Kein KI-Team? Warum AI-Literacy für alle besser ist | Adaptive Operations

Die meisten Unternehmen reagieren auf den KI-Boom mit dem gleichen Reflex: Ein dediziertes AI-Team aufbauen, Spezialisten einstellen, ein Center of Excellence (CoE) gründen. Klingt professionell. Klingt nach Strategie. Führt aber in erschreckend vielen Fällen geradewegs in die Sackgasse.

Ich sehe das Muster seit zwei Jahren immer wieder: Unternehmen investieren sechsstellige Beträge in KI-Experten, bauen aufwendige Strukturen auf - und sechs Monate später sitzt ein frustriertes AI-Team in einem Silo, während der Rest der Organisation weiter mit Copy-Paste und manuellen Excel-Tabellen arbeitet. Die Fachabteilungen warten auf das AI-Team, das AI-Team wartet auf brauchbare Use Cases aus den Fachabteilungen, und am Ende bewegt sich - nichts.

Das Problem ist nicht die Idee, KI strategisch anzugehen. Das Problem ist die Annahme, dass KI ein Spezialistenthema ist, das man an eine kleine Gruppe delegieren kann. Spoiler: Ist es nicht.

Warum AI Centers of Excellence so oft scheitern

Das Modell klingt verlockend: Du stellst fünf bis zehn kluge Köpfe ein, gibst ihnen Budget und Mandat, und die machen dann „das mit der KI" für den Rest der Firma. In der Theorie perfekt. In der Praxis ein Rezept für strukturelles Versagen.

Der Flaschenhals-Effekt

Ein zentrales AI-Team wird unweigerlich zum Bottleneck. Jede Abteilung, die irgendwas mit KI machen will, muss sich anstellen und warten. Marketing will automatisierte Content-Erstellung? Ab in die Queue. Finance will Anomalie-Erkennung in den Transaktionsdaten? Ticket erstellen. HR will einen intelligenten Screening-Prozess? Nummer ziehen.

Das Ergebnis: Wartezeiten von Wochen bis Monaten, Priorisierungskonflikte zwischen Abteilungen und eine wachsende Frustration auf beiden Seiten. Das AI-Team fühlt sich überfordert, die Fachabteilungen fühlen sich ignoriert.

Der Elfenbeinturm-Effekt

AI-Teams entwickeln eine natürliche Tendenz, sich von den tatsächlichen Geschäftsproblemen zu entfernen. Sie bauen technisch beeindruckende Lösungen für Probleme, die niemand hat - oder lösen echte Probleme auf eine Art, die für die Endnutzer in den Fachabteilungen nicht praktikabel ist.

Ich habe ein mittelständisches Unternehmen beraten, dessen AI-Team ein brillantes NLP-Modell für die Kundenkommunikation entwickelt hatte. Technisch war das sauber. Aber niemand im Kundenservice konnte es bedienen, weil die Schnittstelle für Data Scientists und nicht für Servicemitarbeiter designt war. Sechs Monate Entwicklungszeit, null Adoption.

Der Dependency-Effekt

Wenn nur das AI-Team „KI kann", entsteht eine toxische Abhängigkeit. Die gesamte Organisation wird darauf konditioniert, dass KI etwas ist, das „die anderen" machen. Statt dass Mitarbeitende eigenständig Möglichkeiten erkennen und nutzen, entsteht eine erlernte Hilflosigkeit: „Das muss das AI-Team machen."

Das ist fatal, weil die besten KI-Anwendungsfälle nicht im AI-Team entstehen - sondern in den Köpfen der Menschen, die jeden Tag die eigentliche Arbeit machen. Die Sachbearbeiterin, die genau weiß, wo in ihrem Prozess die Reibungsverluste sind. Der Projektmanager, der täglich Stunden mit Reporting verbringt. Die Marketing-Managerin, die bei der Content-Erstellung immer wieder die gleichen Schleifen dreht.

Was AI-Literacy wirklich bedeutet

AI-Literacy ist kein Python-Kurs für alle. Es geht nicht darum, dass jeder Mitarbeitende Machine-Learning-Modelle trainieren kann. Es geht um etwas viel Grundlegenderes - und gleichzeitig viel Wirkungsvolleres.

