AI Transformation

My Thoughts on AI Transformation

Sebastian Stöhr

Turning Enterprise AI from pilots into practice | Sr. Advisor AI Transformation

Follow

• 

  bereit.ai

  Damit KI im Unternehmen funktioniert

  Today ·

  Wenn KI die reine Programmierung drastisch beschleunigt, wird die Software-Entwicklung nicht automatisch schneller. Der Stau verschiebt sich nur.

  Er landet dort, wo er vorher schon lag und weniger auffiel: bei unklaren Anforderungen, in zähen Code-Reviews, fragilen Testumgebungen und verzögerten Release-Freigaben. Diese Schritte hängen an menschlicher Aufmerksamkeit, Erfahrung und Urteilskraft – und nichts davon skaliert automatisch mit dem Modell.

  Prinzipien moderner Team-Führung werden damit umso wichtiger: weg vom reinen Output-Tracking, hin zur Schärfung von Urteilsvermögen, Qualität und gemeinsamen Team-Workflows.

  Zwei Hebel machen im Alltag den Unterschied:

  1. Den Workflow sichtbar machen, nicht nur den Code: Verwendeter Kontext, erfolgreiche Prompts und Teststrategien gehören dokumentiert und in die Retrospektive – sonst versickert wertvolles Erfahrungswissen in privaten Chatverläufen einzelner Entwickler.
  2. Psychologische Sicherheit als Fundament: Der harte Druck, schnelle KI-Erfolge vorweisen zu müssen, führt zu geschönten Berichten und verdeckten Risiken. Teams müssen ohne Rechtfertigungsdruck benennen können, wo KI geholfen hat – und wo klassisches Handwerk weiterhin überlegen ist.

  bereit.ai

  Der Engpass wandert vom Tippen zum Entscheiden

  KI verschiebt den Engpass in der Entwicklung vom Tippen zum Entscheiden. Engineering-Führung muss künftig Urteilsvermögen, Qualität und gemeinsame Workflows prägen.

• 

  bereit.ai

  Damit KI im Unternehmen funktioniert

  1d ·

  Die Geschäftsführung kann KI fordern. Die Belegschaft kann experimentieren. Ob daraus verlässliche Betriebspraxis wird, entscheidet allein die Ebene dazwischen.

  Teamleitungen, Product Owner und Abteilungsleiter müssen strategische Absichten in den täglichen Ablauf übersetzen – und tragen dabei das operative Risiko, meist ohne klares Playbook. Genau an dieser Schnittstelle stockt die Einführung nach der ersten Pilotphase.

  Fünf konkrete Entscheidungen verlangen nach Antworten, bevor KI Teil eines Regelprozesses wird:

  • Welche Aufgaben eignen sich wirklich?
  • Welche Datenquellen sind tabu?
  • Welche Prüftiefe erfordert eine Ausgabe?
  • Woran wird Qualität objektiv gemessen?
  • Und wer pflegt den Workflow weiter, wenn der ursprüngliche Ersteller das Team verlässt?

  Hinzu kommt ein Zielkonflikt: Prozessumbau kostet Zeit und konkurriert mit dem Tagesgeschäft. Wer ausschließlich an kurzfristigen Quartalszielen gemessen oder für Fehler bestraft wird, duldet KI bestenfalls als inoffizielle Abkürzung – passt seine Prozesse aber niemals grundlegend an.

  Zentrale KI-Teams sollten deshalb aufhören, jeden Use-Case selbst steuern zu wollen. Ihre Aufgabe ist es, die mittlere Ebene zu befähigen: mit sicheren, standardisierten und praxiserprobten Vorlagen.

  
• 

  bereit.ai

  Damit KI im Unternehmen funktioniert

  3d ·

  Prompt-Schulungen sind der einfachste Einstieg in die KI-Nutzung. Sie sind zugleich die Fähigkeit mit der kürzesten Halbwertszeit: Je besser die Modelle werden, desto weniger kommt es auf Formulierungstricks an.

  Was dauerhaft zählt, ist anspruchsvoller und schwerer zu schulen: fachliches Urteilsvermögen, kritische Prüfung, strukturiertes Workflow-Denken – und das Wissen, wann eine Aufgabe zwingend in menschlicher Hand bleiben muss.

  Das ist weit mehr als eine Weiterbildungsfrage: Die flüssige Sprache moderner Sprachmodelle lässt mangelndes Fachwissen schnell wie hohe Produktivität wirken. Wer die fachliche Tiefe nicht besitzt, kann inhaltliche Fehler nicht entlarven.

