KI-Pflaster statt KI-Strategie

Die erste Welle ist durch. Copilot-Lizenzen sind gekauft, ein CompanyGPT steht, ein paar Meetings werden per KI zusammengefasst. In vielen Chefetagen stellt sich jetzt die richtige Frage: Was hat das eigentlich gebracht? Die Time-to-Market für die eigenen Kernprodukte hat sich um keinen einzigen Tag verkürzt. Es entstand keine datengetriebene KI-Company, denn es wurde kein Fundament gebaut sondern Pflaster geklebt.

Oft ist es kein technologisches Versagen, sondern ein organisatorisches. Wer KI einfach auf kaputte, von Silos geprägte Prozesse kippt, macht diese nicht besser, sondern es noch schwerer, sie anzupassen.

Die Prinzipien dahinter sind nicht neu. Silos einreißen, Durchlaufzeiten messen, Ergebnisse statt Aktivität: das predigen Lean-Denker seit Jahrzehnten.¹ Neu ist die Konsequenz. KI ermöglicht erstmals autonome Lernsysteme. Der Abstand zwischen lernenden und nicht-lernenden Organisationen wächst damit schneller als je zuvor.

Da die Lerngeschwindigkeit einer Organisation heute über ihr Überleben entscheidet,² braucht es einen ehrlichen Blick auf die eigene KI-Strategie. Drei Reifegrade helfen bei der Einordnung: KI als Pflaster, KI als Hebel und KI als Betriebssystem.

Wer heute lernt, wie ein echter KI-Hebel im eigenen Kerngeschäft funktioniert, profitiert vom Zinseszins dieses Wissens. Wer weiter nur isolierte Pflaster klebt, häuft organisatorische Schulden an.

1. KI als Pflaster

Ein KI-Pflaster ist der Versuch, ein lokales Problem zu optimieren, ohne das globale System zu adressieren.

KI ist keine Lösung. KI ist ein Verstärker. Sie skaliert exakt das, was bereits da ist. Trifft KI auf exzellente, schlanke Prozesse, skaliert sie diese Exzellenz. Trifft sie auf das Gegenteil, produziert sie mehr vom Falschen, nur schneller.

Die häufigste Illusion dabei ist die Geschwindigkeit.

In den meisten etablierten Unternehmen ist die aktive Arbeitszeit an einer Aufgabe gar nicht das Problem. Die Realität ist: Etwa 85 Prozent der Zeit verbringt eine Aufgabe im Wartezustand. Warten auf Zuarbeit anderer Teams, warten auf Freigaben, warten auf das nächste Meeting des Steering Committee.³

Mit KI die reine Bearbeitungszeit verschiedener Schritte zu halbieren, ändert an der Time-to-Market kaum etwas. Die Arbeit staut sich lediglich schneller vor der nächsten organisatorischen roten Ampel.

Zwei Ausprägungen des Pflaster-Klebens aus der Praxis:

Die 30%-Illusion in der Entwicklung Das Versprechen lautet oft, Softwareentwickler würden dank GenAI massiv schneller Code schreiben. Doch das reine Tippen von Code war in reifen Organisationen nie der Flaschenhals. Die Praxis zeigt aktuell ein anderes Bild: Junioren generieren nun Code-Massen in Rekordzeit. Die teuren Senior-Entwickler werden zu Vollzeit-Reviewern, die tagelang den produzierten „AI-Slop" bereinigen müssen, bevor er in Produktion darf. Der Engpass wurde nicht aufgelöst, sondern an die teuerste Stelle im Prozess verschoben.

Die Abhak-Illusion im Fachbereich Ein sicheres Company-GPT wird bereitgestellt. Die Teams laden nun ihre gewohnten, oft fehlerhaften Excel-Sheets hoch, lassen sie zusammenfassen und arbeiten ansonsten exakt so weiter wie bisher. Sheets rein, Sheets raus, per E-Mail weiterschicken. Das Häkchen KI ist gesetzt. Die Art und Weise, wie Geschäftsentscheidungen getroffen werden, bleibt unangetastet.

