Schweizer Unternehmen sind schon längst an der Frage, ob sie denn KI einsetzen sollen, vorbei . In einer KMU-Befragung von 2025 stieg der Anteil der Unternehmen, die KI als teil internet Prozesse nutzen, innerhalb eines Jahres von 22 auf 34 Prozent. 57 Prozent der Nutzenden berichteten von gesteigerter effizienz. Die Frage die jetzt gestellt wird, ist was nach dem Pilotprojekt passiert und wem Sie den Weg dorthin anvertrauen sollten.
Genau dort wird der Markt unübersichtlich. Die Bezeichnung „AI Consultant“ passt gleichermassen auf einen Strategie-Workshop, eine Machine-Learning-Spezialistin, einen Systemintegrator und ein vollständiges Engineering-Team. Über die Fähigkeit, ein System in den Produktivbetrieb zu bringen und dann dort zu betreiben, sagt sie fast nichts aus.
Die Zahlen zeigen ein klares Bild. Fast alle nutzen KI, aber nur gut die Hälfte hat sie wirklich als teil interner Prozesse implementiert. In diesem Diskrepanz liegt die eigentliche Arbeit, und sie ist mehr Engineering als Strategie.
Woher die Diskrepanz kommt
Ein Proof of Concept kann innerhalb weniger Tage beeindrucken. Das erreichen der Produktionsreife ist dann nochmal was anderes. Sobald eine AI-Anwendung interne Daten liest, mit CRM oder ERP spricht oder stellvertretend handelt, kommen gewöhnliche Engineering-Fragen auf einen Schlag: Wer darf was sehen? Was passiert bei einem Fehler? Wo werden Ausgaben protokolliert? Welche Daten verlassen das Unternehmen? Wie testen Sie eine neue Modellversion, und wie führen wir Rollbacks durch?
Die Hindernisse, die Schweizer Unternehmen erwähnen, bestärken diese These. In der EY-Befragung 2026 standen Datenqualität und Datensilos an erster Stelle, vor Sicherheits- und Datenschutzfragen, dicht gefolgt von fehlenden Fachkräften. Nichts davon ist ein Modellproblem.
Auch regulierte Branchen stehen vor denselben Problemen
Die FINMA befragte 2025 rund 400 beaufsichtigte Unternehmungen. Etwa die Hälfte setzte KI bereits ein oder entwickelte erste Anwendungen, weitere 25 Prozent planten den Einsatz innerhalb von drei Jahren. Am höchsten gewichtet wurden Datenqualität, Datenschutz und Nachvollziehbarkeit.
Neun Fragen, die sich lohnen
Vergleichen Sie Fähigkeiten statt Bezeichnungen. Diese Fragen trennen die beiden Arten von Anbieter zuverlässig.
Beginnt der Anbieter beim Business Case?
Bei einem ersten Gespräch sollten Prozesse, Kosten, Engpässe und Nutzer im vordergrund sein. Wird ein bestimmtes KI-Modell empfohlen, bevor jemand Ihre Daten kennt, sind die Prioritäten am falschen Ort.
Versteht er Ihre interneUmgebung?
Fragen Sie, wie Quellen angebunden werden, wie Berechtigungen mitwandern, wie Datenqualität geprüft und wie Zugriffe protokolliert werden. Ein frontier-Modell mit schlechten Daten liefert selbstbewussten Unsinn.
Kann er bauen, was er vorschlägt?
Fragen Sie, wer nach dem Workshop Datenpipelines, APIs, Oberflächen und Deployment schreibt. Ein Satz auf einer Präsentation ist keine Umsetzung, und an diesem teil scheitern Projekte oft.
Beherrscht er die Integration in Ihre Systeme?
KI neben Ihren Anwendungen verändert selten einen Prozess. Nutzen entsteht, wenn Sie kontrolliert auf Dokumente, APIs, CRM, ERP und Support-Systeme zugreifen können.
Kann er erklären, wohin Ihre Daten gehen?
„Die Cloud ist sicher“ genügt nicht. Sie brauchen den Verarbeitungsort, die beteiligten Unterauftragnehmer, was gespeichert oder geloggt wird, wie Zugriffsrechte greifen und welche Kontrollen technisch statt vertraglich sind.
Wie wird Erfolg gemessen?
Legen Sie die Kennzahl vor Projektbeginn fest: Bearbeitungszeit, Automatisierungsquote, Antwortqualität, Fehlerquote, Kosten pro Vorgang oder eine Geschäftskennzahl. Und dann, welches Ergebnis einen Abbruch rechtfertigt.
Wie prüft er die Modellqualität?
AI-Systeme lassen sich nicht wie klassische Software gegen festen Input und Output abnehmen. Fragen Sie nach dem Testset, der Fehlersystematik und danach, wie Verschlechterungen auffallen, bevor Nutzer sie merken.
Was passiert nach dem Launch?
Modelle, Datenquellen und Schnittstellen ändern sich. Fragen Sie nach Monitoring, Modellversionierung, Rollback, Incident Handling, Dokumentation und danach, wer um drei Uhr nachts verantwortlich ist.
