Warum Ihre KI-Strategie mehr Diagnose braucht als Software
Ein Beitrag von Jörg C. Kopitzke, Kopitzke.IO
These vorab
Die meisten gescheiterten KI-Projekte scheitern nicht an der Technologie. Sie scheitern am fehlenden Wertstrom-Verständnis, das vor jeder Software-Entscheidung hätte stehen müssen.
Das ist keine steile These aus dem Bauch heraus. Das ist der Befund aus über einem Dutzend Transformationsmandaten, in denen ich Unternehmen quer durch Branchen begleitet habe – von Medizintechnik über Automobilzulieferer bis zu Energieversorgern. Und es ist der Befund, den auch aktuelle Marktdaten stützen: Salesforce-Research aus 2026 zeigt, dass 85 Prozent der Unternehmen noch keine agentenbasierte KI implementiert haben, obwohl Führungskräfte im Schnitt 30 Prozent Produktivitätsgewinn erwarten. Die Lücke zwischen Ambition und Umsetzung ist riesig. Und sie hat selten mit fehlender Rechenleistung zu tun.
Einstieg: Das Muster hinter gescheiterten KI-Investitionen
Ich sehe es in fast jedem Mandat, mit dem ich beginne: Ein Unternehmen hat KI-Lizenzen gekauft. Die Adoption ist formal hoch – viele Mitarbeitende haben Zugang, viele nutzen das Tool zumindest gelegentlich. Und trotzdem bewegt sich am Ende nichts, was auf der Gewinn- und Verlustrechnung sichtbar wird.
Das Muster dahinter ist fast immer identisch: Technologie vor Use Case. Erst wird das Tool angeschafft, dann wird überlegt, wofür man es eigentlich braucht. Das ist, als würde man zuerst einen Presslufthammer kaufen und danach entscheiden, ob man vielleicht eine Wand einreißen möchte.
Dieses Muster ist nicht neu. Es ist dasselbe Muster, das ich aus 13 Jahren Arbeit mit agilen Transformationen kenne: Unternehmen führen Scrum ein, weil "das jetzt alle machen", ohne vorher zu klären, welches konkrete Problem damit gelöst werden soll. Das Ergebnis ist dann nicht weniger Bürokratie, sondern eine neue Schicht Bürokratie, die sich agil nennt.
Bei KI ist der Effekt noch teurer, weil die Lizenzkosten, die Integrationskosten und vor allem die Opportunitätskosten – die Zeit, die das Management in KI-Themen investiert, ohne dass etwas dabei herauskommt – deutlich höher liegen als bei einem gescheiterten Methoden-Rollout.
Die unbequeme Wahrheit, die kaum jemand offen ausspricht: Wer eine KI-Strategie mit der Frage "Welches Tool brauchen wir?" beginnt, hat die Reihenfolge bereits verkehrt. Die richtige erste Frage lautet: "Wo genau bremst uns unser eigener Wertstrom aus – und wäre das auch ohne KI ein Problem?" Wenn die Antwort "Ja, das war schon vorher ein Problem" lautet, dann löst KI dieses Problem nicht. Sie beschleunigt es höchstens, in die falsche Richtung.
Das ist der Grund, warum ich mit jedem neuen Mandat nicht mit einer Tool-Demo beginne, sondern mit einer Diagnose. Und genau darum geht es in diesem Beitrag.
Ein zusätzlicher Grund, warum ich diesen Beitrag gerade jetzt schreibe: 2026 verschärft sich die Diskussion um KI-Investitionen zunehmend, weil sich die Technologie selbst weiterentwickelt hat. Es geht längst nicht mehr nur um Chatbots, die auf Anfrage Text erzeugen. Es geht um sogenannte agentenbasierte Systeme, die eigenständig mehrstufige Aufgaben übernehmen – vom Abrufen von Daten über das Ausfüllen von Formularen bis zur Kommunikation mit anderen Systemen, ohne dass bei jedem einzelnen Schritt ein Mensch zustimmen muss. Diese Entwicklung erhöht sowohl das Versprechen als auch das Risiko: Das Versprechen, weil deutlich mehr Arbeit automatisiert werden kann als bisher. Das Risiko, weil ein fehlerhafter Prozess, der zuvor "nur" langsam war, jetzt schnell und autonom fehlerhaft ausgeführt wird – mit entsprechend größerer Reichweite, bevor jemand eingreift.
Genau deshalb ist die Diagnosefrage heute dringlicher als noch vor zwei Jahren. Wer seinen Wertstrom nicht kennt, bevor er ihn mit einem autonom handelnden System verknüpft, überträgt nicht nur Aufgaben an ein Werkzeug, sondern übergibt tatsächliche Handlungsmacht an ein System, dessen Grenzen niemand vorab sauber definiert hat. Diese Verschiebung – von unterstützender KI zu handelnder KI – ist der eigentliche Grund, warum eine saubere Diagnose 2026 kein Nice-to-have mehr ist, sondern eine Grundvoraussetzung.
