Bevor Sie unterschreiben: 30 Fragen, die Entscheider vor der ersten KI-Investition wörtlich stellen

Dieses Kompendium sammelt 30 Fragen, die Geschäftsführer, CIOs und KI-Verantwortliche im Mittelstand vor der ersten KI-Investition tatsächlich stellen. Die Formulierungen folgen dem Wortlaut, in dem solche Fragen einem Berater gestellt oder in ein KI-Werkzeug getippt werden. Jede Frage erhält zwei Antworten. Die Kurzantwort liefert das Ergebnis in wenigen Sätzen. Die Langantwort ordnet ein, nennt Zahlen mit Quelle, benennt den typischen Fehler und den konkreten nächsten Schritt. Sie können das Kompendium von vorn nach hinten lesen oder gezielt einzelne Fragen aufschlagen. Die Bände sind geteilt: Band 1 behandelt alles vor der Investitionsentscheidung, Band 2 den laufenden Betrieb. Rechtliche Aussagen geben den Stand von Juli 2026 wieder, einschließlich des Digital Omnibus on AI. Sie dienen der Orientierung und ersetzen keine Rechtsberatung.

„Was kostet es realistisch, in einem Unternehmen mit 500 Mitarbeitern KI einzuführen?“

Kurzantwort: Die KI-Einführung kostet in einem Unternehmen mit 500 Mitarbeitern im ersten Jahr realistisch einen niedrigen sechsstelligen Betrag. Darin stecken Lizenzen für einen Teil der Belegschaft, Schulung, Datenschutz- und Vertragsarbeit sowie ein fokussiertes Pilotprojekt. Die reinen Lizenzkosten sind der kleinste Block. Eigenentwicklungen und tief integrierte Lösungen liegen deutlich darüber. Die Summe hängt am gewählten Einstieg, weniger an der Mitarbeiterzahl.

Langantwort: Es hilft, drei Kostenebenen zu trennen. Ebene eins sind fertige Assistenten wie Microsoft 365 Copilot oder ChatGPT für Unternehmen. Der Listenpreis für Copilot Business liegt bei 18,20 Euro pro Nutzer und Monat, zuzüglich der Basislizenz (Microsoft-Preisliste, Stand 2026). Für 150 Wissensarbeiter sind das rund 33.000 Euro Lizenzkosten pro Jahr. Ebene zwei sind Integrationsprojekte: ein Assistent, der auf Ihr eigenes Wissen zugreift, oder eine Automatisierung in einem Kernprozess. Hier beginnen realistische Projektbudgets im mittleren fünfstelligen Bereich und reichen je nach Tiefe in den sechsstelligen. Ebene drei sind Transformationsvorhaben über mehrere Prozesse hinweg. Gartner (2024) bezifferte solche Vorhaben auf 5 bis 20 Millionen US-Dollar. Das ist eine Warnung vor Größenfantasien, kein Mittelstandsbudget.

Zu jeder Ebene kommen Nebenkosten, die in Angeboten selten auftauchen. Dazu zählen die Schulung der Beschäftigten, das Aufräumen von Berechtigungen und Datenquellen, Vertragsprüfung und interne Projektzeit. Auch die Einbindung von Datenschutz und Betriebsrat kostet Zeit. In der Praxis erreichen diese Positionen zusammen schnell die Größenordnung der Lizenz- oder Projektkosten selbst.

Der typische Fehler: Es wird nur der Lizenz- oder Angebotspreis budgetiert. Wenn dann Schulung und Datenarbeit Geld brauchen, gilt das Projekt als „aus dem Ruder gelaufen“, obwohl es nur ehrlich kalkuliert werden musste. Gartner (2024) nannte unklare Kosten und unklaren Geschäftswert als Hauptgründe, warum GenAI-Projekte abgebrochen werden.

Der nächste Schritt: Bauen Sie ein dreistufiges Budget. Stufe eins finanziert Lizenzen und Schulung für eine Pilotgruppe. Stufe zwei wird erst freigegeben, wenn der Pilot definierte Kriterien erfüllt. Stufe drei bleibt eine Option, kein Versprechen. So bleibt die Investition steuerbar.

„Wir überlegen, Microsoft Copilot für 200 Büroarbeitsplätze einzuführen. Was kommt im ersten Jahr wirklich an Kosten auf uns zu, außer den Lizenzen?“

Kurzantwort: Ein Microsoft-Copilot-Rollout für 200 Büroarbeitsplätze kostet nach Listenpreis rund 44.000 Euro Lizenzgebühren pro Jahr (18,20 Euro pro Nutzer und Monat, Microsoft-Preisliste 2026), zuzüglich der Microsoft-365-Basislizenzen. Realistisch ist das Anderthalb- bis Doppelte. Der Aufschlag entsteht durch Berechtigungsbereinigung, Schulung, Administration und die Begleitung der ersten Monate. Ohne diese Posten bleibt Copilot ein teures, wenig genutztes Icon.

Langantwort: Die Lizenzrechnung ist schnell gemacht: 200 Nutzer mal 18,20 Euro mal zwölf Monate ergibt rund 43.700 Euro. Die Business-Variante gilt für Organisationen bis 300 Nutzer und setzt eine Microsoft-365-Business-Lizenz voraus; die Enterprise-Variante kostet mehr (Microsoft-Preisliste, Stand 2026). Aktionspreise ändern sich, kalkulieren Sie mit dem Listenpreis.

Der größere Teil der Wahrheit steht nicht auf der Rechnung. Erstens: Berechtigungen. Copilot sieht alles, was der jeweilige Nutzer sehen darf. In vielen Unternehmen sind SharePoint- und Dateiberechtigungen über Jahre gewachsen und zu weit gefasst. Vor dem Rollout müssen sie geprüft und bereinigt werden. Sonst legt der Assistent Gehaltslisten oder Vertragsentwürfe offen, die nie für alle gedacht waren. Je nach Zustand ist das ein Projekt von mehreren Wochen. Zweitens: Schulung und Begleitung. Beschäftigte, die zwei gute Anwendungsfälle für ihre eigene Arbeit kennen, nutzen das Werkzeug. Alle anderen probieren es zweimal und lassen es liegen. Drittens: Administration und Governance, Richtlinie, Protokollierungsfragen, Einbindung des Betriebsrats, Datenschutzprüfung.

Der typische Fehler: Der Rollout wird als Lizenzbestellung behandelt. Das MIT-Projekt NANDA (2025) beschreibt genau dieses Muster: Werkzeuge wie Copilot werden breit eingeführt, verbessern punktuell die Einzelproduktivität, verändern aber ohne Prozessbezug kein Geschäftsergebnis.

Der nächste Schritt: Starten Sie mit 20 bis 50 Lizenzen in zwei Abteilungen mit klaren Anwendungsfällen. Messen Sie drei Monate lang Nutzung und Zeitersparnis. Erst danach entscheiden Sie über die restlichen 150 Plätze. Das senkt das Risiko und liefert eigene Zahlen statt Anbieterversprechen.

„Ab welcher Unternehmensgröße lohnt sich KI überhaupt, oder sind wir mit 300 Mitarbeitern zu klein?“

Kurzantwort: Für den KI-Einsatz gibt es keine Mindestgröße; ein Unternehmen mit 300 Mitarbeitern ist nicht zu klein. Nach KfW Research (Februar 2026) nutzen 20 Prozent aller Mittelständler KI, bei Unternehmen ab 50 Beschäftigten sind es 36 Prozent. Entscheidend ist nicht die Mitarbeiterzahl, sondern der digitale Reifegrad: verfügbare Daten, klare Prozesse und jemand, der das Thema verantwortet.

Langantwort: Die Zahlen sprechen eine klare Sprache. Das KfW-Mittelstandspanel (Sonderauswertung, Februar 2026) zeigt: 20 Prozent der mittelständischen Unternehmen in Deutschland setzen KI ein, das sind rund 780.000 Betriebe. Der Anteil hat sich innerhalb von sechs Jahren verfünffacht. Bei Unternehmen mit 50 und mehr Beschäftigten liegt die Quote bei 36 Prozent. Selbst bei Kleinstbetrieben unter fünf Beschäftigten sind es 19 Prozent. Ein Unternehmen mit 300 Mitarbeitern ist für KI-Einsatz also weder zu klein noch ungewöhnlich früh dran, es bewegt sich im Mittelfeld einer laufenden Entwicklung.

Interessanter ist, was die KfW-Auswertung über die tatsächlichen Erfolgsfaktoren sagt. Unternehmen mit eigener Forschung und Entwicklung nutzen KI zu 53 Prozent. Unternehmen mit einer Digitalisierungsstrategie kommen auf 35 Prozent, während Betriebe ohne jede Digitalisierungsaktivität weit zurückliegen. Die Nutzung hängt demnach an Voraussetzungen, die nichts mit der Größe zu tun haben. Dazu gehören digitalisierte Prozesse, zugängliche Daten und Know-how im Haus. Und eine Führung, die das Thema ernst nimmt.

Der typische Fehler: Die Größenfrage wird als Ausrede genutzt. „Dafür sind wir zu klein“ verschiebt eine Entscheidung, die eigentlich lautet: Welcher unserer Prozesse hat genug Volumen und genug digitale Daten, damit sich Unterstützung lohnt? Diese Frage kann ein 300-Mitarbeiter-Betrieb genauso beantworten wie ein Konzern, oft sogar schneller, weil die Wege kürzer sind.

Der nächste Schritt: Prüfen Sie nicht Ihre Größe, sondern Ihre Voraussetzungen. Listen Sie drei Prozesse mit hohem Text-, Dokumenten- oder Datenanteil. Klären Sie, ob die nötigen Daten digital vorliegen. Wenn ja, ist Ihr Unternehmen groß genug.

„Wie rechne ich unserem Beirat einen KI-Business-Case vor, wenn wir noch keine eigenen Erfahrungswerte haben?“

Kurzantwort: Ein KI-Business-Case ohne eigene Erfahrungswerte arbeitet mit Bandbreiten statt Punktwerten und legt alle Annahmen offen. Die Basis ist eine gemessene Ausgangslage: Wie viel Zeit oder Geld kostet der Zielprozess heute? Darauf setzen Sie ein vorsichtiges Basisszenario und ein Abwärtsszenario. Versprechen Sie dem Beirat keine Rendite, sondern einen kontrollierten Lernpfad mit Abbruchkriterien und festem Messzeitpunkt.

Langantwort: Ohne eigene Erfahrungswerte ist jeder Punktwert eine Erfindung. Seriös ist ein Business-Case in drei Elementen. Erstens die Baseline: Vermessen Sie den Ist-Zustand des Zielprozesses, Durchlaufzeit, Personalaufwand, Fehlerquote, externe Kosten. Ohne diese Zahl lässt sich später kein Effekt nachweisen. Zweitens Szenarien: ein Basisszenario mit vorsichtigen Annahmen und ein Abwärtsszenario, in dem der Nutzen deutlich kleiner ausfällt. Drittens Entscheidungspunkte: Nach dem Pilotzeitraum wird gemessen und entschieden, ausweiten, anpassen oder beenden.

Für die Kalibrierung der Erwartungen gibt es externe Anhaltspunkte. McKinsey (State of AI, 2025) berichtet: 88 Prozent der Unternehmen nutzen KI in mindestens einer Funktion. Aber nur 39 Prozent stellen überhaupt einen Effekt auf das Betriebsergebnis fest. Nur rund 6 Prozent erreichen einen Ergebnisbeitrag von 5 Prozent oder mehr. Diese Zahlen gehören in die Vorlage, nicht um zu entmutigen, sondern um zu zeigen, dass Ihr vorsichtiges Szenario dem Stand der Empirie entspricht. Ein Beirat, der später von der Realität überrascht wird, ist teurer als einer, der vorab ehrliche Zahlen sah.

