durch Feedback der Nutzer:innen. Wer täglich mit dem System arbeitet, erkennt oft früh, wo Ergebnisse unverständlich sind, wo zusätzliche Informationen fehlen oder wo das System im Arbeitsalltag nicht gut eingebunden ist. Dieses Feedback sollte systematisch gesammelt und in Verbesserungen übersetzt werden. Ohne solche Rückkopplung besteht die Gefahr, dass eine technisch funktionierende Lösung praktisch nicht optimal genutzt wird.

Auch Monitoring spielt eine wichtige Rolle. Wenn sich Datenverteilungen verändern, neue Produkte eingeführt werden, Lieferketten anders funktionieren oder Kundennachfrage sich verschiebt, kann ein KI-Modell an Genauigkeit verlieren. Unternehmen sollten daher regelmäßig prüfen, ob das System weiterhin gute Ergebnisse liefert. Je nach Anwendung kann auch regelmäßiges Nachtraining mit neuen Daten notwendig sein.

Für KMU ist die wichtigste Empfehlung: KI-Systeme sollten iterativ weiterentwickelt werden. Nicht jede Verbesserung muss groß sein. Oft sind kleine Erweiterungen, bessere Integration, verständlichere Darstellung oder gezieltes Nachtraining wertvoller als ein sofortiger Ausbau zu einer sehr komplexen Lösung. Entscheidend ist, dass die Weiterentwicklung am tatsächlichen Nutzen und an den Erfahrungen aus dem laufenden Betrieb orientiert bleibt.

Nach einem erfolgreichen ersten KI-Projekt sollte KI nicht mehr nur als Einzelinitiative betrachtet werden. Unternehmen sollten überlegen, wie KI in den kommenden Jahren systematisch genutzt werden kann. Dafür braucht es eine strategische Planung, die mehrere mögliche Use Cases, Ressourcen, Datenanforderungen, technische Voraussetzungen und organisatorische Auswirkungen zusammenführt.

Eine formulierte KI-Strategie bildet den Rahmen für diese Planung. Sie sollte klären, welche Ziele das Unternehmen mit KI verfolgt. Geht es vor allem um Effizienzsteigerung? Um bessere Prognosen? Um Automatisierung? Um höhere Kundenzufriedenheit? Um Wettbewerbsvorteile? Je klarer diese Ziele sind, desto leichter lassen sich zukünftige KI-Anwendungsfälle bewerten und priorisieren.

Ein hilfreiches Instrument ist eine KI-Scorecard. Während ein Use Case Canvas dazu dient, einzelne Anwendungsfälle zu beschreiben, hilft eine Scorecard bei der Bewertung und Priorisierung mehrerer Use Cases. Dabei können Nutzenkriterien und Aufwand beziehungsweise Machbarkeitskriterien systematisch bewertet werden. Zum Nutzen gehören etwa Beiträge zu strategischen Zielen, Prozessverbesserungen oder wirtschaftliche Effekte. Zur Machbarkeit gehören etwa Datenverfügbarkeit, technische Anforderungen, Governance-Aufwand, Ressourcenbedarf oder Integrationsfähigkeit.

Die bewerteten Use Cases können anschließend in einem Use Case Portfolio dargestellt werden. Eine einfache Struktur ist die Einordnung nach Nutzen und Machbarkeit. Use Cases mit hohem Nutzen und hoher Machbarkeit eignen sich oft für kurzfristige Umsetzung. Use Cases mit hohem Nutzen, aber geringer Machbarkeit können strategisch wichtig sein, benötigen aber zunächst Vorarbeiten wie Datenaufbau, Systemintegration oder Kompetenzentwicklung. Use Cases mit geringem Nutzen sollten eher zurückgestellt werden.

Wichtig ist auch, Abhängigkeiten zwischen Use Cases zu berücksichtigen. Manche KI-Anwendungen schaffen Grundlagen für andere. Eine Absatzprognose kann beispielsweise Einfluss auf Beschaffungsplanung, Bestandssteuerung oder Produktionsplanung haben. Wenn ein Use Case Voraussetzung für weitere Anwendungen ist, kann er strategisch wichtiger sein, als seine isolierte Bewertung zunächst vermuten lässt. Solche Abhängigkeiten sollten in einer KI-Roadmap sichtbar gemacht werden.

