Der Veränderungsprozess bei der KI-Einführung: Warum sich Entscheider und Mitarbeiter so schwer tun

KI-Projekte im Mittelstand scheitern selten an der Technologie. Sie scheitern an einem Veränderungsprozess, den niemand als solchen behandelt. Eine Analyse der typischen Abbruchpunkte – und der Fragen, die an jeder Stelle fehlen.

Das Problem ist nicht die Technik. Das war es nie.

Wer heute in einem mittelständischen Industrieunternehmen über KI spricht, bekommt selten Widerspruch auf der Sachebene. Niemand bestreitet ernsthaft, dass Sprachmodelle Angebote schneller vorbereiten, Stammdaten auf Anomalien prüfen oder Reklamationstexte strukturieren können. Die Technologie ist verfügbar, bezahlbar und in vielen Fällen erstaunlich einfach anzubinden.

Trotzdem bleibt die Umsetzung stecken.

Ein vielzitierter Report des MIT zur sogenannten „GenAI Divide“ (2025) kam zu dem Ergebnis, dass rund 95 Prozent der untersuchten GenAI-Pilotprojekte keinen messbaren Ergebnisbeitrag lieferten. Die Studie ist methodisch umstritten – Stichprobengröße und Fallauswahl wurden breit kritisiert, die Zahl sollte nicht als exakte Quote gelesen werden. Das dahinterliegende Muster deckt sich allerdings mit dem, was in Projekten beobachtbar ist: Es entstehen viele Piloten. Es entsteht wenig Regelbetrieb.

Die Erhebung des Bitkom zur KI-Nutzung in Deutschland (604 Unternehmen ab 20 Beschäftigten, Erhebung 2025) zeigt das gleiche Bild aus anderer Perspektive. 36 Prozent der Unternehmen setzen KI ein – eine Verdopplung gegenüber dem Vorjahr. Als größte Hemmnisse nennen die Befragten:

Hemmnis	Anteil
Rechtliche Unsicherheiten	53 %
Fehlendes technisches Know-how	53 %
Fehlende personelle Ressourcen	51 %
Datenschutzanforderungen	48 %
Mangelnde Nachvollziehbarkeit der Ergebnisse	38 %
Mangelnde Akzeptanz der Beschäftigten	31 %

Bemerkenswert ist, was auf dieser Liste nicht steht: fehlende Technologie, unzureichende Modellqualität, fehlende Anwendungsfälle. Jedes einzelne genannte Hemmnis ist ein organisatorisches, kein technisches. Und jedes einzelne ist damit Gegenstand von Veränderungsmanagement – nicht von IT-Projektmanagement.

Genau hier liegt der erste strukturelle Fehler: KI-Einführung wird in den meisten Unternehmen als Technologieprojekt aufgesetzt. Sie ist aber ein Veränderungsprozess mit einer Technologiekomponente.

Zwei Ebenen, dieselbe Angst, zwei unterschiedliche Sätze

In fast jedem stockenden KI-Projekt lassen sich zwei Sätze finden, die beide nicht das meinen, was sie sagen.

Was Entscheider sagen – und was sie meinen

Der Satz auf der Führungsebene lautet: „Wir müssen bei KI vorankommen.“ Was dahinter liegt, ist meistens eine Kombination aus fünf ungelösten Punkten.

1. Investition ohne belastbaren Business Case. Klassische Investitionsentscheidungen im Mittelstand folgen einem eingeübten Muster: Maschine, Amortisationsdauer, Kapazitätseffekt. Bei KI-Anwendungen ist der Nutzen zu Beginn oft nur qualitativ beschreibbar – „schnellere Angebotserstellung“, „weniger Rückfragen“. Ein Geschäftsführer, der so etwas dem Beirat vorlegt, arbeitet gegen die eigene Entscheidungskultur.

2. Prozesse, die niemand vollständig kennt. KI legt gnadenlos offen, wie Arbeit tatsächlich abläuft – inklusive der Excel-Dateien neben dem ERP, der informellen Freigaben und der Sonderregeln für den größten Kunden. Wer ein KI-Projekt startet, startet immer auch eine Prozessaufnahme. Viele Entscheider ahnen das und scheuen die Offenlegung.

3. Verantwortung für nicht erklärbare Ergebnisse. Die 38 Prozent „mangelnde Nachvollziehbarkeit“ aus der Bitkom-Erhebung sind kein technisches Detail. Sie sind eine Haftungsfrage. Wer unterschreibt eine Freigabe für ein Ergebnis, dessen Zustandekommen er im Zweifel vor einem Kunden oder einem Auditor nicht erklären kann?

