AI-first klingt nach Fortschritt.
Nach Geschwindigkeit. Nach Innovationskraft. Nach einem Unternehmen, das verstanden hat, was gerade passiert.
Aber AI-first wird gerade zu oft missverstanden als: Erst einmal überall KI draufkippen. Jede E-Mail mit KI formulieren, jeden Post mit KI vorbereiten, jede Excel-Tabelle analysieren lassen und jeden guten Gedanken noch einmal durch ein Sprachmodell drehen.
Das klingt modern, ist aber nicht automatisch klug.
Warum alle an die KI sollen, aber gar nicht müssen
Man muss die Logik der großen LLM-Hersteller nüchtern betrachten. Diese Unternehmen haben eine gewaltige Wette abgeschlossen. Rechenzentren, GPUs, Forschung, Infrastruktur, Energie, Personal, Marketing, Partnerschaften. Das alles kostet nicht viel Geld. Es kostet absurd viel Geld.
Damit diese Wette aufgeht, müssen nicht ein paar Spezialisten KI nutzen. Es müssen alle KI nutzen. Nicht gelegentlich. Sondern ständig.
Die ideale Welt der LLM-Anbieter sieht so aus: Jeder Mensch im Unternehmen hat ein Abo. Jeder Arbeitsprozess erzeugt Tokens. Jede Aufgabe wird erst einmal durch ein Modell geschickt. Jede Abteilung braucht Zugriff. Jede Software bekommt einen KI-Knopf. Jede Unsicherheit wird ein Prompt.
Das ist aus Sicht der Anbieter vollkommen logisch, aber es ist nicht automatisch die richtige Strategie für Unternehmen.
Denn zwischen „KI kann überall helfen“ und „KI sollte überall eingesetzt werden“ liegt ein ziemlich großer Unterschied.
Muss nicht jeder im Betrieb jetzt alles mit KI durchdenken?
Muss nicht jede E-Mail sortiert werden, jeder Post vorformuliert? Jeder Arbeitsschritt vorbereitet, hinterfragt, optimiert werden? Nein.
Das ist die Erzählung der Anbieter: sie ist gefährlich bequem.
Denn sie verschiebt die Verantwortung. Nicht mehr der Prozess wird besser gemacht. Nicht mehr die Organisation wird geklärt. Nicht mehr die Struktur wird hinterfragt. Stattdessen bekommt jeder ein Werkzeug in die Hand und soll dann bitte selbst herausfinden, wie daraus Produktivität entsteht.
Das Ergebnis ist oft nicht Transformation, sondern Betriebsamkeit. Claude nannte es neulich in einem Chat mit mir "produktive Prokrastination" und riet mir, sofort damit aufzuhören und meine Arbeit zu erledigen. Das tut Claude jetzt übrigens regelmäßig: es erkennt, wenn ich Zeit verliere in Gedankenzirkeln im Chat und weist mich darauf hin, dass ich Wichtigeres zu tun habe!
Schatten-KI: Das iPhone-Case um ChatGPT
Ein besonders sichtbares Symptom ist Schatten-KI.
Überall entstehen Tools, die im Kern wenig mehr sind als hübsche Hüllen um bestehende Sprachmodelle. Ein bisschen Interface. Ein paar Systemprompts. Eine Zielgruppenmaske. Ein Export-Button. Fertig ist das nächste „AI Productivity Tool“.
Oft ist das kein echter Mehrwert. Es ist ein schickes iPhone-Case um ChatGPT oder Claude.
Und genau hier beginnt das Problem.
Früher landeten sensible Daten vielleicht in einem System. Heute wandern sie in zehn, zwanzig, dreißig KI-Instanzen. Mal Azure. Mal AWS. Mal irgendein SaaS-Anbieter mit schönem Landingpage-Design und unklarem Datenfluss.
Das sieht nach Innovation aus, kann aber Governance-Albtraum im Hoodie sein.
Nicht, weil KI grundsätzlich gefährlich wäre. Sondern weil viele Unternehmen gar nicht mehr wissen, welche Daten wo verarbeitet werden, welche Prompts dauerhaft gespeichert bleiben, welche Anbieter Unterauftragnehmer einsetzen und wer im Ernstfall verantwortlich ist.
