7. August 2026

6 Felder, ein Kopf: Ihr KI Übersetzer

Sechs Domänen, eine Person: Warum der beste KI-Übersetzer kein Techniker ist

Ein Beitrag von Jörg C. Kopitzke, Kopitzke.IO

Einleitung: Die Frage, die niemand stellt

Wenn ein KI-Projekt scheitert, wird zuerst das Modell befragt. War es zu klein? Zu ungenau? Zu wenig trainiert? Diese Frage ist bequem, weil sie eine technische Antwort verspricht — und technische Antworten lassen sich kaufen. Ein größeres Modell, eine bessere GPU, ein neuer Anbieter.

Nur: Die Frage ist fast immer falsch gestellt.

Die aktuellste verfügbare Datenlage bestätigt das mit einer Deutlichkeit, die selbst hartgesottene Skeptiker überrascht. Der MIT-NANDA-Report „State of AI in Business 2025" hat 300 KI-Initiativen ausgewertet, ergänzt um 52 Tiefeninterviews und 153 Unternehmensumfragen. Ergebnis: Trotz globaler Investitionen von 30 bis 40 Milliarden US-Dollar in generative KI erzielen 95 Prozent der Unternehmen keinen messbaren Return on Investment. Nur fünf Prozent extrahieren tatsächlich Wert in Millionenhöhe.

Die RAND Corporation kommt in einer unabhängigen Analyse zu einem ähnlich ernüchternden Bild: 80,3 Prozent aller KI-Projekte im Unternehmensumfeld liefern nicht den versprochenen Geschäftswert. Aufgeschlüsselt heißt das: 33,8 Prozent werden bereits vor der Produktivsetzung abgebrochen, 28,4 Prozent gehen zwar live, scheitern aber an der Wertschöpfung, und 18,1 Prozent kommen nie aus den reinen Investitionskosten heraus. Gartner meldete im April 2026 auf Basis einer Umfrage unter 782 IT-Führungskräften eine Scheiter- oder Nicht-Liefer-Quote von 72 Prozent bei Enterprise-KI-Projekten — und prognostiziert, dass bis Ende 2026 weitere 30 Prozent aller GenAI-Projekte nach der Pilotphase eingestellt werden.

Und Deutschland? Hier verschärft sich das Bild sogar. Laut Bitkom-Studie 2026 nutzen 41 Prozent der deutschen Unternehmen KI bereits produktiv, weitere 48 Prozent planen den Einsatz. Doch nur 21 Prozent haben dafür eine formale KI-Strategie. Das ist die eigentliche Implementation Gap: Eingesetzt wird viel, gesteuert wird wenig. Eine Studie der Beratung Horváth vom Januar 2026 dokumentiert sogar einen Rückgang der KI-Investitionen im deutschen Mittelstand von 0,41 auf 0,35 Prozent vom Umsatz — die anfängliche Euphorie weicht der Ernüchterung.

Wer diese Zahlen liest, könnte zu dem Schluss kommen, KI funktioniere im Unternehmenskontext einfach nicht. Das wäre der falsche Schluss. Die richtige Frage lautet: Woran liegt es, dass 95 von 100 Projekten keinen Wert liefern, während fünf von 100 Millionenwerte extrahieren? Was machen diese fünf Prozent anders?

Die Antwort ist unbequem, weil sie nicht technisch ist. Sie liegt in einer Lücke, die ich in diesem Beitrag die „Last Mile" nenne — und in der Frage, wer diese Lücke überhaupt schließen kann.

1. Das Problem: KI-Projekte scheitern selten an der Technik

Fangen wir mit einer unbequemen Wahrheit an: Die großen Sprachmodelle sind heute leistungsfähiger, günstiger und zuverlässiger als je zuvor. Claude, GPT, Gemini — technisch ist das Wissen der Welt für wenige Cent pro Anfrage verfügbar. Wer heute ein KI-Projekt an mangelnder Modellqualität scheitern lässt, hat selten das Modell zum Problem gemacht, sondern alles drumherum.

Die Gartner-Detailanalyse vom April 2026 bestätigt das mit Zahlen: Sieben von zehn gescheiterten Fällen landen auf schlechter Datenqualität und fehlender Daten-Governance — nicht auf Modell-Problemen. 60 Prozent aller KI-Projekte ohne KI-bereite Daten werden laut Gartner bis Ende 2026 eingestellt.

Das deckt sich exakt mit dem, was ich in meinen eigenen Mandaten sehe, seit ich mich vor drei Jahren intensiv mit angewandter KI-Integration beschäftige, nach über 25 Jahren in Vertrieb, IT, Ressourcenmanagement und agiler Transformation. Der Denkfehler beginnt schon vor dem ersten Prompt: Unternehmen kaufen KI-Lizenzen und erwarten Output-Wunder. Aber Output ist nicht das Ziel. Outcome ist es.

Ein Beispiel aus einem meiner AI-Coding-Mandate zeigt den Unterschied konkret: Nach konsequenter Orchestrierung stieg die Zahl der Pull Requests um 70 Prozent, die Review-Zeit sank um 80 Prozent. Diese Zahlen sind beeindruckend — aber sie sagen noch nichts über den eigentlichen Geschäftswert aus. Wer misst, wie viele Codezeilen eine KI schreibt, misst das Falsche. Wer misst, wie viel schneller ein Kunde beliefert wird, misst richtig.

Genau hier liegt der erste Riss zwischen Anspruch und Wirklichkeit: Sieben von sieben mir bekannten Studien aus 2025 und 2026 zeigen ein erstaunlich konsistentes Bild der häufigsten Scheitergründe — und keiner davon ist rein technischer Natur:

Fehlende Datenqualität ist laut Gartner der Grund Nummer eins für abgebrochene KI-Projekte. Inkonsistente Formate, Lücken in Stammdaten, fehlende Historie. Ein KI-Modell ist nur so gut wie die Daten, auf denen es arbeitet — und im Mittelstand liegen diese Daten oft verteilt über fünf bis zehn Systeme: ERP, CRM, MES, Excel-Listen, SharePoint.

