KI im Unternehmen skalieren: vom Pilotprojekt in den Betrieb

KI im Unternehmen zu skalieren heißt, eine Lösung, die im Test funktioniert hat, so in Prozesse, Systeme und Verantwortlichkeiten einzubauen, dass sie jeden Tag verlässlich Nutzen bringt, und dieses Muster dann auf weitere Abläufe zu übertragen. Das ist weniger eine Frage der Technik als eine Frage von Daten, Organisation und Kompetenzen. Für kleine und mittelständische Unternehmen ist das eine gute Nachricht: Sie brauchen keine Konzernplattform, sondern einen klaren Fahrplan, saubere Daten, feste Zuständigkeiten und Mitarbeitende, die die neuen Werkzeuge sicher nutzen. Dieser Leitfaden zeigt Schritt für Schritt, wie Sie das angehen.

Kurz gesagt

• Skalieren heißt Ergebnisse vervielfachen, nicht Tools sammeln. Ein Pilot beweist, dass etwas geht. Skalierung macht daraus einen stabilen Teil des Tagesgeschäfts.
• Die häufigsten Bremsen sind Daten, Kompetenzen und Akzeptanz, nicht fehlende Algorithmen.
• Wählen Sie Anwendungsfälle nach Wert und Machbarkeit aus und starten Sie mit dem Prozess, der beides am besten erfüllt.
• Planen Sie den Betrieb von Anfang an mit: Überwachung, Verantwortliche, Feedbackschleifen und klare Regeln für Datenschutz und Governance.
• Messen Sie Nutzen am Prozess, etwa an Durchlaufzeit, Fehlerquote oder Angebotsgeschwindigkeit, und legen Sie die Ausgangswerte vor dem Start fest.

Inhaltsverzeichnis

• Was KI-Skalierung bedeutet und was sie vom Pilotprojekt unterscheidet
• Warum viele KI-Piloten stecken bleiben
• Die vier Voraussetzungen: Daten, Technik, Organisation, Kompetenzen
• Den richtigen Anwendungsfall auswählen
• In sechs Schritten vom Pilot in den Betrieb
• Nutzen messen: Kennzahlen für Planung, Marketing, Technik und Handwerk
• Der laufende KI-Betrieb: überwachen, warten, aktualisieren
• Datenschutz, Sicherheit und Governance
• Unsere Sicht: Skalierung beginnt im Kopf, nicht im Rechenzentrum
• So begleiten wir Ihre KI-Skalierung
• Häufige Fragen
• Quellen

Was KI-Skalierung bedeutet und was sie vom Pilotprojekt unterscheidet

Ein Pilotprojekt beantwortet eine Frage: Funktioniert dieser Ansatz mit unseren Daten und in unserem Umfeld? Es läuft meist mit wenigen Nutzern, viel Handarbeit im Hintergrund und einem engagierten Projektteam, das Fehler auffängt. Skalierung beantwortet eine andere Frage: Kann sich das Unternehmen jeden Tag darauf verlassen?

Der Unterschied ist größer, als er klingt. Ein Werkzeug, das im Test mit 200 Datensätzen gute Ergebnisse liefert, muss im Betrieb mit allen Datensätzen, allen Sonderfällen und allen Kolleginnen und Kollegen zurechtkommen. Es braucht Schnittstellen zu ERP, CRM oder Warenwirtschaft, eine Person, die dafür verantwortlich ist, und eine Antwort auf die Frage, was passiert, wenn die KI danebenliegt.

Die Forschung beschreibt genau diesen Übergang als Engpass. Ein Beitrag in der Zeitschrift für wirtschaftlichen Fabrikbetrieb zum KI-Lebenszyklus zeigt, dass viele Unternehmen von der Experimentierphase nie in den Betrieb als letzte Phase gelangen. Und ein Fraunhofer-Leitfaden aus dem Projekt KI-ULTRA setzt bewusst dort an, wo es darum geht, günstige Rahmenbedingungen über das einzelne Pilotprojekt hinaus zu schaffen.