Schatten-KI ist nicht der Beweis, dass Mitarbeitende besonders innovativ sind. Schatten-KI ist der Beweis, dass es keine gute KI-Strategie gibt.
Spielerei, Overengineering und der Jörg-Effekt
Dazu kommt ein zweites Phänomen: Overengineering. Plötzlich wird alles größer, bunter, breiter.
Aus einer einfachen Präsentation werden fünf Varianten. Aus einer Headline werden zwanzig Alternativen. Aus Quartalszahlen wird noch schnell ein Chart. Dann eine Zusammenfassung. Dann ein animiertes Video. Dann ein Moodboard. Dann ein Voice-over.
Nicht, weil es gebraucht wird. Sondern weil es geht. Und weil jemand zeigen möchte: Seht her, ich kann KI. Nennen wir sie Jörg oder Svea.
Jörg oder Svea bauen aus einer internen Statusmeldung ein multimediales Erlebnis. Mit Diagramm, Bildwelt, Sprechertext und drei Tonalitätsvarianten. Am Ende ist niemand schneller informiert. Aber alle wissen: Jörg und Svea haben sich wirklich mit KI beschäftigt.
Das ist nicht Effizienz. Das ist dekorierte Arbeit.
KI senkt die Produktionskosten vieler Zwischenergebnisse fast auf null. Das klingt erst einmal gut. Aber wenn die Organisation nicht klar entscheidet, welche Ergebnisse wirklich gebraucht werden, produziert sie einfach mehr Material.
Mehr Varianten. Mehr Abstimmungen.Mehr Entscheidungsmüll. Mehr Scheinproduktivität.
Müssen also nicht alle geschult werden?
Doch. Aber anders.
Natürlich muss jeder Mensch im Betrieb grundsätzlich verstehen, was KI ist, wie sie funktioniert, wo sie helfen kann und wo sie Risiken erzeugt. Das gehört inzwischen zur beruflichen Allgemeinbildung.
Wer mit digitalen Informationen arbeitet, muss verstehen, dass Sprachmodelle keine Wissensmaschinen im klassischen Sinn sind. Dass sie plausibel formulieren können, ohne recht zu haben. Dass Datenschutz, Urheberrecht, Vertraulichkeit, Bias und Fehlerketten keine Fußnoten sind. Dass ein guter Output nicht automatisch ein richtiger Output ist.
Dieses Grundverständnis brauchen alle, aber daraus folgt nicht, dass alle zu Prompt-Ingenieuren werden müssen. Das ist ein populärer Denkfehler. Und ein Geschäftsmodell, von KI-Anbietern, Kursbetreiber und Consultants.
Wir machen ja auch nicht jeden Mitarbeitenden zum Datenbankadministrator, nur weil das Unternehmen Datenbanken nutzt. Wir machen nicht jede Führungskraft zur IT-Sicherheitsarchitektin, nur weil Cybersicherheit wichtig ist. Und wir machen nicht jede Abteilung zum Automatisierungslabor, nur weil Automatisierung möglich ist.
KI-Kompetenz ja. KI-Dauerbeschäftigung nein.
KI wird Commodity, nicht Spezialwissen
Der entscheidende Punkt ist: KI wandert in die Anwendungen.
Das, was vor zwei Jahren noch von Enthusiasten mit Prompt Engineering, Automatisierungstools und API-Gefrickel gebaut wurde, wird zunehmend Teil normaler Softwarelogik.
Photoshop bleibt Photoshop. Powerpoint, SAP, Salesforce, sage, lexware ... Alle diese Programme werden selbst quasi zu KI-Applikationen (ka, ein etwas vereinfachtes Bild, ich weiß), anders würden sie nicht überleben, denn auch diese Unternehmen stehen unter Druck, ihre eigenen Geschäftsmodelle sind in Teilen selbst von KI bedroht. Deshalb suchen ihre Hersteller nach Wegen, Ai zu integrieren. Das passierte aber schon vor dem Hype.
Beispiel Photoshop: dieses hat nun auch KI im Gepäck eben mit Firefly, Nano Banana, Flux oder dem nächsten Modell, das in sechs Monaten wieder anders heißt. Der entscheidende Punkt ist nicht der Modellname. Der entscheidende Punkt ist: Ich muss die Anwendung nicht verlassen, ich arbeite mit KI in der App oder KI wird das "Betriebssytem" der App selbst, was noch bequemer ist, denn ich nutze sie, ohne es zu bemerken.
