# KI-Transformation im Unternehmen: Stufen, Use Cases, Governance

Quelle: https://peoplepleaser.io/ratgeber/ki-transformation-im-unternehmen/ · Herausgeber: peoplepleaser · Autor: Max Braunleder · Veröffentlicht: 2026-10-06 · Aktualisiert: 2026-10-06

**Kurz gesagt:** Eine KI-Transformation gelingt, wenn Sie wenige priorisierte Use Cases in echte Arbeitsabläufe bringen, Regeln und Mitbestimmung früh klären und Führungskräfte wie Beschäftigte befähigen. Die Nutzung ist breit: Laut McKinsey State of AI 2026 sehen 80 Prozent der Befragten eine höhere persönliche Produktivität, aber nur 37 Prozent einen Ergebnisbeitrag (EBIT) durch KI. Der Engpass liegt also bei Prozessen, Daten und Steuerung.

Im Sommer 2026 nutzten laut Bitkom erstmals 57 Prozent der Unternehmen ab 20 Beschäftigten KI, ein Jahr zuvor waren es 36 Prozent. Gleichzeitig sagen dort 59 Prozent der Nutzer, dass sie das Potenzial gar nicht ausschöpfen. Die eigentliche Arbeit beginnt also nach der Tool-Einführung.

**Erstmals nutzt die Mehrheit der Unternehmen KI** (Quelle: Bitkom 2026)

- ein Jahr zuvor: 36 %
- Sommer 2026: 57 %
Unten finden Sie ein Stufenmodell, eine Methode zur Priorisierung von Use Cases, die Regeln und Beteiligungsrechte, die Sie klären müssen, und Kennzahlen für den Fortschritt. Wer wissen will, was die großen Studien zu „AI First“ tatsächlich belegen, findet die Einordnung im [Überblick zu AI-First-Studien](https://peoplepleaser.io/ratgeber/ai-first-studien-ueberblick/).

## In welchen Stufen verläuft eine KI-Transformation?

Gängige Reifegradmodelle beschreiben vier bis fünf Stufen, vom individuellen Ausprobieren bis zu neu gestalteten Prozessen. Das Modell unten verdichtet sie redaktionell und ist kein Normstandard. Es hilft, den eigenen Stand ehrlich einzuordnen.

**Fünf Stufen vom Ausprobieren zum Umbau**

1. Erkunden: Einzelne nutzen KI, oft privat
2. Experimentieren: Freigegebene Tools, Piloten in Teams
3. Etablieren: Erste Use Cases produktiv
4. Skalieren: Mehrere Bereiche, gemeinsame Plattform
5. Umgestalten: Prozesse und Rollen neu gebaut
| Stufe | Kennzeichen | Typische Aufgaben | Übergang gelingt, wenn … |
|---|---|---|---|
| 1. Erkunden | Einzelne nutzen KI, oft mit privaten Accounts | Bestandsaufnahme, erste Nutzungsregeln | ein freigegebenes Tool und eine Richtlinie existieren |
| 2. Experimentieren | Freigegebene Tools, Piloten in einzelnen Teams | Use-Case-Liste, Basisschulung, Datenschutzprüfung | Piloten Kennzahlen und Verantwortliche haben |
| 3. Etablieren | Erste Use Cases laufen produktiv in Prozessen | Governance, Betriebsvereinbarung, Champions-Netz | Ergebnisse gegen eine Ausgangsmessung belegt sind |
| 4. Skalieren | Mehrere Bereiche, gemeinsame Plattform, Budgetlinie | Portfolio-Steuerung, Rollenprofile, Integration in IT | Abläufe neu zugeschnitten statt nur beschleunigt werden |
| 5. Umgestalten | Prozesse und Rollen um KI herum neu gebaut | Organisations- und Stellendesign, Agenten mit Aufsicht | laufend überprüft wird, was Menschen entscheiden |

Kritisch ist der Sprung von Stufe 2 auf 3. Das MIT-Projekt NANDA beschreibt in seinem Bericht von 2025 genau diesen Abbruch zwischen Pilot und Produktion, auch wenn die viel zitierte 95-Prozent-Zahl methodisch umstritten ist.

