KI-Einsatz nimmt drastisch zu
- KI wird günstiger und zugänglicher

KI auf dem Vormarsch: Verbreitung in Alltag und Unternehmen

Rekordinvestitionen und wirtschaftliche Dynamik

Fortschritte bei KI-Leistung und Wettbewerb

Effizienzsteigerungen: KI wird günstiger und zugänglicher

Regulierung und Herausforderungen

Kognitive KI EMMA RPA und KI-Agent AIMAX^® im Kontext der KI-Trends

Fazit: Jetzt handeln, um wettbewerbsfähig zu bleiben

Eines der deutlichsten Signale aus dem KI-Index 2025 ist die rasant wachsende Verbreitung von KI in immer mehr Lebens- und Geschäftsbereichen. KI verlässt die Laborexperimente und wird Bestandteil des Alltags. 

Auch Unternehmen setzen immer stärker auf KI. Der Anteil der Organisationen, die KI einsetzen, ist 2024 sprunghaft auf 78% gestiegen – nach 55% im Jahr zuvor​. Mit anderen Worten: Innerhalb eines Jahres hat sich die Nutzung von KI in Unternehmen von gut der Hälfte auf über drei Viertel ausgedehnt. Diese breite Akzeptanz unterstreicht, dass KI nicht mehr nur das Spezialprojekt einiger Vorreiter ist, sondern im Mainstream der Geschäftswelt angekommen ist. Unternehmen aus nahezu allen Branchen – von der Industrie über den Handel bis zur Finanzwirtschaft – experimentieren mit KI oder haben bereits produktive Anwendungen im Einsatz. KI-gestützte Tools und Prozesse finden sich etwa in der Kundenkommunikation (Chatbots), der Datenanalyse, der Produktion (Predictive Maintenance) oder im Backoffice (Automatisierung repetitiver Aufgaben).

Parallel dazu nimmt auch die öffentliche Wahrnehmung von KI interessante Züge an. Laut dem AI Index 2025 bewerten in einigen Ländern wie China (83%), Indonesien (80%) oder Thailand (77%) große Mehrheiten KI-Produkte als eher nützlich denn schädlich​. In westlichen Ländern ist die Bevölkerung traditionell skeptischer – in den USA und Kanada etwa nur rund 39–40% überwiegend optimistisch​. Doch selbst hier verschiebt sich die Stimmung: Seit 2022 ist der Optimismus gegenüber KI beispielsweise in Deutschland um +10% gestiegen. Für Unternehmen bedeutet das: Die Akzeptanz für KI-Anwendungen wächst insgesamt, insbesondere in aufstrebenden Märkten, während man in Europa und Nordamerika durch transparente und menschenzentrierte KI-Anwendungen Vertrauen aufbauen muss.

Fazit dieses Trends: KI ist allgegenwärtig auf dem Vormarsch. Lösungen mit künstlicher Intelligenz schaffen den Sprung von Pilotprojekten in den operativen Betrieb und zum Endnutzer. Geschäftsentscheider sollten sich bewusst machen, dass Wettbewerber und Kunden bereits intensiv mit KI in Berührung kommen. Wer jetzt noch zögert, KI im eigenen Unternehmen zu nutzen, läuft Gefahr, einen Rückstand aufzubauen. Die gesteigerte Verbreitung zeigt auch, dass genügend Erfolgsgeschichten existieren – KI ist erprobt und hat reale Mehrwerte geliefert, sonst würden nicht 78% der Firmen darauf setzen.

Hand in Hand mit der breiten Adoption geht ein beispielloser Investitionsschub in KI-Technologien. Unternehmen und Kapitalgeber investieren so viel Geld in KI wie noch nie. Laut AI Index stiegen die privaten KI-Investitionen in den USA 2024 auf 109,1 Mrd. US‑$ – das ist beinahe zwölfmal so viel wie in China (9,3 Mrd. US‑$) und sogar das 24‑fache des Vereinigten Königreichs (4,5 Mrd. US‑$)​. Diese enorme Summe verdeutlicht die strategische Priorität, die KI in amerikanischen Unternehmen und bei Investoren einnimmt. Zum Vergleich: Solche Größenordnungen wurden zuvor nur in etablierten Sektoren wie etwa der IT oder Energie gesehen. Nun erreicht KI ähnlich hohe Investitionslevel, was signalisiert, dass marktbestimmende Durchbrüche erwartet werden.

