KI im Unternehmen heute: Wie Firmen KI-Projekte in produktionsreife Ergebnisse umsetzen

Unternehmen mangelt es nicht an KI-Ambitionen. Aber diese Ambitionen in echten Mehrwert zu verwandeln, hat sich als schwieriger erwiesen, als viele erwartet haben. Der Bericht State of AI in Business des MIT aus dem Jahr 2025 ergab, dass trotz Investitionen in Höhe von 30 bis 40 Milliarden USD in generative KI auf Unternehmensebene 95 % der Unternehmen keinen messbaren Ertrag verzeichneten. Die Diagnose des Berichts lautete nicht, dass die Modelle ungeeignet seien: „Die meisten scheitern an fehleranfälligen Workflows, mangelndem kontextbezogenem Lernen und fehlender Abstimmung mit dem Tagesgeschäft.“

Das gilt auch für Deutschland: Laut einer Umfrage der Bundesnetzagentur aus dem Jahr 2025 setzen rund 30 Prozent der deutschen Unternehmen KI ein – wobei der Großteil noch in der Erprobungsphase steckt und der Einsatz mit der Unternehmensgröße zunimmt. Das zeigt: Der KI-Einsatz in deutschen Unternehmen wächst, aber der Schritt von kontrollierten Pilotprojekten zur verlässlichen Produktion bleibt die entscheidende Hürde. Genau hier setzt dieses Thema an.

Diese Lücke ist der Ausgangspunkt, um KI im Unternehmen heute zu verstehen. KI kann eine breite Palette von Aufgaben unterstützen, von Analytics und Automatisierung bis hin zu Document Intelligence, Prognosen, Entscheidungsunterstützung und Agentic Workflows. Ob diese Bemühungen einen Mehrwert erbringen, hängt nicht allein vom Anwendungsfall ab, sondern davon, wie gut jeder einzelne auf das Geschäftsproblem abgestimmt, mit vertrauenswürdigen Daten verknüpft, angemessen geregelt und an den Ergebnissen gemessen wird, die dem Unternehmen tatsächlich wichtig sind.

Der Einsatz von KI im Unternehmen umfasst mehrere Ansätze. Machine Learning trainiert Modelle anhand historischer Daten für Klassifizierungen, Bewertungen, Rankings oder Prognosen – es bildet die Grundlage für die meisten prädiktiven Anwendungsfälle, vom Abwanderungsrisiko bis zur Anomalieerkennung. In geschäftlichen Workflows nutzt generative KI häufig Large Language Models (LLMs), um Informationen abzurufen, zu verstehen, zusammenzufassen und zu entwerfen. Dies macht sie zur idealen Lösung für Szenarien mit unstrukturiertem Input oder Output. Prädiktive Analytik deckt zukunftsgerichtete Signale aus historischen und operativen Daten auf, wenn ein Unternehmen handeln muss, bevor ein Ergebnis vollständig sichtbar ist.

Die Fähigkeiten, die KI für Geschäftsprobleme bietet, haben sich schneller erweitert, als die meisten Unternehmen sie adaptieren konnten. Das Gleiche gilt für die Technologie selbst. Die wichtigste jüngste Entwicklung ist das Aufkommen von Agentic AI: Systeme, die Handlungsabläufe über genehmigte Tools und innerhalb definierter Berechtigungen planen und ausführen können – wie das Abfragen von Daten, das Abrufen von Dokumenten, das Aufrufen externer Systeme und das Entwerfen von Antworten.

Was bei all diesen Ansätzen konstant bleibt, ist die Abhängigkeit von dem System rund um das Modell. Die Datenpipelines, Zugriffskontrollen, die semantische Schicht, der Evaluierungsprozess, der Bereitstellungspfad und die Workflow-Integrationen rund um das Modell – sie entscheiden darüber, ob eine KI-Initiative in der Produktion erfolgreich ist. In diese Bereiche wird bei den meisten Implementierungen auch zu wenig investiert.

KI ermöglicht mehr Effizienz, geringere Kosten und schnellere Erkenntnisse. Der wahre Vorteil besteht jedoch darin, dass Menschen von sich wiederholenden, mühsamen Aufgaben befreit werden, sodass sie ihr Urteilsvermögen bei Entscheidungen einsetzen können, die das Unternehmen prägen.

