Die folgenreichste Veränderung bei KI am Arbeitsplatz ist zugleich die unauffälligste. KI verschwindet als separates Werkzeug und wird zur Funktion der Systeme, die ohnehin benutzt werden. Niemand möchte jeden Morgen eine zweite Anwendung öffnen, fünf Dokumente hochladen und einen Prompt schreiben. Die brauchbare Variante steckt im CRM, im Serviceportal, im Dokumentenmanagement oder in einer internen Anwendung, dort, wo die Arbeit stattfindet.
Das ist der Unterschied zwischen gelegentlicher KI-Nutzung und einer AI Implementation, und darin besteht heute der grösste Teil von AI Consulting.
Beim Prozess anfangen, nicht beim Modell
Die falsche Einstiegsfrage lautet, welche KI eingesetzt werden soll. Die bessere lautet, welches Problem gelöst wird und ob es dafür überhaupt KI braucht. Der Unterschied klingt klein verändert aber meist das ganze Projekt.
Die relevanten Ansatzpunkte sind unspektakulär. Wie viele Stunden verbringt Ihr Team mit wiederkehrenden E-Mails? Wie oft werden Informationen von einem System ins andere abgetippt? Wie lange dauert es, ein Dokument zu finden? Wie viele Support-Anfragen liessen sich vorab kategorisieren oder entwerfen? Welche Berichte werden Woche für Woche aus denselben Daten neu gebaut?
Schweizer KMU sind genau dort konzentriert. 2025 nutzten 34 Prozent KI zur Automatisierung einzelner Arbeitsschritte und 32 Prozent zur Datenanalyse, beides deutlich mehr als im Vorjahr. Übersetzung, Korrespondenz und Prozessautomatisierung führen die Liste an. Das sind alltägliche Aufgaben, und gerade deshalb verbringt man so viel Zeit damit.
Eine Zehn-Minuten-Aufgabe ist keine kleine Aufgabe
Zehn Minuten wirken irrelevant. Multipliziert mit mehreren Personen, mehreren Vorgängen pro Tag und zwölf Monaten wird daraus ein relevanter Posten im Betriebsbudget. Die besten Automatisierungskandidaten sind meist langweilig und häufig statt beeindruckend und selten.
Use Cases bewerten, bevor Technologie gewählt wird
Die richtigen Prioritäten sind entscheidend. Vier Fragen genügen meist, um Prozesse richtig ein zu ordnen.
| Frage | Was Sie prüfen | Warum sie das Ergebnis bestimmt |
|---|---|---|
| Wie häufig tritt es auf? | Menge pro Tag oder Woche | Der Nutzen kommt aus der Häufigkeit, nicht aus der Neuheit |
| Wie hoch ist der manuelle Aufwand? | Bearbeitungszeit und Nacharbeit | Setzt die Obergrenze dessen, was sich einsparen lässt |
| Wie verfügbar sind die Daten? | Quellen, Qualität, Berechtigungen | Schwache Daten begrenzen die Qualität unabhängig vom Modell |
| Wie gross ist der geschäftliche Effekt? | Kosten, Tempo, Risiko oder Umsatz | Entscheidet, ob Integration und Betrieb sich rechnen |
Ein Prozess, der hundertmal täglich gemacht wird und überwiegend aus standardisierter Informationsverarbeitung besteht, ist der bessere Kandidat für Automatisierung, als ein Komplexer, der zweimal im Monat gemacht wird. Der erste Schritt lautet deshalb nicht „wir bauen einen Chatbot“. Er lautet, sich Übersicht verschaffen, wo heute Zeit, Wissen oder Daten verloren gehen.
Warum die Integration der schwierige Teil ist
Ein Assistent ohne Zugang zu Unternehmensinformationen kann nur allgemeine Antworten geben. Eine Automatisierung ohne CRM-Anbindung erzeugt zusätzliche Handarbeit. Ein Analysemodell ohne verlässliche Datenpipeline liefert irgendwann veraltete Ergebnisse. Hier hören AI Consulting, Softwareentwicklung, Cloud-Arbeit und DevOps auf, getrennte Disziplinen zu sein.
Neuere Werkzeuge haben den Verbindungsteil handhabbarer gemacht. Das Model Context Protocol ist ein offener Standard, um KI-Anwendungen unter definierten Berechtigungen mit Datenquellen, Werkzeugen und Workflows zu verbinden. Es bildet die technische Grundlage für Assistenten und Agents, die mehr tun als antworten und dabei innerhalb klarer Grenzen in Ihren Systemen arbeiten.
