NEUER MOTOR, ALTE FABRIK: WARUM KI IM UNTERNEHMEN OFT WENIG BEWIRKT

Warum KI inzwischen in den meisten Unternehmen läuft und in den wenigsten wirkt, was das mit Ihren Daten zu tun hat, und wo Sie anfangen, ohne das ganze Haus umzubauen.

Als der Strom in die Fabriken kam, passierte zunächst wenig. Die Betriebe ersetzten ihre Dampfmaschine durch einen einzigen grossen Elektromotor, liessen Wellen, Riemen und Hallen, wie sie waren, und wunderten sich über die bescheidene Wirkung. Um 1900 lieferten Elektromotoren in der amerikanischen Industrie weniger als fünf Prozent der Antriebsleistung, um 1920 die Hälfte. Der grosse Produktivitätssprung kam in den Zwanzigerjahren, vier Jahrzehnte nach der Glühbirne. Nicht weil die Motoren besser geworden wären, sondern weil Ingenieure die Fabrik um den Motor herum neu bauten: ein kleiner Antrieb an jeder Maschine, neue Hallen, neue Abläufe, neue Berufe. Der Wirtschaftshistoriker Paul David hat diese Geschichte 1990 erzählt, um zu erklären, warum Computer damals in keiner Produktivitätsstatistik auftauchten. Sie beschreibt ziemlich genau, wo Unternehmen heute mit künstlicher Intelligenz stehen.

DIE MEHRHEIT IST DA. DER NUTZEN NICHT.

Mitte September hat Bitkom gemeldet, dass erstmals die Mehrheit der deutschen Unternehmen KI einsetzt: 57 Prozent, vor zwei Jahren waren es 20. In der Schweiz liegt der Wert ähnlich hoch, und die Hälfte der Schweizer Angestellten arbeitet täglich mit KI, so viele wie nirgends sonst in Europa. Die Verbreitung ist entschieden.

Dieselbe Bitkom-Befragung enthält eine zweite Zahl, die kaum jemand zitiert. Kein einziges Unternehmen gibt an, das Potenzial von KI vollständig zu nutzen. Drei Prozent sagen «eher stark». 59 Prozent sagen: überhaupt nicht. McKinsey misst weltweit dasselbe Muster: 80 Prozent der Befragten berichten von persönlichen Produktivitätsgewinnen, 37 Prozent sehen einen Effekt auf das Betriebsergebnis, und dieser Wert stagniert seit einem Jahr. Bei den KI-Agenten, dem Thema jeder Konferenz, zählt Gartner 17 Prozent der Organisationen mit Agenten im Einsatz und erwartet, dass über 40 Prozent der Projekte bis 2027 wieder eingestellt werden. Die Studien messen Verschiedenes, aber sie zeigen in dieselbe Richtung.

Das ist der grosse Motor in der alten Fabrik. Die Produktivität entsteht am einzelnen Arbeitsplatz, wo jemand schneller schreibt, sucht und zusammenfasst. Dort bleibt sie, weil die Organisation nicht um sie herum gebaut ist.

WO DER ENGPASS WIRKLICH SITZT

Man muss nur schauen, wofür die Unternehmen ihr Geld ausgeben. Die grössten Kostenpunkte der KI-Anwender sind laut Bitkom nicht die Lizenzen. Es sind die Infrastruktur, die Aufbereitung der eigenen Daten, die jedes zweite Unternehmen nennt, und die Integration in bestehende Systeme. Cloudera hat 1270 IT-Verantwortliche grosser Unternehmen befragt: Vier von fünf räumen ein, dass ihre KI-Initiativen am Zugang zu den eigenen Daten hängen. Und gerade sieben Prozent der Organisationen halten ihre Daten für vollständig KI-bereit. 57 Prozent nutzen KI, sieben Prozent haben die Daten dafür. Gartner rechnet damit, dass bis Ende 2026 sechzig Prozent aller KI-Projekte aufgegeben werden, denen KI-taugliche Daten fehlen.