Abschnitt 1: Business Recording (BR4IO®) als Diagnosewerkzeug – Bild, Text, Ton statt Bauchgefühl
Bevor ich überhaupt über KI spreche, mache ich etwas, das viele Berater überspringen, weil es unspektakulär klingt: Ich dokumentiere, was tatsächlich passiert. Nicht das, was im Organigramm steht. Nicht das, was im letzten Strategie-Workshop beschlossen wurde. Sondern das, was in der Praxis tatsächlich abläuft, wenn niemand genau hinschaut.
Dafür nutze ich die Methode, die ich Business Recording nenne – BR4IO®, "Business Recording 4 Improvement & Organisation". Das Prinzip dahinter ist einfach, aber wirkungsvoll: Bild, Text und Ton dokumentieren dieselbe faktenbasierte Realität, statt sich auf die subjektive Erinnerung von Beteiligten oder auf Hörensagen zu verlassen.
Warum das wichtig ist, lässt sich an einem einfachen Beispiel erklären: Wenn ich eine Führungskraft frage, "Wie lange dauert es bei Ihnen, bis ein neues Feature beim Kunden ankommt?", bekomme ich fast immer eine geschönte Antwort. Nicht aus böser Absicht, sondern weil Menschen ihre eigenen Prozesse chronisch optimistisch einschätzen. Das ist ein bekannter psychologischer Effekt, kein persönliches Versagen. Wenn ich dagegen den tatsächlichen Prozess aufzeichne – vom ersten Ticket bis zum Live-Gang beim Kunden – zeigt sich häufig eine Differenz von Wochen zwischen gefühlter und realer Durchlaufzeit.
Mein Motto dafür lautet: Facts are good advisors. Nicht Meinungen. Nicht Bauchgefühl. Nicht die Version der Realität, die am wenigsten unbequem ist.
Diese Diagnosephase hat für die KI-Strategie eine ganz konkrete Konsequenz: Sie zeigt, wo der eigentliche Engpass liegt – bevor überhaupt über ein Tool gesprochen wird. In den meisten Fällen, die ich begleitet habe, ist der Engpass nicht dort, wo das Management ihn vermutet. Häufig liegt er nicht im kreativen oder analytischen Teil der Arbeit, sondern in der Übergabe zwischen Abteilungen, in unklaren Verantwortlichkeiten oder in Freigabeprozessen, die niemand mehr hinterfragt, weil "das schon immer so war".
Ein KI-Tool, das genau an dieser Stelle nicht ansetzt, verbessert nichts. Es beschleunigt bestenfalls einen Teilschritt, der ohnehin nicht der Flaschenhals war. Schlimmer noch: Wenn der eigentliche Engpass an anderer Stelle liegt, kann ein beschleunigter Teilschritt sogar dazu führen, dass sich vor dem echten Engpass noch mehr unbearbeitete Arbeit staut – die Wartezeit verschiebt sich nur, sie verschwindet nicht.
Das ist der Grund, warum Diagnose vor Tool-Auswahl kommen muss. Nicht als bürokratischer Zwischenschritt, sondern weil sie die einzige verlässliche Grundlage dafür liefert, wofür eine KI-Investition überhaupt eingesetzt werden sollte. Ohne diese Grundlage kauft man Technologie auf Verdacht – und Verdacht ist selten ein guter Business Case.
Praktisch läuft das bei mir so ab: Ich beobachte den tatsächlichen Arbeitsablauf über einen definierten Zeitraum, dokumentiere Engpässe mit Bild, Text und wo sinnvoll auch Audio-Aufzeichnungen von Übergabegesprächen, und stelle diese Dokumentation den Verantwortlichen im Unternehmen als Diskussionsgrundlage zur Verfügung. Der Effekt ist fast immer derselbe: Die dokumentierte Realität überrascht die eigenen Führungskräfte. Nicht, weil sie ihr Unternehmen nicht kennen würden, sondern weil niemand im Tagesgeschäft die Zeit hat, den eigenen Prozess von außen zu betrachten.
Ein weiterer Aspekt, der in dieser Phase häufig unterschätzt wird: Business Recording macht nicht nur sichtbar, wo Zeit verloren geht, sondern auch, wo Wissen ausschließlich in Köpfen einzelner Mitarbeitender existiert, ohne jemals dokumentiert worden zu sein. Das ist gerade im Kontext von KI-Projekten hoch relevant, denn ein KI-System kann nur mit Wissen arbeiten, das irgendwo strukturiert vorliegt. Wenn die eigentliche Expertise eines Unternehmens im Kopf eines einzelnen, langjährigen Mitarbeiters steckt, der informell "einfach weiß, wie das läuft", dann liefert keine noch so leistungsfähige KI automatisch bessere Ergebnisse. Sie hat schlicht keinen Zugriff auf das, was eigentlich den Unterschied macht.