Ich muss nicht zwölf Tabs öffnen, nicht fünf Tools abonnieren, nicht Daten aus meinem Arbeitskontext herauskopierenund endlich nicht mehr überlegen, in welchem Chatverlauf jetzt welche Version liegt.
Die KI wird eingebettet.
In CRM-Systeme. In Office-Anwendungen. In Designsoftware. In Projektmanagement-Tools. In Supportsysteme. In Buchhaltung, HR, Vertrieb und Controlling.
Und genau deshalb ist AI-first als Unternehmensstrategie zu grob geworden. AI-first war vielleicht als Weckruf sinnvoll, aber als operative Strategie führt das schnell in Tool-Wildwuchs, Aktionismus und falsche Prioritäten.
AI-last heißt nicht: KI ignorieren
AI-last bedeutet nicht, KI spät oder widerwillig einzusetzen. Es bedeutet: Nicht mit der Technologie beginnen. Sondern mit der Arbeit.
Erst der Prozess. Dann das Problem. Dann die Entscheidung, ob und für was KI überhaupt die richtige Lösung ist. Und erst danach das Tool.
AI-last fragt nicht: Wo können wir KI einsetzen? AI-last fragt:
Was läuft hier eigentlich schlecht?
Wo verlieren wir Zeit?
Wo entstehen Fehler?
Wo wiederholen Menschen Arbeit, die niemandem Freude macht?
Wo fehlen Informationen?
Wo werden Entscheidungen unnötig langsam?
Wo ist Wissen vorhanden, aber nicht zugänglich?
Wo ist die Qualität abhängig von einzelnen Personen?
Wo erzeugen Übergaben Reibung?
Und wenn diese Fragen beantwortet sind, dann kann KI eine sehr starke Rolle spielen.
Aber eben als Mittel.
Nicht als Ausgangspunkt.
Die eigentliche Aufgabe
Unternehmen brauchen keine KI-Euphorie, sondern KI-Urteilsfähigkeit. Oder wie es mein KI-Kollege Kai Heddergott so schön auf den Punkt gebracht hat: "Problembeschreibungskompetenz"
Sie müssen verstehen, wann ein Sprachmodell sinnvoll ist. Wann eine klassische Automatisierung reicht. Wann ein sauberer Prozess wichtiger ist als ein smarter Assistent. Wann ein bestehendes Tool längst genug kann. Und wann ein eigenes KI-System wirklich lohnt.
Das ist nicht so schick wie ein Toolkurs, aber deutlich wirksamer. Denn der produktive Einsatz von KI beginnt nicht mit einem Prompt. Er beginnt mit einer sauberen Frage:
Welches Problem lösen wir hier eigentlich?
AI-last ist die erwachsenere Strategie
Die nächste Phase der KI wird nicht dadurch gewonnen, dass alle noch mehr Tools ausprobieren.
Sie wird dadurch gewonnen, dass Unternehmen entscheiden lernen.
Was bleibt im Standardtool?
Was wird automatisiert?
Was braucht ein spezialisiertes KI-System?
Was darf aus Datenschutzgründen gar nicht in externe Tools?
Was muss zentral geregelt werden?
Was darf experimentell bleiben?
Und wo ist der Einsatz von KI schlicht unnötig?
AI-last ist deshalb keine Bremse. Es ist ein Filter.
Und diesen Filter brauchen Unternehmen jetzt dringend.
Denn KI wird nicht verschwinden. Im Gegenteil. Sie wird unsichtbarer, tiefer integriert und selbstverständlicher. Genau deshalb müssen wir aufhören, sie überall demonstrativ in den Vordergrund zu stellen.
Gute KI-Strategie erkennt man künftig nicht daran, dass möglichst viel nach KI aussieht.
Sondern daran, dass Arbeit besser funktioniert.
Ohne Tool-Zirkus. Ohne Schatten-KI. Ohne Jörg-Video und Svea-Podcast zum Quartalsbericht.
AI-first war der Weckruf. AI-last ist die Methode.