Fehlende Fachkräfte und Know-how wird von Mittelstand-Digital mit 64 Prozent als stärkste Implementierungsbarriere genannt. Eine gemeinsame Studie von Stifterverband und McKinsey beziffert den Anteil sogar auf 79 Prozent der Unternehmen, die fehlende praktische KI-Kenntnisse in der eigenen Belegschaft beklagen. Externe Berater füllen diese Lücke oft — schaffen dabei aber keinen nachhaltigen Aufbau interner Kompetenz, wenn sie nur Technik liefern und wieder gehen.

Integrationsprobleme mit Legacy-Systemen bremsen 48 bis 60 Prozent der Unternehmen. KI braucht saubere Datenpipelines, APIs, Cloud-Anbindungen. Wer noch auf On-Premise-Datenbanken aus den 2000er-Jahren sitzt, hat eine zweistellige Anzahl an Integrationswochen vor sich, bevor die KI überhaupt anfängt, produktiv zu arbeiten.

Fehlende Strategie und unrealistische Use Cases: Genau die bereits zitierte Bitkom-Lücke zwischen 41 Prozent Nutzung und 21 Prozent formaler Strategie. Pilotprojekte starten ohne Erfolgskriterien, ohne klare Verantwortlichkeit, ohne realistische ROI-Erwartung. Häufig wird mit dem technisch anspruchsvollsten Use Case begonnen — Bildverarbeitung in der Qualitätskontrolle mit 98 Prozent Genauigkeit —, statt mit dem wirtschaftlich attraktivsten: Routineautomatisierung mit 80 Prozent Trefferquote, aber sofortiger Wirkung.

Vernachlässigtes Change-Management: Der MIT-NANDA-Report bringt es auf den Punkt — viele Projekte scheitern nicht an der Technik, sondern am Menschen. Generische Tools wie ChatGPT lernen nicht aus den gewachsenen Workflows eines Unternehmens, passen sich nicht automatisch an. Mitarbeitende verlieren nach einem einzigen sichtbaren Fehlalarm das Vertrauen in das System. Wer die Belegschaft nicht aktiv einbindet, schult und befähigt, bekommt eine teure Software, die niemand freiwillig nutzt.

Datenschutz und rechtliche Unsicherheit bremsen laut Bitkom 44 bis 77 Prozent der Unternehmen — DSGVO-Konformität, EU AI Act, Schutz von Geschäftsgeheimnissen. Kleine und mittlere Unternehmen ohne eigene Rechts- und Compliance-Abteilung schrecken häufig schon vor dem regulatorischen Aufwand zurück, bevor überhaupt ein Pilot startet.

Schwierigkeiten beim ROI-Nachweis betreffen 33 bis 49 Prozent. 33 Prozent der Unternehmen geben laut Bitkom an, dass KI teurer war als erwartet. Wer keine Ausgangskennzahlen definiert, kann keinen Fortschritt messen. Wer Wertschöpfung mit Bauchgefühl bewertet, verliert die Geduld, bevor der Effekt überhaupt sichtbar werden konnte.

Sieben Gründe. Keiner davon heißt „das Modell war zu schwach". Das ist die zentrale Erkenntnis, an der jede seriöse KI-Einführung ansetzen muss: Die Technik ist selten der Engpass. Der Engpass liegt in der Übersetzung zwischen dem, was technisch möglich ist, und dem, was ein konkretes Unternehmen mit seinen konkreten Prozessen, seinen konkreten Menschen und seinen konkreten Daten tatsächlich leisten kann. Diese Übersetzung hat einen Namen. Ich nenne sie die Last Mile.

2. Die Last Mile — die Lücke zwischen C-Level-Entscheidung und Implementierung

Stellen Sie sich ein typisches mittelständisches Unternehmen vor. Die Geschäftsführung hat sich auf einer Konferenz von einem beeindruckenden KI-Demo überzeugen lassen, ein Budget freigegeben, vielleicht sogar einen ambitionierten Zeitplan verkündet. Die IT-Abteilung bekommt den Auftrag, „mal KI einzuführen". Ein externer Anbieter liefert eine technisch überzeugende Lösung. Sechs Monate später: Der Pilot funktioniert in der Demo-Umgebung tadellos — und scheitert, sobald er an die reale, unaufgeräumte Datenlage des Unternehmens angeschlossen wird.

Diese Kette ist kein Einzelfall. Eine aktuelle Analyse zur KI-Daten-Reife im deutschen Mittelstand beschreibt sie fast wortgleich als das immer wiederkehrende Muster hinter der Gartner-72-Prozent-Zahl: Der Use-Case ist sauber beschrieben, der Agent-Prototyp arbeitet in der Demo-Umgebung überzeugend, dann wird er an die produktive Datenlage angeschlossen — und die Antworten werden widersprüchlich, unvollständig oder juristisch riskant. Der Projektleiter diskutiert zwei Monate mit dem Plattform-Anbieter, bis beide Seiten verstehen, dass es nicht am Modell liegt, sondern an fünf ERP-Feldern, die in drei Niederlassungen unterschiedlich gepflegt werden.

Das ist die Last Mile: die Lücke zwischen der strategischen C-Level-Entscheidung „Wir machen jetzt KI" und der operativen Realität eines Prozesses, in dem Menschen, Systeme, Daten und Verantwortlichkeiten historisch gewachsen und selten dokumentiert sind. Diese Lücke wird nicht durch ein größeres Sprachmodell geschlossen. Sie wird durch jemanden geschlossen, der beide Seiten versteht: die strategische Flughöhe der Geschäftsführung und die operative Feinkörnigkeit der tatsächlichen Arbeit.

Genau das war der Kern meines eigenen Weges, lange bevor ich mich „Applied AI-Integrator" genannt habe. Über elf Jahre im Telekom-Konzern habe ich gelernt, wie kaufmännische Entscheidungen entstehen — Deal-Qualifikation, Ressourcensteuerung, Freigaben bis zu siebenstelligen Vertriebsvolumina. Über dreizehn Jahre als Agile Coach und Management Consultant habe ich gelernt, wie sich Prozesse in Konzernen und im Mittelstand tatsächlich verändern lassen — nicht auf dem Papier, sondern in echten Teams mit echten Widerständen. Und seit gut drei Jahren übersetze ich diese doppelte Erfahrung in die Einführung und den Betrieb von KI-Systemen.