Der Grund ist so banal, dass er in keiner Keynote vorkommt: Eine KI ist genauso gut wie die Daten, an die sie herankommt. Und der Rohstoff, aus dem sie in einem Unternehmen etwas Nützliches machen könnte, ist nicht die saubere Tabelle im Data Warehouse. Es sind Verträge, Akten, Protokolle, Angebote, Tickets, die gesamte Korrespondenz mit jedem Kunden über Jahre. Dieser Schatz liegt in jeder Organisation, die wir kennen. Und fast überall liegt er so, dass keine KI ihn heben kann: verteilt über Fileshares, Postfächer und Fachanwendungen, in fünf Versionen, ohne Metadaten. Ohne ein Berechtigungskonzept, das ein Agent verstehen könnte. Ohne Antwort auf die Frage, wie lange das alles überhaupt noch aufbewahrt werden darf.

Unsere eigene Umfrage, zu der wir Sie im Newsflash 02/26 eingeladen hatten, war klein und qualitativ; belastbare Prozentzahlen lassen sich daraus nicht ableiten. Aber sie zeigte dasselbe Muster in den Worten der Betroffenen. Die IT treibt das Thema und hat keine Kapazität dafür. Datensouveränität ist für die grosse Mehrheit nicht verhandelbar. KI-Agenten stehen fast überall auf der Agenda und laufen nirgends in der Breite. Und der präziseste Satz über ein gescheitertes Vorhaben beschrieb den Versuch, die eigenen, nicht öffentlichen Daten aus dem Content-Management für einen Agenten zugänglich zu machen. Am Modell lag es nicht.

Wo Unternehmen die Vordertür schliessen, öffnen Mitarbeitende die Seitentür: 71 Prozent der Beschäftigten nutzen nicht freigegebene KI-Werkzeuge, die Hälfte davon wöchentlich. Schatten-KI ist das ehrlichste Signal einer Belegschaft. Sie zeigt, welche Werkzeuge gebraucht werden. Und sie zeigt, dass die Daten längst unterwegs sind, nur unkontrolliert.

DIE DISZIPLIN, DIE PLÖTZLICH ALLES ENTSCHEIDET

Stellen Sie sich vor, eine KI soll eine Kundenanfrage beantworten. Die gültige Vertragsklausel liegt im Dokumentenmanagement, der laufende Vorgang im Ticketsystem, die letzte Zusage in einem Postfach. Damit eine brauchbare Antwort entsteht, muss die KI wissen, welche Version gilt, wer sie sehen darf und was nach der Antwort zu geschehen hat. Das sind keine KI-Fragen. Das sind die Fragen, die Enterprise Content Management seit zwanzig Jahren beantwortet: Was ist das für ein Dokument, zu welchem Vorgang gehört es, wer darf es sehen, welche Version gilt, wie lange bleibt es, wer hat wann was damit gemacht. Diese Disziplin galt lange als der langweiligste Teil der Unternehmens-IT, eine Pflichtübung für Revision und Compliance. Mit den Agenten wird sie zur Voraussetzung für den spannendsten.

Denn ein Agent ist kein Chatbot. Ein Chatbot antwortet. Ein Agent liest Akten, erstellt Dokumente, löst Workflows aus und schreibt in Fachsysteme. Er ist ein Akteur mit Berechtigungen, und er handelt genauso präzise wie die Ordnung, die er vorfindet.

Wir bei OBJECT bauen diese Ordnung seit vielen Jahren für Banken, Forschungsinstitute, Versorger, Industrie und Behörden in der Schweiz, in Deutschland und in Österreich, meist dort, wo Daten das Haus nicht verlassen dürfen. Und wir tun dieselbe Arbeit zuerst bei uns selbst. Unsere eigene KI, lokal betrieben und auf unsere Inhalte und Prozesse trainiert, beginnt nicht mit einem Modell. Sie beginnt mit einer Datenlandkarte über unsere Quellen, vom Dokumentenmanagement über CRM, Ticketing und Wiki bis zu Mail und Chat. Darauf folgen Konnektoren, die nur lesen dürfen, ein Index, ein Regelwerk darüber, wer was sehen darf, und am Ende ein Mensch, der freigibt. Die KI findet, bewertet und schlägt vor. Sie löscht nichts und entscheidet nichts. Verstehen, selbst nutzen, Erfahrungen sammeln, dann anbieten. Das klingt langsam. Angesichts der Abbruchquoten, die Gartner erwartet, ist das der schnellste Weg, den es gibt.