Eine KI-Roadmap zeigt, welche Use Cases in welcher Reihenfolge umgesetzt werden sollen. Sie sollte aber nicht als starres Dokument verstanden werden. Strategische Prioritäten, technologische Entwicklungen, Datenlage, rechtliche Anforderungen oder Ressourcen können sich ändern. Deshalb sollte die Roadmap regelmäßig überprüft und angepasst werden.

Für KMU bedeutet das: Eine KI-Strategie muss nicht komplex oder umfangreich sein. Sie sollte aber Orientierung geben. Schon eine übersichtliche Roadmap mit priorisierten Use Cases, Abhängigkeiten, Verantwortlichkeiten und groben Zeiträumen kann helfen, KI-Nutzung planbarer zu machen. So wird verhindert, dass einzelne KI-Projekte unverbunden nebeneinanderstehen oder nach einem erfolgreichen Pilot keine klare Weiterentwicklung erfolgt.

Die strategische Planung von KI sollte nicht nur klären, welche Use Cases umgesetzt werden. Sie sollte auch berücksichtigen, welche Auswirkungen KI auf das Unternehmen insgesamt haben kann. Dabei können vier Bereiche betrachtet werden: Technik, Organisation, Mensch und Unternehmensumwelt. Diese Perspektive ist wichtig, weil KI nicht nur eine Softwarefrage ist, sondern Prozesse, Rollen, Kompetenzen und externe Anforderungen verändern kann.

Im technischen Bereich geht es um die Frage, welche Anforderungen zukünftige KI-Anwendungen an die Systemlandschaft stellen. Müssen bestehende Systeme besser integriert werden? Werden zusätzliche Schnittstellen benötigt? Reichen vorhandene Datenbanken, Server und Speicherlösungen aus? Werden Cloud-Lösungen benötigt oder sollen Daten und Systeme stärker im eigenen Unternehmen betrieben werden? Solche Fragen sind besonders relevant, wenn mehrere KI-Anwendungen geplant werden und nicht jede Lösung isoliert aufgebaut werden soll.

Im organisatorischen Bereich sollte geprüft werden, wie KI Prozesse und Strukturen verändert. Einzelne Automatisierungen können sich mit der Zeit aufsummieren. Wenn mehrere Prozessschritte wegfallen, neue Kontrollaufgaben entstehen oder Entscheidungen anders vorbereitet werden, kann dies Auswirkungen auf Aufbauorganisation, Verantwortlichkeiten und Zusammenarbeit zwischen Abteilungen haben. KI kann also nicht nur bestehende Prozesse verbessern, sondern auch Anlass sein, Prozesse grundsätzlich neu zu gestalten.

Der Bereich Mensch betrifft Rollen, Kompetenzen und Arbeitsinhalte. Wenn KI repetitive Aufgaben übernimmt oder Entscheidungsgrundlagen verändert, können sich Stellenprofile verändern. Mitarbeiter:innen benötigen möglicherweise neue Kompetenzen im Umgang mit Daten, KI-Ergebnissen, Monitoring oder Prozesssteuerung. Gleichzeitig können neue Karrierepfade entstehen, etwa für Personen, die als Schnittstelle zwischen Fachbereich, IT und Datenanalyse arbeiten. Diese Veränderungen sollten frühzeitig geplant und kommuniziert werden.

Auch die Unternehmensumwelt ist relevant. Rechtliche Vorgaben, Datenschutz, Anforderungen von Kund:innen oder Partnern sowie Aktivitäten von Wettbewerbern können beeinflussen, wie KI eingesetzt wird. Besonders wichtig ist, dass nicht nur der eigene KI-Einsatz Folgen hat, sondern auch der KI-Einsatz anderer Marktteilnehmer. Wenn Wettbewerber mit KI deutlich effizienter werden oder neue Services anbieten, kann dies Druck auf das eigene Geschäftsmodell erzeugen. Der Leitfaden weist ausdrücklich darauf hin, dass der KI-Einsatz anderer Akteure bis zur möglichen Obsoleszenz des eigenen Geschäftsmodells führen kann.

