Die vier Kernbereiche der KI-Strategie. Und warum sie unterschiedliche Ansätze erfordern .

Dies ist ein Artikel von Steven Nooijen, Leiter der Abteilung für Daten- und KI-Strategie bei Xebia, der ursprünglich auf Stevens Blog veröffentlicht wurde.

Warum die meisten KI-Strategien für Verwirrung sorgen

Fragen Sie zehn Führungskräfte, wie ihre „KI-Strategie“ aussieht, und Sie erhalten zehn Antworten, die zwar ähnlich klingen, aber unterschiedliche Aspekte betreffen. Die eine besteht darin, Copilot-Lizenzen einzuführen. Eine andere zielt darauf ab, den Software-Bereitstellungszyklus zu beschleunigen. Eine dritte betrifft die Automatisierung eines Rechnungsstellungsprozesses. Die vierte besteht darin, LLM-Plattformen für einen kundenorientierten Chatbot zu evaluieren.

KI ermöglicht vier verschiedene Wertschöpfungsansätze. Wenn Sie diese nicht voneinander unterscheiden, besteht die Gefahr, dass Ihre KI-Initiative Verwirrung stiftet. Jeder Ansatz hat seine eigenen Vorteile, Herausforderungen, sein eigenes Betriebsmodell und damit auch seine eigene Investitionslogik. In diesem Artikel werden die vier Ansätze beschrieben, damit Sie eine klare und umsetzbare KI-Strategie für Ihr Unternehmen entwickeln können.

1. KI zur Steigerung der persönlichen Produktivität

Tools, die einzelne Wissensarbeiter bei ihrer täglichen Arbeit durch Assistenten wie Microsoft CoPilot, ChatGPT, Gemini oder Claude CoWork unterstützen. Zu den Aufgaben der KI gehören das Verfassen von E-Mails, das Zusammenfassen von Besprechungen, die Analyse von Dokumenten und Tabellenkalkulationen sowie die Erstellung von Präsentationen.

Fragen, die uns von Führungskräften gestellt werden:

Was macht es schwierig? Diese Kategorie erscheint auf den ersten Blick einfach, da die Tools kostengünstig und reichlich verfügbar sind; doch den tatsächlichen Nutzen aus ihnen zu ziehen, ist weitaus schwieriger als der Kauf von Lizenzen. In vielen Unternehmen bleibt die Einführung oberflächlich, da Schulungen und Change Management erst im Nachhinein berücksichtigt werden. Bedenken hinsichtlich Datensicherheit und Compliance verhindern die Umsetzung der Anwendungsfälle, die am wichtigsten wären, wobei das größte Risiko darin besteht, dass vertrauliche Informationen an die Öffentlichkeit gelangen.

Anlagestrategie. Die Wirtschaftlichkeit dieses Vorhabens beruht auf der großflächigen Einführung. Die Lizenzen sind pro Arbeitsplatz zwar günstig, doch da Sie diese an Hunderte von Mitarbeitern vergeben, fließt der Großteil der tatsächlichen Ausgaben in Schulungen, Support und die Unterstützung des Wandels und nicht in die Technologie selbst. Der Nutzen zeigt sich in Form von Zeitersparnissen bei einer großen Nutzergruppe, die vielfältige Tätigkeiten ausübt – was bekanntermaßen nur schwer mit dem Umsatz in Verbindung gebracht werden kann. Verfolgen Sie den Erfolg anhand der Akzeptanzraten und der Kosten pro Arbeitsplatz. Führen Sie das Programm als IT-Unterstützungsmaßnahme durch, nicht als technisches Projekt.

2. Softwareentwicklung im Bereich KI

Code-Assistenten und LLM-gestützte Entwicklungsframeworks verändern die Art und Weise, wie Ihre Entwickler Software erstellen. Diese Tools unterstützen Entwickler bei Aufgaben wie der Codegenerierung, der Fehlerbehebung und der Erstellung von Dokumentation. Dies beschleunigt den Softwareentwicklungszyklus (SDLC) erheblich.