Deshalb ist die Diagnosephase auch eine Wissensmanagement-Frage, nicht nur eine Prozessfrage. Wer versteht, wo im Unternehmen kritisches, unstrukturiertes Wissen liegt, kann gezielt entscheiden, ob dieses Wissen zunächst dokumentiert und strukturiert werden muss, bevor eine KI-Anwendung überhaupt sinnvoll darauf aufbauen kann. Diese Reihenfolge – erst Wissen sichtbar machen, dann KI einsetzen – wird in der Praxis regelmäßig übersprungen, mit der Folge, dass KI-Systeme auf unvollständigen oder veralteten Datenbeständen trainiert oder betrieben werden und entsprechend unzuverlässige Ergebnisse liefern.
Abschnitt 2: Reduzieren → stabilisieren → agilisieren → erst dann skalieren
Sobald die Diagnose steht, folgt die Reihenfolge, die ich in jedem Mandat konsequent durchhalte – unabhängig davon, ob es um KI, um agile Transformation oder um reine Prozessoptimierung geht. Diese Reihenfolge lautet: reduzieren, dann stabilisieren, dann agilisieren, und erst ganz am Ende skalieren.
Diese vier Phasen sind kein theoretisches Konstrukt, sondern das Ergebnis konkreter Praxiserfahrung, unter anderem aus einem Mandat bei einem Systemhaus aus der Medizintechnik-Branche. Dort wurden 16 Teams parallel skaliert – aber die eigentliche Erfolgsgeschichte liegt nicht in der Anzahl der Teams. Sie liegt darin, dass die Time-to-Market im selben Zug von neun auf drei Wochen gesunken ist.
Das ist ein Faktor drei. Und dieser Faktor wurde nicht durch mehr Ressourcen, mehr Tools oder mehr Personal erreicht. Er wurde erreicht, weil die Reihenfolge stimmte.
Phase 1: Reduzieren. Bevor irgendetwas neu aufgebaut oder automatisiert wird, wird zuerst weggenommen, was nicht gebraucht wird. Das ist die unbequemste Phase, weil sie fast immer bedeutet, liebgewonnene Prozesse, Meetings oder Freigabeschleifen infrage zu stellen. Die wichtigste Fähigkeit in dieser Phase ist Reduktion – nicht Ergänzung. Wer stattdessen versucht, gleichzeitig zu reduzieren und neue Tools einzuführen, überfordert die Organisation mit zwei gegenläufigen Veränderungsimpulsen zugleich.
Phase 2: Stabilisieren. Erst wenn der reduzierte Prozess läuft, wird er stabilisiert – das heißt, er wird so lange wiederholt und beobachtet, bis er verlässlich funktioniert, ohne dass ständig manuell nachgesteuert werden muss. Diese Phase wird in vielen Unternehmen komplett übersprungen, weil sie unspektakulär wirkt. Aber ein instabiler Prozess, der dann skaliert wird, vervielfacht nicht den Erfolg. Er vervielfacht die Instabilität.
Phase 3: Agilisieren. Erst wenn ein Prozess stabil läuft, ergibt es Sinn, ihn flexibler und anpassungsfähiger zu gestalten – also wirklich agil im eigentlichen Sinn, nicht nur mit agilen Ritualen versehen. In dieser Phase wird der Prozess so gestaltet, dass er auf veränderte Anforderungen reagieren kann, ohne bei jeder Änderung neu aufgesetzt werden zu müssen.
Phase 4: Skalieren. Erst am Ende, wenn reduziert, stabilisiert und agilisiert wurde, folgt die Skalierung – die Ausweitung auf weitere Teams, weitere Standorte, weitere Anwendungsfälle. Genau in dieser letzten Phase kommt in der Regel auch die eigentliche KI-Investition zum Tragen: als Verstärker eines bereits funktionierenden Musters, nicht als Versuch, ein dysfunktionales Muster zu übertünchen.
Der entscheidende Punkt an diesem Vier-Phasen-Modell ist: Wer die Reihenfolge umdreht – also zuerst skaliert oder zuerst automatisiert, bevor reduziert und stabilisiert wurde – bekommt kein besseres Ergebnis. Er bekommt dasselbe Chaos, nur schneller und auf mehr Teams verteilt. Das ist der Grund, warum ich in Gesprächen mit Geschäftsführungen regelmäßig eine unbequeme Frage stelle, bevor überhaupt über ein KI-Budget gesprochen wird: "Funktioniert Ihr Prozess heute schon zuverlässig – auch ohne KI? Oder hoffen Sie, dass KI ein Problem löst, das eigentlich ein Organisationsproblem ist?"
Diese Frage ist unbequem, weil sie oft ehrlich mit "Nein, eigentlich nicht" beantwortet werden müsste. Aber genau diese Ehrlichkeit ist der Ausgangspunkt für jede KI-Investition, die am Ende tatsächlich Wirkung zeigt, statt nur eine weitere Zeile im Lizenzbudget zu sein.
