KI skalieren im KMU: Vom MVP zum Betrieb
Viele Schweizer KMU haben die erste Hürde bereits genommen: Ein KI-MVP funktioniert, ein Pilot zeigt Potenzial, erste Resultate sind sichtbar. Genau an diesem Punkt entsteht jedoch oft die falsche Erwartung, dass der nächste Schritt nur noch technisch sei. In der Praxis ist das selten der Fall.
Wer KI skalieren will, muss mehr klären als Schnittstellen und Zugriffe. Entscheidend ist, ob die Lösung im Alltag verlässlich genutzt wird, ob sie in bestehende Abläufe passt, ob Verantwortlichkeiten klar geregelt sind und ob der Nutzen messbar bleibt. Ein funktionierender Test ist deshalb noch kein produktives System.
Für KMU ist KI-Skalierung vor allem eine Management-Aufgabe. Nicht, weil Technik unwichtig wäre, sondern weil produktive Nutzung nur dann entsteht, wenn Prozesse, Teams, Steuerung und Regeln zusammenpassen.
Warum ein KI-MVP noch keine produktive Lösung ist
Ein MVP ist ein bewusst schlanker erster Lösungsstand. Er soll zeigen, ob ein Anwendungsfall grundsätzlich funktioniert und ob der erwartete Nutzen realistisch ist. Ein Pilot geht meist einen Schritt weiter: Die Lösung wird unter realen Bedingungen mit einem begrenzten Nutzerkreis oder in einem Teilprozess getestet. Ein produktives System hingegen muss im regulären Betrieb bestehen.
Dieser Unterschied ist für KMU zentral. Ein KI-MVP kann in einer kontrollierten Testsituation gute Resultate liefern und trotzdem im Alltag scheitern. Häufig liegt das nicht an der Modellqualität, sondern an fehlender Einbettung in den Betrieb. Wenn Mitarbeitende zusätzliche manuelle Schritte machen müssen, wenn Ausnahmen nicht geregelt sind oder wenn niemand zuständig ist, bleibt die Lösung eine Insellösung.
Ein produktives System erfüllt andere Anforderungen als ein Testaufbau. Dazu gehören Zuverlässigkeit, Nutzungstiefe und Prozessanschluss. Zuverlässigkeit heisst, dass die Lösung stabil verfügbar ist und bei wiederkehrenden Aufgaben konsistente Resultate liefert. Nutzungstiefe bedeutet, dass sie nicht nur gelegentlich ausprobiert, sondern regelmässig im Arbeitsalltag eingesetzt wird. Prozessanschluss heisst, dass klar ist, an welcher Stelle im Ablauf die KI zum Einsatz kommt und was danach folgt.
Ein typisches Beispiel: Ein Vertriebsteam testet eine KI zur Vorbereitung von Kundenanfragen. Im MVP liefert die Lösung in vielen Fällen brauchbare Textvorschläge. Produktiv wird sie aber erst dann, wenn geklärt ist, wer die Inhalte prüft, in welchem CRM-Schritt sie genutzt werden, wie sensible Informationen behandelt werden und wie mit unvollständigen oder fehlerhaften Vorschlägen umzugehen ist.
Genau hier zeigt sich: Ein gutes MVP skaliert nicht automatisch. Es muss in einen verlässlichen Betriebsrahmen überführt werden. Das ist kein Detail, sondern der eigentliche Übergang von einer vielversprechenden Idee zu einer nutzbaren Lösung.
Welche Management-Entscheidungen die Skalierung tragen
Ob eine KI-Lösung produktiv genutzt wird, entscheidet sich selten am Tool allein. Wichtiger sind die Management-Entscheidungen, die den Betrieb tragen. Wenn diese offen bleiben, stockt die Einführung oft trotz positiver Pilotphase.
Die erste Frage lautet: Wer ist fachlich verantwortlich? In vielen KMU wird KI zunächst von engagierten Einzelpersonen oder in Zusammenarbeit mit der IT angestossen. Für den produktiven Einsatz reicht das nicht. Eine Lösung braucht einen fachlichen Owner aus dem Bereich, in dem sie Wirkung entfalten soll. Dieser Bereich muss definieren, wofür die Lösung da ist, welche Qualität erwartet wird und wann Anpassungen nötig sind.
