In vielen Unternehmen ist KI im Einsatz, doch der Mehrwert bleibt begrenzt. Laut der MIT-Studie „The GenAI Divide: State of AI in Business 2025“ erzielen 95 Prozent der GenAI-Piloten keinen messbaren Effekt auf Umsatz oder Ergebnis. Der Grund liegt selten in der Technologie, sondern darin, wie Unternehmen KI organisieren, in Prozesse überführen und skalieren.
Mit Microsoft Copilot Wave 3 rückt diese Herausforderung stärker in den Fokus. Während Wave 2 vor allem die individuelle Produktivität adressierte, also Copilot als persönlicher Assistent in Teams, Outlook oder Word, erweitert Microsoft den Ansatz nun grundlegend: Copilot wird zur Plattform für integrierte Agenten und prozessübergreifende Automatisierung. Gleichzeitig wird mit Wave 3 eine weitere Entwicklung sichtbarer: Der Einsatz leistungsfähiger KI-Funktionen und autonomer Agenten lässt sich nicht mehr allein als Lizenzthema betrachten. Mit nutzungsabhängigen Modellen für bestimmte KI-Services rücken Kostenkontrolle, Mehrwerterfassung und Priorisierung stärker in den Fokus. Unternehmen müssen also nicht nur entscheiden, wo KI technisch eingesetzt werden kann, sondern auch, wo sie einen messbaren Beitrag zur organisationsweiten Wertschöpfung leistet.
Dafür braucht es jedoch mehr als Technologie: Je stärker KI in fachbereichsübergreifende Abläufe eingebunden wird, desto relevanter werden Governance, Datenverfügbarkeit, integrierte Prozesse und klare Verantwortlichkeiten. Die Technologie entwickelt sich dabei häufig schneller als die organisatorischen Strukturen, die für eine wirksame Skalierung notwendig wären.
Zwischen Pilot und Wirkung
Use Cases entstehen dort, wo konkreter Bedarf besteht, in Fachbereichen und damit nah an ihren Prozessen. Teams entwickeln Lösungen, die für ihren Kontext gut funktionieren. Ein typisches Muster dabei: Das Marketing-Team automatisiert seine Content-Erstellung mit Copilot, der Vertrieb baut einen eigenen Agenten für Angebotsprozesse, die HR-Abteilung entwickelt eine Lösung für Onboarding-Workflows. Jede Lösung funktioniert im eigenen Bereich und erzeugt dort sichtbaren Mehrwert.
Sobald jedoch durchgängige Prozesse entstehen, stossen diese Einzellösungen an ihre Grenzen. Systeme sind nicht aufeinander abgestimmt, Berechtigungskonzepte greifen nicht ineinander und Prozesse sind nicht durchgängig modelliert.
Ansätze bleiben also auf einzelne Bereiche beschränkt, Erfahrungen werden nicht systematisch übertragen und eine übergreifende Weiterentwicklung beziehungsweise Integration in ineinandergreifende Prozesse findet selten statt.
Mit zunehmender Integration in verkettete Abläufe wird aus diesem Spannungsfeld ein strukturelles Problem, das wir in vielen Kundenprojekten sehen: Eine einzelne Lösung läuft, doch sobald drei Bereiche denselben Prozess teilen, bricht die Kette.
Die eigentlichen Ursachen – und was daraus folgt
Die folgenden Ursachen treten selten isoliert auf und verstärken sich gegenseitig:
1. Governance fehlt oder ist unklar
Ohne klare Leitplanken entstehen parallele Lösungen. Teams entwickeln eigene Use Cases und Agenten ohne Abstimmung oder Priorisierung. Gleichzeitig fehlen häufig verbindliche Freigabeprozesse für den produktiven Einsatz. Lösungen bleiben dadurch in Pilotphasen hängen oder werden aus Unsicherheit nicht weiter skaliert. Verantwortlichkeiten bleiben unklar, Standards entwickeln sich unterschiedlich. In der Praxis führt das dazu, dass ähnliche Lösungen mehrfach entstehen, mit unterschiedlicher Qualität und ohne Wiederverwendung. Mit Wave 3 adressiert Microsoft diesen Punkt. Agent 365 schafft eine zentrale Steuerungsebene und ermöglicht Transparenz darüber, welche Agenten im Einsatz sind, wofür sie genutzt werden und innerhalb welcher Regeln sie agieren.
