Wie entwickelt man eine KI-Strategie? Ein Vorgehen in sechs Schritten

Künstliche Intelligenz ist in den Unternehmen angekommen: 88 Prozent der Organisationen weltweit setzen KI in mindestens einer Geschäftsfunktion ein – im Vorjahr waren es noch 78 Prozent.¹ Auch in der Schweiz beschleunigt sich die Entwicklung: Der Anteil der KMU, die KI bewusst nutzen, stieg innert eines Jahres von 22 auf 34 Prozent.⁶ Doch zwischen «wir nutzen KI» und «KI schafft messbaren Geschäftswert» liegt eine grosse Lücke. Wer sie schliessen will, braucht keine weiteren Tools, sondern eine Strategie. Dieser Beitrag zeigt ein erprobtes Vorgehen in sechs Schritten – von der Standortbestimmung bis zur Skalierung.

Was ist eine KI-Strategie?

Eine KI-Strategie ist ein verbindlicher, aus der Geschäftsstrategie abgeleiteter Plan, der festlegt, wo, wie und unter welchen Rahmenbedingungen eine Organisation künstliche Intelligenz einsetzt, um ihre Ziele zu erreichen. Sie verbindet priorisierte Anwendungsfälle (Use Cases) mit den nötigen Daten, Technologien, Kompetenzen und Governance-Strukturen – und übersetzt dies in eine Roadmap mit messbaren Zielen.

Eine KI-Strategie ist damit ausdrücklich kein Werkzeugkatalog («Wir führen ChatGPT ein») und keine Absichtserklärung («Wir wollen KI-Vorreiter werden»). Sie beantwortet vier Fragen konkret:

1. Wozu? Welche Geschäftsziele soll KI unterstützen – Effizienz, Qualität, Wachstum, neue Angebote?
2. Wo? Welche Anwendungsfälle haben das beste Verhältnis von Nutzen zu Aufwand und Risiko?
3. Womit? Welche Daten, Systeme, Partner und Kompetenzen braucht es dafür?
4. In welchem Rahmen? Welche Regeln gelten für Datenschutz, Ethik und Compliance – etwa unter dem EU AI Act?

Warum viele KI-Initiativen ohne Strategie scheitern

Die Datenlage ist ernüchternd. Eine vielzitierte MIT-Studie («The GenAI Divide: State of AI in Business 2025») kommt zum Schluss, dass rund 95 Prozent der untersuchten Generative-AI-Pilotprojekte in Unternehmen keinen messbaren Effekt auf die Erfolgsrechnung erzielen.³ McKinsey bestätigt das Muster: Zwar nutzen 88 Prozent der Organisationen KI, aber nur 39 Prozent führen überhaupt einen Ergebniseffekt (EBIT) darauf zurück – und bei den meisten davon liegt er unter 5 Prozent. Nur rund 6 Prozent gelten als «AI High Performers», und lediglich etwa ein Drittel hat begonnen, KI unternehmensweit zu skalieren.¹

BCG beziffert die Wertlücke ähnlich: Nur 5 Prozent der Unternehmen erzielen substanziellen KI-Wert in grossem Massstab, während 60 Prozent keinen wesentlichen Wertbeitrag ausweisen. Interessant ist, was die erfolgreichen 5 Prozent anders machen: Sie verfügen über eine klare, ambitionierte Zielsetzung mit starker Führungsverankerung – also genau das, was eine Strategie leistet – und gestalten Arbeitsabläufe neu, statt nur bestehende Prozesse mit Tools zu «bestücken».¹²

Die häufigsten Ursachen des Scheiterns sind dabei selten technischer Natur: fehlende Integration in Arbeitsabläufe, falsch allozierte Budgets und mangelnde Verankerung im Kerngeschäft.³ Anders gesagt: Nicht die Modelle versagen, sondern das Vorgehen. Genau hier setzt ein strukturierter Strategieprozess an.

Das Vorgehen in sechs Schritten

1. Standortbestimmung und Reifegrad

Am Anfang steht eine ehrliche Bestandsaufnahme: Wo steht die Organisation heute? Dazu gehören vier Dimensionen: Daten (Qualität, Verfügbarkeit, Zugriffsrechte), Technologie (Systemlandschaft, Schnittstellen, Cloud-Fähigkeit), Kompetenzen (Wer kann was? Wer nutzt bereits welche Tools – auch inoffiziell?) und Kultur (Offenheit, Risikobereitschaft, Führungsunterstützung).

