KI-Strategie entwickeln: Ziele, Use Cases und Governance

In vielen österreichischen Unternehmen läuft KI gerade dort, wo sie am wenigsten verändert: neben der Arbeit. Ein Team nutzt ChatGPT für Formulierungen, die Buchhaltung bleibt in Excel hängen, das CRM wird weiter manuell gepflegt, und im ERP entstehen dieselben Übergaben wie vorher. Das wirkt modern, bringt aber operativ wenig. Eine tragfähige KI-Strategie beginnt nicht beim Tool, sondern bei Geschäftszielen, Prozessen, Daten und Verantwortung.

Die Lücke zwischen Nutzung und Strategie ist messbar. Im EY KI Readiness Check 2026 setzen 69 % der befragten österreichischen Unternehmen KI zumindest in Pilotprojekten ein, aber nur 8 % haben sie unternehmensweit skaliert und erzielen messbare Effizienzgewinne. Weniger als ein Drittel der KI-aktiven Unternehmen gibt an, dass die Führung eine klare KI-Strategie definiert hat, den Einsatz aktiv unterstützt und Budget sowie Ressourcen bereitstellt.

Dieser Beitrag beschreibt, welche Entscheidungen eine KI-Strategie enthalten muss: Ziele, Use-Case-Portfolio, Datengrundlage, Governance, Kompetenzaufbau und Betriebsmodell. Wie Sie danach den ersten Use Case konkret umsetzen, zeigt der Leitfaden KI im Unternehmen einführen.

Warum viele KI-Initiativen ohne Strategie stecken bleiben

Ein typisches Szenario: Ein Unternehmen führt ein Chat-Tool ein. Die Mitarbeitenden testen es für Texte, E-Mails und Zusammenfassungen, nach einigen Wochen sinkt die Nutzung wieder. Die eigentlichen Engpässe, also Freigaben, Stammdatenpflege, Rechnungsprüfung oder Angebotsprozesse, laufen unverändert weiter. Dann entsteht schnell der Eindruck, KI funktioniere nicht, obwohl nur die falsche Ebene adressiert wurde.

Isolierte Piloten lösen keine Prozessprobleme

Ein Pilot, der nicht an ERP, CRM oder Buchhaltung andockt, erzeugt meistens eine gute Demo und wenig mehr. Der Nutzen bleibt auf Textgenerierung, Zusammenfassungen oder einzelne Recherchen begrenzt. Für die Organisation zählt aber, ob ein Vorgang schneller, sauberer und nachvollziehbarer wird.

Praktische Regel: Wenn ein KI-Use-Case keinen Schritt in einem realen Prozess ersetzt, entschärft oder automatisiert, ist er wahrscheinlich nur ein Demo-Fall.

Ohne Führungsentscheidung fehlt die Priorität

Ohne klare Linie der Geschäftsführung wird KI zum Nebenthema zwischen Tagesgeschäft und IT-Roadmap. Dann fehlen Prioritäten, Ressourcen und die Entscheidung, welche Prozesse wirklich umgebaut werden sollen. Genau diese Entscheidung ist der Kern einer Strategie, nicht die Auswahl des Modells.

Unreife Daten stoppen die Skalierung

Selbst gute Modelle scheitern, wenn Stammdaten widersprüchlich sind, Zugriffe unklar bleiben oder relevante Informationen in Silos stecken. Dann lässt sich nichts zuverlässig automatisieren, weil die Organisation dem Ergebnis nicht vertrauen kann.

Der Rahmen in Österreich

Die Bundesregierung hat 2021 mit der Artificial Intelligence Mission Austria 2030 (AIM AT 2030) ihre KI-Strategie beschlossen. Sie setzt auf einen gemeinwohlorientierten und vertrauenswürdigen KI-Einsatz, auf Forschung und Innovation sowie auf Wettbewerbsfähigkeit durch Anwendung in der Wirtschaft.

Für ein einzelnes Unternehmen ersetzt die nationale Strategie keine eigene. Sie macht aber deutlich, in welche Richtung Förderung, Regulierung und öffentliche Erwartungen gehen: vertrauenswürdige Systeme, nachvollziehbare Entscheidungen und Kompetenzaufbau. Dazu kommt der EU AI Act, dessen Verbote bestimmter Praktiken und die Pflicht zur KI-Kompetenz nach Art. 4 seit dem 2. Februar 2025 gelten. Eine Unternehmensstrategie, die diese Punkte von Anfang an berücksichtigt, spart später Nacharbeit.

