Vier Reifegrade von KI in Unternehmen

Die für jedes wirtschaftlich operierende Business entscheidende Frage:

Verdienen Sie Geld mit KI, oder zahlen Sie nur Lizenzen?

Es gibt nicht „die eine“ Art, KI einzusetzen, was eine Antwort nicht ganz einfach macht – dennoch kann man Szenarien unterscheiden. Man könnte sie jedoch in verschiedene Reifegrade/Level einteilen – ab wann wird der Einsatz von KI profitabel?

Lass uns gemeinsam durch diese vier Stufen gehen. Als eine Art Landkarte, die zeigt, wohin die Reise gehen kann.

Ich schreibe nicht, um zu warnen oder zu erschrecken. Ich schreibe, weil ich überzeugt bin: Wir haben alles, was wir brauchen – siehe Teil 4. Die Werkzeuge sind da. Das Wissen ist da. Gemeinsam Lernen und die Puzzleteile zusammensetzen. Kleine Schritte. Gemeinsam gegangen. Mit Zukunftslust statt Zukunftsangst.

Der Vorschlag – KI integration in 4 Leveln:

---

In jedem Level wird der Grundstein für die nächste Stufe gelegt – der Grund warum wir „oben“ beginnen, liegt daran, das…

…mit steigener KI-Integrationstiefe
immer mehr Wirkung, Risiko und Profit zu erwarten ist.

Level 1: KI als persönliche Assistenz

von der Axt zur Motorsäge

Die „Spitze des Eisbergs“ – die aktuelle Aktions-Ebene:

Der Grund für ein Unternehmen ist in der Regel, Profit zu erwirtschaften. Wir erleben, dass uns das mit effizienten Werkzeugen wie KI – nach einer Lernphase (Investition) – besser, schneller und mit weniger Aufwand gelingen kann (Effizienz).

Typische aktuelle Anwendungen:

• Chatbots, die Fragen aus internem Wissensmanagement oder Hilfedatenbanken beantworten
• Dokumente lesen und konsolidierte Antworten dazu ermöglichen
• Service-Anfragen erwidern
• Bilder oder Videos für Präsentationen oder Schulungen erstellen
• Texte korrigieren oder schreiben
• … generative KI

Das Effizienz-Paradox

Da wir 2025 Leistung jedoch in Arbeit pro „Zeit“ messen, die Arbeitszeit aber konstant fixiert ist (Arbeitstag, Vollzeit, Teilzeit), ist durch effizientere Arbeitsweise nur dann Geld zu erwirtschaften, wenn man entweder dadurch Stellen abbaut, oder in der gleichen Zeit noch mehr arbeitet/schafft. KI hilft also (im besten Fall) unsere Effizienz zu steigern – was unweigerlich zu weiterer Beschleunigung und/oder Erhöhung der Arbeitslast führt, oder führt zu Kündigungswellen.

KI kann also nur indirekt helfen, mehr Profit durch „mehr Arbeit/Ergebnisse“ zu erzielen, solange wir KI nur als persönliche Assistenz verwenden.

Dieses „Level“ wird derzeit bei den meisten Unternehmen diskutiert. KI wird dabei nur als „besseres“ Werkzeug gesehen – also statt „scharfer Axt“ eine „Motorsäge“.

Wer zahlt KI?

Die Kostendiskussion ist hier auch sehr spannend – KI wird meist zuerst in der Wissenarbeit eingeführt, dort arbeiten Menschen mit meist höheren Gehältern als in der Produktion. Man hat jedoch große Bedenken, eine zusätzliche, regelmäßige Investition von derzeit etwa 20 Euro/Person/Monat zu entscheiden. Warum diskutiert man bei Jahres-Einkommen jenseits der 60,000 Euro um 20 Euro?: Die Zahl summiert sich sehr schnell!

Pro 100 Mitarbeitenden ist nur die KI-Lizenz eine zusätzliche Investition pro Jahr auf 24,000 Euro, bei einem Konzern mit 100.000 Mitarbeitenden sind es schnell 24 Millionen (ohne Einführung, Training, Anpassung, Datenschutz, Support…) – womit wird dieses Geld wieder erwirtschaftet?
Wissenarbeiter*innen arbeiten nicht mit der Axt produktiv im Wald, sondern in Innovation, Qualität, HR, IT, Controlling… als Service „für“ die eigentlich profitable Organisation (Produkte, Kundendienstleistung). Der Preis müsste also auf die Kund*innen übertragen werden, oder man spart Stellen ein, um Kostenneutral zu bleiben.