Der typische Fehler: Anbieterzahlen werden ungeprüft übernommen. „30 Prozent Produktivitätsgewinn“ aus einer Herstellerfolie ist keine Planungsgrundlage, sondern ein Verkaufsargument. Wer solche Werte in die Gremienvorlage schreibt, haftet intern für fremde Versprechen.

Der nächste Schritt: Erstellen Sie eine einseitige Vorlage mit Baseline, zwei Szenarien, Pilotbudget, Messzeitpunkt und Abbruchkriterien. Bitten Sie den Beirat nicht um Glauben an KI, sondern um Freigabe eines begrenzten, messbaren Experiments. Das ist eine Bitte, die ein Kontrollgremium guten Gewissens erfüllen kann.

„Unser CFO sagt, die meisten KI-Projekte rechnen sich nie. Welche Zahlen halte ich ihm entgegen, und womit hat er recht?“

Kurzantwort: Die Skepsis ist teilweise berechtigt: Das MIT-Projekt NANDA (2025) fand bei 95 Prozent der untersuchten GenAI-Piloten keinen messbaren Ergebniseffekt. Die Ursachen sind aber steuerbar, fehlende Prozessintegration, keine Baseline, falsche Use-Case-Wahl. Die erfolgreichen 5 Prozent machen es anders, nicht teurer. Das beste Gegenargument gegenüber einem skeptischen CFO ist deshalb kein Optimismus, sondern diszipliniertes Vorgehen mit Messung und Abbruchkriterien.

Langantwort: Nehmen Sie die Skepsis ernst, denn die Datenlage stützt sie zunächst. Das MIT-Projekt NANDA („The GenAI Divide“, Juli 2025) untersuchte über 300 Initiativen. 95 Prozent der GenAI-Piloten blieben ohne messbaren Effekt auf die Gewinn-und-Verlust-Rechnung. Nur 5 Prozent der maßgeschneiderten Lösungen erreichten den Produktivbetrieb. Gartner (Juli 2024) prognostizierte, dass mindestens 30 Prozent der GenAI-Projekte nach dem Proof of Concept abgebrochen werden. McKinsey (2025) meldet, dass nur 39 Prozent der Unternehmen überhaupt einen Ergebniseffekt zuordnen können.

Entscheidend ist, warum Projekte scheitern. Gartner nennt schlechte Datenqualität, fehlende Risikokontrollen, steigende Kosten und unklaren Geschäftswert. Das MIT-Team beschreibt Werkzeuge, die nicht in Arbeitsabläufe integriert sind und nicht dazulernen. Das sind keine Naturgesetze, sondern Managementfehler, vermeidbar durch Prozessfokus, Baseline-Messung und die Bereitschaft, schwache Piloten zu beenden. Die erfolgreichen 5 Prozent bei MIT zeichnen sich durch Integration in Kernabläufe aus, nicht durch größere Budgets.

Der typische Fehler in diesem Gespräch: Der Skepsis wird mit Begeisterung begegnet statt mit Struktur. Wer dem CFO Zukunftsvisionen entgegenhält, verliert. Wer ihm ein Investitionsdesign zeigt, das genau die dokumentierten Fehlerquellen adressiert, gewinnt einen Verbündeten, denn Abbruchkriterien und Messpflichten sind die Sprache des Finanzressorts.

Der nächste Schritt: Schlagen Sie dem CFO vor, die Scheiterquoten gemeinsam als Checkliste zu nutzen. Jeder dokumentierte Fehlergrund wird im eigenen Vorhaben explizit adressiert: Datenqualität geprüft, Baseline gemessen, Exit-Kriterien definiert, Integrationsaufwand budgetiert. Damit wird aus dem Einwand ein Prüfraster, und aus dem CFO ein Mitgestalter statt eines Bremsers.

„Starten wir besser mit fertigen KI-Lizenzen für 20 Euro pro Kopf oder gleich mit einem eigenen Projekt?“

Kurzantwort: Fertige KI-Lizenzen und ein eigenes Projekt erfüllen verschiedene Zwecke und schließen sich nicht aus. Fertige Assistenten sind der schnellste Weg, KI-Erfahrung in der Organisation aufzubauen, günstig, risikoarm, aber selten ergebniswirksam. Ein eigenes Projekt lohnt nur dort, wo ein Prozess klar definiert ist und messbaren Wert verspricht. Die bewährte Reihenfolge: Lizenzen für das Lernen, parallel genau ein fokussiertes Projekt für den Nachweis.

Langantwort: Die Datenlage zu beiden Wegen ist gut dokumentiert. Das MIT-Projekt NANDA (2025) fand: Über 80 Prozent der Unternehmen haben Werkzeuge wie ChatGPT oder Copilot erprobt, fast 40 Prozent nutzen sie regulär. Diese Werkzeuge verbessern die Einzelproduktivität, verändern aber selten das Geschäftsergebnis, weil sie nicht in Prozesse eingebettet sind. Maßgeschneiderte Unternehmenslösungen wiederum erreichten nur zu 5 Prozent den Produktivbetrieb, meist, weil sie an Arbeitsabläufen vorbei entwickelt wurden.

Daraus folgt keine Entweder-oder-Entscheidung, sondern eine Arbeitsteilung. Die Lizenzen erfüllen drei Zwecke. Ihre Beschäftigten lernen den Umgang mit KI. Sie sehen, wo im Alltag echte Nachfrage entsteht. Und Sie erfüllen nebenbei einen Teil der Kompetenzanforderungen aus Artikel 4 der KI-Verordnung (EU) 2024/1689. Das eigene Projekt erfüllt einen anderen Zweck. Es soll in einem einzigen, gut gewählten Prozess einen messbaren Effekt nachweisen. Der wird zur Grundlage aller weiteren Investitionsentscheidungen.

Der typische Fehler: Der große Wurf zuerst. Ein Unternehmen ohne KI-Erfahrung beauftragt eine Eigenentwicklung, weil Lizenzen „zu klein“ wirken. Zwölf Monate später existiert ein Prototyp, den niemand nutzt, und die Organisation hat nichts gelernt. Die umgekehrte Falle existiert auch: Lizenzen für alle, kein Projekt, kein Nachweis. Nach einem Jahr fragt der Beirat, was die Investition gebracht hat. Niemand kann antworten.

Der nächste Schritt: Definieren Sie einen Doppelpfad mit getrennten Budgets und getrennten Erfolgskriterien. Lizenzen werden an Nutzungsquoten gemessen, das Projekt an einem Prozessergebnis. Nach sechs Monaten haben Sie zwei belastbare Antworten statt einer diffusen.

„Rechnet sich Abwarten? Was verlieren wir wirklich, wenn wir KI erst 2028 angehen?“

Kurzantwort: Wer die KI-Einführung auf 2028 verschiebt, verliert beim Einkauf wenig, Werkzeuge werden besser und billiger. Verloren geht das Können: Datenqualität, Prozessklarheit und Erfahrung der Belegschaft lassen sich nicht nachkaufen, sie brauchen Zeit. Im Umfeld verdoppelte sich die KI-Nutzung binnen eines Jahres von 20 auf 36 Prozent (Bitkom, 2025). Abwarten beim Kaufen ist legitim, Abwarten beim Lernen ist teuer.

Langantwort: Trennen Sie zwei Dinge, die in dieser Frage meist vermischt werden: Technologie kaufen und Fähigkeiten aufbauen. Für das Kaufen spricht wenig Eile. Modelle und Werkzeuge verbessern sich laufend, Preise sinken tendenziell, und wer 2028 kauft, bekommt bessere Produkte als heute. Ein aufgeschobener Lizenzvertrag ist selten ein strategischer Verlust.

Anders beim Können. Bitkom (2025) meldet: Der Anteil KI-nutzender Unternehmen hat sich binnen eines Jahres von 20 auf 36 Prozent fast verdoppelt. Weitere 47 Prozent planen oder diskutieren den Einsatz. KfW Research (2026) zeigt eine Verfünffachung der Mittelstandsnutzung in sechs Jahren. Diese Unternehmen sammeln etwas, das sich nicht beschleunigen lässt: Erfahrung. Sie lernen, welche Prozesse sich eignen, wie man Qualität prüft, wie Beschäftigte mitziehen und welche Anbieter halten, was sie versprechen. Wer 2028 startet, beginnt diese Lernkurve bei null, gegen Wettbewerber, die drei Jahre Vorsprung haben. Dazu kommen die Hausaufgaben, die ohnehin Zeit brauchen: Datenqualität, Berechtigungen, Kompetenzaufbau nach Artikel 4 der KI-Verordnung (seit Februar 2025 anwendbar).

Der typische Fehler: „Wir warten“ wird als Entscheidung behandelt, ist aber meist keine. Es gibt kein Abwarte-Konzept, keinen definierten Wiedervorlagetermin, keine Vorbereitung. Gleichzeitig nutzen Beschäftigte längst private KI-Konten. Das Unternehmen wartet offiziell und handelt inoffiziell, ohne Regeln und ohne Schutz.

Der nächste Schritt: Wenn Sie nicht investieren wollen, entscheiden Sie das förmlich, mit Wiedervorlage in zwölf Monaten. Dazu gehört ein Minimalprogramm, das trotzdem läuft: Nutzungsregeln für vorhandene Werkzeuge, ein Datenqualitätscheck, Grundschulung. So bleibt Warten eine Option statt eines Versäumnisses.

„Brauchen wir für Microsoft Copilot eine Betriebsvereinbarung, bevor wir die Lizenzen kaufen?“

Kurzantwort: Für Microsoft Copilot ist in aller Regel eine Betriebsvereinbarung nötig, spätestens bevor das Werkzeug produktiv geht. Stellt der Arbeitgeber das System selbst bereit, greift die Mitbestimmung nach Paragraf 87 Absatz 1 Nummer 6 Betriebsverfassungsgesetz. Der Grund: Das System kann Nutzungsdaten protokollieren. Die bekannte Hamburger Entscheidung von 2024 betraf nur private Konten. Klug ist, den Betriebsrat vor der Kaufentscheidung einzubinden. Dies ist eine Orientierung, keine Rechtsberatung.

Langantwort: Die Rechtslage hat zwei Seiten. Das Arbeitsgericht Hamburg entschied am 16. Januar 2024 (24 BVGa 1/24): Keine Mitbestimmung besteht, wenn Beschäftigte KI-Werkzeuge über private Konten im Browser nutzen. Voraussetzung war, dass der Arbeitgeber keinen Zugriff auf die Nutzungsdaten hat. Diese Entscheidung wird oft als Freibrief zitiert, zu Unrecht. Sie betraf einen Sonderfall.

Bei Copilot liegt der Fall anders. Der Arbeitgeber kauft Lizenzen, stellt das System bereit und erhält administrative Einblicke in die Nutzung. Damit ist Copilot eine technische Einrichtung, die objektiv geeignet ist, Verhalten und Leistung zu überwachen. Genau das löst nach ständiger Rechtsprechung des Bundesarbeitsgerichts die Mitbestimmung nach Paragraf 87 Absatz 1 Nummer 6 Betriebsverfassungsgesetz aus. Unabhängig davon bestehen Unterrichtungs- und Beratungsrechte nach Paragraf 90 Betriebsverfassungsgesetz, die seit 2021 KI ausdrücklich erwähnen. Wer den Betriebsrat übergeht, riskiert eine einstweilige Verfügung mitten im Rollout. Der teuerste Zeitpunkt.

