Was ist eine KI-Strategie: ein Leitfaden für Unternehmensführungen

Die wichtigsten Erkenntnisse

Was eine KI-Strategie tatsächlich ist

Eine KI-Strategie ist ein schriftlicher Plan, der festlegt, welche Geschäftsprobleme KI in welcher Reihenfolge, mit welchen Daten, unter welcher Governance und mit welchem Budget lösen wird. Alles andere ist eine Wunschliste.

Die Sichtweise der MIT Sloan deckt sich damit: Eine KI-Strategie ist ein unternehmensweiter Plan, der KI-Arbeit an Geschäftszielen ausrichtet und kein Portfolio zusammenhangloser Pilotprojekte darstellt. Eine Studie von MIT Sloan Management Review und BCG hat ergeben, dass Unternehmen, die KI funktionsübergreifend als strategische Priorität behandeln, deutlich häufiger finanzielle Vorteile melden als solche, die isolierte Experimente durchführen.

Eine tragfähige Strategie leistet fünf Dinge gleichzeitig:

• Sie priorisiert Problemstellungen nach erwartetem Wert und Machbarkeit und verwirft die übrigen, bevor sie Entwicklungsstunden verbrauchen.
• Sie benennt für jedes Modell einen Verantwortlichen auf der Fachbereichsseite, nicht nur eine technische Leitung.
• Sie definiert, welche Daten jeder Anwendungsfall benötigt, wem sie gehören und wo sie rechtlich vorgehalten werden dürfen.
• Sie wählt Einsatzmodi bewusst aus: vollständige Automatisierung, Human-in-the-Loop oder überwachte Autonomie.
• Sie verankert Governance vom ersten Tag an im Betriebsmodell und nicht als rechtliche Prüfung am Ende.

Ein praxisnaher Ausgangspunkt: Die meisten Strategien, die wir bei Silk Data erarbeiten, beginnen mit einem Workshop und einem Dokument. Der Workshop ist ein halbtägiges Treffen mit dem Executive Sponsor und den zwei oder drei Fachbereichsverantwortlichen, die den in Frage kommenden Anwendungsfällen am nächsten stehen. Das Dokument ist eine einseitige Bewertung jedes Kandidaten nach geschäftlicher Wirkung, Datenreife, Einsatzrisiko und Time-to-Value. Alles unterhalb der Schwelle kommt mit einem Termin zur erneuten Prüfung auf eine Beobachtungsliste. Der Workshop kommt ohne Berater aus; das Dokument benötigt jedoch jemanden, der diesen Prozess bereits durchlaufen hat und Fragen stellen kann, die unbequeme Antworten im Raum zutage fördern.

Ein Kompromiss ist einzuräumen. Eine straffe Strategie verlangsamt die ersten sechs Monate. Teams können nicht einfach Pilotprojekte starten. Im Gegenzug gleicht das zweite Jahr nicht mehr einem Friedhof halbfertiger Projekte. Die meisten Führungskräfte, mit denen wir arbeiten, akzeptieren diesen Kompromiss, sobald sie die Alternative gesehen haben.

Die fünf Komponenten, die tatsächlich zählen

Eine funktionierende KI-Strategie deckt fünf Bereiche ab. Lässt man einen aus, zeigt sich die Lücke später in Form von Kosten, Risiken oder ungenutzter Software.

