Sich auf KI zu stürzen, ohne zu definieren, was sie eigentlich leisten soll, ist einer der sichersten Wege, das Budget zu verschwenden und am Ende nichts Brauchbares vorzuweisen zu haben. Das Problem ist nicht die KI selbst – es ist, dass «KI» zu einem Etikett geworden ist, das auf alles geklebt wird, von einfachen Skripten bis hin zu ausgefeilten Sprachmodellen, und diese Unklarheit verursacht echte Probleme. Das ist kein Anti-KI-Argument. Es ist ein Plädoyer für Klarheit.
Hier erfährst du, was passiert, wenn Unternehmen den Definitionsschritt überspringen – und wie du das vermeiden kannst.
Wenn «KI» alles bedeutet, bedeutet es nichts
Der Begriff «KI» umfasst derzeit eine enorme Bandbreite an Technologien – regelbasierte Automatisierung, Empfehlungsmaschinen, Modelle für maschinelles Lernen, grosse Sprachmodelle wie GPT-5.5 und vollständig autonome KI-Assistenten. Das sind grundlegend verschiedene Dinge mit unterschiedlichen Kosten, Fähigkeiten und Ausfallmöglichkeiten. Dennoch werden sie alle in Vorstandssitzungen und Budgetgesprächen als «KI» bezeichnet.
Stell dir das so vor, als würde man alles, was einen Motor hat, als «Fahrzeug» bezeichnen. Technisch korrekt, aber nicht hilfreich, wenn du entscheiden musst, ob du einen Gabelstapler oder einen Firmenwagen brauchst.
In der Praxis führt diese Unschärfe zu drei konkreten Problemen für alle, die Entscheidungen treffen müssen:
- Für Kunden macht es die Bewertung von Anbietern fast unmöglich – du kannst keine Lösungen vergleichen, wenn du nicht weisst, welches Problem du lösen willst.
- Für interne Teams entsteht Verwirrung darüber, was erwartet wird und wie Erfolg gemessen werden soll.
- Für die Compliance macht es die Bewertung von Risiken, Verantwortlichkeiten oder der Einhaltung gesetzlicher Vorschriften fast unmöglich.
Gerade in der Schweiz, wo die Compliance-Anforderungen hoch sind und KMU unter strenger behördlicher Aufsicht stehen, ist «wir führen KI ein» keine ausreichende Antwort für Auditoren, Datenschutzbeauftragte oder Beschaffungsprüfer. Definitorische Unklarheit ist keine akademische Frage – sie birgt echte rechtliche und finanzielle Risiken.
Wenn ein neuer Kunde sagt «wir brauchen KI», stellt unser Team bei what. immer zuerst dieselben klärenden Fragen:
- Welche konkrete Aufgabe oder Entscheidung möchtest du verbessern oder automatisieren?
- Wo genau stockt der aktuelle Prozess oder verlangsamt er sich?
- Erfordert das Urteilsvermögen und Anpassungsfähigkeit, oder handelt es sich um eine vorhersehbare, regelbasierte Aufgabe?
- Woran willst du erkennen, ob es funktioniert?
- Wer trägt die Verantwortung für das Ergebnis, wenn etwas schiefgeht?
Das sind keine Fragen, die nur der Vorabprüfung dienen. Sie sind die Grundlage für jedes Projekt, das tatsächlich umgesetzt wird.
Warum vage KI-Ziele Projekte zum Scheitern bringen, bevor sie beginnen
Unternehmen setzen oft auf KI, weil es sich dringend anfühlt – die Konkurrenz «macht KI», die Führung fragt danach, und niemand will den Anschluss verpassen. Das ist verständlich. Aber KI einzuführen, weil sie gerade im Trend liegt, anstatt weil du ein konkretes Problem identifiziert hast, das sie löst, führt dazu, dass Budgets verschwinden, ohne dass etwas vorzuweisen ist.
