Jahresrückblick 2025: Leben im Zeitalter der Paradoxien
2025 war ein Jahr, das sich in vielen Momenten weniger wie politische Realität, sondern eher wie ein „Writer’s Room“ eines Netflix-Dramas anfühlte. Polarisierung überall, ein politisches Klima auf Hochspannung, Technikgiganten im Kampf mit Staaten und NGO-Allianzen und dazu die fortschreitende Klimakrise, die nun endgültig im Alltag angekommen ist. Und während vieles wie Chaos wirkt, zeigt sich in der neuen Folge von Übermorgen.Funk vor allem eines: Wir sind als Gesellschaft schlecht darin geworden, Widersprüche auszuhalten.
Denn 2025 war ein Jahr voller Paradoxien. Mehr denn je.
Migration begrenzen und gleichzeitig Fachkräfte suchen? Willkommen im Realitätsschock.
Deutschland ringt weiter mit der Asyl- und Migrationspolitik. Die Asylanträge sind rückläufig und gleichzeitig fehlen Pflegekräfte, Lehrkräfte und Handwerker an allen Ecken. Wir drosseln einerseits die Zuwanderung, werben aber parallel in Indien und anderen Ländern offensiv um Fachkräfte. Ein Widerspruch, der politisch kaum erklärt, aber gesellschaftlich täglich spürbar wird.
Diese Ambivalenzen ziehen sich durch nahezu alle großen Debatten des Jahres: Sicherheit versus Menschenrechte, Effizienz versus demokratische Kontrolle, wirtschaftliche Wettbewerbsfähigkeit versus ökologische Verpflichtungen. Wo früher klare Linien existierten, sehen wir heute Überlagerungen, Grautöne, komplexe Wechselwirkungen. Doch unsere politische Debattenkultur ist noch immer auf binäre Antworten gepolt.
Klimapolitik: Das Schweigen einer erschöpften Gesellschaft
Noch ein Paradox: Während der wissenschaftliche Konsens klarer denn je ist (die 1,5-Grad-Grenze ist de facto überschritten), wird öffentlich so leise über Klimapolitik gesprochen wie seit Jahren nicht mehr. „Greenhushing“ nennt man das: Nachhaltigkeit teilweise umsetzen, aber bloß nicht drüber reden. Eine leise Kapitulation vor einer Debatte, die zu oft von Moralismus auf der einen und Zynismus auf der anderen Seite geprägt war.
Gleichzeitig wachsen weltweit die erneuerbaren Energien so stark wie nie zuvor. 90 Prozent der neuen Kapazitäten stammen inzwischen aus Wind, Sonne und Co. Und ausgerechnet China führt die Expansion an. Ein weiteres dieser unbequemen Fakten, die sich nicht in Schwarz-Weiß verpacken lassen und genau deshalb so wichtig sind.
Unser eigentlicher Zukunftstest: Ambiguität aushalten können
Genau hier setzt die neue Folge von Übermorgen.Funk an. Sie zeigt, wie sehr wir verlernt haben, komplexe Realitäten zu akzeptieren und warum das gefährlich wird. Demokratie braucht Ambiguitätstoleranz. Klimapolitik braucht Priorisierung statt Symbolpolitik. Technologiepolitik braucht langfristige Strategien, nicht kurzfristige Empörung.
Oder zugespitzt: Die Zukunft wird nicht einfacher, also müssen wir besser darin werden, das Schwierige auszuhalten.
Für mich persönlich verändert sich 2026 einiges: privat, beruflich und auch für diesen Podcast. Denn Übermorgen.Funk wird bald eingestellt, nach einer letzten, abschließenden Episode. Aber bevor wir uns verabschieden, wollten wir den Blick noch einmal weit öffnen: auf die Widersprüche, die uns herausfordern, und die Möglichkeiten, die wir trotzdem haben.
Jetzt reinhören und gemeinsam Komplexität zurückerobern:
Wenn du verstehen möchtest, was 2025 wirklich geprägt hat, warum 2026 kein normales Jahr wird und weshalb wir uns gerade jetzt einen nüchternen, systemischen Blick auf die Welt leisten müssen, dann hör in die neue Folge rein: Übermorgen.Funk - #009.
Ich wünsche euch allen ein frohes Weihnachtsfest sowie ein gesundes, produktives und erfolgreiches neues Jahr.
Euer Kai.
Make, Buy oder Partner? Wie Sie eigene KI-Produkte bauen.
Selbst entwickeln, einkaufen oder kooperieren? Mittelständische Unternehmen stehen bei KI-Projekten vor der entscheidenden Frage: Make, Buy oder Partner? Baue ich eine KI-Lösung inhouse auf, kaufe ich eine fertige Software ein oder spanne ich einen Partner (z. B. ein Start-up oder Konsortialprojekt) ein? Diese Weichenstellung ist komplex – und bei KI sogar schwieriger als bei klassischer Software, wie wir in „KI jetzt!“ betonen: „Diese ‚Make, buy or partner‘-Entscheidung wird beim KI-Produkt leider deutlich komplizierter.“ (KI jetzt!, S. 98).
In diesem Beitrag führen wir durch die Entscheidungsfindung. Welche Kriterien sollten den Business Case KI leiten? Wie kalkuliert man den ROI eines KI-Projekts realistisch? Und welche Vor- und Nachteile haben Eigenentwicklung, Zukauf oder Partnerschaft konkret? Sie erhalten Checklisten (angelehnt an „KI jetzt!“ S. 99) und erfahren aktuelle Beispiele – etwa Siemens Industrial Copilot (eine KI-Co-Creation mit Microsoft) und Erkenntnisse aus einer McKinsey-Studie, warum viele KI-Investitionen noch keine großen Renditen abwerfen. Am Ende wissen Sie, wie Sie Ihre KI-Produktstrategie fundiert aufsetzen: selbst bauen – aber richtig, oder eben bewusst zukaufen oder kooperieren.
Make, Buy oder Partner – warum ist die Entscheidung bei KI so schwierig?
In der klassischen IT ist der Entscheidungsprozess oftmals klarer: Standardsoftware (z. B. ERP aus Walldorf) kaufen viele Mittelständler lieber ein, statt eigene Lösungen zu programmieren – zu teuer und langwierig wäre die Eigenentwicklung. Bei KI jedoch greift diese Logik zu kurz:
- KI ist neu und wandelbar: Viele KI-Produkte – speziell generative KI – sind noch jung und entwickeln sich rasant weiter. Was heute am Markt erhältlich ist, kann in wenigen Monaten überholt sein. Standard-KI-Lösungen großer Anbieter wirken manchmal unausgereift oder erfüllen den spezifischen Zweck nicht vollständig. Für spezielle Anforderungen gibt es oft (noch) keine passgenaue Kaufsoftware.
- Individualität vs. Skaleneffekt: KI-Anwendungen, die direkt Ihren kritischen Geschäftsprozessen dienen (z. B. eine KI, die Ihre firmenspezifischen Produktionsdaten auswertet), müssen maßgeschneidert sein, um echten Mehrwert zu liefern. „Individuelle KI-Lösungen [sind] fast unumgänglich“ für solche Kernprozesse, heißt es in "KI jetzt!" (S. 98). Ein zugekauftes generisches Tool deckt womöglich nur 60% Ihrer Anforderungen ab – der Rest müsste angepasst werden. Hier kann Make sinnvoller sein. Andererseits: Nicht jede KI-Anwendung ist so einzigartig. Generische Use Cases (wie Sprachassistenz für E-Mails) werden rasch als Features in Standardsoftware integriert. Diese selbst zu entwickeln lohnt kaum.
