Wer heute ein KI-Vorhaben startet, diskutiert zuerst über Modelle: Welches Sprachmodell liefert die besten Antworten, welcher Anbieter ist verlässlich, wie sieht es mit Kosten pro Anfrage aus. Ein Blick in dokumentierte Praxisprojekte relativiert diese Reihenfolge deutlich. In elf detailliert beschriebenen KI-Einführungen in Unternehmen – von der technischen Architektur bis zum Rollout – lag der eigentliche Engpass häufiger bei Vertrauen, Akzeptanz und den letzten Prozent der Umsetzung als beim Modell selbst.

Das ist eine unspektakuläre, aber folgenreiche Erkenntnis. Denn sie verschiebt den Schwerpunkt eines KI-Projekts von der Technologieauswahl hin zu Fragen der Einführung, der Verantwortlichkeiten und der Datenqualität. Und sie erklärt, warum Prototypen oft überzeugen, der Produktivbetrieb aber stockt.

Warum das Modell selten limitiert

Die verfügbaren Sprachmodelle – also KI-Systeme, die Texte verstehen und erzeugen – haben ein Leistungsniveau erreicht, auf dem viele typische Aufgaben im Unternehmensalltag grundsätzlich lösbar sind: Zusammenfassen, Klassifizieren, Entwürfe erstellen, in Dokumenten recherchieren. Für diese Standardfälle ist die Auswahl zwischen zwei starken Modellen meist keine Erfolgsfrage, sondern eine Abwägung von Kosten, Datenschutz und Betriebsmodell.

Das Delta entsteht an anderer Stelle: bei der Frage, ob die Ergebnisse im konkreten Fachkontext belastbar sind, ob die zugrunde liegenden Daten sauber angebunden sind und ob Mitarbeitende dem System so weit vertrauen, dass sie es tatsächlich nutzen. Ein Assistent, der zu 90 Prozent gute Antworten liefert, aber keine nachvollziehbare Herkunft seiner Aussagen zeigt, wird im Zweifel umgangen.

Vertrauen ist eine Konstruktionsaufgabe

Vertrauen entsteht nicht durch Kommunikation, sondern durch Eigenschaften des Systems. Dazu gehören nachvollziehbare Quellen zu generierten Antworten, klare Kennzeichnung unsicherer Ergebnisse, die Möglichkeit, Vorschläge zu korrigieren, und ein sichtbarer Umgang mit Fehlern.

Praktisch bedeutet das: Wer KI-Funktionen in bestehende Anwendungen integriert, sollte Rückverfolgbarkeit von Anfang an einplanen. Welche Dokumente wurden herangezogen? Welcher Stand der Daten lag vor? Wer darf welche Inhalte sehen? Diese Punkte sind keine Zusatzfeatures, sondern Voraussetzung dafür, dass ein System aus der Testphase herauskommt.

Akzeptanz entscheidet sich im Arbeitsalltag

Die zweite Hürde ist die Akzeptanz. Ein KI-Werkzeug konkurriert nicht mit dem Idealzustand, sondern mit der eingespielten Arbeitsweise der Nutzenden. Wenn die neue Lösung einen zusätzlichen Login, einen Kontextwechsel oder eine ungewohnte Bedienlogik verlangt, verliert sie gegen Routine.

Deshalb ist die Integration in bestehende Systeme – Redaktionsoberfläche, CRM, Ticketsystem, Intranet – meist wichtiger als der Funktionsumfang. Eine KI-Unterstützung, die dort auftaucht, wo ohnehin gearbeitet wird, braucht keine Einführungskampagne. Eine separate Insellösung braucht sie und scheitert trotzdem oft.

Die letzten Prozent kosten die meiste Zeit

Der dritte und in der Praxis unterschätzte Faktor sind die letzten Prozent: Sonderfälle, Ausnahmen, schlechte Datenqualität in Altbeständen, Berechtigungslogik, Protokollierung, Monitoring, Fallbacks bei Ausfällen. Ein funktionierender Prototyp lässt diese Themen aus – ein Produktivsystem nicht.

Für die Projektplanung heißt das: Der Aufwand verteilt sich nicht gleichmäßig. Die erste sichtbare Funktion entsteht schnell, der belastbare Betrieb dauert. Wer den Zeitplan am Prototyp ausrichtet, plant zu optimistisch.

Was sich daraus für die Projektanlage ableiten lässt

  • Use Case vor Technologie: Zuerst den Prozess beschreiben, der entlastet werden soll, dann über Modelle und Architektur entscheiden.
  • Datenlage prüfen: KI-Ergebnisse spiegeln die Qualität der angebundenen Inhalte. Unstrukturierte oder veraltete Bestände sind der eigentliche Vorlauf.
  • Austauschbarkeit einplanen: Modelle wechseln schneller als Prozesse. Eine Abstraktionsschicht hält die Anwendung unabhängig vom Anbieter.
  • Nachvollziehbarkeit einbauen: Quellenangaben, Protokolle und Korrekturmöglichkeiten von Beginn an vorsehen.
  • Nutzende früh einbeziehen: Akzeptanz lässt sich nicht nachträglich herstellen.
  • Betrieb mitdenken: Verantwortlichkeiten, Kosten und Qualitätskontrolle nach dem Go-live festlegen.

Erwartungsklärung statt Modellwettbewerb

Für Entscheiderinnen und Entscheider ist das eine hilfreiche Vereinfachung: Die Frage nach dem richtigen Sprachmodell ist wichtig, aber nachgeordnet. Entscheidend ist, ob ein Vorhaben einen klar umrissenen Prozess adressiert, ob die Datengrundlage trägt und ob die Organisation bereit ist, Arbeitsabläufe anzupassen.

Für Web- und Softwareprojekte bedeutet das eine Verlagerung des Aufwands: Weniger Energie in die Modellauswahl, mehr in Integration, Datenqualität, Rechte- und Rollenkonzepte sowie in einen Betrieb, der Fehler sichtbar macht und korrigierbar hält. Wer KI-Funktionen als Teil des bestehenden Systems plant und nicht als Zusatzwerkzeug daneben, verkürzt den Weg zur produktiven Nutzung erheblich. Und wer die letzten Prozent von Anfang an im Budget führt, vermeidet die häufigste Enttäuschung solcher Projekte: einen überzeugenden Prototyp, der nie in den Alltag kommt.

Quellen