4. Regulatorische Unsicherheit. DSGVO, EU AI Act, Betriebsvereinbarungen, Kundenverträge mit Vertraulichkeitsklauseln, in der Medizintechnik zusätzlich normative Anforderungen. Die Unsicherheit ist real – sie ist aber lösbar. Ungelöst wirkt sie wie ein Vetorecht.

5. Sorge vor dem Autoritätsverlust. Selten ausgesprochen, häufig wirksam: Führung im Mittelstand basiert oft auf fachlicher Überlegenheit. Wenn ein 26-jähriger Werkstudent das Werkzeug besser beherrscht als der Bereichsleiter, verschiebt das etwas – lange bevor irgendein Prozess automatisiert ist.

Was Mitarbeiter sagen – und was sie meinen

Der Satz auf der operativen Ebene lautet: „Dafür haben wir gerade keine Zeit.“ Auch hier liegen fünf Punkte darunter.

1. Die Ersetzbarkeitsfrage. Wer sein Erfahrungswissen strukturiert in ein System gibt, macht dieses Wissen übertragbar. Das ist der Zweck – und gleichzeitig die Bedrohung. Solange niemand die Frage „Was passiert danach mit meiner Rolle?“ beantwortet, ist Zurückhaltung eine rationale Strategie, keine Sturheit.

2. Zusätzlicher Aufwand ohne erkennbaren Eigennutzen. In der Einführungsphase kostet KI zuerst Zeit: Prozesse beschreiben, Prompts testen, Ergebnisse korrigieren. Der Nutzen fällt später an – häufig an anderer Stelle im Unternehmen. Wer die Kosten trägt und wer den Nutzen erntet, fällt regelmäßig auseinander.

3. Erfahrungen aus früheren Projekten. In den meisten Betrieben gab es bereits eine Digitalisierungsinitiative, eine ERP-Migration oder ein Lean-Programm, das mit großer Ankündigung begann und ohne Ergebnis endete. Die Skepsis richtet sich nicht gegen KI. Sie richtet sich gegen das Muster.

4. Fachliche Selbstachtung. Ein erfahrener Disponent, dessen Entscheidungen über Jahre gut waren, bekommt nun Vorschläge eines Systems, das ihn korrigiert. Ohne eine klare Rollenverteilung – wer entscheidet, wer schlägt vor – wird jede Systemempfehlung als Bewertung der eigenen Kompetenz gelesen.

5. Fehlende Sicherheit im Umgang. Darf ich Kundendaten eingeben? Was passiert mit dem Text, den ich einfüge? Wer sieht das? Unbeantwortete Fragen führen nicht zu Nachfragen, sondern zu Nichtnutzung. Oder – deutlich riskanter – zu Schatten-KI auf privaten Accounts.

Der blinde Fleck dazwischen

Beide Seiten haben ein legitimes Anliegen. Beide formulieren es in einer Sprache, die auf der jeweils anderen Ebene falsch ankommt.

Die Führungsebene hört „keine Zeit“ und schließt auf Bequemlichkeit. Die operative Ebene hört „wir müssen vorankommen“ und schließt auf Personalabbau. Weder das eine noch das andere trifft zu – aber beide Interpretationen sind handlungsleitend. Das Ergebnis ist ein Projekt, in dem alle formal zustimmen und niemand vorangeht.

Der Veränderungsprozess in fünf Phasen – und wo er typischerweise abbricht

Veränderungsprozesse verlaufen bei der KI-Einführung nicht anders als bei anderen Transformationen. Was sich unterscheidet, ist die Geschwindigkeit der Technologie – und die Tatsache, dass die Betroffenen das Werkzeug privat oft längst nutzen.

Phase 1: Orientierung

Was passiert: Erste Berührung. Vorstandspräsentation, Messebesuch, ein Artikel. Es entsteht eine allgemeine Aufbruchstimmung ohne Bezug zum eigenen Prozess.

Typischer Abbruchpunkt: Die Initiative bleibt auf der Ebene von Technologie-Demos stehen. Es wird über Werkzeuge gesprochen, nicht über Arbeit.

Die entscheidende Frage: Welches konkrete, heute schmerzhafte Problem soll gelöst werden – beschrieben ohne das Wort „KI“?