Dabei sind solche Pflaster nicht per se wertlos. Sie können im ersten Schritt Vertrauen schaffen, Berührungsängste abbauen und erste Lernerfahrungen liefern. Zum Problem werden sie erst, wenn sie anstatt einer echten Strategie kommen und nach zwölf Monaten KI-Initiative das Pflaster das Einzige ist, was steht.

2. KI als Hebel

Ein KI-Hebel funktioniert grundlegend anders als ein Pflaster. Er verändert messbar, wie das Unternehmen Geld verdient oder spart. Genau deshalb fasst ihn oft niemand an. Er erfordert Mut, klare Rückendeckung vom C-Level und eine Fehlerkultur, die Experimente im Kerngeschäft zulässt. Ohne das bleibt der Fokus auf harmlosen Chatbots fürs Intranet, statt die relevanten Kernprozesse in der Logistik oder im Einkauf anzugehen.

Wer verstehen will, was ein echter Hebel im Markt anrichtet, kann zum Beispiel auf den Finanzsektor schauen. Die Blaupause liefert das algorithmische Trading.

Ein Pflaster im Trading wäre eine KI, die der Händlerin die aktuellen Finanzberichte blitzschnell zusammenfasst. Die Entscheidung trifft aber weiterhin der Mensch. Der Hebel hingegen ist das System, das in Millisekunden autonom Entscheidungen trifft und Orders direkt ausführt. Er greift die Kernwertschöpfung an. Das Ergebnis ist bekannt. Wer im Trading heute noch manuell freigibt, ist längst pleite. Was dort bereits Realität ist, öffnet sich jetzt in der Logistik, im Pricing und im Vertrieb.

Natürlich ist diese Autonomie ohne Leitplanken gefährlich. Das zeigt die Geschichte des Algo-Tradings mit seinen Flash Crashes deutlich. Wer einen Kernprozess an KI übergibt, braucht Governance: Entscheidungsgrenzen, Notbremsen und menschliche Eskalationspfade.

Ein Beispiel näher am Unternehmensalltag ist der Fashion Retail. Hier steht eine geschäftskritische Entscheidung im Zentrum: Welche Mengen werden je Artikel, Farbe und Größe bestellt, bei welchem Lieferanten und zu welchem Zeitpunkt? Früher basierte das auf Excel, Erfahrungswerten und simplen Nachbestellregeln. Heute übergeben immer mehr Retailer diese Kernentscheidung schrittweise an KI-Systeme. Der Weg dorthin war nicht trivial: Daten mussten strukturiert und Vertrauen aufgebaut werden. Am Anfang musste jede Bestellentscheidung noch manuell bestätigt werden. Am Ende definieren Einkäufer nur noch Regeln fürs Gesamtsystem und betrachten Ausreißer – das alte System wird abgeschaltet.⁴

Der Bau eines solchen Hebels erfordert eine radikale Umkehr der Logik: nicht bei der Technologie starten, sondern bei der Entscheidung.⁵

Decision-first: Vier Fragen für den Hebel

1. Welche konkrete Entscheidung wollen wir verbessern? Nicht "Wo können wir KI einsetzen?", sondern "Wo verlieren wir Geld, Zeit oder Kunden durch schlechte Entscheidungen?"
2. Wie messen wir den Effekt? Nicht die Modellgenauigkeit, sondern harte Kennzahlen mit direktem Business-Impact.
3. Wer trägt Verantwortung? Nicht das KI-Team, sondern der Fachbereich, der die Entscheidung heute trifft.
4. Was schalten wir danach ab? Wenn nach dem Projekt nichts abgeschaltet wurde — kein altes Excel, kein manueller Prozess — war es ein Pflaster.

