Wer wissen will, wie gut KI wirklich ist, sollte sie mit Themen testen, in denen er sich auskennt. Nicht mit Allgemeinwissen, wo jede Antwort plausibel klingt. Sondern mit Fachfragen, bei denen man sofort erkennt, ob die Antwort stimmt, ob sie oberflächlich bleibt oder ob sie subtil falsch liegt. Dieser Unterschied bestimmt, ob KI im Unternehmen zum Produktivitätswerkzeug wird oder zum Risikofaktor.
Das Einschätzungsproblem
Ich spreche regelmäßig mit Menschen, die wenig oder keine KI-Erfahrung haben. Dabei fällt ein Muster auf: Die Einschätzung, was KI kann und was nicht, weicht stark von der Realität ab, in beide Richtungen.
KI liefert bei allgemeinen Fragen durchgängig solide Ergebnisse. Wer nach einer Zusammenfassung, einer Übersetzung oder einer allgemeinen Erklärung fragt, bekommt in der Regel eine brauchbare Antwort. Das Problem entsteht, wenn daraus die Annahme wird, KI sei in allen Bereichen gleich zuverlässig.
In Fachgebieten sieht die Realität anders aus. KI generiert dort regelmäßig Antworten, die auf den ersten Blick korrekt wirken, aber fachlich ungenau oder veraltet sind. Wer das nicht aus eigener Expertise erkennen kann, übernimmt fehlerhafte Informationen, ohne es zu merken.
Daraus folgt eine einfache Konsequenz. Der einzig sinnvolle Weg, die Leistungsfähigkeit von KI einzuschätzen, ist der Test im eigenen Fachgebiet, wo das eigene Urteilsvermögen als Korrektiv dient. Wer regelmäßig KI-Ergebnisse gegen das eigene Fachwissen prüft, entwickelt ein realistisches Bild der Stärken und Grenzen. Wer nur konsumiert, wird blind für Fehler.
Lernwerkzeug oder Abkürzung: Die langfristige Wirkung
Die Art, wie Menschen KI nutzen, hat langfristige Auswirkungen auf ihre eigene Kompetenzentwicklung. Zwei grundsätzliche Nutzungsmuster lassen sich beobachten:
KI als Lernpartner: Wer KI-Ergebnisse hinterfragt, sich Zusammenhänge erklären lässt und die Antworten gegen eigenes Wissen abgleicht, nutzt KI als Katalysator für das eigene Verständnis. Die KI wird zum Sparringspartner, der neue Perspektiven liefert und blinde Flecken aufdeckt. Mit jedem Prompt wächst das eigene Wissen.
KI als Abkürzung: Wer KI-Ergebnisse ungeprüft übernimmt, ergebnisorientiert statt verständnisorientiert arbeitet, baut langfristig eine Abhängigkeit auf. Das Ergebnis ist kurzfristig produktiv, aber es entsteht kein neues Wissen. In der Softwareentwicklung kennen viele dieses Muster von Stack Overflow: Die schnelle Lösung kopieren, ohne den Mechanismus dahinter zu verstehen. Im Moment hilfreich, langfristig eine Sackgasse.
Beide Nutzungsmuster fühlen sich kurzfristig produktiv an. Der Unterschied zeigt sich erst über Monate und Jahre. Teams, in denen KI als Lernwerkzeug verstanden wird, bauen kontinuierlich Kompetenz auf. Teams, in denen KI als Ergebnisautomat genutzt wird, verlieren über die Zeit die Fähigkeit, Ergebnisse eigenständig zu bewerten.
Vier Grundsätze für den KI-Einsatz im Team
In unserem Entwicklerteam haben wir über mehrere Monate Erfahrungen mit KI-Tools gesammelt und daraus vier Grundsätze abgeleitet:
Erstens: KI ist ein Werkzeug, kein Autopilot: Wer KI ablehnt, verzichtet auf einen erheblichen Produktivitätsgewinn. Wer KI blind vertraut, riskiert Qualitätsprobleme. Die Haltung, die funktioniert, liegt dazwischen: KI bewusst einsetzen, Ergebnisse prüfen, bei Unsicherheit nachfragen. Wie bei jedem Fachbuch, jedem Berater, jedem Kollegen gilt: Vertrauen entsteht durch Überprüfung, nicht durch Annahme.
Zweitens: Verstehen vor Verwenden: Bevor KI-generierter Code in Produktion geht, muss ihn jemand durchdrungen haben. Nicht abgenickt. Durchdrungen. Das bedeutet: Die Architekturentscheidungen nachvollziehen, die Edge Cases prüfen, die Fehlerbehandlung verstehen. Code, den niemand im Team erklären kann, ist eine technische Schuld, die mit Zinsen zurückkommt.
