KI im Unternehmen: Welches Modell, welche Infrastruktur — und was das wirklich kostet

Nur 5 Prozent aller KI-Piloten in Unternehmen schaffen messbaren Mehrwert für Umsatz oder Gewinn. Das ist kein Gerücht – das ist das Ergebnis einer MIT/NANDA-Studie aus dem Jahr 2025, die über tausend Unternehmen ausgewertet hat. Die anderen 95 Prozent? Investition ohne nachweisbaren Effekt.

Nicht weil die Modelle schlecht sind. Sondern weil Strategie, Infrastruktur und Adoption fehlen.

Dieser Artikel zeigt, wie man es anders macht: Was KI im Unternehmen wirklich leisten soll, wie eine sinnvolle Infrastruktur aufgebaut ist, welches Modell für welchen Zweck taugt – und warum die Abo-Ära gerade zu Ende geht.

Das Problem: Wie KI heute in Unternehmen landet

Die meisten Organisationen sind gerade in einem frühen Stadium: Ein paar Mitarbeitende nutzen ChatGPT auf eigene Initiative. Das IT-Department sperrt es – oder rollt Copilot aus, weil es in M365 integriert ist und «sicher» klingt. Es gibt keine klare Strategie, keine definierten Use Cases, keine Schulung.

Das Ergebnis ist vorhersehbar.

Unstrukturierte Nutzung ohne Strategie. Wer einfach ein KI-Tool verteilt, ohne zu sagen wofür, bekommt Chaos. Jede und jeder promptet anders, niemand nutzt das volle Potenzial, und die Ergebnisse sind entsprechend ungleich.

Schatten-KI als Standardrealität. 80 Prozent der Mitarbeitenden nutzen KI-Tools, die ihr Unternehmen nicht genehmigt hat – bei Security-Professionals sind es fast 90 Prozent (UpGuard 2025). Das «Bring your own AI»-Phänomen ist längst keine Ausnahme mehr: Laut Microsoft Work Trend Index 2024 bringen 78 Prozent der Mitarbeitenden eigene KI-Tools mit. Nicht aus böser Absicht – sondern weil die offiziellen Lösungen fehlen oder zu restriktiv sind. 82 Prozent der unternehmensrelevanten Copy-Paste-Vorgänge kommen aus nicht verwalteten Privat-Konten, 22 Prozent davon enthalten persönliche Daten, Zugangsdaten, Gesundheitsinformationen, Finanzdaten oder anderen vertraulichen Inhalt (LayerX 2025).

Niemand kann richtig prompten – und das bleibt so. Die Erwartung, dass alle Mitarbeitenden prompt engineering lernen, ist unrealistisch und auch gar nicht nötig. Wenn das Wissen, wie man eine KI gut brieft, nur bei wenigen liegt, tragen nur diese wenigen den Produktivitätsgewinn. Der Rest arbeitet mit halbgaren Resultaten.

Kosten laufen aus dem Ruder. Was als CHF 20/Monat-Abo beginnt, kann bei echtem Unternehmenseinsatz schnell zu einem relevanten Budgetposten werden. Gleichzeitig ist wenig transparent, wer wie viel verbraucht und für welche Aufgaben.

Datenschutz als ungeklärte Frage. Welche Daten gehen in welches Modell? Welcher Jurisdiktion unterliegt der Anbieter? Diese Fragen sind für viele Organisationen offen – was bedeutet, dass sensible Inhalte unbeabsichtigt an Cloud-Dienste ausserhalb der eigenen Kontrolle weitergegeben werden.

Mythen & Fakten

Bevor es um Lösungen geht: ein kurzer Faktencheck zu den häufigsten Überzeugungen rund um KI im Unternehmen.