Besonders hervorzuheben ist der Boom im Bereich Generative KI (also KI, die z.B. Texte, Bilder oder andere Inhalte erzeugen kann). Dieser Sektor zog 2024 weltweit 33,9 Mrd. US‑$ an privaten Investitionen an – ein Zuwachs um 18,7% gegenüber 2023​. Generative KI-Modelle wie große Sprachmodelle (etwa GPT-Systeme) standen 2023 stark im medialen Rampenlicht, und 2024 folgten den Schlagzeilen nun reale Finanzierungsrunden und Projekte. Für Unternehmen bedeutet dies: Generative KI entwickelt sich vom Trend zur etablierten Geschäftstechnologie. Viele Firmen investieren in die Entwicklung eigener generativer Modelle oder in die Integration solcher KI (z.B. für personalisierte Kundenansprache, automatisierte Berichtserstellung, Marketing-Content oder Produktdesign).

Warum fließt so viel Kapital in KI? Ein Grund liegt in den nachweisbaren Produktivitätsgewinnen. Der Stanford-Bericht verweist auf eine wachsende Zahl von Studien, die belegen, dass KI den Output von Mitarbeitern steigern und Qualifikationslücken verringern kann​. Durch KI-Unterstützung können z.B. weniger erfahrene Mitarbeiter Ergebnisse erzielen, die zuvor Expertenwissen erforderten – man spricht hier von “Skill Augmentation”, also der Erweiterung der Fähigkeiten der Belegschaft durch KI-Werkzeuge. Zudem automatisiert KI Routineaufgaben, sodass sich Fachkräfte auf höherwertige Tätigkeiten konzentrieren können. Diese Produktivitäts- und Effizienzsteigerungen schlagen sich letztlich positiv in Geschäftskennzahlen nieder, was die hohen Investitionen rechtfertigt.

Ein weiterer Aspekt ist der Wettbewerbsdruck: Da viele Marktteilnehmer massiv in KI investieren, entsteht eine Dynamik, bei der kein größeres Unternehmen zurückfallen will. KI-Kompetenz wird zum Wettbewerbsfaktor, ähnlich wie vor 20 Jahren die Internetkompetenz. Wer heute die Weichen für KI stellt, könnte morgen der Branche den Takt vorgeben.

Für Entscheider lässt sich festhalten: Die Rekordinvestitionen signalisieren Vertrauen in die wirtschaftliche Bedeutung von KI. Es besteht ein breiter Konsens, dass KI-Anwendungen signifikante Geschäftspotenziale bergen – sei es durch neue Umsätze, Kostenersparnisse oder Innovationsführerschaft. Unternehmen sollten daher prüfen, wie sie von diesen Investitionswellen profitieren können, etwa durch Partnerschaften, Beteiligungen oder interne Innovationsprogramme. Gleichzeitig sollte man die Entwicklung der Generativen KI besonders im Auge behalten, da hier ein großer Teil der Dynamik liegt. Geschäftsstrategisch empfiehlt es sich, eine klare KI-Roadmap zu haben, um rechtzeitig Talente, Daten und Technologien aufzubauen, bevor es der Wettbewerb tut.

Neben Verbreitung und Investition beleuchtet der AI Index auch die technische Leistungsfähigkeit von KI-Systemen, die 2024 abermals enorme Sprünge gemacht hat. So wurden im letzten Jahr neue anspruchsvolle Benchmarks eingeführt, um die Grenzen fortgeschrittener KI auszuloten – etwa in Bereichen wie umfangreiches Weltwissen (MMMU), visuelle Fragen (GPQA) oder Software-Engineering-Aufgaben (SWE-Bench). Nur ein Jahr später konnten KI-Modelle ihre Ergebnisse auf diesen Tests dramatisch verbessern: Die Punktzahlen stiegen um 18,8 bzw. 48,9 und 67,3 Prozentpunkte auf den genannten Benchmarks. Das zeigt, wie schnell die Forschung bestehende Schwächen adressiert und KI-Systeme an Leistungsgrenzen heranführt, die zuvor als unerreichbar galten. Bemerkenswert ist auch, dass KI inzwischen in einzelnen Settings menschliche Fähigkeiten übertreffen kann – der Bericht erwähnt agentenähnliche KI-Modelle, die in bestimmten Tests besser abschnitten als Menschen. Zwar beziehen sich solche Erfolge auf spezialisierte Aufgaben, sie untermauern jedoch den Trend einer stetig steigenden Kompetenz und Autonomie von KI.