Drittens: Die KI liefert Vorschläge, Menschen treffen Entscheidungen: In der Praxis verwischt diese Grenze schnell. Ein KI-Vorschlag, der plausibel aussieht, wird leicht zur Entscheidung, ohne dass jemand bewusst entschieden hat. Deshalb ist es wichtig, den Entscheidungspunkt explizit zu machen: „Wir verwenden diesen Ansatz, weil…“ statt „Die KI hat das so vorgeschlagen.“
Viertens: KI-Kompetenz ist Beurteilungskompetenz: Die eigentliche Fähigkeit im Umgang mit KI ist nicht das Schreiben guter Prompts. Es ist die Fähigkeit, die Ergebnisse fachlich zu beurteilen. Wer aufhört, selbst zu denken, verliert genau die Kompetenz, die den KI-Einsatz erst sinnvoll macht.
Über das Beschleunigen hinausdenken
Viele Unternehmen setzen KI ein, um bestehende Prozesse schneller zu machen. Berichte werden schneller geschrieben, E-Mails schneller beantwortet, Code schneller produziert. Das ist ein legitimer Ansatz, aber es ist nur der erste Schritt.
Die eigentlich interessante Frage lautet: Was würde sich ändern, wenn man den Prozess komplett neu denken würde? Nicht schneller denselben Bericht schreiben, sondern fragen, ob der Bericht überhaupt nötig ist. Nicht schneller Code produzieren, sondern fragen, ob diese Funktionalität den richtigen Ansatz verfolgt.
KI als Beschleuniger für bestehende Abläufe nutzt einen Bruchteil des Potenzials. KI als Anlass, Abläufe grundsätzlich zu hinterfragen, führt zu den eigentlichen Verbesserungen. Das erfordert allerdings, dass Unternehmen bereit sind, nicht nur Werkzeuge einzuführen, sondern auch Strukturen zu überdenken.
Konkret heißt das. Bevor ein KI-Tool beschafft wird, lohnt sich die Frage, welches Problem damit gelöst werden soll. Wenn die Antwort „alles schneller machen“ lautet, ist die Frage noch nicht präzise genug. Wenn die Antwort „Fachabteilungen sollen ohne IT-Umweg auf Daten zugreifen können“ lautet, lässt sich daraus ein konkreter Anwendungsfall ableiten, der messbar Mehrwert schafft.
Fazit
KI im Unternehmen ist weder Allheilmittel noch Bedrohung. Ihr Nutzen hängt davon ab, wie sie eingesetzt wird: als Lernwerkzeug statt als Abkürzung, als Entscheidungshilfe statt als Entscheidungsersatz, als Anlass zum Neudenken statt nur zum Beschleunigen. Die vier Grundsätze, die sich in unserer Arbeit bewährt haben, sind keine Theorie. Sie sind das Ergebnis von Monaten täglicher KI-Nutzung mit den dazugehörigen Fehlern und Erkenntnissen.
In der IT-Branche werden Kandidaten nach einem Muster bewertet, das seiner Aufgabe nicht gerecht wird: Skill-Listen. Framework A, drei Jahre. Technologie B, nachgewiesen. Zertifikat C, vorhanden. Was sich als objektive Bewertung tarnt, ist in Wahrheit ein Filtermechanismus, der systematisch die falschen Signale priorisiert.
Das Muster
Die Situation tritt regelmäßig auf: Erfahrene Entwickler mit 10 oder mehr Jahren Projekterfahrung, die nachweislich Systeme gerettet, Teams verbessert und Kunden überzeugt haben, werden aufgrund einer Skill-Liste abgelehnt. Framework XY nur zwei statt drei Jahre Erfahrung. Branche X nicht „offiziell“ gemacht. Tool Y nicht im Lebenslauf aufgeführt.
Als würde Erfahrung nur zählen, wenn sie exakt in der richtigen Zeile steht.
Und dann die Gegenerfahrung: Sobald diese Entwickler im Projekt arbeiten, ist das Feedback durchweg positiv. „Tolle Arbeit.“ „Die beiden bitte bis zum Schluss behalten.“ Die Diskrepanz zwischen Filterergebnis und tatsächlicher Leistung ist frappierend.