Fragen, die uns von Führungskräften gestellt werden:

Was macht es schwierig? Die wichtigste Kennzahl in diesem Zusammenhang ist die Geschwindigkeit, doch die eigentliche Herausforderung liegt im Kompromiss zwischen Geschwindigkeit und Qualität. Code, der zwar schneller bereitgestellt wird, aber unter hoher Auslastung versagt oder subtile Sicherheitslücken mit sich bringt, kann die scheinbaren Produktivitätsgewinne über Nacht zunichte machen. Sicherheits-, IP- und Compliance-Risiken vervielfachen sich, sobald ein Modell Zugriff auf Ihre firmeneigene Codebasis hat. Und hinter all dem verbirgt sich eine subtilere Herausforderung, die die Akzeptanz untergräbt: Ingenieure verlieren das Vertrauen in den (KI-generierten) Code anderer und befürchten, den Anschluss zu verlieren oder sogar ihren Arbeitsplatz zu verlieren.

Anlagestrategie. Die Kosten in dieser Kategorie lassen sich in zwei Ebenen unterteilen: eine Lizenzgebühr pro Ingenieur für die Tools selbst und die oft unterschätzten Kosten für die Neugestaltung der technischen Arbeitsabläufe im Zusammenhang mit diesen Tools. Die gute Nachricht ist, dass sich der ROI anhand von Kennzahlen wie Durchlaufzeit, Bereitstellungshäufigkeit und Fehlerquote tatsächlich nachverfolgen lässt. Wenn sich die technische Leitung dazu verpflichtet, diese Kennzahlen gezielt zu messen, werden die Ausgaben in der Buchhaltung sichtbar, und die erzielten Gewinne lassen sich nicht mehr leugnen.

3. KI in Geschäftsprozessen

Hierbei handelt es sich um KI zur Automatisierung oder Optimierung interner Prozesse; zu den gängigen Anwendungsfällen zählen: Ticket-Triage, Forschung und Entwicklung, Rechnungsbearbeitung, Nachfrageprognosen oder Wissensassistenten. Dies praktizieren wir bereits seit Jahren mit „klassischen“ KI-Verfahren wie maschinellem Lernen und neuronalen Netzen, doch generative KI und KI-Agenten eröffnen neue Möglichkeiten oder können bestehende Lösungen verbessern.

Fragen, die uns von Führungskräften gestellt werden:

Was macht es schwierig? Hier finden die lautesten Diskussionen zum Thema „Wo bleibt der ROI?“ statt, da von jedem Anwendungsfall erwartet wird, dass er sich innerhalb eines Budgetzyklus amortisiert. Besonders heikel wird dies, wenn abteilungsübergreifende Prozesse neu gestaltet werden. Diese Prozesse versprechen zwar den größten ROI, stellen jedoch in Bezug auf Zuständigkeiten und Steuerung auch die größten organisatorischen Herausforderungen dar. Eine neue technische Herausforderung, die durch agentenbasierte Systeme entsteht, besteht darin, dass sie sich nicht wie deterministische Software verhalten. Das bedeutet, dass für ihre zuverlässige Prüfung und Überwachung Techniken erforderlich sind, die die meisten Teams noch nicht entwickelt haben.

Anlagestrategie. Investitionen in dieser Kategorie sind anwendungsfallorientiert, wobei jede Initiative im Hinblick auf einen bestimmten Geschäftsprozess finanziert wird. Der ROI ist zudem der konkreteste der vier Ansätze, da jedes Projekt einen definierten Umfang und eine klare Vergleichsbasis aufweist: Einsparungen bei Vollzeitäquivalenten, gesteigerter Durchsatz, geringere Fehlerquoten. Genau diese Präzision ist es, die zu einer besonders strengen Prüfung führt. Wenn Sie innerhalb von zwölf Monaten keinen Nachweis für den Mehrwert erbringen können, wird der Anwendungsfall möglicherweise eingestellt, bevor er überhaupt die Chance hat, skaliert zu werden.