MYTHOS: «95 Prozent der Copilot-Piloten sind erfolgreich.» Gegenteil. Laut Analyse scheitern die meisten Unternehmens-KI-Projekte – nur 5 Prozent werden überhaupt ausgerollt, aus Mangel an Business Cases, schlechter Datenqualität und schwachen Ergebnissen. Der Accuracy-NPS von Copilot liegt bei –24 (Branchendurchschnitt: +30 bis +40). Selbst Microsoft-CEO Satya Nadella sagte im Dezember 2025 unverblümt: «For the most part they don't really work, and are not smart.» (The Information, Dez. 2025)

MYTHOS: «Prompt Engineering ist die Schlüsselkompetenz, die alle lernen müssen.» Moderne Sprachmodelle verstehen Nutzerabsichten gut – was sie brauchen, ist Kontext: über das Unternehmen, die Branche, den spezifischen Use Case. Dieses Kontext-Wissen gehört in unternehmensweite Skills und Plugins, nicht in den Kopf jedes einzelnen Mitarbeitenden. Der Unterschied: Context Engineering statt Prompt Engineering – und das verteilt man über die Infrastruktur, nicht über Schulungen.

MYTHOS: «Eine restriktivere KI-Richtlinie bedeutet weniger Risiko.» Falsch. 80 Prozent der Mitarbeitenden nutzen bereits ungenehmigte KI-Tools. Eine Sperrung ohne Alternative treibt die Nutzung in den Schatten – mit deutlich weniger Kontrolle. Strukturierte, sichere Lösungen schaffen mehr Sicherheit als Verbote.

MYTHOS: «Das beste Modell gewinnt.» Das «beste» Modell wechselt nahezu monatlich. Die Spitzenmodelle liegen meistens innerhalb der Fehlertoleranz voneinander, und Benchmarks sind oft verzerrt, weil Modelle auf genau jenen Testfragen trainiert wurden. Was in der Praxis gewinnt: Adoption und der Workflow um das Tool herum — nicht der Benchmark-Anführer.

FAKT: «KI hebt die Gesamtleistung im Team an.» Wahr. In einer Procter-&-Gamble-Studie mit 776 Fachleuten war eine einzelne Person mit KI-Unterstützung so leistungsfähig wie ein ganzes Team ohne KI – und 12–16 Prozent schneller. KI stärkt vor allem die schwächeren Performer, nicht nur die Stars. Das Urteil und die Qualitätskontrolle bleiben menschlich.

MYTHOS: «Eigenentwicklung schlägt Partnerschaften mit externen Anbietern.» Nein. Laut MIT/NANDA gelingt es bei zugekauften Lösungen und Anbieter-Partnerschaften in ~67 Prozent der Fälle, bei internen Eigenentwicklungen nur bei ~23 Prozent. Kaufen ist statistisch etwa dreimal so erfolgreich wie selbst bauen.

MYTHOS: «Europa ist bei KI-Modellen weit abgehängt.» Nicht mehr. Die USA und China führen das absolute Frontier-Niveau – aber Europa ist näher dran als oft behauptet: Mistral (FR), Black Forest Labs FLUX (DE), DeepL (DE), und Apertus 1.5 aus der Schweiz liegt auf dem Niveau von Googles Gemma-Modell, ist multimodal und reasoning-fähig. Und in der Praxis brauchen rund 70 Prozent der alltäglichen Büroaufgaben kein Frontier-Modell überhaupt.

Was KI im Unternehmen wirklich leisten soll

Effizienz ist der häufigste genannte Grund für KI-Investitionen – und er greift zu kurz.

Die grössere Chance liegt woanders. In meinen Seminaren mit mehreren Hundert Teilnehmenden aus Schweizer Unternehmen zeigen die Daten: 43 Prozent nutzen die gewonnene Zeit für strategische Aufgaben, 29 Prozent für kreativere Arbeit, 14 Prozent arbeiten weniger Überstunden. KI ist kein Ersatz für Stellen – sie entlastet sie. Das Potenzial fliesst in die Arbeit, die echten Wert schafft.

Was eine gute KI-Infrastruktur leisten soll:

Effizienz auf breiter Basis. Nicht nur einzelne Power-User, die stark prompten können, sollen profitieren – sondern alle. Das geht nur mit gut entwickelten Skills und Plugins, die das Kontextwissen demokratisieren. Ein Junior mit einem guten Firmen-Plugin kann Output auf Senior-Niveau liefern.

Bessere Entscheidungen. KI kann grosse Datenmengen lesen, Zusammenfassungen liefern und Optionen strukturieren. Damit werden Entscheidungsgrundlagen besser – wenn die Infrastruktur stimmt.

