KI-Einführung im Unternehmen: Warum 70 Prozent des Erfolgs bei den Menschen liegenAI adoption in companies: why 70 percent of success depends on people

KI im Unternehmen einzuführen heißt, die Zusammenarbeit von Menschen und Technologie neu zu gestalten. Die Werkzeuge sind oft schnell gekauft. Ob sie im Alltag wirken, entscheidet sich bei den Menschen, die mit ihnen arbeiten, und in den Abläufen, in die sie eingebaut werden. Die Boston Consulting Group fasst das in einer Faustregel zusammen: 10 Prozent des Aufwands gehören in Algorithmen, 20 Prozent in Technologie und Daten, 70 Prozent in Menschen und Prozesse.

Dieser Beitrag zeigt, warum KI-Einführung und Organisationsentwicklung zusammengehören. Er beschreibt drei Lücken, an denen fast jedes Vorhaben hängt, ordnet sie mit aktuellen Studien ein und endet mit einem Selbstcheck für dein Unternehmen. Wenn dir die Grundbegriffe noch fehlen, lies vorher KI verstehen: LLM, generative KI und GPT.

Warum gehören Mensch und Technologie bei KI zusammen?

Technologie entsteht durch Menschen und wirkt auf Menschen zurück. Unsere Fähigkeiten fließen in KI-Systeme ein, unsere Fehler und Vorurteile ebenso. Amazon hat 2018 ein experimentelles Werkzeug zur Bewerberauswahl eingestellt. Es hatte aus zehn Jahren überwiegend männlicher Bewerbungen gelernt und benachteiligte Frauen. Kein Entwickler hatte das so gewollt. Das System hatte ein Muster aus der Vergangenheit übernommen.

Der Einfluss läuft auch in die andere Richtung. Sobald Menschen mit KI arbeiten, verändert sie ihr Urteil. Die Forschung nennt das Automation Bias: die Neigung, Vorschlägen eines Systems zu sehr zu vertrauen.

In der Studie von Dratsch und Kollegen bewerteten 27 Radiologen Mammografien mit Unterstützung einer angeblichen KI. War der Vorschlag richtig, lagen alle Gruppen bei rund 80 Prozent Treffern. War er falsch, fielen Unerfahrene auf 20 Prozent und selbst sehr Erfahrene auf 46 Prozent. Die Autoren fassen zusammen:

„These results suggest that all radiologists, regardless of expertise, can be subject to automation bias.“

Dratsch u. a., Radiology, 2023. Sinngemäß: Alle Radiologen können unabhängig von ihrer Erfahrung dem Automation Bias unterliegen.

Für ein Unternehmen heißt das: Wer KI einführt, muss festlegen, wer Ergebnisse prüft und wie. McKinsey zählt definierte Prüfprozesse für KI-Ergebnisse zu den Merkmalen, die erfolgreiche Unternehmen am deutlichsten von anderen unterscheiden.

Was bedeutet die 10-20-70-Regel?

Die 10-20-70-Regel verteilt den Aufwand eines KI-Vorhabens: 10 Prozent Algorithmen, 20 Prozent Technologie und Daten, 70 Prozent Menschen und Prozesse. BCG beschreibt sie als Prinzip der Unternehmen, die mit KI am meisten erreichen. Zu den 70 Prozent gehören neue Rollen, veränderte Arbeitsabläufe, Kompetenzen und die Begleitung der Veränderung. Mehr zur Regel und ihrer Herkunft steht im Beitrag Die 70-20-10-Regel der KI-Transformation.

„The soft stuff […] turns out to be the hard stuff.“

BCG, From Potential to Profit: Closing the AI Impact Gap, Januar 2025. Sinngemäß: Das vermeintlich Weiche, also Abläufe neu denken, Kompetenzen aufbauen und Veränderung führen, ist das eigentlich Schwere.