  Kritisches Prüfen heißt konkret: Ist eine Antwort belegt, vollständig, aktuell und für den eigenen Anwendungsfall verwendbar? Workflow-Denken heißt: Welche Teilaufgabe übernimmt das Modell, welche eine feste Regel und an welcher Stelle ist eine menschliche Entscheidung unverzichtbar?

  Für Führungskräfte verschiebt sich dadurch der Maßstab: Nicht die reine Nutzungsquote entscheidet, sondern wo KI echte Reibungsverluste abbaut – und wo die Nachkontrolle mehr Zeit frisst als die manuelle Bearbeitung.

  bereit.ai

  Welche KI-Skills bleiben, wenn Prompt-Tricks veralten

  Die dauerhaften KI-Skills im Unternehmen heißen Urteilsvermögen, Prüfung, Workflow-Denken und Kontextbewusstsein – nicht das Auswendiglernen von Prompt-Formeln.

• I post on AI transformation and engineering leadership a few times a week. If this is your kind of thing, let's connect over there.

  Connect on LinkedIn
• 

  bereit.ai

  Damit KI im Unternehmen funktioniert

  1w ·

  Ein KI-Workflow, den jemand nur durch das Querlesen einiger Antworten prüft, ist ein Experiment. Auch nach sechs Monaten im Einsatz.

  Prompts, Skills und Agenten-Logiken definieren Softwareverhalten. Und Softwareverhalten braucht dieselbe Disziplin wie klassischer Code: einen stabilen Satz realistischer Praxisfälle, automatisierte Assertions zur Prüfung der Ausgaben und Regressionstests bei jeder Änderung an Prompt, Modell oder Datenquelle.

  Assertions testen Eigenschaften, die sich maschinell verifizieren lassen: Wird das geforderte Schema eingehalten? Verweigert das Modell Antworten auf unzulässige Fragen? Werden die erwarteten Tools aufgerufen? Sind Aussagen durch Quellen belegt? Nichts davon setzt voraus, dass im Alltag ein Mensch jede Ausgabe mitliest.

  Entscheidend ist die Reihenfolge bei Fehlern: Ein fehlschlagender Fall wandert immer zuerst in die Testsuite, bevor der Prompt nachjustiert wird. Wer es umgekehrt macht, riskiert, dass die Korrektur an einer Stelle älteres, funktionierendes Verhalten an anderer Stelle unbemerkt aushebelt.

  Und der größte Hebel für den Betrieb: Die Frage „Können wir auf ein günstigeres Modell wechseln?“ wird damit von einer riskanten Bauchentscheidung zu einem simplen Testlauf auf Knopfdruck.

  bereit.ai

  KI-Workflows brauchen Tests, nicht nur Intuition

  KI-Prompts, Skills und Agenten-Workflows mit realistischen Datensätzen und wiederholbaren Assertions prüfen, bevor Modelle wechseln oder Prompts sich ändern.

• 

  bereit.ai

  Damit KI im Unternehmen funktioniert

  1w ·

  „Könnten wir dafür KI einsetzen?“ Die Antwort lautet fast immer: Ja.

  Zusammenfassen, klassifizieren, entwerfen, extrahieren, vergleichen, empfehlen: Wenn man sich genügend Zeit nimmt, wirkt am Ende fast jede Demo plausibel. Doch das ist eine viel zu niedrige Hürde für den Produktivbetrieb.

  Die entscheidende Frage lautet nicht, ob sich etwas bauen lässt – sondern was der dauerhafte Betrieb kostet. Und damit sind selten die reinen Modellkosten gemeint: Es ist die manuelle Prüfung jeder Ausgabe in den ersten Wochen, die Nacharbeit an Grenzfällen und der permanente Pflegeaufwand für Monitoring, Prompt-Updates und Eval-Sets.

  Zu einer KI-Strategie gehört daher das bewusste Nein zu unfertigen Ideen – und die Disziplin, den Scope radikal einzugrenzen.

  Ein klares Nein vor dem Start kostet eine Stunde. Ein erzwungenes Nein nach dem Piloten kostet ein ganzes Quartal.

  
• 

  bereit.ai

  Damit KI im Unternehmen funktioniert

  1w ·

  Der beeindruckendste Agent aus der Demo ist selten der, der erfolgreich in Betrieb geht.

  Demos autonomer Agenten sehen in Präsentationen spektakulär aus – scheitern beim Übergang in den Produktivbetrieb aber regelmäßig an denselben Hürden: unklarer Scope, schwer überprüfbare Ergebnisse und keine Möglichkeit, systematische Fehler verlässlich einzugrenzen.