Für KMU ist diese ganzheitliche Betrachtung besonders hilfreich. Da Ressourcen begrenzt sind, sollten technische, organisatorische und personelle Konsequenzen frühzeitig mitgedacht werden. Ein KI-Projekt kann kurzfristig klein wirken, langfristig aber größere Veränderungen auslösen. Strategische Planung bedeutet daher nicht nur: Welche KI-Anwendung setzen wir als Nächstes um? Sondern auch: Welche Fähigkeiten, Strukturen und Regeln brauchen wir, wenn KI dauerhaft Teil unseres Unternehmens wird?

KI entwickelt sich sehr schnell weiter. Neue Anwendungen, Anbieter, rechtliche Vorgaben, technische Möglichkeiten und Best Practices entstehen laufend. Für Unternehmen bedeutet das: Eine einmalige Informationssammlung reicht nicht aus. Wer KI strategisch nutzen möchte, sollte systematisch beobachten, welche Entwicklungen für das eigene Unternehmen relevant sein könnten.

Dabei ist zunächst wichtig, den Informationsbedarf zu klären. Nicht jede Entwicklung ist für jedes Unternehmen gleich wichtig. Manche Unternehmen interessieren sich vor allem für neue logistische Use Cases, etwa bessere Forecasting-Methoden, Tourenoptimierung oder Lagerautomatisierung. Andere benötigen Informationen zu rechtlichen Anforderungen, Datenschutz, Governance oder IT-Sicherheit. Wieder andere suchen nach technologischen Trends, die bestehende Systeme verändern könnten. Je klarer der Fokus ist, desto leichter lässt sich Informationsflut vermeiden.

Es gibt hier mehrere mögliche Anlaufstellen. In Österreich bieten insbesondere Wirtschaftskammern, Digital Innovation Hubs und Interessensvertretungen im Logistikumfeld regelmäßig Veranstaltungen, Seminare und Informationen zu KI und Digitalisierung an. Für logistiknahe Themen kann auch der Austausch mit Branchenvereinigungen wie dem Verein Netzwerk Logistik relevant sein. Für rechtliche und Governance-Fragen wird unter anderem die KI-Servicestelle der RTR als wichtige Anlaufstelle genannt.

Neben externen Informationsquellen sollte ein Unternehmen auch internes Wissensmanagement aufbauen. Informationen zu KI sollten nicht nur bei einzelnen Personen liegen. Wenn Mitarbeitende Veranstaltungen besuchen, Artikel lesen, Anbieter prüfen oder Erfahrungen mit KI-Systemen sammeln, sollte dieses Wissen strukturiert dokumentiert und zugänglich gemacht werden. Der Leitfaden empfiehlt, Informationen dezentral zu sammeln und so aufzubereiten, dass Mitarbeiter:innen je nach Fachbereich und Interesse darauf zugreifen und selbst beitragen können.

Ein solches Wissensmanagement muss nicht kompliziert sein. Für KMU kann bereits eine interne Wissenssammlung, ein regelmäßiger Austauschtermin oder eine kleine bereichsübergreifende KI-Arbeitsgruppe hilfreich sein. Wichtig ist, dass neue Informationen bewertet werden: Ist diese Entwicklung relevant für unsere Prozesse? Passt sie zu unserer Datenlage? Gibt es konkrete Anwendungsfälle? Entsteht daraus Handlungsbedarf für unsere Roadmap?

Auch der Austausch mit externen Partnern kann helfen. Softwareanbieter, Beratungen, Forschungseinrichtungen oder andere Unternehmen können Hinweise geben, welche Lösungen bereits praxistauglich sind und welche Entwicklungen eher noch experimentell wirken. Gleichzeitig sollte externe Information immer kritisch geprüft werden, insbesondere wenn sie stark vertriebsorientiert ist.