Auch die Nutzung von Cowork braucht klare Leitplanken, da Cowork in der Lage ist, autonom und applikationsübergreifend Aktionen auszuführen. Die Potenziale sind enorm. Gleichzeitig steigen jedoch die Anforderungen an Governance. Unternehmen müssen nicht nur sicherstellen, dass Agenten regelkonform arbeiten und sensible Informationen geschützt bleiben. Sie müssen auch nachvollziehen können, welche Anwendungsfälle tatsächlich Mehrwert schaffen. Gerade mit der zunehmenden Verbreitung nutzungsabhängiger Modelle gewinnt diese Frage an Bedeutung. Governance umfasst damit nicht mehr nur Compliance und Risikosteuerung, sondern auch die wirtschaftliche Steuerung von KI. Welche Agenten werden genutzt? Wo entstehen Kosten? Und welchen geschäftlichen Nutzen liefern die jeweiligen Anwendungsfälle?
Eine pauschale Verteilung von Budgets oder Credits greift dafür zu kurz. Erfolgreiche Unternehmen priorisieren gezielt dort, wo Automatisierung einen messbaren Beitrag leistet – etwa indem Engpässe reduziert, manuelle Aufwände gesenkt oder zusätzliche Kapazitäten geschaffen werden. Das ist eine wichtige Grundlage. Sie ersetzt jedoch keine organisatorische Entscheidung darüber, wer im Unternehmen Verantwortung für KI-Governance übernimmt und wie Priorisierung tatsächlich erfolgt.
KI erfolgreich skalieren? Governance ist der Schlüssel.
Im AI Governance Check-up analysieren wir gemeinsam Ihre Ausgangssituation, identifizieren Risiken und zeigen die grössten Hebel für die nächsten Schritte auf.
Workshop anfragen: AI Governance Check‑up.
2. Daten und Integration als Engpass
Viele relevante Daten sind nicht verfügbar oder nicht nutzbar. Sie liegen fragmentiert in unterschiedlichen Systemen, sind unvollständig oder nur eingeschränkt zugänglich. KI-Agenten lassen sich technisch zwar umsetzen, arbeiten jedoch häufig mit einem zu begrenzten Kontext. Ergebnisse bleiben oberflächlich oder müssen manuell ergänzt werden.
Der Engpass liegt damit nicht in der KI selbst, sondern in der Datenbasis und deren Zugänglichkeit. Genau hier zeigt sich aktuell in vielen Unternehmen ein Umdenken: Die Integration relevanter Daten wird zunehmend als entscheidende Voraussetzung verstanden, um Prozesse überhaupt End-to-End über Agenten automatisieren zu können. Gleichzeitig stehen viele Organisationen bei dieser Integration noch am Anfang. Daten liegen verteilt in unterschiedlichen Systemen, Berechtigungen sind nicht konsistent geregelt und Zusammenhänge lassen sich nur eingeschränkt herstellen.
Mit Wave 3 wird dieser Punkt kritischer, und zwar in zwei Richtungen. Erstens entfaltet kontextbasierte Unterstützung ihren Wert nur dann, wenn die zugrunde liegenden Daten vollständig und zugänglich sind. Zweitens stellt sich mit zunehmendem Agenteneinsatz die Frage, welche Daten ein Agent überhaupt verwenden darf. Ohne klare Datenklassifizierung und Zugriffskontrollen entstehen Risiken, die über reine Qualitätsprobleme hinausgehen.