Der entscheidende Schritt bei der Implementierung ist nicht der Go-Live des KI-Systems. Es ist das konsequente Abschalten alter Entscheidungswege. Das kann ein IT-System sein, ein Freigabeprozess oder ein Excel-Sheet. Im Trading kam dieser Punkt, als die erfahrenen Händler erkannten, dass manuelles Handeln in vielen Kontexten keinen Sinn mehr hat. Ein echter Hebel tut weh, wenn man ihn wegnimmt. Er verändert einen Prozess und damit auch die Organisation drum herum. Aber eben nur einen Ausschnitt.

3. KI als Betriebssystem

Ein erfolgreicher KI-Hebel ist anfangs eine Insel. Der optimierte Bereich wird datengetrieben und schnell, der Rest der Organisation kommt nicht mit. Echtzeit-Entscheidungen prallen so plötzlich auf starre Jahresplanung und Silo-Budgets.

Ein typischer Reflex des Managements an diesem Punkt ist die organisatorische Flucht: Das Leuchtturm-Projekt wird als „digitales Schnellboot" oder Innovation Lab ausgegründet, fernab des trägen Kerngeschäfts. Das kapselt den Erfolg zwar ab, löst aber das Problem nicht. Der Kern des Unternehmens bleibt unangetastet und veraltet weiter.

Echte Transformation bedeutet, genau diesen Kern anzugreifen. In einem Start-up mit fünf Leuten wissen alle sofort Bescheid, wenn ein wichtiger Kunde droht abzuspringen. Jeder passt seine Entscheidungen an, um das zu verhindern. Jede Entscheidung profitiert vom gesamten Wissen der Organisation, in Echtzeit. Im Konzern fließen viele Informationen überhaupt nicht über Bereichsgrenzen. Und auf Managementebene tauchen sie stark verspätet in monatlichen Reportings auf. Der Verlust eines Großkunden erscheint als Randnotiz im nächsten Monatsbericht. Die Lernzyklen sind um ein Vielfaches langsamer. Das gesammelte Wissen steht für kurzfristige Entscheidungen schlicht nicht zur Verfügung.

KI als Betriebssystem schließt diese Lücke. Nicht indem alle alles mitbekommen, sondern indem die Systeme es tun. Wenn der Einkauf Überbestände meldet, passt das Pricing die Rabatte an, noch bevor ein Mensch ein Excel-Sheet öffnet. Die Logistik sieht das Signal und steuert die Lieferkette nach. Jeder Zyklus lernt vom letzten, ohne manuellen Übergabeprozess dazwischen.

Die Daten dafür existieren in den meisten Organisationen bereits. Sie stecken in ERP-Systemen, CRM-Tools, Datenbanken. Nur erreichen sie Entscheidungsträger über Monatsreports und weitergeleitete Excel-Sheets, Wochen zu spät und durch mehrere Managementebenen gefiltert.

KI-Systeme brauchen keine Meetings und keine Reportketten. Aber sie brauchen ein Datenökosystem, das diesen Namen verdient: Daten als eigenständiges Gut mit klaren Qualitätsstandards, nicht als zufälliges Abfallprodukt von Prozessen. Das bedeutet eiserne Data Governance und das unsexy, teure Aufräumen historisch gewachsener Legacy-Daten. Wer dieses Fundament nicht hat, wird es spätestens jetzt spüren. Durch KI werden sich Unternehmen mit belastbarer Datenbasis deutlicher von denen absetzen, die Daten weiterhin als Nebenprodukt behandeln.⁶

Damit verschiebt sich die Rolle der Menschen im Unternehmen. Sie bedienen nicht mehr die KI, sondern definieren die Leitplanken, innerhalb derer das System selbst entscheidet.

Ein solches Betriebssystem lässt sich nicht per Big-Bang-Projekt ausrollen. Es wächst organisch. Es entsteht, indem man den ersten schmerzhaften Hebel baut und die Organisation zwingt, das dahinterliegende Fundament aufzuräumen.