Ein Punkt, der in diesem Zusammenhang selten offen angesprochen wird: Skalierung mit KI-Unterstützung erzeugt eine besondere Versuchung, weil sie Geschwindigkeit suggeriert, wo eigentlich noch keine Stabilität vorhanden ist. Ein Managementteam sieht eine erste positive Zahl aus einem Pilotprojekt und möchte diese Zahl möglichst schnell auf die gesamte Organisation übertragen. Das ist menschlich nachvollziehbar – niemand möchte einen erfolgreichen Ansatz künstlich verlangsamen. Aber ein Pilotprojekt, das in einem einzelnen, sorgfältig betreuten Team funktioniert, funktioniert nicht automatisch in fünfzehn weiteren Teams, die andere Ausgangsbedingungen, andere informelle Prozesse und andere Führungskulturen haben.
Genau deshalb gehört zur Phase des Stabilisierens auch die bewusste Entscheidung, ein zweites, drittes und viertes Team unter realistischen, nicht künstlich optimierten Bedingungen zu beobachten, bevor eine flächendeckende Skalierung erfolgt. Diese zusätzliche Sorgfalt kostet Zeit – aber deutlich weniger Zeit, als eine gescheiterte Skalierung im Nachhinein wieder einzufangen, nachdem sich Frustration und Vertrauensverlust in der Organisation bereits breitgemacht haben. Vertrauen, das einmal verspielt wurde, weil eine KI-Initiative im zweiten oder dritten Team spürbar schlechter funktionierte als im ursprünglichen Pilotprojekt, lässt sich nur mit erheblichem Mehraufwand zurückgewinnen.
Abschnitt 3: Wo Compliance (EU AI Act) in die Diagnosephase gehört, statt hinterher aufgesetzt zu werden
Ein Thema, das 2026 zunehmend an Fahrt aufnimmt, ist die Regulierung von KI – konkret der EU AI Act, dessen Transparenzpflichten seit August 2025 in Kraft sind und dessen weitere Verpflichtungen sich schrittweise entfalten. Viele Unternehmen behandeln diesen regulatorischen Rahmen wie eine Steuererklärung: eine lästige Pflicht, die man am liebsten delegiert und im Zweifel so spät wie möglich bearbeitet.
Das ist ein strategischer Fehler – und zwar aus einem Grund, der über reine Rechtskonformität hinausgeht. Compliance, die man erst nachträglich aufsetzt, kostet grundsätzlich mehr als Compliance, die von Anfang an mitgedacht wird. Nachträgliche Compliance bedeutet: Man baut zunächst ein System, das seine Entscheidungen nicht erklären kann, keine nachvollziehbare Dokumentation seiner Datenquellen hat und keine eingebauten Kontrollpunkte besitzt. Und danach – oft unter Zeitdruck, weil eine Prüfung oder ein Kundenaudit ansteht – versucht man, all das nachträglich zu ergänzen. Das ist technisch aufwendiger, teurer und in vielen Fällen nur mit erheblichen Kompromissen überhaupt möglich.
Der bessere Weg ist, Compliance bereits in die Diagnosephase zu integrieren – also genau dort, wo ich mit jedem Mandat ohnehin beginne. Wenn ich den Wertstrom eines Unternehmens dokumentiere und analysiere, stelle ich von Anfang an Fragen, die später ohnehin regulatorisch relevant werden: Welche Daten fließen in eine KI-gestützte Entscheidung ein? Wer ist für diese Entscheidung am Ende verantwortlich – der Mensch oder das System? Wie lässt sich im Nachhinein nachvollziehen, warum eine bestimmte Empfehlung ausgesprochen wurde?
Diese Fragen klingen zunächst nach zusätzlichem Aufwand. In der Praxis zeigt sich jedoch häufig das Gegenteil. In einem Mandat, in dem genau dieser Ansatz verfolgt wurde – Compliance-relevante Fragen als integraler Bestandteil der Diagnosephase statt als nachgelagerte Prüfung – wurden dabei nebenbei 35 Prozent mehr valide Ideen auf Geschäftsleitungsebene sichtbar. Der Grund dafür ist naheliegend: Wenn man systematisch fragt, wie eine Entscheidung zustande kommt und wer sie verantwortet, deckt man automatisch blinde Flecken und Denkfehler auf – sogenannte Bias-Muster, die sich in Gruppenentscheidungen auf Führungsebene besonders hartnäckig halten. Diese Art von "Bias-Hunting" war in diesem Fall kein separates Compliance-Projekt, sondern ein integraler Bestandteil der strategischen Diagnose.
