Wie Firmen zur KI-Organisation werden

Service is the New Software – für eine Kanzlei bedeutet dies zum Beispiel, aktiv Prozesse zu automatisieren, neuzugestalten, einfacher und kundenzentierter zu machen. Für eine Marketingagentur heisst das keine Marketing AI zu verkaufen, aber selbst so effizient und schnell mit KI zu arbeiten, damit sie Wettbewerbsvorteile hat. Wie werde ich eine agentische Organisaion? Wie arbeite ich mit Agenten in Zukunft? Welche Services und Produkte gewinnen an Wert, in einer Welt, die durch Agenten gesteuert wird? Viele KMU testen KI-Tools, doch echte Wirkung entsteht erst, wenn KI in Strategie, Prozesse, Daten, Technologie und Zusammenarbeit eingebettet wird. So werden Unternehmen Schritt für Schritt KI-nativ.

KI-native or Agentic-Organization?

Viele Unternehmen haben erste Erfahrungen mit generativer KI gesammelt. Mitarbeitende nutzen Chatbots für Texte, Analysen oder Zusammenfassungen. Teams testen Assistenten für Kundenservice, Marketing, Vertrieb, HR oder interne Suche.

Diese Experimente sind wichtig. Sie reichen aber nicht aus, um ein Unternehmen wirklich zu verändern. Der Unterschied zwischen einem KI-Projekt und einer KI-nativen Organisation liegt nicht im Tool. Er liegt darin, ob KI Teil der täglichen Arbeit wird: in Entscheidungen, Prozessen, Rollen, Datenflüssen und Kundeninteraktionen. Gerade für KMU ist diese Frage zentral. Sie haben oft weniger Ressourcen als Grossunternehmen, dafür aber kürzere Entscheidungswege und mehr Nähe zu Kundinnen und Kunden.

In einer Welt, in der Umsetzung durch KI ein­facher und der Go-to-Market schneller wird, gewinnt die Frage nach dem richtigen Geschäftsmodell an Bedeutung: Was schafft künftig echten Wert, wenn Agenten Aufgaben, Prozesse und Services ­mitsteuern? KI-nativ heisst nicht, dass ein Unternehmen alles automatisiert oder Mitarbeitende ersetzt. Es heisst, dass KI dort eingesetzt wird, wo sie bessere, schnellere oder skalierbare Ergebnisse ermöglicht. Die Organisation lernt, Aufgaben zwischen Menschen, Software, Daten und KI-Agenten neu zu verteilen. Mitarbeitende bringen Kontext, Erfahrung und Verantwortung ein. KI-Agenten übernehmen Recherche, Analyse, Vorbereitung, Dokumentation oder repetitive Aufgaben. Die Wertschöpfung entsteht im Zusammenspiel. Für KMU braucht es dafür nicht zwingend eine grosse KI-Abteilung, aber ein klares Betriebsmodell: Prioritäten, Datenregeln, Qualitätsprüfung, Verantwortlichkeiten und messbare Ziele.

Strategie beginnt beim Geschäftsmodell

Viele Unternehmen starten mit der Frage: Welches KI-Tool sollen wir nutzen? Relevanter ist jedoch: Welches Geschäftsmodell wollen wir stärken? Wer sind wir wirklich? Was macht uns aus? Für KMU lassen sich vier strategische Richtungen unterscheiden. Erstens kann KI Effizienz erhöhen, indem wiederkehrende Aufgaben automatisiert oder vorbereitet werden. Zweitens kann KI Servicequalität verbessern, etwa durch schnellere Antworten oder personalisierte Unterstützung. Drittens kann KI Wissen skalieren, indem internes Fachwissen besser zugänglich wird. Viertens kann KI neue Leistungen ermöglichen, zum Beispiel digitale Beratungsangebote, intelligente Zusatzfunktionen oder agentenbasierte Services. Nicht jede Richtung ist gleich relevant. Entscheidend ist, die eigene Wertschöpfung zu verstehen: Wo entsteht Marge? Wo geht Zeit verloren? Wo sinkt Qualität? Und wo könnte KI ein Angebot so verändern, dass daraus ein neuer Wettbewerbsvorteil entsteht?