- Neue Make-Optionen durch Open Source: Im KI-Bereich existiert eine starke Open-Source-Community. Das bedeutet, ein Mittelständler kann heute auf offene KI-Modelle zugreifen und sie mit eigenem Know-how feinjustieren, ohne bei null anzufangen. Dadurch wird Eigenbau attraktiver, denn man muss kein komplettes Modell mehr selbst entwickeln, sondern nur anpassen (Feintraining, „Small Models“ für spezielle Aufgaben etc.). „Hier lohnt sich auch ein Blick in die Open-Source-Welt!“ erinnert eine Checkliste in KI jetzt! (S. 99) – ein Hinweis, dass „Buy“ manchmal durch „Use Open Source & Make“ ersetzt werden kann.
- Fachkräfte und Kosten: KI selber bauen erfordert Talent – Data Scientists, ML-Engineers – die rar und teuer sind. Buy umgeht das zunächst, aber: Gekaufte Lösungen erfordern trotzdem internes Know-how für Integration und Betrieb. Fehlt KI-Kompetenz im Haus, ist auch der Einsatz eines Einkaufs-Produkts riskant (niemand kann es richtig beurteilen). Partnerschaften wiederum können Know-how-Sharing bringen, aber hier muss man Gewinne teilen und Kompromisse eingehen.
Zusammengefasst ist die Make-Buy-Entscheidung bei KI eine strategische Abwägung zwischen Unabhängigkeit und Einmalaufwand (Make), Schnelligkeit und geringerem Entwicklungsaufwand (Buy) und Risikoteilung und Synergien (Partner). Und sie hängt stark vom Einzelfall ab.
Checkliste: Make, Buy oder Partner – die Schlüsselfragen
Anstatt aus dem Bauch zu entscheiden, sollten Sie systematisch Kriterien prüfen. Bauen wir auf der Checkliste von "KI jetzt!" auf und erläutern die wichtigsten Entscheidungsfaktoren:
- Skaleneffekt: Haben wir durch das KI-Produkt einen Skaleneffekt? (ja = eher selbst machen; nein = zukaufen; kaum = im Netzwerk entwickeln) – Diese Frage aus KI jetzt! (S. 99) zielt darauf ab: Wenn Ihre KI-Lösung einen Wettbewerbsvorteil bietet, der mit steigender Nutzung wächst (Skaleneffekt), dann lohnt sich die Investition in Eigenentwicklung eher. Beispiel: Ein KI-Produkt, das Sie später auch an Kunden verkaufen können (neues Geschäftsmodell), würde Ihnen Lizenzeinnahmen bringen – hier kann Make sinnvoll sein, um Eigentümer der Lösung zu sein. Kein Skaleneffekt heißt: es ist ein interner Use Case ohne weiteres Umsatzpotenzial – dann lieber auf bestehende Lösungen setzen.
- Wirtschaftlichkeit & ROI: Wann rentiert sich die Investitionen? Erstellen Sie einen Business Case. Eigenentwicklung verursacht hohe Anfangskosten (Personal, Infrastruktur, Entwicklungszeit) und laufende Kosten (Wartung, Strom für GPU-Server etc.). Demgegenüber stehen erwartete Einsparungen oder Zusatzgewinne. Zukauf hat meist kalkulierbare laufende Kosten (Lizenzen/Abos), aber eventuell weniger individuell erzielbaren Nutzen. McKinsey fand heraus, dass zwar ~80% der Unternehmen mittlerweile KI einsetzen, aber ähnlich viele noch keinen signifikanten finanziellen Nutzen daraus ziehen [1]. Dieses „GenAI-Paradoxon“ zeigt: Man darf den ROI nicht überschätzen. Planen Sie konservativ: Rechnet sich Ihre KI-Lösung auch im Worst-Case (doppelte Entwicklungszeit, halber Nutzen)? Wenn nein, lieber kleiner starten oder zukaufen.
- Kapital und Förderung: Haben wir das Investitionskapital? Gibt es Fördermittel oder Venture Capital? (KI jetzt!, S. 99) – Im Mittelstand ist Budget begrenzt. Prüfen Sie öffentliche Förderprogramme für KI (Bund/Länder bieten Zuschüsse). Falls Sie ein KI-Produkt mit Marktpotenzial entwickeln, ziehen Sie auch Partnerschaften in Betracht, um Kosten zu teilen. Beispiel: Mehrere Firmen einer Branche (z. B. in einer Innung) tun sich zusammen, um gemeinsam eine KI-Lösung entwickeln zu lassen – so teilen sich Aufwand und Risiko. Dieser Partner-Weg vermindert individuelle Kosten, aber man gibt auch Kontrolle ab.
- Effizienz- oder Erlössteigerung: Steigert es die Effizienz oder erhöht es die Erlöse? – Ist der primäre Nutzen Kostensenkung (Effizienz) oder Umsatzwachstum (neues Produkt)? Effizienz-KI (z. B. Prozessoptimierung) lässt sich intern nach Implementierung sofort nutzen – falls Standardsoftware das kann, ist Buy oft ausreichend. KI für neue Erlöse (z. B. ein KI-basiertes Kundenfeature) kann zum Wettbewerbsvorteil werden – hier ist Make oder Partner mit Start-up ggf. besser, um etwas Einzigartiges zu schaffen.
- Verfügbarkeit von Fachkräften: Haben wir die Fachkräfte dafür? Welche brauchen wir perspektivisch? Ehrliche Bestandsaufnahme: Gibt es in Ihrem Team genug KI-Know-how? Ein Eigenbau ist ohne erfahrene ML-Entwickler riskant; schlechte Modelle oder endlose Experimente drohen. Können Sie die nötigen Talente einstellen oder weiterbilden? Wenn nein, spricht das für Buy oder Partner, um externes Know-how einzubinden. Überlegen Sie langfristig. KI ist kein einmaliges Projekt – es wird Kerntechnologie. Ein gewisser interner Aufbau von KI-Kompetenzen ist strategisch ratsam, selbst wenn Sie zukaufen (um externe Lösungen bewerten und anpassen zu können).
- Rechtliche und regulatorische Vorgaben: Dürfen wir das überhaupt? (Gesetze, Datenschutz, EU AI Act, Betriebsrat, Gewerkschaft) – Dieser Punkt der Checkliste (KI jetzt!, S. 99) mahnt, die Compliance nicht zu vergessen. Beispielsweise: Wenn Sie sensible Gesundheitsdaten nutzen, gelten strenge Datenschutzregeln – eine Eigenentwicklung erfordert, dass Sie entsprechende Sicherheitsmaßnahmen einbauen (Verschlüsselung, Anonymisierung). Vielleicht hat ein großer Softwareanbieter hier schon zertifizierte Lösungen – dann ist Buy im Vorteil (Vermeidung von Haftungsrisiken). Auch interne Regularien (Betriebsrat bei Überwachung durch KI etc.) sind hier relevant. Hier zeigt sich: Make bedeutet auch, Verantwortung für ethische und rechtliche Aspekte voll zu tragen. Bei Buy können Sie Verantwortung teilweise an den Anbieter delegieren (aber auch der bleibt nicht 100% haftbar für Ihr Tun).