Interessant für Unternehmen ist zudem der Wandel, wer KI-Modelle entwickelt. 2024 kamen fast 90% der bedeutenden neuen KI-Modelle aus der Industrie, während 2023 noch 60% aus Unternehmen und 40% aus dem akademischen Umfeld stammten​. Die Entwicklung leistungsfähiger KI hat sich also stark in die Privatwirtschaft verlagert. Big-Tech-Unternehmen und KI-Startups treiben mit immensem Ressourcenaufwand die Modellentwicklung voran – sowohl im Training immer größerer Modelle als auch in der Optimierung kleinerer. Dies hängt mit den gestiegenen Anforderungen zusammen: Die Trainings-Rechenleistung für Spitzmodelle verdoppelt sich inzwischen alle fünf Monate​, die Menge der genutzten Trainingsdaten alle acht Monate. Kaum eine Universität kann mit diesem Tempo und Budget noch mithalten. Für Entscheider bedeutet das: KI-Innovationen kommen heute schneller auf den Markt – was im Labor entsteht, wird dank Unternehmensbeteiligung rascher in Produkte umgesetzt, sei es über Open-Source-Veröffentlichungen oder kommerzielle Angebote. Allerdings konzentriert sich die Fähigkeit, wirklich führende (“frontier”) KI-Modelle zu bauen, auf wenige Akteure mit großem Kapital und Infrastruktur.

Als positiver Nebeneffekt dieser intensiven Konkurrenz schrumpfen die Performance-Abstände zwischen den Top-Modellen. Der AI Index berichtet, dass der Abstand zwischen dem besten und dem zehntbesten Modell auf bestimmten Benchmarks binnen eines Jahres von 11,9 % auf 5,4 % gefallen ist​. Die beiden führenden Modelle lagen teils nur noch 0,7% auseinander​. Das Feld der Spitzenmodelle wird also enger und wettbewerbsintensiver – kein einzelnes Modell dominiert uneinholbar. Für Anwender von KI heißt das: Man hat eine größere Auswahl an nahezu gleichwertigen KI-Modellen, sei es von verschiedenen Anbietern oder als Open-Source-Versionen. Die Zeit der Alleinstellungsmerkmale sehr weniger KI-Systeme könnte sich dem Ende zuneigen, was Auswahl und Preisdruck zugunsten der Nutzer erhöhen dürfte.

In Summe zeigt der Bericht, dass die KI-Performance sprunghaft wächst und der globale Wettlauf um KI-Führerschaft in vollem Gange ist. Für Unternehmen kann es riskant sein, sich bei KI-Entscheidungen ausschließlich auf einen Anbieter oder eine Region zu verlassen. Stattdessen sollte die globale Innovationslandschaft beobachtet und – wo sinnvoll – vielfältige Quellen für KI-Technologie in Betracht gezogen werden (etwa US- und europäische Anbieter, aber auch hochwertige Open-Source-Modelle, die zunehmend verfügbar sind). Die starke Verlagerung der KI-Entwicklung in die Industrie legt zudem nahe, auf praxisreife Lösungen zu setzen, die von Tech-Unternehmen kommen, und Partnerschaften mit solchen Playern zu prüfen. Idealerweise sollte es sich um eine Lösung handeln, die größtmögliche Flexibilität hinsichtlich Auswahl und Einsatz (auch zukünftiger) KI-Modelle bietet.

Ein zentrales Highlight des AI Index 2025 für die Praxis ist die Feststellung, dass KI-Systeme erheblich effizienter und kostengünstiger geworden sind. Zwar steigen die Kosten für die Entwicklung der allergrößten Modelle (Training neuster Spitzensysteme kostet teils über 100 Mio. US‑$​, was nur Tech-Giganten stemmen können), aber für die Nutzung von KI zeichnet sich das Gegenteil ab: Die Anwendung von KI wird rapide billiger. Laut Bericht sind die Inferenzkosten – also die Kosten dafür, ein trainiertes Modell laufen zu lassen und Abfragen zu beantworten – in weniger als drei Jahren um das 280-Fache gesunken. 