People: Ohne Adoption keine Wirkung

KI-Transformation ist keine reine Technologiefrage. Sie verändert die Arbeitsweise. Mitarbeitende müssen verstehen, was KI kann, wo ihre Grenzen liegen und wie sie Ergebnisse prüfen. Führungskräfte müssen KI als Hebel für neue Rollen, bessere Entscheidungen und schnellere Umsetzung verstehen. Für KMU ist das besonders wichtig. Oft gibt es keine grossen Change-Teams. Dafür kann Befähigung näher am Alltag stattfinden. So wird KI nicht als Bedrohung erlebt, sondern als Unterstützung. Wer KI nur technisch einführt, aber Menschen nicht befähigt, wird wenig Wirkung erzielen. Wer Mitarbeitende früh einbindet, schafft Akzeptanz und entdeckt bessere Use Cases.

Nicht schlechte Prozesse automatisieren

Ein häufiger Fehler besteht darin, bestehende Abläufe einfach mit KI zu überziehen. Wenn ein Prozess unklar, langsam oder widersprüchlich ist, wird er durch KI nicht automatisch besser. KI kann Schwächen sogar verstärken. Deshalb beginnt die Arbeit an KI-Agenten mit Prozessverständnis. Welche Schritte gehören zum Ablauf? Welche Informationen werden benötigt? Welche Systeme sind beteiligt? Wo gibt es manuelle Arbeit, Freigaben oder Fehler? Welche Entscheidungen dürfen automatisiert vorbereitet werden, und wo bleibt der Mensch verantwortlich? Der grosse Hebel liegt in durchgängigen Prozessen. Ein Agent soll nicht nur eine einzelne Aufgabe erledigen, sondern Mitarbeitende über mehrere Schritte hinweg begleiten. Die finale Entscheidung bleibt beim Menschen.

Agenten als digitale Mitspieler

KI-Agenten unterscheiden sich von einfachen Chatbots, weil sie nicht nur antworten, sondern Aufgaben planen, Daten abrufen, Werkzeuge nutzen und nächste Schritte auslösen können. Sie müssen wissen, welche Rolle sie haben, worauf sie zugreifen dürfen und wann ein Mensch eingebunden wird. In Unternehmen arbeiten Agenten nicht isoliert. Sie greifen auf Dokumente, CRM-Systeme, Ticketing, Intranet, E-Mail oder Wissensdatenbanken zu. Dadurch verschiebt sich der Fokus von einzelnen Tools zu integrierten Agenten, die Prozesse aktiv unterstützen: Ein Sales-Agent analysiert CRM-Daten, bereitet Kundengespräche vor und erstellt Follow-up-Vorschläge. Ein HR-Agent beantwortet interne Fragen zu Richtlinien und unterstützt beim Onboarding. Ein Operations-Agent überwacht Tickets, erkennt Muster und schlägt Prozessverbesserungen vor. Ein Legal-Agent prüft Verträge, markiert Abweichungen und schlägt Formulierungen vor. Für KMU muss diese Architektur pragmatisch bleiben. Oft reicht ein klar priorisierter Einstieg: eine sichere Wissensbasis, ein interner Assistent, eine Anbindung an ein wichtiges System und ein klarer Freigabeprozess.

Data & Knowledge sind entscheidend

Viele Unternehmen unterschätzen, wie wichtig interne Daten und internes Wissen für KI sind. Allgemeine Modelle kennen nicht automatisch die eigenen Produkte, Prozesse, Verträge, Richtlinien, Kundendaten oder Fachbegriffe. Genau dort liegt jedoch der Unternehmenswert. Für KMU ist das oft eine der grössten Chancen. Wissen ist häufig verteilt: in Ordnern, Köpfen, E-Mails oder alten Systemen. KI kann helfen, dieses Wissen nutzbar zu machen. Doch zuerst muss geklärt werden, welche Quellen wichtig sind, wer sie verantwortet und wie sie gepflegt werden.

Governance: Skalieren braucht Vertrauen und Unabhängigkeit

Governance heisst nicht mehr nur Richtlinien, sondern unabhängig, schnell und sicher agieren zu können in einer Welt, die sich stark ändert und geopolitisch komplexer wird. Kennen wir die Use Cases? Haben wir die Datenhoheit? Wo werden die Daten gespeichert? Ist die Lösung transparent und auch unabhängig, was Hosting anbelangt? Ist die Lösung sicher für Menschen? Haben wir AgentOps, Human-in-the-Loop und Security im Griff? Für KMU muss Governance handhabbar sein. Hilfreich sind kurze Richtlinien, klare Rollen und praktische Prüfpunkte: Welche Daten dürfen verwendet werden? Welche Use Cases brauchen eine Freigabe? Welche Entscheidungen bleiben beim Menschen? Wie werden Fehler erkannt und verbessert?