Innovation und Hard Problem Solving. Wenn Routinearbeit automatisiert ist, hat das Team Kapazität für die schwierigen Fragen, die vorher liegen blieben.

Kontrollierbare Kosten. Wachsende Nutzung darf nicht linear zu wachsenden Kosten führen. Eine kluge Infrastruktur trennt teure Frontier-Modelle für komplexe Aufgaben von günstigeren oder eigenen Modellen für Volumenaufgaben.

KI ist kein Tool – es ist ein Stack

Das grösste Missverständnis in der Praxis: KI als einzelnes Produkt zu kaufen und auszurollen. Wer auf ein Tool setzt, klebt seine Strategie an die Roadmap und die Preise eines einzigen Anbieters.

Eine robuste KI-Infrastruktur ist ein Stack aus austauschbaren Schichten – und wer die Schichten sauber trennt, bleibt frei.

Layer 1 – Interface. Das, was Mitarbeitende täglich benutzen. Entscheidend: Ein stabiles, einheitliches Interface für alle. Die Produktivität und die User Experience entstehen hier. Wechselt das Modell dahinter, merken die Nutzer:innen es idealerweise nicht.

Layer 2 – Modelle (austauschbar). Frontier-Cloud (Anthropic, OpenAI), europäisch (Mistral, Apertus), oder lokal auf eigenen Servern betrieben – on-prem, also auf eigener Hardware im Haus oder bei einem Schweizer Hoster wie Infomaniak. Pro Aufgabe gewählt, jederzeit ersetzbar. Heute Claude für komplexe Analyse, morgen Apertus für sensible Kundendaten – ohne Infrastruktur-Umbau.

Layer 3 – Konnektoren. Zugänge zu Daten, Web, Office-Suite, CRM, weiteren Tools. Hier verbindet sich die KI mit dem, was im Unternehmen bereits existiert.

Layer 4 – Skills & Plugins. Der entscheidende Multiplikator. Hier steckt das kodifizierte Firmenwissen: Wording, Prozesse, Use Cases, Brand-Regeln. Ein rollout ohne Skills ist ein rollout ohne Wirkung. Skills heben Junioren auf Senior-Niveau – und das Wissen bleibt im Haus, nicht im Kopf einzelner Personen.

Layer 5 – Wissensdatenbank. Das Gedächtnis des Unternehmens. Strukturiert abgelegt, über Retrieval (RAG) zugänglich – damit die KI nicht nur allgemeines Wissen mitbringt, sondern Firmenwissen.

Governance rundum. Richtlinien, Zugriffssteuerung, Logging, Reporting. Was darf welches Tool sehen? Wer nutzt was wie viel und generiert welche Kosten? Diese Fragen müssen beantwortet sein, bevor man skaliert.

Das Leitprinzip: model-agnostic hinter einem stabilen Interface. Das Interface bleibt – das Modell dahinter wird gewechselt, wenn ein besseres, günstigeres oder sichereres kommt. Modelle werden umbenannt, abgekündigt oder regional gesperrt. (Im Juni 2026 waren Anthropics Fable 5 / Mythos 5 kurzzeitig für Nicht-US-Nutzer gesperrt; zur gleichen Zeit hielt OpenAI GPT-5.6 auf Anordnung der US-Regierung zurück.) Wer auf ein einzelnes Modell gesetzt hat, ist in diesem Moment blockiert.

Die Modelle im Vergleich

Es gibt heute fünf realistische Kategorien für den Unternehmenseinsatz. Kein Modell gewinnt in allen – jedes hat seine Stärken.

Claude (Anthropic)

Die stärkste Modell-Palette für komplexe, mehrstufige Aufgaben. Claude liest grosse Dokumente vollständig, arbeitet in Tasks (nicht nur Chats), führt Recherchen durch, schreibt Code, analysiert Daten und kann über Scheduled Tasks vollautomatisch Routinen übernehmen.