Konkret: Ende 2022 kostete es rund 20 US-Dollar, 1 Million Token (Worteinheiten) mit einem Modell auf GPT-3.5-Niveau zu verarbeiten, Ende 2024 waren es nur noch etwa 0,07 US-Dollar​. Dieser dramatische Preisverfall (von 20 $ auf 7 ¢) verändert die ökonomische Rechnung für KI in Unternehmen grundlegend. Was früher nur mit großem Budget möglich war, ist jetzt für einen Bruchteil der Kosten zu haben. Selbst rechenintensive KI-Anwendungen – wie etwa ein kundenspezifischer Chatbot, der komplexe Anfragen verarbeitet – werden dadurch finanziell attraktiv.

Mehrere Faktoren tragen zu dieser Kostensenkung bei. Zum einen verbessert sich die Hardware kontinuierlich: Die Kosten für Rechenleistung speziell im KI-Bereich sinken laut Bericht jährlich um rund 30%, während die Energieeffizienz von KI-Hardware um 40% pro Jahr zulegt. Moderne KI-Chips (GPUs, TPUs etc.) können also immer mehr Berechnungen pro Watt durchführen, und die Preise pro Recheneinheit fallen. Zum anderen entstehen effizientere KI-Modelle und Algorithmen. Eine neue Generation von kleineren, optimierten Modellen erzielt heute dieselbe Leistung wie frühere Giganten, benötigt dafür aber deutlich weniger Rechenressourcen. Der AI Index nennt als Beispiel, dass offene, frei verfügbare KI-Modelle 2024 auf gewissen Benchmarks nahezu gleichauf mit den großen, proprietären Modellen lagen – die Leistungslücke sank innerhalb eines Jahres von 8% auf 1,7%. Diese „kleinen“ Modelle (teils nur noch ein paar Milliarden Parameter statt Hunderte Milliarden) können oft auf handelsüblicher Hardware ausgeführt werden, was teure Infrastruktur einspart.

All diese Trends senken die Eintrittsbarrieren für KI erheblich​. Unternehmen, die bisher vor hohen Kosten für KI-Projekte zurückschreckten, finden nun wesentlich günstigere Rahmenbedingungen vor. Cloud-Anbieter bieten KI-Services zu immer niedrigeren Nutzungspreisen an, Open-Source-Communities stellen vortrainierte Modelle bereit, und mit weniger Aufwand lässt sich KI auch on-premises, also auf der eigenen Infrastruktur, betreiben. Gerade letzteres wird wieder attraktiv: Da effiziente Modelle weniger Ressourcen brauchen, können sie auch lokal im Unternehmen ausgeführt werden. Dies kommt Firmen entgegen, die aus Datenschutz- oder Latenzgründen ungern auf Cloud-KI zurückgreifen.

Für Entscheider ist die Botschaft klar: „KI ist bezahlbar geworden.“ Die finanziellen Hürden sinken, was bedeutet, dass die Frage „Können wir uns KI leisten?“ immer öfter mit „Ja“ beantwortet werden kann. Stattdessen verlagert sich der Fokus darauf, wie man KI am sinnvollsten einsetzt. Denn wenn KI-Technologie zur günstigen Commodity wird, liegt der Wettbewerbsvorteil weniger im bloßen Besitz dieser Technologie, sondern in der klugen Anwendung und Integration ins Geschäftsmodell.

Wer KI frühzeitig effizient in seine Prozesse einbindet, kann einen Kostenvorsprung realisieren – etwa indem man repetitive Aufgaben automatisiert und so personelle Ressourcen spart oder neue KI-gestützte Services anbietet, die mit minimalen Grenzkosten skalieren. Gleichzeitig sollten Unternehmen prüfen, wo Open-Source-KI eine Alternative zu teuren proprietären Lösungen darstellt. Der Trend, dass offene Modelle aufholen, ermöglicht es, in vielen Fällen unabhängiger von großen KI-Anbietern zu agieren und Kosten weiter zu senken.