Der EU AI Act ist damit nicht in erster Linie ein juristisches Hindernis. Er kann, richtig eingesetzt, als Diagnosewerkzeug fungieren: Die Fragen, die er aufwirft – Nachvollziehbarkeit, Erklärbarkeit, Verantwortlichkeit – sind exakt dieselben Fragen, die eine gute Wertstrom-Diagnose ohnehin stellen sollte. Wer den regulatorischen Rahmen als Belastung betrachtet, hat das eigentliche Potenzial nicht verstanden. Wer ihn als strukturierte Checkliste für eine ohnehin notwendige Diagnose nutzt, gewinnt Zeit und Erkenntnis gleichzeitig – statt am Ende zwei separate Projekte zu finanzieren, eines für die Strategie und eines für die nachträgliche Compliance-Reparatur.
Ein aktueller Sonderfall: Agentenbasierte KI und die neue Verantwortungsfrage
2026 verschiebt sich die Diskussion zunehmend von reiner generativer KI – Systemen, die auf eine Anfrage eine Antwort liefern – hin zu sogenannter agentenbasierter KI: Systemen, die eigenständig Aufgaben ausführen, auf andere Programme zugreifen und mehrere Schritte hintereinander autonom erledigen, ohne dass ein Mensch jeden einzelnen Zwischenschritt freigibt. Marktbeobachter sprechen bereits vom "digitalen Mitarbeiter", der nicht nur Vorschläge macht, sondern tatsächlich handelt.
Diese Entwicklung verschärft die Diagnosefrage zusätzlich. Wenn ein System nicht nur Text generiert, sondern eigenständig E-Mails verschickt, Daten in andere Systeme überträgt oder Freigaben erteilt, dann ist die Frage "Wer ist am Ende verantwortlich, wenn etwas schiefläuft?" nicht mehr theoretisch, sondern akut praktisch. Aktuelle Marktdaten aus 2026 zeigen, dass ein Großteil der Führungskräfte davon ausgeht, autonome KI-Agenten seien bereits im Einsatz – gleichzeitig geben nur wenige Unternehmen an, diese digitale Arbeitskraft mit derselben Sorgfalt in Bezug auf Zugriffsrechte und Kontrolle zu behandeln wie menschliche Mitarbeitende.
Das ist exakt die Lücke, die eine saubere Diagnose vorab schließen muss. Bevor ein Unternehmen einen KI-Agenten mit eigenständigem Handlungsspielraum ausstattet, muss geklärt sein: Welche Entscheidungen darf dieses System eigenständig treffen, und welche müssen zwingend von einem Menschen bestätigt werden? Wie wird erkannt, wenn ein Agent außerhalb seines vorgesehenen Rahmens handelt? Wer trägt die Verantwortung, wenn ein autonom agierendes System einen Fehler verursacht, der finanzielle oder rechtliche Konsequenzen hat?
Diese Fragen lassen sich nicht im Nachhinein beantworten, wenn der Agent bereits produktiv im Einsatz ist. Sie gehören – wie alle anderen Compliance-relevanten Fragen auch – in die Diagnosephase, bevor die erste Zeile Code geschrieben oder die erste Lizenz aktiviert wird.
Abschnitt 4: Governance ohne Bürokratie – der Unterschied zwischen "eingebaut" und "aufgesetzt"
Das Wort "Governance" löst bei vielen Führungskräften ein reflexartiges Stöhnen aus. Es klingt nach zusätzlichen Gremien, zusätzlichen Freigabeschleifen, zusätzlichen Formularen. Und in vielen Unternehmen ist genau das die Realität: Governance wird als nachträgliche Kontrollschicht über einen bestehenden Prozess gelegt, ohne dass sich am eigentlichen Ablauf etwas verbessert. Das Ergebnis ist Bürokratie, die sich wichtig anfühlt, aber keinen Mehrwert liefert – Business-Theater, das aussieht wie Arbeit.
Es gibt jedoch einen fundamentalen Unterschied zwischen Governance, die aufgesetzt wird, und Governance, die eingebaut ist.
Aufgesetzte Governance funktioniert nach dem Prinzip: Ein Prozess läuft bereits, und im Nachhinein wird eine Prüfinstanz installiert, die diesen Prozess kontrolliert. Diese Prüfinstanz kennt die eigentliche Arbeitslogik oft nicht im Detail, sondern arbeitet mit standardisierten Checklisten, die auf möglichst viele Fälle gleichzeitig passen sollen – und damit auf keinen einzelnen Fall wirklich gut. Das Ergebnis: Mitarbeitende empfinden die Kontrolle als Fremdkörper, versuchen sie zu umgehen, wo es geht, und die eigentliche Qualität der Entscheidungen verbessert sich nicht.
Eingebaute Governance funktioniert anders. Sie ist Teil der Prozessgestaltung selbst, nicht eine nachträgliche Schicht darüber. Konkret bedeutet das: Wenn ein KI-gestützter Arbeitsschritt entworfen wird, werden Fragen wie "Wer prüft dieses Ergebnis, bevor es wirksam wird?" oder "Woran erkennt jemand, dass dieses Ergebnis fehlerhaft sein könnte?" bereits bei der Konzeption beantwortet – nicht erst, wenn ein Fehler öffentlich geworden ist.
