Strategiepapier on KI-Strategiepapier

A1. Warum eine KI-Strategie

Mon, 01 Jan 0001 00:00:00 +0000

Was dieses Kapitel liefert: die Begründung, warum ein Unternehmen eine KI-Strategie braucht, in drei Schritten: warum das Thema jetzt Dringlichkeit hat, welche Kosten anfallen, wenn keine Strategie existiert, und welche Aufgabe dieses Werk dabei übernimmt.

Warum KI jetzt relevant ist

Künstliche Intelligenz ist in der Breite der Arbeitswelt angekommen: Ein erheblicher Teil der Wissensarbeitenden nutzt generative Werkzeuge bereits im Arbeitsalltag, oft schneller, als Unternehmen sie offiziell einführen. Der Produktivitätseffekt ist in der Praxis spürbar, besonders bei Routineaufgaben und bei weniger erfahrenen Beschäftigten. Für Unternehmen ist die Einführung von KI damit keine optionale Entscheidung mehr, sondern eine wirtschaftliche Notwendigkeit. Wer den Einsatz nicht steuert, überlässt ihn dem Zufall, während Wettbewerber Effizienz und neue Wertschöpfung erschließen.

B1. Vision und strategische Einbettung

Mon, 01 Jan 0001 00:00:00 +0000

Die Einführung von KI ist kein isoliertes IT-Projekt, sondern eine strategische Entscheidung der Geschäftsführung. Vision und Mission geben den Rahmen: KI unterstützt bestehende Ziele wie Kundenzentrierung, operative Exzellenz oder nachhaltige Wertschöpfung. Entscheidend ist, früh festzulegen, wo KI unmittelbar beiträgt und wo bewusst nicht investiert wird, um Ressourcen zu fokussieren.

Was dieses Kapitel liefert: sechs Festlegungen, die die Geschäftsführung trifft, bevor die operative Arbeit beginnt. Entschieden wird hier, umgesetzt in den Kapiteln der rechten Tabellenspalte. Jede Entscheidung wird am Kapitelende im Festlegungsdokument festgehalten. Ohne diese Vorgaben wird die operative Arbeit an der Unternehmensstrategie vorbei geplant.

C1. Vorgehensmodell

Mon, 01 Jan 0001 00:00:00 +0000

Die Einführung von KI ist kein einmaliges Projekt, sondern ein langfristiger Transformationsprozess.

Was dieses Kapitel liefert: das durchgängige Vorgehensmodell in fünf Phasen (Assess, Strategize, Pilot, Scale, Operate) mit klaren Entscheidungspunkten zwischen den Phasen, je Phase mit Aktivitäten, Ergebnissen, Beteiligten und dem häufigsten Fehler. Es beantwortet, wie vorgegangen wird; die konkrete, priorisierte Umsetzungsplanung folgt in Kapitel C2, der kritische Übergang in den Regelbetrieb in Kapitel C3.

Die fünf Phasen im Überblick

Jede Phase hat ein klares Ziel und definierte Aktivitäten. Die Phasen bauen aufeinander auf und werden über die Entscheidungspunkte im nächsten Abschnitt verbunden. Verschiedene Geschäftsbereiche können sich gleichzeitig in unterschiedlichen Phasen befinden.

D1. Metriken und Evaluierung

Mon, 01 Jan 0001 00:00:00 +0000

KI ist nur erfolgreich, wenn ihre Wirkung messbar ist. Ohne nachvollziehbare Kennzahlen bleibt unklar, ob Lösungen ihre Ziele erreichen, Risiken entstehen oder Investitionen gerechtfertigt sind.

Was dieses Kapitel liefert: das vollständige Kennzahlensystem für alle Ebenen, von der technischen Leistung bis zum Geschäftsbeitrag: vier Metrik-Kategorien, spezifische Kennzahlen für generative KI und Agenten, Schwellenwerte und Evaluierungsmethoden. Ausgangspunkt sind die strategischen Kennzahlen, die die Geschäftsführung in Kapitel B1 festgelegt hat.