Warum der Filter versagt
Das Problem hat eine nachvollziehbare Ursache: Skill-Listen sind einfach zu bewerten. Ein Häkchen setzen kann jeder. Einen Menschen einzuschätzen erfordert Urteilsvermögen, Erfahrung und Zeit.
In größeren Unternehmen entscheidet oft nicht die Fachabteilung über die Besetzung, sondern ein Einkaufsprozess. Profile werden gegen Anforderungslisten geprüft, teilweise automatisiert, teilweise durch Personen, die den technischen Kontext nicht beurteilen können. In diesem System fällt ein Java-Entwickler mit 15 Jahren Erfahrung durchs Raster, weil er ein bestimmtes Framework nicht im Lebenslauf stehen hat, obwohl er es innerhalb von zwei Wochen produktiv einsetzen würde.
Das ist kein Einzelfall, sondern ein strukturelles Problem. Und es wird durch KI im Recruiting nicht besser. Automatisierte Vorfilterung auf Basis von Keywords verschärft den Effekt: Wer die richtigen Buzzwords nicht im CV hat, kommt nicht durch die erste Filterstufe. Unabhängig von der tatsächlichen Qualifikation.
Was dabei verloren geht
Ein Senior-Entwickler lernt eine neue Technologie nicht in Monaten, sondern in Wochen. Das liegt nicht an besonderer Begabung, sondern an akkumulierter Erfahrung: Wer drei verschiedene Frontend-Frameworks gelernt hat, erkennt die gemeinsamen Patterns und braucht für das vierte einen Bruchteil der Einarbeitungszeit. Wer in unterschiedlichen Branchen gearbeitet hat, versteht neue Domänen schneller, weil er Parallelen erkennt.
Diese Art von Erfahrung lässt sich in keiner Skill-Matrix abbilden. Genauso wenig wie Kommunikationsfähigkeit, Eigenverantwortung oder die Fähigkeit, ein Problem zu durchdringen, bevor eine Lösung vorgeschlagen wird. Es sind aber genau diese Eigenschaften, die in komplexen Softwareprojekten den Unterschied machen.
Die Kosten dieses Filterproblems sind real, wenn auch indirekt. Stellen bleiben länger unbesetzt. Projekte verzögern sich. Am Ende wird jemand besetzt, der alle Häkchen hat, aber weniger Projekterfahrung und weniger Wirkung mitbringt. Sechs Monate später fragt sich das Team, warum das Projekt nicht vorankommt.
Alternative Bewertungsansätze
Die Alternative zum Skill-Listen-Ansatz besteht nicht darin, keine Anforderungen zu formulieren. Sie besteht darin, die richtigen Anforderungen zu formulieren.
Wirkung statt Werkzeuge bewerten: Nicht fragen „Kennt er React?“, sondern „Hat er komplexe Frontends gebaut, die in Produktion laufen?“ Ein Entwickler, der nachweislich komplexe Systeme erfolgreich umgesetzt hat, wird die spezifische Technologie lernen. Umgekehrt garantiert eine Technologie im Lebenslauf noch keine erfolgreiche Projektarbeit.
Muster statt Keywords suchen: Erfahrene Entwickler bringen Muster mit, die sich über Technologien hinweg anwenden lassen: Architekturmuster, Kommunikationsmuster, Problemlösungsmuster. Diese Muster stehen in keinem Lebenslauf, aber sie sind der Grund, warum erfahrene Entwickler in neuen Kontexten schnell produktiv werden.
Fachgespräch statt Checkliste: 30 Minuten Fachgespräch liefern mehr Informationen als jede Skill-Matrix. Wie denkt jemand? Wie geht er an ein Problem heran? Welche Fragen stellt er? Wie kommuniziert er über technische Sachverhalte? Diese Dimensionen lassen sich nicht automatisieren, und genau deshalb sind sie so aussagekräftig.
Referenzen aus realen Projekten: Was sagen ehemalige Projektleiter, Teamkollegen oder Kunden? Wie wurde die Person in konkreten Projektsituationen erlebt? Diese Informationen sind schwerer zu beschaffen als eine Skill-Liste, aber sie bilden die tatsächliche Leistungsfähigkeit deutlich besser ab.
Die Perspektive beider Seiten
Aus Sicht der Unternehmen ist der Skill-Listen-Ansatz nachvollziehbar: Er ist effizient, vergleichbar und skaliert. Bei 200 Bewerbungen auf eine Stelle ist ein automatisierter Filter verständlich. Das Problem ist nicht der Filter an sich, sondern die Kriterien, nach denen gefiltert wird.