Die drei Ebenen der AI-Literacy

Ebene 1: Verstehen, was KI kann und was nicht. Das klingt banal, ist es aber nicht. Ein erschreckend großer Teil der Belegschaft in deutschen Unternehmen hat entweder übertriebene Erwartungen an KI (die Maschine kann alles) oder übertriebene Ängste (die Maschine ersetzt mich). Beide Extreme führen zu schlechten Entscheidungen. AI-Literacy auf dieser Ebene bedeutet: ein realistisches mentales Modell davon haben, was aktuelle KI-Systeme leisten können, wo ihre Grenzen liegen und wie man sie sinnvoll einordnet.

Ebene 2: KI-Tools kompetent nutzen. Das ist die praktische Ebene. Mitarbeitende sollten in der Lage sein, aktuelle KI-Werkzeuge - von Assistenten wie Claude oder ChatGPT über spezialisierte Tools für ihre Domäne bis hin zu KI-Features in bestehender Software - effektiv zu nutzen. Das heißt: gute Prompts schreiben, Ergebnisse kritisch bewerten, Halluzinationen erkennen, die richtigen Tools für den richtigen Zweck wählen und Datenschutzgrenzen kennen.

Ebene 3: KI-Potenziale im eigenen Arbeitsbereich identifizieren. Das ist die strategische Ebene und der eigentliche Game-Changer. Wenn Mitarbeitende nicht nur KI nutzen können, sondern aktiv erkennen, wo in ihren täglichen Prozessen KI-Unterstützung sinnvoll wäre, dann multipliziert sich der Effekt exponentiell. Statt dass ein zentrales Team Use Cases „top-down" identifiziert, entstehen sie organisch dort, wo sie den größten Impact haben.

Warum das mehr bringt als ein Spezialistenteam

Rechnen wir mal konservativ: Ein Unternehmen mit 200 Mitarbeitenden hat ein AI-Team von 5 Personen. Das sind 2,5 Prozent der Belegschaft, die aktiv nach KI-Chancen suchen. Wenn du stattdessen 200 Mitarbeitende mit solider AI-Literacy ausstattest, hast du 200 Sensoren im Unternehmen, die Potenziale erkennen, 200 Köpfe, die kreative Anwendungsfälle entwickeln, und 200 Menschen, die grundlegende KI-Automatisierungen selbst umsetzen können.

Der Multiplikator ist nicht 40x - er ist noch größer, weil diese 200 Mitarbeitenden ihre eigenen Prozesse unendlich besser kennen als jedes zentrale Team es jemals könnte.

Wie du AI-Literacy im Unternehmen aufbaust

Theorie ist schön, Umsetzung ist besser. Hier ist ein pragmatischer Fahrplan, der funktioniert - nicht für Google oder Microsoft, sondern für Unternehmen mit 50 bis 500 Mitarbeitenden.

Schritt 1: Basis-Schulung für alle (2-4 Stunden)

Fang nicht mit Tools an, fang mit Verständnis an. Ein halber Tag, in dem jeder Mitarbeitende lernt:

• Was KI im Kern ist und was nicht (Abgrenzung zu Magie und Hype)
• Welche Arten von KI es gibt und was sie jeweils können
• Wie Large Language Models funktionieren (konzeptionell, nicht technisch)
• Wo die echten Grenzen liegen (Halluzinationen, Bias, Datenschutz)
• Welche KI-Tools das Unternehmen offiziell freigibt und warum

Das muss kein akademischer Vortrag sein. Ein guter interner Workshop mit vielen Live-Demos und Hands-on-Momenten reicht völlig aus. Wichtig ist, dass wirklich alle teilnehmen - vom Geschäftsführer bis zur Empfangskraft. Die Botschaft muss sein: Das geht uns alle an.

Schritt 2: Rollenspezifische Vertiefung (4-8 Stunden)

Nach der Basis-Schulung folgt die Vertiefung - aber nicht als Gießkanne, sondern rollenspezifisch. Marketing lernt andere Dinge als Finance, HR andere als Entwicklung. Hier geht es darum, konkrete Tools und Workflows für den eigenen Arbeitsbereich kennenzulernen und direkt am eigenen Material zu üben.

In dieser Phase solltest du auf externe Trainer oder erfahrene interne Power-User setzen, die für jeden Bereich maßgeschneiderte Sessions entwickeln. Abstrakte Tool-Demos bringen wenig - die Mitarbeitenden müssen mit ihren eigenen Daten, Texten und Prozessen arbeiten.

Schritt 3: Champions-Programm aufsetzen

Identifiziere in jeder Abteilung ein bis zwei Personen, die besonders technikaffin und motiviert sind. Diese „AI Champions" bekommen eine intensivere Ausbildung (nicht zum Data Scientist, aber zum kompetenten Power User) und fungieren als erste Anlaufstelle in ihrer Abteilung.