- Existiert schon eine (Basis-)Lösung? Sind wir sicher, dass noch niemand eine geeignete Basislösung entwickelt hat, die wir anpassen können? (Hier lohnt sich ein Blick in die Open-Source-Welt!). Diese Frage ist entscheidend. Nicht jede KI-Idee ist neu. Vielleicht gibt es auf GitHub ein Open-Source-Modell oder eine Library, die 80% Ihres Problems löst. Beispiele: Für Sprach-KI gibt es vortrainierte Modelle (z. B. GPT-3/GPT-4 via API, oder Open-Source wie Llama 3.1). Für Bilderkennung existieren vortrainierte CNNs. Anstatt bei Null anzufangen, können Sie prüfen: Können wir eine vorhandene Lösung lizenzieren oder open-source nutzen und mit Anpassungen ans Ziel kommen? Das wäre quasi ein Mittelweg: Buy (bzw. Free) und Makekombinieren. Viele erfolgreiche KI-Produkte basieren auf solchen Pretrained Models, die mit eigenen Daten feinjustiert werden – das spart Zeit und Kosten enorm.
Diese Checkliste soll deutlich machen: Es gibt keine pauschale Antwort. Jedes Kriterium hat Gewicht. Oft ergibt sich aber ein Trend. Zum Beispiel:
- Wenn der Skaleneffekt hoch ist, ROI vielversprechend, Know-how vorhanden – dann Make (Eigenentwicklung) bevorzugen, um Eigentum am wertschöpfenden KI-Produkt zu sichern.
- Wenn schneller Effizienzgewinn benötigt, Markt bietet Lösungen, interne KI-Kenntnisse gering – dann eher Buy (Einkauf bestehender KI-Software oder Nutzung von KI-APIs).
- Wenn Idee gut, aber Ressourcen knapp und Risiken hoch – dann Partner: Kooperationsprojekt, Joint Venture oder Entwicklung mit Technologie-Partner, um Last und Nutzen zu teilen.
Praxisbeispiel 1: Siemens Industrial Copilot – KI-Partnerschaft mit Tech-Riese
Ein praktisches Beispiel für den Partner-Ansatz liefert Siemens. Der deutsche Industriekonzern hat 2024 gemeinsam mit Microsoft den Siemens Industrial Copilot vorgestellt [2]. Dabei handelt es sich um einen generativen KI-Assistenten für die Industrie, der Ingenieuren hilft, Automatisierungscode zu erstellen und zu optimieren. Siemens bringt hier seine Domänenexpertise (z. B. im Anlagenbau) ein, Microsoft die Cloud-und KI-Plattform (Azure, OpenAI Services).
Diese Kooperation zeigt: Statt alles selbst zu entwickeln, hat Siemens erkannt, dass eine Partnerschaft schneller zum Ziel führt. Der Industrial Copilot nutzt die generative KI von Microsoft (ähnlich GPT-4) und verbindet sie mit Siemens spezifischem Know-how in Automatisierungssoftware (TIA Portal). Ergebnis: Nutzer können in ihrer Sprache komplizierten SPS-Code generieren und debuggen lassen, was Entwicklungszeit spart.
Siemens hätte so einen generativen KI-Service allein kaum in gleicher Zeit stemmen können – schließlich sind die großen Sprachmodelle extrem aufwendig (OpenAI’s GPT-3 hatte 175 Mrd. Parameter, Training kostete Millionen). Durch die Allianz erhielt Siemens Zugang zu einem leistungsfähigen KI-Modell und konnte sich auf die Integration ins eigene Produkt konzentrieren. Gleichzeitig profitiert Microsoft vom Industrie-Know-how und einer Referenz im wichtigen B2B-Sektor.
Erkenntnis: Partnering mit einem Tech-Riesen kann sinnvoll sein, wenn man selbst nicht alle Bausteine hat. Allerdings braucht es Augenhöhe: Vertragsgestaltung und Datenschutz sind kritisch (gerade deutsche Unternehmen achten darauf, dass ihre Daten in so einer Partnerschaft geschützt bleiben). Im Fall Siemens/Microsoft wird der Industrial Copilot über Azure angeboten – Vertrauen ist hier essenziell. Siemens spricht von „industrietauglichen Standards“ und betont, dass der Copilot über die gesamte Wertschöpfungskette hilft [3]. Für Mittelständler könnte analog eine Partnerschaft mit spezialisierten KI-Dienstleistern oder Forschungsinstituten ratsam sein, um state-of-the-art KI zu nutzen, ohne alles allein aufzubauen.
Praxisbeispiel 2: KI selbst entwickeln – die Tücken des „Make“
Stellen wir uns ein mittelständisches Unternehmen vor, das eine KI-gestützte Prognosesoftware für seinen Vertrieb entwickeln will – um Absatzmengen besser vorherzusagen. Der Geschäftsführer entscheidet: „Das machen wir selbst!“ Er stellt zwei Data Scientists ein, kauft Hardware – und nach einem Jahr gibt es einen Prototyp. Doch im Echtbetrieb liefert das Modell nur marginal bessere Prognosen als die bisherige manuelle Planung. Woran kann es liegen?
Typische Stolpersteine bei Make:
- Daten, Daten, Daten: Ohne umfangreiche, hochwertige Daten hilft der beste Data Scientist nichts. Vielleicht waren historische Vertriebsdaten unvollständig oder zu wenige. Die Autoren warnen: Ohne qualitativ hochwertige Daten bleibt jede KI blind. Unser Beispielunternehmen hätte ggf. zuerst eine saubere Datenbasis schaffen müssen, bevor KI Sinn ergibt. Alternativ hätte eine zugekaufte Lösung auf Branchen-Benchmarks zurückgreifen können.
- Produktdenken vs. Projektdenken: Ein KI-Produkt ist nie „fertig“. Oft fehlt Unternehmen die Erfahrung im Software-Produktmanagement. Im Beispiel könnte man früh bemerken, dass das Modell öfter falsch liegt, weil externe Faktoren (Wetter, Konkurrenzaktionen) fehlen. Das KI-Team bräuchte also permanentes Feedback vom Vertrieb (domänenspezifisches Wissen) – doch die interne Kommunikation hakt. Ein externer Anbieter hätte vielleicht ein ausgereifteres Produkt gehabt, weil er das Feedback vieler Kunden bündelt.
- Kostenexplosion: Eigenentwicklungen dauern oft länger als geplant. Im Beispiel wollen die Data Scientists vielleicht noch komplexere Modelle ausprobieren – die Entwicklungszeit verdoppelt sich. Der ROI verschiebt sich nach hinten. Viele KI-Projekte bleiben hinter den Erwartungen zurück, nicht zuletzt, weil Business Value und Machbarkeit anfangs falsch eingeschätzt wurden. Ein Zukauf hätte zwar Lizenzkosten verursacht, aber vielleicht ab dem ersten Monat Nutzen gebracht.