Ein einfaches Reifegradmodell mit vier Stufen genügt für den Einstieg: explorativ (einzelne Mitarbeitende experimentieren), punktuell (erste Pilotprojekte), systematisch (definierte Use Cases mit Verantwortlichkeiten) und skaliert (KI ist in Kernprozesse integriert). Wichtig: Auch die Schatten-Nutzung erfassen. In vielen Schweizer KMU wird KI bereits breit für Übersetzungen (52 Prozent) und Korrespondenz (47 Prozent) eingesetzt⁶ – oft ohne Regeln. Das Ergebnis dieses Schritts ist ein dokumentierter Ist-Zustand, an dem sich später der Fortschritt messen lässt.

2. Potenziale identifizieren und Use-Case-Portfolio priorisieren

Im zweiten Schritt werden systematisch Anwendungsfälle gesammelt – idealerweise entlang der Wertschöpfungskette und gemeinsam mit den Fachbereichen, nicht nur in der IT. Aus der Langliste entsteht durch Bewertung ein priorisiertes Portfolio. Bewährte Kriterien: Geschäftswert (Zeitgewinn, Kostensenkung, Umsatz, Qualität), Machbarkeit (Datenlage, technische Komplexität), Risiko (Datenschutz, Reputationsrisiken, regulatorische Einstufung) und strategischer Fit.

Ein häufiger Fehler ist die einseitige Fokussierung auf sichtbare Frontoffice-Anwendungen: Die MIT-Studie zeigt, dass über die Hälfte der GenAI-Budgets in Vertrieb und Marketing fliesst, der grösste messbare Nutzen aber oft in der Backoffice-Automatisierung liegt.³Faustregel für den Start: zwei bis vier Use Cases mit hohem Nutzen und moderatem Risiko – genug, um zu lernen, wenig genug, um sie konsequent umzusetzen.

3. Zielbild und Roadmap definieren

Nun wird aus dem Portfolio ein Zielbild: Was soll KI in zwei bis drei Jahren im Unternehmen konkret leisten – formuliert in messbaren Grössen, nicht in Schlagworten? Daraus entsteht die Roadmap: eine zeitliche Abfolge von Initiativen mit Meilensteinen, Verantwortlichkeiten, Budget und Abhängigkeiten (etwa: Datenbereinigung vor Automatisierung).

Bewährt hat sich ein Horizont-Modell: Horizont 1 (0–6 Monate): Quick Wins mit bestehenden Tools und klaren Nutzungsregeln. Horizont 2 (6–18 Monate): Integration priorisierter Use Cases in Kernprozesse. Horizont 3 (18+ Monate): neue Angebote oder Geschäftsmodelle. Zur Roadmap gehört auch der Grundsatzentscheid «Make or Buy»: Der Zukauf spezialisierter Lösungen gelingt gemäss MIT-Studie in rund 67 Prozent der Fälle – Eigenentwicklungen nur etwa in einem Drittel davon.³ Für die meisten KMU heisst das: kaufen und integrieren statt selbst bauen.

4. Governance, Ethik und Compliance (EU AI Act)

Ohne Leitplanken wird KI-Nutzung zum unkontrollierten Risiko – mit ihnen zum Wettbewerbsvorteil. Kernelemente einer KI-Governance sind: eine KI-Nutzungsrichtlinie (Welche Tools sind für welche Daten erlaubt?), klare Verantwortlichkeiten (wer prüft und gibt Use Cases frei), ein Inventar aller eingesetzten KI-Systeme sowie Prozesse für Datenschutz (DSG) und menschliche Aufsicht. Handlungsbedarf besteht real: Nur rund ein Drittel der Schweizer KMU verfügt über klare Datenschutzregeln im Umgang mit KI-Anwendungen.⁶

Auch der EU AI Act gehört in jede Schweizer KI-Strategie – er gilt extraterritorial, sobald Outputs eines KI-Systems in der EU verwendet werden oder EU-Kundschaft betroffen ist. Zentral sind drei Punkte: Erstens klassifiziert die Verordnung KI-Systeme nach Risiko (verbotene Praktiken, Hochrisiko, begrenztes und minimales Risiko) – jede Klasse mit eigenen Pflichten. Zweitens gilt seit dem 2. Februar 2025 die Pflicht zur KI-Kompetenz (Art. 4): Anbieter und Betreiber müssen sicherstellen, dass Personal, das mit KI-Systemen arbeitet, über ausreichende Kenntnisse verfügt.⁴ Drittens greift der Grossteil der übrigen Pflichten, insbesondere für Hochrisiko-Systeme, ab dem 2. August 2026.⁵ Wer die Risikoklassifizierung früh in die Use-Case-Bewertung integriert, vermeidet teure Nachrüstungen.