Diese drei Erfahrungsräume ergänzen sich nicht zufällig. Sie bilden zusammen genau die Kompetenzkombination, die es braucht, um eine KI-Initiative von der strategischen Absicht bis zur produktiven Wirkung zu führen — pfadabhängig gewachsen, nicht an einem Wochenende erlernbar.

Ein konkretes Beispiel aus der Praxis: Bei einem Systemhaus für Medizintechnik lag der Weg von einer neuen Funktion bis zur Ankunft beim Kunden bei neun Wochen — bevor sechzehn Teams neu skaliert wurden. Nach der Umstellung: drei Wochen Time-to-Market, plus 24 Prozent Durchsatz, plus 25 Prozent mehr echte Produktivzeit im Team. Der Grund für die Verbesserung war fast nie die Methode selbst. Es war das, was vorher im Weg stand: zu viele Meetings, zu viele Abstimmungsschleifen, zu viel Business-Theater, das aussah wie Arbeit, aber keine Wirkung erzeugte.

Die Last Mile ist also kein technisches Problem. Es ist ein Übersetzungsproblem zwischen Strategie und Umsetzung — und genau dort entscheidet sich, ob ein Unternehmen zu den fünf Prozent gehört, die tatsächlich Wert extrahieren, oder zu den 95 Prozent, die es nicht schaffen.

3. Was „Orchestrierung" konkret heißt: reduzieren → stabilisieren → agilisieren → skalieren

„Orchestrierung" ist eines dieser Wörter, die in der KI-Debatte inflationär benutzt werden, ohne dass jemand sie greifbar macht. Deshalb will ich hier konkret werden: Orchestrierung bedeutet für mich eine feste Reihenfolge von vier Schritten, die ich in jedem Mandat in genau dieser Abfolge durchlaufe — nie andersherum, auch wenn der Kunde es eiliger hat.

Schritt 1: Reduzieren. Bevor irgendetwas automatisiert oder mit KI angereichert wird, muss der bestehende Prozess von Ballast befreit werden. Was in Meetings, Abstimmungsschleifen und ungeprüften Gewohnheiten Zeit frisst, wird sichtbar gemacht und entfernt. Diese Reihenfolge ist keine Ideologie, sie ist Physik: Eine KI, die auf einem instabilen, überladenen Prozess aufsetzt, verstärkt das Problem, statt es zu lösen. Was gut gemeint ist, wird schneller schlecht gemacht — nur schneller.

Schritt 2: Stabilisieren. Erst wenn ein Prozess reduziert ist, kann er stabil gemacht werden. Klare Verantwortlichkeiten, dokumentierte Entscheidungspunkte, ein nachvollziehbarer Ablauf. Das klingt unspektakulär — ist aber exakt der Schritt, den viele KI-Projekte überspringen, weil er nicht nach Innovation aussieht. Genau deshalb scheitern sie später an genau dieser übersprungenen Stelle.

Schritt 3: Agilisieren. Ein stabiler Prozess wird jetzt so gestaltet, dass er auf Veränderung reagieren kann, ohne erneut ins Chaos zu kippen. Hier kommen agile Methoden ins Spiel — nicht als Selbstzweck, sondern als Werkzeug, um Rückkopplungsschleifen kurz zu halten. Wer diesen Schritt überspringt und direkt zu Schritt vier geht, bekommt ein starres System, das bei der ersten Ausnahme bricht.

Schritt 4: Skalieren. Erst jetzt, nachdem ein Prozess reduziert, stabilisiert und agilisiert wurde, wird er auf mehr Teams, mehr Standorte, mehr Anwendungsfälle ausgeweitet — und erst jetzt kommt die KI in vollem Umfang zum Einsatz, weil sie auf einer Grundlage aufsetzt, die sie tatsächlich tragen kann.

Diese Reihenfolge ist kein akademisches Konstrukt. Sie deckt sich exakt mit dem, was die erfolgreichen fünf Prozent laut MIT-NANDA-Report und der BCG-Studie „Closing the AI Impact Gap" (2025) systematisch anders machen als die gescheiterten 95 Prozent:

Sie kaufen, statt selbst zu bauen. Spezialisierte KI-Werkzeuge von externen Anbietern und Partnerschaften mit Fachfirmen erreichen eine Erfolgsquote von rund 67 Prozent. Eigenentwicklungen schaffen nur ein Drittel dieser Rate.

Sie investieren ins Back-Office, nicht in den Glamour. Über die Hälfte der GenAI-Budgets fließt aktuell in Marketing und Sales — der größte ROI entsteht laut MIT aber im Back-Office: Automatisierung von Routineprozessen, Reduktion externer Agenturkosten, Beschleunigung von Buchhaltung und Einkauf.

Sie fokussieren auf wenige Use Cases. Die BCG-Studie zeigt, dass KI-Vorreiter im Schnitt 3,5 Use Cases gleichzeitig verfolgen. Der Durchschnitt liegt bei 6,1. Fokus schlägt Breite — wer alles gleichzeitig will, bekommt am Ende nichts richtig.

Sie definieren KPIs vor dem ersten Pilot. Ausgangswerte, Erfolgskriterien und ROI-Erwartungen werden festgelegt, bevor das erste Modell überhaupt trainiert wird.

Sie skalieren schrittweise. Erfolgreiche Projekte starten klein — ein Werk, eine Filiale, eine Abteilung. Erst nach messbaren Ergebnissen geht es in die Breite. Das ISG dokumentiert, dass 69 Prozent aller KI-Initiativen genau an dieser Skalierungsphase scheitern, weil Pilot und Rollout nicht strukturell getrennt werden.

Reduzieren, stabilisieren, agilisieren, skalieren — genau in dieser Reihenfolge, mit Fokus statt Breite, mit Kennzahlen vor dem ersten Pilot. Das ist keine akademische Theorie. Das ist die Differenz zwischen fünf und 95 Prozent.

4. Warum ein Generalist mit sechs Domänen diese Lücke besser schließt als ein Spezialist

An dieser Stelle drängt sich ein naheliegender Einwand auf: Wenn die Last Mile so komplex ist, braucht es dann nicht eher ein ganzes Team aus Spezialisten — ein Data Engineer für die Datenqualität, ein Change-Manager für die Akzeptanz, ein Compliance-Experte für den EU AI Act, ein Prozessberater für die Reduktion?