1. Auswahl der Anwendungsfälle. Bewerten Sie Kandidaten nach geschäftlicher Wirkung und Machbarkeit. Der Quadrant mit hoher Wirkung und hoher Machbarkeit finanziert sich selbst. Alles Übrige kommt auf eine Beobachtungsliste.
2. Passgenauigkeit der Technologie. Passen Sie die Methode zum Problem. Eine Kundenabwanderungsprognose verlangt in der Regel Gradient Boosting und kein feinabgestimmtes LLM. Unsere Fallstudien zum maschinellen Lernen zeigen, wo klassisches ML bei strukturierter Vorhersage weiterhin allen generativen Ansätzen überlegen ist.
3. Datengrundlagen. Definieren Sie Eigentum, Qualitätsanforderungen, Zugriffsregeln und Aufbewahrungsfristen, bevor das Training beginnt. In einem Klickvorhersageprojekt mit einer CTR von 0,1–0,5 % half Resampling nicht. Wir brauchten Dutzende Millionen Datensätze. Das Datenvolumen ist eine strategische Frage, kein technisches Detail.
4. Governance und verantwortungsvolle KI. Bias-Kontrollen, Monitoring, Prüfprotokolle und benannte Verantwortlichkeit. Compliance-Rahmenwerke sollten nach Rechtsraum ausgewählt und nicht zusammengeworfen werden (siehe Governance-Abschnitt weiter unten).
5. Betriebsmodell. Wer entscheidet, was gebaut wird, wer es wartet, wer es abschaltet. Ohne dies wird jedes Modell in dem Moment zum Problem eines anderen, in dem sein Fürsprecher den Job wechselt.

Polina Volodina, unsere AI Advisor, führt das erste Gespräch üblicherweise entlang einer einzigen Frage. Wenn dieses Modell morgen einwandfrei funktionierte, welche Zeile in der Gewinn- und Verlustrechnung würde sich verändern und um wie viel? Kann diese Frage niemand beantworten, ist der Anwendungsfall noch nicht reif für die Strategie.

Wohin das Budget tatsächlich fließt

Die meisten Anbieterangebote lassen die Modellierung wie das Hauptereignis wirken. In der Praxis ist sie nur ein kleiner Teil der Arbeit. In über 200 Projekten sieht unsere Aufwandsverteilung wie folgt aus:

Was diese Budgetverteilung für die Personalplannung bedeudet, bleibt für die Führung oft unsichtbar. Ein Team mit fünf ML-Ingenieuren und einem Dateningenieur produziert das Gegenteil des Benötigten – schnelle Modellierung, langsame alles andere. Das Muster, das Projekte zum Abschluss bringt: zwei bis drei Dateningenieure pro ML-Ingenieur in den ersten 6–9 Monaten, danach eine Neuausrichtung, sobald die Datenbasis stabil ist. Ist das Ihnen angebotene Team stark bei den Modellierungstalenten, aber schwach in der Datenarbeit, ist der Zeitplan bereits verschoben – das Team weiß es nur noch nicht.

Setzt ein Anbieterangebot 60 % auf Modellierung und 10 % auf Daten an, sollten Sie dies als Warnzeichen werten. Wir haben erlebt, wie Budgets explodierten, weil die Datenarbeit als Nebenaufgabe angesetzt wurde. In einem Projekt zur prädiktiven Analytik für Großtierbetriebe fanden wir einen einzelnen Datensatz, der ein Tier mit mehreren Dutzend Tonnen auswies. Solche Fehler stecken in echten Daten. Sie prägen das Ergebnis stärker als jede Algorithmenwahl.

Wählen Sie den Einsatzmodus bewusst

Der Einsatzmodus entscheidet darüber, wie KI die Arbeit selbst verändert. Wählt man den falschen, stockt die Einführung – unabhängig von der Modellgenauigkeit.

Ein Beispiel aus unserem Projekt zum KI-gestützten Lebenslauf-Screening: Unstrukturierte Lebensläufe werden zu strukturierten Datensätzen, das Modell priorisiert Bewerber und entwirft Interviewfragen, doch der Recruiter entscheidet weiterhin, wer die nächste Runde erreicht. Das ist Augmentation, keine Automatisierung. Wir hätten den Ablehnungsschritt automatisieren können. Wir haben es nicht getan. Die Kosten einer falschen Ablehnung sind asymmetrisch: verlorene Kandidaten, Markenschaden und Diskriminierungsrisiko.

Yuliya Marazenko, die unsere LLM- und NLP-Implementierungen leitet, formuliert es in Scoping-Gesprächen unmissverständlich. Die Frage lautet nicht, was das Modell allein tun kann. Sondern was es allein tun sollte, gemessen an den Kosten eines Fehlers.