Aus Sicht der Kandidaten ist die Frustration ebenso nachvollziehbar: Jahrelange Erfahrung wird nicht anerkannt, weil ein bestimmtes Keyword fehlt. Die Reaktion vieler erfahrener Entwickler ist, ihre Lebensläufe mit Keywords zu optimieren statt mit Substanz. Das verstärkt das Problem, weil die Skill-Listen noch weniger mit der Realität korrelieren.
Die Lösung liegt nicht in einem der beiden Extreme. Sie liegt in Bewertungsmethoden, die sowohl skalierbar als auch aussagekräftig sind. Das erfordert mehr Aufwand als eine automatisierte Keyword-Suche. Aber es liefert auch bessere Ergebnisse.
Fazit
Skill-Listen sind bequem, aber sie filtern nach den falschen Kriterien. Die tatsächliche Wirksamkeit eines Entwicklers zeigt sich in der Fähigkeit, Probleme zu verstehen und zu lösen, nicht in der Anzahl der Keywords im Lebenslauf. Unternehmen, die bereit sind, über die Skill-Liste hinauszuschauen, finden die besseren Kandidaten. Es erfordert mehr Aufwand bei der Bewertung. Aber es spart den deutlich höheren Aufwand, der entsteht, wenn die falsche Person im Projekt sitzt.
In den meisten mittelständischen Unternehmen läuft der Datenzugang über die IT-Abteilung. Eine Fachabteilung braucht eine Auswertung, stellt ein Ticket, wartet auf die Umsetzung und bekommt nach ein bis drei Tagen eine Excel-Datei per E-Mail. Dieser Prozess ist teuer, langsam und bindet IT-Ressourcen für Routinearbeit. KI-gestützte Werkzeuge verändern diese Situation gerade grundlegend.
Die tatsächlichen Kosten einer Datenanfrage
Was nach „mal schnell Zahlen ziehen“ klingt, ist tatsächlich ein mehrstufiger Prozess. Die IT muss zunächst verstehen, was genau gefragt ist. Dann die relevanten Tabellen und Felder identifizieren, eine SQL-Abfrage schreiben und testen, die Ergebnisse exportieren und formatieren, per E-Mail versenden und anschließend Rückfragen beantworten.
Durchschnittlich dauert dieser Prozess 1,5 Stunden auf IT-Seite und 0,5 Stunden auf Seiten der Fachabteilung (Formulieren, Warten, Nachfragen). Bei Vollkosten von 90 Euro pro Stunde für IT und 60 Euro pro Stunde für Fachabteilungen ergibt das rund 165 Euro pro Anfrage.
Ein mittelständisches Unternehmen mit 10 bis 25 aktiven Datennutzern kommt auf 300 bis 750 solcher Anfragen pro Jahr. Das entspricht 49.500 bis 123.750 Euro jährlich, ausschließlich für Routine-Datenabfragen. Hinzu kommen Opportunitätskosten: Entscheidungen, die auf der Basis unvollständiger Informationen getroffen werden, weil die Datenabfrage zu lange dauert oder der Aufwand zu hoch erscheint.
Warum der Datenzugang bisher so eingeschränkt war
SQL war jahrzehntelang die einzige Sprache, in der man Datenbanken befragen konnte. Das setzte technisches Wissen voraus: Datenbankstrukturen kennen, JOIN-Syntax beherrschen, wissen, welche Tabelle welche Information enthält. In der Praxis bedeutete das eine klare Aufteilung: Fachabteilungen formulieren Fragen, die IT übersetzt sie in SQL und liefert Ergebnisse.
Diese Abhängigkeit ist nicht nur teuer. Sie verlangsamt Entscheidungsprozesse. Wer für jede Datenabfrage erst ein Ticket stellen muss, gewöhnt sich ab, Daten abzufragen. Stattdessen werden Entscheidungen auf der Basis von Erfahrungswerten, Annahmen oder veralteten Reports getroffen. Nicht weil die Daten nicht vorhanden wären, sondern weil der Zugang zu umständlich ist.
Wie KI den Datenzugang verändert
KI-gestützte Datenbankwerkzeuge ermöglichen es, Fragen in natürlicher Sprache zu stellen: „Wie hoch war unser Rohertrag im letzten Quartal ohne Sonderaktionen?“ oder „Welche Kunden haben in den letzten 90 Tagen nicht bestellt?“
Das System übersetzt die Frage intern in eine Datenbankabfrage, führt sie aus und liefert das Ergebnis, oft innerhalb von Sekunden. Der Nutzer braucht kein SQL, keine Kenntnis der Datenbankstruktur und keinen IT-Support.