Die ehrliche Antwort: Bei einem Großkonzern mit entsprechendem Budget kann das funktionieren — auch wenn selbst dort die Koordination zwischen diesen Spezialisten häufig zum eigenen Engpass wird. Im Mittelstand aber, wo Budgets begrenzt sind und Entscheidungswege kurz sein müssen, entsteht ein anderes Problem: Fünf Spezialisten sprechen fünf Fachsprachen, jeder optimiert sein eigenes Teilproblem, und am Ende trägt niemand die Verantwortung für das Gesamtergebnis. Genau das begünstigt die immer wiederkehrenden Scheitergründe aus Kapitel 1 — nicht weil einzelne Spezialisten schlecht arbeiten, sondern weil zwischen ihren Zuständigkeiten Lücken entstehen, in die das Projekt fällt.

Hier liegt der eigentliche Wert einer Kompetenzkombination, die über Jahre in einer einzigen Person gewachsen ist, statt über ein Organigramm verteilt zu sein. Sechs Domänen, die sich in derselben Person nicht nacheinander abgehakt, sondern über 25 Jahre parallel entwickelt haben:

Kaufmännisches Verständnis (BWL, ROI-Steuerung). Wer nie ein Budget verantwortet, nie eine Deal-Qualifikation durchgeführt, nie eine Ergebnisverbesserung im siebenstelligen Bereich verantwortet hat, wird KI-Use-Cases nach technischer Faszination priorisieren statt nach Wert, Kosten und Risiko. Genau das ist einer der sieben Hauptgründe für gescheiterte Projekte aus Kapitel 1.

Vertrieb und Marketing. Wer nie selbst verkauft hat, versteht selten, warum eine KI-Lösung, die technisch überzeugt, beim Kunden trotzdem nicht ankommt — weil die Kommunikation fehlt, die Nutzenargumentation, das Vertrauen.

IT-Verständnis. Wer die technische Seite nicht versteht, kann mit einem Entwicklerteam nicht auf Augenhöhe sprechen und wird zum bloßen Weiterreicher von Anforderungen, statt selbst mitzudenken, wo technische Grenzen liegen und wo nicht.

Agile Methoden und systemisches Coaching. Wer nie ein Team durch eine echte Transformation begleitet hat, unterschätzt systematisch, wie viel Change-Management-Arbeit hinter jeder erfolgreichen KI-Einführung steckt — der meistgenannte weiche Faktor aus Kapitel 1.

KI-Orchestrierung. Die aktuelle, praktische Kompetenz im Umgang mit LLMs, Multi-Agenten-Systemen, Prompt- und Context-Engineering — ohne die kein KI-Projekt technisch überhaupt gelingt.

Ressourcen- und Wissensmanagement. Wer nie ein konzernweites Wissensmanagement-System aufgebaut hat, unterschätzt, wie schnell kritisches Domänenwissen verloren geht, wenn eine KI-Einführung falsch angegangen wird — und wie viel Wert es hat, dieses Wissen von Anfang an mitzudenken.

Die entscheidende Pointe ist nicht, dass diese sechs Kompetenzen einzeln selten sind — jede für sich ist erlernbar, keine ist geheim. Die Pointe ist die Kombination: Sechs Kompetenzfelder, die sich in 25 Jahren nicht nacheinander gelernt, sondern zu einem einzigen Instrument verschmolzen haben, lassen sich nicht in kürzerer Zeit erwerben. Das ist keine Behauptung, sondern schlicht eine Frage der verstrichenen Zeit. Das Ergebnis dieser Verschmelzung: schnellere Diagnose, weniger kostspielige Experimente — messbar in jedem bisherigen Mandat.

Ein Generalist mit dieser Bandbreite übernimmt genau die Rolle, die zwischen den fünf Spezialisten sonst fehlt: die des Übersetzers, der jede Fachsprache versteht und deshalb die Verantwortung für das Gesamtergebnis tragen kann, statt sie zwischen Zuständigkeiten zu verteilen. Wer 25 Jahre über sechs Domänen und Dutzende Transformationen gesehen hat, erkennt Muster schneller und macht weniger teure Fehler. Das ist der eigentliche Gegenwert zu jeder Diskussion über Verweildauer oder Berufsjahre — nicht eine Frage des Alters, sondern eine Frage der über Jahre gewachsenen Mustererkennung.

Über 13 Jahre und Dutzende Transformationsmandate quer durch Branchen — Industrie, Automotive, Energie, Behörden — bedeuten in der Praxis: Die meisten Fehler wurden bereits in anderen Unternehmen gemacht, nicht im aktuellen. Das ist der eigentliche Wert erfahrener Berater, und er lässt sich nicht durch ein größeres Sprachmodell ersetzen.

5. Proof Points aus der Praxis: Was tatsächlich passiert, wenn die Last Mile geschlossen wird

Theorie ist geduldig. Deshalb an dieser Stelle konkrete, dokumentierte Ergebnisse aus eigenen Mandaten — mit Ausgangslage, Intervention und Ergebnis, damit sie überprüfbar bleiben und nicht als bloße Behauptung im Raum stehen.

Schatten-KI als Vertrauensproblem, nicht als Kontrollproblem. In einem Mandat bei einem Systemhaus für Medizintechnik nutzten Mitarbeitende heimlich generative KI-Tools, weil die offizielle Strategie fehlte oder zu langsam war. Die Geschäftsleitung hatte in diesem Fall nicht zu wenig Kontrolle — sie hatte zu wenig Vertrauen aufgebaut. Die Lösung: klare Leitplanken statt Verbote, echte Beteiligung statt Top-down-Dekret. Ergebnis: minus 60 Prozent Routineaufgaben, plus 70 Prozent KI-Akzeptanz im Team. Die Zahl, die dabei wirklich zählt, ist nicht die Anzahl der eingeführten Tools. Es ist die Akzeptanzquote. Wer sie ignoriert, baut Compliance-Theater statt echter Governance.