Vier Metrik-Kategorien im Überblick

KI-Wirkung lässt sich nicht mit einer einzigen Kennzahl erfassen. Die Metriken ordnen sich in vier Kategorien, jede mit eigener Leitfrage und eigenem Adressaten:

E1. Vorlagen und Checklisten

Mon, 01 Jan 0001 00:00:00 +0000

Was dieses Kapitel liefert: alle Methoden, Vorlagen und Checklisten des Werks an einer Stelle, als Einstieg für die praktische Arbeit, dazu eine empfohlene Reihenfolge für ein neues Vorhaben. Die beiden Listen werden bei jedem Build automatisch aus den Kapiteln erzeugt und verlinken direkt auf die jeweilige Vorlage. Neue Vorlagen erscheinen hier ohne manuelle Pflege.

Vorlagen (zum Ausfüllen)

Self-Assessment-Scorecard · A3. Reifegradanalyse
Fokusfelder · B1. Vision und strategische Einbettung
Festlegungsdokument · B1. Vision und strategische Einbettung
Anwendungsfall-Steckbrief (Use-Case Canvas) · B2. Anwendungsfälle identifizieren und priorisieren
Bewertungs-Scorecard · B2. Anwendungsfälle identifizieren und priorisieren
Priorisierungsmatrix (Wert × Machbarkeit) · B2. Anwendungsfälle identifizieren und priorisieren
Business Case (Kurzform) · B2. Anwendungsfälle identifizieren und priorisieren
Entscheidungskriterien-Matrix · B3. Build, Buy oder Partner
Anbietervergleich · B3. Build, Buy oder Partner
Datenquellen-Inventar · B4. Datenstrategie
Architektur-Bestandsaufnahme · B5. Zielbild-Architektur
Architektur-Entscheidungs-Checkliste · B5. Zielbild-Architektur
RACI je Anwendungsfall · B7. Rollen und Verantwortlichkeiten
Rollensteckbrief · B7. Rollen und Verantwortlichkeiten
Sicherheits-Checkliste je Anwendungsfall · B9. Sicherheit für KI
Fairness-Bewertung je Anwendungsfall · B10. Ethik und Responsible AI
Stakeholder-Landkarte · B11. Change Management und Befähigung
Kommunikationsplan · B11. Change Management und Befähigung
Kompetenz-Matrix · B11. Change Management und Befähigung
Go/No-Go-Checkliste · C3. Vom Piloten zur Produktion
Metrik-Katalog mit Beispiel-Schwellenwerten · D1. Metriken und Evaluierung
Kostenmodell je Anwendungsfall · D2. Kosten und FinOps
Unit-Economics-Worksheet · D2. Kosten und FinOps
Risiko-Register · D3. Risikomanagement
Risikoappetit und Freigabestufen · D3. Risikomanagement
Vorstandsbericht (Kurzform) · D4. Reporting und Stakeholder-Kommunikation

Checklisten

belastbare Reifegradanalyse · A3. Reifegradanalyse
strategische Einbettung · B1. Vision und strategische Einbettung
Ist der Anwendungsfall startklar? · B2. Anwendungsfälle identifizieren und priorisieren
Build-Buy-Partner-Entscheidung startklar · B3. Build, Buy oder Partner
belastbare Datenstrategie · B4. Datenstrategie
Zielbild-Architektur steht · B5. Zielbild-Architektur
tragfähiges Betriebsmodell · B6. Betriebsmodell und Organisation
praktische Einführung · B7. Rollen und Verantwortlichkeiten
Pflichten für Hochrisiko-Systeme · B8. Regulatorik und Compliance
operative Compliance (unternehmensweit) · B8. Regulatorik und Compliance
Ethik und Responsible AI · B10. Ethik und Responsible AI
Change Management und Befähigung · B11. Change Management und Befähigung
Vorgehensmodell verankert · C1. Vorgehensmodell
Roadmap startklar · C2. Roadmap und Einführung
Vom Piloten zur Produktion · C3. Vom Piloten zur Produktion
Metriken und Evaluierung je Anwendungsfall · D1. Metriken und Evaluierung
FinOps-Reife · D2. Kosten und FinOps
Risikomanagement vor dem Start · D3. Risikomanagement
Reporting und Stakeholder-Kommunikation · D4. Reporting und Stakeholder-Kommunikation

Weitere Werkzeuge in den Kapiteln

Diese Werkzeuge sind Teil größerer Kapitelabschnitte und deshalb hier kuratiert gelistet:

A2. Grundlagen und Begriffe

Mon, 01 Jan 0001 00:00:00 +0000

Wer Architektur, Betrieb, Kosten oder Regulatorik diskutiert, braucht klare Begriffe, sonst reden Fachbereich, IT und Vorstand aneinander vorbei.