Die zweite Frage betrifft den Betrieb. Wer steuert die Lösung im Alltag? Wer priorisiert Änderungen? Wer entscheidet, wenn die Resultate nicht mehr passen oder wenn sich ein Prozess ändert? Ohne solche Entscheidungen bleibt unklar, ob eine KI-Anwendung nur beobachtet oder aktiv weiterentwickelt wird.
Ebenso wichtig ist die Ressourcenfrage. KI produktiv zu nutzen bedeutet nicht, dass nach dem Rollout das Thema abgeschlossen ist. Es braucht Zeit für Anpassungen, Auswertungen, Schulung und Support. KMU unterschätzen diesen Punkt häufig. Die Folge: Das MVP wird eingeführt, aber niemand hat Kapazität, Rückmeldungen aufzunehmen oder das System sauber nachzuführen.
Skalierung braucht deshalb verbindliche Prioritäten. Wenn die Geschäftsführung Produktivität, Qualität oder Entlastung durch KI erwartet, muss sie auch festlegen, welche Ressourcen dafür reserviert werden. Das gilt besonders dann, wenn mehrere Digitalisierungsprojekte gleichzeitig laufen. KI verliert schnell an Wirkung, wenn sie im Betrieb nur nebenbei betreut wird.
Ownership und Verantwortlichkeiten klar festlegen
Damit aus einem KI-MVP ein stabiler Bestandteil des Betriebs wird, müssen Rollen sauber getrennt und zugleich gut abgestimmt sein. Entscheidend ist nicht ein kompliziertes Rollenmodell, sondern eine praxistaugliche Zuordnung.
Der Fachbereich trägt die inhaltliche Verantwortung. Dort ist bekannt, welche Aufgabe gelöst werden soll, welche Resultate brauchbar sind und welche Fehler kritisch wären. Der Fachbereich muss daher definieren, wann die KI eingesetzt wird, welche Qualitätskriterien gelten und wo menschliche Prüfung nötig bleibt.
Operations oder die Prozessverantwortlichen sorgen dafür, dass die Lösung im Ablauf funktioniert. Sie klären, wie die KI in bestehende Schritte eingebettet wird, welche Übergaben sauber geregelt sein müssen und wie Ausnahmen behandelt werden. Gerade in KMU ist dieser Blick wichtig, weil viele Prozesse personenabhängig organisiert sind.
Die IT oder externe technische Partner verantworten die technische Umsetzung, Stabilität, Zugriffe und Anbindung an bestehende Systeme. Das ist wichtig, ersetzt aber nicht die fachliche Steuerung. Ein häufiger Fehler besteht darin, die Verantwortung vollständig an die IT zu delegieren. Dadurch wird eine betriebliche Frage künstlich als Technikthema behandelt.
Das Management setzt den Rahmen. Es entscheidet über Prioritäten, trägt Zielkonflikte mit und stellt sicher, dass KI nicht ohne klare Wirkungserwartung ausgerollt wird. Zudem braucht es einen festgelegten Eskalationsweg: Was passiert bei Fehlentscheidungen der KI, bei Qualitätsproblemen, bei Prozessänderungen oder bei Rückmeldungen aus dem Team?
In der Praxis bewährt sich ein einfaches Verantwortungsmodell:
Fachbereich: fachlicher Nutzen, Qualitätskriterien, Freigabe der Anwendung
Operations: Einbettung in den Prozess, Nutzung im Alltag, Rückmeldung aus dem Betrieb
IT oder Partner: technische Umsetzung, Wartung, Schnittstellen, Stabilität
Management: Priorisierung, Ressourcen, Eskalationsentscheidungen
Wichtig ist dabei die Unterscheidung zwischen fachlicher Verantwortung und technischer Umsetzung. Nur weil eine Lösung technisch betreut wird, ist noch nicht geklärt, ob sie fachlich richtig eingesetzt wird. Produktive KI braucht beides.