Wenn KI gut implementiert ist – mit den richtigen Daten, einem Prozess, der darauf ausgelegt ist, auf die Ergebnisse des Modells zu reagieren, und einer Feedbackschleife, die es im Laufe der Zeit verbessert –, verändert sie auch die Wirtschaftlichkeit von Arbeit, die zuvor nicht skalierbar war. Ein paar Beispiele:

• Die Betrugsprüfung, bei der früher ein Team von Analyst:innen Warnmeldungen manuell untersuchen musste, kann nun kontinuierlich für jede Transaktion ausgeführt werden.
• Bedarfsprognosen, für deren Erstellung ein Planungsteam Wochen brauchte, können automatisch aktualisiert werden, sobald neue Signale eintreffen.
• Kundeninteraktionen, die auf der manuellen Recherche der Kontohistorie, der Suche nach relevanten Richtlinien und dem Entwerfen einer Antwort beruhten, können in Sekundenschnelle für die menschliche Überprüfung vorbereitet werden.

KI kommt in Unternehmen auf verschiedene Weise zum Einsatz. Die folgenden Abschnitte behandeln sechs der häufigsten Einsatzbereiche, auch wenn die meisten Systeme in der Praxis mehrere davon kombinieren.

Business Intelligence

Herkömmliche Business Intelligence basierte auf Berichten und Dashboards – nützlich für die Verfolgung bekannter Metriken, aber langsam bei der Beantwortung von Fragen, die bei der Erstellung des Dashboards nicht vorhergesehen wurden. Jede Folgefrage, die außerhalb der bestehenden Ansichten liegt, erfordert eine:n Analyst:in, eine Abfrage und Wartezeit.

Geregelte Analytics in natürlicher Sprache ändert diese Dynamik: Fachanwender:innen stellen Fragen in gewöhnlicher Sprache und erhalten Antworten, die aus genehmigten Metriken und Geschäftsdefinitionen abgeleitet sind, ohne eine Anfrage stellen oder auf einen benutzerdefinierten Bericht warten zu müssen. Die Personen, die einer Entscheidung am nächsten stehen, können diese direkt untersuchen, was sowohl die Geschwindigkeit als auch die Qualität der zugrunde liegenden Analyse verändert.

KI-Automatisierung

Die meisten Geschäftsabläufe enthalten einen Schritt, bei dem die nächste Aktion eher von der Interpretation des Inhalts einer Anfrage abhängt als von der Befolgung einer festen Regel. Beispielsweise erfordert eine Beschaffungsanfrage das Lesen von Vertragstexten, um festzustellen, ob ein:e Anbieter:in qualifiziert ist. Eine Kundenanfrage erfordert das Verständnis der Kontohistorie, um zu bestimmen, welche Antwort angemessen ist.

Diese Schritte verlangsamen Prozesse nicht, weil sie schwierig sind, sondern weil das Zusammentragen des richtigen Kontexts Zeit kostet. KI-Automatisierung löst dieses Problem, indem sie die Vorarbeit für die Beurteilung übernimmt: Sie identifiziert, welche Informationen benötigt werden, ruft diese aus strukturierten und unstrukturierten Quellen ab, wendet Geschäftslogik an und bereitet eine Empfehlung zur Überprüfung vor. Der menschliche Schritt bleibt bestehen, aber der Kontext ist bereits zusammengestellt.

Verarbeitung natürlicher Sprache und Document Intelligence

Ein erheblicher Teil des Unternehmenswissens liegt in unstrukturierter Form vor, beispielsweise in Verträgen, Richtlinien, Support-Transkripten, Forschungsberichten und behördlichen Einreichungen. LLMs, oft gepaart mit semantischer Suche oder Retrieval-Systemen, machen diese Inhalte auf eine Weise zugänglich, die eine Stichwortsuche nicht bieten kann: Sie fassen lange Dokumente zusammen, extrahieren bestimmte Klauseln, vergleichen Versionen und beantworten Fragen anhand eines internen Wissensbestands.