Der typische Fehler: Die Lizenz wird gekauft, der Rollout geplant, und der Betriebsrat erfährt es aus dem Intranet. Aus einem lösbaren Regelungsthema wird ein Konflikt, der Monate kostet. Dabei sind die Regelungsinhalte überschaubar: Zweck, Auswertungsverbote, Protokollierungsumfang, Schulung, Umgang mit Fehlern.

Der nächste Schritt: Sprechen Sie mit dem Betriebsratsvorsitzenden, bevor die Bestellung ausgelöst wird. Bewährt hat sich eine Rahmenvereinbarung zu KI, die Grundsätze einmal regelt, plus kurze Anlagen je Werkzeug. So verhandeln Sie nicht bei jedem neuen System von vorn. Kaufen Sie Lizenzen erst, wenn der Beteiligungsfahrplan steht. Das kostet zwei Wochen und spart Monate.

„Landen unsere Daten bei ChatGPT und Copilot wirklich in den USA, und ist das überhaupt zulässig?“

Kurzantwort: Daten aus den Geschäftsversionen von ChatGPT und Copilot landen nicht zwangsläufig in den USA. Microsoft verarbeitet Microsoft-365-Daten europäischer Kunden nach eigenen Angaben innerhalb der EU Data Boundary; OpenAI bietet Geschäftskunden EU-Datenresidenz an. US-Transfers stützen sich rechtlich auf den Angemessenheitsbeschluss zum EU-US Data Privacy Framework, der Stand Juli 2026 gilt. Prüfen müssen Sie den konkreten Vertrag, nicht die Werbung. Dies ist eine Orientierung, keine Rechtsberatung.

Langantwort: Drei Ebenen sind zu unterscheiden: wo Daten gespeichert werden, wer darauf zugreifen kann und worauf der Transfer rechtlich ruht. Zur Speicherung: Microsoft hat die EU Data Boundary nach eigenen Angaben Anfang 2025 fertiggestellt; Kundendaten europäischer Microsoft-365-Kunden werden danach innerhalb der EU verarbeitet und gespeichert. OpenAI bietet seit 2025 EU-Datenresidenz für ChatGPT Enterprise und die API an. Beides gilt aber nur für die passenden Vertragsvarianten. Die kostenlose ChatGPT-Version gehört nicht dazu.

Zum Zugriff: Auch bei EU-Speicherung bleibt ein US-Mutterkonzern dem US-Recht unterworfen, etwa dem CLOUD Act. EU-Hosting reduziert das Risiko, beseitigt es nicht vollständig. Zur Rechtsgrundlage: Übermittlungen in die USA stützen sich auf den Angemessenheitsbeschluss der EU-Kommission zum EU-US Data Privacy Framework (2023). Das Gericht der Europäischen Union hat eine Klage dagegen im September 2025 abgewiesen; der Beschluss gilt Stand Juli 2026 fort, bleibt aber politisch angreifbar. Seriöse Verträge kombinieren ihn deshalb mit Standardvertragsklauseln als Rückfallebene.

Der typische Fehler: Die Frage wird pauschal beantwortet, entweder „alles verboten“ oder „alles unbedenklich“. Beides ist falsch. Entscheidend sind Vertragsvariante, Auftragsverarbeitungsvertrag, konfigurierte Datenresidenz und die Art der Daten, die Ihre Beschäftigten tatsächlich eingeben.

Der nächste Schritt: Lassen Sie sich vom Anbieter schriftlich bestätigen, wo Ihre Daten verarbeitet werden und unter welchen Bedingungen US-Zugriffe möglich sind. Prüfen Sie den Auftragsverarbeitungsvertrag mit Ihrem Datenschutzbeauftragten. Und legen Sie intern fest, welche Datenklassen überhaupt in solche Werkzeuge dürfen. Das ist die Stellschraube mit der größten Wirkung.

„Dürfen unsere Mitarbeiter Kundendaten in ChatGPT eingeben, wenn wir die Business-Version bezahlen?“

Kurzantwort: Die Eingabe von Kundendaten in die Business-Version von ChatGPT ist grundsätzlich möglich, aber nur unter Bedingungen. Es braucht einen Auftragsverarbeitungsvertrag mit dem Anbieter, eine Rechtsgrundlage nach der Datenschutz-Grundverordnung, dokumentierte interne Regeln und je nach Risiko eine Datenschutz-Folgenabschätzung. Die Business- und Enterprise-Varianten trainieren nach Anbieterangaben standardmäßig nicht mit Eingaben. Das löst das Datenschutzproblem aber nur teilweise. Dies ist eine Orientierung, keine Rechtsberatung.

Langantwort: Die Bezahlversion ändert zwei wichtige Dinge gegenüber privaten Konten. Erstens bieten Geschäftsvarianten einen Auftragsverarbeitungsvertrag nach Artikel 28 Datenschutz-Grundverordnung. Die Grundvoraussetzung, um überhaupt personenbezogene Daten verarbeiten zu lassen. Zweitens sichern die Anbieter zu, Geschäftseingaben standardmäßig nicht für das Modelltraining zu verwenden. Ohne diese beiden Punkte wäre die Eingabe von Kundendaten von vornherein unzulässig.

Damit ist aber erst die Anbieterseite geregelt, nicht Ihre. Sie bleiben Verantwortlicher im Sinne der Datenschutz-Grundverordnung. Das heißt: Sie brauchen eine Rechtsgrundlage für die konkrete Verarbeitung, müssen die Grundsätze der Datenminimierung einhalten und Ihre Informationspflichten gegenüber Kunden prüfen. Die deutschen Aufsichtsbehörden haben in ihrer Orientierungshilfe zu KI-Diensten (Datenschutzkonferenz, 2024) zudem deutlich gemacht, dass Beschäftigte klare Vorgaben brauchen, welche Daten eingegeben werden dürfen. Für viele Konstellationen, etwa Gesundheitsdaten oder umfangreiche Kundenprofile, ist eine Datenschutz-Folgenabschätzung nach Artikel 35 angezeigt.

Der typische Fehler: Die Lizenz wird als Generalerlaubnis verstanden. „Wir zahlen ja für die sichere Version“ ersetzt keine Regeln. In der Praxis entsteht das Risiko selten durch das Werkzeug, sondern durch die Eingabe. Ein vollständiger Schriftwechsel mit Namen, Vertragsdetails und Beschwerdehistorie ist etwas anderes als eine anonymisierte Textpassage.

Der nächste Schritt: Definieren Sie drei Datenklassen (frei nutzbar, nur anonymisiert, verboten) und hinterlegen Sie sie mit Beispielen aus Ihrem Alltag. Schulen Sie kurz und konkret. Lassen Sie den Auftragsverarbeitungsvertrag und die Frage der Folgenabschätzung vom Datenschutzbeauftragten prüfen, bevor die erste Kundenakte das Haus verlässt.

„Wir wollen einen KI-Chatbot für den Kundenservice kaufen. Fällt der unter den EU AI Act, und was müssen wir vorher prüfen?“

Kurzantwort: Ein gewöhnlicher Kundenservice-Chatbot ist in der Regel kein Hochrisiko-System nach dem EU AI Act. Es gelten aber Transparenzpflichten: Nutzer müssen erkennen können, dass sie mit einer KI sprechen (Artikel 50 der Verordnung (EU) 2024/1689, anwendbar ab August 2026). Vor dem Kauf gehören der Einsatzzweck gegen Anhang III, die Transparenzfunktionen des Produkts und die Datenschutzseite geprüft. Dies ist eine Orientierung, keine Rechtsberatung.

Langantwort: Die KI-Verordnung arbeitet risikobasiert. Verbotene Praktiken, etwa manipulative Techniken oder Social Scoring, gelten seit Februar 2025; ein normaler Service-Chatbot fällt nicht darunter. Hochrisiko-Systeme sind in Anhang III abschließend aufgezählt: Beschäftigung, Kreditwürdigkeit, Bildung, kritische Infrastruktur und ähnliche Bereiche. Ein Chatbot, der Öffnungszeiten nennt, Bestellstatus prüft oder Anleitungen erklärt, gehört nicht dazu. Vorsicht ist geboten, wenn der Bot Entscheidungen mit Rechtswirkung vorbereitet, etwa über Vertragsabschlüsse, Kulanz mit erheblicher Tragweite oder den Zugang zu wesentlichen Leistungen. Dann lohnt eine genauere Prüfung.

Praktisch relevant sind für die meisten Käufer die Transparenzpflichten aus Artikel 50. Menschen müssen erfahren, dass sie mit einem KI-System interagieren, sofern das nicht offensichtlich ist. Diese Pflichten werden ab dem 2. August 2026 anwendbar. Prüfen Sie also vor dem Kauf, ob das Produkt eine klare Kennzeichnung mitbringt. Prüfen Sie auch, ob der Anbieter dokumentiert, wie er seine eigenen Pflichten erfüllt, etwa für das zugrunde liegende Sprachmodell. Parallel läuft die Datenschutzprüfung: Kundengespräche enthalten personenbezogene Daten, also brauchen Sie Auftragsverarbeitungsvertrag, Löschkonzept und eine saubere Datenschutzinformation.

Der typische Fehler liegt an beiden Enden. Manche Unternehmen glauben, die KI-Verordnung betreffe nur Konzerne, und prüfen gar nichts. Andere behandeln jeden Chatbot wie ein Hochrisiko-System und ersticken das Vorhaben in Anforderungen, die das Gesetz gar nicht stellt. Beides kostet unnötig, Bußgeldrisiko im ersten Fall, Projektlähmung im zweiten.

Der nächste Schritt: Führen Sie eine kurze, dokumentierte Einstufung durch: Einsatzzweck beschreiben, gegen die Verbotstatbestände und Anhang III prüfen, Transparenzpflichten abhaken, Datenschutz klären. Eine Seite genügt. Diese Seite ist zugleich der Anfang Ihres KI-Inventars, das Sie ohnehin brauchen werden.

„Wir wollen KI im Recruiting einsetzen. Gilt das als Hochrisiko, und was bedeutet das für den Einkauf?“

Kurzantwort: KI-Systeme für die Auswahl und Bewertung von Bewerbern gelten als Hochrisiko: Sie stehen in Anhang III der Verordnung (EU) 2024/1689. Die zugehörigen Betreiberpflichten greifen nach dem Digital Omnibus ab dem 2. Dezember 2027. Schon heute gelten aber Datenschutzrecht und das Allgemeine Gleichbehandlungsgesetz. Kaufen Sie nur von Anbietern mit belastbarem Konformitätsfahrplan. Dies ist eine Orientierung, keine Rechtsberatung.

Langantwort: Recruiting ist einer der ausdrücklich geregelten Bereiche. Anhang III Nummer 4 der KI-Verordnung erfasst Systeme für Einstellung und Auswahl. Dazu zählen das Schalten gezielter Stellenanzeigen, das Sichten und Filtern von Bewerbungen und die Bewertung von Kandidaten. Der Digital Omnibus on AI wurde vom Parlament am 16. Juni 2026 angenommen und im Juli 2026 unterzeichnet. Er hat den Anwendungsbeginn der Hochrisiko-Pflichten auf den 2. Dezember 2027 verschoben. Ab dann treffen Sie als Betreiber konkrete Pflichten: Nutzung nach Anbietervorgaben, menschliche Aufsicht durch geschulte Personen, Eingangsdatenkontrolle, Protokollaufbewahrung und Information der Betroffenen.

