Die meisten Unternehmen, mit denen wir sprechen, haben AI längst im Haus. Nicht als Projekt, sondern als Gewohnheit: Jemand im Marketing formuliert damit Texte vor, jemand im Verkauf lässt sich Angebote gegenlesen, jemand im Support übersetzt Antworten. Was fehlt, ist nicht die Technologie und meistens auch nicht die Bereitschaft. Es fehlt die Ordnung drum herum.

Genau da beginnt der Unterschied zwischen einem Unternehmen, das nach zwölf Monaten messbar schneller arbeitet, und einem, das nach zwölf Monaten eine Sammlung ungenutzter Lizenzen hat. Wir haben unser Vorgehen deshalb in vier Phasen gegliedert. Jede hat ein definiertes Ergebnis, und keine wird übersprungen.

Warum es ohne Reihenfolge nicht funktioniert

Der häufigste Startpunkt in KMU ist der Kauf. Jemand entscheidet, dass man jetzt AI braucht, Lizenzen werden verteilt, eine Schulung von zwei Stunden findet statt. Danach passiert – nichts Messbares. Nicht weil die Leute unwillig wären, sondern weil niemand definiert hat, welcher konkrete Arbeitsschritt damit besser werden soll.

Der zweitgängigste Startpunkt ist die Richtlinie. Die Geschäftsleitung merkt, dass Mitarbeitende private Accounts nutzen, erschrickt und verbietet es. Das Problem verschwindet damit nicht, es wird nur unsichtbar.

Beide Wege scheitern am selben Punkt: Sie setzen bei einem Symptom an statt bei einem Prozess. Deshalb steht bei uns die Analyse vor allem anderen.

Phase 1: Discovery – verstehen, was sich lohnt

In der ersten Phase geht es nicht um Werkzeuge, sondern um Engpässe. Wo entsteht Wartezeit? Welche Tätigkeit macht jemand jede Woche von Hand, obwohl sie jedes Mal gleich abläuft? Wo kostet Qualität Zeit, weil vier Personen dasselbe Dokument prüfen?

Dazu kommt ein ehrlicher Check der Ausgangslage: Wo liegen die Daten, die für einen Use Case gebraucht würden? Sind sie überhaupt zugänglich? Wer entscheidet über Freigaben? Welche Datenklassen dürfen ein Haus nicht verlassen? Und – ein Punkt, den fast alle unterschätzen – wer im Betrieb hat überhaupt Zeit, eine Einführung zu begleiten?

Am Ende dieser Phase steht keine Präsentation, sondern eine priorisierte Use-Case-Landkarte: eine Liste von Anwendungsfällen, jeder mit einer groben Einschätzung von Aufwand, Nutzen und Risiko. Typischerweise dauert das ein bis zwei Wochen.

Was dabei regelmässig passiert: Zwei oder drei der ursprünglich genannten Ideen fallen raus, weil sich zeigt, dass das eigentliche Problem eine fehlende Schnittstelle ist und keine fehlende Intelligenz. Das ist kein Rückschlag, das ist gespartes Geld.

Phase 2: Design – Lösung und Leitplanken

Erst wenn klar ist, was gebaut werden soll, wird entschieden, wie. In dieser Phase entstehen die Ziel-Architektur und die Datenflüsse: Welches System liefert welche Information, wo läuft die Verarbeitung, was passiert mit den Ergebnissen.

Parallel dazu – und das ist der Teil, der gerne vergessen wird – entsteht das Governance- und Rollenmodell. Wer darf was nutzen? Wer gibt frei? Was passiert, wenn ein Ergebnis fachlich falsch ist? Wer ist verantwortlich, wenn ein Mitarbeitender einen Fehler übernimmt, den die AI produziert hat?

Diese Fragen später zu klären, ist teuer. Sie vorher zu klären, kostet ein paar Workshop-Stunden. Wir behandeln sie deshalb gleichzeitig mit der Technik, nicht danach.

Dritter Bestandteil ist das Konzept für wiederverwendbare Fähigkeiten: Welche Abläufe sollen so festgeschrieben werden, dass sie jedes Mal gleich ablaufen – mit euren Vorlagen, eurer Tonalität, euren Qualitätskriterien? Ergebnis der Phase ist ein Umsetzungs-Blueprint. Zwei bis drei Wochen.

Phase 3: Deploy – bauen und ausrollen

Jetzt wird aufgesetzt: Firmen-Accounts, Anmeldung über euren bestehenden Identity Provider, Berechtigungsstruktur, Anbindung der Systeme, die in Phase 2 definiert wurden. Danach werden die ersten Fähigkeiten gebaut und getestet.

Entscheidend ist, was danach kommt: ein Pilot mit einem echten Team und echten Aufgaben. Nicht mit Demodaten, nicht mit dem enthusiastischsten Mitarbeiter allein, sondern mit einer Gruppe, die den Prozess auch dann durchziehen muss, wenn es hektisch wird. Ein Pilot, der nur unter Idealbedingungen funktioniert, hat nichts bewiesen.

In dieser Phase kommen fast immer Erkenntnisse zurück, die vorher niemand auf dem Schirm hatte – meistens zu Datenqualität oder zu Abläufen, die in der Realität anders laufen als im Prozessdiagramm. Das ist der Grund, warum diese Phase vier bis acht Wochen dauert und nicht zwei.

Phase 4: Drive – verankern und skalieren

Die letzte Phase ist die, die am häufigsten fehlt – und der häufigste Grund, warum gute Piloten versanden. Hier geht es um Schulung, die rollenspezifisch ist statt generisch, um den Aufbau interner Champions, die bei Fragen weiterhelfen, und um Messung.

Messung heißt: Wird das Ding tatsächlich benutzt? Nicht «wurden Lizenzen vergeben», sondern wie viele Personen nutzen es wöchentlich, für welche Aufgaben, mit welchem Ergebnis. Wo die Zahlen stimmen, wird auf weitere Teams ausgerollt. Wo sie nicht stimmen, wird nachgefragt und angepasst – oder der Use Case wird gestoppt. Auch das ist ein legitimes Ergebnis.

Diese Phase endet nicht. Sie geht in den Betrieb über.

Was das für euren Zeitplan bedeutet

Von der ersten Analyse bis zu einem produktiven Piloten vergehen realistisch zwei bis vier Monate. Wer schneller sein will, überspringt entweder Discovery – und baut dann etwas, das niemand braucht – oder Drive, und hat dann etwas Gutes gebaut, das niemand benutzt.

Die gute Nachricht: Die Phasen lassen sich einzeln beauftragen. Viele Unternehmen starten mit Discovery und entscheiden danach in Ruhe, ob und wie weit sie gehen wollen. Ein sauberes Ergebnis aus Phase 1 ist auch dann wertvoll, wenn die Entscheidung am Ende lautet, noch ein halbes Jahr zu warten.

Der nächste Schritt

Wenn ihr wissen wollt, wo euer Unternehmen heute steht und welche zwei bis drei Use Cases sich am schnellsten rechnen: Wir machen das in einem kostenlosen Erstgespräch von 45 Minuten. Danach habt ihr eine Einschätzung und keine Verpflichtung.