Über Claude Cowork läuft das Modell direkt – ohne Middleware. Das ist entscheidend: Grössere, mehrschrittige Aufgaben verlieren sich nicht in Chunk-Retrieval oder Sicherheitsfiltern. Claude kann mit lokalen Dateien arbeiten, sich Kontext dauerhaft merken (CLAUDE.md) und parallel in mehreren Tasks aktiv sein.

MCP und das Plugin-Ökosystem. Anthropic hat das Model Context Protocol (MCP) als offenen Standard entwickelt – heute der de-facto-Standard dafür, wie KI-Assistenten sich mit externen Tools verbinden. Das bedeutet: ein wachsendes Ökosystem an Konnektoren für CRM, ERP, Kalender, E-Mail, Projektmanagement, Datenbanken und mehr. Claude profitiert als erstes davon. Wer einen Konnektor für Claude baut, baut ihn für das gesamte Ökosystem.

Dazu gibt es hochwertige Skills für Microsoft Office: PowerPoint-Decks erstellen, Word-Dokumente strukturieren, Excel-Analysen durchführen – direkt aus Cowork heraus. Seit kurzem auch mit Schreibzugriff auf M365, also nicht nur lesen, sondern direkt in bestehende Dokumente schreiben. Unternehmen, die Cowork mit diesen Skills einsetzen, berichten eine höhere Zufriedenheit als mit den Standard-Copilot-Lösungen – weil die Aufgabe in einem Stück gelöst wird, statt fragmentiert durch Middleware.

Wichtiger Hinweis zur Datenresidenz: claude.ai (die Browser-Oberfläche) läuft über US-Server. Da in der Praxis rund 90 Prozent der produktiven Arbeit in Cowork stattfindet — nicht im Browser-Chat – ist das lösbar: Im 3P-Modus (Third-Party-Anbieter-Modus) läuft Cowork über AWS Bedrock oder Google Vertex, Region Frankfurt, mit EU-Datenresidenz.

Jurisdiktion: US (AWS/Anthropic). Via 3P-Modus abgemildert, aber technisch nicht vollständig aus dem US CLOUD Act entfernt.

Stärke: Agentische, komplexe, grosse Aufgaben. MCP-Ökosystem. Stärkste Office-Integration über Skills. Der leistungsfähigste Assistent im täglichen Arbeiten.

Microsoft 365 Copilot

Die naheliegendste Wahl für Unternehmen, die bereits in der M365-Umgebung arbeiten – und die häufigste Enttäuschung.

Copilot ist stark für kleine, kontextbezogene Abfragen direkt in Office-Anwendungen: «Fass diese Mail zusammen», «Was steht in diesem Dokument?». Die tiefe Office-Integration ist ein echter Vorteil.

Das Problem steckt in der Architektur. Copilot arbeitet über einen «Semantic Index»: Dokumente werden in Fragmente zerlegt, und pro Anfrage kommen nur die ähnlichsten Fragmente ins Modell. Was ausserhalb der Top-Treffer liegt, geht verloren – der sogenannte «Lost in the Middle»-Effekt (Liu et al. 2023). Bei grossen Dokumenten oder mehrstufigen Aufgaben schwächt das die Qualität erheblich – selbst wenn dasselbe leistungsstarke Modell dahintersteckt.

Dazu kommt Governance-Overhead: Jede Anfrage läuft durch Identitätsprüfung, Zugriffskontrollen, Datenschutz-Labels, Sicherheitsfilter und Audit-Logging – und das braucht Ressourcen und Zeit. Aus Compliance-Sicht gut – aber das die User ungeduldig sind, optimiert das System aber auf schnelle Einzelantworten, nicht auf tiefe Analyse.

Agentische Nutzung (Copilot Researcher, Cowork) ist möglich, läuft aber über kostenpflichtige Credits zusätzlich zur Fixlizenz.

Copilot lässt sich mit verschiedenen Modellen betreiben – auch mit Claude von Anthropic oder anderen Frontier-Modellen. Die Einschränkung bleibt dieselbe: Selbst das stärkste Modell liefert schwächere Resultate, wenn die Middleware davor den Kontext beschneidet.