> **Verbreitete Annahme:** Sobald alle Beschäftigten KI-Tools nutzen, zeigt sich der Nutzen auch im Unternehmensergebnis.
> **Was die Quellen zeigen:** Im McKinsey-Survey 2026 berichten 80 Prozent der Befragten von höherer persönlicher Produktivität, aber nur 37 Prozent von einem EBIT-Beitrag durch KI. Nur rund 6 Prozent ziehen mindestens 5 Prozent ihres EBIT aus KI. (McKinsey, The state of AI in 2026)
## Wie Sie KI-Use-Cases priorisieren: Wert mal Machbarkeit

Bewerten Sie jeden Use Case auf zwei Achsen: Geschäftswert und Machbarkeit. Starten Sie mit Fällen, die auf beiden Achsen gut abschneiden, und parken Sie Projekte mit hohem Wert, aber schwieriger Umsetzung als zweite Welle.

Zum Wert zählen eingesparte Zeit über alle Betroffenen, Qualitätsgewinn sowie Wirkung auf Umsatz oder Risiko. Zur Machbarkeit zählen Datenverfügbarkeit, technische Integration, Rechtslage (Datenschutz, AI Act, Mitbestimmung) und die Bereitschaft des Fachbereichs.

| | Machbarkeit hoch | Machbarkeit niedrig |
|---|---|---|
| **Wert hoch** | Sofort angehen (z. B. Wissenssuche im Kundenservice, Entwürfe für Standardkorrespondenz) | Strategisch planen, Daten und Integration vorbereiten |
| **Wert niedrig** | Den Teams selbst überlassen, kein Projektbudget | Streichen |

Bewerten Sie mit Punkten von 1 bis 5 je Kriterium und lassen Sie den Fachbereich mitbewerten. Ein Use Case ohne benannte Verantwortliche im Fachbereich gehört nicht auf die Startliste. Für HR-nahe Anwendungen wie Bewerbervorauswahl gelten strengere Regeln; Details stehen im Ratgeber [KI im Recruiting](https://peoplepleaser.io/ratgeber/ki-im-recruiting/).

## Welche Regeln Sie mindestens brauchen: Richtlinie, Tool-Liste, Gremium

Sie brauchen mindestens eine schriftliche KI-Richtlinie, eine Liste freigegebener Tools und ein Gremium, das über neue Anwendungen entscheidet. Mehr ist zu Beginn selten nötig.

Die Richtlinie regelt mindestens:

1. welche Tools für welche Daten freigegeben sind (öffentlich, intern, vertraulich, personenbezogen),
2. welche Ergebnisse vor der Weitergabe von Menschen geprüft werden müssen,
3. die Kennzeichnung KI-erstellter Inhalte nach außen,
4. wer neue Tools oder Use Cases beantragt und freigibt,
5. wie Vorfälle gemeldet werden (Datenabfluss, fehlerhafte Ergebnisse).

Zusätzlich gilt der europäische AI Act. Seit Februar 2025 verlangt Art. 4 von Unternehmen, die KI einsetzen, Maßnahmen zur KI-Kompetenz ihres Personals. Die Aufsicht durch nationale Behörden läuft laut EU-Kommission seit August 2026. Wie Sie das umsetzen, steht im Ratgeber [KI-Kompetenz aufbauen](https://peoplepleaser.io/ratgeber/ki-kompetenz-aufbauen/), die Rechtslage im Beitrag zu den [Pflichten aus dem AI Act für HR](https://peoplepleaser.io/recht/ai-act-hr-pflichten/).