Skalierung hat dabei zwei Richtungen:

• In die Tiefe: Ein Anwendungsfall wird vom Test zum Standard, etwa die KI-gestützte Angebotserstellung, die nicht mehr nur ein Vertriebler nutzt, sondern das ganze Team.
• In die Breite: Was bei einem Prozess funktioniert hat, wird mit derselben Methode auf weitere Abläufe übertragen, etwa von der Angebotserstellung auf die Auftragsplanung und die Rechnungsprüfung.

Beides gelingt nur, wenn das Fundament stimmt.

Warum viele KI-Piloten stecken bleiben

Wer verstehen will, wie Skalierung gelingt, sollte wissen, woran sie scheitert. Eine Interviewstudie mit 34 CIOs und IT-Entscheidern deutscher Großunternehmen berichtet von Hürden bei Daten, Kompetenzen und Akzeptanz. Diese drei Bereiche tauchen in Gesprächen mit Mittelständlern ebenso auf, nur mit kleineren Teams und knapperen Budgets.

Typische Muster, die wir in der Praxis sehen:

1. Der Pilot hängt an einer Person. Wenn die engagierte Kollegin in Urlaub geht, steht das Werkzeug still.
2. Die Daten waren für den Test aufbereitet, im Alltag aber nicht. Im Pilot wurde eine saubere Excel-Liste verwendet, im Betrieb kommen die Daten aus drei Systemen mit unterschiedlichen Schreibweisen.
3. IT und Fachbereich arbeiten nacheinander statt miteinander. Der Fachbereich testet ein Tool, die IT erfährt davon erst, wenn es um Schnittstellen und Datenschutz geht.
4. Niemand ist für den Betrieb zuständig. Das Projekt endet, die Lösung läuft weiter, aber keiner überwacht sie.
5. Der Nutzen wurde nie gemessen. Ohne Ausgangswerte lässt sich die Geschäftsführung schwer überzeugen, weiteres Budget freizugeben.

Der Lünendonk-Report „AI Transformation“, für den 150 IT- und Business-Verantwortliche im deutschsprachigen Raum befragt wurden, nennt als Gegenmittel die frühe Zusammenarbeit von IT und Fachbereichen: 69 Prozent der Befragten stimmen dieser Maßnahme zu. Ebenso wichtig sind laut Report klare Verantwortlichkeiten für Weiterentwicklung und Betrieb, sobald eine Lösung produktiv läuft.

Die vier Voraussetzungen: Daten, Technik, Organisation, Kompetenzen

Der KI-Readiness-Check des Digitalzentrums Kaiserslautern fasst die Grundbedingungen für Veränderung knapp zusammen: Die Infrastruktur muss vorhanden sein oder geschaffen werden, die Organisationsstruktur muss einen Rahmen bieten und die Mitarbeitenden müssen der Veränderung positiv gegenüberstehen. Er empfiehlt, vor der Suche nach konkreten KI-Angeboten den Ist-Zustand von Soft- und Hardware, Daten und Informationen zu analysieren. Die Springer-Studie ergänzt als Erfolgsfaktoren hohe Datenqualität und Datenzugänglichkeit, organisatorische KI-Kompetenzen und die Unterstützung durch das Topmanagement.

Die Daten sind fast immer der Punkt mit dem größten Hebel. Wie Sie dabei vorgehen, beschreiben wir ausführlich in unseren Beiträgen zur Datenaufbereitung für KI und zum Thema Datenqualität verbessern. Für die menschliche Seite lohnt ein Blick auf strukturiertes Change Management bei KI: Akzeptanz entsteht, wenn Mitarbeitende früh beteiligt werden und erleben, dass die KI ihnen lästige Arbeit abnimmt.

Den richtigen Anwendungsfall auswählen

Nicht jeder erfolgreiche Pilot ist der richtige Kandidat für die Skalierung. Der KI-Schnellstart von Fraunhofer IAIS und KI.NRW empfiehlt, Potenziale systematisch zu prüfen, und zwar entlang von zwei Achsen: Wert, etwa Nutzen für Kundinnen und Kunden sowie wirtschaftliche und strategische Relevanz, und Machbarkeit, etwa Datenverfügbarkeit und rechtliche Nutzbarkeit der Daten.

