Zum Hauptinhalt springen

KI-Kompass: Warum technologische Kenntnis allein nicht genügt

  • Technologische Exzellenz allein ist kein Garant für ökonomischen Erfolg.

  • Wer Algorithmen ohne strategische Ausrichtung einführt, baut einen Hochleistungsmotor in ein veraltetes Fahrgestell – und wundert sich über das Ergebnis. In der aktuellen wirtschaftlichen Transformation herrscht vielfach der Irrglaube, dass das reine technische Verständnis von Künstlicher Intelligenz (KI) ausreicht, um Organisationen zukunftsfähig zu machen. Die vorliegenden Arbeiten zur Wirkung von KI in Unternehmen legen etwas anderes nahe: Gebraucht wird ein KI-Kompass – ein Orientierungsrahmen, der über Programmierkenntnisse und Softwarelizenzen hinausgeht.

    Das Paradigma der zielgerichteten Innovation

    Die Installation moderner KI-Tools wird häufig mit sofortiger Effizienzsteigerung gleichgesetzt. Diese Gleichsetzung hält einer Prüfung nicht stand. Acemoglu (2021) argumentiert in einem Essay für das Oxford Handbook of AI Governance, dass die Richtung des technologischen Fortschritts eine Gestaltungsfrage ist: Ohne strategische Direktion sei mit Fehlallokationen und unerwünschten systemischen Effekten zu rechnen. Das ist eine begründete Argumentation, kein empirischer Nachweis. Ein funktionaler KI-Kompass bedeutet, das tiefere Verständnis dafür zu entwickeln, welche unternehmerischen Probleme durch Algorithmen gelöst werden sollen. Wird Technologie lediglich zur Automatisierung bestehender Abläufe eingesetzt, werden deren Schwächen mit automatisiert. Die Wissenschaftlichen Dienste des Deutschen Bundestages (2026) halten für KI-Systeme fest, dass bestehende Verzerrungen „nicht nur abgebildet, sondern potenziell verstärkt“ werden, weil KI „die Reichweite dieser menschlichen Verzerrungen“ erweitere, „indem sie sie großflächig skalieren und automatisieren kann“. Belegt ist das für Verzerrungen und Diskriminierungsrisiken; in unseren Projekten sehen wir dasselbe Muster bei banaleren Fehlern: Ein unsauberer Stammdatenbestand wird durch Automatisierung nicht sauberer, sondern nur schneller wirksam. Der größere Hebel liegt dort, wo KI Aufgaben übernimmt, die bisher gar nicht bearbeitet werden konnten.