Für KMU lautet die Empfehlung: Nicht versuchen, alle KI-Trends zu verfolgen. Besser ist ein gezieltes Beobachten jener Themen, die zur eigenen Strategie, Branche und Prozesslandschaft passen. So bleibt das Unternehmen lernfähig, ohne von der Geschwindigkeit der KI-Entwicklung überfordert zu werden.

Nach ersten erfolgreichen KI-Projekten stellt sich die Frage, ob ein Unternehmen eigene Ressourcen für KI-Entwicklung aufbauen sollte. Für viele KMU ist diese Entscheidung nicht einfach. Einerseits kann interne Kompetenz helfen, unabhängiger zu werden und KI stärker an den eigenen Prozessen auszurichten. Andererseits sind Fachkräfte knapp, Kosten hoch und nicht jedes Unternehmen hat genügend Use Cases, um eigene KI-Ressourcen dauerhaft auszulasten.

Diese Entscheidung sollte sich vor allem an der strategischen Bedeutung von KI ausrichten. Wenn KI nur punktuell eingesetzt wird und der Nutzen einzelner Anwendungen begrenzt ist, kann externe Unterstützung weiterhin sinnvoller sein. Wenn KI jedoch einen spürbaren Beitrag zu Unternehmenszielen leistet oder sogar Wettbewerbsvorteile ermöglichen soll, kann der Aufbau eigener technischer und personeller Ressourcen gerechtfertigt sein.

Dabei bedeutet „eigene Ressourcen“ nicht automatisch, ein großes Data-Science-Team aufzubauen. Unternehmen können auch gezielt einzelne Fähigkeiten intern stärken. Orientierung bieten die Schritte eines KI-Projekts, etwa entlang von CRISP-DM: Geschäftsverständnis, Datenverständnis, Datenvorbereitung, Modellierung, Evaluierung, Bereitstellung sowie Monitoring und Wartung. Ein Unternehmen könnte beispielsweise zunächst eigene Kompetenzen in Datenaufbereitung, Datenmanagement oder Modellüberwachung aufbauen, während komplexe Modellierung weiterhin durch externe Partner erfolgt.

Auch die organisatorische Verankerung ist eine wichtige Frage. KI-Ressourcen können in der IT-Abteilung angesiedelt werden, was die Integration in Systeme erleichtert. Sie können aber auch näher an Fachbereichen aufgebaut werden, damit der Austausch mit Domänenexpert:innen intensiver ist. Gerade in der Logistik ist diese Nähe zum Prozesswissen wichtig. KI-Anwendungen funktionieren nur dann gut, wenn technische Expert:innen verstehen, welche fachlichen Zusammenhänge, Ausnahmen und Entscheidungslogiken relevant sind.

Der Fachkräftemangel im KI-Bereich ist eine reale Herausforderung. Es sind jedoch nicht immer sofort hochspezialisierte Senior-Entwickler:innen erforderlich sind. Auch Studierende oder Absolvent:innen aus Studienrichtungen mit Data-Science-Anteilen können für erste interne Aufgaben geeignet sein, etwa zur Datenanalyse, Vorbereitung von Use Cases oder Begleitung externer Entwicklungspartner.

Für KMU ist ein stufenweiser Aufbau besonders sinnvoll. Zuerst sollte geprüft werden, welche KI-Aufgaben regelmäßig anfallen und welche davon intern sinnvoller erledigt werden können. Danach kann entschieden werden, ob einzelne Rollen, Teilzeitverantwortlichkeiten, Weiterbildungen oder neue Stellen notwendig sind. Nicht jedes Unternehmen braucht ein eigenes KI-Team. Aber jedes Unternehmen, das KI dauerhaft nutzen möchte, braucht zumindest genug interne Kompetenz, um Anforderungen zu formulieren, Angebote zu bewerten, Daten bereitzustellen und Ergebnisse kritisch zu prüfen.

Die zentrale Empfehlung lautet: Eigene KI-Ressourcen sollten nicht aus Prestigegründen aufgebaut werden. Sie lohnen sich dann, wenn KI strategisch wichtig ist, mehrere Anwendungen betreut werden müssen und interne Kompetenz den Nutzen oder die Steuerbarkeit deutlich erhöht.