## Datenschutz und Betriebsrat: DSGVO-Prüfung und drei BetrVG-Normen

Wir würden Datenschutz und Betriebsrat vor dem ersten Pilot einbinden. § 90 BetrVG verlangt die Unterrichtung ohnehin schon in der Planung, und wer erst bei der Skalierung kommt, verhandelt über ein System, das bereits läuft.

### Datenschutz

Sobald personenbezogene Daten in ein KI-System fließen, brauchen Sie eine Rechtsgrundlage nach DSGVO, oft eine Datenschutz-Folgenabschätzung und einen Vertrag zur Auftragsverarbeitung mit dem Anbieter. Die Orientierungshilfe der Datenschutzkonferenz vom Mai 2024 listet die Prüfpunkte für Auswahl und Betrieb.

### Betriebsrat

Das Betriebsverfassungsgesetz nennt KI ausdrücklich.

- § 90 Abs. 1 Nr. 3 BetrVG: Der Arbeitgeber muss den Betriebsrat rechtzeitig über die Planung von Arbeitsverfahren „einschließlich des Einsatzes von Künstlicher Intelligenz“ unterrichten.
- § 80 Abs. 3 BetrVG: Muss der Betriebsrat KI beurteilen, gilt die Hinzuziehung eines Sachverständigen als erforderlich.
- § 87 Abs. 1 Nr. 6 BetrVG: Mitbestimmung bei technischen Einrichtungen, die geeignet sind, Verhalten oder Leistung zu überwachen. Das trifft auf die meisten im Unternehmen betriebenen KI-Tools zu, weil sie Nutzungsdaten protokollieren.

Das ArbG Hamburg (Beschluss vom 16.01.2024, 24 BVGa 1/24) hat eine Mitbestimmung verneint, als Beschäftigte ChatGPT freiwillig über private Accounts im Browser nutzen durften. Auf firmenseitig bereitgestellte Tools lässt sich das nicht übertragen. Ein Weg ist eine Rahmen-Betriebsvereinbarung für KI, die neue Anwendungen über ein vereinfachtes Verfahren aufnimmt. Die Mitbestimmung bei KI-Software folgt dabei denselben Regeln wie bei anderer HR-Software.

## Wer treibt die Transformation: Rollen und Befähigung

Die Transformation braucht eine klare Rollenverteilung. Am meisten bewegen die Führungskräfte. Microsoft fand im Work Trend Index 2026, dass Organisationsfaktoren wie Kultur, Unterstützung durch Vorgesetzte und Talentpraktiken mehr als doppelt so viel zum berichteten KI-Nutzen beitragen wie individuelle Faktoren (67 zu 32 Prozent). Wenn Vorgesetzte KI selbst sichtbar nutzen, steigt der berichtete Nutzen um 17 Punkte. BCG maß 2025, dass der Anteil der Beschäftigten mit positiver Haltung zu generativer KI bei starker Unterstützung durch die Führung von 15 auf 55 Prozent steigt.

**Wie stark die Führung den Nutzen von KI beeinflusst** (Quelle: Microsoft Work Trend Index 2026; BCG 2025)

- 67 zu 32 %: Anteil von Organisations- und individuellen Faktoren am berichteten KI-Nutzen (Microsoft)
- +17 Punkte: berichteter Nutzen, wenn Vorgesetzte KI sichtbar nutzen (Microsoft)
- 15 → 55 %: positive Haltung zu generativer KI bei starker Unterstützung durch die Führung (BCG)
| Rolle | Aufgabe |
|---|---|
| Geschäftsführung | Ziele, Budget, Prioritäten, Vorbild in der eigenen Nutzung |
| KI-Lenkungskreis (IT, Datenschutz, HR, Fachbereiche, Betriebsrat als Gast oder Mitglied) | Freigaben, Portfolio, Richtlinie |
| Use-Case-Verantwortliche im Fachbereich | Umsetzung, Kennzahlen, Prozessänderung |
| KI-Champions | Ansprechpersonen im Team, Beispiele sammeln, Peer-Learning |
| Führungskräfte | Zeit für Lernen geben, Nutzung vorleben, gewonnene Zeit neu verteilen |
| HR / Personalentwicklung | Kompetenzprofile, Lernpfade, Stellenzuschnitte, Mitbestimmung |