Was würde er nicht mit KI lösen?
Die aufschlussreichste der neun Fragen. Wer keinen Fall nennen kann, in dem KI das falsche Werkzeug ist, verkauft ein Produkt statt zu beraten.
Datenschutz ist eine Architekturfrage, keine Checkliste vor dem Go-live
In der Schweiz ist Datenschutz und Datenhoheit ein wichtiges Thema, das schon von Beginn an KI Projekte stark beinflussen wird. Der Eidgenössische Datenschutz- und Öffentlichkeitsbeauftragte stellt klar, dass das geltende Schweizer Datenschutzgesetz bereits heute für KI-gestützte Bearbeitungen von Personendaten gilt. Verlangt wird Transparenz über Zweck, Funktionsweise und Datenquellen; bei hohem Risiko kann eine Datenschutz-Folgenabschätzung nötig werden.
Stand August 2026 gibt es in der Schweiz kein allgemeines KI-Gesetz. Der Bund bereitet eine Vernehmlassungsvorlage vor, die bis Ende 2026 vorliegen soll und Transparenz, Datenschutz, Nichtdiskriminierung und Aufsicht behandelt. Wer in der EU tätig ist, prüft eine zweite Ebene: Der EU AI Act kann auch Anbieter ausserhalb der Union erfassen, seine Transparenzpflichten nach Artikel 50 gelten seit dem 2. August 2026.
Praktisch heisst das: Die entscheidenden Fragen fallen früh. Welche Daten braucht das System wirklich? Wo liegen sie? Welche Dritten erhalten sie? Welche Nutzer sehen welche Datensätze? Was darf ein Agent selbständig tun, und was braucht weiterhin eine menschliche Freigabe? Das sind Architekturentscheidungen, und sie nachträglich einzubauen kostet ein Vielfaches.
Die drei Arten von Anbieter erkennen
Nur Strategie
Nützlich für Einordnung und Priorisierung. Das Risiko ist eine Roadmap, die niemand umsetzen kann.
- Workshops, Use-Case-Landkarten, Business Cases
- Fragen Sie, wer baut, und lassen Sie sich einen Namen geben
- Passt, wenn Sie ein starkes internes Engineering-Team haben
Nur Modelle
Tiefe Modellkompetenz, dünn beim umgebenden System. Oft der interessanteste Teil der Aufgabe, selten der schwierigste.
- Data Science, Fine-Tuning, Evaluierung
- Fragen Sie nach Identität, Berechtigungen und Deployment
- Passt, wenn die Integration bereits gelöst ist
End to End
Strategie, Engineering und Betrieb in einer Verantwortung. Die Übergaben entfallen, weil es keine gibt.
- Von der Use-Case-Auswahl bis zum laufenden System
- Software, Cloud und DevOps neben der Modellarbeit
- Fragen Sie nach einem Fall, in dem er zum Abbruch geraten hat
Wie wir bei Alpine Edge vorgehen
Unsere eigene Position liegt bewusst an der Schnittstelle von KI, Softwareentwicklung, Cloud-Infrastruktur und DevOps, weil die meisten AI-Projekte diese Grenze direkt nach dem Prototyp überschreiten müssen. Der Assistent braucht plötzlich Authentifizierung. Unternehmensdaten müssen angebunden werden. Interne APIs müssen kontrolliert erreichbar sein. Deployments müssen automatisiert werden. Aus einem AI-Experiment ist ein Software- und Infrastrukturprojekt geworden.
- 01Audit
Verstehen, bevor wir vorschlagen
- Use Cases bewertet nach Nutzen, Machbarkeit und Datenverfügbarkeit
- Datensensitivität, Speicherorte und Zugriffsberechtigungen
- Bestehende Infrastruktur, Identitäten und Integrationspunkte
- Compliance-Anforderungen, einschliesslich der Pflichten aus dem DSG
- 02Build
In Ihre Umgebung hinein, nicht daneben
- Selbst gehostete oder private LLMs, wenn Daten nicht abfliessen dürfen
- Retrieval über Ihre eigenen Dokumente, mit erhaltenen Berechtigungen
- MCP-Server und Agents, verbunden mit echten Systemen
- PII-Erkennung und Redaction, Verschlüsselung, rollenbasierte Zugriffe, Audit Logging
- 03Run
Der Teil, der über die Haltbarkeit entscheidet
- Monitoring, Logging und Kostenverfolgung
- Modellversionierung und Rollback
- Iteration gegen die anfangs vereinbarte Kennzahl
- Wissenstransfer, damit die Fähigkeit bei Ihrem Team bleibt
Ein selbst gehostetes Modell allein löst nichts. Nutzbar wird es mit Datenanbindung, Retrieval, Softwareintegration, Zugriffskontrolle, Monitoring und einem Workflow, dem tatsächlich jemand folgt.
Zugang zu KI ist kein Vorteil mehr. Den haben inzwischen fast alle. Der Vorteil entsteht, wenn Sie KI besser in Prozesse, Daten und Software integrieren als Ihre Mitbewerber.