- Talentrückgang: Was, wenn einer der beiden Data Scientists kündigt? Plötzlich steht das Unternehmen da – kein anderer kennt den Code. Diese Single-Point-of-Failure-Risiken sind real. Eigenentwicklung erfordert auch, ein Team längerfristig zu halten und weiterzubilden.
Natürlich kann Make gelingen – viele Mittelständler haben erstaunliche KI-Tools selbst gebaut, gerade wenn sie Nischen-Know-how besitzen. Der Schlüssel ist, realistisch zu planen: Haben wir genug Daten? Können wir notfalls extern beraten lassen? Planen wir Iterationen ein (statt perfektes Endprodukt sofort)? Und: Was ist Plan B, falls unser Weg nicht funktioniert? – Den haben die Wenigsten. Ein Exit-Kriterium (z. B. „wenn nach 1 Jahr kein brauchbares Ergebnis, dann Wechsel zu Buy“) ist sinnvoll.
Praxisbeispiel 3: Mischform – Zukauf und Feintuning
Ein alternativer Ansatz, der in der Praxis oft erfolgreich ist: Erst kaufen, dann anpassen. Beispiel: Ein Unternehmen will eine KI zur Bilderkennung in der Qualitätssicherung einsetzen (Fehlererkennung auf Produktfotos). Statt von Grund auf zu starten, lizenziert man eine bestehende KI-Software (oder nutzt einen Cloud-Service). Diese Lösung funktioniert „out of the box“ vielleicht zu 80%. Die restlichen 20% verbessert man, indem man das Modell mit eigenen Bildern weitertrainiert (Transfer Learning) und die Software über APIs in die eigenen Prozesse integriert.
So hat man eine Art Hybrid: Teile sind zugekauft (man spart Entwicklungszeit), aber der Feinschliff erfolgt intern – was unternehmensspezifisches Know-how einbringt. Viele Cloud-Anbieter ermöglichen inzwischen Custom AI: z. B. bietet OpenAI die Möglichkeit, GPT-Modelle auf eigene Daten zu feintunen (gegen Gebühr), oder Google Vertex AI hat vortrainierte Vision-Modelle, die man mit eigenem Bildmaterial veredeln kann. Der Vorteil: Sie müssen kein eigenes KI-Modell „erfinden“, sondern nur noch Ihr Fachwissen einspeisen. So entstehen „Small Models“ – kleine spezialisierter KI-Modelle – mit relativ überschaubarem Aufwand, die genau Ihre Anforderungen treffen.
Diese Mischform beantwortet Make vs. Buy mit „Both“. Wichtig ist hier, auf offene Schnittstellen und Rechte zu achten: Können Sie das zugekaufte Modell wirklich modifizieren? Dürfen Sie die Ergebnisse uneingeschränkt nutzen? Cloud-Anbieter haben teils Einschränkungen (z. B. dürfen KI-Modelle nicht für bestimmte sensible Anwendungen genutzt werden). Prüfen Sie das vertraglich.
Die Make-Buy-Entscheidung strategisch verankern
Unsere Beispiele zeigen: Ob Make, Buy oder Partner – es gibt kein Patentrezept. Umso wichtiger ist, diese Entscheidung systematisch und nicht fallweise zufällig zu treffen. In Ihrem Unternehmen sollte es einen klaren Prozess dafür geben, idealerweise im Rahmen Ihrer KI-Strategie oder Innovationssteuerung:
- Bedarf identifizieren: Fachabteilung meldet Bedürfnis (Problem, das KI lösen könnte).
- Machbarkeits-Check: KI-Experten prüfen, ob grundsätzlich KI geeignet ist („KI oder nicht KI?“ – manchmal lässt sich ein Problem auch ohne KI lösen, siehe KI jetzt!, S. 97).
- Marktsichtung: Gibt es bestehende Lösungen? Kurzanalyse von verfügbaren Tools, Open-Source-Modellen etc.
- Make-Buy-Workshop: Relevant Stakeholder (Fachbereich, IT, evtl. Einkauf, Datenschutz) bewerten anhand der oben genannten Kriterien (Skaleneffekt, ROI, Know-how, etc.). Auch Risiken bewerten: Ein Risiko z. B. bei Buy könnte Abhängigkeit von einem Anbieter sein (-> Lock-in), bei Make das Technologierisiko, bei Partner das Teilen von sensiblen Daten.
- Entscheidungsvorlage: Management trifft auf Basis dieser Analyse die Entscheidung. Dokumentieren Sie die Gründe für Nachvollziehbarkeit.
- Umsetzung: Bei Buy – Lieferantenauswahl und Pilot mit externer Lösung. Bei Make – Ressourcen planen (Team, Infrastruktur, evtl. externe Unterstützung). Bei Partner – MoU oder Vertrag schließen, Projektstruktur definieren.
Bleiben Sie flexibel! Die KI-Welt ändert sich schnell. Was heute noch nicht am Markt ist, kann in einem Jahr kaufbar sein. „Wer jetzt denkt: ‚Ach, gut, dann warten wir ein paar Jahre ab‘, irrt.“ (KI jetzt!, S. 119). Zu warten und nichts zu tun, wäre die schlechteste Option. Aber genauso kann blinder Aktionismus schaden. Fahren Sie mehrgleisig: Kleine Experimente selbst machen, parallel den Markt beobachten. So bleiben Sie handlungsfähig.
Fazit: Den richtigen Weg finden
Die Entscheidung Make, Buy oder Partner für KI-Produkte ist im Mittelstand eine der strategisch wichtigsten Weichen auf dem Weg zur KI-getriebenen Organisation. Sie hängt ab von Ihren Zielen, Ihren Fähigkeiten und dem Umfeld. Gehen Sie die Entscheidung strukturiert an und scheuen Sie sich nicht, auch einmal den Kurs zu wechseln, falls sich Annahmen ändern.
Nutzen Sie die aktuelle Dynamik: Partnerschaften sind en vogue (siehe Siemens), Open-Source-Modelle geben Ihnen Starthilfe beim selbst bauen, und Technologieriesen bieten KI-Dienste, die Sie integrieren können. Vielleicht lautet Ihre Devise: Erst einmal Buy/Partner, um KI-Erfahrung zu sammeln, und mittel- bis langfristig Make, wenn Sie genügend Expertise aufgebaut haben.
Egal wie Sie sich entscheiden – wichtig ist, dass Sie entscheiden und ins Handeln kommen. Denn Nichtstun wäre die einzige falsche Option. Der Mittelstand hat alle Chancen, KI innovativ zu nutzen. Treffen Sie klug die Make-Buy-Partner-Wahl und legen Sie los: Ihr KI-Produkt der Zukunft wartet!
Neugierig auf weitere Tipps und konkrete Fallbeispiele? Im Buch „KI jetzt!“ von Kai Gondlach und Mark Brinkmann finden Sie tiefgehende Einblicke in erfolgreiche KI-Projekte, Entscheidungsgrundlagen und praktische Checklisten (wie die oben erwähnte auf S. 99). KI jetzt! ist Ihr Begleiter von der Idee zum KI-Produkt. Nutzen Sie diesen Wissensvorsprung und starten Sie Ihr KI-Projekt – ob Make, Buy oder Partner!