Technisch funktioniert das über eine Kombination aus Sprachmodell und Datenbank-Metadaten. Das Sprachmodell versteht die natürlichsprachliche Frage und bildet sie auf die vorhandenen Tabellen und Spalten ab. Je besser die Metadaten gepflegt sind (Spaltenbeschreibungen, Beziehungen, Geschäftsregeln), desto zuverlässiger sind die Ergebnisse.
In einem Pilotprojekt haben wir beobachtet, wie sich die Nutzung innerhalb weniger Wochen verändert hat. Fachabteilungen, die vorher zwei bis drei Datenanfragen pro Woche über die IT gestellt haben, führten plötzlich zehn bis fünfzehn Abfragen pro Woche selbst durch. Nicht weil der Bedarf vorher geringer war, sondern weil die Zugangshürde weggefallen ist.
Endlich eigenständige Datenanalysen – ohne IT-Abhängigkeit
Auswirkungen über die Kosteneinsparung hinaus
Die offensichtliche Wirkung ist die Kostenreduktion. Weniger IT-Tickets für Routineabfragen, weniger Wartezeit, weniger Reibungsverluste. Die eigentliche Veränderung liegt aber tiefer.
Vertrieb greift in Echtzeit auf Kundendaten zu und kann in Gesprächen sofort relevante Informationen abrufen, statt auf einen vorbereiteten Report zu warten. Das verändert die Gesprächsqualität.
Controlling erkennt Abweichungen früher, weil die Prüfung nicht mehr auf den monatlichen Report warten muss. Wer jederzeit nachschauen kann, ob ein Budget on track ist, reagiert schneller auf Abweichungen.
Marketing kann Kampagnen selbstständig auswerten, ohne erst definieren zu müssen, welche Kennzahlen die IT in den nächsten Report aufnehmen soll. Das erlaubt eine iterative Herangehensweise, die mit dem bisherigen Prozess nicht möglich war.
Die IT-Abteilung wird frei für ihre eigentliche Aufgabe: Systeme bauen, Infrastruktur pflegen, technische Innovation vorantreiben. Statt als Daten-Zulieferer für Fachabteilungen zu fungieren.
Ein weniger offensichtlicher Effekt: Wenn Menschen ihre eigenen Daten abfragen können, übernehmen sie mehr Verantwortung für datenbasierte Entscheidungen. Sie verstehen die Zahlen besser, weil sie selbst die Fragen formuliert haben. Das verändert die Entscheidungskultur im Unternehmen.
Ab welchem Punkt lohnt sich die Investition?
Die Rentabilitätsrechnung ist vergleichsweise einfach. Wenn ein Unternehmen 20 bis 30 Self-Service-Anfragen pro Monat hat, die bisher über die IT gelaufen wären, amortisiert sich eine KI-basierte Lösung innerhalb von etwa vier Monaten. Bei intensiverer Datennutzung deutlich schneller.
Wichtig ist dabei die Unterscheidung zwischen Ad-hoc-Anfragen und strukturierten Reportings. Self-Service-Datenanalyse ersetzt nicht das reguläre Reporting. Sie ergänzt es um die Möglichkeit, spontane Fragen zu beantworten, ohne dafür einen Prozess anstoßen zu müssen.
Fazit
Der umständliche Weg über IT-Tickets für Datenabfragen ist ein historisches Artefakt aus einer Zeit, in der SQL die einzige Zugangstechnologie war. KI-gestützte Werkzeuge machen Fachabteilungen unabhängig, Entscheidungen datenbasierter und die IT frei für wertschöpfende Aufgaben. Der technische Reifegrad ist vorhanden. Die Frage ist nicht mehr ob, sondern wann Unternehmen diesen Schritt gehen.
Sie sehen gerade einen Platzhalterinhalt von Facebook. Um auf den eigentlichen Inhalt zuzugreifen, klicken Sie auf die Schaltfläche unten. Bitte beachten Sie, dass dabei Daten an Drittanbieter weitergegeben werden.
Sie sehen gerade einen Platzhalterinhalt von Instagram. Um auf den eigentlichen Inhalt zuzugreifen, klicken Sie auf die Schaltfläche unten. Bitte beachten Sie, dass dabei Daten an Drittanbieter weitergegeben werden.
Sie sehen gerade einen Platzhalterinhalt von X. Um auf den eigentlichen Inhalt zuzugreifen, klicken Sie auf die Schaltfläche unten. Bitte beachten Sie, dass dabei Daten an Drittanbieter weitergegeben werden.
