Die meisten KI-Geschichten beginnen als Erfolg. Der Pilot läuft gut und alle sind sich einig: Das hat Zukunft. Wenn die ersten Ergebnisse begeistern, bekommt die weite KI-Einführung schnell Rückenwind. Was als Experiment beginnt, wird in vielen Unternehmen gerade Schritt für Schritt zur neuen Normalität. Das zeigt auch die aktuelle Schweizer Social Collaboration Studie, für die mehr als 200 Führungskräfte befragt wurden: Bereits 58,8 Prozent der deutschen Unternehmen haben in generative KI investiert, rund 20 Prozentpunkte mehr als zwei Jahre zuvor.
Mit der breiteren Nutzung ändert sich etwas Grundlegendes: KI wird alltäglich. Sie wird für immer mehr Aufgaben und Entscheidungen genutzt, verteilt über viele Teams und Anwendungsfälle. Doch so selbstverständlich die Nutzung wird, so wenig ist sie geordnet: 80,5 Prozent der Unternehmen, die KI nutzen, kommen über erste Pilotprojekte und punktuelle Einsatzszenarien bislang nicht hinaus. Die Strukturen hinter der Nutzung fehlen oft noch vollständig. Und genau dort, wo Nutzung wächst und die Steuerung fehlt, geht die Kontrolle langsam verloren.
Der teure Weckruf
Unternehmen schliessen diese Lücke selten proaktiv. Oft wird Governance erst durch ein böses Erwachen zur Priorität: eine unerwartet hohe Rechnung durch explodierenden Tokenverbrauch, Kapazitäten, die plötzlich nicht mehr ausreichen, oder nachlassende Qualität der KI-Ergebnisse. Sicherheitsrisiken wachsen dabei oft im Verborgenen mit – sichtbare Kosten dagegen machen die IT meist schnell hellhörig.
Häufig zeigt sich aber auch das Gegenteil ungeregelter Nutzung: Aus Sorge vor Risiken wird der breite KI-Einsatz, gerade von KI-Agenten, zurückgehalten, statt ihn mit passenden Strukturen zu ermöglichen. So rückt die nächste Stufe agentischer KI in weite Ferne.
Und genau an diesem Punkt führt an Governance kein Weg mehr vorbei. Dass es wenig verlockend klingt, ein Governance-Konzept aufzusetzen, macht die Sache nicht leichter: Viele denken zuerst an endlose Planungsmeetings, Textwüsten, die kaum jemand liest, und die Verantwortung, eine Technologie zu regulieren, die sich ständig verändert. Doch Aufschieben ist riskant, denn KI ist längst operative Realität.
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
KI wächst an der IT vorbei
Die Erwartung, KI stärker zu nutzen, kommt meist aus dem C-Level. Doch oft bleibt offen, wie aus dieser Erwartung eine Roadmap mit messbaren Zielen wird. Konkret zu spüren bekommen diese Unschärfe vor allem die Fachbereiche: Dort sehen Mitarbeitende jeden Tag, wo Prozesse zu langsam sind, wo Routineaufgaben Zeit kosten und wo bessere Ergebnisse möglich wären. Viele wollen KI deshalb selbst ausprobieren, entwickeln und in ihren Arbeitsalltag bringen.
Das ist grundsätzlich positiv. Denn in den Fachbereichen sitzen die Menschen, die ihre Prozesse am besten kennen. Wenn sie wiederkehrende Aufgaben mit KI vereinfachen können, ohne jedes Mal den Umweg über die IT zu nehmen, entsteht schnell echter Mehrwert. Genau daraus wachsen nach und nach eigene kleine Helfer.
Schwierig wird es, wenn diese Eigeninitiative ohne gemeinsamen Rahmen passiert: Nehmen wir einen Mitarbeitenden in der Finanzbuchhaltung, der sich einen Agenten baut, um Rechnungen vorzubereiten. Der Agent funktioniert gut, es spricht sich herum und nach kurzer Zeit arbeitet ein ganzes Team damit. Aus einem kleinen Helfer ist ein geschäftskritischer Prozess geworden. Nur weiss die IT davon nichts. Damit bleibt offen, auf welche Daten der Agent zugreift, wer Einblick erhält, wann ein Mensch prüfen oder eingreifen muss und ob der Agent ausreichend vor Angriffen geschützt ist. Auch ob die ursprünglich kleine Lösung dem wachsenden Einsatz und den steigenden Ansprüchen technisch gewachsen ist, hat bislang niemand hinterfragt. Aufbau und Betrieb hängen so ohne Einbindung der IT an einer einzelnen Person.
