Transformation der Organisation: Was KI-Projekte gelingen lässt

Dipl.oec. Traute Kaufmann

vor 8 Stunden

7 Min. Lesezeit

Erfolgreiche KI-Projekte erfordern mehr als ein KI-Werkzeug: Sie erfordern die Verbindung neuer Rollen, erweiterter Zuständigkeiten und neuer Kompetenzen mit Daten, technischen Grundlagen und Governance.

Transformation der Organisation — Tranformation der Organisation

In meinem letzten Blog habe ich dargelegt, wie Unternehmensstrategie, Geschäftsfeldstrategien, IT-Strategie, Datenstrategie und KI-Strategie zusammenwirken. Die zentrale Botschaft lautete: Eine KI-Strategie ist keine isolierte Strategie. Sie entsteht nicht aus einem Werkzeug heraus, sondern muss im strategischen Gefüge eines Unternehmens ihren Platz finden. Damit ist jedoch noch nicht geklärt, wie ein Unternehmen KI tatsächlich organisatorisch verankert. Jede Strategie wird erst wirksam, wenn sie in Rollen, Zuständigkeiten, Kompetenzen und Entscheidungswegen mündet. Und so bleibt auch eine KI-Strategie wirkungslos, wenn im Unternehmen unklar bleibt, wer Anwendungsfälle identifiziert, wer über Ressourcen entscheidet, wer für Daten verantwortlich ist, welche neuen Kompetenzen benötigt werden und wer den Einsatz von KI kontrolliert.

Genau darum geht es in diesem Blog: Um die organisatorischen Konsequenzen einer KI-Strategie – und warum deren erfolgreiche Umsetzung eine Transformation der Organisation erfordert.

KI braucht mehr als ein KI-Team

In der Praxis wird KI häufig zunächst als Aufgabe der IT verstanden. Das ist jedoch zu kurz gegriffen. Die IT kann technische Möglichkeiten aufzeigen, Systeme bereitstellen und den Betrieb sicherstellen. Ob eine KI-Anwendung einen geschäftlichen Nutzen schafft, entscheidet sich aber in den Geschäftsfeldern. Diese müssen aus Marktsicht klare Antworten auf folgende Fragen geben: Welches Kundenproblem wird gelöst? Welche Aufgabe wird besser, schneller oder zuverlässiger erledigt? Lohnt sich der Aufwand des KI-Einsatzes gegenüber einer einfacheren Lösung?

Genauso wenig kann die Unternehmensleitung alle KI-Anwendungsfälle selbst entwickeln. Sie kann Prioritäten setzen, Investitionen steuern und Risiken bewerten. Die fachliche Nähe zu Kunden, Prozessen und Märkten liegt jedoch bei den Geschäftsfeldern.

KI benötigt also das Zusammenspiel mehrerer Ebenen. Eine „KI-Insel“ im Organigramm wäre nicht zielführend. Erfolgreich ist KI dann, wenn die vorhandenen Organisationseinheiten ihre Aufgaben weiterentwickeln, neue Zuständigkeiten übernehmen und verbindlich zusammenarbeiten.

Die Unternehmensleitung setzt den Rahmen von KI

Die Rolle der Unternehmensleitung verändert sich nicht grundlegend, wohl aber ihr Blickwinkel. Sie entscheidet nicht über jedes einzelne KI-Projekt, sondern legt den Rahmen fest: Welche Bedeutung soll KI für unser Gesamtportfolio haben? Welche Prioritäten gelten? Welche Mittel stellen wir zur Verfügung? Welche Risiken ist das Unternehmen bereit einzugehen? Festzulegen sind:

Leitplanken für die Investitionen in digitale und KI-Themen.
Prioritäten für strategisch wichtige Geschäftsfelder.
Vorgaben für genutzte Plattformen, Daten und Fähigkeiten.
Entscheidungen über verantwortungsvollen KI-Einsatz und Risikotoleranz.

Diese Vorgaben sollen nicht in ein Detail-Management ausarten, sondern den Führungskräften und Mitarbeitern eine klare Orientierung geben, wo das Unternehmen KI gezielt fördern will – und wo der Einsatz von KI zunächst kein strategisches Thema ist. Darüber hinaus sichtet das Top Management regelmäßig die laufende Vorhaben, deren Nutzen und deren Risiken.