Der Unterschied lässt sich an einem einfachen Beispiel verdeutlichen, das ich häufig in Mandaten beobachte: Schatten-KI. Mitarbeitende nutzen inoffizielle KI-Tools, weil die offizielle Freigabe zu langsam ist oder es gar keine offizielle Lösung gibt. Die typische Reaktion vieler Führungsebenen ist ein Verbot. Das Ergebnis: Die Nutzung geht weiter, nur unsichtbar, ohne jede Kontrolle. Governance durch Verbot ist aufgesetzte Governance in Reinform – sie adressiert nicht das eigentliche Bedürfnis, sondern versucht, das Symptom zu unterdrücken.
Der wirksamere Weg besteht darin, schnelle, klare Leitplanken einzubauen, statt zu verbieten. In einem konkreten Mandat, bei dem genau dieser Wechsel vollzogen wurde – von Verbot zu eingebauten Leitplanken – sanken die Routineaufgaben um 60 Prozent, während die tatsächliche Akzeptanz der KI-Nutzung im Team um 70 Prozent stieg. Diese Zahlen sind kein Zufall. Sie zeigen, dass Governance, die von Anfang an mitgedacht wird, nicht nur regulatorisch sauberer ist, sondern auch operativ wirksamer.
Der EU AI Act macht diese Unterscheidung ab 2026 nicht mehr optional, sondern verbindlich. Aber selbst ohne regulatorischen Druck würde ich jedem Unternehmen empfehlen, Governance als integralen Bestandteil der KI-Strategie zu behandeln, nicht als nachgelagerte Pflichtübung. Der Unterschied zwischen "eingebaut" und "aufgesetzt" entscheidet am Ende darüber, ob eine KI-Investition tatsächlich vertrauenswürdig genutzt wird – oder ob sie im Unternehmen zu einer Grauzone wird, die niemand offen anspricht, weil es unbequem ist.
Governance und der Faktor Mensch: Warum Rollen sich verändern, nicht nur Prozesse
Ein Aspekt, der in der öffentlichen KI-Diskussion 2026 zunehmend Raum einnimmt, aber in vielen internen KI-Strategien noch fehlt, ist die Frage nach den Auswirkungen auf Rollen und Kompetenzen im Unternehmen. Aktuelle Erhebungen unter Personalverantwortlichen zeigen ein bemerkenswertes Bild: Auf der einen Seite wird ein spürbarer Produktivitätsgewinn durch den Einsatz von KI-Agenten erwartet. Auf der anderen Seite planen dieselben Verantwortlichen, einen erheblichen Teil ihrer Belegschaft in neue Rollen oder Aufgabenbereiche umzuverteilen – nicht, weil diese Menschen überflüssig würden, sondern weil sich die Art der Arbeit verändert.
Interessant ist dabei ein Detail, das der reinen "KI ersetzt Arbeitsplätze"-Erzählung widerspricht: Ein deutlicher Anteil der Befragten geht davon aus, dass der Bedarf an sogenannten Soft Skills – Kommunikation, Urteilsvermögen, Verantwortungsübernahme, Beziehungsgestaltung – durch den zunehmenden Einsatz von KI-Agenten steigt, nicht sinkt. Das deckt sich mit meiner eigenen Erfahrung aus über einem Jahrzehnt agiler Transformationsarbeit: Je mehr repetitive, regelbasierte Aufgaben automatisiert werden, desto wichtiger wird die Fähigkeit der verbleibenden menschlichen Rollen, komplexe, mehrdeutige Situationen zu beurteilen, die sich nicht in klare Regeln fassen lassen.
Für eine KI-Strategie bedeutet das: Governance ist nicht nur eine technische oder regulatorische Frage, sondern auch eine Führungs- und Organisationsfrage. Wer KI-Agenten einführt, ohne gleichzeitig zu klären, welche neuen Aufgaben die betroffenen Mitarbeitenden übernehmen sollen und welche Kompetenzen dafür aufgebaut werden müssen, riskiert nicht nur Akzeptanzprobleme, sondern auch einen echten Wissensverlust. Mitarbeitende, die sich durch die Einführung von KI-Systemen bedroht statt unterstützt fühlen, tendieren dazu, ihr eigenes Erfahrungswissen zurückzuhalten – aus Selbstschutz, nicht aus böser Absicht. Und genau dieses Erfahrungswissen wäre notwendig, um ein KI-System überhaupt sinnvoll zu trainieren oder zu kalibrieren.