Das ist bewusst kein zentrales AI-Team. Die Champions bleiben in ihren Abteilungen, machen weiter ihren Job - aber sie sind die lokalen Experten, die Kollegen helfen, Ideen bewerten und den Kontakt zur IT halten, wenn es technisch komplexer wird.

Schritt 4: Use-Case-Pipeline von unten

Schaffe einen einfachen Prozess, über den Mitarbeitende KI-Ideen einreichen können. Das kann ein simples Formular im Intranet sein, ein Slack-Channel oder ein regelmäßiger Workshop. Wichtig ist, dass eingereichte Ideen sichtbar bewertet und priorisiert werden - und dass Mitarbeitende Feedback bekommen, warum eine Idee umgesetzt oder zurückgestellt wird.

Die besten Ideen kommen garantiert nicht von der Geschäftsführung. Sie kommen von den Leuten, die täglich mit den Prozessen arbeiten.

Schritt 5: Governance-Rahmen, der ermöglicht statt verhindert

AI-Literacy ohne klare Spielregeln führt zu Schatten-KI auf Steroiden. Du brauchst einen Governance-Rahmen, der aber nicht aus 50 Seiten Verbotslisten besteht, sondern klar kommuniziert: Was darfst du, was nicht, und warum. Welche Daten dürfen in welche Tools? Welche Tools sind freigegeben? An wen wendest du dich, wenn du unsicher bist?

Der beste Governance-Rahmen ist einer, den jeder Mitarbeitende in fünf Minuten verstehen kann. Alles darüber hinaus wird ignoriert.

Unternehmen, die es richtig machen

Es gibt durchaus Vorbilder. In meiner Beratungspraxis habe ich erlebt, dass einige mittelständische Unternehmen in der DACH-Region den Literacy-Ansatz gewählt haben und von bemerkenswerten Ergebnissen berichten.

Ein Maschinenbauunternehmen aus Baden-Württemberg hat statt eines AI-Teams ein unternehmensweites Literacy-Programm aufgesetzt. Innerhalb von sechs Monaten wurden über 30 Use Cases von Mitarbeitenden identifiziert - von der automatisierten Angebotserstellung über KI-gestützte Qualitätskontrolle bis zur intelligenten Wartungsplanung. Ohne das Literacy-Programm wären diese Ideen nie an die Oberfläche gekommen, weil die Mitarbeitenden schlicht nicht gewusst hätten, was möglich ist.

Ein Dienstleistungsunternehmen aus Österreich hat einen anderen Weg genommen: Statt externer KI-Berater wurden interne Mitarbeitende zu AI Coaches ausgebildet, die in jeder Abteilung als Multiplikatoren wirken. Der Effekt: Die Adoption von KI-Tools stieg innerhalb von drei Monaten von unter zehn Prozent auf über sechzig Prozent.

Beides sind Beispiele, die zeigen: Der Hebel liegt nicht im Spezialistenteam, sondern in der Breite.

Das Gegenargument - und warum es nicht zieht

Natürlich gibt es Situationen, in denen du Spezialisten brauchst. Wenn du eigene Modelle trainieren willst, wenn du eine komplexe ML-Pipeline aufbaust, wenn du KI-Produkte entwickelst - dann brauchst du Data Scientists und ML Engineers. Keine Frage.

Aber das betrifft vielleicht fünf Prozent aller Unternehmen in Deutschland. Die anderen 95 Prozent bauen keine eigenen Modelle. Sie nutzen bestehende KI-Dienste und -Tools. Und dafür brauchst du keine Spezialisten - dafür brauchst du kompetente Mitarbeitende.

Die Beratungsbranche verkauft dir gerne das Narrativ, dass du ein teures AI Center of Excellence brauchst, weil sich das besser abrechnen lässt als ein schlankes Literacy-Programm. Aber die Evidenz spricht eine andere Sprache: Die Unternehmen, die KI am erfolgreichsten in die Breite bringen, sind nicht die mit den größten AI-Teams - sondern die mit der besten AI-Literacy.

Was du morgen tun kannst

Wenn du das hier liest und denkst „OK, aber wo fange ich an?", dann hier drei Dinge, die du sofort umsetzen kannst:

1. Mach eine ehrliche Bestandsaufnahme. Wie viele deiner Mitarbeitenden nutzen KI-Tools regelmäßig? Wie viele könnten es, wissen aber nicht wie? Wie viele haben Angst davor? Ein AI-Readiness-Check gibt dir ein klares Bild, wo du stehst.