Woran KI-Transformationen scheitern

KI-Transformation scheitert selten an der Technologie allein. Häufiger fehlt ein klares Zielbild, ein priorisiertes Vorgehen oder die Verbindung zu Prozessen, Daten und Mitarbeitenden. Ein häufiger Fehler ist, KI als Tool-Projekt zu behandeln. Unternehmen führen Chatbots, Copilot oder einzelne Agenten ein, ohne zu klären, welche Abläufe dadurch besser werden sollen. Dann bleibt KI ein Werkzeug, verändert aber weder Arbeit noch Business Impact. Ebenso kritisch ist fehlende Priorisierung. Viele Organisationen sammeln dutzende Use Cases, starten mehrere Piloten parallel und verlieren dadurch Fokus. Besonders KMU sollten wenige Anwendungsfälle auswählen, die klar zum Geschäftsmodell passen und messbaren Nutzen bringen. Auch die Datenbasis wird oft unterschätzt. Wenn Wissen in E-Mails, Ordnern, alten Systemen oder Köpfen verteilt ist, können KI-Agenten keine verlässlichen Ergebnisse liefern. Vor der Skalierung müssen deshalb Datenquellen, Verantwortlichkeiten und Zugriffskonzepte geklärt werden.

In vier Phasen zur KI-nativen Organisation

Erfolgreiche KI-Transformation beginnt mit einem klaren Zielbild, einem fokussierten Vorgehen und ersten sichtbaren Ergebnissen. Der erste Schritt ist die Standortbestimmung. ­Unternehmen analysieren, wo sie bei KI, Daten, ­Prozessen, Kompetenzen und Governance stehen. In der zweiten Phase wird das Zielbild gestaltet: ­Welche Rolle soll KI künftig spielen? Welche Use ­Cases haben Priorität? Welches Betriebsmodell ist nötig? Die dritte Phase ist der Pilot. Hier werden erste Leuchtturm-Use-Cases umgesetzt, etwa ein Agent für Angebotsprozesse, eine Lösung für Dokumentenprüfung oder ein Assistent für Kundenservice. Ein guter Pilot ist keine Demo. Er hat klare Nutzergruppen, messbare Ziele und eine Einbindung in bestehende Abläufe. Die vierte Phase ist die Skalierung. Erfolgreiche Muster werden auf weitere Bereiche übertragen. Das Unternehmen baut wiederverwendbare Bausteine auf: Datenpipelines, Agentenlogik, Governance, Schulungsformate und Monitoring.

Was zählt beim Business Impact?

KI-Projekte sollten nicht nur danach bewertet werden, ob sie technisch funktionieren. Sie müssen zeigen, ob sie Wirkung erzeugen. Für KMU sind einfache, klare Kennzahlen oft hilfreicher als komplexe Messsysteme. Auch qualitative Effekte zählen: weniger Wissenssilos, bessere Zusammenarbeit, höhere Transparenz oder schnellere Einarbeitung neuer Mitarbeitender. Wichtig ist, diese Wirkung vor dem Pilot zu definieren. Ein guter KI-Use-Case hat deshalb immer drei Elemente: ein klares Problem, eine messbare Wirkung und eine realistische Umsetzung. Agentische Organisation verbinden Menschen, Prozesse, Daten, Technologie und Governance. Wertsteigerung und das «Was macht uns aus» steht jetzt im Vordergrund.

Konkrete Hilfe für KMU

Für KMU ist der richtige Einstieg entscheidend. Wer zu lange wartet, riskiert, dass Wettbewerber schneller reagieren oder Wissen besser skalieren. Wer unkoordiniert startet, verliert Zeit und Geld in Tool-Experimenten ohne Wirkung. Der beste Weg liegt dazwischen: pragmatisch starten, aber strategisch denken. Ein KMU muss nicht sofort eine perfekte KI-Organisation sein. Es muss aber verstehen, welche Fähigkeiten es aufbauen will: KI-Kompetenz bei Mitarbeitenden, eine nutzbare Datenbasis, klare Prozesse, sichere Technologie und ein Entscheidungsmodell für Use Cases. Oft hilft dabei ein KI-Hub, intern oder gemeinsam mit externen Partnern. Ein solcher Hub verbindet Strategie, Fachbereiche, Technologie und Befähigung. Er sorgt dafür, dass Use Cases nicht zufällig entstehen, sondern nach Wertbeitrag priorisiert werden. Die Organisation muss eigene Fähigkeiten aufbauen. Externe Unterstützung ist vor allem dann sinnvoll, wenn sie Geschwindigkeit bringt, Lösungen und Methoden liefert, technische Risiken reduziert und Mitarbeitende befähigt.