Unternehmen brauchen keine weiteren KI-Piloten. Sie brauchen eine operative Ebene für KI

Juni 10, 2026

Viele Unternehmen starten ihre KI-Reise ähnlich: mit einigen Pilotprojekten, dem ersten Chatbot, einem internen Assistenten oder der Automatisierung einzelner Aufgaben. Aus unserer Erfahrung in Tschechien und international zeigt sich jedoch, dass genau hier das größte Risiko entsteht. KI verbreitet sich schneller, als die Organisation sie steuern kann.

„Der größte Fehler ist nicht, zu spät zu starten. Der größte Fehler ist, chaotisch zu starten“, sagt Petr Zelenka, Chief AI Officer der Adastra Group.

Der Bankensektor zeigt, wie die Einführung von KI voraussichtlich auch in anderen Branchen aussehen wird: weniger Experimente, mehr Governance. Weniger Einzellösungen, mehr systematische Ansätze. Und vor allem: KI ist längst nicht mehr nur ein IT-Thema.

KI entwickelt sich vom Tool zur operativen Ebene des Unternehmens

Noch vor zwei Jahren betrachteten die meisten Unternehmen generative KI als eine neue Art von Software-Tool. Diese Sichtweise hat sich verändert.

Laut Petr Zelenka ist KI zunehmend nicht mehr nur ein „Assistent“, sondern wird zur operativen Ebene der Organisation. Ähnlich wie Cloud- oder Datenplattformen zu unsichtbarer Infrastruktur wurden. „KI entwickelt sich von einem Tool zu etwas, durch das künftig ein Großteil der Arbeit, Entscheidungsfindung und Wissensweitergabe fließen wird“, erklärt er.

Genau deshalb ist die Einführung von KI schon lange kein reines Technologieprojekt mehr. Sobald KI Entscheidungen, Kundenkommunikation, interne Prozesse und den Umgang mit sensiblen Daten beeinflusst, ist sie keine rein technische Initiative mehr. Sie wird zu einem strategischen Thema für die Geschäftsleitung. Unternehmen stellen dabei fest: Die Technologie selbst ist paradoxerweise der einfachere Teil.

Warum die meisten KI-Projekte aus dem gleichen Grund scheitern

Unternehmen starten oft mit schnellen Experimenten. Ein Team führt einen Copilot ein, ein anderes entwickelt einen eigenen KI-Assistenten. Andere nutzen externe Modelle, ohne dass es eine übergreifende Abstimmung gibt. Kurzfristig funktioniert das. Langfristig entstehen jedoch drei zentrale Probleme:

1. Doppelte Arbeit: Jedes Team löst dieselben Fragen immer wieder aufs Neue, etwa zu Datenzugriff, Sicherheit, Monitoring, Modellmanagement und Compliance.
2. Shadow AI: Mitarbeitende nutzen KI-Tools außerhalb der Kontrolle des Unternehmens, oft mit Unternehmens- oder Kundendaten.
3. Unbeherrschbare Architektur: Jeder neue Use Case fügt eine weitere Technologieschicht hinzu. Dadurch wird die Architektur immer schwerer zu steuern und zu skalieren.

Deshalb beginnen große Unternehmen, statt isolierter Use Cases eine gemeinsame Grundlage aufzubauen: eine KI-Plattform.

NLB: Warum die Bank nicht mit einem Chatbot startete, sondern mit einer Plattform

Als die NLB Group, die größte Bankengruppe Sloweniens und ein führender Anbieter im Privatkunden-, Firmenkunden- und Investmentbanking in Südosteuropa, mit uns über ihre KI-Strategie sprach, hatte die Organisation nach eigenen Angaben bereits eine Liste mit rund 500 möglichen Use Cases.

Statt möglichst viele davon so schnell wie möglich umzusetzen, entschied sich NLB für einen anderen Weg: sie bauten zunächst eine Architektur auf, die den KI-Betrieb langfristig sicher und zuverlässig unterstützt.

Das bedeutete Investitionen in Bereiche, die auf den ersten Blick keinen unmittelbaren Geschäftseffekt liefern: Governance, Sicherheit, Observability, Zugriffsmanagement, Integration in Kernsysteme und Kontrolle über den Umgang mit Daten.

„Der Wert der ersten Use Cases lag nicht nur im ROI. Jeder von ihnen schuf wiederverwendbare Komponenten, die wir erneut nutzen konnten“, erklärte Group CIO Dejan Pust.