2. Organisiere einen Pilot-Workshop. Nimm eine Abteilung, mach einen halben Tag Hands-on-KI-Training mit deren echten Aufgaben. Miss vorher-nachher, wie viel Zeit die typischen Routineaufgaben kosten. Die Zahlen werden für sich sprechen.

3. Identifiziere deine Champions. Wer in deinem Unternehmen nutzt KI bereits aktiv und kompetent? Diese Menschen sind dein Startkapital. Gib ihnen ein Mandat, ihr Wissen zu teilen.

Fazit

Das Narrativ „Wir brauchen ein AI-Team" ist der Versuch, ein Kulturthema als Fachthema zu behandeln. KI ist kein Spezialgebiet, das man an eine Abteilung delegiert - es ist eine Kernkompetenz, die in die gesamte Organisation gehört.

Die Unternehmen, die in drei Jahren bei der KI-Adoption vorne liegen werden, sind nicht die mit den größten AI-Teams. Es werden die sein, in denen jede Mitarbeiterin und jeder Mitarbeiter ein Grundverständnis hat, was KI kann, wie man sie nutzt und wo sie im eigenen Bereich Mehrwert schafft.

AI-Literacy für alle schlägt ein AI-Team für wenige. Nicht weil Spezialisierung schlecht ist - sondern weil der Multiplikator-Effekt von 200 befähigten Mitarbeitenden jedes noch so brillante Fünf-Personen-Team in den Schatten stellt.

Die Frage ist nicht: Wann bauen wir ein AI-Team auf? Die Frage ist: Wann fangen wir an, alle mitzunehmen?

FAQ

Braucht man denn gar keine KI-Spezialisten im Unternehmen? Doch, in bestimmten Szenarien schon - zum Beispiel wenn du eigene Modelle trainieren, komplexe Daten-Pipelines aufbauen oder KI-Produkte entwickeln willst. Aber für die überwiegende Mehrheit der Unternehmen, die bestehende KI-Tools nutzen wollen, ist ein breites Literacy-Programm deutlich wirksamer als ein zentrales Spezialistenteam. Die optimale Lösung ist oft eine Kombination: ein kleiner technischer Kern plus unternehmensweite AI-Literacy.

Wie hoch sind die Kosten für ein unternehmensweites AI-Literacy-Programm? Deutlich geringer als ein dediziertes AI-Team. Rechne mit ein bis drei Tagen Schulung pro Mitarbeitendem - das sind bei externen Trainern je nach Unternehmensgröße zwischen 20.000 und 80.000 Euro für die Erstschulung, plus laufende Updates. Ein AI-Team mit fünf Personen kostet dich schnell 500.000 Euro pro Jahr allein an Gehältern. Der ROI des Literacy-Ansatzes ist in den meisten Fällen drastisch besser.

Was ist mit Datenschutz und Compliance - ist es nicht riskant, wenn alle KI nutzen? Das Risiko ist tatsächlich geringer, nicht höher. Wenn nur ein kleines Team KI nutzt, entsteht daneben fast immer Schatten-KI - Mitarbeitende, die Tools auf eigene Faust ohne Richtlinien einsetzen. Mit einem Literacy-Programm dagegen bringst du alle auf einen gemeinsamen Stand: klare Spielregeln, freigegebene Tools, Bewusstsein für Datenschutzrisiken. Kontrollierte Breite ist sicherer als unkontrollierte Wildnis.

Wie messe ich den Erfolg eines AI-Literacy-Programms? Drei Kennzahlen funktionieren gut: Erstens die Adoptionsrate (wie viel Prozent der Mitarbeitenden nutzen KI-Tools regelmäßig). Zweitens die eingereichten Use Cases (wie viele Ideen kommen aus den Abteilungen). Drittens Zeiteinsparungen bei definierten Routineaufgaben. Erfahrungsgemäß siehst du innerhalb von drei Monaten signifikante Bewegung in allen drei Bereichen.

Was mache ich, wenn die Geschäftsführung auf ein AI Center of Excellence besteht? Schlage einen Kompromiss vor: Starte mit einem kleinen technischen Kern (zwei bis drei Personen), der sich nicht um alle Use Cases kümmert, sondern das Literacy-Programm entwickelt und die AI Champions in den Abteilungen unterstützt. So hast du die Governance und das Know-how eines zentralen Teams, ohne den Flaschenhals-Effekt. Lass die Ergebnisse für sich sprechen - nach sechs Monaten wird niemand mehr ein klassisches CoE-Modell fordern.