Wie groß die Lücke zwischen Nutzung und Wirkung ist, zeigt die aktuelle McKinsey-Umfrage. 88 Prozent der Befragten sagen, ihr Unternehmen nutze KI in mindestens einem Bereich. Nur 39 Prozent sehen irgendeinen Effekt auf das Ergebnis vor Zinsen und Steuern, meist unter 5 Prozent. Die rund 6 Prozent Spitzenreiter haben fast dreimal so oft ihre Arbeitsabläufe von Grund auf neu gestaltet wie die übrigen.

Welche drei Lücken bremsen die KI-Einführung?

Drei Lücken tauchen in fast jedem Vorhaben auf: Nichtwissen, Nichtkönnen und Nichthaben. Nichtwissen heißt, es fehlt der Überblick, was KI leisten kann und wo sie zu den eigenen Aufgaben passt. Nichtkönnen heißt, die Menschen können die Werkzeuge noch nicht wirksam einsetzen. Nichthaben heißt, es fehlen die Daten, die ein bestimmtes Vorhaben braucht. Die drei Lücken brauchen unterschiedliche Antworten, deshalb lohnt sich die Diagnose vor dem ersten Kauf.

Nichtwissen: Möglichkeiten erkennen und den richtigen Ansatzpunkt finden

Am Anfang stehen meist grundlegende Fragen. Was können die Modelle heute, wie verlässlich sind sie, und für welche Aufgaben im eigenen Unternehmen lohnen sie sich? Hier hilft zuerst ein Überblick über Möglichkeiten und typische Anwendungsfälle. Diesen Überblick gleichst du mit den Aufgaben ab, die in deinem Unternehmen Zeit kosten oder Fehler erzeugen. So wird aus allgemeinem Interesse eine konkrete Frage: Wo setzen wir an, und woran messen wir, ob es wirkt? Wie du von einem Geschäftsziel zu einem messbaren Pilot kommst, beschreibt der Beitrag KI im Unternehmen: vom Geschäftsziel zum messbaren Prozess.

Nichtkönnen: Kompetenzen für die Anwendung aufbauen

Eine passende Anwendung zu finden, ist der erste Schritt. Danach müssen die Menschen lernen, mit den Systemen zu arbeiten. Das gilt besonders für generative KI, bei der die Qualität des Ergebnisses stark davon abhängt, wie jemand fragt, prüft und nacharbeitet. Die BCG-Umfrage AI at Work 2025 mit 10.635 Befragten zeigt, wie viel Training ausmacht.

Wer mehr als fünf Stunden Training bekommen hat, nutzt KI zu 79 Prozent regelmäßig, bei weniger als fünf Stunden sind es 67 Prozent. Präsenztraining und Coaching heben die Nutzung weiter. Trotzdem fühlen sich nur 36 Prozent der Befragten ausreichend geschult. Und wenn das Unternehmen keine passenden Werkzeuge bereitstellt, würden 54 Prozent auf eigene Faust nicht freigegebene Werkzeuge nutzen. Schatten-KI ist also oft eine Folge fehlender Befähigung, kein Zeichen von Disziplinlosigkeit. Wo du und dein Team gerade stehen, zeigt der kostenlose KI-Kompetenz-Check in acht Feldern.

Seit Februar 2025 verlangt auch der EU AI Act in Artikel 4, dass Unternehmen, die KI einsetzen, für KI-Kompetenz ihrer Beschäftigten sorgen. Der AI Omnibus hat diese Pflicht im Juli 2026 vereinfacht. Ein bestimmtes Kompetenzniveau ist nicht vorgeschrieben, Kommission und Mitgliedstaaten sollen stärker mit Beispielen unterstützen. Gute Gründe für Kompetenzaufbau gibt es trotzdem genug, und die wenigsten haben mit Paragrafen zu tun.

Nichthaben: Datengrundlagen schaffen, die zum Vorhaben passen

Die dritte Lücke betrifft Daten. Wie viele und welche Daten du brauchst, hängt vom Ansatz ab. Für ein fertiges Werkzeug brauchst du keine Trainingsdaten, aber klare Regeln, was hineingegeben werden darf. Bei RAG, also wenn ein Modell zur Laufzeit in deinen Dokumenten sucht, brauchst du aktuelle und gepflegte Dokumente mit klaren Zugriffsrechten. Beim Fine-Tuning passt du ein bestehendes Modell mit Beispielen an. OpenAI nennt 50 bis 100 hochwertige Beispiele als Startpunkt.