Für Unternehmen, die große Dokumentenmengen verwalten – in den Bereichen Recht, Compliance, Finanzen oder Kundensupport –, kann Arbeit, für die früher qualifizierte Fachkräfte lange lesen und zusammenfassen mussten, in einem Bruchteil der Zeit zur Überprüfung vorbereitet werden. Die Qualität der Ausgabe hängt von der Qualität und Aktualität der zugrunde liegenden Quellen ab und davon, ob das System mit Inhalten verbunden ist, die gepflegt und verwaltet werden, anstatt sie einfach ansammeln und veralten zu lassen.

Prädiktive Analytik und Decision Support

Prädiktive Analytik ist am wertvollsten, wenn ein Unternehmen handeln muss, bevor ein Ergebnis vollständig sichtbar ist. Auf historischen Daten trainierte ML-Modelle können beispielsweise das Kündigungsrisiko evaluieren, bevor ein Kunde abwandert, potenziell betrügerische Transaktionen isolieren, noch bevor ein Schaden entsteht, oder die künftige Nachfrage prognostizieren, bevor Bestandsentscheidungen getroffen werden müssen. Der generierte Model Output — sei es ein numerischer Score, ein Ranking oder ein Wahrscheinlichkeitswert — erweitert die Informationsbasis der Entscheidungsträger genau in dem Moment, in dem schnelles Handeln erforderlich ist.

Ob dieses Signal nützlich ist, hängt von der Qualität der zugrunde liegenden Daten ab, von der Genauigkeit des damit trainierten Modells und davon, ob der Workflow darum herum so aufgebaut ist, dass er auf die Ergebnisse reagieren kann.

Agentic AI

Agentic AI-Systeme führen Aktionssequenzen aus – wie das Abfragen von Datenbanken, das Abrufen von Dokumenten, das Aufrufen externer Systeme und das Ausführen von Aufgaben –, um ein definiertes Ziel zu erreichen. Ein Beschaffungsagent markiert nicht einfach eine Anfrage, damit ein:e Einkäufer:in sie untersucht. Er ruft die relevanten Vertragstexte ab, gleicht die Ausgabenhistorie mit den Richtlinien ab, bestätigt den Zulassungsstatus der Anbieter:innen und präsentiert eine Empfehlung mit bereits zusammengestellten Belegen.

Diese Autonomie verändert die Governance-Anforderungen erheblich. Die Grenzen dessen, worauf ein Agent ohne menschliche Zustimmung zugreifen und worauf er reagieren kann, sind keine optionalen Designüberlegungen – sie bestimmen, ob das System sicher in einem folgenschweren Geschäftsprozess eingesetzt werden kann.

Die meisten Großunternehmen begannen ihre KI-Programme auf die gleiche Weise: eine Handvoll Projekte, jedes von einem anderen Team geleitet, wobei jedes Team eigene Entscheidungen über Datenzugriff, Modellauswahl und die Definition guter Ergebnisse traf. Dieser Ansatz liefert zwar Ergebnisse – einzelne Workflows verbessern sich, Teams werden produktiver –, aber er ist nicht skalierbar.

Teams stellen fest, dass sie nicht auf Daten zugreifen können, die ein anderes Team bereits nutzt. Features werden doppelt entwickelt, weil niemand wusste, dass die ersten Versionen bereits existierten. Modelle erreichen die Produktionsphase ohne klare Antworten auf grundlegende Fragen: Welche Version läuft, womit wurde sie trainiert, wer hat sie freigegeben und wer ist verantwortlich, wenn die Ergebnisse falsch sind?

Die Unternehmen, die diese Hürde überwinden, betrachten Unternehmens-KI nicht länger als eine Sammlung von Projekten, sondern als ein Betriebsmodell. Das bedeutet eine gemeinsame Dateninfrastruktur mit konsistenten Zugriffskontrollen, semantische Definitionen, die KI-Systemen einen präzisen Geschäftskontext geben, Agent-Frameworks mit definierten Grenzen dafür, was ohne menschliche Freigabe abgerufen und ausgeführt werden darf, sowie Evaluierungspraktiken, die die Ergebnisqualität nicht nur vor, sondern auch nach dem Deployment messen. Governance ist in einem ausgereiften Unternehmens-KI-Programm keine Schranke vor der Einführung. Sie ist vielmehr ein integraler Bestandteil des Systembetriebs.