Messbaren Nutzen von Anfang an mitdenken
Viele KI-Projekte verlieren nach einem gelungenen Start an Zugkraft, weil der Nutzen nicht systematisch verfolgt wird. Dann bleibt das Bauchgefühl positiv, aber die Wirkung im Betrieb unklar. Genau hier setzt Value Tracking an.
Wer KI skalieren will, sollte vor dem Rollout festlegen, woran der Erfolg gemessen wird. Das muss nicht kompliziert sein, aber es muss konkret sein. Geeignete Kennzahlen hängen immer vom Prozess ab. In KMU sind oft wenige, gut lesbare Grössen hilfreicher als komplexe Dashboards.
Typische Kennzahlen sind:
Durchlaufzeit pro Vorgang
Fehlerquote oder Korrekturaufwand
Nutzungsrate im Team
Anteil automatisiert vorbereiteter Arbeitsschritte
Entlastung bei repetitiven Tätigkeiten
Bearbeitungsvolumen pro Mitarbeitenden oder Team
Entscheidend ist eine Baseline vor dem Rollout. Nur wenn bekannt ist, wie der Prozess vorher funktionierte, lässt sich später beurteilen, ob die KI tatsächlich einen Unterschied macht. Ohne Vergleichsbasis werden Erwartungen und Einzelbeobachtungen schnell verwechselt.
Ein Beispiel aus der Administration: Eine KI unterstützt bei der Vorprüfung eingehender Dokumente. Sinnvolle Kennzahlen wären hier etwa die durchschnittliche Bearbeitungszeit pro Dossier, die Zahl manueller Rückfragen, die Korrekturquote nach menschlicher Prüfung und die tatsächliche Nutzung durch das Team. Wenn die KI zwar technisch verfügbar ist, aber nur von wenigen Mitarbeitenden eingesetzt wird, ist das ein klares Signal: Das Problem liegt nicht primär in der Technologie, sondern in der Umsetzung.
Wichtig ist auch die Auswertung nach der Einführung. Nicht nur einmal, sondern regelmässig. In den ersten Wochen lohnt sich ein enger Takt, später reichen je nach Anwendungsfall monatliche oder quartalsweise Reviews. So wird sichtbar, ob die Lösung stabil bleibt, ob sich der Nutzen verstärkt oder ob die Nutzung im Alltag wieder zurückgeht.
Value Tracking dient dabei nicht primär der Kontrolle, sondern der Steuerung. Es hilft, realistisch zu entscheiden: Wo bringt die Lösung echten Mehrwert? Wo braucht es Anpassungen? Und wo ist der Aufwand höher als der Nutzen?
KI in bestehende Prozesse integrieren statt nebenher laufen lassen
Produktive KI entsteht nicht dadurch, dass ein neues Tool bereitsteht. Sie entsteht dann, wenn die Lösung dort eingebettet ist, wo Arbeit tatsächlich stattfindet. Solange KI nebenher läuft, bleibt sie optional, unklar oder auf einzelne Personen beschränkt.
Der Ausgangspunkt ist deshalb immer der Prozess. An welcher Stelle entsteht heute Aufwand, Verzögerung oder Fehleranfälligkeit? Welche Entscheidung, Vorbereitung oder Prüfung kann durch KI unterstützt werden? Und was passiert mit dem Resultat im nächsten Prozessschritt?
In vielen KMU ist genau dieser Punkt anspruchsvoller als die technische Einführung. Prozesse sind oft historisch gewachsen, Verantwortungen nicht immer dokumentiert und Abläufe stark vom Erfahrungswissen einzelner Mitarbeitender geprägt. KI funktioniert unter solchen Bedingungen nicht schlechter, aber ihre Wirkung bleibt begrenzt, wenn der Prozess selbst nicht sauber beschrieben ist.
Eine gute Integration beantwortet mindestens vier Fragen:
Wo im Ablauf wird die KI genutzt?
Zum Beispiel bei der Vorqualifizierung einer Anfrage, bei der Dokumentenprüfung oder bei der Erstellung eines ersten Antwortentwurfs.
Welche Systeme oder Informationen braucht sie dafür?
