Die meisten AI-Gespräche, die ich in Unternehmen führe, beginnen mit einem Produktnamen. Copilot, ChatGPT, ein bestimmter Agent. Selten beginnen sie mit der Frage, wo im Unternehmen überhaupt ein Prozess existiert, den AI messbar besser machen würde. Diese Reihenfolge ist das eigentliche Problem – nicht die Tools selbst.

Warum die Tool-Frage zu früh kommt

Ich entwickle selbst regelmässig mit KI-gestützten Werkzeugen – etwa wenn ich Erweiterungen im Business Central baue oder Schnittstellenlogik dokumentiere. Ich weiss also aus eigener Praxis, dass diese Werkzeuge einen echten Unterschied machen können. Genau deshalb bin ich vorsichtig, wenn ein Unternehmen mit der Tool-Entscheidung startet, bevor geklärt ist, welches Problem eigentlich gelöst werden soll.

Wer ohne dieses Gesamtbild startet, bekommt meistens nicht eine AI-Strategie, sondern eine Sammlung von Einzellösungen: eine Abteilung testet ein Tool, eine andere ein anderes, es entstehen doppelte Lizenzen, und niemand kann nach einem Jahr sagen, was der Effekt tatsächlich war.

Was AI Readiness wirklich bedeutet

AI Readiness wird oft als technische Frage behandelt – welche Plattform, welches Modell, welche Schnittstelle. In der Praxis ist es zuerst eine Frage von Prozessqualität und Datenqualität. Ein Prozess, der heute schon unklar ist – unklare Zuständigkeiten, inkonsistente Daten, viele Ausnahmen ohne Regel – wird durch AI nicht sauberer. Er wird schneller unklar, und der Fehler passiert dann in grösserem Massstab.

Ich habe das in regulierten Umgebungen wiederholt gesehen: Bevor über Automatisierung gesprochen werden kann, muss geklärt sein, welches System für welche Daten führend ist und wie stabil ein Prozess tatsächlich läuft. Das ist unspektakuläre Arbeit, aber sie entscheidet, ob eine spätere AI-Initiative trägt oder nach dem ersten Pilotprojekt wieder einschläft.

Fünf Fragen, bevor der erste Use Case startet

Wo entsteht heute wiederkehrend manueller Aufwand, der sich klar beschreiben lässt? Welche Daten dürfen für diesen Zweck überhaupt genutzt werden – und sind sie sauber genug? Ist der zugrundeliegende Prozess stabil genug, dass sich Automatisierung lohnt, oder ändert er sich noch zu oft? Wer trägt am Ende die fachliche Verantwortung für das Ergebnis? Und: Zahlt dieser Use Case wirklich auf ein Unternehmensziel ein, oder ist er vor allem technisch interessant?

Die letzte Frage ist unbequem, aber notwendig. Nicht jeder machbare Use Case ist ein sinnvoller. Manche sind vor allem deshalb attraktiv, weil sie leicht zu demonstrieren sind – nicht weil sie etwas verändern.

Vom einzelnen Piloten zur Roadmap

Ein einzelner Pilot beweist selten etwas Belastbares. Aussagekräftiger ist die Frage, wie eine Organisation in zwei bis drei Jahren mit AI arbeiten soll – und was dafür an Governance, Kompetenzen und Plattformentscheidungen nötig ist. Daraus lassen sich priorisierte Use Cases ableiten, nicht umgekehrt.

Governance klingt nach Bürokratie, ist in der Praxis aber meist simpel: Wer darf welche Daten in welches Tool geben, wer prüft Ergebnisse bevor sie verwendet werden, und wie wird sichtbar, wenn ein Prozess ausserhalb der erwarteten Fälle läuft. Ohne diese drei Antworten wird jede AI-Initiative irgendwann zum Risiko, das niemand mehr überblickt.

Kurz gefasst

  • Die Tool-Frage kommt fast immer zu früh – zuerst muss klar sein, wo AI tatsächlich Wirkung entfalten kann.
  • Ein unklarer Prozess wird durch AI nicht besser, nur schneller unklar.
  • Fünf Fragen vor jedem Use Case: Aufwand, Datenqualität, Prozessstabilität, Verantwortung, Zielbezug.
  • Governance ist keine Formalität, sondern die Grundlage dafür, dass eine Initiative überhaupt skalierbar bleibt.

Ein kompaktes AI-Readiness-Gespräch reicht meistens schon, um zu sehen, wo Ihre Organisation tatsächlich steht – unabhängig davon, welches Tool am Ende zum Einsatz kommt.