Ohne eine klare Definition dessen, was die KI-Automatisierung leisten soll, werden drei Dinge wirklich unmöglich:
| Was schiefgeht | Warum es wichtig ist |
|---|---|
| Datenstrategie | Ohne einen definierten Anwendungsfall kannst du nicht feststellen, welche Daten du brauchst, ob du genug hast oder wie du die Modellqualität bewerten sollst. |
| Integration | Die Einbindung von KI in bestehende Arbeitsabläufe wird zu einem beweglichen Ziel – Pilotprojekte kommen ins Stocken, Übergaben scheitern, nichts geht live. |
| Governance | Wenn du nicht definieren kannst, was das System tut, kannst du nicht beurteilen, ob es konform, erklärbar oder fair ist. |
Das knüpft direkt an etwas an, worüber wir bereits geschrieben haben: das «Garbage in, garbage out»-Prinzip. Wie wir in «Bevor du KI einsetzt, optimiere zuerst deine Workflows» untersucht haben, behebt KI, die auf fehlerhaften oder undefinierten Prozessen aufbaut, diese Prozesse nicht – sie lässt die Verwirrung nur schneller laufen.
Wie eine brauchbare KI-Definition aussieht
Anstatt abstrakt darüber zu diskutieren, was KI «ist», lautet die produktivere Frage: Was muss sie für dein Unternehmen leisten, und braucht es dafür tatsächlich KI?
Bevor du ein KI-Projekt startest, arbeite diese Checkliste durch:
- Welche konkrete Aufgabe soll dieses System erfüllen? (Eine Aufgabe, genau definiert)
- Muss es lernen, sich anpassen oder mit mehrdeutigen Eingaben umgehen – oder würde eine einfachere, regelbasierte Automatisierung die Aufgabe genauso gut erfüllen?
- Wie viel menschliche Aufsicht ist erforderlich, und an welchen Stellen?
- Wie wird der Erfolg gemessen, und in welchem Zeitrahmen?
- Unterscheidet sich das wesentlich von der Standardautomatisierung?
Die letzte Frage ist die wichtigste. Wenn die ehrliche Antwort «nicht wirklich» lautet – ist das kein Misserfolg. Es ist ein Signal, das einfachere, kostengünstigere und zuverlässigere Tool zu nutzen.
Das ist besonders im Schweizer Kontext wichtig. Die Arbeitskosten hier gehören zu den höchsten weltweit. Jedes schlecht konzipierte KI-Projekt ist doppelt teuer: einmal durch die direkten Kosten und einmal durch die Arbeitsstunden, die durch ein nicht richtig funktionierendes Tool verloren gehen. Von vornherein präzise zu sein, ist kein Over-Engineering – es ist grundlegende finanzielle Disziplin.
Viele Probleme, die als KI-Probleme dargestellt werden, sind in Wirklichkeit Integrationsprobleme. Wenn ein Kunde uns erzählt, dass sein Team stundenlang damit beschäftigt ist, Daten zwischen CRM, ERP und Buchhaltungssystem manuell abzugleichen, geht er oft davon aus, dass er KI braucht, um das zu beheben. Meistens ist das nicht der Fall. Die Systeme müssen einfach miteinander kommunizieren. Unsere Tool-Integration löst die meisten dieser Situationen ohne jegliches KI-Modell – und das schneller und zuverlässiger.
Was unser KI-Experte sagt
Was unser KI-Experte sagt
Die meisten Kunden haben kein KI-Problem – sie haben ein Problem mit der Klarheit. Sobald wir die eigentliche Aufgabe definiert haben, wird die richtige Lösung meist klar, und sie ist oft einfacher als erwartet.
Erst definieren, dann umsetzen
Die Unternehmen, die mit KI echte Ergebnisse erzielen, sind nicht unbedingt diejenigen, die am schnellsten vorankommen. Es sind diejenigen, die sich über das zu lösende Problem am klarsten waren, bevor sie sich auf eine Lösung festgelegt haben.
Ein präziser Auftrag – der die Aufgabe, die Erfolgskriterien, die Datenanforderungen und die Erwartungen an die Governance definiert – ist mehr wert als jedes Tool. KI-Automatisierung wird erst dann wirklich leistungsstark, wenn diese Grundlage geschaffen ist. Kein Hype, keine Demo, die nach einem Monat in der Schublade landet. Echte Hebelwirkung, angewendet auf ein gut verstandenes Problem.
Wenn du dir unsicher bist, ob es sich bei dem, was du vor dir hast, um ein KI-Problem, ein Automatisierungsproblem oder ein Integrationsproblem handelt, ist das genau die richtige Frage, die du klären solltest, bevor du Geld ausgibst. Nimm Kontakt mit unserem KI-Automatisierungsteam auf – wir helfen dir, die ehrliche Antwort zu finden.