Governance nach Rechtsraum, nicht nach Checkliste

Verantwortungsvolle KI ist keine Marke. Sie ist ein Bündel von Entscheidungen über Daten, Verantwortlichkeit und Recht. Welche Rahmenwerke relevant sind, hängt davon ab, wo Sie tätig sind und mit welchen Daten Sie arbeiten.

• EU AI Act gilt für KI-Systeme, die auf dem EU-Markt bereitgestellt oder dort genutzt werden. Er klassifiziert Systeme nach Risikostufen und legt für jede Stufe Pflichten fest. Relevant, wenn Sie in die EU verkaufen oder KI bei EU-Nutzern einsetzen. Der offizielle Text des EU AI Act ist die Grundlage, die vor der Definition eines Hochrisiko-Anwendungsfalls zu lesen ist.
• DSGVO regelt die Verarbeitung personenbezogener Daten von Personen in der EU. Jedes KI-System, das mit personenbezogenen Daten trainiert wird oder diese bewertet, fällt darunter.
• NIST AI RMF ist ein freiwilliger US-Leitfaden für das KI-Risikomanagement. Als internes Gerüst auch außerhalb der USA nützlich.
• FERPA gilt für US-amerikanische Bildungsakten von Schülern und Studierenden. Relevant für EdTech, nicht für angrenzende Verbraucherprodukte.
• ICO ist die britische Datenschutzbehörde. Für die Nutzung personenbezogener Daten im Vereinigten Königreich zu berücksichtigen, nicht für allgemeine Fragen der KI-Entwicklung.

Werden diese Rahmenwerke in einer einzigen Aufzählung vermengt, wie es viele Strategiepräsentationen tun, verschleiert dies, welche Regelung Sie tatsächlich bindet. Wählen Sie die Rahmenwerke aus, die Ihre Region und Ihr Datentyp erfordern, und bauen Sie anschließend die Kontrollen auf. Die technischen Kontrollen liegen auf einer eigenen Ebene. Bias-Tests, Drift-Monitoring, Audit-Protokolle und benannte Verantwortlichkeit sollten für jedes Modell gelten, unabhängig vom Rechtsraum.

Eine nützliche interne Regel: Jedes eingesetzte Modell hat einen fachlichen Verantwortlichen, einen technischen Verantwortlichen, ein Abschaltkriterium und ein Monitoring-Dashboard. Fehlt eines davon, ist das Modell nicht in Produktion. Es befindet sich in einem undefinierten Zustand.

Agentische KI: wann planen, wann abwarten

Agentische Systeme sagen nicht nur voraus oder erzeugen Inhalte. Sie führen mehrstufige Handlungen aus: ein Dokument lesen, eine API aufrufen, einen Datensatz schreiben, einen Arbeitsablauf auslösen. Die strategische Frage ist nicht, ob man sie einsetzen soll. Sondern wann.

Argument für eine frühzeitige Planung: Governance und Dateninfrastruktur benötigen länger im Aufbau als der Agent selbst. Wartet man, bis die Technologie überall verbreitet ist, wird sie ohne Kontrollen eingeführt.

Argument für das Abwarten: Fehleraufschaukelung. Bei einem einstufigen Modell ist eine schlechte Ausgabe eine einzelne schlechte Ausgabe. Bei einem Agenten mit fünf Schritten bedeutet eine Genauigkeit von 90 % je Schritt eine Ende-zu-Ende-Erfolgsquote von etwa 59 %. Diese Rechnung trägt derzeit nicht für Finanz-, Gesundheits- oder Rechts-Workflows.

Ein sinnvoller Mittelweg:

• Bauen Sie die Datenanbindung und die Zugriffskontrollen jetzt auf. Diese Investitionen zahlen sich auch ohne Agenten aus.
• Führen Sie agentische Pilotprojekte nur bei umkehrbaren Arbeitsabläufen mit geringem Risiko durch: interne Recherche, Entwürfe, Triage.
• Definieren Sie klare Leitplanken: Welche Werkzeuge darf der Agent aufrufen, was darf er nicht anfassen, wann muss ein Mensch zustimmen.
• Behandeln Sie den Agenten wie einen Junior-Mitarbeiter. Prüfen Sie die Arbeit im ersten Quartal. Übertragen Sie ihm keine Freigabeberechtigung für Dinge, die Bedeutung haben.