In der Praxis hilft eine einfache Bewertung von 1 bis 5 je Kriterium:

Das letzte Kriterium ist für die Skalierung entscheidend. Ein Anwendungsfall, der nur in einer Nische funktioniert, bringt einmal Nutzen. Ein Muster, das sich übertragen lässt, etwa die Auswertung von Dokumenten, bringt ihn in vielen Abläufen.

In sechs Schritten vom Pilot in den Betrieb

Der De-Gruyter-Beitrag beschreibt erfolgreiche KI-Programme als Zusammenspiel von fünf Bausteinen: KI-Roadmap, technische Befähigung einschließlich Cybersecurity, Entwicklung der Anwendungsfälle, Change-Management und technische Adoption sowie Governance, Compliance und Ethik als übergreifende Steuerung. Für KMU übersetzen wir das in sechs Schritte:

1. Ausgangslage klären. Prozesse, Systeme, Daten und Kompetenzen aufnehmen. Wo kostet es heute Zeit, wo entstehen Fehler?
2. KI-Fahrplan festlegen. Anwendungsfälle bewerten, Reihenfolge bestimmen, Budget und Verantwortliche benennen. Ein Fahrplan für zwölf bis achtzehn Monate reicht für den Anfang.
3. Pilot mit Betriebsblick aufsetzen. Schon im Test mit echten Daten, echten Nutzern und den Systemen arbeiten, die später angebunden werden. Ausgangswerte für die Kennzahlen erfassen.
4. In den Standardprozess einbetten. Die Lösung wird Teil des Ablaufs, nicht ein zusätzliches Fenster am Bildschirm. Laut Lünendonk betten 54 Prozent der befragten Unternehmen KI-Lösungen in Standardprozesse und Systemlandschaften ein.
5. Mitarbeitende schulen und begleiten. Erst Grundlagen für alle, dann vertiefte Trainings für die Nutzergruppen des jeweiligen Anwendungsfalls.
6. Betrieb verankern und übertragen. Überwachung, Zuständigkeiten und Regeln festschreiben, Ergebnisse auswerten, dann das Muster auf den nächsten Prozess anwenden.

Wie Sie Rollen, Entscheidungswege und Standards dafür ordnen, zeigt unser Beitrag zum AI Operating Model. Für typische Abläufe in der Verwaltung finden Sie Beispiele unter KI-Prozessautomatisierung.

Nutzen messen: Kennzahlen für Planung, Marketing, Technik und Handwerk

Skalierung braucht Belege. Die Grundregel lautet: Messen Sie am Prozess, nicht am Werkzeug. Wie oft ein Tool geöffnet wird, sagt wenig. Wie viel schneller ein Angebot beim Kunden ist, sagt viel. Legen Sie vor dem Pilot zwei oder drei Kennzahlen fest, erfassen Sie den Ausgangswert und vergleichen Sie nach einigen Wochen Betrieb.

Wichtig ist, Zeitgewinne ehrlich in Wert zu übersetzen: Wird die gewonnene Zeit für mehr Aufträge, bessere Beratung oder weniger Überstunden genutzt? Erst dann wird aus einer Kennzahl ein Argument für den nächsten Schritt. Beispiele aus der Fertigung finden Sie in unserem Beitrag zu KI in der Produktion.

Der laufende KI-Betrieb: überwachen, warten, aktualisieren

Mit dem Go-live beginnt die eigentliche Arbeit. Das Methodikpapier des europäischen Forschungsprojekts ELFMo versteht den Betrieb als iterativen Lernprozess mit kontinuierlichem Monitoring auf drei Ebenen:

• Modellebene: Sind die Antworten relevant? Wie oft erfindet das System Inhalte? Gibt es Anzeichen für Verzerrungen?
• Systemebene: Wie schnell und verfügbar ist die Lösung, wie hoch ist die Fehlerquote, stimmen die Kosten?
• Geschäftsebene: Wird der erwartete Wert erreicht, etwa mehr Produktivität, mehr Umsatz oder weniger Risiko?

Die Ergebnisse fließen über Feedbackschleifen in Entscheidungen zurück: Modell nachtrainieren, Konfiguration anpassen oder eine Änderung vorübergehend zurücknehmen. Außerdem sieht das Papier vor, dass Menschen an definierten Stellen eingebunden bleiben, mit festgelegten Auslösern für die Eskalation.