5. Kompetenzen und Organisation aufbauen

Eine Strategie scheitert dort, wo niemand sie umsetzen kann. Der Kompetenzaufbau erfolgt sinnvollerweise auf drei Ebenen: breite Belegschaft (Grundverständnis, sicherer Umgang mit generativen Tools – zugleich die Erfüllung von Art. 4 EU AI Act⁴), Schlüsselrollen (Fachverantwortliche, die Use Cases identifizieren und begleiten können) und Führung (Geschäftsleitung und Verwaltungsrat, die Chancen und Risiken beurteilen und Investitionen priorisieren können).

Organisatorisch braucht es eine klar benannte Verantwortung – je nach Grösse eine dedizierte Rolle (Chief AI Officer, KI-Verantwortliche:r) oder ein schlankes, interdisziplinäres KI-Gremium aus Geschäftsleitung, IT, Recht/Compliance und Fachbereichen. Entscheidend ist die Nähe zum Geschäft: KI ist kein IT-Projekt, sondern eine Führungsaufgabe. Die Erfahrung der Schweizer KMU stimmt dabei zuversichtlich: 57 Prozent der KI-nutzenden Unternehmen berichten von spürbaren Zeitgewinnen, und Stellenabbau ist mit 2 Prozent die absolute Ausnahme⁶ – ein Argument, das Ängste in der Belegschaft entkräftet.

6. Umsetzung, KPIs und Skalierung

Im letzten Schritt wird die Strategie operativ – und messbar. Jeder Use Case erhält vor dem Start definierte KPIs: etwa eingesparte Stunden pro Woche, Durchlaufzeit, Fehlerquote, Kundenzufriedenheit oder Umsatzeffekt. Ohne Basiswert aus Schritt 1 lässt sich kein Nutzen nachweisen – und ohne Nutzennachweis kein Budget für die Skalierung rechtfertigen.

Pilotprojekte sollten mit klaren Abbruch- und Skalierungskriterien versehen sein: Was muss der Pilot in 8–12 Wochen zeigen, damit er ausgerollt wird? Erfolgreiche Piloten werden dann systematisch skaliert – inklusive Schulung, Prozessanpassung und Integration in die Linienorganisation. Genau an dieser Schwelle trennt sich die Spreu vom Weizen: 35 Prozent der Unternehmen skalieren inzwischen erfolgreich einzelne Lösungen, aber nur 5 Prozent schaffen substanziellen Wert im grossen Massstab.² Die Strategie selbst bleibt dabei ein lebendes Dokument: mindestens jährlich überprüfen, Portfolio nachjustieren, Roadmap fortschreiben.

Typische Stolpersteine

• Tool-first statt Problem-first: Die Lizenz ist gekauft, bevor klar ist, welches Geschäftsproblem sie löst.
• Pilotitis: Viele Proof of Concepts, keine Skalierung – das Muster hinter der 95-Prozent-Fehlquote.³
• Datenqualität unterschätzen: Ohne saubere, zugängliche Daten liefert auch das beste Modell unbrauchbare Resultate.³
• Governance als Nachgedanke: Regeln erst nach dem ersten Datenschutzvorfall zu definieren, kommt teurer als vorher.
• Kompetenzaufbau nur für die IT: Der Nutzen entsteht in den Fachbereichen – dort muss das Wissen hin.
• Keine messbaren Ziele: Wer den Nutzen nicht misst, kann weder lernen noch priorisieren – und verliert intern die Unterstützung.

Fazit

Eine KI-Strategie ist kein Grossprojekt für Konzerne, sondern ein diszipliniertes Vorgehen, das auch ein KMU in wenigen Monaten durchlaufen kann: Standort bestimmen, Use Cases priorisieren, Zielbild und Roadmap festlegen, Governance aufsetzen, Kompetenzen aufbauen, messbar umsetzen. Die Studienlage zeigt deutlich: Nicht die Technologie entscheidet über Erfolg oder Misserfolg, sondern Führung, Priorisierung und konsequente Umsetzung.¹²³

Wer dieses Vorgehen nicht allein, sondern strukturiert und mit fachlicher Begleitung durchlaufen möchte: Im berufsbegleitenden CAS Chief AI Officer am IKF in Luzern (4 Monate, 20 ECTS) entwickeln die Teilnehmenden als Praxisprojekt genau diese KI-Strategie samt Roadmap für die eigene Organisation – mit persönlichem Coaching. So verlässt niemand die Weiterbildung mit Theorie, sondern mit einem umsetzungsreifen Plan.