Die Verschiebung ist keine Entwarnung. Erstens gelten Datenschutz-Grundverordnung und Allgemeines Gleichbehandlungsgesetz bereits heute: Diskriminiert ein Auswahlalgorithmus, haften Sie jetzt, nicht erst 2027. Artikel 22 der Datenschutz-Grundverordnung beschränkt zudem vollautomatisierte Ablehnungsentscheidungen. Zweitens kaufen Sie heute ein System, das Sie 2027 noch betreiben werden, ein Anbieter ohne Konformitätsfahrplan wird dann zu Ihrem Problem.

Für den Einkauf heißt das: Verlangen Sie schriftliche Auskunft, wie der Anbieter die Hochrisiko-Anforderungen erfüllen wird, Risikomanagement, Datenqualität, technische Dokumentation, CE-Kennzeichnung. Vereinbaren Sie vertraglich, dass Konformität zum Stichtag geschuldet ist, und ein Sonderkündigungsrecht, falls sie ausbleibt.

Der typische Fehler: Die 2027er-Frist wird als Denkpause missverstanden. Unternehmen führen 2026 ein Auswahlsystem ein, ohne Diskriminierungstests und ohne Vertragsklauseln, und stehen 2027 vor der Wahl, teuer nachzurüsten oder abzuschalten.

Der nächste Schritt: Definieren Sie vor jeder Anbieterauswahl, welche Entscheidungen das System vorbereiten darf und wo zwingend Menschen entscheiden. Lassen Sie sich Bias-Tests zeigen. Und binden Sie Betriebsrat und Datenschutzbeauftragten früh ein, Recruiting berührt beide Zuständigkeiten unmittelbar.

„Unsere Leute nutzen längst privat ChatGPT für Firmenaufgaben. Was riskieren wir, wenn wir das bis zur offiziellen Einführung einfach dulden?“

Kurzantwort: Wer die private ChatGPT-Nutzung für Firmenaufgaben stillschweigend duldet, trägt die Risiken einer KI-Einführung ohne deren Schutzmechanismen. Auf privaten Konten fehlen Auftragsverarbeitungsvertrag und Trainingsausschluss, eingegebene Kunden- oder Konstruktionsdaten sind rechtlich und faktisch außer Kontrolle. Zudem gefährdet Duldung den Schutz der Geschäftsgeheimnisse, der angemessene Maßnahmen voraussetzt. Eine Übergangsregel kostet wenig und schließt die größte Lücke sofort.

Langantwort: Die Ausgangslage ist häufiger, als viele Führungsteams glauben. Das MIT-Projekt NANDA (2025) beschreibt eine ausgeprägte Schatten-Nutzung: Beschäftigte verwenden persönliche KI-Konten für Arbeitsaufgaben, weil die offiziellen Wege fehlen oder zu langsam sind. Die Nutzung findet also ohnehin statt. Die Frage ist nur, ob mit oder ohne Regeln.

Ohne Regeln kumulieren sich drei Risiken. Erstens Datenschutz: Auf privaten Konten existiert kein Auftragsverarbeitungsvertrag nach Artikel 28 Datenschutz-Grundverordnung. Gibt ein Mitarbeiter Kundendaten ein, liegt eine unzulässige Verarbeitung nahe, mit Melde- und Haftungsfolgen für das Unternehmen, nicht nur für den Mitarbeiter. Zweitens Geschäftsgeheimnisse: Das Geschäftsgeheimnisgesetz schützt Informationen nur, wenn angemessene Geheimhaltungsmaßnahmen bestehen. Wer die Eingabe von Kalkulationen oder Konstruktionsdetails in fremde Systeme wissentlich duldet, riskiert dieses Schutzniveau. Drittens Qualität und Compliance: Niemand prüft, was aus den Werkzeugen in Angebote, Verträge oder Kundenkommunikation fließt.

Duldung ist dabei rechtlich heikler als ein bewusstes Verbot oder eine bewusste Freigabe: Sie schafft eine betriebliche Übung ohne jede Schutzvorkehrung. Und sie verzerrt die spätere Einführung, weil sich Gewohnheiten verfestigen, die Sie dann wieder einfangen müssen.

Der typische Fehler: Das Thema wird auf die lange Bank geschoben, weil „die richtige Lösung“ noch nicht ausgewählt ist. Die Übergangszeit ist aber genau die Phase mit dem höchsten unkontrollierten Risiko.

Der nächste Schritt: Erlassen Sie binnen zwei Wochen eine Übergangsrichtlinie. Sie regelt drei Dinge: welche Werkzeuge bis auf Weiteres erlaubt sind, welche Daten keinesfalls eingegeben werden dürfen und an wen sich Fragen richten. Kombinieren Sie das mit einer Kurzschulung von 30 Minuten. Das ist keine KI-Strategie, aber es stoppt die Blutung, bis eine kommt.

„Brauchen wir eine Datenschutz-Folgenabschätzung, bevor wir einen KI-Assistenten einführen?“

Kurzantwort: Vor der Einführung eines KI-Assistenten ist sehr wahrscheinlich eine Datenschutz-Folgenabschätzung nötig. Artikel 35 der Datenschutz-Grundverordnung verlangt sie, wenn eine Verarbeitung voraussichtlich hohe Risiken für Betroffene birgt. Beim Einsatz neuer Technologien auf Beschäftigten- oder Kundendaten ist das regelmäßig der Fall. Die deutschen Aufsichtsbehörden nennen KI-Einsatz ausdrücklich als Kandidaten. Der Aufwand ist überschaubar und erzwingt Klarheit, die ohnehin nötig ist. Dies ist eine Orientierung, keine Rechtsberatung.

Langantwort: Die Datenschutz-Folgenabschätzung ist keine Kür für Konzerne, sondern ein Pflichtinstrument mit klarem Auslöser. Der Auslöser: voraussichtlich hohes Risiko für die Rechte und Freiheiten natürlicher Personen, insbesondere bei neuen Technologien (Artikel 35 Datenschutz-Grundverordnung). Die deutschen Aufsichtsbehörden führen sogenannte Muss-Listen mit Verarbeitungen, die zwingend eine Folgenabschätzung erfordern. Der Einsatz künstlicher Intelligenz auf personenbezogene Daten taucht dort in mehreren Konstellationen auf. Die Orientierungshilfe der Datenschutzkonferenz zu KI-Diensten (2024) unterstreicht das für generative Systeme.

Für einen KI-Assistenten, der auf E-Mails, Dokumente und Kalender Ihrer Beschäftigten zugreift, ist die Antwort deshalb fast immer: ja. Das ist weniger schlimm, als es klingt. Eine Folgenabschätzung zwingt Sie, Fragen zu beantworten, die Sie für ein sauberes Projekt sowieso klären müssen: Welche Daten fließen wohin? Wer hat Zugriff? Welche Risiken bestehen für Beschäftigte und Kunden? Welche Abhilfen sind vorgesehen? Ein geübtes Team erledigt das für einen Standard-Assistenten in wenigen Arbeitstagen, gemeinsam mit dem Datenschutzbeauftragten.

Der typische Fehler: Die Folgenabschätzung wird nach dem Go-live nachgeholt, oder als reine Formalie von einer Vorlage abgeschrieben. Beides verfehlt den Zweck. Wird bei einer nachträglichen Prüfung ein hohes Restrisiko festgestellt, müssten Sie ein laufendes System stoppen oder die Aufsichtsbehörde konsultieren. Vor der Investition ist dieselbe Erkenntnis billig, danach teuer.

Der nächste Schritt: Machen Sie die Schwellwertprüfung sofort, eine strukturierte Kurzprüfung, ob eine vollständige Folgenabschätzung nötig ist. Beauftragen Sie den Datenschutzbeauftragten damit parallel zur Anbieterauswahl, nicht danach. Ergebnis und Begründung dokumentieren Sie in jedem Fall; auch ein begründetes „nicht erforderlich“ ist ein Nachweis.

„Woran erkenne ich vor der Unterschrift, ob ein KI-Anbieter in zwei Jahren überhaupt noch existiert?“

Kurzantwort: Ob ein KI-Anbieter in zwei Jahren noch existiert, lässt sich nicht sicher vorhersagen, wohl aber einschätzen und vertraglich abfedern. Prüfen Sie Finanzierung, zahlende Bestandskunden im Produktivbetrieb, Abhängigkeit von fremden Basismodellen und die Tiefe der Eigenleistung. Wichtiger als die Prognose ist die Absicherung: Datenexport, Quellcode-Hinterlegung und Ausstiegsklauseln machen ein Anbietersterben verkraftbar.

Langantwort: Der Markt für KI-Anwendungen konsolidiert sich, und viele junge Anbieter sind dünne Schichten über fremden Basismodellen. Das MIT-Projekt NANDA (2025) zitiert Einkäufer, die von Dutzenden Demos berichten, von denen kaum eine im Alltag trägt. Vier Prüffelder helfen bei der Einschätzung. Erstens Substanz: Was leistet der Anbieter selbst, was liefert das darunterliegende Modell eines Dritten? Ein Produkt, dessen Kern eine fremde Schnittstelle ist, kann jederzeit von Preis- oder Regeländerungen des Modellanbieters getroffen werden. Zweitens Kunden: Verlangen Sie Referenzen im Produktivbetrieb, nicht Pilotprojekte, und sprechen Sie mit mindestens einer Referenz direkt. Drittens Finanzen: Finanzierungsrunden, Umsatzentwicklung und Teamgröße geben Hinweise. Bei kleinen Anbietern ist auch ein Blick in veröffentlichte Jahresabschlüsse legitim. Viertens Betriebsreife: Gibt es dokumentierte Service-Level, Support-Strukturen, Sicherheitszertifizierungen?

Die ehrliche Antwort bleibt: Auch solide wirkende Anbieter verschwinden, werden aufgekauft oder ändern ihr Produkt. Deshalb verlagert sich die eigentliche Arbeit in den Vertrag. Drei Mechanismen tragen. Erstens ein jederzeit ausübbares Recht auf vollständigen Datenexport in offenen Formaten. Zweitens eine Quellcode- oder Konfigurations-Hinterlegung für den Insolvenzfall. Drittens Kündigungsrechte bei Kontrollwechsel oder wesentlicher Produktänderung.

Der typische Fehler: Die Auswahl folgt der Demo. Eine überzeugende Vorführung sagt nichts über Bestand, sie ist die Kernkompetenz junger Anbieter. Wer nach der Demo unterschreibt, kauft eine Hoffnung.

Der nächste Schritt: Erstellen Sie eine einseitige Anbieter-Risikoprüfung mit den vier Feldern und einem klaren Urteil: strategiefähig, nutzbar mit Absicherung oder nur für Unkritisches. Kein Vertrag ohne dieses Blatt, und ohne getesteten Datenexport vor der Unterschrift.

„Welche Fragen sollten wir einem KI-Anbieter stellen, bevor wir uns entscheiden, und bei welchen Antworten sollten wir hellhörig werden?“

Kurzantwort: Sieben Fragen an jeden KI-Anbieter trennen Substanz von Verpackung: Wo werden unsere Daten verarbeitet? Trainieren Sie mit unseren Eingaben? Welches Basismodell nutzen Sie, und was passiert bei dessen Änderung? Welche Kunden nutzen das Produkt produktiv? Wie messen wir die Qualität? Was kostet der Betrieb bei Skalierung? Wie erfüllen Sie die KI-Verordnung? Warnsignale sind Genauigkeitsversprechen, ausweichende Datenantworten und Zeitdruck.