    Organisatorische Transformation statt isolierter Software

    Die Notwendigkeit eines übergreifenden Verständnisses wird durch empirische Erhebungen zum Unternehmenswachstum untermauert. Babina et al. (2024) messen die KI-Investitionen börsennotierter US-Unternehmen über die Lebensläufe von deren Beschäftigten und vergleichen die Entwicklung von 2010 bis 2018. Der Befund ist beziffert: Eine um eine Standardabweichung höhere KI-Investition entspricht über die acht Jahre einem um 19,5 % höheren Umsatz, einer um 18,1 % höheren Beschäftigung und einer um 22,3 % höheren Marktbewertung – nach Angabe der Autoren in der Größenordnung von rund zwei Prozent zusätzlichem jährlichen Umsatzwachstum. Bemerkenswert ist der Kanal: Das Wachstum geht in ihren Daten mit Produktinnovation einher, nicht mit Kostensenkung oder Personalabbau. Drei Einschränkungen gehören dazu. Die Untersuchung ist beobachtend; sie zeigt Zusammenhänge, keine gesicherte Ursache-Wirkungs-Beziehung. Die Autoren warnen ausdrücklich davor, ihre Zahlen so zu lesen, als brächte die Einstellung von KI-Fachkräften bei sonst unveränderten Faktoren zwei Prozent mehr Umsatzwachstum. Und die Gewinne konzentrieren sich auf ohnehin große, börsennotierte Unternehmen; die Zahlen sind kein Versprechen für einen sächsischen Handwerks- oder Maschinenbaubetrieb. Für die Geschäftsführung heißt das: Kenntnis über die Funktionsweise neuronaler Netze trägt wenig, solange Wissen über Change-Management, Organisationspsychologie und Prozessarchitektur fehlt. Die Digitalisierung erfordert eine Verschmelzung von technologischer Kapazität und tiefgreifender organisatorischer Erneuerung. Für den deutschen Mittelstand ist das keine akademische Feinheit. KfW Research wertet dazu das KfW-Mittelstandspanel 2025 aus: Aktuell setzen 20 % der Mittelständler KI ein, und zu den wichtigsten Hemmnissen zählen „fehlende Fachkräfte und Kompetenzen, begrenzte zeitliche Ressourcen, unzureichende Datengrundlagen sowie Bedenken hinsichtlich Sicherheit, Reife und Zuverlässigkeit von KI-Systemen“ (Zimmermann 2026). Woran es hakt, ist also selten das Modell. Die Auswertung zieht daraus einen nüchternen Schluss: „Für die Nutzung von KI muss ein Unternehmen mithin einen hohen ‚digitalen Reifegrad‘ aufweisen.“

    Der Faktor Mensch: Urteilsvermögen als Kernkompetenz

    Darüber hinaus verlangt der Umgang mit weitgehend selbständig arbeitenden Systemen kritische Prüfung und ethische Einordnung. In einer Sammlung von Einzelbeiträgen des Stanford Institute for Human-Centered Artificial Intelligence (2023) vertreten mehrere Autorinnen und Autoren die Einschätzung, dass generative Modelle sprachlich überzeugende Ergebnisse liefern, ohne über ein Verständnis des Sachverhalts oder über moralischen Kontext zu verfügen. Der Band bündelt Perspektiven, er formuliert keinen gemeinsamen Befund. Ein tragfähiger KI-Kompass setzt voraus, dass Mitarbeiterinnen und Mitarbeiter die Ausgaben der Systeme prüfen können. Das strategische Urteilsvermögen (Judgment) gewinnt damit an Gewicht. Fachkräfte müssen nicht programmieren können, aber sie müssen die Grenzen, die Verzerrungen (Biases) und die strategischen Folgen der eingesetzten KI-Mittel einschätzen können.

    Fazit: Vom Technologieverständnis zur Strategiekompetenz

    Aus den angeführten Arbeiten lässt sich eine gemeinsame Linie ablesen: Wer Künstliche Intelligenz auf ihre technologischen Eigenschaften reduziert, verkürzt die unternehmerische Aufgabe. Wer die Möglichkeiten der Technologie in tragfähige Effizienzsteigerung und Wettbewerbsvorteile übersetzen will, braucht einen strategischen KI-Kompass. Unternehmen müssen interdisziplinäres Wissen aufbauen, das betriebswirtschaftliche Weitsicht, ethische Verantwortung und prozessuale Innovationskraft nahtlos mit der Technologie verzahnt. Diese Verzahnung entscheidet darüber, ob aus der Technologie ein betrieblicher Nutzen wird.

    Quellenverzeichnis

    Über den Autor

    Prof. Dr. rer. nat. Mike Espig

    Professor für Mathematik und angewandte Künstliche Intelligenz in der Industrie an der Westsächsischen Hochschule Zwickau · Gründungsleiter der Data Science Research Group · Geschäftsführer der E&O Gesellschaft für Integrierte KI-Systeme mbH

    Zuvor Max-Planck-Institut für Mathematik in den Naturwissenschaften und RWTH Aachen. Arbeitsschwerpunkte: numerische Verfahren für hochdimensionale Probleme, Tensormethoden und der Einsatz von Sprachmodellen in mittelständischen Unternehmen.