Geschäftsziele und Use Cases definieren

Bevor irgendein Modell ausgewählt wird, braucht das Unternehmen eine klare Antwort auf eine einfache Frage: Welches Geschäftsergebnis soll sich durch KI verbessern? Ohne diese Antwort bleibt jede Initiative beliebig, und Priorisierung wird zur Bauchentscheidung.

Von Prozessärger zu messbaren Zielen

Der beste Einstieg sind wiederkehrende, datenintensive oder fehleranfällige Abläufe. Dazu kommen manuelle Übergaben zwischen Abteilungen, Systemen oder Personen, die heute Zeit kosten und Fehler erzeugen. Dort lässt sich Nutzen meist schneller nachweisen.

Das Cloud Adoption Framework von Microsoft empfiehlt, für jeden Use Case Ziel, gewünschtes Ergebnis und Erfolgsmetrik festzulegen und Hinweise aus Supporttranskripten oder Kundenfeedback systematisch zu nutzen. Das ist herstellerneutral nützlich, weil viele Fachbereiche konkrete Engpässe kennen, aber keine saubere Formulierung dafür haben.

Ein brauchbarer Filter für echte Use Cases

Ein Use Case ist dann gut, wenn er drei Fragen übersteht. Erstens: Ist der Prozess häufig genug, damit sich der Aufwand lohnt? Zweitens: Liegen die relevanten Daten überhaupt vor? Drittens: Lässt sich das Ergebnis in den Alltag integrieren, statt nur separat angezeigt zu werden?

So priorisieren Teams sauberer:

• Geschäftsproblem benennen: Was genau kostet Zeit, Geld oder Qualität?
• Gewünschtes Ergebnis festlegen: Was muss nachher besser laufen?
• Erfolgsmetrik definieren: Woran erkennt das Team, dass es besser läuft?
• Technische Machbarkeit prüfen: Gibt es Daten, Schnittstellen und Prozesszugang?
• Abhängigkeiten klären: Wer muss im Alltag mitziehen, und wer ist fachlicher Owner?

Ein Use Case ohne klaren Besitzer endet oft als Prototyp ohne Wirkung.

Ein Portfolio statt einer Wunschliste

Das Ergebnis dieses Schritts ist ein Portfolio mit zwei oder drei Kandidaten für den Start und einer begründeten Reihenfolge für den Rest. Die stärksten Ideen kommen selten aus einer Innovationsfolie. Sie kommen aus Rückfragen in der Buchhaltung, fehlerhaften Freigaben oder manueller Doppelarbeit. Wer dort systematisch sucht, findet weniger spektakuläre, aber wirtschaftlich sinnvollere Anwendungsfälle.

Daten- und Systemgrundlage ehrlich bewerten

Eine Strategie muss wissen, wo Daten entstehen, wie sie durch die Organisation laufen und wo sie unbrauchbar werden. Das ist kein technisches Detail, sondern eine Voraussetzung für jede Priorisierung.

Legacy- und On-Premise-Systeme wie BMD, DATEV, Navision oder Exact sind im DACH-Mittelstand Alltag. Das Problem ist selten die Technik an sich, sondern dass Integrationen, Berechtigungen und Datenmodelle nicht so vorbereitet sind, dass ein KI-System sie im Betrieb zuverlässig nutzen kann.

Ein gutes Team prüft die Lage entlang von drei Fragen:

• Datenqualität: Sind Werte vollständig, konsistent und korrekt?
• Datenverfügbarkeit: Wer darf zugreifen, wie aktuell sind die Daten, und liegen sie in einer technisch nutzbaren Form vor?
• Systemlandschaft: Wo sitzen die Prozesse, welche Schnittstellen existieren, und wo fehlen sie?

Wer früh erkennt, dass ein Freigabeprozess nur halb digital ist oder ein CRM lückenhaft gepflegt wird, plant realistischer. Eine strukturierte Standortbestimmung bietet unser KI-Reifegradmodell, eine unabhängige Prüfung bestehender Systeme das KI-Audit.