Mit der zunehmenden Verbreitung von KI wachsen auch die Aufmerksamkeit der Regulierungsbehörden und die Anforderungen an verantwortungsvollen KI-Einsatz. Der AI Index 2025 zeigt, dass weltweit ein regelrechter Regulierungsaktivismus eingesetzt hat. In 75 untersuchten Ländern nahmen Referenzen zu KI in Gesetzesentwürfen um 21,3% zu, was den seit 2016 anhaltenden Trend eines neunfachen Anstiegs der Legislativaktivität zu KI fortsetzt​. Regierungen erkennen offenbar den Handlungsbedarf, AI zu gestalten und zu kontrollieren. Gleichzeitig werden immense öffentliche Gelder mobilisiert, um technologisch Schritt zu halten: Kanada hat 2,4 Mrd. $, China einen 47,5 Mrd. $ Halbleiterfonds, Frankreich 109 Mrd. €, Indien 1,25 Mrd. $ und Saudi-Arabien sogar 100 Mrd. $ (Projekt „Transcendence“) angekündigt, um KI und zugehörige Technologien zu fördern​. Kurzum: Staaten investieren nicht nur in Regeln, sondern auch in Ressourcen, damit ihre Volkswirtschaften im KI-Zeitalter konkurrenzfähig bleiben.

Für Unternehmen bedeutet diese zweigleisige Entwicklung – mehr Regulierung, mehr Förderung – zweierlei: Einerseits muss man sich auf Compliance und Standards einstellen. Bereits jetzt entstehen Rahmenwerke für vertrauenswürdige KI: Organisationen wie OECD, EU, UN und die Afrikanische Union haben 2024 Leitlinien zu Transparenz, Fairness und Sicherheit von KI-Systemen herausgegeben​. In der EU etwa steht der AI Act vor der Tür, der je nach Risikoklasse strenge Auflagen für KI-Anwendungen vorsieht. Unternehmen sollten frühzeitig ihre KI-Anwendungen dahingehend prüfen, ob sie ethischen und gesetzlichen Anforderungen genügen – etwa hinsichtlich Datenschutz, Nichtdiskriminierung und Nachvollziehbarkeit von Entscheidungen. Anderseits bieten staatliche Förderinitiativen auch Chancen, z.B. durch Zuschüsse für KI-Forschung, Infrastruktur oder Pilotprojekte. Es kann sich lohnen, verfügbare Programme zu nutzen, um die eigene KI-Strategie voranzubringen.

Ein Blick in den Bericht zeigt zudem, dass die Wirtschaft selbst beim Thema “Responsible AI” noch Nachholbedarf hat. Obwohl KI-Vorfälle (wie Fehlentscheidungen oder diskriminierende Ergebnisse) laut Incident-Datenbank stark zunehmen, verwenden die großen KI-Entwickler selten standardisierte Bewertungsverfahren für verantwortungsvolle KI​. Mit anderen Worten: Viele Unternehmen sind sich der Risiken durch KI zwar bewusst, handeln aber noch nicht konsequent genug, um sie zu minimieren. Zwischen dem Erkennen von Problemen (Bias, Mangel an Erklärbarkeit, Sicherheitslücken) und dem Ergreifen tatsächlicher Maßnahmen klafft eine Lücke​. Hier wächst der Druck durch Regulierer, aber auch durch Kunden und Partner, die vertrauenswürdige KI erwarten. Beispielsweise fordern immer mehr Auftraggeber Nachweise darüber, dass eingesetzte KI-Systeme geprüft und überwacht werden.

Ein Aspekt verantwortungsvoller KI-Nutzung betrifft den Schutz sensibler Daten. Viele Unternehmen zögern, cloudbasierte KI-Lösungen auf ihre internen Daten loszulassen, aus Sorge vor Abfluss oder Missbrauch der Informationen. Hier bieten sich Lösungen an, die KI-Anwendungen im lokalen Umfeld erlauben, sodass Daten im Haus bleiben – ein Punkt, auf den wir im Kontext von EMMA noch eingehen werden. Insgesamt ist klar: KI-Ethik und Governance werden vom theoretischen Konzept zur praktischen Auflage. Wer früh eigene Richtlinien etabliert (z.B. interne KI-Prinzipien, Prüfschritte vor Deployment neuer KI-Modelle, Schulungen zu Bias-Vermeidung), verschafft sich einen Vorsprung, wenn Regulierung und Kundenerwartungen weiter zunehmen.

Zusammengefasst sollten Entscheider KI nicht nur unter dem Gesichtspunkt „Was bringt es mir?“ betrachten, sondern auch „Wie setze ich es verantwortungsvoll ein?“. Die Licence to Operate für KI-getriebene Prozesse wird künftig davon abhängen, dass man Sicherheit, Fairness und Transparenz gewährleisten kann. Hier zahlt es sich aus, die Entwicklung der KI-Regulierung aktiv zu verfolgen und vielleicht sogar mitzugestalten (etwa durch Brancheninitiativen), um unnötige Risiken zu vermeiden und Vertrauen bei Stakeholdern aufzubauen.