4. Kundenorientierte KI

Bei kundenorientierter KI interagiert die KI direkt mit Ihren Kunden. Sie ist in Ihre Produkte, Apps und digitalen Kanäle eingebettet und wird von Teams betreut, die für die Positionierung Ihrer Marke verantwortlich sind: Produkt, Digital, Kundenerlebnis, Vertrieb oder Marketing. Zu den Anwendungsbereichen zählen Chatbots, Personalisierungs-Engines, intelligente Suchfunktionen oder KI-generierte Inhalte.

Fragen, die uns von Führungskräften gestellt werden:

Was macht es schwierig? Sicherheits-, regulatorische und ethische Risiken machen praktisch jede Veröffentlichung zu einem Compliance-Ereignis. Daher ist die Entwicklung und das Testen von kundenorientierter KI eine ernstzunehmende technische Disziplin und nichts, was man an einem Wochenende als Prototyp erstellen sollte. Da nach wie vor das Prinzip „Garbage in, garbage out“ gilt, sind hochwertige und zuverlässige Daten von entscheidender Bedeutung; diese sind jedoch schwer zu beschaffen, da Kundendaten häufig über CRM-, Produkt- und Supportsysteme verstreut sind.

Anlagestrategie. Der Ertrag wird anhand kommerzieller Kennzahlen gemessen: Konversionsrate, Kundenbindung, NPS, Umsatzsteigerung, wobei das Risiko für den Markenruf auf der anderen Seite der Bilanz als echter Nachteil steht. Die Amortisationszeiten sind länger als bei den anderen Strategien, da die Investition in die Plattform beträchtlich ist. Sie sollten diese Art von KI eher als Produktinvestition denn als IT-Ausgabe betrachten. Daher liegt die strategische Entscheidung bei Ihrer Produkt- und Geschäftsführung.

So entwickeln Sie eine effektive KI-Strategie: Die zwei Schritte, die jedes Führungsteam unternehmen sollte

Fazit: Die „KI-Strategie“ besteht eigentlich aus vier Strategien. Wie sollten Sie vorgehen?

Schritt 1: Machen Sie deutlich, in welchen Bereichen KI für Sie einen Mehrwert schafft. Welche der vier Kategorien hat für Sie Priorität? Welche ist zweitrangig? In welchen Bereichen sollten Sie derzeit nicht aktiv werden? Vage Antworten führen hier zu fehlgeleiteten Investitionen in späteren Phasen. Wenn Sie einen strukturierten Ansatz suchen, um zu einer klaren Antwort zu gelangen, führt unser KI-Strategieberatungsteam genau diese Diagnose mit Führungsteams durch.

Schritt 2: Entwickeln Sie ein modernes Betriebsmodell für Daten und KI, das echte Flexibilität in den Bereichen Architektur, Beschaffung, Bereitstellung, Veränderungsmanagement und Governance bietet. Jede der vier Strategien legt unterschiedlichen Schwerpunkt auf eine oder mehrere dieser Dimensionen. Lesen Sie in unserem Begleitartikel mehr darüber, wie Sie ein anpassungsfähiges und widerstandsfähiges Betriebsmodell etablieren können, das darauf ausgelegt ist, alle vier Strategien gleichzeitig zu unterstützen.

Vielen Dank für Ihre Aufmerksamkeit. Wir hoffen, dass Ihnen dieser Beitrag einen klareren Blickwinkel für die nächste Diskussion über die KI-Strategie in Ihrem Unternehmen verschafft.

Wenn Sie besprechen möchten, welche KI-Prioritäten für Ihr Unternehmen am sinnvollsten sind und welches Betriebsmodell erforderlich ist, um diese zu unterstützen, vereinbaren Sie bitte einen kostenlosen Strategietermin mit Steven Nooijen, Leiter der Abteilung für Daten- und KI-Strategie bei Xebia (Autor dieses Artikels), oder einem unserer regionalen Daten- und KI-Experten. Buchen Sie Ihr Beratungsgespräch.