Die Risiken auf Level 1

Die Organisationsverantwortlichen selbst sehen das Risiko von:

• falschen Aussagen, Halluzinationen und den Entscheidungen, die aufgrund dieser KI Antworten getroffen werden
• begründete Angst vor Daten-Abfluss zum KI-Provider oder gar zu Mitbewerbern
• Abhängigkeit vom Provider oder dessen Preisgestaltung durch zu frühe oder intensive Bindung/Implementierung
• Verlusst von Kontrolle und Macht
• Hohe Kosten ohne profitablen Mehrwert

Fazit Level 1: In nur wenigen Bereichen ist mit Künstlicher Intelligenz direkt Geld verdient, im Gegenteil KI ist teuer, stellt man sie einer großen Zahl Mitarbeiter*innen zur Verfügung, besonders, wenn man nicht zusätzlich in Bildung und Integration investiert.

KI als persönliche Assistenz ist ein
wertvoller Einstieg zum Lernen und hilft bei Effizienz
– ist aber kein profitables Geschäftsmodell.

Level 2: KI in Prozessen

Der nächste logische Schritt

Jede Organisation basiert auf der Abarbeitung von Prozessen – Abläufe im Kleinen wie eMail-Abstimmung untereinander bis hin zum „Produktentstehungsprozess“, in dem die gesamte Wertschöpfung enthalten ist.

Wer traut sich, relevante Prozesse heute an KI zu übergeben? Sicher erst einmal in Teilen – was ähnlich wie beim Versuch, „agile Arbeitsorganisation“ einzuführen, nur bedingt zielführend ist, da auch hier eine „Ende-zu-Ende“-Verantwortung (oder besser möglichst viel Kontext) erst die wirklichen Verbesserungen bringen kann. Soll KI wirklich (pro-aktiv) hilfreich sein, braucht es Zugang zu allen Informationen, Sensoren, Datenbanken bishin zu Echtzeit – wer macht gerade was, wozu.

Es gibt natürlich immer mehr (kleine) Firmen, die Ihre Prozesse komplett an KI übergeben und damit skalierbare Business-Modelle schaffen!

Es klingt verlockend, das KI aus einer eMail erkennt, das ich zu einem Event eingeladen bin, meinen Kalender selbständig prüft, den Termin (wenn frei) einträgt, wenn nicht fragt und umbucht, Vorschläge für ein Geschenk aufgrund der bisherigen Geschenke und Beziehung macht, ggf. ein Fahrzeug oder Hotel bucht und … Um das sinnvoll tun zu können muss ich eMail, Kalender, Internet, Kontakte, Kreditkartendaten und „Administrator-Zugang“ für KI freigeben. Wie eine Vorständin vom Messenger Signal kürzlich ergänzte: Da heute KI das nicht alles lokal rechnen kann – müssen all die Daten an einen Server (in USA?) geschickt werden – ein aktuell unkalkulierbares Risiko.

KI im Team? Das eMail-Beispiel: Wenn KI auf KI antwortet

Selbst am kleinen Prozessbeispiel „eMail-Kommunikation“ wird schnell deutlich, wie weit weg wir davon noch sind. Es scheint individuell hilfreich, wenn KI meine eMail beantwortet, Präsentationen erstellt oder meinen Kalender verwaltet – was aber, wenn das die Mehrheit so macht? Kolleg*innen, Lieferant*innen, Behörden, Kund*innen…

Dann antwortet KI auf KI
wo ist dann der Erkenntnisgewinn, der Beziehungsaufbau
zwischen Geschäftspartner*innen?

Geht es uns darum, „eMails“ effizient zu beantworten, oder nicht vielmehr darum, über diese Kommunikation ein einzigartiges Produkt oder einen besonderen Service zu erarbeiten, mit dem man – neben all den anderen, die die gleiche KI nutzen – Kund*Innen gewinnt und profitabel wird?

Die Einheitsbrei-Falle

Nutzen alle die gleichen Quellen und gleichen Werkzeuge auf die gleiche Art und Weise… gibt es kein Alleinstellungsmerkmal, keine Unterschiede mehr… alles nur noch Einheitsbrei. Der dafür hoch effizient.

Die „Antworten“ von KI sind die „Wahrscheinlichsten“ aus den Datenquellen. Wächst die Quelle exponentiell durch KI, werden es immer weniger, immer gleichere Antworten. Gerade sehr gut in Sozialen Netzwerken zu beobachten: AI-Slop (Wikipedia)

Es passiert schon und ist eigentlich nicht abzuwenden:

Amazon hat angekündigt, eine halbe Million Arbeitsplätze in Logistik/Lagern abzubauen – weil inzwischen KI und Roboter wirtschaftlicher und mit geringerem Risiko betreibbar sind.