Zur technischen Infrastruktur kommt der Faktor Mensch. Der Aufbau von KI-Kompetenzen auf allen Ebenen – von Führungskräften, die Investitionsentscheidungen treffen, bis zu den Teams, die täglich mit den Ergebnissen der Modelle arbeiten – ist ebenso entscheidend wie die Architektur dahinter. Unternehmen, die dies vernachlässigen, stellen häufig fest, dass technisch einwandfreie Systeme am mangelnden Vertrauen oder an fehlenden Prozessen scheitern, die ihre Ausgaben in Entscheidungen überführen.

Die nächste Stufe der Unternehmens-KI wird dadurch definiert, wie effektiv Unternehmen KI in die Workflows einbetten können, in denen Geschäftsentscheidungen getroffen werden – angebunden an vertrauenswürdige Daten, innerhalb klarer Grenzen agierend und Ergebnisse liefernd, auf deren Basis Teams handeln und für die sie Verantwortung übernehmen können.

Weitere Informationen: Unternehmens-KI >

Kleine Unternehmen sind keine verkleinerte Version von Großunternehmen. Sie haben mit anderen Einschränkungen zu kämpfen: weniger technische Ressourcen, eine weniger formelle Dateninfrastruktur und weniger Spielraum für lange Implementierungszyklen. Gleichzeitig verfügen sie über spezifische Vorteile, die man in Großunternehmen oft vergeblich sucht.

Der größte Vorteil ist die Nähe. Wer in einem kleineren Betrieb ein KI-Projekt verantwortet, ist meist so nah am operativen Geschehen dran, dass sich die generierten Outputs unmittelbar bewerten lassen. Ein kleiner Händler, der beispielsweise Bestandsprognosen testet, weiß innerhalb einer Saison, ob das Modell Überbestände reduziert oder neue Probleme schafft. Diese direkte Feedbackschleife beseitigt die Unklarheiten, die die Evaluierung von Unternehmens-KI oft langsam und politisch machen.

Die Nähe verkürzt auch den Entscheidungszyklus. Wenn ein KI-Projekt nicht die gewünschte Leistung erbringt, kann ein kleines Unternehmen es anpassen oder stoppen, ohne ein großes Governance-Komitee, Anbieterverhandlungen oder einen Abstimmungsprozess über mehrere Teams hinweg durchlaufen zu müssen. Diese Geschwindigkeit ist ein Vorteil – vorausgesetzt, das Projekt wurde eng genug gefasst und mit ausreichenden Leitplanken versehen.

Bei der Disziplin in Bezug auf den Projektumfang entscheidet sich oft, ob KI-Projekte in kleinen Unternehmen erfolgreich sind oder scheitern. Die Unternehmen, die einen Mehrwert erzielen, beginnen mit einem einzigen Workflow, stellen sicher, dass die Daten verfügbar sind, und definieren vor der Implementierung, wie eine Verbesserung aussieht. Diejenigen, die Schwierigkeiten haben, versuchen, zu viel auf einmal zu lösen, stellen fest, dass die Daten nicht bereit sind, und haben keine klare Methode, um zu messen, ob sich überhaupt etwas verändert hat.

Leitplanken sind entscheidend, werden aber oft übersehen. Kleine Unternehmen investieren oft zu wenig in die Definition dessen, was das KI-System tun darf, auf welche Daten es zugreifen kann und wer seine Ergebnisse überprüft, bevor sie Kund:innen erreichen oder als Grundlage für eine Entscheidung dienen. Diese Grenzen sind in jeder Größenordnung notwendig.

Ein Modell, das ungenaue Bestandsempfehlungen liefert, ein kundenorientierter Assistent, der auf veraltete Preise zurückgreift, oder eine Automatisierung, die auf Daten reagiert, auf die sie nicht hätte zugreifen dürfen, können Probleme verursachen, die schwerer zu beheben als zu verhindern gewesen wären. Die Festlegung klarer Verantwortlichkeiten, kontrollierte Datenquellen und ein Überprüfungsprozess für folgenschwere Ergebnisse verhindern unnötige Risiken.

Die anfängliche Nachfrage nach KI übersteigt fast immer die Kapazität eines Unternehmens, diese gut zu implementieren, zu regeln und zu messen. Projekte, die ohne strenge Evaluierung oder Planung vorangetrieben werden, verbrauchen in der Regel Ressourcen, ohne die gewünschten Ergebnisse zu liefern – und schaffen stattdessen oft neue Probleme. Eine starke Strategie beginnt mit einem Filter dafür, was jetzt Investitionen verdient, was zuerst bessere Daten oder Governance benötigt und was überhaupt nicht weiterverfolgt werden sollte.