Output ist nicht das Ziel. Bei einem KI-gestützten Vertriebs-Piloten stieg der Output eines Sales Development Representative um das Zehnfache — nicht, weil die KI besser verkauft, sondern weil sie die Fleißarbeit übernimmt, die vorher Zeit fraß. Beim AI-Coding-Mandat: plus 70 Prozent mehr Pull Requests, minus 80 Prozent Review-Zeit. Auch hier kein Zauber, nur konsequente Orchestrierung statt planlosem Tool-Einsatz.

Wer skaliert, bevor er reduziert hat, skaliert nur das Chaos. Beim bereits erwähnten Systemhaus für Medizintechnik dauerte es neun statt drei Wochen, bis eine neue Funktion beim Kunden ankam — bevor sechzehn Teams neu skaliert wurden. Nach der Umstellung: drei Wochen Time-to-Market, plus 24 Prozent Durchsatz, plus 25 Prozent mehr echte Produktivzeit.

Bias-Hunting auf Geschäftsleitungsebene. Ein strukturierter Prozess gegen Groupthink und Confirmation Bias auf Führungsebene erhöhte die Zahl der tatsächlich in Betracht gezogenen Entscheidungsoptionen um 35 Prozent. Auch das ist eine Form der Last-Mile-Arbeit: nicht die KI selbst, sondern die menschliche Entscheidungsqualität, auf der jede KI-Strategie aufbaut.

Organisatorische Autonomie in einem Konzernumfeld. Bei einem Maschinenbau- und Industriekonzern wurde die Autonomie von vierzehn Entwicklungsteams neu ausgerichtet, im Zuge einer Umstellung auf eine Microservice-basierte IoT-Architektur — eine strukturelle Voraussetzung, ohne die spätere KI-Integration in diesen Teams schlicht nicht möglich gewesen wäre.

Was diese Beispiele verbindet, ist kein einzelnes Werkzeug und kein einzelnes Modell. Es ist die immer gleiche Reihenfolge aus Kapitel 3, angewendet auf völlig unterschiedliche Ausgangslagen — von der Medizintechnik über den Maschinenbau bis zum Vertrieb. Und es ist die immer gleiche Kompetenzkombination aus Kapitel 4, die diese Reihenfolge überhaupt erst durchsetzen kann, weil sie sowohl die Zahlen des Geschäftsführers als auch den Widerstand des Teams gleichzeitig versteht.

Diese Proof Points sind bewusst branchenanonymisiert dargestellt, wo eine öffentliche Nennung noch nicht abgestimmt ist — die zugrundeliegenden Kennzahlen selbst stammen aus dokumentierten, tatsächlich durchgeführten Mandaten.

5a. Der Governance-Blindfleck: Warum EU AI Act und DSGVO keine Nebensache sind

Ein Aspekt der Last Mile wird in der öffentlichen KI-Debatte gerne übersprungen, weil er weniger glamourös klingt als „Agentic AI" oder „Multi-Agenten-Orchestrierung": die regulatorische Dimension. Laut Bitkom nennen zwischen 44 und 77 Prozent der Unternehmen Datenschutz und rechtliche Unsicherheit als zentrale Hürde bei der KI-Einführung — nicht als Fußnote, sondern als einen der am häufigsten genannten Gründe überhaupt.

Das ist kein Zufall. Der EU AI Act unterscheidet Risikoklassen für KI-Systeme, und viele mittelständische Unternehmen wissen schlicht nicht, in welche Klasse ihr eigener Anwendungsfall fällt, bevor sie überhaupt mit der Umsetzung beginnen. Ein KI-gestütztes System zur Vorauswahl von Bewerbungen fällt regulatorisch anders aus als ein interner Wissensassistent auf Basis von RAG (Retrieval-Augmented Generation). Wer diese Einordnung nicht vor dem ersten Piloten klärt, riskiert nicht nur Bußgelder, sondern vor allem verlorene Monate, wenn ein bereits produktives System nachträglich rechtlich nachgebessert werden muss.

Governance und Compliance dürfen deshalb nicht als nachgelagerter Prüfschritt behandelt werden, den eine Rechtsabteilung am Ende „absegnet". Sie gehören von der ersten Stunde an in die Orchestrierung hinein — als Teil des Schritts „Stabilisieren" aus Kapitel 3, nicht als separates Kapitel danach. Ein KI-System, das produktiv läuft, aber weder DSGVO-konform dokumentiert noch gegen Halluzinationen und Bias geprüft ist, hat keinen stabilen Boden, egal wie eindrucksvoll seine Outputs aussehen.

In der Praxis heißt das konkret: Wer Bias-Hunting auf Geschäftsleitungsebene betreibt — wie im bereits genannten Beispiel mit 35 Prozent mehr in Betracht gezogenen Entscheidungsoptionen —, tut das nicht nur, um bessere Entscheidungen zu treffen. Er baut gleichzeitig die Grundlage für eine spätere Argumentation gegenüber Aufsichtsbehörden, Kunden und der eigenen Belegschaft: Wir haben nicht nur ein KI-System eingeführt, wir haben es von Anfang an auf Nachvollziehbarkeit, Erklärbarkeit und Fairness hin geprüft. Das ist der Unterschied zwischen Compliance-Theater — Regeln auf dem Papier, die niemand lebt — und echter Governance, die tatsächlich in den Arbeitsalltag eingebaut ist.

5b. Eine ausführliche Fallstudie: Vom Schatten-KI-Problem zur produktiven Nutzung

Um zu zeigen, wie die vier Orchestrierungsschritte aus Kapitel 3 in der Praxis tatsächlich ineinandergreifen, lohnt sich ein genauerer Blick auf ein konkretes Mandat bei einem Systemhaus für Medizintechnik.

Ausgangslage. Mehrere Teams nutzten bereits eigenständig generative KI-Tools — nicht offiziell freigegeben, nicht dokumentiert, nicht koordiniert. Die Geschäftsleitung wusste um dieses Phänomen, reagierte aber mit dem naheliegenden, aber falschen Reflex: einem Verbot. Das Ergebnis eines solchen Verbots ist erfahrungsgemäß nie die Abschaffung der Nutzung, sondern nur ihre weitere Verschleierung. Mitarbeitende nutzten die Tools weiter, meldeten es nur nicht mehr.