Profit-Orientiertes Handeln ist immer bestrebt, Geld zu sparen und Risiken zu minimieren. Die Rechnung ist leider sehr einfach: sobald die Kosten pro Jahr pro Arbeiter*in höher sind als der Einsatz von Robotern (vermutlich schon früher) MUSS auf die kurz- und langfristig günstigere Option gewechselt werden.

• Ein Lager-Logistik Roboter kostet heute 20-100k€ (CoBots um 50k€, Leasing ca.70€/Tag, Betriebskosten ca. 5k€/Jahr) Roboter arbeiten im 3-Schichtbetrieb mit minimalsten Fehlzeiten, ohne klassische Risiken
• Lager-Angestellte verdienen 30-40k€/Jahr und bringen Risiken für Organisationen: Streik, Gesundheit, Ärger im Team, Sprachbarriere, Unfälle, Befindlichkeiten, Alter…
• Da Roboter fast „rund um die Uhr“ arbeiten, muss ich die Roboter-Kosten durch 3 teilen (3 Arbeiter*innen = 1 Roboter)

Roboter und KI werden nicht nur Logistik-Lager von Menschen „leeren“ – es bleibt abzuwarten, wie schnell (Roboterpreis und -Qualitätsabhängig) das geht.

Die Chance auf Level 2

Die große Chance für Menschen: Rückbesinnung was humanistisches Dasein in allen Facetten und Notwendigkeiten ausmacht… klingt naiv – hat jedoch enormes Potential für die Menschheit sich weiter zu entwickeln…

Wie im Beispiel oben ist sehr viel Kontext-Wissen notwendig, um tatsächlich ganzheitlich bessere Entscheidungen oder Prozesse zu gestalten. Wer diesen Kontext schafft, wer KI nicht isoliert in Teil-Prozessen einsetzt, sondern Ende-zu-Ende mit Kontext denkt, wer die eigene Einzigartigkeit bewusst in die KI-Nutzung einbringt (nicht als Daten) – der kann hier echte Differenzierung schaffen. Eine gesunde Balance zwischen Risiko und Nutzen gilt es schrittweise zu erlernen.

Fazit Level 2: Das Potential für Profit aber auch menschliche „Befreiung und Entfaltung“ wächst, aber die Gefahr des Einheitsbreis auch. Erfolg braucht ganzheitliches Denken und bewusste Differenzierung.

Gerade jetzt sind
systemische Diskussionen und Ansätze
besonders wertvoll

---

Level 3: KI im Geschäftsmodell-Design

Wenn KI das „Was“ und „Wie“ neu definiert

Während in Level 2 Teilprozesse oder Schritte an KI übertragen wurden und Menschen „versuchen“ diese risikominimiert zu orchestrieren, werden in Level 3 ganze Wertschöpfungsketten designed und umgesetzt. Diese nächste Stufe, in der wir KI immer mehr „anvertrauen“, wird nach den KI-optimierten und KI-betriebenen Prozessen das Re-Design des Geschäftsmodells greifbar:

Womit und wie macht die Organisation
– mit Hilfe von Künstlicher Intelligenz Profit?

Ich vermute, dass ein Mensch – wie in der Rechnung oben – der nur einen Bruchteil der möglichen Tages- und Nachtzeit arbeitet, krank wird, durch Lebensphasen geht, emotionalen Schwankungen unterliegt… kein verlässlicher, planbarer, berechenbarer und effizienter „Partner“ für ein solches Geschäftsmodell ist.

Das gilt nicht nur im Lager – sondern für alle
Manager*in, Führungskraft oder Mitarbeitende.

Achtung „Denk-Sprung“!
Erleben können wir solch ein neues Geschäftsmodell-Design bereits bei vielen Großkonzernen. Mit genügend Kontext stellt man fest, dass man mit „Produkten zur Personenbeförderung“ (Automobilbranche) viel weniger Geld verdient, als mit Finanzdienstleistungen. Dass man mit dem „Verleih“ von Hardware (CDs, Videokassetten…) viel weniger verdient als mit Streaming-Abos. Dazu brauchte es noch keine KI. Es ist jedoch zu erwarten, das KI bei ganzheitlicherer Betrachtung (evtl. auch getriggert durch Anforderungen aus Nachhaltigkeit oder Gesetzesveränderungen), genau solche Vorschläge macht, da es „sofort“ mögliche Aufwände, Risiken und Möglichkeiten gegenüberstellen kann.

Vielleicht sorgt auch Ressourcen-Knappheit, Nachhaltigkeit und daraus resultierende Regulierungen dafür, das produzierende Gewerbe ihre Geschäftsmodelle mit KI radikal verändern, weil „Dinge“ kaum CO2 neutral produzierbar sind > auch eine Riesen-Chance für Kreislaufwirtschaft – die deutlich komplexer, dafür „gesünder“ ist.