Ein nützliches Evaluierungs-Framework berücksichtigt vier Dimensionen:

• Business Value: Welche spezifische Entscheidung, welcher Prozess oder welche Kostenstruktur würde sich ändern, wenn dieses Projekt funktioniert – und ist diese Änderung wesentlich genug, um die Investition zu rechtfertigen?
• Machbarkeit: Sind die erforderlichen Daten, Fähigkeiten und Integrationen heute verfügbar, oder hängt das Projekt von einem zukünftigen Zustand ab, der noch nicht geschaffen wurde?
• Risiko: Wie kommt die KI mit regulierten Daten, Kundenkommunikation oder finanziellen Ergebnissen in Berührung, und welche Überprüfung ist erforderlich, bevor sie in Produktion geht?
• Wiederverwendungspotenzial: Schafft das Projekt eine gemeinsame Infrastruktur – semantische Definitionen, Retrieval-Services, Governance-Muster –, die die Kosten und Komplexität des nächsten Projekts reduziert?

Die Messung sollte vor der Implementierung definiert werden. Ein Support-Assistent könnte beispielsweise anhand der Lösungszeit, der Eskalationsrate und der Akzeptanz durch die Agent:innen gemessen werden, während ein Prognose-Workflow anhand der Prognosegenauigkeit, der Planungszykluszeit und der Frage gemessen werden könnte, ob die Prognose tatsächlich die Entscheidungen verändert hat, für die sie entwickelt wurde. Die Metrik im Voraus zu definieren, erzwingt die Diskussion über den Projektumfang, die nützliche KI-Projekte von teuren unterscheidet.

Die meisten Unternehmen erreichen einen Punkt, an dem die KI-Einführung schneller vonstattengeht als die dafür vorgesehenen Richtlinien. Mitarbeitende experimentieren mit Tools, Teams erstellen Workflows und integrieren KI in Geschäftssysteme. Aber Fragen darüber, was erlaubt ist, was sicher ist und was einen guten Anwendungsfall ausmacht, werden inkonsistent beantwortet – oder gar nicht. Ein KI-Council ist dazu da, diese Lücke zu schließen.

Die Hauptfunktion des KI-Councils ist das Enablement: Es hilft den Mitarbeitenden zu verstehen, welche Tools verfügbar sind, wie eine verantwortungsvolle Nutzung in ihrem spezifischen Kontext aussieht und an wen sie sich bei Fragen wenden können. In der Praxis bedeutet das Live-Demos, Office Hours, Hackathons, rollenbasierte Schulungen, Prompt-Bibliotheken und Showcases von Anwendungsfällen.

Mehrere Formate sind notwendig, da die Mitarbeitenden bei der KI-Einführung von unterschiedlichen Ausgangspunkten starten. Einige brauchen Inspiration. Andere benötigen praktische Unterstützung. Beispiele von Kolleg:innen sind besonders effektiv: Wenn Mitarbeitende sehen, wie andere KI erfolgreich in einer Arbeit einsetzen, die ihrer eigenen ähnelt, können sie sich besser vorstellen, wie sie ihnen helfen kann.

Die operativen Artefakte des Councils sollten konkret genug sein, um im Moment der Entscheidung nützlich zu sein: genehmigte Tool-Listen, Richtlinien für den Umgang mit Daten, Kriterien für die Aufnahme von Anwendungsfällen, erforderliche Überprüfungsschritte für risikoreiche Ausgaben und dokumentierte Beispiele dafür, wie eine gute KI-Nutzung in der Praxis aussieht.

Weitere Informationen: KI-Council >

KI schafft Business Value durch spezifische Anwendungsfälle – Nachfrageprognosen, Betrugserkennung, Vermeidung von Kundenabwanderung, Vertragsprüfung, Bestandsplanung. Jeder dieser Anwendungsfälle transformiert einen spezifischen Prozess und liefert quantifizierbare Ergebnisse. Zu verstehen, welche Anwendungsfälle realistisch sind, welche Daten erfordern, die noch nicht existieren, und welche die wesentlichste Veränderung bewirken würden, ist der Bereich, in dem die KI-Planung in der Regel ihre wichtigste Arbeit leistet.