Kundendaten sind dabei keine allgemeine Voraussetzung. Ob sie gebraucht werden und genutzt werden dürfen, entscheidet der konkrete Anwendungsfall, und damit auch der Datenschutz. Die praktische Arbeit beginnt oft lange vor jedem Training: bei der Frage, welche Daten es gibt, wem sie gehören und in welchem Zustand sie sind.

Warum reicht ein KI-Training allein nicht aus?

Ein Training vermittelt Wissen und Fähigkeiten, verankert KI aber noch nicht im Unternehmen. Dafür müssen Strategie, Rollen, Abläufe und die Interessen der Beteiligten zusammenpassen. KI-Einführung wird damit zu einem Veränderungsprozess, der über die Auswahl eines Werkzeugs hinausgeht. Wie stark die Seite der Menschen über den Erfolg entscheidet, misst das Beratungsunternehmen Prosci seit Jahren.

Von über 2.600 befragten Praktikern erreichten 88 Prozent ihre Projektziele, wenn das Change Management exzellent war, aber nur 13 Prozent bei schlechtem Change Management. Das ist eine Korrelation aus Selbstauskünften, kein Laborexperiment. Die Richtung ist trotzdem eindeutig und deckt sich mit den Befunden von BCG und McKinsey.

Warum gibt es keine Checkliste für die KI-Einführung?

Ein Unternehmen ist ein soziales System, dessen Veränderung von innen getragen werden muss. Viele wünschen sich drei oder fünf Schritte, mit denen die Einführung gelingt. Der Wunsch ist verständlich, aber Organisationsentwicklung lässt sich nicht auf eine allgemeingültige Schrittfolge reduzieren. Externe Begleitung kann Impulse geben, Sichtweisen hinterfragen und Methoden mitbringen. Gestalten müssen die Veränderung die Menschen im Unternehmen selbst. Das ist mit Hilfe zur Selbsthilfe gemeint.

Dazu gehört mehr als Kompetenzaufbau. Die Interessen, Sorgen und die Bereitschaft der Beteiligten müssen auf den Tisch, von der Geschäftsführung über den Betriebsrat bis zu den Teams, deren Arbeit sich verändert. Ziel ist eine gemeinsame, verbindliche Unterstützung für das Vorhaben. Sie trägt KI über die Pilotphase hinaus.

Wie lange dauert eine KI-Einführung im Unternehmen?

Das hängt vom Auftrag ab, und meist dauert der organisatorische Teil länger als der technische. Ein Werkzeug für eine Abteilung freizuschalten, geht in Wochen. Eine Daten-, KI- oder Geschäftsfeldstrategie, die bis in die Umsetzung reicht, plant man eher in Quartalen. Zur Arbeit an Technologie, Beschaffung und gegebenenfalls Fine-Tuning kommen Kommunikation, die Einbindung der Beteiligten und Change Management. Die betroffenen Menschen müssen die Veränderung verstehen und mitgestalten können. Genau dieser Teil braucht Zeit.

Selbstcheck: Wo steht dein Unternehmen?

Bevor du ein Werkzeug auswählst, prüfe die drei Lücken. Die folgenden neun Aussagen helfen dabei. Hak ab, was schon zutrifft. Die Auswertung zeigt, wo dein Vorhaben gerade den wenigsten Rückhalt hat.

Drei Fragen kannst du danach in die nächste Leitungsrunde mitnehmen. Wo fehlen Wissen oder Kompetenzen? Welche Datengrundlagen braucht das konkrete Vorhaben wirklich? Und wer muss die Veränderung mittragen, damit sie bleibt?