DER BEREICH, IN DEM WIR DAS ENDE DER GESCHICHTE KENNEN

Unser Kundenservice-Team, die CX-Unit, betreibt bei Kunden im deutschsprachigen Raum KI-Agenten produktiv, mit echten Volumen. Sie ordnen Anfragen ein, schlagen Antworten aus der Wissensdatenbank vor, schliessen klar begrenzte Anliegen selbstständig ab und geben den Rest an Menschen weiter, die dann Zeit für die Fälle haben, in denen es zählt.

Warum funktioniert das ausgerechnet dort? Weil im Kundenservice das Aufräumen stattgefunden hat, oft Jahre bevor jemand das Wort KI benutzte. Wer von verteilten Postfächern auf eine Serviceplattform wechselt, muss klären, welche Anliegen es gibt, wer zuständig ist, welches Wissen eine Antwort braucht und wo es steht. Anfragen wurden zu strukturierten Vorgängen, Wissen zu einer gepflegten Datenbank, Zuständigkeiten explizit. Die Plattform allein schafft das nicht; die Arbeit daran schon. Als die KI kam, fand sie eine Fabrik vor, die bereits um kleine Motoren herum gebaut war. Und sie verändert dort weniger die Technik als die Rollen. Aus dem Support Agent, der Anliegen abarbeitet, wird ein Service Architekt, der die Zusammenarbeit von Menschen und KI steuert, Wissen pflegt und Ausnahmen entscheidet. Dieser Aufwand ist real, und er gehört in jede Nutzenrechnung.

Daraus haben wir eine Reihenfolge, die nicht aus Studien stammt, sondern aus Projekten: Transparenz vor Struktur, Struktur vor Automatisierung, Automatisierung vor KI. Der Rest der Unternehmenswelt steht heute dort, wo der Kundenservice vor fünf Jahren stand.

ANFANGEN, OHNE DAS GANZE HAUS UMZUBAUEN

Wer bis hier gelesen hat, könnte den Schluss ziehen, vor der ersten KI müsse erst das gesamte Unternehmenswissen neu geordnet werden. Das wäre falsch, und es wäre der sicherste Weg, nie anzufangen. Die Fabrik wurde auch nicht an einem Tag umgebaut, sondern Halle für Halle.

Wählen Sie einen häufigen, klar abgrenzbaren Vorgang. Eine wiederkehrende Serviceanfrage, eine Vertragsprüfung, eine Rechnungsfreigabe. Messen Sie zuerst, wie lange der Vorgang heute dauert, wie oft er Fehler produziert und was ein abgeschlossener Fall kostet, und legen Sie fest, welche Verbesserung einen Ausbau rechtfertigt. Klären Sie dann für genau diesen Vorgang die Quellen: welche Inhalte gebraucht werden, welche Version gilt, wer verantwortlich ist, wie lange aufbewahrt wird, wo verarbeitet werden darf. Prüfen Sie erst danach, welche Unterstützung passt, eine gute Suche, ein regelbasierter Ablauf oder tatsächlich ein Agent. Vergleichen Sie Modelle an echten Fällen, legen Sie vorab fest, welche Fehler nicht toleriert werden, und achten Sie auf offene Schnittstellen, damit Sie das Modell später wechseln können. Geben Sie Aktionen schrittweise frei: zuerst Vorschläge mit menschlicher Freigabe, automatische Schritte erst nach ausreichender Prüfung, und für alles, was schwer rückgängig zu machen ist, eine ausdrückliche Verantwortung. Und rechnen Sie am Ende ehrlich, Wirkung am gesamten Vorgang gegen Betrieb, Prüfung und Datenpflege.

Ein einzelner, sauber begrenzter Vorgang zeigt Ihnen mehr über den Zustand Ihrer Daten als jede Strategie. Er zeigt, welche Informationen fehlen, wo Menschen entscheiden müssen und ob sich der Einsatz rechnet. Und er ist der beste Ausgangspunkt für ein erstes Gespräch mit uns.

WAS BIS 2029 KIPPT

Wer heute anfängt, sollte wissen, worauf er baut. Drei Dinge zeichnen sich klar genug ab.

Modelle werden austauschbar, Daten nicht. Offene Modelle haben in zwölf Monaten aufgeholt, was eben noch uneinholbar schien; das Schweizer Apertus kann seit Juli Werkzeuge aufrufen und Bilder verarbeiten. Ein kleines Modell auf geordneten Daten wird ein grosses Modell auf ungeordneten Daten schlagen, zu einem Bruchteil des Preises. Die strategische Frage ist dann nicht, welches Modell man wählt, sondern ob man frei ist, es zu wechseln. Diese Freiheit hat, wer seine Daten geordnet hat. Sie fehlt dem, der sein Unternehmenswissen in die Plattform eines Anbieters gegossen hat.