Was dieses Kapitel liefert: die gemeinsame Sprache für alles, was folgt. Die ersten Abschnitte ordnen die wichtigsten Konzepte ein, das abschließende Glossar definiert die im gesamten Werk verwendeten Begriffe. Das Kapitel ist bewusst als Nachschlageteil angelegt.

KI, maschinelles Lernen, Deep Learning, generative KI

Diese vier Begriffe werden im Alltag oft synonym verwendet, beschreiben aber ineinander geschachtelte Konzepte:

B2. Anwendungsfälle identifizieren und priorisieren

Mon, 01 Jan 0001 00:00:00 +0000

Ob ein KI-Programm Wert schafft, entscheidet sich weniger an der Technik als an der Auswahl: Es werden Anwendungsfälle gestartet, die technisch beeindrucken, aber wenig Wert schaffen, oder es fehlt eine nachvollziehbare Reihenfolge.

Was dieses Kapitel liefert: eine durchgängige Methode von der Ideenfindung über die Bewertung und Priorisierung bis zum Business Case, samt Vorlagen zum direkten Einsatz. Den Suchraum grenzen die Fokusfelder aus Kapitel B1 ein: Gesucht und bewertet wird vor allem dort, wo die Geschäftsführung investieren will. Die Ergebnisse fließen in das Portfolio Board (siehe Kapitel B7) und in die Roadmap (Kapitel C2).

C2. Roadmap und Einführung

Mon, 01 Jan 0001 00:00:00 +0000

Kapitel C1 legt fest, welche Phasen mit welchen Gates durchlaufen werden.

Was dieses Kapitel liefert: die Übersetzung in eine konkrete, priorisierte Umsetzungsplanung mit Meilensteinen: welcher Anwendungsfall wann startet, in welcher Reihenfolge, mit welchem Ressourceneinsatz und welche Befähigungsarbeit parallel laufen muss. Das Kapitel beschreibt, wie die Roadmap konstruiert, kommuniziert und lebendig gehalten wird.

Woher die Roadmap ihre Vorgaben bekommt

Die Roadmap erfindet kein neues Ziel, sie plant die Umsetzung eines bereits beschlossenen. Vier Vorgaben müssen feststehen, bevor die erste Welle geplant wird; jede wurde in einem eigenen Kapitel erarbeitet. Wer hier eine Lücke findet, schließt sie zuerst: Eine Roadmap auf ungeklärten Vorgaben ist auf Sand gebaut.

D2. Kosten und FinOps für KI

Mon, 01 Jan 0001 00:00:00 +0000

KI verursacht Kosten an vielen Stellen zugleich, von der Datenaufbereitung über Training und Betrieb bis zum Personal. Die Besonderheit gegenüber klassischer Software ist die Inferenz, der produktive Modellbetrieb: Jede einzelne Anfrage kostet Rechenleistung, die laufenden Kosten wachsen deshalb mit der Nutzung. Ein FinOps-Ansatz überträgt erprobte Prinzipien des Cloud-Kostenmanagements auf KI: Ausgaben sichtbar machen, Verantwortung zuordnen, Kosten fortlaufend mit dem Geschäftsnutzen abgleichen.

Was dieses Kapitel liefert: die laufende Kostensteuerung für den Budgetrahmen aus Kapitel B1. Zuerst stellt es die acht Kostenfelder vor, in denen KI-Kosten entstehen. Darauf bauen zwei Vorlagen auf: das Kostenmodell je Anwendungsfall und das Unit-Economics-Worksheet für die Wirtschaftlichkeit pro Anfrage. Danach folgen die Kostenhebel zum Senken der Kosten und die FinOps-Praxis, die die Kosten dauerhaft im Griff behält.