Sie möchten mehr über diese Themen erfahren? Buchen Sie eine Keynote mit Kai Gondlach zu den gesellschaftlichen, wirtschaftlichen und politischen Auswirkungen von Künstlicher Intelligenz: kaigondlach.de/vortraege/
Sie möchten die nächsten Schritte für Ihr Unternehmen konkret umsetzen? Dann buchen Sie ein Beratungsgespräch zu unseren PROFORE-Leistungen: profore-zukunft.de/kontakt/
[1] https://www.mckinsey.com/capabilities/quantumblack/our-insights/seizing-the-agentic-ai-advantage
[2] https://www.siemens.com/global/en/company/insights/unlocking-the-power-of-generative-ai-siemens-industrial-copilot.html
[3] https://press.siemens.com/global/en/pressrelease/siemens-expands-industrial-copilot-new-generative-ai-powered-maintenance-offering
Vom Pilot zum Rollout: Das KI-Operating-Model für den Mittelstand
Vom Proof of Concept zum Produktivbetrieb: Viele Mittelständler haben erste KI-Piloten gestartet – doch der Schritt zur breiten Nutzung scheitert oft an fehlenden Strukturen. Gartner-Studien zufolge schaffen es nur ca. 4 von 33 KI-Piloten in die Produktion [1]. Häufig fehlen ein durchdachtes KI-Operating-Model, klare Rollen und Prozesse für den Rollout. Statt einzelner Leuchtturmprojekte braucht der Mittelstand ein belastbares Betriebsmodell für KI, das vom ersten Experiment bis zum flächendeckenden Einsatz trägt.
In diesem Artikel erfahren Sie, wie Sie ein solches KI-Operating-Model aufbauen – mit passender KI-Governance, definierten KI-Rollen und Human-in-the-Loop-Mechanismen. Wir beleuchten aktuelle Impulse wie den EU AI Act und ISO/IEC 42001 als Leitplanken und zeigen, wie Sie vom einmaligen Pilotprojekt zum nachhaltigen KI-Einsatz im ganzen Unternehmen gelangen.
Vom Experiment zur Skalierung: Warum KI-Piloten stecken bleiben
Der Start ist oft vielversprechend: Ein KI-Prototyp liefert spannende Ergebnisse, ein Pilotprojekt zeigt Potenzial. Doch danach herrscht Ernüchterung. Ohne skalierbares Konzept bleiben viele KI-Projekte „stecken“ – entweder technisch (Integration, Daten, Performance) oder organisatorisch (fehlende Akzeptanz, unklare Zuständigkeiten).
Kurzfristiger Enthusiasmus reicht nicht. Wir haben beobachtet, dass viele Entscheider:innen anfangs vom KI-Hype getrieben sind, aber den langen Atem unterschätzen: „Die Mehrheit der Menschen überschätzt die kurzfristigen KI-Auswirkungen“ (KI jetzt!, S. 13), zugleich wird das langfristige Disruptionspotenzial oft unterschätzt. Für den Mittelstand heißt das: Nicht jede Vision wird sofort Realität, aber in 10 Jahren wird KI fast jeden Geschäftsbereich durchdringen. Es gilt also, früh die Weichen richtig zu stellen, um nicht abgehängt zu werden.
Warum scheitern so viele KI-Piloten? Einerseits liegen technische Hürden im Weg – von Datenqualität bis Integration. Andererseits fehlt oft ein institutioneller Rahmen. Viele Firmen haben zunächst einzelne KI-Use-Cases in Innovationsabteilungen oder IT-Teams angesiedelt. Doch ohne Einbindung ins Kerngeschäft und ohne unternehmensweite Governance „verpuffen“ die Pilotinseln. Es genügt nicht, „ein pfiffiges IT-Team mit guter Technik auszustatten. Es gehört mehr dazu, unter anderem interdisziplinäre Teams.“ (KI jetzt!, S. 107). Erst bereichsübergreifende Zusammenarbeit bringt KI voran.
Was ist ein KI-Operating-Model?
Ein KI-Operating-Model ist der organisatorische Rahmen, um KI-Systeme vom Prototyp bis zum skalierbaren Produkt zu führen. Es definiert Rollen, Verantwortlichkeiten, Prozesse und Governance für den KI-Einsatz. So ähnlich wie ein Qualitätsmanagementsystem (z. B. ISO-Normen) die Abläufe vereinheitlicht, schafft ein KI-Operating-Model klare Strukturen: Wer kümmert sich um Datenbeschaffung? Wie werden KI-Modelle trainiert, validiert und in Betrieb genommen? Wie läuft die Wartung, Überwachung und kontinuierliche Verbesserung? All das regelt das Operating-Model.
Kernkomponenten eines KI-Operating-Models:
- KI-Governance: Richtlinien und Gremien, die den KI-Einsatz steuern und überwachen. Dazu gehört z. B. ein KI-Ethikrat oder Responsible-AI-Board, das Anwendungsfälle prüft (Stichwort KI-Compliance). Auch externe Vorgaben wie der EU AI Act fließen hier ein. Der EU AI Act – im August 2024 in Kraft getreten – verlangt bspw. Risikobewertungen und menschliche Aufsicht für hochriskante KI-Systeme, was ins Governance-Modell integriert werden muss.[2]
- KI-Rollen und Teams: Definierte Rollenprofile vom Produktmanager KI über Data Scientist/Machine Learning Engineer bis zum KI-Evangelist, die bereichsübergreifend zusammenarbeiten. Wir empfehlen ein zentrales, interdisziplinäres KI-Team: „Hier werden alle für das KI-Produkt notwendigen Fähigkeiten sowie die volle (!) Verantwortung dafür gebündelt“ (KI jetzt!, S. 122). Typische Rollen in solchen Teams sind z. B. Data-Engineer, ML-Engineer, Softwareentwickler:innen und weitere Fachexpert:innen aus den jeweiligen Abteilungen und Human-in-the-Loop-Verantwortliche, die menschliche Qualitätskontrollen sicherstellen. Wichtig ist, dass dieses Team von der Idee (Phase 1) bis zum Go-Live (Phase 5) Verantwortung trägt. So vermeidet man Brüche zwischen Pilot und Betrieb.
- Prozesse & Methoden: Standardisierte Prozesse für Entwicklung (z. B. CRISP-DM oder agile ML-Entwicklung), Deployment (CI/CD-Pipelines für KI-Modelle) und Monitoring der Modelle im Betrieb (Stichwort Model Risk Management). Hierzu gehört auch ein Verfahren für „Human in the Loop“ – also klar zu definierende Punkte, an denen Menschen KI-Entscheidungen prüfen/korrigieren (etwa bei abweichenden Vorhersagen oder kritischen Entscheidungen). Ein gutes Operating-Model legt fest, wann KI autonom entscheiden darf und wann zwingend menschliche Abnahme erfolgen muss (z. B. Vier-Augen-Prinzip bei KI im Kreditentscheidungsprozess).
- Technologie & Infrastruktur: Die Wahl der richtigen Infrastruktur (Cloud vs. On-Prem vs. Edge) gehört ebenfalls zum Operating-Model. Es muss definiert sein, wo KI-Modelle laufen, wie Daten fließen und wie Skalierung bei wachsender Last gewährleistet wird. Einheitliche Entwicklungs- und Produktionsumgebungen, idealerweise mit MLOps-Prinzipien, sind ein weiterer Baustein.