Noch ein Detail, das selten kommuniziert wird: Claude-Modelle in Copilot sind in der EU und EFTA standardmässig deaktiviert und laufen ausserhalb der EU Data Boundary. Das neue «Flex Routing» erlaubt Copilot bei Lastspitzen explizit, Anfragen ausserhalb der EU-Boundary zu routen.

Jurisdiktion: US (Microsoft). EU Data Boundary vorhanden, aber mit Einschränkungen.

Stärke: M365-Integration, kleine kontextbezogene Abfragen im Büroalltag. Schwach bei grossen, mehrstufigen Tasks.

Mistral (Le Chat / Le Chat Enterprise)

Der stärkste europäische Anbieter – und der einzige unter diesen Tools, der nicht dem US CLOUD Act unterworfen ist. Mistral ist ein französisches Unternehmen; Daten bleiben unter europäischer Jurisdiktion.

Mistral Le Chat ist direkt zum Modell – ohne Middleware. Es verfügt über native Konnektoren für SharePoint, OneDrive und Google Drive und kann M365-Dateien lesen, bearbeiten und in der Cloud ablegen oder als Office-Datei herunterladen.

Open-Weight-Modelle von Mistral können on-premises betrieben werden – ohne Cloud, ohne externe Datenübertragung.

Mistral ist mehr als ein einzelnes Sprachmodell. Das Unternehmen bietet ein breites Portfolio: Codex-fähige Modelle für Software-Entwicklung, Bildgenerierungs-Modelle, Embedding-Modelle für Wissensabfragen – und arbeitet zunehmend an Physical AI, also KI für Robotik und eingebettete Systeme. Wer eine europäische Gesamtstrategie aufbaut, bekommt damit mehr als nur einen Chat-Assistenten.

Auf den allerschwierigsten Aufgaben liegt Mistral derzeit hinter den US-Frontier-Modellen. Für die grosse Mehrheit der Büroaufgaben – und insbesondere für datensensitive Use Cases – ist das kein Dealbreaker.

Jurisdiktion: Frankreich (EU). Kein US CLOUD Act.

Stärke: Souveränität, IP-sensible Inhalte, günstigste Cloud-Option, on-prem möglich.

Apertus 1.5 (Schweiz)

Die Schweizer Option – und eine, die man auf dem Radar haben sollte. Apertus 1.5 ist ein schweizisches open-weight-Modell, das auf dem Niveau von Googles Gemma-Familie liegt, multimodal ist und Reasoning unterstützt.

Wichtig zu verstehen: Apertus 1.5 ist ein reines Sprachmodell — kein fertiges Produkt mit eigener Oberfläche. Um es zu nutzen, braucht es einen Client: Claude Cowork, Copilot, oder Tools wie LM Studio für lokale Nutzung. Und es braucht Infrastruktur: eigene Server im Haus oder gemietete Kapazität bei einem Schweizer Hoster wie Infomaniak. Das ist ein Schritt mehr als bei Cloud-Diensten – dafür bleiben alle Daten vollständig in der Schweiz.

Besonders relevant für Unternehmen mit hohen Anforderungen an Datensouveränität: Apertus kann on-premises oder auf Schweizer Servern betrieben werden, versteht Schweizerdeutsch und kennt den helvetischen Kontext besser als US-Modelle – und unterliegt ausschliesslich Schweizer Recht.

Für alltägliche Office-Aufgaben, interne Wissensabfragen oder als lokale Basis-KI hinter einem stabilen Interface ist Apertus eine ernsthafte Option – besonders für öffentliche Verwaltungen, Gesundheitseinrichtungen oder Finanzdienstleister mit strikten Datenschutzanforderungen.

Jurisdiktion: Schweiz. Kein US CLOUD Act, kein EU-Recht – Schweizer Rechtsprechung.

Stärke: Datensouveränität Schweiz, Schweizerdeutsch, open-weight für on-prem.

Chinesische Open-Weight-Modelle

DeepSeek, Qwen und GLM gehören technisch zu den leistungsfähigsten open-weight-Modellen weltweit und sind kostenlos verfügbar. Wer eigene GPU-Infrastruktur betreibt, kann diese Modelle lokal ausführen – ohne Cloud, ohne marginale Kosten pro Anfrage.