Die Geschäftsfelder identifizieren den Nutzen von KI

Die Geschäftsfelder bleiben auch bei KI die treibende Kraft für die geschäftliche Wertschöpfung. Sie kennen ihre Kunden, Märkte, Produkte und Abläufe am besten. Neu ist, dass sie KI nicht nur als technische Möglichkeit betrachten sollen, sondern als potenziellen Bestandteil ihres Leistungsangebots und ihrer Arbeitsabläufe. So prüfen die Geschäftsfeldverantwortlichen beispielsweise:

Welche wiederkehrenden Aufgaben binden unnötig Zeit?
Wo entstehen Fehler, Verzögerungen oder hohe Prüfaufwände?
Welche Kundenanfragen lassen sich standardisieren?
Welche Daten liegen bereits vor und könnten für bessere Entscheidungen genutzt werden?
Wo könnte KI ein bestehendes Angebot verbessern oder ein neues ermöglichen?

Aus diesen Überlegungen können konkrete Anwendungsfälle entwickelt werden. Ein Anlagenbauer könnte mithilfe von KI Maschinendaten auswerten und frühzeitig auf einen wahrscheinlichen Wartungsbedarf hinweisen. Ein Einkauf könnte Rechnungen automatisch mit Bestellungen und Wareneingängen abgleichen und nur auffällige Fälle zur manuellen Prüfung weiterleiten. Entscheidend ist dabei ist der nachweisbare Nutzen eines KI-Einsatzes. Die Geschäftsfelder tragen zusätzlich zur Verantwortung des Geschäftsergebnisses nun auch die Verantwortung für die Frage, ob und wie KI dazu beiträgt.

Die IT schafft die technischen Voraussetzungen für KI

Auch für die IT bleibt ihre grundlegende Rolle bestehen: Sie ist Enabler und Dienstleister. Die IT-Strategie leitet sich aus den Anforderungen der Unternehmens- und Geschäftsfeldstrategien ab. Sie klärt, welche Systeme, Datenplattformen, Schnittstellen, Infrastruktur, Sicherheitsvorkehrungen und Kompetenzen benötigt werden. Neu ist nun, dass die IT die Anforderungen an die KI systematisch, über Geschäftsfeldgrenzen hinweg zusammenführen muss. Die IT trägt die technische Verantwortung, nicht jedoch die Verantwortung für den geschäftlichen Erfolg einer KI-Anwendung. Dabei prüft die IT unter anderem:

Welche technischen Lösungen sind möglich und sinnvoll?
Welche Systeme müssen miteinander verbunden werden?
Welche Plattformen können von mehreren Geschäftsfeldern genutzt werden?
Welche Sicherheits- und Betriebsanforderungen gelten?
Welche Kompetenzen müssen intern aufgebaut oder extern beschafft werden?

Die IT wird damit stärker zum Gestalter gemeinsamer technischer Grundlagen. Statt für jedes Geschäftsfeld eine separate Lösung zu entwickeln, muss sie entscheiden, wo gemeinsame Plattformen sinnvoll sind und wo fachspezifische Lösungen erforderlich bleiben.

Die Fachbereiche verantworten die Daten

Daten sind die Grundlage datengetriebener KI-Anwendungen. Eine Datenstrategie sorgt dafür, dass Daten verfügbar, verlässlich, sicher und für den jeweiligen Zweck nutzbar sind. Die IT kann hierfür die technische Infrastruktur bereitstellen. Ob Daten fachlich aussagekräftig, vollständig und für eine konkrete Aufgabe geeignet sind, beurteilen jedoch die Geschäftsfelder und Fachbereiche.Daraus ergibt sich eine wichtige organisatorische Konsequenz: Für zentrale Datenbestände müssen die Verantwortlichkeiten klar sein. Daraus entstehen neue Aufgaben, die auf neuen Kompetenzen beruhen. Typische Rollen sind:

Data Owner: Er verantwortet einen Datenbestand fachlich, etwa den Kundendatenbestand oder Produktionsdaten.
Data Steward: Er sorgt operativ für Datenqualität, Definitionen, Zugriffsrechte und Dokumentation.
IT / Datenplattform-Team: Dieses stellt Speicherung, Integration, Schnittstellen und technische Sicherheit bereit.
Datenschutz und Informationssicherheit: Hier werden rechtliche, ethische und sicherheitsrelevante Anforderungen geprüft.

Diese Rollen sollten nicht erst dann geschaffen werden, wenn ein KI-Projekt bereits läuft. Sie sind Voraussetzung dafür, dass KI-Anwendungen auf verlässlichen Grundlagen aufbauen können.