Ein solches Operating-Model verhindert, dass KI-Projekte nur lose „experimentieren“. Es verankert KI in der Organisation – strukturell, personell und prozessual.
Praxis-Tipp: Orientieren Sie sich an Normen wie ISO/IEC 42001 (AI Management System). Diese neue Norm bietet einen Rahmen für KI-Governance und Risikomanagement [3]. Sie fordert z. B. eine klare Verantwortungsstruktur, Risikoanalysen und Kontrollen entlang des KI-Lebenszyklus, abgestimmt auf Regularien wie den EU AI Act. Eine Zertifizierung nach ISO 42001 kann künftig Vertrauen bei Kunden und Aufsichtsbehörden schaffen.
Rollen, Verantwortlichkeiten und das Zusammenspiel von Mensch & KI
Eine der wichtigsten Aufgaben beim Skalieren von KI ist das Einbetten in die Aufbauorganisation. Anfangs entstehen KI-Projekte oft als „Extratruppe“. Doch sobald KI produktiv wird, darf sie kein Fremdkörper sein. „Spätestens mit der Schaffung dieses KI-Teams und den ersten "fail fast, fail often"-Durchläufen […] wird jede klassisch strukturierte Organisation erkennen: Das Organigramm wird nie mehr so sein, wie es mal war“ (KI jetzt!, S. 122). Dieser drastische Satz zeigt: KI-Einführung verändert klassische Abteilungen und Hierarchien nachhaltig.
Statt punktuellen Arbeiten braucht es interdisziplinäre Zusammenarbeit: IT, Fachabteilung, Datenexperten – alle müssen im KI-Team an einem Strang ziehen. Beispielsweise können im KI-Team eines Produktionsunternehmens folgende Rollen vertreten sein:
- KI-Produktmanager (verantwortet die Gesamtumsetzung und Business Value),
- Data Engineer/Architekt (stellt Dateninfrastruktur bereit, Datenqualität),
- ML-Engineer/Data Scientist (entwickelt Modelle, Feature Engineering),
- Softwareentwickler (Integration der KI in bestehende Systeme),
- Fach-Experten (z. B. Produktionsingenieur oder Vertriebsleiter, der das Domänenwissen einbringt),
- DevOps/MLOps Engineer (automatisiert Deployment, Monitoring der Modelle),
- Human-in-the-Loop-Spezialist (definiert Prüfpunkte, schult Anwender und überwacht die Mensch-KI-Interaktion).
Der Mensch bleibt verantwortlich! Ein weiterer Grundsatz des Operating-Models sollte lauten: Kein KI-System ohne menschliche Verantwortlichkeit. Das Prinzip „Human in the Loop“ garantiert, dass der Mensch die letzte Instanz bleibt – gerade im Mittelstand, wo persönliches Kundenvertrauen und Haftung eine große Rolle spielen. Ein KI-System darf automatisieren, aber es sollte immer klar sein, wer einschreiten kann, wenn etwas schiefläuft. „Das Denken müssen grundsätzlich immer noch Menschen übernehmen!“ (KI jetzt!, S. 34). KI entlastet – aber das Urteilsvermögen und die ethische Abwägung liegen beim Menschen. Dieses Mindset muss im Operating-Model verankert sein, etwa durch Freigabeschritte, regelmäßige Evaluation der KI-Entscheidungen und klare Verantwortliche für jedes KI-Modul.
Governance und Leitplanken: Vom AI Act bis zur Firmenrichtlinie
Gerade im Mittelstand besteht die Gefahr, KI-Projekte laufen „unter dem Radar“. Doch mit der kommenden Regulierung wird das riskant. Der EU AI Act verpflichtet Unternehmen, je nach Risiko ihrer KI-Anwendungen, Risikomanagement, Dokumentation, Transparenz und menschliche Überwachung sicherzustellen. Unternehmen sollten daher jetzt interne KI-Leitlinien erarbeiten. Was sind erlaubte und nicht erlaubte KI-Anwendungen? Wie stellen wir Datenschutz sicher? Wer prüft unsere KI-Modelle auf Fairness, Bias oder Fehler? Diese Fragen gehören in eine KI-Governance, idealerweise verankert in Unternehmensrichtlinien oder im Compliance-System.
Ein KI-Governance-Board (oder Lenkungskreis) kann eingerichtet werden, besetzt mit Geschäftsleitung, IT-Leitung, Datenschutz und Fachexperten. Dieses Gremium bewertet KI-Projekte vor dem Start (ähnlich einem Investitionsantrag) und überwacht laufende Systeme. Beispielsweise könnte es Anforderungen festlegen, dass jedes KI-Modell vor Live-Betrieb einen Bias-Check und einen Explainability-Report vorlegen muss. Moderne Tools aus dem Bereich AI Security & Trust helfen dabei, die Modelle zu prüfen – von Prompt Injection-Tests bis zu Erklärbarkeit (XAI)-Analysen.
Ein weiterer Governance-Aspekt ist der Datenschutz. KI braucht Daten, aber personenbezogene Daten unterliegen strengen Regeln (DSGVO). Das Operating-Model muss Richtlinien zur Anonymisierung, Datenaufbewahrung und Einwilligungen beinhalten. Geschäftspartner, Cloud-Anbieter oder KI-Dienstleister müssen glaubwürdig versichern, Daten nicht zweckzuentfremden. Hier helfen vertragliche Vereinbarungen, Audits oder die Wahl souveräner KI-Plattformen. Beispielsweise „Sovereign AI“: Nvidia etwa arbeitet mit europäischen Cloud-Anbietern an souveränen KI-Clouds, die Daten sicher im Land halten und so Bedenken adressieren.[4]
Auch der ISO/IEC 42001-Standard unterstützt bei Governance: Er fordert etwa regelmäßige Risikobewertungen, Bias-Minderung, Nachvollziehbarkeit von Entscheidungen und Schulungen der Belegschaft. Wer diese Punkte ins Operating-Model übernimmt, erfüllt nicht nur ISO, sondern schafft ein robustes Fundament, um KI verantwortungsvoll zu skalieren.
Vom Pilot zum Rollout: Fahrplan für den Mittelstand
- Bestandsaufnahme und Strategie: Analysieren Sie Ihre bisherigen KI-Piloten. Wo gab es Erfolge, wo Engpässe? Entwickeln Sie daraus eine KI-Strategie, die zum Geschäft passt. Definieren Sie Zielbereiche für KI (z. B. Effizienzsteigerung in Prozessen, neue datengetriebene Produkte). Setzen Sie Top-Management-Commitment fest – die Führung muss hinter der KI-Transformation stehen.
- Organisationsstruktur anpassen: Entscheiden Sie, wo KI organisatorisch verankert wird. Empfehlenswert ist ein zentral koordiniertes KI-Team (Center of Excellence), das in die Geschäftsbereiche hineinwirkt. Richten Sie neue Rollen ein (Data Scientist etc.) oder qualifizieren Sie bestehende Mitarbeiter weiter. „Das Organigramm wird nie mehr so sein, wie es mal war“ – haben Sie Mut, tradierte Abteilungsgrenzen aufzubrechen, wenn nötig (KI jetzt!, S. 122).