Phase 2: Bestandsaufnahme

Was passiert: Die tatsächlichen Prozesse werden aufgenommen. Wer macht was, mit welchen Daten, mit welchen Medienbrüchen, mit welchen Ausnahmen.

Typischer Abbruchpunkt: Diese Phase wird übersprungen, weil sie unattraktiv ist. Sie erzeugt keine Bilder für die Geschäftsführung und dauert länger als ein Tool-Test. Genau hier entscheidet sich aber, ob später ein funktionierender Prozess automatisiert wird – oder ein dysfunktionaler.

Die entscheidende Frage: Wie läuft der Prozess wirklich – nicht wie er im Qualitätsmanagement-Handbuch steht?

Phase 3: Erprobung

Was passiert: Ein abgegrenzter Anwendungsfall wird umgesetzt und gemessen.

Typischer Abbruchpunkt: Statt eines Anwendungsfalls mit klarer Kennzahl entstehen fünf parallele Piloten ohne Erfolgskriterium. Alle „laufen“, keiner endet. Nach einigen Monaten ist die Aufmerksamkeit weg, das Budget verbraucht, das Ergebnis nicht bewertbar.

Die entscheidende Frage: Woran genau erkennen wir in acht Wochen, ob das funktioniert hat – und wer stellt das fest?

Phase 4: Überführung in den Regelbetrieb

Was passiert: Aus dem Pilot wird ein verbindlicher Arbeitsschritt: mit Verantwortlichkeit, Freigaberegeln, Fehlerbehandlung, Schulung und Dokumentation.

Typischer Abbruchpunkt: Der mit Abstand härteste Übergang. Hier wird aus einem freiwilligen Experiment eine Pflicht. Hier greifen Mitbestimmung, Datenschutzfolgenabschätzung, Rollenbeschreibungen. Wer diese Themen erst jetzt anfasst, verliert Monate – und die Glaubwürdigkeit des Projekts gleich mit.

Die entscheidende Frage: Wer trägt die Verantwortung für ein fehlerhaftes Ergebnis, und wie sieht der definierte Kontrollschritt aus?

Phase 5: Verankerung und Skalierung

Was passiert: Der Anwendungsfall wird auf angrenzende Bereiche übertragen. Kompetenzen wachsen, es entsteht ein interner Standard.

Typischer Abbruchpunkt: Der Erfolg wird zentral kommuniziert, aber nicht bei denen sichtbar gemacht, die ihn erarbeitet haben. Die nächste Bereichsleitung startet wieder bei Null. Es entsteht kein Lerneffekt, sondern eine Sammlung von Insellösungen.

Die entscheidende Frage: Was haben die Menschen davon, die den Prozess verändert haben – konkret, nicht symbolisch?

Was Führung konkret anders machen muss

Aus der Analyse ergeben sich sieben Handlungen, die in der Praxis den Unterschied machen. Keine davon ist technischer Natur.

1. Die Rollenfrage vor der Technikfrage beantworten. Bevor das erste Werkzeug ausgewählt wird, muss die Führung eine überprüfbare Aussage dazu treffen, was mit den betroffenen Rollen geschieht. „Wir wollen niemanden ersetzen“ ist keine Aussage, wenn sie nicht durch eine Entscheidung gedeckt ist. Wer keine Beschäftigungszusage geben kann, sollte stattdessen ehrlich beschreiben, wie sich Tätigkeitsprofile verändern. Ehrlichkeit trägt weiter als Beschwichtigung – auch, weil sie überprüfbar ist.

2. Prozessaufnahme als Investition behandeln, nicht als Vorarbeit. Die Bestandsaufnahme ist der Teil des Projekts mit dem höchsten Ertrag pro investiertem Tag. Sie deckt Doppelarbeit, Medienbrüche und Blindleistung auf, die auch ohne KI beseitigt werden können. Etablierte Notationen wie BPMN 2.0 oder eine datenbasierte Analyse mittels Process Mining schaffen dabei eine gemeinsame Sprache zwischen Fachbereich, IT und Geschäftsführung.

3. Einen Anwendungsfall wählen, der drei Kriterien erfüllt. Er muss (a) einen messbaren Schmerz beseitigen, (b) innerhalb von acht bis zwölf Wochen ein Ergebnis liefern und (c) von den Betroffenen selbst als sinnvoll empfunden werden. Fällt eines der drei Kriterien weg, entsteht ein Pilot ohne Zugkraft.