Kimi K3 (Moonshot AI, 2,8 Billionen Parameter) liegt im Benchmark auf Platz 3 weltweit, hinter Fable 5 und GPT-5.6 – und führt beim Frontend-Coding sogar vor allen US-Modellen. DeepSeek V4 Pro ist das günstigste Allround-Modell mit MIT-Lizenz und führt beim agentic Coding unter frei herunterladbaren Gewichten. Qwen3 (Alibaba, Apache 2.0) ist die kosteneffizienteste Option, GLM-5.2 (Zhipu AI) die schärfste Coding-Maschine. Insgesamt liegen diese Modelle inzwischen auf einem Niveau, das US-Frontier-Modellen von vor einem Jahr entspricht – zu einem Bruchteil der Betriebskosten.

Der Vorbehalt ist erheblich: Es handelt sich um chinesische Modelle. Für viele Unternehmen, insbesondere in regulierten Branchen, im Finanzsektor oder in der Verteidigung, ist das eine Governance-, Procurement- und Reputationsfrage, die unabhängig von der technischen Qualität entschieden werden muss.

Für High-Volume-Szenarien ohne IP-Sensibilität, bei denen die eigene Infrastruktur vorhanden ist, können sie eine Kostenoptimierung darstellen.

Jurisdiktion: China (technisch on-prem, wenn selbst gehostet – aber Ursprung und Supply-Chain-Risiken bleiben).

Stärke: Leistung, keine marginalen Betriebskosten, on-prem möglich.

Übersicht: Was wählt man wofür?

Digitale Souveränität – zwei Achsen, die oft vermischt werden

«Souveränität» ist nicht ein Problem, es sind zwei – und sie brauchen unterschiedliche Antworten.

Datenresidenz (wo liegen die Daten): Lösbar. Claude via 3P in Frankfurt, Copilot in der EU Data Boundary, Mistral in Frankreich, Apertus und on-prem am eigenen Standort. Für die meisten Unternehmen ist Residenz handhabbar.

Jurisdiktion (wer kann Zugriff erzwingen): Der härtere Teil. Microsoft, AWS, Google und Anthropic sind US-Unternehmen und unterstehen dem US CLOUD Act – unabhängig davon, wo die Daten physisch liegen. Microsoft räumte 2025 öffentlich ein, nicht garantieren zu können, dass EU-Daten dem Zugriff von US-Behörden entzogen bleiben. Nur ein europäischer Anbieter (Mistral) oder echtes on-prem entzieht sich dem.

Die pragmatische Empfehlung: nach Datensensibilität staffeln.

• Für rund 70 Prozent der alltäglichen Office-Aufgaben sind Capability und Adoption wichtiger als Residenz.

• Für wirklich sensible Daten – Prototypen, F&E, Finanzen, Patientendaten, IP – EU/CH-Hosting oder on-prem mit open-weight.

Souveränität ist ein legitimes Argument. Aber eine Infrastruktur, die mit austauschbaren Modellen und klarer Datensensibilitätsstaffelung arbeitet, löst das Problem praktisch — ohne auf Frontier-Leistung zu verzichten.

Die Token-Ökonomie: warum günstige Abos gerade enden

Wenn KI zum Starttool jedes Mitarbeitenden wird — der erste Griff am Morgen, noch bevor Outlook aufgeht – explodiert die Token-Menge. Jede Anfrage, jede Analyse, jeder generierte Text erzeugt Tokens. Das skaliert.

Kurze Kostenrealität (Output-Preise, Stand Juli 2026):

Der Subventionskrieg unter den Anbietern geht zu Ende. Sam Altman sagte im Januar 2025 öffentlich, dass OpenAI mit dem USD 200/Monat Pro-Abo Verluste macht – er hatte den Preis selbst gesetzt und mit Gewinn gerechnet. Cursor stellte Mitte 2025 abrupt auf ein kreditbasiertes Modell um und musste sich öffentlich entschuldigen. Anthropic führte Rate-Limits ein, ohne es vorher anzukündigen.