- Prozesse und Standards etablieren: Erstellen Sie ein unternehmensweit gültiges KI-Framework. Vom Ideenmanagement (wie werden Use Cases identifiziert und priorisiert?) über Entwicklungsstandards (Code-Standards, Testing, Metriken) bis zum Deployment-Prozess. Legen Sie Qualitätskriterien fest: z. B. mindestens X% Vorhersagegenauigkeit im Pilot bevor Rollout, definierte KPIs zur Erfolgsmessung (etwa ROI der KI-Lösung). Checklisten können helfen!
- Pilotphasen bewusst steuern: Nutzen Sie Pilotprojekte weiterhin als Experimentierfeld, aber planen Sie sie schon mit Blick auf späteren Rollout. D.h.: Wählen Sie Technologien, die skalierbar sind (z. B. Cloud-Services, die man hochfahren kann). Dokumentieren Sie von Anfang an alles (Datenquellen, Parameter), um Wissen aufzubauen. Und setzen Sie Meilensteine: Nach einem erfolgreichen Prototyp (Phase 2) folgt ein Pilot in realer Umgebung – dieser sollte 6–9 Monate nicht überschreiten (KI jetzt!, S. 111). Ist er erfolgreich, entscheiden Sie schnell über die Skalierung. Zögern kostet Zeit und Motivation. Wenn nicht erfolgreich, ziehen Sie Erkenntnisse und starten – falls sinnvoll – einen neuen Zyklus.
- Den Rollout systematisch angehen: Wenn der Pilot überzeugt, geht es an den Rollout (mehrere Werke, Standorte oder Abteilungen). Jetzt greift Ihr Operating-Model: Stellen Sie sicher, dass Infrastruktur bereitsteht (Skalierung von Rechenressourcen, Datenpipelines). Schulen Sie Anwender und schaffen Sie Akzeptanz: Kommunizieren Sie Erfolge des Piloten, adressieren Sie Ängste (Stichwort Arbeitsplatzverlust). Beginnen Sie mit “Leuchtturm”-Bereichen, die als Vorbild dienen, und weiten Sie dann aus.
- Kontinuierliches Lernen und Verbessern: Nach dem Rollout ist vor dem Rollout – bleiben Sie agil. Etablieren Sie Feedback-Schleifen. Nutzerdaten, Fehlerraten der KI und Feedback der Mitarbeiter sollten regelmäßig ausgewertet werden. So verbessern Sie Modelle stetig. Hier zahlt sich Human-in-the-Loop aus. Menschen korrigieren Fehler der KI, und diese Korrekturen fließen als Trainingsdaten ein. Das Operating-Model sollte vorsehen, wie solche Erfahrungen zentral gesammelt und für zukünftige Projekte genutzt werden. Vielleicht richten Sie ein internes KI-Forum ein, wo Projektteams Erkenntnisse teilen.
- Erfolge messen und kommunizieren: Zeigen Sie intern sowie extern die Mehrwerte Ihrer KI-Implementierung auf – anhand harter Zahlen (z. B. Prozess X jetzt 30% schneller, Fehlerrate um Y% reduziert, Umsatzplus durch KI-Produkt Z). Das überzeugt skeptische Stimmen und rechtfertigt weitere Investitionen. Setzen Sie daher auf realistische Erwartungsmanagement. Kleine schnelle Erfolge („Quick Wins“) schaffen Momentum, aber seien Sie ehrlich über benötigte Zeit für großen ROI.
Aktuelle Impulse: EU AI Act und ISO 42001 als Unterstützung
Zum Abschluss ein Blick auf zwei aktuelle Entwicklungen, die Ihren KI-Rollout unterstützen können:
- EU AI Act: Der AI Act der EU schafft ab 2025 verbindliche Regeln, vor allem für hochriskante KI (z. B. in Medizin, Fertigung). Nutzen Sie die Übergangszeit, um schon jetzt Compliance-Vorkehrungen zu treffen. Erstellen Sie ein Verzeichnis Ihrer KI-Systeme, führen Sie Risikoanalysen durch und implementieren Sie Mechanismen für menschliche Überwachung. Der Act fordert etwa nachvollziehbare Erklärungen und Robustheitstests – das lässt sich in Ihrem Operating-Model verankern. Durch proaktive Anpassung vermeiden Sie später kostspielige Nachrüstungen und positionieren sich als verantwortungsbewusster Anbieter.
- ISO/IEC 42001 (AI Management System): Die im Dezember 2023 veröffentlichte Norm bietet einen strukturierten PDCA-Zyklus (Plan-Do-Check-Act) für KI-Systeme. Unternehmen können sich zertifizieren lassen, was Vertrauen bei Geschäftspartnern schafft. Der Standard umfasst u. a. Anforderungen an AI Risk Management, Ethikrichtlinien, ständige Überwachung und Stakeholder-Einbindung. Gerade für Mittelständler kann ISO 42001 eine Orientierung geben, um nichts Wesentliches zu vergessen – ähnlich wie ISO 9001 einst half, Qualitätsmanagement aufzubauen. ISO 42001 hilft Organisationen, KI-Risiken effektiv zu managen und Compliance wie den EU AI Act zu erfüllen.
Durch solche Leitplanken wird aus wildem KI-Aktionismus ein geordneter Prozess. Halten Sie sich aber vor Augen: Normen und Gesetze setzen Mindestanforderungen. Wer KI wirklich erfolgreich skalieren will, sollte darüber hinausgehen und Kulturwandel anstoßen – hin zu mehr Agilität, Experimentierfreude und bereichsübergreifender Zusammenarbeit.
Fazit: Vom Pilot zum Rollout ist es ein weiter Weg – aber ein gangbarer. Bauen Sie frühzeitig Ihr KI-Operating-Model auf, um diesen Weg strukturiert zu beschreiten. Der deutsche Mittelstand hat die Chance, KI „richtig“ zu machen: pragmatisch, menschenzentriert und im Einklang mit europäischen Werten. „Die KI-Revolution ist zu wichtig, um sie einigen Wenigen zu überlassen“ – holen Sie deshalb alle ins Boot: Geschäftsführung, Mitarbeitende, Partner. Dann wird aus dem erfolgreichen Pilotprojekt ein flächendeckender Rollout, der Ihrem Unternehmen echten Nutzen bringt.
Sie möchten noch tiefer ins Thema eintauchen und Beispiele erfolgreicher KI-Transformationen kennenlernen? Im Buch „KI jetzt!“ von Mark Brinkmann und Kai Gondlach finden Sie ausführliche Praxisfälle und konkrete Empfehlungen, wie Sie die KI-Reise in Ihrem Unternehmen gestalten können: zukunft.shop/products/buch-ki-jetzt-2024/
Sie möchten mehr über diese Themen erfahren? Buchen Sie eine Keynote mit Kai Gondlach zu den gesellschaftlichen, wirtschaftlichen und politischen Auswirkungen von Künstlicher Intelligenz: kaigondlach.de/vortraege/
Sie möchten die nächsten Schritte für Ihr Unternehmen konkret umsetzen? Dann buchen Sie ein Beratungsgespräch zu unseren PROFORE-Leistungen: profore-zukunft.de/kontakt/
[1] https://www.cio.com/article/3850763/88-of-ai-pilots-fail-to-reach-production-but-thats-not-all-on-it.html
[2] https://commission.europa.eu/news-and-media/news/ai-act-enters-force-2024-08-01_en
[3] https://kpmg.com/ch/en/insights/artificial-intelligence/iso-iec-42001.html
[4] https://www.reuters.com/business/media-telecom/nvidias-pitch-sovereign-ai-resonates-with-eu-leaders-2025-06-16/
Wem gehört die Zukunft der KI?