E2. Quellen und Aktualität

Mon, 01 Jan 0001 00:00:00 +0000

Dieses Werk ist als lebendes Nachschlagewerk angelegt (siehe Kapitel A1) und wird bei relevanten Entwicklungen aktualisiert.

Was dieses Kapitel liefert: die Stand-Vermerk-Konvention, die zentralen Quellen je Themenbereich und den Umgang mit Änderungen.

Stand-Vermerk-Konvention

Kapitel mit hoher Änderungsgeschwindigkeit, insbesondere Regulatorik, tragen einen eigenen Stand-Vermerk direkt am Kapitelanfang, mit Datum und den zugrunde liegenden Quellen. Das aktuellste Beispiel steht in Kapitel B8: Stand Juli 2026, unter Berücksichtigung des Digital Omnibus zum EU AI Act (Zustimmung von Parlament und Rat im Juni 2026).

A3. Reifegradanalyse

Mon, 01 Jan 0001 00:00:00 +0000

Bevor ein Unternehmen gezielt in KI investiert, muss es seine eigene KI-Reife kennen. Die Reifegradanalyse liefert dieses Bild: Wie gut ist die Organisation technisch, organisatorisch und kulturell auf KI vorbereitet? Ohne diese Bestandsaufnahme werden Investitionen an der falschen Stelle getätigt, etwa in eine teure Plattform, obwohl das eigentliche Problem fehlende Datenqualität ist.

Was dieses Kapitel liefert: eine Anleitung in fünf Schritten, die nacheinander durchlaufen werden, mit dem jeweils benötigten Input, dem konkreten Vorgehen und dem Ergebnis. Am Ende stehen das eigene Reifeprofil, der begrenzende Engpass und die daraus abgeleiteten Maßnahmen. Im Vorgehensmodell ist diese Analyse die Assess-Phase (siehe Kapitel C1).

B3. Build, Buy oder Partner

Mon, 01 Jan 0001 00:00:00 +0000

Der Bezugsweg eines Anwendungsfalls, also selbst bauen, ein Standardprodukt kaufen oder mit einem Partner umsetzen, entscheidet über Geschwindigkeit, Kosten, Abhängigkeit und Datenhoheit.

Was dieses Kapitel liefert: die Entscheidungskriterien-Matrix für die Wahl des Bezugswegs und den Anbieter-Fragenkatalog mit elf Kategorien für die strukturierte Auswahl. Den Rahmen setzt die Grundsatzentscheidung aus Kapitel B1, ob Kompetenzen intern aufgebaut oder zugekauft werden; hier wird sie je Anwendungsfall konkret. Die Schnellregel aus Kapitel B2 (Differenzierung selbst bauen, Standardfunktion kaufen, Lücken mit Partnern überbrücken) wird dazu zu einer belastbaren Entscheidung ausgebaut.

C3. Vom Piloten zur Produktion

Mon, 01 Jan 0001 00:00:00 +0000

Die meisten KI-Piloten erreichen nie die Produktion. Sie bleiben im Demonstrationsstadium stecken: technisch erfolgreich vorgeführt, aber nie in den Regelbetrieb überführt (das sogenannte Pilot-Fegefeuer).

Was dieses Kapitel liefert: das Vorgehen, einen Piloten von Anfang an auf den Übergang hin zu bauen, die Skalierungskriterien und die Go/No-Go-Checkliste für das Gate Pilot → Scale aus Kapitel C1 sowie die Rollout-Strategien für den Weg in die Fläche.

Den Piloten von Anfang an richtig aufsetzen

Ob ein Pilot die Produktion erreicht, entscheidet sich überwiegend vor seinem Start, mit der Frage, als was er gebaut wird. Zwei Denkweisen stehen sich gegenüber; beide beschreiben denselben Piloten, nur unterschiedlich aufgesetzt:

D3. Risikomanagement

Mon, 01 Jan 0001 00:00:00 +0000

KI bringt Risiken mit, die über Erfolg oder Scheitern entscheiden können. Die Chancenseite wird auf Strategieebene in Kapitel B1 bewertet; hier wird die Risikoseite gesteuert.