Anwendungen sind die Softwareschicht, die Anwendungsfälle operativ macht: Empfehlungs-Engines, Anomalieerkennung, Dokumentenassistenten, natürlichsprachliche Analytics-Schnittstellen, Conversational AI. Die richtige Anwendung hängt davon ab, was der Anwendungsfall erfordert – die verfügbaren Daten, die zu unterstützende Entscheidung und der Workflow, in den sie sich einfügen muss.

Das Modell ist nur eine Komponente. Ob es in der Produktion Mehrwert schafft, hängt von allem ab, was es umgibt: den Daten, mit denen es trainiert wurde, den Features, auf die es sich stützt, der Governance, die regelt, worauf es zugreifen kann, dem Monitoring, das erkennt, wenn sich der Kontext ändert, und dem Workflow, der auf seine Ausgaben reagiert.

Snowflake bringt diese Elemente in eine kontrollierte Umgebung, in der Daten, Berechtigungen, Modellartefakte, Retrieval-Dienste und Anwendungslogik mit konsistenten Zugriffskontrollen arbeiten können.

Wichtige Funktionen:

• Cortex Analyst: Sicheres und kontrolliertes Text-to-SQL auf Basis semantischer Ansichten. Dadurch liefern natürlichsprachliche Fragen präzise Antworten auf Grundlage freigegebener Geschäftsdefinitionen anstelle von fehleranfälliger, roher Spaltenlogik.
• Cortex Search: Ruft relevanten Kontext aus unstrukturierten Daten für RAG-Pipelines und agentische Workflows ab und hält den Abruf mit kontrollierten Inhaltsquellen verbunden.
• Cortex Agents: Kombinieren strukturierte und unstrukturierte Eingaben in agentischen Workflows, generieren SQL und rufen Dokumentenkontext in einem einzigen kontrollierten Prozess ab, anstatt über separate Tools hinweg.
• Cortex AISQL: Bringt KI-Funktionen direkt in SQL-Workflows, sodass Teams maschinelles Lernen auf Daten anwenden können, ohne diese aus der kontrollierten Umgebung verschieben zu müssen.
• Snowflake Intelligence: Dialogorientierte Benutzerschnittstelle für die Arbeit mit Unternehmensdaten und Geschäftslogik, ohne Daten in Tools exportieren zu müssen, in denen Zugriffskontrollen und Lineage nicht greifen.
• Snowflake Model Registry: Verwaltet Modelle mit Versionierung, Metadaten und Bereitstellungsstatus, sodass Teams die Fragen beantworten können, die in der Produktion wichtig sind: Welches Modell wird ausgeführt, womit wurde es trainiert und was hat sich seit der letzten Version geändert?

Eine Self-Service-Analytics-Portal, automatisierte Workflows, prädiktive Modelle und ein kundenorientierter Assistenten wirken auf den ersten Blick wie völlig unabhängige Initiativen. Tatsächlich bauen sie jedoch auf denselben technologischen Grundlagen auf: verlässlichen Daten, semantischen Definitionen, sicheren Abrufpfaden, Zugriffskontrollen, Datenherkunft und Monitoring. Wenn diese Assets gemeinsam genutzt werden, beginnt jedes neue Projekt mit einem größeren Teil des bereits vorhandenen Betriebsmodells – und der Abstand zwischen einem funktionierenden Prototyp und einem Produktionssystem wird kürzer.

KI in einem geschäftlichen Kontext richtig einzusetzen, erfordert die gleichzeitige Lösung von zwei Problemen. Die Technologie muss auf das Problem abgestimmt sein – der richtige Ansatz, trainiert mit genauen Daten, der Ausgaben liefert, die präzise genug sind, um darauf basierend zu handeln. Und das System darum herum muss so aufgebaut sein, dass es sie unterstützt.

Die meisten KI-Initiativen, die scheitern, haben in die eine oder andere Seite zu wenig investiert. Diejenigen, die sich potenzieren, bei denen jedes neue Projekt auf dem aufbaut, was das letzte etabliert hat, behandeln beide von Anfang an als gleichwertige Anforderungen.