Das Modell ist eine von sechs Komponenten. Der grösste Teil des Aufwands und des Risikos liegt in den übrigen fünf.
Die Datenqualität verdient hier besondere Aufmerksamkeit. In der EY-Erhebung 2026 waren unzureichende Datenqualität und Datensilos mit 20 Prozent das am häufigsten genannte Hindernis bei der KI-Integration, knapp vor Sicherheits- und Datenschutzbedenken mit 19 Prozent. Bevor über Modelle gesprochen wird, lohnt sich meist ein Gespräch über APIs, Datenqualität und Zugriffsrechte.
Zwischen Cloud und On-premise AI entscheiden
Nicht jedes Unternehmen braucht ein eigenes Sprachmodell, und nicht jeder Use Case ist mit einem Cloud basierten KI-Dienst konform umsetzbar. Die brauchbaren Optionen liegen meist dazwischen: ein Standard-SaaS-Produkt für allgemeine Aufgaben, ein abgesichertes Retrieval-System für Unternehmenswissen, eine private Cloud-Architektur für sensible Informationen oder selbst gehostete Modelle für streng kontrollierte Umgebungen.
Die Entscheidung sollte nach benannten Kriterien statt nach Vorliebe gemacht werden: Geschäftswert, Datenklassifikation, Ergebnisqualität, Integrationsaufwand, Betriebskosten, Latenz, Skalierbarkeit, Anbieterabhängigkeit, Security und regulatorische Anforderungen. Das Schweizer Bild deutet darauf hin, dass Unternehmen sich bereits über diese Bandbreite verteilen. In der EY-Erhebung 2026 nutzten 35 Prozent Enterprise-Lizenzen spezialisierter KI-Anwendungen, während rund ein Drittel eigene Lösungen auf Basis mehrerer Modelle gebaut hatte.
Die Regeln zählen so viel wie die Software
Ein technisch hervorragendes System scheitert trotzdem, wenn die Menschen, die damit arbeiten sollen, es nicht verstehen oder ihm nicht trauen. Die Schweizer Praxis zeigt die Lücke deutlich: Obwohl die KI-Nutzung stark stieg, hatten nur 34 Prozent der befragten KMU klare Regeln dazu, welche Daten Mitarbeitende in KI-Tools eingeben dürfen. Bei Betrieben mit weniger als zehn Mitarbeitenden waren es 23 Prozent.
Mitarbeitende müssen wissen, wofür ein System gedacht ist, welche Daten verwendet werden dürfen, wann Ergebnisse geprüft werden müssen und wer verantwortlich ist, wenn etwas schiefgeht. Interne Regeln müssen zugleich einfach genug bleiben, dass die Technologie überhaupt genutzt wird. Das Ziel ist kein Unternehmen voller Machine-Learning-Engineers. Es ist ein Unternehmen, in dem KI so selbstverständlich und verantwortungsvoll eingesetzt wird wie jedes andere digitale Werkzeug.
Regulatorisch wird das zunehmend erwartet. In der EU gelten Pflichten zur AI Literacy seit Februar 2025. In der Schweiz erfasst das Datenschutzgesetz bereits KI-gestützte Bearbeitungen von Personendaten, und eine Vernehmlassungsvorlage zur KI-Regulierung wird bis Ende 2026 erwartet.
Der Launch ist der Beginn der Messung
Bei klassischer Software ist der Go-live ein Meilenstein. Bei KI eröffnet er eine Lernphase. Wie nutzen die Leute das System tatsächlich? Wo funktioniert es gut? Welche Eingaben führen zu falschen oder unvollständigen Ergebnissen? Werden Berechtigungen korrekt angewendet? Steigen Modell- oder Infrastrukturkosten? Haben sich die angebundenen Systeme darunter verändert?
Produktive KI braucht Monitoring, Logging, Tests und regelmässige Evaluierung aus demselben Grund, aus dem sie eine Datenpipeline braucht. Qualität driftet leise, und ohne Messung merkt es zuerst ein Kunde. Eine KI-Strategie, die als PDF endet, endet zu früh.
Erfolgreiche KI muss nicht gross beginnen. Sie muss am richtigen Problem beginnen.
Vielleicht brauchen Sie keinen Agent. Vielleicht brauchen Sie keinen eigenen LLM-Cluster. Vielleicht brauchen Sie einen gut gewählten Prozess, bei dem KI mehrere Stunden pro Woche spart, sauber genug gebaut, dass er in einem halben Jahr noch läuft.