3. Architektur ohne Zielbild
Der Aufwand, Systeme, Datenflüsse und Berechtigungen nachträglich zu integrieren, ist erheblich und wächst mit jedem Use Case, der ohne Zielbild gebaut wurde. Mit Wave 3 rücken prozessübergreifende Abläufe und integrierte Agenten stärker in den Fokus. Dafür braucht es ein konsistentes Zusammenspiel aller Ebenen. Eine Architektur, die auf isolierte Einzellösungen ausgelegt ist, reicht dafür langfristig nicht aus.
Wer heute ohne Zielbild baut, schafft sich morgen Integrationsaufwand, der die eigentlichen Effizienzgewinne wieder relativiert.
4. KI als Projekt statt als Programm
In vielen Unternehmen wird KI weiterhin als zeitlich begrenztes Projekt organisiert. Einzelne Use Cases werden identifiziert, umgesetzt und abgeschlossen. Häufig entstehen dabei funktionierende Lösungen, die jedoch auf den jeweiligen Kontext beschränkt bleiben.
Gleichzeitig laufen zentrale Themen nebeneinander: HR schult Mitarbeitende, IT definiert Richtlinien, Fachbereiche entwickeln eigene Anwendungsfälle. Was fehlt, ist die Verbindung zwischen diesen Initiativen. Es gibt kein gemeinsames Zielbild, keine durchgängige Priorisierung und keine klare Verantwortung für die Weiterentwicklung über einzelne Use Cases hinaus.
Genau hier liegt das Problem für die Skalierung. KI entfaltet ihren Wert nicht isoliert in einzelnen Lösungen, sondern im Zusammenspiel von Use Cases, Daten, Prozessen und Organisation. Wird sie als Projekt organisiert, endet die Verantwortung oft mit der Implementierung. Eine systematische Weiterentwicklung, Wiederverwendung und Skalierung findet nicht statt.
Ein Programmansatz verfolgt dagegen ein anderes Ziel. KI wird nicht als einmalige Initiative verstanden, sondern als kontinuierliche Fähigkeit im Unternehmen aufgebaut. Use Cases werden nicht isoliert betrachtet, sondern entlang gemeinsamer Ziele entwickelt, priorisiert und weitergeführt. Verantwortlichkeiten sind dauerhaft verankert, und Fortschritt wird über klare Metriken gesteuert. Dazu gehören beispielsweise Steuerungsansätze wie OKRs, die Unternehmensziele, AI-Initiativen und messbare Outcomes miteinander verbinden und so Transparenz über den tatsächlichen Beitrag einzelner Maßnahmen schaffen.
Was alle vier Ursachen verbindet: Vielen Unternehmen fehlt genau dieser übergreifende Ansatz, der Technologie, Organisation und Prozesse zusammenführt. Mit zunehmender Integration von KI in operative Abläufe wird das nicht nur zum Effizienzproblem, sondern zur strategischen Schwachstelle.
Was erfolgreiche Unternehmen anders machen
Die Herausforderungen lassen sich nicht allein durch Technologie lösen. Erfolgreiche Unternehmen verändern deshalb nicht nur ihre Tools, sondern auch die Art, wie KI im Unternehmen genutzt und organisiert wird, und das auf zwei Ebenen.
Auf Ebene der Mitarbeitenden
Mit Wave 3 verschiebt sich die Art der Nutzung grundlegend. Copilot unterstützt nicht mehr nur einzelne Aufgaben, sondern ganze Abläufe. Wer KI sinnvoll einsetzen will, muss Arbeit anders strukturieren: Ziele klar formulieren, Abläufe definieren, den relevanten Kontext bereitstellen.
In der Praxis zeigt sich: Wer Arbeit klar in Zielzuständen, Abläufen und Rahmenbedingungen beschreiben kann, kommt mit dieser neuen Art der Nutzung deutlich schneller zurecht. Mitarbeitende übernehmen damit zunehmend eine steuernde Rolle, ähnlich wie bei der Führung und Koordination eines Teams, nur eben im Zusammenspiel mit KI-Agenten. Die Qualität der Ergebnisse hängt dabei weniger von der Technologie ab als von der Fähigkeit, Prozesse klar zu beschreiben und sinnvoll zu strukturieren. Diese Kompetenz entsteht nicht von selbst. Sie braucht Orientierung, passende Trainingsformate und Führungskräfte, die neue Arbeitsweisen aktiv fördern. Genau daraus entsteht in vielen Unternehmen ein zusätzlicher Hebel für Verbesserung und Innovation.