Wo die meisten KI-Strategien im Stillen scheitern

Das Muster hinter gescheiterten KI-Programmen ist meist organisatorisch, nicht technisch. Drei Fehlermuster tauchen immer wieder auf.

Die Geschäftsleitung delegiert KI an die IT. Wird KI als Infrastrukturprojekt behandelt, folgen die Prioritäten dem Organigramm statt der Gewinn- und Verlustrechnung. Die Strategie erhält nie das politische Gewicht, um wenig wertstiftende Pilotprojekte zu stoppen oder Budget in unspektakuläre, aber wertvolle Arbeit wie Datenqualität zu lenken.

Die Einführung wird als Start geplant, nicht als Verhaltensänderung. Ein Modell, das in einen Arbeitsablauf ausgeliefert wird, den niemand umgestaltet hat, wird umgangen. Die Akzeptanz hängt davon ab, wie die Arbeit selbst neu organisiert wurde, nicht davon, wie gut das Modell ist.

Governance wird am Ende hinzugefügt. Bias-Tests, Audit-Protokolle und Verantwortlichkeit nachträglich an ein bereits eingesetztes Modell anzuflanschen, dauert länger, als sie von Anfang an einzuplanen. Es bringt Probleme zudem öffentlich statt intern zum Vorschein. Bis dahin ist das Vertrauen verloren.

Das Modell hat einen Fürsprecher, aber keinen Verantwortlichen. Ein Fürsprecher sorgt dafür, dass es gebaut wird. Ein Verantwortlicher hält es am Leben. Zum Start sind das oft dieselbe Person, sechs Monate später jedoch unterschiedliche Personen, wenn der Fürsprecher zur nächsten Initiative weitergezogen ist und der Verantwortliche nie formell benannt wurde. Das Modell läuft weiter, bis etwas ausfällt; dann entdecken alle, dass die „Verantwortlichkeit“ nur implizit war. Abhilfe: Die Übergabe der Verantwortung wird zu einem ausdrücklichen Meilenstein mit Kalenderdatum, nicht zu einem organischen Prozess.

Yuri Svirid, unser CEO, fasst die Lehre aus über 30 Jahren in EdTech und FinTech so zusammen: Das Modell ist der einfache Teil. Der schwere Teil besteht darin, zu entscheiden, wer die Verantwortung für die vom Modell getroffene Entscheidung trägt – und ehrlich zu sein, wenn die Antwort lautet: „Diese Entscheidung sollten wir überhaupt nicht mit einem Modell treffen.“

Welche Rolle Silk Data einnimmt

Kommt Ihnen das obige Bild bekannt vor, besteht der nächste Schritt meist darin, die Strategie auf zwei oder drei konkrete Anwendungsfälle zu verdichten, die einen Proof of Concept wert sind. Genau diese Arbeit leisten wir.

Unser Team umfasst über 65 Ingenieure in Warschau und Krefeld unter der Leitung von Fachkräften auf Promotionsniveau. Wir haben mehr als 200 Projekte ausgeliefert und 32 langfristige Vorhaben von Grund auf umgesetzt. Sinnvolle Ausgangspunkte, je nachdem, wo Sie stehen:

• KI-Beratung für Machbarkeitsprüfungen, Roadmaps und Build-vs-Buy-Bewertungen, solange Sie die Strategie noch definieren.
• KI-Proof-of-Concept für einen etwa dreimonatigen Zyklus von der Definition bis zum Prototyp für einen einzelnen Anwendungsfall.
• On-Premises-LLM-Integrationen, wenn Ihre Daten das Unternehmensnetzwerk nicht verlassen dürfen, einschließlich der lokalen LLM-Umgebung, die wir für eine Marketingagentur aufgebaut haben.

Wir sagen Ihnen, wenn SQL ausreicht und ein Modell überdimensioniert ist. Dieses Gespräch spart in der Regel mehr Budget als jede spätere Werkzeugentscheidung.