Souveränität wird vom Bekenntnis zur Architekturentscheidung. 77 Prozent der von Deloitte befragten Führungskräfte berücksichtigen bei der Wahl eines KI-Anbieters dessen Herkunftsland. Der Schweizer Bund testet ab Ende 2027 einen Arbeitsplatz ohne Microsoft 365, während Copilot in Deutschland das meistgenutzte KI-Werkzeug ist. Beide Realitäten teilen sich einen Markt. Souveränität heisst dabei nicht Autarkie, sondern die Fähigkeit zu wählen, wenn man muss. Und wählen kann nur, wer weiss, was er hat.

Agenten werden zu Akteuren, und Nachvollziehbarkeit wird Pflicht. Seit dem 2. August gelten in der EU die Transparenzpflichten des AI Act, die Hochrisiko-Pflichten folgen im Dezember 2027, die Schweiz legt bis Ende Jahr ihre Vernehmlassungsvorlage vor. Wer in zwei Jahren einem Prüfer erklären muss, warum ein Agent ein Dokument verändert hat, wird froh sein, wenn Berechtigung, Version und Protokoll schon heute in der Ordnung stecken.

HALLE FÜR HALLE

Der Motor ist da. Er ist gut, er ist bezahlbar, und er wird nicht wieder verschwinden. Was fehlt, sind Fabriken, die um ihn herum gebaut sind, Halle für Halle, Vorgang für Vorgang. Das ist Arbeit an Daten, Berechtigungen und Prozessen, nicht an Prompts. Es ist die Arbeit, die wir seit vielen Jahren tun, und sie war selten so wichtig wie jetzt.

Allen, die an unserer Umfrage teilgenommen haben, danken wir für ihre Offenheit.

Möchten Sie besprechen, wie ein solcher erster Vorgang in Ihrem Unternehmen aussehen könnte? In einem kurzen Gespräch schauen wir uns gemeinsam Ihren konkreten Anwendungsfall an.

QUELLEN

• Paul A. David, «The Dynamo and the Computer: An Historical Perspective on the Modern Productivity Paradox», American Economic Review 80(2), 1990
• Bitkom, «Erstmals nutzt die Mehrheit der Unternehmen KI», Presseinformation vom 14. September 2026, 603 Unternehmen ab 20 Beschäftigten, Erhebung KW 28 bis 33 – bitkom.org
• AWS / Strand Partners, «Das Potenzial von KI in der Schweiz 2026 erschliessen» (August 2026) – inside-it.ch
• Accenture, «Pulse of Change 2026», Schweizer Länderauswertung (Juli 2026) – swiss-press.com
• McKinsey, «The State of AI: Global Survey 2026», 1719 Teilnehmende, Erhebung Mai bis Juni 2026 – mckinsey.com
• Gartner, «Hype Cycle for Agentic AI 2026» – gartner.com; Prognose zu eingestellten Agentic-AI-Projekten: Gartner-Medienmitteilung, Juni 2025
• Cloudera, «The Data Readiness Index», 1270 IT-Verantwortliche aus Unternehmen mit über 1000 Beschäftigten (April 2026) – cloudera.com
• Cloudera / Harvard Business Review Analytic Services, «Taming the Complexity of AI Data Readiness» (März 2026) – cloudera.com
• Gartner, «Lack of AI-Ready Data Puts AI Projects at Risk» (Februar 2025) – gartner.com
• «Von Schatten-IT zu Schatten-KI durch ChatGPT», Wirtschaftsinformatik & Management 2/2026, Springer – dfki.de
• Deloitte, «The State of AI in the Enterprise 2026», 3235 Führungskräfte
• Bundeskanzlei, Machbarkeitsstudie souveräner Arbeitsplatz, Bundesratssitzung vom 2. September 2026 – nume.ch
• Swiss AI Initiative, Apertus 1.5 (Juli 2026) – huggingface.co/HackApertus
• Haufe, «Digital Omnibus: Was ändert sich an der KI-Verordnung?» (Juli 2026) – haufe.de
• Bundeskanzlei, Regulierung von KI in der Schweiz – bk.admin.ch