Architekturprinzipien als strategische Entscheidung

Die Detailarchitektur gehört in die Umsetzung. Einige Grundsatzentscheidungen muss aber die Strategie treffen, weil sie später schwer umkehrbar sind:

• Eigentum: Connectoren, Konfigurationen und Muster gehören dem Unternehmen, nicht dem Dienstleister.
• Modellunabhängigkeit: Die Architektur erlaubt den Einsatz mehrerer Modelle wie Claude, ChatGPT oder Gemini je nach Aufgabe, ohne an einen Anbieter gebunden zu sein.
• Kontrollierter Zugriff: Modelle greifen nicht direkt auf alle Systeme zu, sondern über eine governte Zugriffsschicht mit klar begrenzten Rechten und Protokollierung.
• Datenresidenz: Für sensible Daten ist festgelegt, wo sie verarbeitet werden dürfen.

Wie eine solche Architektur mit Connectoren und einer MCP-Zugriffsschicht konkret aussieht, beschreibt der Leitfaden KI im Unternehmen einführen.

Governance als Skalierungsvoraussetzung

Viele Teams behandeln Governance wie einen Punkt, den man später klärt. In der Praxis ist sie die Eintrittskarte, damit KI überhaupt in operative Prozesse darf. Laut Statistik Austria hatte 2025 nur rund jedes dritte KI-nutzende Unternehmen in Österreich (34 %) eine KI-Richtlinie eingeführt.

Governance ist eine Führungsentscheidung

Sobald KI in Finance, Operations oder Kundenprozesse eingreift, braucht es nachvollziehbare Freigaben, Protokolle und klare Verantwortlichkeiten. Die Leitung muss vorgeben, welche Risiken akzeptabel sind und welche nicht. Wer das vor dem Rollout festlegt, reduziert spätere Abstimmungsschleifen und nimmt dem Fachbereich Unsicherheit.

Was die Strategie festlegen muss

• Rollen: Wer darf konfigurieren, prüfen und freigeben?
• Protokollierung: Welche Aktionen werden revisionssicher gespeichert?
• Datenzugriff: Wer sieht was, und auf welcher Grundlage?
• Modellnutzung: Welche Modelle sind für welche Aufgaben erlaubt?
• Ausnahmen: Wie werden Sonderfälle und Fehler behandelt?
• Risikoeinstufung: Welche Anwendungen fallen unter strengere Pflichten des AI Act?

Compliance wird erst dann zur Bremse, wenn sie nachträglich angeklebt wird.

Vertiefend dazu: unser Beitrag zum Security-Governance-Framework für KI.

Kompetenzaufbau und Change Management

Ein Rollout scheitert selten an der Technik allein. Häufiger bleibt ein gutes Modell im Pilotbetrieb, weil Alltag, Zuständigkeiten und Schulung nicht mitziehen. Die Strategie muss deshalb festlegen, wer was lernen muss.

Führungskräfte brauchen Sicherheit bei Prioritäten, Risiken und Entscheidungswegen. Engineers brauchen wiederholbare Muster für Architektur, Logging und Freigaben. Fachbereiche lernen am besten am eigenen Prozess. Alle drei brauchen dieselbe Sprache. Kurze Trainings-Sprints wirken dabei oft besser als lange Programme mit offener Agenda, und ein dokumentiertes Pattern Playbook verhindert, dass jedes Team bei null beginnt.

Für den Kompetenzaufbau bieten wir KI-Workshops in Wien und eine KI-Weiterbildung für Führung und Teams an.

Ein Team wird nicht AI-native, weil es viele Tools kennt. Es wird AI-native, weil es wiederholbare Arbeitsmuster beherrscht.

Was am Ende auf dem Tisch liegen sollte

Eine KI-Strategie muss kein 80-seitiges Dokument sein. Sie sollte aber diese Ergebnisse enthalten:

Die letzte Zeile ist die wichtigste. Eine Strategie, die nicht mit einer konkreten Entscheidung für einen ersten Use Case endet, bleibt eine Präsentation. Wie Sie diesen ersten Use Case in einen produktiven Prozess bringen, beschreibt der Leitfaden zur KI-Einführung.

Sprechen Sie mit uns

Wenn Sie eine KI-Strategie entwickeln wollen, die mit einem konkreten ersten Prozess endet und nicht mit einem Foliensatz, sprechen Sie mit uns.