Was dieses Kapitel liefert: das Werkzeug, um KI-Risiken zu erfassen, zu bewerten, zu behandeln und zu überwachen. Diese vier Schritte bilden den Kreislauf in der Abbildung, und die vier nummerierten Abschnitte dieses Kapitels sind genau diese Schritte. Kernartefakt ist das Risiko-Register, das jeden einzelnen Risikoeintrag durch alle vier Schritte begleitet.

A4. Lesepfade

Mon, 01 Jan 0001 00:00:00 +0000

Dieses Werk umfasst 24 Kapitel in fünf Teilen. Jedes Kapitel trägt eine eindeutige Kennung (A1 bis E2) im Titel und in der Navigation. So ist jederzeit erkennbar, wo man sich im Werk befindet und wie viel noch folgt.

Was dieses Kapitel liefert: die vollständige Kapitelübersicht, empfohlene Lesepfade je Rolle und Einstiege nach Ausgangsfrage.

Kapitelübersicht

Alle 24 Kapitel im Überblick, mit dem Kerninhalt je Kapitel:

Nr.	Kapitel	Kerninhalt
Teil A	Orientierung
A1	Warum eine KI-Strategie	Kosten der Strategielosigkeit, Zielsetzung
A2	Grundlagen und Begriffe	KI, ML, GenAI, Agenten, Glossar
A3	Reifegradanalyse	Reifegradmodell, Anleitung in fünf Schritten
A4	Lesepfade	Diese Übersicht
Teil B	Strategie
B1	Vision und strategische Einbettung	Alignment mit Unternehmensstrategie, langfristige Vision
B2	Anwendungsfälle identifizieren und priorisieren	Canvas, Scorecard, Priorisierungsmatrix, Business Case
B3	Build, Buy oder Partner	Entscheidungsmatrix, Anbieter-Fragenkatalog
B4	Datenstrategie	Datenqualität, Beschaffung und Kennzeichnung, Wissensbasen, Data Governance
B5	Zielbild-Architektur	Plattform, MLOps/LLMOps, Agenten-Schicht
B6	Betriebsmodell und Organisation	KI-Kompetenzzentrum, zentral vs. dezentral
B7	Rollen und Verantwortlichkeiten	RACI, Rollenprofile, Entscheidungsrechte
B8	Regulatorik und Compliance	EU AI Act, DSGVO, BaFin/VAIT/MaGo/DORA
B9	Sicherheit für KI	Bedrohungen, Prompt Injection, Kontrollen
B10	Ethik und Responsible AI	Fairness, Transparenz, menschliche Aufsicht
B11	Change Management und Befähigung	Sponsorschaft, Akzeptanz, Befähigung, Verstetigung
Teil C	Vorgehen
C1	Vorgehensmodell	Phasen Assess bis Operate mit Entscheidungspunkten
C2	Roadmap und Einführung	Umsetzungsplanung, Quick Wins vs. strategische Wetten
C3	Vom Piloten zur Produktion	Skalierungskriterien, Go/No-Go-Checkliste
Teil D	Messung
D1	Metriken und Evaluierung	Business-KPIs, LLM-Evals, Schwellenwerte
D2	Kosten und FinOps	TCO, Token-Kosten, Unit Economics
D3	Risikomanagement	Risiko-Register, Risikoappetit, Frühindikatoren
D4	Reporting und Stakeholder-Kommunikation	Dashboards, Berichtsrhythmen, Vorstandsbericht
Teil E	Werkzeugkasten
E1	Vorlagen und Checklisten	Sammelindex aller Templates
E2	Quellen und Aktualität	Stand-Vermerke, Aktualisierungsrhythmus

Lesepfade nach Rolle

Jedes Kapitel trägt am Anfang Rollen-Hinweise (CEO, CTO, Berater, Experte). Die folgenden Pfade nutzen diese Markierung und beantworten je Rolle: Wo einsteigen, was gründlich lesen, was überfliegen genügt.

B4. Datenstrategie

Mon, 01 Jan 0001 00:00:00 +0000

Jede KI-Strategie ist nur so gut wie die Daten, auf denen sie aufbaut.