Diagnose. Der erste Schritt bestand nicht darin, eine neue KI-Plattform einzuführen, sondern zu verstehen, warum die inoffizielle Nutzung überhaupt entstanden war. Die Antwort war unbequem für die Geschäftsleitung: Die offizielle KI-Strategie existierte entweder gar nicht oder war so langsam in der Freigabe, dass die operative Realität sie längst überholt hatte. Mitarbeitende hatten reale Probleme — wiederkehrende, zeitraubende Routineaufgaben — und griffen zur nächstbesten verfügbaren Lösung, weil niemand ihnen eine bessere anbot.

Reduzieren. Statt eines pauschalen Verbots wurden gemeinsam mit den Teams jene Routineaufgaben identifiziert, die tatsächlich Zeit fraßen, ohne originären Wert zu erzeugen — Dokumentenzusammenfassungen, Standard-E-Mail-Antworten, Recherche-Vorarbeiten. Dieser Schritt allein reduzierte den wahrgenommenen Handlungsdruck der Teams bereits deutlich, weil er ihr eigentliches Problem ernst nahm, statt nur ihr Verhalten zu sanktionieren.

Stabilisieren. Anschließend wurden klare Leitplanken statt Verbote definiert: Welche Datenkategorien dürfen in welche Tools, welche Freigabeprozesse gelten, wer ist im Zweifelsfall Ansprechpartner. Diese Leitplanken wurden nicht top-down verordnet, sondern gemeinsam mit den Teams entwickelt, die zuvor die inoffizielle Nutzung praktiziert hatten — echte Beteiligung statt Top-down-Dekret.

Agilisieren. Die neuen Leitplanken wurden zunächst in einem einzelnen Team pilotiert, mit kurzen Feedbackschleifen, in denen Unklarheiten und Grenzfälle schnell nachgeschärft werden konnten, statt ein starres Regelwerk zu verabschieden, das in der Praxis versagt.

Skalieren. Erst nachdem sich die Leitplanken im Pilotteam bewährt hatten, wurden sie auf weitere Teams ausgeweitet — begleitet von Hands-on-Trainings, die zeigten, wie die freigegebenen Tools tatsächlich produktiv genutzt werden können, statt nur zu verbieten, was vorher informell funktioniert hatte.

Ergebnis. Nach Abschluss dieses Prozesses sanken die für Routineaufgaben aufgewendeten Zeitanteile um 60 Prozent, während die gemessene KI-Akzeptanz im Team um 70 Prozent stieg. Entscheidend ist dabei die Reihenfolge der Kennzahlen: Nicht die Zahl der eingeführten Tools war der Erfolgsmaßstab, sondern die Akzeptanzquote — denn ein Tool, das niemand nutzt, erzeugt keinen Wert, egal wie leistungsfähig es technisch ist.

Diese Fallstudie zeigt exemplarisch, warum die in Kapitel 4 beschriebene Kompetenzkombination den Unterschied macht: Ein reiner Techniker hätte vermutlich eine neue, technisch überlegene Plattform vorgeschlagen. Ein reiner Change-Manager hätte vermutlich einen Kommunikationsplan entworfen, ohne die technischen Leitplanken konkret genug zu fassen. Erst die Kombination aus beidem — verstärkt durch das kaufmännische Verständnis, welche Zeitersparnis sich tatsächlich in Euro übersetzt — führte zu einem Ergebnis, das sowohl technisch funktionierte als auch von den Teams tatsächlich getragen wurde.

5c. Was das für Sie als Geschäftsführung konkret bedeutet: Sechs Prüffragen vor dem nächsten KI-Piloten

Die bisherigen Kapitel haben die Diagnose geliefert. Diagnose allein verändert aber noch nichts. Deshalb hier sechs konkrete Prüffragen, die sich jede Geschäftsführung stellen sollte, bevor das nächste Budget für einen KI-Piloten freigegeben wird. Sie sind bewusst so formuliert, dass eine ehrliche Antwort in wenigen Minuten möglich ist — nicht als weiteres 80-seitiges Strategiedokument, das am Ende doch niemand liest.

Erste Frage: Kennen wir unsere Top-Datenquellen wirklich? Nehmen Sie Ihre zwanzig wichtigsten Kunden und zählen Sie, in wie vielen unterschiedlichen Schreibweisen diese in Ihrem ERP-System, Ihrem CRM-System und Ihrem Ticket-System auftauchen. Mehr als drei Varianten pro Kunde sind ein verlässliches Warnsignal: Ihr geplanter KI-Agent wird entweder halluzinieren oder an genau dieser Inkonsistenz scheitern, lange bevor er in Produktion geht. Das Bereinigen dieser Stammdaten dauert in der Praxis selten länger als zwei Wochen, verhindert aber einen Großteil der späteren Frust-Gespräche zwischen Fachbereich und IT.

Zweite Frage: Haben wir eine Person, die für das Gesamtergebnis verantwortlich ist — nicht nur für einen Teilbereich? Wenn die Antwort lautet, dass die Verantwortung zwischen IT-Abteilung, Fachbereich und externem Dienstleister aufgeteilt ist, ohne dass eine einzelne Person oder Rolle die Gesamtverantwortung trägt, ist das exakt die Lücke, die in Kapitel 4 beschrieben wurde. Diese Lücke lässt sich nicht durch mehr Meetings schließen, sondern nur durch eine explizite Klärung, wer am Ende die Entscheidung trifft und die Konsequenzen trägt.

Dritte Frage: Haben wir Erfolgskriterien definiert, bevor das erste Modell trainiert oder der erste Agent konfiguriert wurde? Ausgangswerte, Zielwerte und ein klarer Zeitpunkt für die Bewertung — beispielsweise nach zwölf Wochen — gehören auf ein einziges Blatt Papier, bevor überhaupt ein Anbieter kontaktiert wird. Wer diese Frage erst nach dem Projektstart beantwortet, wird am Ende Bauchgefühl statt Kennzahlen zur Bewertung heranziehen, und Bauchgefühl verliert im Zweifel jede Diskussion um die Fortführung eines Projekts.