4. Datenschutz und Governance vorziehen. DSGVO-Prüfung, Verarbeitungsverzeichnis, Regelungen zur Datenweitergabe, Klärung mit dem Betriebsrat, Umgang mit personenbezogenen und mit Kundendaten. Vorgezogen sind das drei Wochen Arbeit. Nachgezogen sind sie ein Projektstopp.

5. Verbindliche Nutzungsregeln veröffentlichen – früh und einfach. Was darf eingegeben werden, was nicht, welche Werkzeuge sind freigegeben, wo ist die Ansprechstelle. Fehlt diese Klarheit, entsteht Schatten-KI: Mitarbeitende nutzen private Accounts, weil sie das Problem lösen wollen. Das ist datenschutzrechtlich das schlechteste aller Ergebnisse.

6. Kompetenzaufbau vor Werkzeugeinführung. Fehlendes technisches Know-how nennen 53 Prozent der Unternehmen als Hemmnis. Das lässt sich nicht durch Softwarekauf lösen. Es braucht Menschen im Haus, die verstehen, was ein Modell kann, wo es systematisch falsch liegt und wie ein Ergebnis geprüft wird.

7. Ergebnisse dort sichtbar machen, wo sie entstanden sind. Wenn eine Sachbearbeiterin durch einen neuen Ablauf sechs Stunden pro Woche gewinnt, muss sichtbar sein, was mit diesen sechs Stunden geschieht. Werden sie zur Entlastung, zur Qualitätsverbesserung, zur Weiterbildung? Diese Antwort entscheidet darüber, ob der nächste Anwendungsfall Freiwillige findet.

Woran Sie erkennen, dass der Veränderungsprozess funktioniert

Nicht an der Anzahl der Lizenzen. Belastbare Frühindikatoren sind:

• Mitarbeitende bringen eigene Anwendungsideen ein, statt nur zugewiesene zu bearbeiten.
• Es wird offen über Fehler des Systems gesprochen, statt Ergebnisse stillschweigend zu korrigieren.
• Der Betriebsrat oder die Mitarbeitervertretung ist Teil des Projekts, nicht dessen Bremse am Ende.
• Es existiert mindestens ein Anwendungsfall im verbindlichen Regelbetrieb – mit benannter Verantwortung.
• Die Geschäftsführung kann den Nutzen in einer Kennzahl beschreiben, die schon vor dem Projekt existierte.

Fazit

Die Einführung von KI im Mittelstand ist kein IT-Vorhaben mit Change-Anteil. Sie ist ein Veränderungsprozess mit IT-Anteil. Entscheider tun sich schwer, weil sie ohne gewohnte Entscheidungsgrundlage investieren und für nicht vollständig erklärbare Ergebnisse geradestehen sollen. Mitarbeitende tun sich schwer, weil ihnen niemand beantwortet, was mit ihrer Arbeit geschieht, und weil sie den Aufwand vorab tragen.

Beides sind rationale Positionen. Keine davon löst sich durch die Auswahl eines besseren Werkzeugs.

Was sie löst, sind die richtigen Fragen – zur richtigen Zeit, an die richtigen Personen. Genau an dieser Stelle entscheidet sich, ob ein Unternehmen nach zwölf Monaten fünf abgeschlossene Piloten hat oder einen Prozess, der läuft.

Wie es weitergeht

Wenn Sie in Ihrem Unternehmen an einem dieser Abbruchpunkte stehen – oder ihn vermeiden wollen, bevor er entsteht: Mit über 20 Jahren Erfahrung aus Produktion, Entwicklung und Supply Chain begleitet proaquila mittelständische Industrieunternehmen bei der strukturierten Einführung von KI. Von der Prozessaufnahme über den ersten messbaren Anwendungsfall bis zur Verankerung im Regelbetrieb – mit klarem Blick auf den verantwortungsvollen Umgang mit Daten.

Vereinbaren Sie ein unverbindliches Erstgespräch. Wir schaffen gemeinsam Klarheit darüber, wo Ihr Unternehmen steht und welcher Anwendungsfall der richtige erste ist.

Quellen

• Bitkom e. V.: Künstliche Intelligenz in Deutschland – Studienbericht, Befragung von 604 Unternehmen ab 20 Beschäftigten (Erhebung 2025).
• MIT NANDA Initiative: The GenAI Divide – State of AI in Business 2025. Die dort genannte Quote von rund 95 Prozent ohne messbaren Ergebnisbeitrag wird methodisch kritisiert und sollte als Hinweis auf ein Muster, nicht als exakter Wert gelesen werden.