Langantwort: Der Auswahlprozess ist Ihr stärkster Hebel, nach der Unterschrift verschieben sich die Machtverhältnisse. Die sieben Fragen zielen auf die Punkte, an denen KI-Beschaffungen später scheitern. Zur Datenverarbeitung gehören Speicherort, Unterauftragsverarbeiter und die schriftliche Zusage, dass Ihre Eingaben nicht ins Modelltraining fließen. Zur technischen Substanz gehört die Offenlegung des Basismodells samt Plan für Modellwechsel. Sprachmodelle werden regelmäßig abgekündigt; ein Anbieter ohne Migrationskonzept vererbt Ihnen dieses Problem. Zu Referenzen gilt: Produktivbetrieb zählt, Piloten zählen nicht. Das MIT-Projekt NANDA (2025) fand, dass nur ein kleiner Teil der Unternehmenslösungen je den Produktivbetrieb erreicht. Zur Qualität gehört ein Vorschlag des Anbieters, wie Sie seine Leistung selbst messen können, idealerweise mit eigenen Testfällen vor Vertragsschluss. Zu den Kosten gehört eine Modellrechnung bei zehnfachem Volumen, denn nutzungsbasierte Preise wachsen mit dem Erfolg. Zur Regulierung gehört eine konkrete Antwort auf die Verordnung (EU) 2024/1689, Rolle, Pflichten, Fahrplan.

Warnsignale sind erprobt: Wer „99 Prozent Genauigkeit“ ohne Messmethode verspricht, hat entweder nicht gemessen oder rechnet schön. Wer bei der Trainingsfrage ausweicht („dazu müsste ich Rücksprache halten“), hat meist eine unbequeme Antwort. Wer Rabatte an eine Unterschrift bis Monatsende knüpft, verkauft Quartalsziele, nicht Lösungen. Und wer keine einzige sprechfähige Referenz nennt, hat keine.

Der typische Fehler: Die Fragen werden gestellt, die Antworten aber nicht dokumentiert. Mündliche Zusagen aus dem Vertrieb sind nach der Unterschrift wertlos.

Der nächste Schritt: Gießen Sie die sieben Fragen in einen standardisierten Fragebogen, den jeder Anbieter schriftlich beantwortet. Die Antworten werden Vertragsbestandteil. Das kostet die Guten nichts und entlarvt die anderen.

„Welche Punkte gehören in den Vertrag mit einem KI-Anbieter, damit wir später ohne Drama wechseln können?“

Kurzantwort: Sechs Vertragsklauseln entscheiden darüber, ob sich ein KI-Anbieter später ohne großen Schaden wechseln lässt. Dazu zählen vollständiger Datenexport in offenen Formaten, Löschbestätigung nach Vertragsende und ein Trainingsausschluss für eigene Daten. Dazu kommen Ankündigungsfristen für Modell- und Preisänderungen, Mitwirkungspflicht beim Umzug und begrenzte Laufzeiten. Rückenwind gibt der Data Act (Verordnung (EU) 2023/2854): Für Cloud-Dienste entfallen Wechselentgelte ab Januar 2027. Verlassen Sie sich trotzdem nicht allein auf das Gesetz.

Langantwort: Wechselkosten entstehen nicht beim Wechsel, sondern bei der Unterschrift, durch das, was im Vertrag fehlt. Die wichtigsten Regelungen im Einzelnen: Der Datenexport muss alle Ihre Inhalte umfassen, auch Konfigurationen, Prompts, Wissensbasen und Nutzungshistorien. Er gehört in dokumentierte, offene Formate und muss jederzeit ausübbar sein, nicht erst zum Vertragsende. Die Löschpflicht braucht eine Frist und eine schriftliche Bestätigung. Der Trainingsausschluss stellt sicher, dass Ihr Wissen nicht im Modell des Anbieters weiterlebt und so indirekt zum Wechselhindernis wird. Ankündigungsfristen für Modellwechsel und Preisanpassungen geben Ihnen Reaktionszeit; koppeln Sie wesentliche Änderungen an ein Sonderkündigungsrecht. Die Mitwirkungspflicht verpflichtet den Anbieter, einen Umzug technisch zu unterstützen, mit definierten Tagessätzen statt Fantasiepreisen. Und kurze Laufzeiten mit Verlängerungsoption schlagen lange Verträge mit Rabatt. Der Rabatt ist der Preis Ihrer Verhandlungsmacht.

Der europäische Gesetzgeber hilft inzwischen: Der Data Act ist seit September 2025 anwendbar und verpflichtet Anbieter von Datenverarbeitungsdiensten, Wechselhindernisse abzubauen. Wechselentgelte sind bis zum 12. Januar 2027 abzuschmelzen und entfallen danach. Das ersetzt aber keine Vertragsarbeit: Das Gesetz regelt den Rahmen, nicht die Qualität Ihres konkreten Exports.

Der typische Fehler: Die Wechselfrage wird auf später verschoben, weil man ja gerade erst anfängt. Genau deshalb ist der Zeitpunkt falsch gewählt, verhandeln können Sie nur, solange der Anbieter Sie gewinnen will.

Der nächste Schritt: Testen Sie den Datenexport vor der Unterschrift mit echten Beispieldaten. Was der Anbieter im Verkaufsprozess nicht liefern kann oder will, liefert er im Streitfall erst recht nicht.

„Der Anbieter will unsere Daten zum Training seiner Modelle nutzen. Sollten wir das zulassen?“

Kurzantwort: Unternehmensdaten für das Modelltraining eines KI-Anbieters freizugeben ist im Regelfall die falsche Entscheidung. Die Trainingsnutzung gefährdet Geschäftsgeheimnisse, kollidiert schnell mit Datenschutz und Kundenverträgen und stärkt vor allem das Produkt des Anbieters, auch für Wettbewerber. Die großen Anbieter schließen Training auf Geschäftsdaten standardmäßig aus; wer es verlangt, trägt die Begründungslast. Zulässig ist es allenfalls eng begrenzt, anonymisiert und gegen echte Gegenleistung.

Langantwort: Hinter der harmlos klingenden Klausel „zur Verbesserung unserer Dienste“ steht eine weitreichende Entscheidung. Trainiert der Anbieter mit Ihren Daten, fließen Muster daraus dauerhaft in sein Modell ein, rückholbar ist das praktisch nicht. Drei Prüfebenen führen fast immer zur Ablehnung. Rechtlich: Personenbezogene Daten dürfen ohne eigene Rechtsgrundlage nicht für fremde Trainingszwecke verarbeitet werden; Ihre Kundenverträge und Geheimhaltungsvereinbarungen verbieten die Weitergabe oft ausdrücklich. Auch das Geschäftsgeheimnisgesetz verlangt angemessene Schutzmaßnahmen, eine pauschale Trainingsfreigabe passt schwer dazu. Wirtschaftlich: Der Wert Ihrer Daten liegt in ihrer Exklusivität. Ein Modell, das aus Ihren Reklamationsmustern oder Kalkulationslogiken lernt, steht anschließend auch Ihren Wettbewerbern zur Verfügung. Praktisch: Der Marktstandard spricht für Sie. Die Geschäftsvarianten großer Anbieter sichern standardmäßig zu, Kundeneingaben nicht für das Training zu verwenden. Ein Anbieter, der davon abweichen will, verlangt etwas Unübliches und muss erklären, warum.

Es gibt vertretbare Ausnahmen. Die eine ist aggregierte, wirksam anonymisierte Telemetrie zur Fehlerbehebung. Die andere ist eine bewusst verhandelte Datenpartnerschaft, bei der Sie für die Trainingsnutzung eine substanzielle Gegenleistung erhalten, etwa deutliche Preisnachlässe oder exklusive Funktionen. Das ist dann aber eine eigene geschäftliche Entscheidung mit eigener Prüfung, kein Nebensatz im Standardvertrag.

Der typische Fehler: Die Klausel wird schlicht übersehen, weil sie in den Nutzungsbedingungen steckt statt im Hauptvertrag. Opt-out-Regelungen bleiben ungenutzt.

Der nächste Schritt: Nehmen Sie den Trainingsausschluss als Pflichtklausel in jede KI-Beschaffung auf und lassen Sie sich die Standardeinstellungen schriftlich bestätigen. Prüfen Sie bei Bestandsverträgen, ob ein Opt-out nötig ist, und üben Sie es aus.

„Wer haftet, wenn die eingekaufte KI Fehler macht, und was muss ich vor der Unterschrift vertraglich klären?“

Kurzantwort: Vor der Unterschrift unter einen KI-Vertrag gehören vier Haftungskomplexe auf den Tisch. Wer haftet für falsche Ausgaben und deren Folgen? Wer stellt den Kunden bei Urheberrechtsverletzungen durch generierte Inhalte frei? Welche Haftungsobergrenzen gelten, und sind wesentliche Vertragspflichten ausgenommen? Und wer trägt welche Rolle nach der KI-Verordnung? Standard-Softwareverträge beantworten keine dieser Fragen angemessen. Dies ist eine Orientierung, keine Rechtsberatung.

Langantwort: KI-Verträge verteilen Risiken, die klassische Softwareverträge nicht kennen. Erster Komplex: fehlerhafte Ausgaben. Sprachmodelle erzeugen plausibel klingende Fehler; Anbieter schließen die Richtigkeit deshalb regelmäßig komplett aus. Ganz wegverhandeln lässt sich das selten. Vereinbaren Sie aber Qualitätskennzahlen mit Service-Level. Und erhalten Sie die Haftung für grobe Fahrlässigkeit und die Verletzung wesentlicher Vertragspflichten. Zweiter Komplex: Schutzrechte Dritter. Generierte Texte und Bilder können Urheberrechte verletzen. Mehrere große Anbieter bieten inzwischen Freistellungen für Schutzrechtsverletzungen an, verlangen Sie eine solche Freistellung und prüfen Sie ihre Ausschlüsse genau. Dritter Komplex: Haftungsarchitektur. Übliche Obergrenzen orientieren sich an zwölf Monatsentgelten; bei einem Werkzeug, das Angebote kalkuliert oder Kundenkommunikation erzeugt, kann der Schaden ein Vielfaches betragen. Verhandeln Sie erhöhte Grenzen für Datenschutzverstöße, Geheimnisverletzungen und Schutzrechtsfälle. Vierter Komplex: Regulierung. Klären Sie vertraglich, wer Anbieter und wer Betreiber im Sinne der Verordnung (EU) 2024/1689 ist und wer welche Pflichten erfüllt. Dazu gehören Unterstützungspflichten, falls Ihr Einsatz später als Hochrisiko eingestuft wird.

Zum Umfeld: Die neue EU-Produkthaftungsrichtlinie (2024) bezieht Software und KI ausdrücklich ein. Sie ist bis Ende 2026 in nationales Recht umzusetzen. Die separat geplante KI-Haftungsrichtlinie hat die Europäische Kommission 2025 zurückgezogen. Die Haftungslandschaft bleibt also in Bewegung, ein Grund mehr, Verträge klar zu fassen.

Der typische Fehler: Der Vertrag wird als Formsache behandelt und ungelesen akzeptiert, weil „das ja alle so unterschreiben“.

Der nächste Schritt: Lassen Sie gezielt diese vier Komplexe juristisch prüfen. Das begrenzt die Kosten der Prüfung und trifft die Punkte, die im Schadensfall zählen.