Vierte Frage: Haben wir den Use Case nach Wirtschaftlichkeit oder nach technischer Faszination ausgewählt? Wie in Kapitel 1 beschrieben, beginnen viele Unternehmen mit dem technisch anspruchsvollsten Anwendungsfall, weil er in der Präsentation am beeindruckendsten wirkt. Der wirtschaftlich sinnvollere erste Schritt ist fast immer eine unspektakuläre Routineautomatisierung mit hoher Wiederholrate und geringem Risiko — nicht, weil sie glamourös ist, sondern weil sie schnell und verlässlich einen messbaren Effekt liefert, auf dem sich weitere Schritte aufbauen lassen.

Fünfte Frage: Wissen wir, in welche Risikoklasse unser geplantes System nach dem EU AI Act fällt? Diese Frage lässt sich in den meisten Fällen innerhalb weniger Tage beantworten, wenn sie gestellt wird — sie wird aber in der Praxis regelmäßig übersprungen, bis ein System bereits produktiv läuft und die regulatorische Einordnung nachträglich und unter Zeitdruck erfolgen muss.

Sechste Frage: Haben wir die Belegschaft eingebunden, bevor die Entscheidung feststand — oder erst danach informiert? Der Unterschied zwischen diesen beiden Reihenfolgen entscheidet in der Praxis regelmäßig darüber, ob ein technisch einwandfreies System tatsächlich genutzt wird oder als teure, ungeliebte Software in der Schublade verschwindet. Die bereits beschriebene Fallstudie zur Schatten-KI zeigt das exemplarisch: Beteiligung vor der Entscheidung erzeugt Akzeptanz. Information nach der Entscheidung erzeugt bestenfalls Duldung.

Wer diese sechs Fragen ehrlich beantwortet — im Zweifel auch mit einem Nein —, hat bereits mehr für den Erfolg des nächsten KI-Projekts getan als die meisten der 95 Prozent gescheiterten Initiativen aus der eingangs zitierten Studie. Denn keine dieser sechs Fragen erfordert ein größeres Budget oder ein leistungsfähigeres Modell. Sie erfordern nur die Bereitschaft, vor der Technik über die Organisation nachzudenken.

5d. Was das für Sie als Bewerber oder Auftraggeber bedeutet: Worauf Sie bei der Auswahl eines KI-Beraters achten sollten

Ein Nebenaspekt, der in der Diskussion um KI-Einführung selten thematisiert wird, aber direkt aus den vorherigen Kapiteln folgt: Wenn die Last Mile das eigentliche Problem ist, dann ist die Auswahl der Person oder des Teams, das diese Last Mile schließen soll, die wichtigste Personalentscheidung im gesamten KI-Projekt — wichtiger als die Wahl des Sprachmodells oder der Cloud-Plattform.

Drei Fragen helfen bei dieser Auswahl. Erstens: Kann die Person oder das Team sowohl mit der Geschäftsführung über ROI und Wirtschaftlichkeit sprechen als auch mit dem Entwicklerteam über technische Machbarkeit — in derselben Woche, ohne dass ein Dolmetscher dazwischengeschaltet werden muss? Zweitens: Gibt es dokumentierte, nachprüfbare Ergebnisse aus vorherigen Mandaten, mit konkreten Zahlen statt allgemeiner Erfolgsversprechen? Drittens: Wird die Reihenfolge aus Kapitel 3 — reduzieren, stabilisieren, agilisieren, skalieren — eingehalten, oder wird direkt mit der Skalierung begonnen, weil das schneller nach Fortschritt aussieht?

Wer diese drei Fragen bei der Auswahl eines KI-Beraters oder eines internen KI-Verantwortlichen stellt, reduziert das Risiko erheblich, am Ende zu den 95 Prozent zu gehören, die investiert, aber nicht profitiert haben.

5e. Die deutsche Besonderheit: Warum der Mittelstand anders tickt als der Konzern

Ein Punkt, der in vielen KI-Debatten übersehen wird, weil sie oft aus einer Konzern- oder Silicon-Valley-Perspektive geführt werden: Der deutsche Mittelstand hat eine andere Ausgangslage als ein DAX-Konzern — und das verändert, welche der bisher beschriebenen Prinzipien mit welcher Priorität gelten.

Laut KfW Research nutzten zwischen 2022 und 2024 rund 20 Prozent der kleinen und mittleren Unternehmen in Deutschland KI, das entspricht etwa 780.000 Betrieben. Im Zeitraum 2016 bis 2018 waren es gerade einmal vier Prozent — eine Verfünffachung innerhalb weniger Jahre. Gleichzeitig zeigt sich eine deutliche Größenabhängigkeit: 36 Prozent der Mittelständler mit mehr als 50 Beschäftigten setzen KI ein, aber nur 19 Prozent der Kleinstbetriebe mit unter fünf Mitarbeitenden. Der Unterschied liegt nicht primär am Budget, sondern daran, dass größere Betriebe eher über eigene IT-Ressourcen, eine formulierte Digitalstrategie und Personal verfügen, das sich dem Thema überhaupt widmen kann.

Diese Größenabhängigkeit hat eine direkte Konsequenz für die in Kapitel 4 beschriebene Kompetenzkombination: Während ein Konzern fünf spezialisierte Rollen parallel besetzen und koordinieren kann — mit dem Risiko, dass zwischen ihnen Lücken entstehen —, hat ein Mittelständler mit zwanzig oder fünfzig Mitarbeitenden diese Option in der Regel gar nicht. Hier ist die Bündelung mehrerer Kompetenzen in einer Person oder einem kleinen Team keine Nice-to-have-Option, sondern eine strukturelle Notwendigkeit. Der Mittelstand ist, wie es eine aktuelle Analyse zur KI-Daten-Reife formuliert, „schneller in der Umsetzung, aber nur, wenn die Geschäftsführung selbst in den Use-Case-Rahmen eingreift und nicht nur abnickt."

Interessant ist auch die Branchenverteilung. Laut ifo Institut nutzen wissensintensive Dienstleister die höchsten KI-Anteile: Werbung und Marktforschung liegen bei 84,3 Prozent, IT-Dienstleister bei 73,7 Prozent, Steuerberatung bei 69,8 Prozent. Das produzierende Gewerbe und der Handel liegen deutlich niedriger — aber die dortigen Use Cases sind dafür oft konkreter und unmittelbar mit messbarem Nutzen verbunden: Angebotskalkulation, Wartungsplanung, Dokumentation in der Fertigung; Produkttexte, Retouren-Sortierung und Newsletter-Personalisierung im Handel.