Spezialisierte Rollen für Entwicklung und Betrieb

Für die Entwicklung und den Betrieb von KI-Anwendungen kommen weitere spezialisierte Rollen hinzu. Die OECD beschreibt entlang des KI-Lebenszyklus unterschiedliche Akteure, darunter Data Scientists, Domain Experts, Data Engineers, Entwickler, Modellierer, Tester und Systemintegratoren. (1) Die Microsoft-Dokumentation zum Azure ML-Ops Accelerator grenzt davon ausgehend insbesondere die praktischen Rollen von Data Scientists, Machine-Learning-Engineers und Data Engineers ab.(2):

Data Scientists analysieren Daten, entwickeln Algorithmen und trainieren Modelle, um Erkenntnisse und Vorhersagen abzuleiten. Dazu können spezialisierte Predictive Modeler gehören, die Modelle gezielt entwickeln, testen und validieren. Data-Mining-Spezialisten suchen in großen Datenbeständen nach Mustern und relevanten Informationen, die für Analysen oder Vorhersagen genutzt werden können.
KI-Forscher (AI Researcher) entwickeln neue Algorithmen und Methoden, um die Leistungsfähigkeit von KI-Systemen weiterzuentwickeln. Machine-Learning-Engineers implementieren, optimieren und skalieren Machine-Learning-Modelle für den produktiven Einsatz.
Data Engineers bauen und betreiben die technische Dateninfrastruktur, etwa Data Warehouses, Data Lakes, Pipelines und Schnittstellen.
UX-/UI-Designer gestalten die Schnittstellen, über die Mitarbeitende oder Kunden mit KI-Anwendungen arbeiten.
Product Owner tragen die wirtschaftliche und fachliche Verantwortung für ein KI-Angebot: vom Nutzenversprechen über die Priorisierung bis zur erfolgreichen Einführung.
Ethics- und Compliance-Specialists prüfen KI-bezogene ethische, rechtliche, regulatorische und ESG-relevante Anforderungen.

Diese Rollen ergänzen die Verantwortlichkeit für Daten, IT, Datenschutz und Informationssicherheit. Sie bringen die Kompetenzen mit, welche für die Entwicklung und den Betrieb von KI-Anwendungen benötigt werden. Erst wenn diese Fähigkeiten dauerhaft im Unternehmen verankert sind, kann aus einzelnen KI-Anwendungen eine nachhaltige Transformation der Organisation werden.

KI-Governance schafft Verlässlichkeit

Die KI-Strategie braucht eine KI-Governance. Sie legt fest, wie KI-Anwendungen ausgewählt, eingeführt, überwacht und weiterentwickelt werden. Wirksames KI-Risikomanagement erfordert dabei geeignete Accountability-Mechanismen, klare Rollen und Verantwortlichkeiten sowie eine Abstimmung über den gesamten Lebenszyklus von KI-Systemen. (3)

Dazu gehören unter anderem:

Kriterien für die Bewertung und Priorisierung von KI-Anwendungsfällen.
Regeln für Datenschutz, Sicherheit, Compliance und ethische Fragen.
Festlegungen, wann Menschen KI-Ergebnisse prüfen müssen.
Eskalationswege, wenn ein KI-System unsicher, fehlerhaft oder riskant reagiert.
Verantwortlichkeiten für Betrieb, Überwachung und kontinuierliche Verbesserung.

Praktisch kann dafür ein KI-Governance-Gremium entstehen. Das Gremium sollte nicht jedes kleine Pilotprojekt kontrollieren, sondern Standards setzen, risikoreiche Anwendungen bewerten und dafür sorgen, dass Verantwortlichkeiten klar sind. Sinnvolle Mitglieder sind Vertreter aus Geschäftsfeldern, IT, Datenschutz, Informationssicherheit, Compliance, Recht und gegebenenfalls Personal.

Kompetenzen und Akzeptanz entwickeln

KI verändert Arbeitsabläufe:

In der vorausschauenden Instandhaltung verändert die KI die Arbeit der Serviceplaner und Techniker: Aus der Reaktion auf Störungen wird eine planbare, datengestützte Wartung.
Im Einkauf verändert KI die Arbeit von Sachbearbeitern: Statt alle Rechnungen manuell zu prüfen, konzentrieren sie sich auf auffällige Fälle und Ausnahmen.