Relevant sind nicht Architekturfragen, sondern die praktische Verfügbarkeit der Daten im bestehenden Ablauf.
Wann prüft der Mensch?
Bei vielen Anwendungen ist menschliche Freigabe weiterhin notwendig, etwa vor dem Versand an Kundinnen und Kunden oder vor einer verbindlichen Entscheidung.
Was passiert bei Ausnahmen oder Fehlern?
Ein produktiver Prozess braucht klare Regeln, wenn die KI kein brauchbares Resultat liefert oder wenn Eingaben unvollständig sind.
Wer KI in konkrete Abläufe einbetten will, sollte den Prozess zuerst sichtbar machen. Dabei hilft oft bereits eine einfache Skizze des Ist-Ablaufs. Erst dann lässt sich sinnvoll entscheiden, welche Schritte automatisiert oder unterstützt werden können. Im Kontext von Automatisierung und KI zeigt sich immer wieder: KI ersetzt keine unklaren Prozesse, sondern funktioniert besonders gut dort, wo Abläufe bereits verständlich und steuerbar sind.
Ein weiterer Punkt ist die Übergabe zwischen Mensch und System. Wenn Mitarbeitende jedes Mal manuell Daten kopieren, Inhalte nachpflegen oder unklare Resultate interpretieren müssen, sinkt die Akzeptanz schnell. Gute Prozessintegration reduziert Reibung. Sie macht die Nutzung nicht spektakulär, sondern selbstverständlich.
Change Management: Akzeptanz und Nutzungstiefe im Team sichern
Viele KI-Piloten scheitern nicht an der Funktion, sondern an der Nutzung. Die Lösung ist vorhanden, wird aber nur punktuell eingesetzt oder nach kurzer Zeit umgangen. Der Grund liegt oft im fehlenden Change Management.
Für Teams ist eine neue KI-Anwendung nicht einfach ein zusätzliches Werkzeug. Sie verändert Arbeitsschritte, Verantwortlichkeiten und Routinen. Manchmal verschiebt sie auch das Qualitätsverständnis: Mitarbeitende prüfen nicht mehr alles selbst von Grund auf, sondern bewerten Vorschläge oder Vorarbeiten eines Systems. Das ist ein echter Arbeitswandel und braucht Begleitung.
Wichtig ist die frühe Einbindung der Betroffenen. Wer erst nach Abschluss des Piloten informiert wird, erlebt die Einführung oft als Vorgabe von oben. Besser ist es, Mitarbeitende bereits bei der Definition des Anwendungsfalls einzubeziehen: Wo liegen heute Engpässe? Welche Aufgaben sind mühsam, repetitiv oder fehleranfällig? Wo wäre Unterstützung sinnvoll, und wo ist menschliche Erfahrung unverzichtbar?
Ebenso zentral ist eine transparente Kommunikation über Nutzen und Grenzen. Teams akzeptieren neue Lösungen eher, wenn klar ist, wofür sie gedacht sind und wofür nicht. Unrealistische Erwartungen schaden dabei genauso wie diffuse Befürchtungen. Wenn eine KI etwa Entwürfe erstellt, aber keine inhaltliche Endverantwortung übernimmt, sollte genau das offen benannt werden.
Training sollte immer im realen Arbeitskontext stattfinden. Allgemeine Einführungen schaffen Grundverständnis, ersetzen aber keine anwendungsnahe Schulung. Mitarbeitende müssen wissen, wie die Lösung im eigenen Prozess genutzt wird, welche Eingaben gute Resultate fördern, wie Fehler erkannt werden und wann eine manuelle Bearbeitung nötig ist.
Skepsis ist dabei kein Störfaktor, sondern eine wichtige Informationsquelle. Widerstand zeigt oft, wo Prozesse unklar sind, wo Qualitätsrisiken gesehen werden oder wo die Lösung unnötige Zusatzarbeit erzeugt. Statt Skepsis zu übergehen, sollte sie in die Weiterentwicklung einfliessen.