Diese Beobachtung führt zurück zu meiner ursprünglichen These: Eine KI-Strategie, die nur die technische Seite betrachtet – welches Modell, welche Schnittstelle, welche Rechenkapazität – aber die menschliche Seite ausklammert, bleibt zwangsläufig unvollständig. Governance im eingebauten Sinn bedeutet deshalb auch, von Anfang an zu klären, wie Führung, Kommunikation und Weiterbildung so gestaltet werden, dass Mitarbeitende KI-Systeme als Unterstützung erleben, nicht als Bedrohung. Diese Klärung gehört – wie die technischen und regulatorischen Fragen auch – in die Diagnosephase, nicht in eine nachträgliche Reparaturmaßnahme, wenn das Vertrauen im Team bereits beschädigt ist.
Ein Praxisbeispiel zur Einordnung: Wenn Reihenfolge über Erfolg entscheidet
Um die vier Phasen – reduzieren, stabilisieren, agilisieren, skalieren – noch greifbarer zu machen, lohnt sich ein genauerer Blick auf das bereits erwähnte Mandat bei einem Systemhaus aus der Medizintechnik-Branche.
Zu Beginn dieses Mandats war die Ausgangslage typisch für viele mittelständische Unternehmen mit gewachsener Organisationsstruktur: Mehrere Teams arbeiteten parallel an ähnlichen Aufgabenstellungen, jedoch mit unterschiedlichen, historisch gewachsenen Prozessen. Neue Funktionen brauchten im Schnitt neun Wochen, bis sie beim Kunden ankamen – nicht, weil die technische Umsetzung neun Wochen dauerte, sondern weil zwischen den einzelnen Arbeitsschritten erhebliche Wartezeiten, Abstimmungsschleifen und unklare Zuständigkeiten lagen.
Der erste Schritt bestand nicht darin, ein neues Tool einzuführen oder KI-Unterstützung zu implementieren. Der erste Schritt bestand darin, radikal zu reduzieren: Überflüssige Freigabeschleifen wurden identifiziert und gestrichen, doppelte Abstimmungsrunden zwischen Teams, die inhaltlich dasselbe besprachen, wurden zusammengelegt, und Verantwortlichkeiten, die zuvor auf mehrere Personen verteilt waren, wurden eindeutig zugeordnet.
Erst nachdem dieser reduzierte Prozess mehrere Wochen lang stabil lief – das heißt, ohne dass ständig manuell nachgesteuert werden musste – wurde er in Richtung größerer Flexibilität weiterentwickelt: Teams erhielten mehr Entscheidungsspielraum innerhalb klar definierter Leitplanken, statt jede kleinere Entscheidung eskalieren zu müssen.
Erst in der letzten Phase, als sich dieses Muster in einem ersten Team bewährt hatte, wurde es auf insgesamt 16 Teams ausgeweitet. Und erst in dieser Skalierungsphase kamen digitale Hilfsmittel zum Einsatz, die den nun stabilen und flexiblen Prozess weiter unterstützten, etwa durch automatisierte Statusübersichten und vereinfachte Reporting-Strukturen.
Das Ergebnis: Die Time-to-Market sank von neun auf drei Wochen – ein Faktor drei, erzielt nicht durch ein einzelnes Wundermittel, sondern durch die konsequente Einhaltung der Reihenfolge. Hätte man versucht, gleich zu Beginn ein digitales Tool über den bestehenden, unreduzierten und instabilen Prozess zu legen, wäre das Ergebnis mit hoher Wahrscheinlichkeit ein schnelleres, aber weiterhin chaotisches System gewesen – schneller in die falsche Richtung, nicht schneller zum Ziel.
Dieses Beispiel zeigt exemplarisch, warum ich in jedem neuen Mandat auf dieser Reihenfolge bestehe, auch wenn das bedeutet, dass sichtbare KI-Ergebnisse erst nach der Diagnose- und Reduktionsphase entstehen. Der kurzfristige Wunsch nach schnell sichtbaren KI-Erfolgen steht dabei häufig im Widerspruch zum tatsächlich wirksamen Vorgehen – und genau diesen Widerspruch aufzulösen, gehört zu den unbequemeren, aber notwendigen Gesprächen, die ich mit Geschäftsführungen führe.
Was das für Ihre Investitionsentscheidung bedeutet
Aus Sicht einer Geschäftsführung oder eines Finanzverantwortlichen lässt sich der bisherige Gedankengang auch in eine reine Investitionslogik übersetzen, unabhängig von der operativen Prozessperspektive.
Eine KI-Investition, die ohne vorherige Diagnose getätigt wird, ist im Kern eine Wette auf Verdacht. Man investiert Kapital in ein Werkzeug, dessen tatsächlicher Nutzen an der Stelle, an der es eingesetzt wird, nicht belastbar quantifiziert wurde. Das mag im Einzelfall gutgehen – manchmal trifft man auch ohne Diagnose zufällig den richtigen Ansatzpunkt. Aber als systematisches Investitionsprinzip ist "Hoffnung statt Diagnose" eine schlechte Grundlage, insbesondere wenn die investierten Beträge über eine einzelne Softwarelizenz hinausgehen und Integrationsaufwand, Schulungszeit und organisatorische Veränderung mit einbezogen werden.