„Unser Softwareanbieter hat jetzt KI-Funktionen. Reicht das oder brauchen wir eine eigene KI-Strategie?“

Kurzantwort: KI-Funktionen in der Bestandssoftware sind ein guter Anfang, aber kein Ersatz für eine eigene KI-Strategie. Sie decken Standardaufgaben ab, die auch die Wettbewerber bekommen. Eine eigene Strategie beantwortet drei Fragen: Wo soll KI das Unternehmen unterscheidbar machen? Welche Regeln gelten im Haus? Wer verantwortet das Thema? Die Antworten passen auf wenige Seiten.

Langantwort: Dass KI zuerst über Bestandssoftware ins Haus kommt, ist der Normalfall: Das ERP schlägt Buchungen vor, das CRM formuliert E-Mails, das Ticketsystem sortiert Anfragen. Diese Funktionen sollten Sie nutzen, sie sind bezahlt, integriert und risikoarm. Nur strategisch tragen sie nicht. Eingebaute KI ist Standardware: Jeder Kunde desselben Herstellers erhält dieselben Funktionen. Effizienzgewinne daraus sind real, aber wettbewerbsneutral, sie verhindern Rückstand, schaffen keinen Vorsprung.

Eine eigene Strategie beantwortet, was die Bestandssoftware nicht beantworten kann. Erstens die Differenzierungsfrage: In welchem Prozess würde KI-Einsatz Sie tatsächlich vom Wettbewerb abheben, Angebotsgeschwindigkeit, Servicequalität, Durchlaufzeiten? Dort lohnt eigene Investition. Zweitens die Governance-Frage: Auch eingebaute KI-Funktionen verarbeiten Daten, brauchen Regeln und tauchen im KI-Inventar auf. Die Kompetenzpflichten aus Artikel 4 der Verordnung (EU) 2024/1689 gelten unabhängig davon, ob die KI gekauft oder mitgeliefert wurde. Drittens die Verantwortungsfrage: Ohne benannten Verantwortlichen entscheidet faktisch jeder Softwarehersteller über Ihren KI-Einsatz, durch seine Release-Politik.

Erfahrungswerte stützen das: Nach Bitkom (2025) beschäftigen sich 47 Prozent der Unternehmen aktiv mit KI-Einsatz, aber nur ein kleiner Teil verankert ihn systematisch in Prozessen. Der Unterschied zwischen beiden Gruppen ist selten die Technik, es sind die getroffenen Entscheidungen.

Der typische Fehler: „Strategie“ wird mit einem Beratungsprojekt und einem dicken Foliensatz verwechselt und deshalb verschoben. Gemeint sind aber drei Führungsentscheidungen, die Sie in zwei Sitzungen treffen können.

Der nächste Schritt: Inventarisieren Sie zuerst, welche KI-Funktionen Ihre Bestandssoftware schon mitbringt und welche aktiviert sind. Dann beantworten Sie die drei Fragen schriftlich. Mehr Strategie braucht der Anfang nicht.

„Brauchen wir als Maschinenbauer mit 800 Mitarbeitern wirklich eine KI-Strategie auf Papier, oder ist das Beraterfolklore?“

Kurzantwort: Eine KI-Strategie als Papier um des Papiers willen ist tatsächlich Folklore, dokumentierte Führungsentscheidungen sind es nicht. Die Empirie spricht für sie: Nach KfW Research (2026) nutzen Mittelständler mit Digitalisierungsstrategie KI deutlich häufiger als Unternehmen ohne. Nötig sind wenige Seiten mit Prioritäten, Regeln und Zuständigkeiten. Nicht nötig ist ein neunmonatiges Strategieprojekt vor dem ersten Anwendungsfall.

Langantwort: Die Skepsis ist berechtigt, wenn „Strategie“ bedeutet: sechsstelliges Beratungsbudget, achtzig Folien, keine einzige Umsetzung. Solche Dokumente altern schneller, als sie gelesen werden. Die Frage ist aber falsch gestellt, wenn daraus folgt, gar nichts festzuhalten.

Der Zusammenhang zwischen schriftlicher Orientierung und tatsächlicher Nutzung ist messbar. KfW Research (Februar 2026) zeigt: Mittelständler mit einer Digitalisierungsstrategie nutzen KI zu 35 Prozent, digital inaktive Unternehmen weit seltener. Unternehmen mit kontinuierlicher Forschung und Entwicklung erreichen 53 Prozent. Eine Strategie erzeugt diese Wirkung nicht durch ihre Existenz als Dokument, sondern durch das, was sie erzwingt. Die Führung muss sich festlegen: Wo wird investiert und wo nicht? Wer entscheidet? Nach welchen Regeln wird gearbeitet? Ohne diese Festlegungen entsteht das bekannte Muster, jede Abteilung probiert etwas, nichts erreicht Produktionsreife, und nach zwei Jahren existieren acht Piloten und kein Ergebnis.

Für ein Unternehmen mit 800 Beschäftigten genügt ein Dokument von drei bis fünf Seiten. Hinein gehören die zwei oder drei Prozessfelder mit Priorität samt Begründung und die ausdrücklich zurückgestellten Themen. Dazu Nutzungsregeln für Werkzeuge und Daten, Zuständigkeiten mit Namen und ein Budgetrahmen mit Entscheidungspunkten. Dieses Papier ist kein Beraterprodukt, sondern ein Führungsinstrument, es macht Nein-Sagen möglich und schützt vor der teuersten Dynamik: dem unkoordinierten Überall-ein-bisschen.

Der typische Fehler: Die Ablehnung der Strategieprosa führt zur Ablehnung jeder Festlegung. Dann entscheidet niemand, oder jeder.

Der nächste Schritt: Setzen Sie eine halbtägige Führungsklausur an. Ergebnis sind die fünf Festlegungen, schriftlich, mit Namen und Terminen. Wenn ein Berater dabei hilft, gut. Wenn das Papier länger als fünf Seiten wird, streichen Sie.

„Sollen wir eine KI-Lösung selbst entwickeln oder fertig kaufen? Wir haben zwei eigene Entwickler.“

Kurzantwort: Mit zwei eigenen Entwicklern sollte ein Unternehmen den Kern einer KI-Lösung kaufen und höchstens die schmale Anpassungsschicht selbst bauen. Eine Eigenentwicklung umfasst nicht nur das Bauen, sondern jahrelangen Betrieb: Modellwechsel, Sicherheit, Qualitätsprüfung, Weiterentwicklung. Das MIT-Projekt NANDA (2025) fand zudem, dass extern beschaffte Lösungen deutlich häufiger den Produktivbetrieb erreichen als interne Entwicklungen. Entscheiden Sie je Anwendungsfall, nicht pauschal.

Langantwort: Die Frage klingt nach einer Grundsatzentscheidung, ist aber eine Portfoliofrage. Für Standardbedarf (Assistenten, Textverarbeitung, Übersetzung, Protokolle) ist Kaufen fast immer richtig. Der Markt ist reif, die Preise sinken. Jede Eigenentwicklung konkurriert hier mit Produkten, an denen Hunderte Entwickler arbeiten. Interessant wird die Frage nur dort, wo Ihr Prozesswissen den Unterschied macht. Beispiele sind eine Angebotslogik, die Ihre Kalkulationsregeln abbildet, oder eine Wissenssuche über Ihre Konstruktionsdokumentation.

Auch dort heißt „selbst machen“ heute selten, ein Modell zu entwickeln. Realistisch ist eine schmale Eigenleistung auf gekauften Bausteinen: fertige Modelle über Schnittstellen, dazu Ihre Datenaufbereitung, Ihre Regeln, Ihre Oberfläche. Selbst diese Variante bindet aber dauerhaft Kapazität. Zwei Entwickler, die auch das ERP betreuen und den Support stemmen, können ein solches System vielleicht bauen. Betreiben, absichern und weiterentwickeln können sie es neben allem anderen kaum. Die Empirie mahnt zur Vorsicht. Das MIT-Projekt NANDA (2025) berichtet: Extern beschaffte Lösungen und Partnerschaften kommen etwa doppelt so oft erfolgreich in den Produktivbetrieb wie reine Eigenentwicklungen.

Der typische Fehler ist die Baukosten-Illusion: Kalkuliert wird der Prototyp, nicht die fünf Jahre danach. Ein Prototyp in drei Monaten ist keine Kunst, ein System, das 2029 noch sicher, aktuell und gepflegt läuft, schon.

Der nächste Schritt: Erstellen Sie je Anwendungsfall eine kurze Make-or-Buy-Prüfung mit drei Fragen: Ist der Bedarf differenzierend oder Standard? Was kostet die Lösung über fünf Jahre inklusive Betrieb? Wer betreibt sie, wenn einer der beiden Entwickler kündigt? Die dritte Frage beendet die meisten Eigenbau-Debatten.

„Was ist eigentlich der Unterschied zwischen ChatGPT, Copilot und einer ‚eigenen KI‘, und was davon brauchen wir?“

Kurzantwort: ChatGPT ist ein universeller Assistent ohne Zugriff auf Ihre Systeme. Copilot ist derselbe Werkzeugtyp, eingebettet in Microsoft 365 und mit Zugriff auf Ihre dortigen Dokumente und Mails. Eine „eigene KI“ ist meist ein gekauftes Modell, das gezielt mit Ihrem Firmenwissen oder in Ihren Prozessen arbeitet. Die meisten Unternehmen starten mit den ersten beiden; die dritte braucht einen klaren Anwendungsfall.

Langantwort: Die drei Begriffe bezeichnen drei Ausbaustufen, nicht drei Konkurrenzprodukte. Stufe eins: der universelle Assistent. ChatGPT und vergleichbare Dienste beantworten Fragen, schreiben und übersetzen Texte, fassen Dokumente zusammen, auf Basis ihres allgemeinen Trainings. Sie wissen nichts über Ihr Unternehmen, außer dem, was der Nutzer gerade eintippt. Stärke: sofort einsetzbar, günstig. Grenze: kein Zugriff auf Ihre Daten, Antworten können überzeugend klingen und trotzdem falsch sein.

Stufe zwei: der eingebettete Assistent. Microsoft 365 Copilot nutzt dieselbe Modelltechnik, arbeitet aber innerhalb Ihrer Microsoft-Umgebung. Er greift auf das zu, was der jeweilige Nutzer dort sehen darf, Mails, Dateien, Termine, Chats. Das macht ihn im Alltag nützlicher und zugleich anspruchsvoller: Berechtigungen und Datenhygiene entscheiden über Nutzen und Risiko.

Stufe drei: die angepasste Lösung. Hier verbindet ein Dienstleister oder Ihr Team ein gekauftes Modell gezielt mit Ihrem Wissen. Typisch ist eine dokumentengestützte Suche, bei der das Modell Antworten aus Ihren eigenen Unterlagen belegt. Ein eigenes Modell zu trainieren ist dagegen für den Mittelstand fast nie sinnvoll. Stärke der Stufe drei: löst spezifische Probleme, etwa Wissenssuche über zwanzig Jahre Konstruktionsakten. Grenze: Projektkosten, Betriebsaufwand, Abhängigkeit von Datenqualität.

Der typische Fehler: Die Stufen werden übersprungen. Wer ohne Erfahrung aus Stufe eins und zwei direkt eine eigene Lösung beauftragt, kauft Antworten auf Fragen, die er noch nicht stellen kann.