Gerade in KMU mit eingespielten Teams ist Nutzungstiefe nicht automatisch gegeben. Wenn eine neue KI-Lösung zwar verfügbar ist, aber die alte Arbeitsweise weiterhin einfacher wirkt, setzt sich selten die neue Routine durch. Deshalb braucht Change Management nicht nur Kommunikation, sondern auch konkrete Entscheidungen im Betrieb: Welche Schritte sollen künftig mit der KI unterstützt werden? Welche Standards gelten? Und wie wird sichergestellt, dass die Anwendung nicht nach kurzer Zeit wieder zur Ausnahme wird?
Enablement und Governance als Daueraufgabe verstehen
Nach dem Rollout beginnt die eigentliche Stabilisierung. Genau hier werden Enablement und Governance oft unterschätzt. Eine einmalige Einführung reicht in der Regel nicht aus, wenn eine KI-Lösung dauerhaft produktiv genutzt werden soll.
Enablement bedeutet, dass Mitarbeitende die Lösung nicht nur theoretisch kennen, sondern sie im Alltag sicher anwenden können. Dazu gehören wiederkehrende Schulungen, kurze Auffrischungen, konkrete Anwendungsbeispiele und ein erreichbarer Support bei Fragen. Gerade wenn Prozesse angepasst werden oder neue Mitarbeitende dazukommen, muss Wissen aktiv nachgeführt werden.
Für KMU ist deshalb laufende Schulung und Betreuung ein praktischer Erfolgsfaktor, nicht ein Zusatzmodul. Wer die Einführung sauber absichern will, sollte Unterstützung nach dem Rollout mitdenken, etwa über Schulung und Betreuung, damit Nutzung, Qualität und Standards im Betrieb erhalten bleiben.
Governance wird oft nur mit Compliance oder Freigaben verbunden. Im Alltag ist sie breiter zu verstehen. Es geht um klare Regeln für den Einsatz: Welche Daten dürfen verwendet werden? Wer gibt neue Anwendungsfälle frei? Welche Qualitätskontrollen sind notwendig? Wie werden Fehler dokumentiert? Wer entscheidet bei Änderungen im Prozess oder in der Nutzung?
Diese Regeln müssen nicht schwerfällig sein. Für KMU sind kompakte, dokumentierte Standards meist wirksamer als umfangreiche Richtlinien, die niemand im Alltag konsultiert. Wichtig ist, dass die Vorgaben verständlich, erreichbar und an den realen Arbeitsablauf gekoppelt sind.
Besonders relevant sind dabei drei Bereiche:
Daten und Vertraulichkeit: Welche Inhalte dürfen in die Lösung eingegeben werden, welche nicht?
Freigaben und Verantwortung: Wer darf die KI für bestimmte Entscheidungen oder Kundeninteraktionen nutzen?
Qualitätskontrollen: In welchen Fällen ist eine Prüfung zwingend, und wie wird mit Fehlern umgegangen?
Enablement und Governance sind keine Gegensätze. Gute Regeln helfen nur dann, wenn Teams wissen, wie sie praktisch anzuwenden sind. Umgekehrt bleibt Schulung wirkungslos, wenn der Einsatzrahmen unklar ist. Erst die Verbindung aus Wissen, Begleitung und klaren Standards hält eine Lösung im Betrieb stabil.
KI im KMU sauber in den Betrieb überführen
Wer KI im KMU skalieren will, sollte den Übergang vom Test zur produktiven Nutzung nicht als technischen Ausbauschritt betrachten. Tragfähig wird eine Lösung erst dann, wenn mehrere Elemente zusammenkommen: klare Ownership, eingebettete Prozesse, messbarer Nutzen, aktives Change Management sowie Enablement und Governance im Alltag.
Ein funktionierender Pilot ist deshalb ein wichtiger Anfang, aber noch kein Beleg für Produktionsreife. Die entscheidenden Fragen lauten: Ist die fachliche Verantwortung geklärt? Passt die Lösung in den realen Ablauf? Wird sie im Team tatsächlich genutzt? Ist der Nutzen messbar? Und gibt es Regeln, Schulung und Support für den Betrieb?