Trotz aller Erfolge und positiven Trends verschweigt der AI Index 2025 nicht, dass es weiterhin Hürden und offene Fragen gibt, die Unternehmen bedenken sollten. Eine davon ist der Fachkräftemangel und Bildungsrückstand im KI-Bereich. Zwar hat sich die Verfügbarkeit von KI-Ausbildung in den letzten Jahren stark erhöht – zwei Drittel aller Länder haben mittlerweile KI- oder Informatikunterricht in Schulen eingeführt oder planen dies (doppelt so viele wie noch 2019)​. Dennoch fühlen sich in den USA z.B. weniger als die Hälfte der Informatiklehrer ausreichend vorbereitet, KI-Themen tatsächlich zu unterrichten​. Ähnlich sieht es in Unternehmen aus: Die Tools mögen immer einfacher werden, aber die Belegschaft braucht Fortbildung, um KI sinnvoll einzusetzen. Unternehmen sollten daher parallel zur technischen Implementation auch in Weiterbildung und Talententwicklung investieren. Das beinhaltet Schulungen für bestehende Mitarbeiter, interdisziplinäre Teams (Domänenexperten mit Data Scientists zusammenbringen) und attraktive Karrierepfade für KI-Fachleute, um Talente zu gewinnen und zu halten.

Technisch gesehen stößt die aktuelle KI bei bestimmten Fähigkeiten noch an Grenzen. Ein Schlagwort ist hier die „Reasoning“-Problematik: Während KI exzellent Muster erkennen und sogar kreativen Output liefern kann, tut sie sich mit komplexem logischem Denken nach wie vor schwer. Der Bericht weist darauf hin, dass große Sprachmodelle bei rigorosen Denkaufgaben (z.B. mehrschrittige mathematische Beweise oder strategische Planung) immer noch hinter menschlicher Leistung zurückbleiben und oft unzuverlässig sind​. So scheitern sie an Aufgaben, die präzises Schlussfolgern oder formale Logik erfordern, was ihren Einsatz in hochkritischen Bereichen (z.B. juristische Beweisführung, sicherheitskritische Steuerungen) begrenzt. Unternehmen müssen also die Limitationen der KI-Systeme kennen: Nicht jede Aufgabe sollte blind der KI überlassen werden, und menschliche Expertise bleibt in vielen Bereichen unverzichtbar. Ein pragmatischer Ansatz ist, KI gezielt dort einzusetzen, wo sie klar besser oder effizienter ist, und gleichzeitig Prozesse zu definieren, in denen der Mensch prüfend oder ergänzend eingreift (Stichwort Human-in-the-Loop).

Ein weiteres Thema ist die Nachhaltigkeit. Trotz effizienterer Hardware ist der Gesamtenergieverbrauch durch den KI-Boom enorm gestiegen. Die größten KI-Modelle verursachen heute tausende Tonnen CO₂-Emissionen bei Training und Betrieb. Dieses Thema rückt in den Fokus, da viele Unternehmen Klimaziele verfolgen. Hier wird es wichtig sein, auf energieeffiziente KI-Lösungen zu setzen – zum Beispiel kleinere Modelle zu bevorzugen, Rechenzentren mit sauberer Energie zu betreiben oder den KI-Einsatz dort zu optimieren, wo er den größten Mehrwert bringt. Anbieter wie große Cloud-Plattformen reagieren bereits (u.a. durch Investitionen in klimafreundliche Rechenzentren), und für Nutzer kann Nachhaltigkeit zu einem Auswahlkriterium für KI-Dienstleistungen werden.

Zuletzt sei die Akzeptanz im Unternehmen selbst erwähnt: Die Einführung von KI kann interne Widerstände mit sich bringen – sei es Angst vor Arbeitsplatzverlusten oder Skepsis gegenüber „Black Box“-Systemen. Hier sind Change Management und transparente Kommunikation entscheidend. Mitarbeiter sollten verstehen, dass KI Werkzeuge sind, die ihnen Routinearbeit abnehmen und neue Möglichkeiten eröffnen. Erfolgreiche KI-Einführung gelingt erfahrungsgemäß dort am besten, wo Führungskräfte frühzeitig alle Stakeholder einbinden, Erfolge sichtbar machen und eine kollaborative Vision von Mensch-Maschine-Zusammenarbeit vermitteln.