Für ein KMU heißt das ganz praktisch: Jede produktive KI-Lösung hat eine verantwortliche Person, einen festen Termin zur Prüfung der Kennzahlen, etwa monatlich, und eine klare Regel, wann ein Mensch die Entscheidung übernimmt. Dazu gehört auch, dass Nutzerinnen und Nutzer Fehler einfach melden können. Wer diese drei Dinge festlegt, betreibt KI nicht nebenbei, sondern kontrolliert.

Datenschutz, Sicherheit und Governance

Mit jeder weiteren Abteilung, die KI nutzt, wächst auch die Menge an Daten, die durch die Systeme läuft. Deshalb gehört die Frage nach dem sicheren Betriebsweg an den Anfang der Skalierung, nicht ans Ende.

Ein Fraunhofer-Expertenkreis beschreibt unter dem Titel „Schnell pilotieren, sicher skalieren“ zwei Wege: lokale KI-Lösungen, die Daten, Modelleinstellungen und Betriebsparameter im Unternehmen halten und so Compliance-Lücken verringern, und als Ausbaustufe eine gekapselte Cloud mit einem sogenannten AI Gateway, das Governance, Protokollierung und Schutzmechanismen bündelt, ohne die Datensouveränität unnötig aufzugeben. Welcher Weg passt, hängt von der Sensibilität Ihrer Daten, Ihrer IT-Ausstattung und den Anwendungsfällen ab.

Daneben brauchen Sie einen Rahmen aus Regeln:

• Nutzungsrichtlinie: Welche Tools sind freigegeben, welche Daten dürfen hinein, welche nicht?
• Datenschutz nach DSGVO: Rechtsgrundlage, Auftragsverarbeitung und Information der Betroffenen klären, bei personenbezogenen Daten gemeinsam mit Ihrem Datenschutzbeauftragten.
• EU AI Act: Den Einsatz jeder Lösung einordnen und die nötige KI-Kompetenz der Mitarbeitenden sicherstellen. Was Art. 4 dazu verlangt, erklären wir im Beitrag zur KI-Schulung für Mitarbeiter.
• Nachvollziehbarkeit: Entscheidungen der KI müssen sich erklären lassen, besonders gegenüber Kunden. Mehr dazu unter erklärbare KI für KMU.

Wie Sie Pflichten, Rollen und Umsetzung zusammenführen, beschreibt unser Leitfaden zur KI-Governance. Bei Fragen zu Hochrisiko-Einstufungen oder heiklen personenbezogenen Daten ziehen Sie eine Fachanwältin oder einen Fachanwalt für IT-Recht hinzu.

Unsere Sicht: Skalierung beginnt im Kopf, nicht im Rechenzentrum

Wenn Geschäftsführer uns fragen, wie sie KI skalieren, erwarten viele eine Antwort über Plattformen und Rechenleistung. Unsere Erfahrung mit kleinen und mittelständischen Unternehmen ist eine andere: Der Engpass sitzt selten in der Technik. Er sitzt in unklaren Zuständigkeiten, in Daten, die niemand pflegt, und in Teams, die nicht wissen, was sie mit der KI dürfen und was nicht.

Deshalb setzen wir an drei Stellen gleichzeitig an. Erstens am Prozess: Wir analysieren Abläufe und entwickeln einen individuellen KI-Fahrplan, der zur Größe und Branche des Betriebs passt, vom Handwerksbetrieb bis zum Ingenieurbüro. Zweitens an den Menschen: Branchenspezifische Trainings sorgen dafür, dass KI im Arbeitsalltag genutzt wird und nicht in einer Schublade landet. Drittens an der Wirtschaftlichkeit: Unser Vorgehen ist auf einen schnellen Return on Investment ausgelegt, damit der erste Anwendungsfall das Budget für den zweiten verdient.

Als zertifizierte INQA-Coaches begleiten wir Unternehmen persönlich und deutschlandweit, mit Blick auf Datenschutzkonformität von Anfang an. Und weil gute Vorhaben oft am Budget scheitern, gehört für uns das Förderungsscouting dazu: Wir prüfen, welche Programme passen, und unterstützen bei den Anträgen. Skalierung ist für uns kein Großprojekt, sondern eine Abfolge kleiner, gut gemessener Schritte.