Ein unterschätzter Punkt: Was passiert mit der gesparten Zeit? Laut BCG AI at Work 2026 erhalten 66 Prozent der Beschäftigten kaum oder keine Anleitung dazu. Entscheidet die Führung das nicht, verpufft der Effekt. Auch die Studien im Abschnitt zum Scheitern weiter unten nennen vor allem organisatorische Gründe. Welche Modelle für den Veränderungsprozess belastbar sind, beschreibt der Ratgeber zu [Change-Management-Modellen](https://peoplepleaser.io/ratgeber/change-management-modelle/).

## Wie Sie den Erfolg messen: Kennzahlen je Ebene

Messen Sie auf drei Ebenen: Nutzung, Produktivität und Qualität. Legen Sie für jeden Use Case vor dem Start eine Ausgangsmessung fest, sonst bleibt nur das Bauchgefühl.

| Ebene | Kennzahl | Hinweis |
|---|---|---|
| Adoption | Anteil aktiver Nutzer pro Woche, Nutzung je Use Case | Lizenzen sind keine Nutzung |
| Produktivität | Bearbeitungszeit pro Vorgang, Durchlaufzeit, Vorgänge pro Person | mit Vorher-Wert und Vergleichsgruppe |
| Qualität | Fehler- und Nacharbeitsquote, Beschwerden, Stichproben-Audits | KI-Fehler gezielt erfassen |
| Wirtschaftlichkeit | Kosten (Lizenzen, Tokens, Betrieb) gegen bewerteten Nutzen | Betriebskosten steigen mit Nutzung |
| Kompetenz und Akzeptanz | Schulungsquote, Selbsteinschätzung, Pulsbefragung | ergänzend, nicht als Erfolgsbeleg |

Die Lücke zwischen persönlicher und betrieblicher Wirkung ist gut belegt: Im McKinsey-Survey 2026 (1.719 Befragte, 97 Länder) berichten 80 Prozent von höherer persönlicher Produktivität, aber nur 37 Prozent von einem EBIT-Beitrag. Rund 6 Prozent gelten als „High Performer“ mit mindestens 5 Prozent EBIT-Anteil aus KI. Etwa 20 Prozent geben an, dass Betriebskosten wie Token-Kosten die Nutzung bereits begrenzen.

**Persönlicher Nutzen ist häufig, Ergebniswirkung selten** (Quelle: McKinsey, The state of AI in 2026)

- höhere persönliche Produktivität: 80 %
- EBIT-Beitrag durch KI: 37 %
- Betriebskosten begrenzen Nutzung: 20 % (etwa)
- High Performer: 6 % (rund, ≥ 5 % EBIT aus KI)
## Warum KI-Projekte scheitern: Befunde von RAND, Gartner und MIT

Die Studien nennen überwiegend organisatorische Gründe: unklares Problem, fehlende Daten, unklarer Nutzen, steigende Kosten und fehlende Einbindung in Abläufe.

- RAND befragte 2024 65 erfahrene Data Scientists und Engineers und fand fünf Hauptursachen: falsch verstandenes Problem, fehlende Daten, Technik vor Nutzen, zu wenig Infrastruktur, Aufgaben jenseits dessen, was KI leisten kann.
- Gartner prognostizierte 2024, dass mindestens 30 Prozent der GenAI-Projekte bis Ende 2025 nach dem Proof of Concept aufgegeben werden, wegen schlechter Datenqualität, unzureichender Risikokontrollen, steigender Kosten oder unklarem Nutzen. 2025 folgte die Prognose, dass über 40 Prozent der Agentic-AI-Projekte bis Ende 2027 eingestellt werden. Beides sind Prognosen. Gemessen wurde nichts.
- MIT NANDA sieht 2025 als Hauptproblem Werkzeuge, die nicht lernen und sich schlecht in Arbeitsabläufe einfügen. Extern beschaffte Lösungen erreichten in der Stichprobe etwa doppelt so oft den Regelbetrieb wie Eigenentwicklungen (rund 67 zu 33 Prozent), bei nur 52 Interviews und ausdrücklich genannten Einschränkungen.

