Zwischen LinkedIn-Hype und Realität: Wie KI im Unternehmen wirklich ankommt

September 1, 2026

Auf LinkedIn läuft die KI-Revolution. Agenten übernehmen dort ganze Workflows, ein neues Geschäftsmodell entsteht übers Wochenende, und komplette Abteilungen werden angeblich schon von Software erledigt, die nie schläft.

Wer im Unternehmen Verantwortung trägt, fragt sich beim Scrollen zwangsläufig, ob er da mitmuss. Oder gelten im Konzern andere Gesetze, und die Wunder aus dem Feed finden hier schlicht nicht statt?

Die Zahlen sprechen für Letzteres. Das MIT hat mehr als 300 KI-Projekte in Unternehmen ausgewertet. Bei rund 95 Prozent ließ sich kein messbarer Effekt aufs Geschäft nachweisen. Eingesetzt wird KI also fast überall. Auszahlen tut sie sich selten.

Wir bringen seit über zehn Jahren KI vom Piloten in den echten Betrieb, in Banken, bei Telkos, in der Industrie und in Behörden. Was also unterscheidet die Praxis von dem, was im Feed steht?

Ein Prototyp ist schnell gebaut. Der Betrieb ist die eigentliche Arbeit

Piloten scheitern selten an der Technik. Sie scheitern an dem, was nach dem Demo kommt. Ondřej Vaněk, früher Chief AI Officer bei Adastra, hat dafür ein Bild gefunden:

„Einen Prototypen zu bauen ist wie schwanger werden. Ihn in den Betrieb zu bringen ist wie gebären. Das dauert länger, ist anstrengender und tut mehr weh. Und danach fängt die Arbeit erst an.”

Ein Demo braucht nur ein Team, das Lust darauf hat. Der Betrieb muss unsaubere Daten verkraften, Altsysteme und Kollegen, deren Job sich gerade verändert. Sobald zehntausend Leute die Lösung sicher nutzen sollen, geht es nicht mehr um KI, sondern um DevOps, Infrastruktur und Security. Von dieser Arbeit sieht man im Demo nichts, und genau daran scheitern die meisten. Wer es schafft, behandelt KI als Programm und nicht als Sammlung von Piloten.

Über Ihr KI-Budget entscheidet längst die Belegschaft

Ein Modell laufen zu lassen wird immer billiger. Die Rechnung steigt trotzdem, weil viel mehr genutzt wird. Gartner erwartet bis 2030 einen Preisverfall von über 90 Prozent pro Modell, während die KI-Ausgaben der Unternehmen weiter klettern. Günstigere Token, höhere Rechnung.

Spannender ist die Frage, wer das Geld überhaupt ausgibt. Petr Zelenka, heute Chief AI Officer bei Adastra:

„Investiert wird inzwischen ganz unten. Der einzelne Nutzer entscheidet, wofür er seine Token ausgibt, und das ist Ihr Geld. Kontrollieren lässt sich das nur noch in der Summe, über Tages- oder Monatslimits.”

Früher gab jemand ein Budget frei, mit Business Case dahinter. Heute besteht dasselbe Budget aus hunderten Klicks am Tag, gemacht von Leuten, die die Endsumme nie zu sehen bekommen. Mancher schafft damit die Arbeit von sieben Kollegen, und oft ist das ein hervorragendes Geschäft. Nur sieht derjenige, der die Plattform verantwortet, diese Ebene nicht. Und derjenige, der das Geld ausgibt, fragt nicht nach, ob es sich gelohnt hat.

Was privat funktioniert, kann im Unternehmen teuer werden

Stichwort Second Brain. Die These aus dem Feed geht so: Man kippt sein Wissen an einen Ort, setzt ein paar Agenten darauf an, und der Laden läuft von allein. Für sich selbst baut man so etwas tatsächlich in einer Mittagspause.

Im Unternehmen fliegt einem genau das um die Ohren. Das wertvolle Wissen steckt in Protokollen, in alten Entscheidungen, in Köpfen und Postfächern. Und es liegt dort direkt neben Informationen, die persönlich, sensibel oder streng vertraulich sind. Wer einen solchen Wissensspeicher fürs Team freigibt, hat schnell einen Datenschutzvorfall am Hals. Nicht die Technik begrenzt die Agenten, sondern das Chaos, das Menschen hinterlassen.

Ohne Control Layer geht nichts. Und genau da lauert Ihr größtes Risiko

Am Ende führt kein Weg an einer zentralen Schicht vorbei, durch die jede KI-Anfrage läuft. Dort filtert man sensible Daten heraus, dort prüft man, ob ein Agent wirklich getan hat, was er behauptet, und dort sieht man, was das alles kostet. Für die NLB haben wir genau so eine Schicht gebaut. Die Bank skaliert ihre Agenten heute auf einer unternehmensweiten Plattform.

Wer sie verantwortet, sollte allerdings wissen, was er da in der Hand hält: die Schlüssel zu sämtlichen Modellen dahinter. Im März 2026 haben Angreifer eine Komponente von LiteLLM kompromittiert, der bekanntesten Open-Source-Variante eines solchen Layers. Die Updates, die danach ausgeliefert wurden, zogen unbemerkt Zugangsdaten ab. Ein schwaches Glied, und alle Keys waren offen. Die Lehre daraus ist nicht, auf den Control Layer zu verzichten. Sie lautet: Ausgerechnet an der Stelle, durch die alles läuft, spart man nicht.

Was Sie stattdessen tun sollten

1. Behandeln Sie KI als Transformation, nicht als Projekt. Zurück geht es ohnehin nicht mehr, also fangen Sie jetzt an.
2. Starten Sie in der Softwareentwicklung. Diesen Prozess haben Sie am besten im Griff und können ihn am ehesten messen. Der Nutzen ist real und belegbar, solange Sie ehrlich gegen den Ausgangswert messen.
3. Prüfen Sie, worauf Ihre Agenten überhaupt zugreifen können. Die Grenze liegt nicht im Data Warehouse, sondern in dem Wissen, das nie jemand aufgeschrieben hat.
4. Bauen Sie Governance von Anfang an ein. Wer sie mitplant, zahlt wenig. Wer sie nachrüstet, zahlt viel.
5. Reden Sie mit Ihren Leuten über Kosten und Nutzen. Die Entscheidung liegt inzwischen bei ihnen, also müssen sie auch beurteilen können, was dabei herauskommt.

Ihr Feed wird Ihnen weiter erzählen, dass KI billig ist, mühelos und praktisch von allein läuft. Ihre Piloten, Ihre Rechnungen und Ihre Security-Meldungen erzählen etwas anderes. Spielen Sie ruhig mit der LinkedIn-Version, solange wenig auf dem Spiel steht. Wenn es ernst wird, glauben Sie den Piloten, den Rechnungen und den Alerts.