Shaun

So begleiten wir Ihre KI-Skalierung

Sie haben einen Piloten, der funktioniert, oder erste Ideen, aber noch keinen Plan, wie daraus ein fester Bestandteil Ihres Betriebs wird? Genau dort setzen wir an: mit KI-Strategieberatung für KMU, Workshops und Mitarbeiter-Trainings sowie Keynotes und Impulsvorträgen für Ihr Führungsteam.

Auf Wunsch entwickeln und moderieren wir einen KI-Potenzialtag, an dem wir gemeinsam mit Ihrem Team Anwendungsfälle sammeln, bewerten und priorisieren. Einen Überblick über unser Angebot finden Sie auf der Seite Leistungen von menter.digital, einen konkreten Einstieg bietet der KI-ROI-Tag. Oder Sie vereinbaren direkt einen Termin für ein erstes Gespräch.

Häufige Fragen

Ab wann lohnt es sich, KI im Unternehmen zu skalieren?

Sobald ein Anwendungsfall im Test messbaren Nutzen gezeigt hat und die nötigen Daten im Alltag verfügbar sind. Dann kostet jedes weitere Warten Zeit, die Ihr Team schon sparen könnte. Wichtig ist, dass vor der Ausweitung eine verantwortliche Person und klare Kennzahlen feststehen.

Brauchen KMU eine eigene KI-Abteilung?

In der Regel nicht. Wichtiger als eine Abteilung sind benannte Verantwortliche für jeden Anwendungsfall, eine enge Abstimmung zwischen IT und Fachbereich und Grundwissen in der ganzen Belegschaft. Externe Begleitung hilft, Methode und Tempo in die ersten Schritte zu bringen.

Was ist der Unterschied zwischen KI-Einführung und KI-Betrieb?

Die Einführung bringt eine Lösung in den Prozess, der Betrieb hält sie dort verlässlich am Laufen. Zum Betrieb gehören Überwachung von Qualität, Kosten und Nutzen, Feedbackschleifen, Aktualisierungen und klare Regeln, wann ein Mensch entscheidet.

Welche Daten brauche ich, um KI zu skalieren?

Sie brauchen die Daten, die der jeweilige Prozess heute schon nutzt, aber zugänglich, einheitlich gepflegt und rechtlich nutzbar. Eine Bestandsaufnahme von Systemen, Datenquellen und Datenqualität sollte deshalb vor der Auswahl konkreter Werkzeuge stehen.

Wie lange dauert der Weg vom Pilot in den Betrieb?

Das hängt vom Anwendungsfall, den Daten und den Systemen ab, die angebunden werden müssen. Ein Pilot, der von Anfang an mit echten Daten und Nutzern arbeitet, kommt deutlich schneller in den Betrieb als ein isolierter Test. Ein Fahrplan mit festen Etappen macht den Weg planbar.

Quellen

• Von Piloten zu skalierbaren Lösungen (Zeitschrift für wirtschaftlichen Fabrikbetrieb, De Gruyter)
• Leitfaden zu Strategie und Wandel für den KI-Einsatz (Fraunhofer, KI-ULTRA)
• KI erfolgreich einführen: Status quo und Erfolgsfaktoren (Springer)
• AI Transformation: Von der Experimentierphase zur produktiven Skalierung (Lünendonk)
• Der KI-Readiness-Check (Digitalzentrum Kaiserslautern)
• KI-Schnellstart (Fraunhofer IAIS, KI.NRW)
• ELFMo D4.1: LFM ecosystem documentation and ELFMo methodology (ITEA4)
• Schnell pilotieren, sicher skalieren. Lokale KI im Unternehmen (Fraunhofer)

Empfehlungen

• GenAI im Unternehmen: So gelingt der Einstieg im Mittelstand
• CRM mit KI: Praxistaugliche Use-Cases und Pilot-Fahrplan
• KI im Projektmanagement: Was KMU heute wirklich nutzen können
• Change Management KI: Wie KMU den Wandel strukturiert gestalten