> **Zum Merken:** Legen Sie für jeden KI-Use-Case vor dem Pilot eine Ausgangsmessung und eine verantwortliche Person im Fachbereich fest.
## Roadmap: In zehn Schritten von Piloten zur Skalierung

1. Stellen Sie fest, welche KI schon genutzt wird, auch inoffiziell. Eine kurze anonyme Umfrage und eine IT-Auswertung reichen.
2. Legen Sie zwei bis drei messbare Ziele für 12 Monate fest, verbunden mit den Unternehmenszielen.
3. Benennen Sie den Lenkungskreis und geben Sie Budget frei.
4. Schreiben Sie die Richtlinie und die Liste freigegebener Tools, mit Datenklassen, Prüfpflichten und Freigabeprozess.
5. Unterrichten Sie Betriebsrat und Datenschutz früh, streben Sie eine Rahmenvereinbarung an und machen Sie für relevante Fälle eine DSFA.
6. Schulen Sie alle in KI-Grundlagen, Risiken und Richtlinie, und dokumentieren Sie das für Art. 4 AI Act.
7. Priorisieren Sie fünf bis zehn Use Cases nach Wert × Machbarkeit, jeweils mit Ausgangsmessung.
8. Fahren Sie Piloten von 8 bis 12 Wochen mit klaren Kennzahlen und Exit-Kriterien. Am Ende steht die Entscheidung „skalieren, anpassen, beenden“.
9. Überführen Sie erfolgreiche Piloten in Prozesse, IT-Betrieb und Rollenbeschreibungen und bauen Sie das Champions-Netz aus.
10. Prüfen Sie quartalsweise Kennzahlen, Kosten und Risiken, passen Sie die Richtlinie an und ziehen Sie neue Use Cases nach.

## Nächste Schritte

Wenn Sie noch keine Richtlinie haben, beginnen Sie mit Schritt 1 und 4: Bestandsaufnahme und Regeln. Laufen bereits Piloten ohne messbares Ergebnis, fehlt meist die Ausgangsmessung oder ein Verantwortlicher im Fachbereich. Wenn Sie für die Qualifizierung externe Anbieter einbinden wollen, finden Sie Orientierung im Bereich [Weiterbildung](https://peoplepleaser.io/weiterbildung/).

## Häufige Fragen

**Wie lange dauert eine KI-Transformation?**

Erste freigegebene Anwendungen sind in wenigen Monaten möglich. Bis KI in mehreren Bereichen messbar in Prozessen wirkt, rechnen Sie eher in Jahren. Belastbare Studien zu typischen Laufzeiten gibt es nicht, die Spanne hängt stark von Datenlage und Größe ab.

**Brauchen wir eine eigene KI-Strategie oder reicht die Digitalstrategie?**

Ein eigenes Dokument ist nicht zwingend. Ziele, priorisierte Use Cases, Budget, Verantwortliche und Regeln für KI sollten schriftlich festgelegt sein. In welchem Papier, ist zweitrangig.

**Muss der Betriebsrat bei ChatGPT & Co. zustimmen?**

Das hängt vom Einsatz ab. Stellt der Arbeitgeber ein Tool bereit, das Nutzungsdaten protokolliert, greift in der Regel § 87 Abs. 1 Nr. 6 BetrVG. Das ArbG Hamburg hat 2024 eine Mitbestimmung verneint, als Beschäftigte freiwillig private Accounts im Browser nutzten.