Was dieses Kapitel liefert: die strategische Grundlage der Datenarbeit: welche Daten verfügbar sein müssen und woher sie kommen (Datenquellen-Inventar, Beschaffung und Kennzeichnung), wie ihre Qualität gesichert wird (sechs Qualitätsdimensionen), wer über sie entscheidet (Data Governance) und was die Wissensbasen generativer Anwendungsfälle zusätzlich brauchen. Die Datenebene der Architektur (siehe Kapitel B5) beschreibt die zugehörigen technischen Bausteine.

Datenqualität

Schlechte Datenqualität ist eine der häufigsten Ursachen gescheiterter KI-Vorhaben und wird erst spät sichtbar. Sechs Dimensionen sind zu bewerten. Zu jeder steht, warum sie für KI relevant ist und was passiert, wenn sie ignoriert wird:

D4. Reporting und Stakeholder-Kommunikation

Mon, 01 Jan 0001 00:00:00 +0000

Metriken und Evaluierung (Kapitel D1) liefern die Rohdaten; Reporting verbindet sie mit strategischer Steuerung und macht sie für unterschiedliche Zielgruppen nutzbar, von der operativen Teamrunde bis zum Aufsichtsgremium. Ohne strukturiertes Reporting bleiben selbst gute Kennzahlen wirkungslos, weil sie niemanden erreichen, der auf ihrer Basis entscheidet.

Was dieses Kapitel liefert: eine Zielgruppen-Übersicht, die jeder Gruppe ihr Berichtsinstrument zuordnet, und danach diese Instrumente selbst: drei Dashboards für die interne Steuerung, feste Berichtsrhythmen, die Vorlage für den Vorstandsbericht und die Transparenznachweise für externe Stakeholder.

B5. Zielbild-Architektur für KI

Mon, 01 Jan 0001 00:00:00 +0000

Ein Zielbild für die KI-Architektur schafft ein gemeinsames Verständnis, wie Daten, Modelle, Plattformen und Prozesse zusammenspielen. Ohne Referenzbild entstehen Insellösungen, Doppelaufwände und Sicherheitslücken. Die Architektur zeigt die nötigen Bausteine, ihre Verbindungen und die geltenden Prinzipien und legt Sicherheits- und Datenschutzleitplanken fest. Sie ist Grundlage für technische Entscheidungen, Budgetverteilung und Priorisierung.

Was dieses Kapitel liefert: die Antwort auf die Frage, welche technischen Bausteine ein Unternehmen braucht, damit KI-Anwendungsfälle nicht als Insellösungen entstehen, und wie diese Bausteine zusammenhängen. Die Leserin oder der Leser (typischerweise CTO oder Architekt) nutzt die Referenzbausteine als Soll-Liste: Für jeden Baustein wird in der Architektur-Bestandsaufnahme geprüft, ob er im eigenen Unternehmen vorhanden, im Aufbau oder bewusst nicht nötig ist. Das Ergebnis ist das eigene Zielbild samt Lückenliste für die Roadmap (Kapitel C2). Je Anwendungsfall konkretisiert die Architektur-Entscheidungs-Checkliste die Wahl. Das Kapitel schreibt bewusst keine Produkte vor: Es beschreibt Bausteine und Prinzipien; die Produkt- und Anbieterauswahl folgt in Kapitel B3.

B6. Betriebsmodell und Organisation

Mon, 01 Jan 0001 00:00:00 +0000

Während die Architektur festlegt, welche technischen Bausteine nötig sind, beantwortet das Betriebsmodell, wer sie entwickelt, betreibt und verantwortet, und ob KI zentral gesteuert oder in die Fachbereiche verteilt wird. Die Vorgabe dafür liefert Kapitel B1: Dort hat die Geschäftsführung die Gesamtverantwortung vergeben, hier wird die Organisation darunter gestaltet. Ohne klares Betriebsmodell drohen unkoordinierte Initiativen, Doppelarbeit und fehlende Skalierbarkeit. Ziel ist ein wiederholbares, skalierbares und sicheres Vorgehen über den gesamten Lebenszyklus, von der Idee bis zur Stilllegung.

B7. Rollen und Verantwortlichkeiten für KI im Unternehmen

Mon, 01 Jan 0001 00:00:00 +0000

KI wirkt nur nachhaltig, wenn klar ist, wer wofür zuständig ist, über den gesamten Lebenszyklus von Strategie und Ideensammlung über Entwicklung und Betrieb bis zu Optimierung und Stilllegung.