Eine Investition, der eine saubere Diagnose vorausgeht, verändert diese Risikostruktur grundlegend. Man weiß vor der Investition, an welcher Stelle im Wertstrom der tatsächliche Engpass liegt, welche Kennzahl sich durch eine Verbesserung an dieser Stelle realistisch verändern lässt, und wie stark diese Veränderung wirtschaftlich zu Buche schlägt. Das erlaubt eine deutlich präzisere Kosten-Nutzen-Abwägung, als sie bei einer pauschalen "Wir brauchen jetzt auch KI"-Entscheidung möglich ist.
Ein weiterer, oft übersehener Vorteil einer vorgelagerten Diagnose: Sie ermöglicht eine gestufte Investitionsentscheidung statt einer Alles-oder-nichts-Entscheidung. Wenn klar ist, welcher Prozessschritt den größten Hebel bietet, lässt sich eine erste, überschaubare Investition an genau dieser Stelle tätigen, deren Wirkung sich innerhalb weniger Wochen oder Monate messen lässt. Erst wenn sich diese Wirkung bestätigt, folgt die nächste, größere Investitionsstufe. Dieses Vorgehen reduziert das finanzielle Risiko erheblich im Vergleich zu einer einmaligen Großinvestition, deren Erfolg erst nach zwölf oder achtzehn Monaten überhaupt beurteilbar wird.
Aus meiner Erfahrung lohnt sich diese gestufte Herangehensweise gerade für mittelständische Unternehmen, die nicht über die finanziellen Puffer großer Konzerne verfügen, um eine gescheiterte Großinvestition einfach abzuschreiben und einen zweiten Anlauf zu finanzieren. Für diese Unternehmen ist die Diagnosephase nicht ein optionaler Luxus, sondern der entscheidende Hebel, um das eigene, begrenzte Investitionskapital dort einzusetzen, wo es tatsächlich wirkt.
Diese Überlegung schließt den Kreis zur eingangs formulierten These: Die meisten gescheiterten KI-Projekte scheitern nicht an der Technologie, sondern am fehlenden Wertstrom-Verständnis davor. Wer diesen Zusammenhang ernst nimmt, behandelt die Diagnosephase nicht als lästige Vorstufe, sondern als das, was sie tatsächlich ist: der wichtigste Teil der gesamten KI-Strategie, auch wenn er auf den ersten Blick am wenigsten nach Technologie aussieht.
Fazit: Facts are good advisors
Die zentrale Botschaft dieses Beitrags lässt sich auf einen einzigen Satz verdichten: Ihre KI-Strategie braucht zuerst eine ehrliche Diagnose Ihres Wertstroms – nicht zuerst eine Software-Entscheidung.
Das ist keine Absage an Technologie. Ich arbeite selbst täglich mit KI-Werkzeugen, orchestriere Multi-Agenten-Workflows und evaluiere neue KI-Modelle, sobald sie einen echten wirtschaftlichen Nutzen versprechen. Aber die Reihenfolge entscheidet über Erfolg oder Misserfolg: Erst die Diagnose, dann die Reduktion, dann Stabilität, dann Agilität, und erst danach – wenn überhaupt – die Skalierung mit KI-Unterstützung.
Wer diese Reihenfolge respektiert, vermeidet die teuerste Falle im aktuellen KI-Hype: Geld, Zeit und Vertrauen in ein Werkzeug zu investieren, das ein Problem lösen soll, das eigentlich ein Organisationsproblem ist. Facts are good advisors – auch und gerade dann, wenn diese Fakten unbequem sind und zeigen, dass der eigentliche Engpass nicht die fehlende Technologie ist, sondern ein Prozess, der schon lange vor dem ersten KI-Projekt hätte hinterfragt werden müssen.
Wenn Sie sich in diesem Muster wiedererkennen – wenn Sie KI-Investitionen getätigt haben, deren Wirkung sich nicht in Ihren Kennzahlen zeigt, oder wenn Sie eine KI-Strategie planen und sichergehen wollen, dass sie nicht an derselben Stelle scheitert wie so viele andere: Lassen Sie uns in einem unverbindlichen Erstgespräch klären, wo Ihr eigener Wertstrom tatsächlich steht.
In diesem Gespräch geht es nicht um eine Tool-Präsentation und nicht um einen Verkaufsdruck. Es geht um eine ehrliche, faktenbasierte Standortbestimmung: Wo liegt Ihr tatsächlicher Engpass? Und lohnt sich eine KI-Investition an dieser Stelle überhaupt – oder brauchen Sie zuerst etwas anderes?
Rufen Sie mich an unter +49 170 520 50 70, oder schreiben Sie mir eine Mail an jrgkop@kopitzke.io. Alternativ können Sie direkt einen Termin über meinen Online-Kalender buchen. Ich freue mich auf ein Gespräch, das mit Fakten beginnt – nicht mit einem Verkaufsversprechen.