4. Realitätscheck

Pflaster, Hebel, Betriebssystem: Wo steht die eigene Organisation? Vier Tests helfen bei der ehrlichen Einordnung.

Der Schmerz-Test Der Stecker der aktuellen KI-Lösung wird gedanklich testweise gezogen. Kehren die Teams am nächsten Tag unbeeindruckt zum alten Prozess zurück, existiert nur ein Pflaster. Ein echter ausgeschalteter Hebel hinterlässt operative Panik und Handlungsunfähigkeit im Kerngeschäft.

Der Silo-Test Der Weg zur KI-Lösung verlief ohne eine einzige Anpassung der Organisation oder der Datenstrukturen. Das ist kein Beweis für eine exzellente IT, sondern der garantierte Nachweis für ein lokales Pflaster. Echte Hebel erzwingen strukturelle Veränderungen und das Einreißen von Silos.

Der Geschwindigkeits-Test Die Zeitmessung beginnt bei der Hypothese und endet beim ersten echten KI-Experiment am Markt. Dauert dieser Zyklus länger als wenige Wochen, dominiert die Wartezeit. Das System skaliert Liegezeiten, keine Innovation. Die Organisation lernt schlichtweg zu langsam.

Der Kultur-Test Die Innovation findet ausschließlich in einem isolierten Schatten-Team oder einem Innovation Lab statt. Das Kerngeschäft bleibt unangetastet. Damit wurde die Ausgründung gedanklich bereits vollzogen und der Kern des Unternehmens nicht adressiert.

5. Fazit

Der ehrlichste Test bleibt der einfachste: Was wurde abgeschaltet? Kein altes System weg, kein Excel ersetzt, kein Freigabeprozess gestrichen. Dann steht nach zwölf Monaten KI-Initiative nur ein Pflaster.

Der Weg beginnt nicht mit einem Masterplan. Er beginnt mit einer einzigen Entscheidung im Kerngeschäft, die heute schlecht oder zu langsam getroffen wird. Die vier Decision-first-Fragen identifizieren sie. Der Realitätscheck prüft bei jeder KI-Initiative, jedem Quartal, jedem Budget-Review, ob das Ergebnis ein Pflaster ist oder ein Hebel.

Jeder Hebel, der heute steht, beschleunigt den nächsten. Jeder, der nicht gebaut wird, macht den Rückstand aufwändiger aufzuholen.

1. Vgl. Reinertsen, The Principles of Product Development Flow, 2009. Grundlagenwerk zu Flow-Metriken, Cost of Delay und Feedback-Loops in der Produktentwicklung. ↩

2. Vgl. DORA AI Capabilities Model 2025. KI wirkt als Verstärker: Sie skaliert die Stärken leistungsfähiger Organisationen ebenso wie die Schwächen dysfunktionaler. ↩

3. Vgl. Vacanti, When Will It Be Done?, 2018; Leopold, Agilität neu denken, 2. Aufl. 2022. Beide dokumentieren Flow-Effizienzen unter 15 % in typischen Organisationen. ↩

4. Basierend auf Erfahrungen des Autors in der Domäne. Zur eingesetzten Technologie: https://www.codecentric.de/referenzen/aifora-produktentwicklung-skalieren ↩

5. Der Decision-first-Ansatz wird ausführlich beschrieben in: Marcel Mikl, Decision-first statt Data-first, Softwerker. https://www.codecentric.de/wissens-hub/softwerker/softwerker-spezial-daten-ki-effektiv-nutzen ↩

6. Im Kontext von Software-Delivery ist dieser Effekt bereits gut belegt: Laut DORA AI Capabilities Model 2025 hat KI bei niedrigem Data Ecosystem Health keinen nachweisbaren Effekt auf die Organisationsperformance. Bei hohem ist der Effekt stark positiv (S. 22-23). ↩