Das ist der zentrale Unterschied zwischen einem KI-Experiment und einer KI-Transformation.

KI-Einführung ist kein Sprint zum ersten Use Case

Ein großer Teil des Marktes sucht noch immer nach dem einen „Killer Use Case“. Die Erfahrung aus Unternehmen zeigt jedoch: Wichtiger als der erste Use Case ist die Fähigkeit, KI zu steuern, sicher zu skalieren und wiederholt einzusetzen.

In regulierten Branchen wird das noch wichtiger.

„Als Bank können wir es uns nicht leisten, nach dem Prinzip ‚Wir probieren es einfach mal aus‘ zu experimentieren. Unsere Marke basiert auf Vertrauen“, betont Dejan Pust.

Das bedeutet nicht, langsam vorzugehen. NLB gelang es, innerhalb von fünf Monaten die erste funktionsfähige KI-Plattform aufzubauen und erste Use Cases umzusetzen. Entscheidend war nicht, alles von Grund auf neu zu entwickeln. Entscheidend war, das bestehende Cloud-Ökosystem zu nutzen, die richtigen Partner auszuwählen und systematisch vorzugehen.

KI macht sichtbar, welche Probleme in der Organisation bereits bestehen

KI selbst ist meist nicht das größte Problem. Was KI sehr schnell offenlegt, sind schlechte Datenqualität, fehlende Integrationen, unklare Prozesse oder schwache Governance-Modelle.

„Während der Entwicklung haben wir oft festgestellt, dass wir zuerst eine Datenpipeline reparieren oder die Datenqualität verbessern mussten“, sagt Dejan Pust.

Dies ist eine wichtige Botschaft für CIOs und die Geschäftsleitung. KI-Projekte sind nicht von der bestehenden IT-Realität einer Organisation zu trennen. Im Gegenteil: Sie machen diese sehr schnell sichtbar.

Governance ist keine Hürde, sondern Voraussetzung für Skalierung

Bis vor Kurzem galt Governance oftmals als etwas, das Innovation ausbremst. Bei KI dreht sich diese Sichtweise um. Ohne klare Regeln verlieren Organisationen schnell die Kontrolle über Kosten, Transparenz im Umgang mit Daten, Auditierbarkeit von Entscheidungen und regulatorische Sicherheit.

Deshalb schränkt NLB die Arbeit mit sensiblen Daten ein, nutzt nur freigegebene Modelle, hält Daten innerhalb der EU und bindet weiterhin Menschen in Entscheidungen ein.

„Der KI-Agent schlägt nur eine Handlung vor. Finale Entscheidungen und Änderungen werden weiterhin von Menschen genehmigt“, erklärt Dejan Pust.

Der eigentliche Wert der Plattform zeigt sich später

Aus finanzieller Sicht ist das erste Jahr einer KI-Plattform oft schwer zu messen. Unternehmen investieren in Grundlagen, die nicht direkt sichtbar sind. Der eigentliche Effekt zeigt sich erst später:

• schnellere Umsetzung neuer Use Cases
• niedrigere Entwicklungskosten
• weniger doppelte Arbeit
• einfachere Compliance

„Neue Use Cases werden etwa zehnmal schneller entwickelt als die erste Implementierung“, sagt Ales Gorisek, AI Architect der NLB Group.

Genau hier beginnt die eigentliche Wirtschaftlichkeit von KI-Plattformen.

KI-Strategie ist keine Frage des „Ob“, sondern des „Wie“

Es gibt noch immer Unternehmen, die abwarten wollen, „wie sich KI entwickelt“. Diese Einstellung ist riskant und führt immer mehr zu einer Erfahrungslücke.

„Ein Jahr, das durch eine verzögerte KI-Einführung verloren geht, lässt sich später nicht einfach durch den Kauf von Technologie aufholen“, sagt Petr Zelenka.

Organisationen lernen nicht nur, wie sie mit Modellen arbeiten, Use Cases entwickeln oder Tools auswählen. Sie lernen auch, wie sie Prozesse neu gestalten, Governance etablieren, mit der veränderten Rolle von Mitarbeitenden umgehen und KI in den Arbeitsalltag des Unternehmens integrieren.

Genau diese Erfahrung wird nach Einschätzung vieler zu einem zentralen Unterschied werden: zwischen Unternehmen, die KI wirklich nutzen, und Unternehmen, die bei isolierten Experimenten stehen bleiben.

Der Artikel wurde in CIOtrends veröffentlicht.