Quellen

• BCG: From Potential to Profit: Closing the AI Impact Gap, 15.01.2025.
• BCG: AI at Work 2025: Momentum Builds, but Gaps Remain, 23.06.2025.
• McKinsey: The State of AI in 2025: Agents, innovation, and transformation, 05.11.2025.
• Dratsch u. a.: Automation Bias in Mammography: The Impact of Artificial Intelligence BI-RADS Suggestions on Reader Performance, Radiology, Mai 2023.
• Reuters: Amazon scraps secret AI recruiting tool that showed bias against women, 10.10.2018.
• Prosci: The Correlation Between Change Management and Project Success.
• OpenAI: Fine-tuning guide.
• Europäische Kommission: AI Omnibus enters into force, 27.07.2026.

Grafiken und Selbstcheck sind eigene Darstellungen. Der Selbstcheck speichert keine Antworten.

Introducing AI in a company means redesigning how people and technology work together. The tools are often bought quickly. Whether they work in daily business depends on the people who use them and on the workflows they are built into. Boston Consulting Group sums this up in a rule of thumb: 10 percent of the effort belongs to algorithms, 20 percent to technology and data, 70 percent to people and processes.

This article shows why AI adoption and organisational development belong together. It describes three gaps that hold up almost every project, puts them in context with current studies and ends with a self-check for your company. If you still need the basic terms, read Understanding AI: LLMs, generative AI and GPT first.

Why do people and technology belong together in AI?

Technology is made by people and acts back on people. Our abilities flow into AI systems, and so do our mistakes and prejudices. In 2018 Amazon dropped an experimental tool for screening applicants. It had learned from ten years of mostly male applications and penalised women. No developer had intended that. The system had adopted a pattern from the past.

The influence also runs the other way. As soon as people work with AI, it changes their judgement. Research calls this automation bias: the tendency to trust a system's suggestions too much.

In the study by Dratsch and colleagues, 27 radiologists assessed mammograms with the help of a purported AI. When the suggestion was correct, all groups were right in about 80 percent of cases. When it was wrong, inexperienced readers dropped to 20 percent and even very experienced ones to 46 percent. The authors sum up:

“These results suggest that all radiologists, regardless of expertise, can be subject to automation bias.”

Dratsch et al., Radiology, 2023.

For a company this means: whoever introduces AI must decide who reviews the results and how. McKinsey counts defined review processes for AI output among the traits that most clearly set successful companies apart.

What does the 10-20-70 rule mean?

The 10-20-70 rule allocates the effort of an AI project: 10 percent algorithms, 20 percent technology and data, 70 percent people and processes. BCG describes it as the principle followed by the companies that achieve the most with AI. The 70 percent covers new roles, changed workflows, skills and guiding the change. More on the rule and its origin is in the article The 70-20-10 rule of AI transformation.

“The soft stuff […] turns out to be the hard stuff.”

BCG, From Potential to Profit: Closing the AI Impact Gap, January 2025. Meaning: rethinking workflows, upskilling people and leading change is the actual hard part.

The current McKinsey survey shows how wide the gap between use and impact is. 88 percent of respondents say their company uses AI in at least one function. Only 39 percent see any effect on earnings before interest and taxes, mostly below 5 percent. The roughly 6 percent of high performers have fundamentally redesigned their workflows almost three times as often as the rest.

Which three gaps slow down AI adoption?

Three gaps appear in almost every project: not knowing, not being able and not having. Not knowing means there is no overview of what AI can do and where it fits your own tasks. Not being able means people cannot yet use the tools effectively. Not having means the data a particular project needs is missing. The three gaps need different answers, which is why a diagnosis before the first purchase pays off.

Not knowing: recognising possibilities and finding the right starting point

The start usually brings basic questions. What can the models do today, how reliable are they, and for which tasks in your own company are they worth it? An overview of possibilities and typical use cases helps first. Match that overview against the tasks in your company that cost time or cause errors. General interest then becomes a concrete question: where do we start, and how do we measure whether it works? How to get from a business goal to a measurable pilot is described in AI in the company: from business goal to measurable process.