In beiden Fällen müssen Mitarbeitende verstehen, was KI leisten kann, wo ihre Grenzen liegen und wann sie selbst eingreifen müssen. Organisatorisch bedeutet das, dass die Mitarbeiter gezielte Schulungen zu KI, Daten und neuen Arbeitsabläufen benötigen. Ihre Führungskräfte müssen die Veränderungen aktiv begleiten und die Erfahrungen aus den Projekten müssen systematisch in den Betrieb zurückfließen.

KI sollte als Unterstützung verstanden werden, nicht als Ersatz für menschliche Kontrolle. Akzeptanz entsteht nicht durch eine Ankündigung, sondern durch transparente Kommunikation, klare Regeln und sichtbaren Nutzen für Kunden wie Mitarbeitende.

Praxisbeispiel: Vorausschauende Instandhaltung

Das nachsgtehende Beispiel zeigt, dass KI-Vorhaben nicht durch das KI-Modell allein erfolgreich wird, sondern durch die organisatorische Verankerung – durch klare Zuständigkeiten, geeignete Daten, technische Integration, neue Kompetenzen und eine funktionierende Governance.

Ein Anlagenbauer möchte die Wartung seiner Maschinen beim Kunden verbessern.

Das Geschäftsfeld Service identifiziert einen möglichen KI-Anwendungsfall: Sensordaten zu Temperatur, Vibration und Betriebsstunden sollen ausgewertet werden, um einen wahrscheinlichen Wartungsbedarf frühzeitig zu erkennen. Der geschäftliche Nutzen liegt in weniger ungeplanten Ausfällen, besser planbaren Serviceeinsätzen und einem attraktiveren Wartungsangebot.
Die IT prüft, wie Maschinendaten beim Kunden erfasst, übertragen und in eine zentrale Analyseplattform integriert werden können.
Die Datenverantwortlichen im Servicebereich legen fest, welche Sensordaten und Wartungshistorien benötigt werden, wie ihre Qualität gesichert wird und wer Zugriff erhält.
Der Datenschutz und die Informationssicherheit werden frühzeitig eingebunden.
Für die Umsetzung arbeitet ein interdisziplinäres Team: Data Scientists entwickeln das Modell, Machine-Learning-Engineers integrieren es in den Betrieb, Data Engineers stellen die Datenpipelines bereit und UX-/UI-Designer gestalten die Oberfläche für die Serviceplanung. Der Product Owner verantwortet den Business Case, während Ethics- und Compliance-Specialists die Rahmenbedingungen prüfen.
Die KI-Governance legt fest, dass das System Wartungshinweise erzeugt, aber keine automatischen Einsatzentscheidungen trifft.
Die Serviceplaner bewerten die Hinweise, stimmen Termine mit den Kunden ab und dokumentieren Abweichungen. Ihre Rückmeldungen fließen in die Weiterentwicklung des Modells ein.

Nicht jede Organisation braucht ein KI-Center

Nicht jedes Unternehmen benötigt sofort ein großes KI-Center of Excellence oder eine eigene KI-Abteilung. Entscheidend ist zunächst, dass die vorhandenen Zuständigkeiten klar verbunden werden:

Wer trägt das Geschäftsergebnis?
Wer entscheidet über Ressourcen und Prioritäten?
Wer verantwortet Daten?
Wer stellt die technische Lösung bereit?
Wer entwickelt und betreibt KI-Modelle?
Wer prüft Risiken und kontrolliert den Einsatz?
Wer entscheidet, wann ein KI-Vorhaben gestoppt wird?

Eine kleine Organisation kann diese Aufgaben mit wenigen klaren Rollen abbilden. Ein größeres Unternehmen benötigt möglicherweise ein KI-Governance-Gremium, zentrale Plattformteams und benannte Datenverantwortliche in den Fachbereichen.

Quellen

Organisation for Economic Co-operation and Development (OECD): Framework for the Classification of AI Systems, OECD Digital Economy Papers, No. 323, Februar 2022, DOI: https://doi.org/10.1787/cb6d9eca-en, abgerufen am 15.10.2026.
Microsoft: Azure ML-Ops Accelerator: Skills, Roles & Responsibilities, abgerufen am 15.10.2026, https://microsoft.github.io/azureml-ops-accelerator/1-MLOpsFoundation/2-SkillsRolesAndResponsibilities/
National Institute of Standards and Technology (NIST): Artificial Intelligence Risk Management Framework (AI RMF 1.0), NIST AI 100-1, Januar 2023, DOI: 10.6028/NIST.AI.100-1, abgerufen am 15.10.2026.