Enablement muss sich entsprechend weiterentwickeln: weg von reinen Tool-Schulungen, hin zu Formaten, in denen Teams ihre eigenen Abläufe analysieren und mit KI erproben. Wer das früh verankert, schafft interne Multiplikatoren, die Wissen nachhaltig weitertragen.
Auf Ebene der Organisation
Parallel dazu braucht es die strukturellen Voraussetzungen für Skalierung. Die zuvor beschriebenen Herausforderungen zeigen, dass isolierte Maßnahmen nicht ausreichen.
Governance und Verantwortlichkeiten sollten parallel zum breiteren KI-Einsatz aufgebaut und kontinuierlich weiterentwickelt werden. Viele Unternehmen bündeln das in einer zentralen Stelle, oft AI Office oder AI Center of Excellence genannt. Diese legt fest, wer Use Cases priorisiert, wer über Agenten entscheidet und wer die Weiterentwicklung verantwortet, üblicherweise in einem Target Operating Model.
Ergänzend setzen immer mehr Organisationen auf sogenannte Agent Factories als standardisierten Ansatz, um Agenten skalierbar zu entwickeln, wiederverwendbare Komponenten bereitzustellen und Fachbereiche bei der Umsetzung zu unterstützen.
Daten und Systemanbindungen sollten gezielt dort aufgebaut werden, wo Automatisierung tatsächlich Mehrwert schafft. Nicht jede Integration ist notwendig, aber die relevanten Daten müssen für durchgängige Abläufe verfügbar und nutzbar sein. Daten werden damit zum zentralen Treibstoff für KI-gestützte Prozesse. Ohne ausreichenden Kontext bleiben Ergebnisse generisch oder bewegen sich auf Basis unvollständiger Informationen. Gleichzeitig reicht der reine Datenzugriff nicht aus. Entscheidend ist auch die Anbindung relevanter Systeme, damit Agenten nicht nur Informationen verarbeiten, sondern entlang definierter Prozesse tatsächlich Aktionen auslösen können. So kann ein Agent beispielsweise auf Basis eines transkribierten Kundengesprächs automatisch CRM-Einträge aktualisieren oder Folgeaufgaben anstossen.
Gleichzeitig müssen Enablement, Use-Case-Entwicklung und IT-Architektur zusammen gedacht werden. Wenn Fachbereiche Lösungen entwickeln, IT jedoch getrennt davon Standards definiert und Schulungen unabhängig davon stattfinden, entstehen genau die Silos, die Skalierung verhindern. Entscheidend ist daher ein übergreifender Ansatz mit klarer Steuerung, Priorisierung und Weiterentwicklung.
Fazit
Governance, Datenqualität und Architektur entscheiden über wirksame Skalierung. Die Technik liefert Microsoft mit Wave 3. Doch je stärker KI in operative Abläufe eingebunden wird und je stärker Nutzungskosten eine Rolle spielen, desto wichtiger wird organisatorische Reife. Unternehmen müssen klarer entscheiden, wo KI eingesetzt wird, welchen Wert sie dort schafft und wer diese Entwicklung steuert.
Genau hier setzen wir von Campana & Schott bei unseren Kunden an: mit einem strukturierten Ansatz, der Technologie, Enablement und Organisation zusammenführt. Wenn Sie wissen möchten, wo die nächsten Schritte hin zur KI-Skalierung in Ihrem Unternehmen aussehen sollten, sprechen Sie uns an.
Der Weg von ersten Erfolgen zur skalierbaren Wirkung beginnt mit einer klaren Sicht auf den eigenen Status quo und den richtigen Prioritäten für die nächsten Schritte.
Autoren
Kategorien
#AI Transformation
#AI Strategy
#AI Agents
#Microsoft Copilot