Was dieses Kapitel liefert: Rollen, Entscheidungsrechte und die zugehörigen Vorlagen (RACI-Matrix, Rollenprofile) gebündelt an einer Stelle. Kapitel B6 legt die Organisationsform fest; hier werden die Rollen darin konkret.

Grundsätze für die Rollenverteilung

Eine Rolle hat ein klares Ziel, messbare Ergebnisse und definierte Entscheidungen.
Aufgaben sind entlang des Lebenszyklus verteilt: Intake, Entwurf, Entwicklung, Prüfung, Freigabe, Betrieb, Überwachung, Verbesserung, Stilllegung.
Verantwortlichkeiten sind getrennt: Wer entwickelt, prüft nicht sich selbst; wer freigibt, ist unabhängig.
Zentrale Leitplanken, dezentrale Umsetzung: Zentrale Teams sichern Standards und Bausteine, Fachbereiche liefern Produkte und Wirkung.
Jede Rolle hat Vertretung, Übergaben und dokumentierte Arbeitsweise.

Rollen entlang des Lebenszyklus

Die folgende Rollenlandkarte zeigt alle Rollen des Kapitels im Überblick, gruppiert in die vier Abschnitte, die danach im Detail folgen. Wichtig: Die Landkarte beschreibt Funktionen, nicht Stellen; wie Rollen je nach Unternehmensgröße gebündelt werden, steht im Abschnitt Skalierung am Kapitelende.

B8. Regulatorik und Compliance

Mon, 01 Jan 0001 00:00:00 +0000

Regulatorik ist für KI kein Randthema, sondern eine Gestaltungsgröße der Strategie. Der EU AI Act (Verordnung 2024/1689) ist das weltweit erste umfassende KI-Gesetz und gilt mit extraterritorialer Wirkung: Betroffen ist jedes Unternehmen, das KI-Systeme entwickelt, in Verkehr bringt oder einsetzt, sofern Menschen in der EU berührt werden, unabhängig vom Unternehmenssitz.

Was dieses Kapitel liefert: die Einordnung der Pflichten, einen Entscheidungsbaum zur Risikoeinstufung, die Hochrisiko-Pflichten im Detail und die Verzahnung mit DSGVO, Sektoraufsicht und deutschem Arbeitsrecht. Es ersetzt keine Rechtsberatung; verbindliche Bewertungen erfolgen mit Recht und Compliance.

B9. Sicherheit für KI

Mon, 01 Jan 0001 00:00:00 +0000

KI-Systeme erweitern die Angriffsfläche eines Unternehmens um neue, spezifische Bedrohungen, die klassische IT-Sicherheit nicht abdeckt. Wer Modelle und insbesondere Agenten einsetzt, gibt diesen Systemen Zugriff auf Daten und teilweise auf Handlungen; entsprechend braucht es eigene Schutzmaßnahmen.

Was dieses Kapitel liefert: die Bedrohungslandschaft entlang der OWASP Top 10 für LLM-Anwendungen, zugeordnet zu den typischen Anwendungstypen, dazu Schutzarchitektur, Testvorgehen, Incident-Response und eine einsetzbare Sicherheits-Checkliste. Es ergänzt die Sicherheitsebene aus Kapitel B5 und operationalisiert die Cybersicherheitsanforderungen des EU AI Act (siehe Kapitel B8).

B10. Ethik und Responsible AI

Mon, 01 Jan 0001 00:00:00 +0000

Regulatorik legt fest, was rechtlich vorgeschrieben ist (siehe Kapitel B8); Ethik und Responsible AI legen fest, was das Unternehmen zusätzlich für richtig hält, auch dort, wo das Gesetz schweigt.

Was dieses Kapitel liefert: die Leitplanken für Fairness, Transparenz und menschliche Aufsicht, die in anderen Kapiteln bereits als Prinzipien auftauchen, gebündelt und überprüfbar gemacht: mit Metriken, Methoden, einem Review-Prozess und Vorlagen. Als Referenzrahmen dienen die EU-Leitlinien für vertrauenswürdige KI, ISO/IEC 42001 (KI-Managementsystem) und das NIST AI Risk Management Framework; Quellenverweise siehe Kapitel E2.