**Wer sollte die KI-Transformation verantworten: IT oder HR?**

Keine der beiden allein. Die Geschäftsführung setzt Ziele und Prioritäten, die Fachbereiche verantworten Use Cases, IT und Datenschutz die technische und rechtliche Seite, HR Qualifizierung, Rollen und Mitbestimmung.

**Woran erkennen wir, dass sich KI lohnt?**

An Prozesskennzahlen, die Sie vor dem Start gemessen haben: Durchlaufzeit, Bearbeitungszeit pro Vorgang, Fehler- oder Nacharbeitsquote. Selbst eingeschätzte Zeitersparnis allein reicht als Beleg nicht aus.

## Quellen

- [McKinsey/QuantumBlack: The state of AI in 2026. On the road to ROI (August 2026)](https://www.mckinsey.com/~/media/mckinsey/business%20functions/quantumblack/our%20insights/the%20state%20of%20ai/the-state-of-ai-in-2026-on-the-road-to-roi.pdf)
- [The Register: McKinsey says enterprise AI is finally on the road to ROI (25.08.2026)](https://www.theregister.com/ai-and-ml/2026/08/25/mckinsey-says-enterprise-ai-is-finally-on-the-road-to-roi/5292388)
- [BCG: AI at Work 2026. Why Strategy Matters More Than Tools](https://www.bcg.com/publications/2026/ai-at-work-why-strategy-matters-more-than-tools)
- [BCG: AI at Work 2025. Momentum Builds, but Gaps Remain](https://www.bcg.com/publications/2025/ai-at-work-momentum-builds-but-gaps-remain)
- [Microsoft: 2026 Work Trend Index. Agents, human agency, and the opportunity for every organization](https://www.microsoft.com/en-us/worklab/work-trend-index/agents-human-agency-and-the-opportunity-for-every-organization)
- [Gartner: 30 % der GenAI-Projekte werden nach dem Proof of Concept aufgegeben (29.07.2024)](https://www.gartner.com/en/newsroom/press-releases/2024-07-29-gartner-predicts-30-percent-of-generative-ai-projects-will-be-abandoned-after-proof-of-concept-by-end-of-2025)
- [Gartner: Über 40 % der Agentic-AI-Projekte werden bis Ende 2027 eingestellt (25.06.2025)](https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027)
- [RAND: The Root Causes of Failure for Artificial Intelligence Projects and How They Can Succeed (2024)](https://www.rand.org/pubs/research_reports/RRA2680-1.html)
- [MIT NANDA: The GenAI Divide. State of AI in Business 2025](https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf)
- [Bitkom: Erstmals nutzt die Mehrheit der Unternehmen KI (14.09.2026)](https://www.bitkom.org/Presse/Presseinformation/Erstmals-nutzt-Mehrheit-Unternehmen-KI)
- [§ 87 BetrVG Mitbestimmungsrechte](https://www.gesetze-im-internet.de/betrvg/__87.html)
- [§ 90 BetrVG Unterrichtungs- und Beratungsrechte](https://www.gesetze-im-internet.de/betrvg/__90.html)
- [§ 80 BetrVG Allgemeine Aufgaben (Sachverständige bei KI)](https://www.gesetze-im-internet.de/betrvg/__80.html)
- [LTO: ArbG Hamburg, 24 BVGa 1/24, keine Beteiligungsrechte bei privaten ChatGPT-Accounts](https://www.lto.de/recht/hintergruende/h/arbg-hamburg-24bvga-1-24-chatgpt-einsatz-arbeit-beteiligung-betriebsrat)
- [Datenschutzkonferenz: Orientierungshilfe Künstliche Intelligenz und Datenschutz (06.05.2024)](https://www.datenschutzkonferenz-online.de/media/oh/20240506_DSK_Orientierungshilfe_KI_und_Datenschutz.pdf)
- [Europäische Kommission: AI Literacy, Questions & Answers](https://digital-strategy.ec.europa.eu/en/faqs/ai-literacy-questions-answers)