Ohne Regeln wird es nicht bei diesem einen Fall bleiben. Mal fühlt sich niemand für die inkorrekten Ergebnisse eines Agenten verantwortlich, mal landen Unternehmensdaten über private Accounts in Tools, die damit ihre LLMs trainieren. Einzeln betrachtet wirken diese Fälle noch beherrschbar. In der Summe zeigen sie aber, dass die Praxis der Steuerung davongelaufen ist.
Viel Nutzung, wenig Wertschöpfung
Die fehlende Steuerung bleibt auf lange Sicht nicht ohne Folgen für den Geschäftserfolg. Denn breite Nutzung allein erzeugt noch keinen Wert. Das zeigt unter anderem die diesjährige Deloitte-Studie „The ROI of AI" eindrücklich: Kein Land nutzt KI so breit wie Deutschland und doch setzen nur fünf Prozent der Unternehmen sie ein, um Prozesse oder Geschäftsmodelle neu zu gestalten. Die Wirkung bleibt meist auf operative Effizienz beschränkt.
Der Grund liegt dabei selten in der Technologie, sondern häufig darin, wo und wie tief KI im Unternehmen wirkt. Wer mit ihr tatsächlich Wert schaffen will, muss sie aus der persönlichen Produktivität holen und fest in die wertschöpfenden Geschäftsprozesse einbetten. Erst wenn KI zentrale Abläufe unterstützt und übernimmt, entsteht messbarer ROI.
KI-Verbreitung ist noch keine Skalierung
Genau diese Einbettung aber gelingt ohne Struktur und Governance nicht. Sobald KI einen geschäftskritischen Prozess trägt, muss es klare Ownership geben: für ihre Ergebnisse, für die Einhaltung gesetzlicher und interner Vorgaben, für den Ernstfall. Genau das fehlt, wenn Lösungen unkoordiniert in den Fachbereichen entstehen. Hinzu kommt, dass aus den vielen Einzellösungen kein grosses Ganzes entsteht: Wo jede Abteilung ihre eigene Lösung baut, bleibt der Nutzen lokal. Ohne gemeinsame Standards wird das Rad immer wieder neu erfunden, statt gute Lösungen im Unternehmen weiterzuverwenden.
Auch die Kosten verschieben sich. Bislang werden viele KI-Dienste von den Anbietern stark subventioniert, doch die Preise ziehen an und nähern sich den realen Betriebskosten. Was in der Testphase kaum ins Gewicht fiel, wird im Unternehmensmassstab zu einem relevanten Posten, besonders wenn niemand steuert, welche Tools und Modelle in der Praxis genutzt werden. So wird aus der fehlenden Struktur ein echtes Risiko, für die Datensicherheit ebenso wie für den Geschäftserfolg, der ohne tragfähige Strukturen gar nicht erst skaliert. Und die grösseren zukünftigen Chancen, etwa neue datengetriebene Geschäftsmodelle, rücken so ohnehin in weite Ferne.
Wer hofft, dass sich das mit der Zeit von selbst ordnet, wartet vergebens. Der Druck aus den Fachbereichen lässt nicht nach und je länger die Steuerung hinterherhinkt, desto grösser wird die Steuerungslücke. Die gute Nachricht: Um anzufangen, braucht es weder ein umfassendes Regelwerk noch eine fertige Governance-Architektur. Der Start in das Thema Governance ist deutlich pragmatischer. Wie daraus konkrete nächste Schritte für skalierbare AI Governance werden, zeigt Teil 3 dieser Serie.
Der erste Schritt: Wissen, wo man steht
Der Einstieg beginnt mit einem klaren Blick auf das, was bereits entsteht. In vielen Fachbereichen gibt es längst konkrete Ideen, erste Anwendungen und praktische Erfahrungen mit KI. Genau hier liegt der beste Ausgangspunkt: Wer sichtbar macht, wo KI heute schon genutzt wird, kann gute Ansätze gezielt stärken, offene Fragen einordnen und die nächsten Schritte bewusster setzen.
So wird Governance nicht zum nachträglichen Korrektiv, sondern zur Grundlage dafür, dass erfolgreiche Initiativen weiter wachsen können.
Wie aus dieser ersten Klarheit wirksame Leitplanken werden und warum gute Governance KI nicht bremst, sondern voranbringt, lesen Sie im nächsten Teil dieser Serie: Leitplanken statt Schranke: Wie gute Governance KI vorantreibt.
Autor:innen & Kontaktpersonen
Kategorien
#AI Transformation
#AI Strategy
#AI Agents
#AI Security