KI gestalten statt nur erdulden – darum geht es. Die Entwicklung der Künstlichen Intelligenz schreitet rasant voran, und damit stellt sich die Frage: Wer bestimmt, wofür KI in Zukunft eingesetzt wird und wer von ihr profitiert? Schon heute liegt viel Macht in den Händen weniger Tech-Giganten. Doch es steht viel auf dem Spiel: Wir sind davon überzeugt, dass Künstliche Intelligenz – richtig eingesetzt – dabei helfen kann, einen großen Teil der Herausforderungen und Probleme unserer Zeit zu lösen (KI jetzt!, S. 12). KI könnte etwa zur Bewältigung des Klimawandels beitragen, medizinische Durchbrüche ermöglichen oder Bildungszugang weltweit verbessern. Ebenso überzeugt sind wir davon, dass es nicht einer Handvoll Unternehmen oder staatlichen Organisationen überlassen werden sollte, das Schicksal der Menschheit nach eigenen Vorstellungen zu bestimmen.
Mit anderen Worten: Die Zukunft der KI gehört allen – oder sollte es zumindest. Aktuell dominieren allerdings einige wenige Akteure die KI-Entwicklung. Große Konzerne in den USA (OpenAI/Microsoft, Google, Meta, Amazon) und China (Tencent, Alibaba, Baidu) investieren Milliarden und diktieren Tempo und Richtung. Demokratien ringen damit, wie sie die Kontrolle behalten können. Die Debatten um ein KI-Moratorium zeigen, wie wenig Kontrolle demokratische Institutionen über private Tech-Konzerne haben. Als im Frühjahr 2023 tausende Experten – darunter Elon Musk – ein sechsmonatiges KI-Entwicklungs-Moratorium forderten, zeigte sich: Regierungen konnten ein solches Innehalten nicht durchsetzen. Die großen Labs machten weiter, getrieben vom Konkurrenzdruck. Das Kräfteverhältnis ist ungleich verteilt.
Offene KI vs. geschlossene KI: Wem gehören die Modelle?
Ein Aspekt der Machtfrage ist, ob KI-Technologie offen zugänglich oder proprietär geschlossen sein wird. Befürworter von Open-Source-KI (wie z. B. Metas frei verfügbares LLaMA-Modell) argumentieren, dass nur offene KI von vielen kontrolliert und verbessert werden kann. Sie gehört dann gewissermaßen der Gemeinschaft. Die Gegenseite (kommerzielle Anbieter wie OpenAI mit GPT-4) hält ihre Modelle geheim und argumentiert mit Sicherheit und Wettbewerbsvorteilen. Die Frage ist daher politisch: Offene KI würde mehr Menschen und auch kleinen Unternehmen ermöglichen, eigene Anwendungen zu bauen; geschlossene KI konzentriert die Macht bei wenigen.
Wir erleben bereits einen Wettstreit der Ansätze: Während Google und OpenAI eher geschlossen agieren, hat Meta einen anderen Weg gewählt und wichtige KI-Modelle frei zugänglich gemacht. Elon Musks neues Unternehmen xAI wiederum soll „die Wahrheit suchen“ und eine Alternative zu bisherigen KI-Entwicklungen bieten – ein weiterer Versuch, die zukünftige KI-Entwicklung nicht allein den etablierten Playern zu überlassen.
Globale Rennen: USA, China und Europa
Die Kontrolle über KI ist auch eine geopolitische Frage. Die USA und China liefern sich ein Kopf-an-Kopf-Rennen um die KI-Vorherrschaft. Beide Länder investieren massiv. China hat eine nationale KI-Strategie aufgelegt, um bis 2030 führend zu sein; mit staatlich geförderten Forschungslabs und einer Fülle an Daten (Stichwort: Überwachung) als Treibstoff. Die USA punkten mit ihrer starken Tech-Industrie und Kapital. Und Europa? Die EU setzt vor allem auf Regulierung (etwa den AI Act) und darauf, vertrauenswürdige KI „Made in Europe“ zu fördern. Doch viele warnen, Europa könne technologisch ins Hintertreffen geraten.
„Die europäische Wirtschaft wird ihre wichtige Rolle in der Weltwirtschaft nur erhalten können, wenn sie den Sprung in die KI-Welt schafft“ (KI jetzt!, S. 16). Europas Unternehmen und Start-ups müssen selbst KI entwickeln und einsetzen, um international konkurrenzfähig zu bleiben. Es reicht nicht, nur Regeln für andere aufzustellen; Europa braucht eigene KI-Champions. Immerhin gibt es positive Ansätze – etwa starke KI-Forschung in Ländern wie Deutschland und Frankreich, aufstrebende KI-Start-ups und Kooperationen, um Recheninfrastrukturen aufzubauen.
Unsere KI-Zukunft gemeinsam gestalten
„Wir glauben weder daran, dass KI sich nicht durchsetzen oder erfolgreich verboten wird, noch dass KI in zehn oder 50 Jahren ein Bewusstsein haben wird, das dem menschlichen nahekommt“ (KI jetzt!, S. 14). KI wird kommen, ob wir wollen oder nicht, aber sie wird nicht über Nacht zu einem eigenständigen Superwesen. Das gibt uns Gestaltungsspielraum. Statt auf Verbote oder utopische Hoffnungen zu setzen, sollten wir jetzt die Weichen stellen: für internationale Zusammenarbeit, für sinnvolle Leitplanken und für breite Teilhabe an KI.
Die Zukunft der KI soll allen gehören und dem Gemeinwohl dienen, nicht einzelnen Machtzentren. Um das zu erreichen, braucht es Engagement auf vielen Ebenen: Politik, die Wettbewerb fördert und Monopole begrenzt; Wirtschaft, die verantwortungsvoll innoviert; Wissenschaft, die unabhängig forscht; und eine Zivilgesellschaft, die mitredet. Die KI-Revolution ist zu wichtig, um sie einigen Wenigen zu überlassen.
Im Buch "KI jetzt!" beleuchten Kai Gondlach und Mark Brinkmann ausführlich die globalen Entwicklungen und Machtfragen rund um KI. Sie zeigen, wie Unternehmen, Staaten und wir alle heute die Grundlagen legen können, damit die Zukunft der KI uns allen gehört – und zum Wohle aller gestaltet wird: zukunft.shop/products/buch-ki-jetzt-2024/
Sie möchten mehr über diese Themen erfahren? Buchen Sie eine Keynote mit Kai Gondlach zu den gesellschaftlichen, wirtschaftlichen und politischen Auswirkungen von Künstlicher Intelligenz: kaigondlach.de/vortraege/
Sie möchten die nächsten Schritte für Ihr Unternehmen konkret umsetzen? Dann buchen Sie ein Beratungsgespräch zu unseren PROFORE-Leistungen: profore-zukunft.de/kontakt/