Not being able: building the skills to use AI

Finding a suitable application is the first step. Then people have to learn to work with the systems. This is especially true for generative AI, where the quality of the result depends heavily on how someone asks, checks and reworks. BCG's AI at Work 2025 survey with 10,635 respondents shows how much training matters.

Of those who received more than five hours of training, 79 percent use AI regularly; with less than five hours it is 67 percent. In-person training and coaching raise usage further. Still, only 36 percent of respondents feel properly trained. And if the company does not provide suitable tools, 54 percent would use unauthorised tools on their own. Shadow AI is often a consequence of missing enablement, not a sign of indiscipline. The free AI skills check in eight fields shows where you and your team stand.

Since February 2025, Article 4 of the EU AI Act has also required companies that deploy AI to ensure AI literacy among their staff. The AI Omnibus simplified this obligation in July 2026. No specific level of competence is prescribed, and the Commission and member states are to provide more support with examples. There are plenty of good reasons for building skills anyway, and few of them have to do with legal articles.

Not having: building data foundations that fit the project

The third gap concerns data. How much and which data you need depends on the approach. For a ready-made tool you need no training data, but clear rules on what may go in. With RAG, where a model searches your documents at runtime, you need current, maintained documents with clear access rights. With fine-tuning you adapt an existing model with examples. OpenAI cites 50 to 100 high-quality examples as a starting point.

Customer data is not a general requirement. Whether it is needed and may be used depends on the specific use case, and therefore on data protection too. The practical work often starts long before any training: with the question of which data exists, who owns it and what state it is in.

Why is AI training alone not enough?

Training conveys knowledge and skills, but it does not yet embed AI in the company. For that, strategy, roles, workflows and the interests of those involved have to fit together. AI adoption thus becomes a change process that goes beyond choosing a tool. The consultancy Prosci has measured for years how strongly the people side decides success.

Of more than 2,600 practitioners surveyed, 88 percent met their project objectives when change management was excellent, but only 13 percent with poor change management. This is a correlation from self-reports, not a lab experiment. The direction is still clear and matches the findings of BCG and McKinsey.

Why is there no checklist for AI adoption?

A company is a social system whose change has to be carried from within. Many people would like three or five steps that make adoption succeed. The wish is understandable, but organisational development cannot be reduced to a universal sequence of steps. External support can provide impulses, question perspectives and bring methods. The people in the company have to shape the change themselves. That is what help for self-help means.

This involves more than building skills. The interests, concerns and willingness of those involved have to be put on the table, from management and the works council to the teams whose work changes. The goal is shared, binding support for the project. It carries AI beyond the pilot phase.

How long does AI adoption take in a company?

It depends on the assignment, and the organisational part usually takes longer than the technical one. Enabling a tool for one department takes weeks. A data, AI or business strategy that reaches into implementation is better planned in quarters. Work on technology, procurement and possibly fine-tuning comes with communication, involving those affected and change management. The people affected need to understand the change and help shape it. That is the part that takes time.

Self-check: where does your company stand?

Before you choose a tool, check the three gaps. The following nine statements help. Tick what already applies. The result shows where your project currently has the least support.

Afterwards, take three questions to your next management meeting. Where are knowledge or skills missing? Which data foundations does the specific project really need? And who has to support the change so that it lasts?

Sources

• BCG: From Potential to Profit: Closing the AI Impact Gap, 15 January 2025.
• BCG: AI at Work 2025: Momentum Builds, but Gaps Remain, 23 June 2025.
• McKinsey: The State of AI in 2025: Agents, innovation, and transformation, 5 November 2025.
• Dratsch et al.: Automation Bias in Mammography: The Impact of Artificial Intelligence BI-RADS Suggestions on Reader Performance, Radiology, May 2023.
• Reuters: Amazon scraps secret AI recruiting tool that showed bias against women, 10 October 2018.
• Prosci: The Correlation Between Change Management and Project Success.
• OpenAI: Fine-tuning guide.
• European Commission: AI Omnibus enters into force, 27 July 2026.

The graphics and the self-check are my own work. The self-check does not store any answers.