B11. Change Management und Befähigung

Mon, 01 Jan 0001 00:00:00 +0000

KI-Projekte scheitern selten an der Technik und oft an den Menschen: an fehlender Führung, geringer Akzeptanz, unklarer Kommunikation oder fehlenden Fähigkeiten. Change Management und Befähigung sind deshalb kein Nebenthema, sondern integraler Bestandteil der Strategie, mit eigener Roadmap und messbaren Erfolgen.

Was dieses Kapitel liefert: das konkrete Programm zu Mandat und Budget aus Kapitel B1. Ein Wandel gelingt, wenn sieben Fragen beantwortet sind: wer ihn trägt, wen er betrifft, wie sich die Menschen durch ihn bewegen, wie sie eingebunden bleiben, ob sie mit KI arbeiten können, ob das Ganze wirkt und wie es dauerhaft bleibt. Die Abschnitte folgen dieser Logik:

Datenschutz

Mon, 01 Jan 0001 00:00:00 +0000

1. Verantwortlicher

Verantwortlicher im Sinne der Datenschutz-Grundverordnung (DSGVO):

Aaron Kreis
Parkstr. 30
40477 Düsseldorf
Deutschland

Telefon: +49 179 97 493 22
E-Mail: info@aaron.de

2. Das Wichtigste in Kürze

Diese Website ist ein rein informatives Angebot, umgesetzt als statische Website mit dem Generator Hugo. Das bedeutet konkret:

Es gibt kein Benutzerkonto, keinen Login und keine Registrierung.
Es gibt keine Kommentarfunktion, kein Kontaktformular und keinen Newsletter.
Es werden keine Cookies gesetzt und keine Analyse- oder Tracking-Dienste eingesetzt.
Es findet keine Weitergabe von Besucherdaten an Dritte zu Werbe- oder Analysezwecken statt.

Die einzige Datenverarbeitung beim Besuch dieser Website ist die technisch notwendige Verarbeitung durch den Hosting-Dienstleister (siehe Abschnitt 3).

Impressum

Mon, 01 Jan 0001 00:00:00 +0000

Angaben gemäß § 5 DDG

Aaron Kreis
Parkstr. 30
40477 Düsseldorf
Deutschland

Kontakt

Telefon: +49 179 97 493 22
E-Mail: info@aaron.de

Verantwortlich für den Inhalt

Aaron Kreis, Anschrift wie oben.

Hinweis zum Einsatz von KI

Inhalte dieser Website werden teilweise mit Unterstützung von KI-Werkzeugen erstellt. Alle Inhalte werden vor der Veröffentlichung redaktionell geprüft und verantwortet.

Keine Rechtsberatung

Die Inhalte dieser Website dienen der allgemeinen Information, insbesondere zu Fragen der KI-Strategie, und stellen keine Rechtsberatung dar. Verbindliche Bewertungen erfordern eine Beratung im Einzelfall.

Über mich

Mon, 01 Jan 0001 00:00:00 +0000

Willkommen auf KI-Strategiepapier.de. Mein Name ist Aaron Kreis.

Ich begleite Unternehmen seit vielen Jahren bei Transformationsprojekten, als Projektleiter, Solution Architect oder Anforderungs- und Business-Analyst, je nachdem, was das Vorhaben braucht. Als Informatiker interessiert mich dabei am meisten der Punkt, an dem technische Entscheidungen auf Organisation, Budget und Strategie treffen. Genau an diesem Punkt entscheidet sich auch, ob KI in einem Unternehmen trägt.

In den vergangenen Jahren habe ich in Projekten immer wieder dasselbe Muster gesehen: KI-Initiativen scheitern selten an der Technik. Sie scheitern an fehlender Priorisierung, an unklaren Verantwortlichkeiten, an Daten, die nicht nutzbar sind, oder an Piloten, die nie den Weg in den Regelbetrieb finden. Und sie werfen eine Frage auf, die mich besonders beschäftigt: Wie setzen Unternehmen KI wertschöpfend ein, ohne die Kontrolle über ihre Daten, ihre Architektur und ihre strategische Unabhängigkeit aus der Hand zu geben?