KI-Werkzeugkompass und Adoption-Rahmen

In den meisten Mittelstandsunternehmen entstehen KI-Werkzeuge heute nebeneinander: eine Fachabteilung testet ein Sprachmodell, eine andere ein Automatisierungswerkzeug, eine dritte gar nichts – mangels Orientierung. Das Ergebnis ist selten Stillstand, sondern Wildwuchs: Schatten-IT, uneinheitliche Datenklassifizierung, Empfehlungen ohne nachvollziehbare Begründung. Dieses Rahmenwerk löst genau dieses Problem – mit einem fünfstufigen, wiederholbaren Auswahlprozess statt Einzelfallentscheidungen nach Bauchgefühl.

Der Rahmen in Kürze

Jeder Anwendungsfall durchläuft denselben Ablauf: Aufnahme der Pflichtangaben, Bewertung von Wirkung und Aufwand, Werkzeugzuordnung, Wahl der Modellklasse und am Ende eine klassifizierte Empfehlung mit Begründung. Eine Instanz – die Datenklasse der beteiligten Daten – steht quer zu allen fünf Schritten und kann jede andere Überlegung überstimmen.

Schritt 1 – Aufnahme

Ohne sechs Pflichtangaben gibt es keine Empfehlung: Auslöser des Falls, Häufigkeit pro Monat, Eingangsmaterial samt Speicherort, gewünschtes Ergebnis samt Zielumgebung, Datenklasse und Nutzerkreis. Fehlt eine Angabe, wird gezielt nachgefragt – geraten wird nicht. Diese Disziplin an der ersten Stelle des Prozesses verhindert die häufigste Fehlerquelle überhaupt: eine Empfehlung auf unvollständiger Grundlage.

Schritt 2 – Wirkung und Aufwand bewerten

Eine Impact-Effort-Matrix ordnet jeden Fall einem von vier Quadranten zu. Impact ergibt sich aus Zeitgewinn, Reichweite, Qualitäts- und Risikobeitrag sowie Strategiebezug; Effort aus Bauaufwand, Datenanbindung, laufendem Betrieb und Freigabeaufwand. Jedes Kriterium wird einzeln bewertet, nicht pauschal geschätzt – und ein hoher Risikowert oder Freigabeaufwand kann die jeweilige Achse allein in den kritischen Bereich heben, unabhängig vom Mittelwert der übrigen Kriterien.

Schritt 3 – Werkzeug zuordnen, aber zuerst die Nullfrage stellen

Bevor überhaupt über ein KI-Werkzeug nachgedacht wird, steht eine einfache Frage: Ist der Eingang strukturiert, die Regel vollständig beschreibbar und das Ergebnis stets identisch? Dann gehört der Fall in klassische Automatisierung (etwa Power Automate oder Make), nicht in ein Sprachmodell. Diese Nullfrage ist der wichtigste einzelne Schritt im gesamten Rahmenwerk – sie verhindert den naheliegendsten Fehler bei der KI-Einführung: ein Sprachmodell für eine Aufgabe einzusetzen, die eine feste Regel bereits löst.

Schritt 4 – Modellklasse wählen

Modellklassen werden nach Aufgabenkomplexität abgestuft, von der schnellen Standardklasse für alltägliche, sprachliche Aufgaben bis zu einer Klasse für mehrschrittiges, belegpflichtiges Schließen. Zwei Grundsätze gelten unabhängig vom Einzelfall: nie ein Vorschau- oder experimentelles Modell im Produktivbetrieb, und nie die leistungsfähigste Klasse für die beiden sensibelsten Datenklassen – dort entscheidet ohnehin zuerst die Freigabe, nicht die Modellwahl.

Schritt 5 – Die klassifizierte Empfehlung

Der Quadrant aus Schritt 2 bestimmt eine von vier Empfehlungsklassen:

• Klasse A – sofort umsetzen. Hohe Wirkung, geringer Aufwand. Der Fachbereich setzt selbst um, ohne Projektfreigabe.
• Klasse B – als Projekt aufsetzen. Hohe Wirkung, hoher Aufwand. Verantwortliche Person, Aufwandsschätzung und ein vorab festgelegter, messbarer Entscheidungspunkt nach einer Pilotphase sind Pflicht – ohne dieses Kriterium wird nicht gestartet.
• Klasse C – Selbstbedienung ohne Support. Geringe Wirkung, geringer Aufwand. Nutzung mit Bordmitteln erlaubt, aber ohne eigenen Support. Häuft sich derselbe Fall über mehrere Teams, wird neu bewertet – aus einem C-Fall kann so ein A- oder B-Fall werden.
• Klasse D – nicht umsetzen. Jede Ablehnung braucht eine ausdrückliche Begründung und, wo möglich, eine Alternative. Diese Begründungspflicht ist bewusst eingebaut: Eine unbegründete Absage ist der häufigste Auslöser für Schatten-IT, weil Fachbereiche sich dann selbst behelfen.

Das Datenklassenmodell – die Instanz, die alles andere übersteuert

Vier Datenklassen, von öffentlich bis personenbezogen, laufen quer zu den fünf Schritten. Eine Empfehlung, die der Datenklasse widerspricht, richtet mehr Schaden an als zehn begründete Absagen – deshalb überstimmt die Datenklasse in diesem Rahmenwerk ausdrücklich jede andere, auch die bequemste, Überlegung. Bei den beiden sensibelsten Klassen ist weder die schnellste Umsetzung noch die reine Selbstbedienung zulässig, unabhängig davon, wie günstig Wirkung und Aufwand sonst ausfallen.

Erfolg messen, ohne zu übersteuern

Ein Kennzahlensystem begleitet die Einführung, gebaut nach vier Grundsätzen: Herkunft vor Höhe – jede Kennzahl trägt sichtbar, ob sie systemseitig gemessen, per Selbstauskunft gemeldet oder per Befragung erhoben wurde, weil eine gemessene niedrigere Zahl verlässlicher ist als eine gemeldete hohe. Jede Wirkungskennzahl hat eine Gegenprobe, damit eine Zahl, die nur nach oben zeigen kann, nicht unwidersprochen bleibt. Wo eine Annahme nötig ist, wird konservativ gerechnet. Und bewusst gibt es keinen zusammengesetzten Gesamtindex – ein einzelner Reifegrad-Wert würde genau die Information verdecken, die zum Handeln nötig ist.

Die ersten drei Monate nach Einführung laufen als Baseline-Phase: Alle Kennzahlen werden erhoben und dargestellt, aber ohne Zielabgleich – Zielwerte ohne Ausgangsmessung sind geraten. Erst danach greifen feste Zielwerte, mit einer einmaligen Anpassung, falls die tatsächliche Ausgangslage deutlich abweicht. Gemessen wird ausschließlich auf Ebene von Anwendungsfällen, Bereichen und Werkzeugen – nie auf Ebene identifizierbarer Mitarbeitender.

Warum das mehr ist als eine Checkliste

Der Teil, an dem KI-Einführungen in der Praxis am häufigsten scheitern, ist nicht die Technikauswahl, sondern die Akzeptanz im Team und die Nachvollziehbarkeit der Entscheidung. Ein Rahmenwerk, das jede Empfehlung mit Begründung, Datenklasse und nächstem Schritt versieht und Ablehnungen genauso ernst nimmt wie Zusagen, schafft genau die Nachvollziehbarkeit, die eine Einführung braucht, um von der Belegschaft mitgetragen zu werden statt umgangen zu werden.