Die Richtung ist klar: Basis-Abo für den Zugang, nutzungsbasierte Abrechnung ab einer Schwelle. Power-Tiers zu USD 100–200/Monat sind Standard (ChatGPT Pro, Claude Max, Google AI Ultra). Microsoft 365 Copilot kostet rund USD 30/User/Monat Fixlizenz – plus nutzungsbasierte Credits für agentische Tasks.

Wer das nur mit Abos löst, wird bei echter Unternehmensnutzung überrascht. Die Antwort ist ein tokenkostenarmer Layer: ein self-hosted open-weight-Modell für Volumenaufgaben. Teure Frontier-Cloud für die schwierigsten Aufgaben — günstige oder eigene Modelle für die Masse. CapEx statt OpEx, planbare Kosten unabhängig von der Nutzung.

Wie man jetzt vorgeht

Nicht mit dem Tool starten. Mit dem Problem starten.

1. Projektverantwortliche bestimmen und Projekt aufsetzen. KI-Initiativen ohne klare Verantwortung scheitern. Jemand muss das Projekt besitzen – mit Mandat, Budget und Zeit. Das ist keine IT-Aufgabe und keine Marketing-Aufgabe. Es ist eine Führungsaufgabe.

2. Use Cases finden, priorisieren und auswählen. Welche Aufgaben wiederholen sich täglich? Wo geht Zeit verloren für Routinen, die kein Denken brauchen? Wo scheitern Entscheidungen an schlechten oder fehlenden Grundlagen? Zwei bis drei konkrete Use Cases sind mehr wert als zehn vage Ideen. Kriterien: Häufigkeit, Zeitaufwand, Messbarkeit der Verbesserung.

3. Use Cases in verschiedenen Modellen und Setups testen. Nicht aufgrund von Werbebotschaften entscheiden – ausprobieren. Claude für den komplexen Use Case, Mistral für den datensensitiven, Copilot für den Office-nativen. Die Realität in der eigenen Umgebung zählt mehr als jeder Benchmark.

4. Skills entwickeln, AI Champions benennen, Teams schulen. Das ist der Schritt, an dem die meisten scheitern. Ein Rollout ohne firmenspezifische Skills ist ein Rollout ohne Wirkung. Skills codifizieren das Kontextwissen, das alle brauchen – und machen gute Ergebnisse reproduzierbar, unabhängig davon, wer am Gerät sitzt. AI Champions sind die Personen im Team, die tief eingearbeitet sind und andere weiterbringen. Nicht alle müssen gleich viel wissen – aber jemand muss das Tool wirklich kennen.

Ein Copilot-Rollout ohne Schulung und ohne unternehmensspezifische Skills ist eine teure Lizenz, die niemand nutzt. Das ist kein Vorwurf an die Mitarbeitenden — es ist ein strukturelles Problem.

Fazit

Die KI-Technologie ist bereit. Die Modelle sind gut genug. Was fehlt, ist die richtige Infrastruktur und eine Strategie, die über «Tool kaufen und verteilen» hinausgeht.

Die wichtigsten Prinzipien:

1. KI ist ein Stack, kein Produkt – Interface, Modelle, Konnektoren, Skills, Wissensdatenbank, Governance. Wer die Schichten trennt, bleibt frei.

2. Wer auf ein einziges Modell oder einen einzigen Vendor setzt, bindet seine Strategie an dessen Roadmap und Preise. Modellverfügbarkeit ist ein geopolitisches Risiko.

3. Der Weg zum Modell entscheidet die Qualität: Direkte Interfaces schlagen Middleware-Architekturen bei komplexen Aufgaben – auch wenn dasselbe Modell dahintersteckt.

4. Souveränität denkt man auf zwei Achsen: Residenz ist lösbar, Jurisdiktion ist der härtere Teil. Die Wahl nach Datensensibilität ist robuster als eine Einheitslösung.

5. Die billige Abo-Ära endet. Wer skaliert, braucht einen tokenkostenarmen Layer – self-hosted open-weight für Volumen, Frontier-Cloud für Komplexität.

Und der wichtigste Faktor bleibt: Adoption. Nicht das beste Modell gewinnt. Das Modell gewinnt, das die Leute wirklich nutzen – weil die Infrastruktur stimmt, die Skills vorhanden sind und die Schulung stattgefunden hat.