Eine wichtige Frage: Für wen optimieren wir?

Wie sehen also solche Geschäftsmodelle aus?

• Level 2: Ein traditionelles Maschinenbauunternehmen bietet neben der Maschine auch ein Software-Abo für Monitoring und Wartung.(KI-predictive-Maintenance)
• Level 3: Ein Hersteller von Konsumgütern stellt auf Equipment-as-a-Service um, bei dem Kunden das Produkt mieten und zusätzliche Services buchen. (Produkt zu Service)
• Level 4: Ein KI-Service bietet einen hochintegrierten, Fahrzeugklassen- und Anbieterunabhängigen, autonomen Mobilitätsdienst incl. Abrechnung (All-In-One Mobilitätslösung)

KI optimiert nach den Parametern, die wir bereitstellen. Wenn wir nur kurzfristigen Profit als Messgröße definieren, wird KI genau das maximieren – ohne Rücksicht auf langfristige Folgen, gesellschaftliche Verantwortung oder menschliche Werte.

Hier ist wieder der Punkt,
an dem „menschliches Entscheiden“
aus Teil 2 systemrelevant wird.

Wer definiert die Parameter? Wer stellt sicher, dass nicht nur Effizienz, sondern auch Ethik, Nachhaltigkeit und Gemeinwohl in die Optimierung einfließen?

Fazit Level 3: Ab hier kann mit KI tatsächlich direkter Profit erwirtschaftet werden. Die Verantwortung für das „Wie“ und „Wozu“ liegt bei uns Menschen. Diese Verantwortung können und dürfen wir nicht delegieren.

---

Level 4: KI Business Service

Die post-humane Organisation?

Ab der Geschäftsmodell-KI scheint KI tatsächlich Profit zu machen – wie sieht eine Organisation aus, die von KI zur Profit-Erzeugung geschaffen wurde?

• Leere „dunkle“ Produktionshallen? (Siehe China)
• eine Organisation ohne physische Präsenz (weil vollständig Digital)?
• ein sich-selbst-reproduzierender Service?
• ein autonomes Produkt, das nur buchbar ist?

Die existenzielle Frage

Die Frage ist, wie viel „Gemeinwohlinteresse“ ist heute schon, neben „Profit“ noch enthalten? Wie viel langfristige Investition in eine bessere Zukunft, vs. „short-term-Profit-Maximierung“?

Wer die Grundsätze des Management „Erfinders“ bei Peter Drucker liest, findet dort auch für hierarchisches Management die dringende Notwendigkeit für Gemeinwohlverantwortung, Soziales Engagement usw. In unserer derzeitigen Turbo-Kapitalismus-Wirtschaft ist davon meist nur noch per gesetzlichem Zwang und „Auflagen“ (Umwelt, Sozial…) etwas übrig.

Wollen wir wirklich die aktuelle Wirtschafts-Haltung‘
durch KI „exponentiell steigern“?

Wollen wir Organisationen, die von KI ausschließlich für maximale Effizienz designt wurden? Und welche Rolle spielen Menschen in solchen Organisationen?

Dies ist keine Science-Fiction. Mit Tang Yu (Teil 2) haben wir bereits einen KI-CEO gesehen. Die Technologie existiert. Die Frage ist nicht „ob“, sondern „wie“ und „wozu“.

Fazit Level 4: Die Grenze des Vorstellbaren – und vielleicht auch des Wünschenswerten sollten wir dringend breit diskutieren. Hier brauchen wir gesellschaftliche Auseinandersetzung, Expert*innen – mit verständlichen Aussagen, ethische Leitplanken und den Mut, auch als Organisation, Land oder Wirtschaftsgemeinschaft „Nein“ zu sagen. Nur muss neben dem „Nein“ unbedingt ein „sondern“ – also eine Alternative entwickelt werden.

Zum Schluss: Teil 4 kommt… bald

Es ist einfach zu umfassend – und gefühlt an vielen Stellen nur „angepiext“ – damit es nicht zu viel wird… kommt in Kürze noch ein Teil 4. Dann geht es mit großer Zukunftslust sehr positiv und konstruktiv/praktisch um Vorschläge und Erfahrungen, wie wir diese Reise mit KI gestalten können – und wohl auch sollten…

• Teil 1 der Serie „KI-ready werden“ – Das Transformations-Paradox:
  Warum wir die Innovation fürchten, die wir brauchen
• Teil 2 der Serie „KI-ready werden“ – Entscheidung vs. Wahl:
  Was (nicht nur) dem Management in der KI-Ära helfen kann
• Teil 3 der Serie „KI-ready werden“ – Vier Reifegrade von KI in Unternehmen
• Teil 4 der Serie „KI-ready werden“ – Konkrete Handlungsoptionen (demnächst)