Wenn KI im Unternehmen skaliert wird, steigt auch die Bedeutung einer belastbaren Governance. Bei einem einzelnen Pilotprojekt lassen sich viele Fragen noch informell klären. Sobald mehrere KI-Systeme eingesetzt, weiterentwickelt oder in kritische Prozesse eingebunden werden, braucht es klare Regeln, Verantwortlichkeiten und Prüfprozesse. Governance sorgt dafür, dass KI nicht nur technisch funktioniert, sondern auch rechtlich, ethisch und organisatorisch verantwortbar eingesetzt wird.

Die internationale Norm ISO 42001 kann hier als möglicher Orientierungsrahmen für ein Managementsystem für KI dienen. Für KMU ist eine vollständige Umsetzung möglicherweise zu aufwendig. Dennoch können daraus wichtige Grundelemente abgeleitet werden: ein Überblick über eingesetzte KI-Systeme, klare Verantwortlichkeiten, unternehmensweite Leitlinien, Risikobewertungen, Dokumentation, Schulungen sowie Prozesse zur Überprüfung rechtlicher und ethischer Anforderungen.

Ein zentraler Baustein ist ein KI-Inventar. Unternehmen sollten wissen, welche KI-Systeme eingesetzt werden, in welchen Prozessen sie wirken, welche Daten sie nutzen, welche Entscheidungen sie beeinflussen und wer verantwortlich ist. Ohne einen solchen Überblick wird es schwierig, Risiken zu kontrollieren, rechtliche Anforderungen zu erfüllen oder Systeme später gezielt weiterzuentwickeln.

Ebenso wichtig ist eine interne Stelle oder ein Gremium, das KI-Governance verantwortet. In KMU muss dies keine große Abteilung sein. Es kann auch eine kleine Gruppe aus Geschäftsführung, IT, Fachbereich, Datenschutz und gegebenenfalls Betriebsrat oder Compliance-Verantwortlichen sein. Wichtig ist, dass Verantwortung nicht diffus bleibt. Entscheidungen über neue KI-Systeme, Risikobewertungen oder Richtlinien sollten nachvollziehbar getroffen werden.

Unternehmensweite Prinzipien und Leitlinien helfen, den Umgang mit KI verbindlich zu machen. Dazu können Grundsätze wie Transparenz, Fairness, Nachvollziehbarkeit, Datenschutz, menschliche Kontrolle und verantwortungsvolle Nutzung gehören. Solche Leitlinien sollten nicht nur formuliert, sondern auch geschult und regelmäßig überprüft werden.

Ein weiterer wichtiger Punkt ist die laufende Risikoanalyse. KI-Systeme können sich über ihren Lebenszyklus verändern. Trainingsdaten, Modellleistung, rechtliche Vorgaben und Nutzungsbedingungen müssen regelmäßig geprüft werden. Der Leitfaden hebt hervor, dass Governance als kontinuierlicher Bestandteil des Unternehmensmanagements verstanden werden sollte, nicht als einmalige Maßnahme. Dazu gehören Überwachung, Dokumentation, interne Audits und regelmäßige Prüfung neuer rechtlicher Entwicklungen.

Für KMU ist entscheidend, Governance angemessen zu gestalten. Sie sollte nicht so aufwendig sein, dass sie jede Innovation verhindert. Sie sollte aber ausreichend klar sein, um Risiken, Verantwortlichkeiten und rechtliche Anforderungen im Griff zu behalten. Mit zunehmender KI-Nutzung wird Governance zu einer Voraussetzung für Vertrauen — bei Mitarbeiter:innen, Kund:innen, Partnern und Behörden.

In dieser Phase, bei der weiteren Planung des KI-Einsatzes im Unternehmen, kann das Unternehmen vor allem Unterstützung bei der strategischen Planung und beim Aufbau eines KI-Governance-Systems erhalten.

Zurück zur Übersicht

Bei Fragen wenden Sie sich gerne an:

Peter Ladendorfer, MA
Projektmanager

Ein Projekt im Auftrag von

BMIMI - Bundesministerium Innovation, Mobilität und Infrastruktur
Werden Sie Teil des
Verein Netzwerk Logistik
Mitglied werden