Diese hohen Branchenwerte täuschen leicht über die tatsächliche Tiefe der Integration hinweg. Dass eine Branche zu 84 Prozent „KI nutzt", heißt nicht, dass jeder dieser Betriebe KI tief in seine Prozesse integriert hat — oft handelt es sich um ein einzelnes Tool für Texte oder Bilder, genutzt von einzelnen Mitarbeitenden, nicht um einen unternehmensweit orchestrierten Einsatz. Umgekehrt kann ein einzelner, konsequent durchdachter automatisierter Prozess in einem Handwerksbetrieb mehr wirtschaftliche Wirkung entfalten als zehn lose genutzte Chatbots in einer Agentur. Reifegrad schlägt Verbreitung — ein Prinzip, das exakt zu der in Kapitel 3 beschriebenen Reihenfolge aus Reduzieren, Stabilisieren, Agilisieren und erst dann Skalieren passt.

Für die Frage, wie sich eine wirtschaftliche Wirkung von KI im eigenen Unternehmen tatsächlich einordnen lässt, liefert die KfW eine bemerkenswerte Zahl: KI-nutzende Mittelständler erreichen mit 76 Prozent eine positive Umsatzrendite, bei Nicht-Nutzern sind es nur 46 Prozent. Das beweist zwar keine einfache Kausalität — wirtschaftlich erfolgreichere Unternehmen investieren möglicherweise generell eher in neue Technologien —, zeigt aber eine bemerkenswert starke Verbindung zwischen KI-Einsatz und wirtschaftlichem Erfolg, die sich über mehrere unabhängige Studien hinweg konsistent zeigt.

Was diese Zahlen für die eingangs gestellte Frage bedeuten, lässt sich so zusammenfassen: Der deutsche Mittelstand hat gegenüber dem Konzern einen strukturellen Nachteil bei Ressourcen und einen strukturellen Vorteil bei Entscheidungsgeschwindigkeit. Wer diesen Vorteil nutzen will, braucht genau die Kombination aus strategischem Verständnis und operativer Umsetzungsfähigkeit, die in Kapitel 4 beschrieben wurde — konzentriert in möglichst wenigen Köpfen, statt über ein Organigramm verteilt, das ein Mittelständler sich schlicht nicht leisten kann.

6. Fazit: Value First statt Tool-First

Die Zahlen aus diesem Beitrag lassen sich auf einen einzigen Satz verdichten: 95 Prozent der Unternehmen investieren in KI-Tools, ohne einen belastbaren wirtschaftlichen Wert daraus zu ziehen — nicht weil die Tools schlecht sind, sondern weil zwischen der strategischen Entscheidung und der operativen Wirklichkeit eine Lücke klafft, die kein Sprachmodell von selbst schließt.

Diese Last Mile wird nicht durch mehr Technik geschlossen. Sie wird geschlossen durch eine Reihenfolge — reduzieren, stabilisieren, agilisieren, erst dann skalieren — und durch Menschen, die diese Reihenfolge tatsächlich durchsetzen können, weil sie beide Seiten der Gleichung verstehen: die kaufmännische Logik der Geschäftsführung und die operative Realität der Teams, die am Ende mit dem System arbeiten müssen.

Wer als Mittelständler nicht zur 95-Prozent-Statistik gehören will, braucht deshalb keinen großen Wurf und kein weiteres Tool. Er braucht Disziplin in der Reihenfolge und einen Übersetzer, der die Last Mile tatsächlich schließen kann — nicht, weil er Techniker ist, sondern gerade weil er es nicht ausschließlich ist.

Value First statt Tool-First heißt: Bevor die Frage gestellt wird, welches Modell zum Einsatz kommt, muss die Frage beantwortet sein, welches Geschäftsproblem gelöst wird, welcher Prozess davor reduziert und stabilisiert werden muss, und wer im Unternehmen dafür sorgt, dass diese Reihenfolge auch unter Zeitdruck eingehalten wird. Genau das ist der eigentliche Unterschied zwischen den fünf Prozent, die Wert extrahieren, und den 95 Prozent, die es nicht tun.

Facts are good advisors — auch wenn sie unbequem sind. Und der unbequemste Fakt in diesem Beitrag ist vielleicht dieser: Die Technik ist nicht mehr der Engpass. Der Engpass sind Sie selbst, Ihre Prozesse, Ihre Daten und die Frage, wer diese Last Mile für Sie schließt.

Quellen

• MIT NANDA: „State of AI in Business 2025" — 300 KI-Initiativen, 52 Tiefeninterviews, 153 Unternehmensumfragen.
• RAND Corporation: Analyse zu Erfolgs-/Misserfolgsraten von KI-Unternehmensprojekten.
• Gartner: Umfrage unter 782 IT-Führungskräften, veröffentlicht 07.04.2026.
• Bitkom Research: „Künstliche Intelligenz in Deutschland", Studienbericht 2025/2026.
• KfW Research: „Einsatz von Künstlicher Intelligenz im Mittelstand", Fokus Volkswirtschaft Nr. 533, Februar 2026.
• ifo Institut: „Die Nutzung von Künstlicher Intelligenz in der deutschen Wirtschaft", 2024/2025.
• Horváth: Studie zu KI-Investitionsquoten im Mittelstand, Januar 2026.
• Boston Consulting Group: „Closing the AI Impact Gap", 2025.
• ISG: Analyse zu Skalierungshürden bei KI-Initiativen.
• IBM: Studie zu Produktivitätssteigerungen durch KI in Deutschland, Oktober 2025.
• Eigene Mandatsdaten und Proof Points, Kopitzke.IO / PRO-Agilist.de (branchenanonymisiert gemäß interner Freigabe).

Jörg C. Kopitzke ist Applied AI-Integrator und Management Consultant. Über 25 Jahre Erfahrung in Vertrieb, IT, Ressourcenmanagement und agiler Transformation, seit 2022 aktiv in der praktischen Integration von KI in Unternehmensprozesse. Kontakt und kostenfreies Erstgespräch: www.kopitzke.io