Für viele KMU ist der sinnvollste nächste Schritt keine vorschnelle Ausweitung, sondern eine saubere Standortbestimmung. So lässt sich klären, ob ein bestehender MVP bereits produktionsreif ist, welche Prozess- und Verantwortungsfragen noch offen sind und wo Schulung oder Governance nachgezogen werden müssen.
Wer die eigene Ausgangslage strukturiert prüfen möchte, kann ein Erstgespräch vereinbaren. Damit lässt sich konkret einordnen, welche nächsten Schritte im eigenen Betrieb sinnvoll sind.
Häufig gestellte Fragen
Woran erkennt ein KMU, dass ein KI-MVP bereit für den produktiven Einsatz ist?
Ein KI-MVP ist dann näher am produktiven Einsatz, wenn nicht nur die Funktion stimmt, sondern auch der Betrieb vorbereitet ist. Dazu gehören eine stabile Nutzung im Alltag, ein klar definierter Prozessanschluss, geregelte Verantwortlichkeiten, menschliche Prüf- oder Freigabeschritte und erste Kennzahlen zum Nutzen. Wenn diese Punkte fehlen, ist die Lösung meist noch im Pilotstadium, auch wenn die Resultate technisch überzeugend sind.
Wer sollte in einem KMU die Verantwortung für eine KI-Lösung übernehmen?
Die fachliche Verantwortung sollte im zuständigen Fachbereich liegen, nicht allein bei der IT. Dort ist bekannt, welche Qualität im Prozess erforderlich ist und welche Wirkung erwartet wird. Ergänzend braucht es klare Rollen für Operations, technische Umsetzung und Management. Wichtig ist, dass eine Person oder Funktion verbindlich zuständig ist und Entscheidungen bei Problemen oder Änderungen treffen kann.
Welche Kennzahlen eignen sich, um den Nutzen einer KI-Lösung im Alltag zu messen?
Geeignet sind Kennzahlen mit direktem Bezug zum Prozess. Dazu zählen etwa Durchlaufzeit, Fehlerquote, Korrekturaufwand, Nutzungsrate, Bearbeitungsvolumen oder die Entlastung bei repetitiven Aufgaben. Wichtig ist weniger die Menge der Kennzahlen als ihre Aussagekraft. Entscheidend ist zudem, vor dem Rollout eine Baseline zu erfassen, damit Veränderungen später sauber bewertet werden können.
Warum scheitern KI-Piloten oft beim Übergang in den Betrieb?
Häufig scheitern sie nicht an der Technologie, sondern an offenen Umsetzungsfragen. Typische Ursachen sind unklare Ownership, fehlende Prozessintegration, unzureichende Schulung, mangelnde Akzeptanz im Team oder fehlende Regeln für Qualität und Verantwortung. Ein erfolgreicher Pilot beantwortet oft die Frage der Machbarkeit, aber noch nicht die Frage der dauerhaften Nutzbarkeit im Alltag.
Wie lässt sich Akzeptanz im Team aufbauen, wenn KI neu eingeführt wird?
Akzeptanz entsteht vor allem durch frühe Einbindung, klare Kommunikation und praxisnahe Schulung. Mitarbeitende sollten verstehen, welchen konkreten Nutzen die Lösung im eigenen Arbeitskontext bringt und wo ihre Verantwortung weiterhin wichtig bleibt. Skepsis sollte ernst genommen werden, weil sie oft auf reale Hürden im Prozess hinweist. Wer Teams nur informiert, aber nicht einbindet, riskiert oberflächliche Nutzung statt echter Verankerung.
Welche Rolle spielen Schulung und Governance bei der KI-Skalierung?
Beide sind zentrale Voraussetzungen für stabile Nutzung. Schulung sorgt dafür, dass Mitarbeitende die Lösung sicher und effizient einsetzen können. Governance schafft den Rahmen für Datenumgang, Freigaben, Qualität und Verantwortlichkeiten. Ohne wiederkehrendes Enablement und ohne klare Regeln verliert eine Lösung oft an Wirkung oder wird uneinheitlich genutzt. Produktive KI braucht deshalb nicht nur einen guten Start, sondern auch verlässliche Führung im laufenden Betrieb.