Der nächste Schritt: Ordnen Sie Ihren Bedarf den Stufen zu. Allgemeine Schreib- und Rechercheaufgaben: Stufe eins. Arbeit in Office-Dokumenten und Mails: Stufe zwei. Ein konkreter Prozess mit eigenem Wissen: erst dann Stufe drei prüfen.

„Wie finden wir heraus, welche unserer Prozesse sich wirklich für KI eignen, und welche wir besser lassen?“

Kurzantwort: Für KI geeignete Prozesse haben fünf Merkmale. Dazu gehören ein hoher Text-, Dokumenten- oder Datenanteil, spürbares Volumen oder spürbare Wartezeiten und digital verfügbare Daten. Hinzu kommen Fehlertoleranz mit menschlicher Prüfmöglichkeit und ein messbares Ergebnis. Ungeeignet sind Prozesse mit dünner Datenlage, hohen Folgekosten einzelner Fehler ohne Prüfschritt oder ständigen Sonderfällen. Bewerten Sie zehn Kandidaten nach Wert, Machbarkeit und Risiko, nicht nach Faszination.

Langantwort: Die Eignungsprüfung ist die günstigste Fehlervermeidung im ganzen KI-Vorhaben, denn die dokumentierten Scheitergründe entstehen meist hier. Gartner (2024) nennt schlechte Datenqualität und unklaren Geschäftswert als Hauptursachen für abgebrochene Projekte, beides sind Eigenschaften des gewählten Prozesses, nicht der Technik.

Zu den Merkmalen im Einzelnen. Volumen: Ein Vorgang, der zwanzigmal am Tag anfällt, trägt Investitionen; einer, der zweimal im Monat vorkommt, selten. Datenlage: Heutige Sprachmodelle arbeiten gut mit Texten, Dokumenten und strukturierten Daten, wenn diese digital vorliegen. Steckt das Prozesswissen in Köpfen oder Papierordnern, ist erst Datenarbeit nötig. Fehlertoleranz: KI-Ausgaben sind nicht fehlerfrei. Prozesse, in denen ein Mensch das Ergebnis prüft, bevor es wirkt (Angebotsentwurf, Antwortvorschlag, Zusammenfassung) verkraften das. Prozesse, in denen ein Fehler direkt und teuer wirkt, brauchen entweder einen Prüfschritt oder eine andere Lösung. Messbarkeit: Ohne Vorher-Kennzahl kein Nachher-Nachweis. Standardisierungsgrad: Viele ähnliche Fälle sind gut, ständige Einzelfallentscheidungen schlecht.

Der typische Fehler: Die Auswahl folgt der Begeisterung statt der Reibung. Gewählt wird, was auf Konferenzen beeindruckt, nicht der unscheinbare Engpass, über den sich seit Jahren alle beschweren. Der zweite Fehler: Die Fachabteilung wird nicht gefragt, dabei weiß sie am besten, wo Zeit versickert.

Der nächste Schritt: Sammeln Sie mit den Fachbereichen zehn Kandidaten. Bewerten Sie jeden auf einer einfachen Skala nach Wert, Machbarkeit und Risiko. Die besten zwei werden Pilotkandidaten, der Rest wartet dokumentiert. Diese Liste ist eine Arbeitssitzung wert, nicht mehr, aber auch nicht weniger.

„Wen brauchen wir im Haus, bevor das erste KI-Projekt startet? Reicht unser IT-Leiter?“

Kurzantwort: Für das erste KI-Projekt reicht der IT-Leiter allein nicht. Tragfähig wird es mit vier Rollen. Nötig sind ein Sponsor aus der Geschäftsführung, ein fachlicher Eigentümer aus dem Zielprozess und die IT für Integration und Sicherheit. Dazu kommen früh eingebundene Ansprechpartner für Datenschutz und Betriebsrat. Data Scientists sind am Anfang nicht nötig. Bleibt die Fachrolle unbesetzt, scheitert später das Projekt.

Langantwort: Die Frage enthält ein verbreitetes Missverständnis: KI-Einführung als IT-Projekt. Technisch stimmt das zum Teil, Anbindung, Berechtigungen, Sicherheit liegen bei der IT. Aber der Wert entsteht im Fachprozess, und dort entscheidet sich auch das Schicksal des Vorhabens. Das MIT-Projekt NANDA (2025) beschreibt fehlende Verankerung im Arbeitsablauf als zentrales Muster gescheiterter Piloten. Werkzeuge, die niemand in der Fachabteilung wollte, werden auch von niemandem genutzt.

Die vier Rollen konkret. Der Sponsor in der Geschäftsführung räumt Hindernisse weg, sichert Budget und signalisiert der Organisation, dass das Thema zählt, ohne ihn versandet jedes bereichsübergreifende Vorhaben. Der fachliche Eigentümer kommt aus dem Prozess, der verbessert werden soll. Geeignet ist eine respektierte Führungskraft oder erfahrene Fachkraft, die den Alltag kennt, Testfälle liefert und Kollegen mitnimmt. Diese Rolle ist die am häufigsten unbesetzte, und die wichtigste. Die IT verantwortet Integration, Berechtigungen und Sicherheit; Ihr IT-Leiter gehört also zwingend an den Tisch, nur eben nicht allein. Datenschutzbeauftragter und Betriebsrat werden vor der Anbieterauswahl informiert und eingebunden, nicht nach der Bestellung. Das erspart die teuersten Verzögerungen.

Was Sie anfangs nicht brauchen: eigene KI-Spezialisten oder ein Kompetenzzentrum. Für gekaufte Lösungen reicht das beschriebene Quartett plus Anbieter- oder Dienstleisterwissen.

Der typische Fehler: Das Projekt wird der IT „übergeben“, die Fachabteilung wird zur Betroffenen statt zur Eigentümerin. Sechs Monate später gilt das Werkzeug als „von oben verordnet“ und bleibt ungenutzt.

Der nächste Schritt: Besetzen Sie die vier Rollen mit Namen, bevor Sie einen Anbieter auswählen. Wenn sich für die fachliche Eigentümerschaft niemand findet, haben Sie den falschen Prozess gewählt. Das ist ein wertvolles Frühwarnsignal.

„Unsere Belegschaft hat Angst, dass KI Stellen kostet. Wie gehen wir damit um, bevor wir überhaupt starten. Ohne das Projekt zu gefährden?“

Kurzantwort: Die Angst der Belegschaft vor Stellenabbau durch KI gehört beantwortet, bevor Gerüchte es tun. Sagen Sie ehrlich, was geplant ist und was nicht. Machen Sie nur Zusagen, die Sie halten können. Und binden Sie Betriebsrat und Beschäftigte vor der Kaufentscheidung ein. Wer zuerst durch die Flurfunk-Version von der KI-Einführung erfährt, ist für das Projekt verloren.

Langantwort: Die Angst ist rational, und sie verschwindet nicht durch Schweigen. In der ersten KI-Investition eines Mittelständlers geht es fast immer um Unterstützung bestehender Arbeit (Texte, Suche, Routineauswertungen) und nicht um Stellenabbau. Genau das sollten Sie sagen, konkret und überprüfbar: welcher Prozess, welches Ziel, was sich für wen ändert. Ebenso wichtig ist, was Sie nicht sagen sollten. Pauschale Beschäftigungsgarantien, die in einer Krise nicht zu halten wären, zerstören später mehr Vertrauen, als sie heute stiften. Ehrlich ist eine Aussage wie: Dieses Projekt dient der Entlastung, nicht dem Abbau, und wenn sich Aufgaben verändern, qualifizieren wir zuerst intern.

Drei Bausteine haben sich bewährt. Erstens Reihenfolge: Information der Führungskräfte, dann des Betriebsrats, dann der Belegschaft, bevor Lizenzen bestellt werden. Der Betriebsrat hat bei technischen Systemen ohnehin Beteiligungsrechte (Paragrafen 87 und 90 Betriebsverfassungsgesetz); ihn früh einzubinden verwandelt einen möglichen Gegner in einen Mitgestalter. Zweitens Beteiligung: Lassen Sie Beschäftigte aus dem Zielprozess das Werkzeug mit auswählen und testen. Wer mitgestaltet, fürchtet weniger, und die Testerfahrungen sind fachlich wertvoll. Drittens Qualifizierung: Ein sichtbares Schulungsangebot sendet die glaubwürdigste Botschaft, nämlich dass in Menschen investiert wird, nicht gegen sie.

Der typische Fehler: Das Thema wird „später kommuniziert“, wenn alles entschieden ist. Bis dahin füllen Gerüchte die Lücke, und die erste offizielle Information trifft auf fertige Meinungen.

Der nächste Schritt: Schreiben Sie vor der Investitionsentscheidung eine halbe Seite. Ihr Inhalt: Was machen wir, warum, was heißt das für Arbeitsplätze, was sagen wir zu, was nicht. Diese halbe Seite ist die Grundlage jeder weiteren Kommunikation, und sie zwingt die Geschäftsführung, sich selbst ehrlich zu machen.

„Müssen wir unsere Mitarbeiter schulen, bevor wir das erste KI-Tool überhaupt einführen?“

Kurzantwort: Eine Grundschulung der Beschäftigten gehört vor die Einführung des ersten KI-Tools, rechtlich wie praktisch. Artikel 4 der Verordnung (EU) 2024/1689 verpflichtet auch Betreiber seit Februar 2025, für ausreichende KI-Kompetenz des Personals zu sorgen, angemessen zu Rolle und Einsatzkontext. Für den Start genügt ein kompaktes, rollenbezogenes Programm: Grundverständnis, Grenzen der Werkzeuge, Datenregeln. Ein einmaliges Webinar für alle erfüllt weder Zweck noch Anspruch. Dies ist eine Orientierung, keine Rechtsberatung.

Langantwort: Die rechtliche Seite zuerst: Artikel 4 der KI-Verordnung gilt seit dem 2. Februar 2025 und erfasst Anbieter wie Betreiber. Erfasst ist also auch das Unternehmen, das lediglich einen Assistenten oder eingebaute KI-Funktionen nutzt. Verlangt wird keine Zertifizierung, sondern ein „ausreichendes Maß an KI-Kompetenz“, bemessen nach Vorwissen, Rolle und Einsatzkontext der betroffenen Personen. Eine eigene Bußgeldnorm enthält Artikel 4 nicht. Die Pflicht wirkt aber über die allgemeine Aufsicht und vor allem über die Haftungsfrage. Wer ungeschultes Personal mit KI arbeiten lässt und dadurch Schäden verursacht, steht schlecht da.

Wichtiger als die Pflicht ist der wirtschaftliche Grund. Der Unterschied zwischen genutzten und ungenutzten KI-Investitionen liegt regelmäßig in der Befähigung. Beschäftigte erzeugen Nutzen, wenn sie zwei konkrete Anwendungsfälle für die eigene Arbeit kennen und die Grenzen des Werkzeugs verstehen. Alle anderen produzieren entweder nichts oder, schlimmer, ungeprüfte Fehler in Kundendokumenten. Ein sinnvolles Startprogramm ist deshalb rollenbezogen. Alle erhalten eine kurze Grundlage: Was ist das Werkzeug, wo irrt es, welche Daten sind tabu? Die Pilotgruppe bekommt eine vertiefte Einheit mit echten Arbeitsbeispielen. Administratoren und Prüfrollen erhalten eine Spezialschulung. Das ist in wenigen Wochen aufgesetzt und kostet einen Bruchteil der Lizenzsumme.

Der typische Fehler: Schulung wird als einmalige Pflichtübung abgehakt, ein Webinar, ein Haken, fertig. Kompetenz entsteht aber durch Anwendung; ohne Übungsanteile und Auffrischung verpufft der Effekt binnen Wochen.

Der nächste Schritt: Planen Sie die Schulung als Teil der Einführung, nicht als Anhängsel. Setzen Sie Termine vor den Rollout und nutzen Sie Übungsfälle aus dem eigenen Alltag. Dokumentieren Sie kurz, wer wann geschult wurde. Diese Dokumentation ist zugleich Ihr Nachweis für Artikel 4.

„Wie lange dauert es wirklich, bis KI bei uns produktiv läuft, wenn wir heute die Entscheidung treffen?“

Kurzantwort: Von der Investitionsentscheidung bis zum produktiven KI-Einsatz vergehen bei fertigen Assistenten zwei bis vier Monate, inklusive Berechtigungsprüfung, Beteiligung und Schulung. Integrationsprojekte mit eigenem Wissen brauchen sechs bis zwölf Monate bis zum stabilen Betrieb. Die Technik ist selten der Engpass; Datenaufräumen, Gremienwege und Vertragsverhandlung kosten die meiste Zeit. Wer „in vier Wochen live“ verspricht, meint die Demo, nicht den Betrieb.

Langantwort: Die Dauer hängt weniger vom Werkzeug ab als von Ihrem Haus. Bei einem Lizenz-Rollout wie Copilot vergehen typischerweise zwei bis vier Monate. Dahinter stehen Vertrags- und Datenschutzprüfung, Abstimmung mit dem Betriebsrat, Bereinigung der Berechtigungen, Pilotgruppe, Schulung und die gestaffelte Ausweitung. Jeder dieser Schritte ist einzeln unspektakulär; zusammen sind sie der Kalender. Bei Integrationsprojekten, etwa einer Wissenssuche über eigene Dokumente, kommen Datenaufbereitung, Aufbau, Testphasen mit echten Nutzern und Korrekturschleifen dazu. Sechs bis zwölf Monate bis zum belastbaren Produktivbetrieb sind hier normal, bei schwieriger Datenlage mehr.

Zwei externe Befunde stützen diese Ernüchterung. Gartner (2024) nennt eskalierende Kosten und unklaren Wertnachweis als Gründe, warum viele Vorhaben nach dem Proof of Concept enden. Häufig wurde schlicht der Weg von der Demo zum Betrieb unterschätzt. Das MIT-Projekt NANDA (2025) zeigt dasselbe Muster von der Erfolgsseite. Den Produktivbetrieb erreichen vor allem Lösungen, die von Anfang an in Arbeitsabläufe integriert wurden. Genau diese Integration ist der zeitintensive Teil.

Der typische Fehler: Der Zeitplan wird von der Technik her gedacht. Installation und Konfiguration dauern Tage; eingeplant werden Wochen. Berechtigungen, Betriebsrat, Datenschutz, Schulung und Datenqualität dauern Monate; eingeplant werden Tage. Das Ergebnis sind „verspätete“ Projekte, die nie eine realistische Chance hatten, pünktlich zu sein.

Der nächste Schritt: Planen Sie rückwärts mit Toren statt mit einem Enddatum: Vertrag und Datenschutz abgeschlossen, Beteiligung geregelt, Daten bereit, Pilot ausgewertet, Ausweitung entschieden. Jedes Tor bekommt einen Verantwortlichen und ein Datum. Kommunizieren Sie intern das nächste Tor, nicht den Endtermin. Das hält Erwartungen ehrlich.

„Sollten wir lieber auf die nächste Modellgeneration warten, statt jetzt zu kaufen? Die Entwicklung geht doch so schnell.“

Kurzantwort: Auf die nächste Modellgeneration zu warten lohnt nicht, kaufen Sie aber so, als käme sie sicher. Modelle verbessern sich laufend; wer auf das Ende dieser Entwicklung wartet, wartet für immer. Der Engpass ist ohnehin selten das Modell, sondern Daten, Regeln und Können im Haus, und dieser Aufbau verliert durch Warten nur Zeit. Wählen Sie kurze Laufzeiten und modellunabhängige Lösungen statt eines Kaufstopps.

Langantwort: Hinter der Frage steht eine Beschaffungslogik aus der Hardware-Welt: Wer vor dem Generationswechsel kauft, zahlt zu viel für veraltete Technik. Auf KI-Dienste passt diese Logik nicht. Erstens gibt es keinen Generationstakt, auf den man warten könnte. Die großen Anbieter veröffentlichen laufend neue Modelle. Bei Mietdiensten erhalten Sie Verbesserungen innerhalb der Laufzeit, ohne neu zu kaufen. Zweitens veraltet nicht die Investition, sondern höchstens ein austauschbarer Baustein darin: Das Modell ist die am leichtesten wechselbare Komponente einer KI-Lösung. Was Bestand hat, sind Ihre aufbereiteten Daten, Ihre Prozessintegration, Ihre Regeln und die Erfahrung Ihrer Beschäftigten.

Drittens verwechselt das Warten den Engpass. Die Nutzungslücke in deutschen Unternehmen liegt nicht an zu schwachen Modellen. KfW Research (2026) identifiziert digitalen Reifegrad und Know-how als entscheidende Voraussetzungen der KI-Nutzung im Mittelstand. Diese Voraussetzungen entstehen nicht durch bessere Modelle, sondern durch Arbeit, und die beginnt am besten jetzt. Das MIT-Projekt NANDA (2025) fand zudem: Gescheiterte Vorhaben scheitern selten an der Modellqualität. Sie scheitern an fehlender Integration und fehlendem Lernen der Organisation.

Berechtigt ist der Wartegedanke in einer engen Variante: Bei langen, teuren Verträgen für eine bestimmte Modellversion ist Zurückhaltung klug. Die Antwort darauf ist aber Vertragsgestaltung, nicht Verzicht.

Der typische Fehler: „Wir warten auf die nächste Generation“ wird zur Dauerhaltung. Sie klingt jedes Jahr aufs Neue plausibel, und verlängert jedes Jahr denselben Rückstand.

Der nächste Schritt: Kaufen Sie bewusst kurzzyklisch, Jahresverträge, Modellwechselklauseln, keine Bindung an eine Modellversion. Investieren Sie parallel in das, was nicht veraltet: Datenqualität, Anwendungsfälle, Kompetenz.

„Brauchen wir eigentlich eigene Server oder GPU-Hardware, wenn wir KI im Unternehmen nutzen wollen?“

Kurzantwort: Eigene Server oder GPU-Hardware sind für den KI-Einstieg nicht nötig. Assistenten, eingebaute KI-Funktionen und die allermeisten Integrationsprojekte laufen als Clouddienste oder über Schnittstellen, auch mit EU-Datenresidenz. Eigene GPU-Infrastruktur lohnt nur in Sonderfällen: sehr strenge Vertraulichkeitsanforderungen, große dauerhafte Rechenlasten oder besondere Latenzanforderungen. Sie kostet sechsstellig aufwärts und braucht Spezialwissen, das am Markt knapp ist.

Langantwort: Die Frage stammt aus einer verständlichen Intuition: Wichtige Systeme stehen im eigenen Keller. Bei KI führt diese Intuition in die teuerste Sackgasse, die der Einstieg zu bieten hat. Der Standardweg sieht anders aus. Fertige Assistenten und eingebaute Funktionen bezieht man als Dienst. Angepasste Lösungen nutzen Modelle über Schnittstellen großer Cloudanbieter, zunehmend mit Verarbeitung in europäischen Rechenzentren. Für Vertraulichkeitsanforderungen gibt es Zwischenstufen unterhalb eigener Hardware: EU-Datenresidenz beim Anbieter, dedizierte Cloud-Umgebungen oder europäische Hosting-Anbieter, die offene Modelle betreiben.

Eigene GPU-Server bedeuten dagegen: erhebliche Anschaffungskosten pro Rechenknoten, Strom und Kühlung, Ausfallabsicherung, und vor allem Menschen, die Modelle betreiben, aktualisieren und absichern können. Dieses Spezialwissen ist am Arbeitsmarkt knapp und teuer. Dazu kommt das Auslastungsproblem. Gekaufte Hardware rechnet sich nur bei dauerhaft hoher Last. Sporadische Nutzung macht jede Stunde Rechenzeit um ein Vielfaches teurer als in der Cloud. Und die Hardware-Generationen wechseln schnell. Das Veraltungsrisiko, das bei Clouddiensten der Anbieter trägt, liegt beim Eigenbetrieb bei Ihnen.

Berechtigte Ausnahmen existieren: Unternehmen mit Verschlusssachen oder extremen Geheimschutzanforderungen, Fertigungsumgebungen ohne stabile Anbindung, oder tatsächlich große, konstante Rechenlasten. Wer sich hier wiederfindet, sollte die Entscheidung mit einer ehrlichen Fünfjahresrechnung unterlegen, inklusive Personal.

Der typische Fehler: Infrastruktur wird vor dem Anwendungsfall beschafft. Ein Serverschrank voller GPUs beantwortet keine einzige Geschäftsfrage, er wartet auf Projekte, die dann doch anders umgesetzt werden.

Der nächste Schritt: Formulieren Sie Ihre tatsächlichen Anforderungen (Datenklassen, Vertraulichkeit, Volumen, Latenz) und prüfen Sie erst dann, welche Betriebsform sie erfüllt. In neun von zehn Fällen ist die Antwort ein Clouddienst mit EU-Verarbeitung und gutem Vertrag.

Quellenübersicht

• Bitkom Research: „Künstliche Intelligenz 2025“, repräsentative Befragung von 604 Unternehmen ab 20 Beschäftigten, 2025.
• KfW Research: „Einsatz von Künstlicher Intelligenz vor allem in Unternehmen mit hohen Innovations- und Digitalisierungsaktivitäten“, Fokus Volkswirtschaft Nr. 533, Februar 2026.
• MIT Project NANDA: „The GenAI Divide: State of AI in Business 2025“, Juli 2025.
• Gartner: Pressemitteilung „30 % of Generative AI Projects Will Be Abandoned After Proof of Concept By End of 2025“, Juli 2024.
• McKinsey & Company: „The State of AI: Global Survey 2025“, 2025.
• Verordnung (EU) 2024/1689 (KI-Verordnung) und Digital Omnibus on AI (vom Europäischen Parlament am 16. Juni 2026 angenommen, unterzeichnet im Juli 2026; Veröffentlichung im Amtsblatt bei Redaktionsschluss ausstehend).
• Verordnung (EU) 2023/2854 (Data Act), anwendbar seit 12. September 2025.
• Arbeitsgericht Hamburg, Beschluss vom 16. Januar 2024, 24 BVGa 1/24.
• Datenschutzkonferenz (DSK): Orientierungshilfe „Künstliche Intelligenz und Datenschutz“, 2024.
• Microsoft: Deutsche Preisliste Microsoft 365 Copilot, Stand 2026.

Alle rechtlichen Aussagen: Stand Juli 2026, Orientierung, keine Rechtsberatung.

Das Entscheider-Briefing

Ein Briefing pro Woche: Entscheidungsfragen, eingeordnete Zahlen und Fristen. Ihre Adresse geben wir nicht weiter.

Website

E-Mail-Adresse

Briefing abonnieren

Ich möchte das Briefing per E-Mail erhalten und kann die Einwilligung jederzeit widerrufen. Die Datenschutzerklärung habe ich gelesen.

Sie erhalten zuerst eine E-Mail mit einem Bestätigungslink. Erst nach dem Klick nehmen wir Sie auf. Abmeldung mit einem Klick in jeder Ausgabe.