  Für den Start gilt: „Eng gefasst und prüfbar“ schlägt „beeindruckend und autonom“. Ein tauglicher erster Use-Case ist klar umrissen und liefert Ergebnisse, die eine Fachkraft in Sekunden beurteilen kann – sodass der Workflow selbst mit menschlicher Prüfung spürbar Zeit spart. Dauert die Nachkontrolle länger als die eigentliche Aufgabe, ist der Zuschnitt verfehlt.

  Ticket-Triage oder der Entwurf von Release Notes sind ideale erste Kandidaten: Sie basieren auf strukturierten Eingaben, produzieren sichtbare und behebbare Fehler und lassen sich mit minimalem Aufwand validieren. Das vage Versprechen vom „digitalen Mitarbeiter“ ist es nicht.

  Autonomie ist eine Ausbaustufe, kein Startpunkt. Am Anfang stehen klare Grenzen für Zugriffsrechte, eine verbindliche Freigabe durch Menschen (Human in the Loop) – und wiederholbare Testfälle, die bei jeder Änderung an Prompt, Modell oder Datenbasis erneut laufen.

  
• 

  bereit.ai

  Damit KI im Unternehmen funktioniert

  1w ·

  Seit dem 2. August 2026 überwacht die Bundesnetzagentur den AI Act in Deutschland. Die Pflicht, die fast jedes Unternehmen betrifft, gilt jedoch schon seit Februar 2025.

  Artikel 4 der KI-Verordnung verlangt ein ausreichendes Maß an KI-Kompetenz – nicht nur von Anbietern, sondern ausdrücklich von Betreibern. Als Betreiber gilt bereits jedes Unternehmen, dessen Beschäftigte zugekaufte Werkzeuge wie Microsoft Copilot, ChatGPT Enterprise oder Claude beruflich einsetzen. Völlig unabhängig von Branche und Unternehmensgröße.

  Was Artikel 4 nicht verlangt: teure Pflichtzertifikate oder starre Lehrpläne. Es handelt sich um eine klassische Bemühenspflicht – gefordert sind nachweisbare, rollenspezifische Maßnahmen nach besten Kräften.

  Ein auditfester Nachweis ist entsprechend pragmatisch:

  • Eine Rollenmatrix mit nachvollziehbaren Kompetenzstufen
  • Dokumentierte Nachweise über durchgeführte Schulungen und Einweisungen
  • Die verbindliche interne KI-Richtlinie in aktueller Fassung
  • Der Nachweis über deren tatsächliche Bekanntmachung im Unternehmen

  Besonders der letzte Punkt wird in der Praxis regelmäßig vergessen: Eine Richtlinie, die ungelesen im Intranet liegt, erfüllt die gesetzliche Pflicht nicht.

  KI-Kompetenz ist eine Pflicht

  • 
  • 
  • 
  • 
  • 
• 

  bereit.ai

  Damit KI im Unternehmen funktioniert

  2w ·

  Fünfzehn KI-Werkzeuge in acht Teams: Das ist kein Governance-Versagen. Das ist die normale erste Phase.

  Zum Problem wird Wildwuchs erst als Dauerzustand: Sensible Daten landen in ungeprüften Diensten. Drei Teams bauen parallel dieselbe Lösung. Standards driften auseinander. Und für den einen Workflow, an dem längst ein wichtiger Prozess hängt, fühlt sich niemand zuständig.

  Die Lösung ist trotzdem kein pauschales Verbot. Starre Kontrollen, die jedes kleine Experiment wie ein Kernsystem behandeln, ersticken die Lernkurve und drängen die Nutzung in die Schatten-IT – wo Risiken völlig unsichtbar werden.

  Was stattdessen trägt, ist ein klarer Stufenplan, auf dem sich ein Workflow Verbindlichkeit verdient: von der freien Erkundung über den Teampiloten mit benanntem Owner bis hin zum geteilten Workflow mit Qualitäts-Gates und überwachtem Regelbetrieb.

  Die Prüftiefe folgt dem tatsächlichen Risiko, nicht der Begeisterung. Governance wächst mit der Tragweite des Einsatzes mit, statt von Tag eins an alles über einen Kamm zu scheren.

  
• 

  bereit.ai

  Damit KI im Unternehmen funktioniert

  2w ·

  Daten haben die meisten Organisationen im Überfluss. Belastbares Wissen nicht.

  Die „Source of Truth“ existiert selten an einem zentralen Ort. Sie liegt in Bruchstücken über Tickets, Chatverläufe, veraltete Wiki-Seiten und E-Mail-Anhänge verstreut.

  Klassisches RAG legt genau diese Rohdaten in eine Vektordatenbank. Doch ein reiner Dokumentenabruf beantwortet die entscheidende Frage nicht: Welche der drei gefundenen Richtlinien gilt heute noch?

  Was fehlt, ist der Schritt vom Abrufen zur strukturierten Synthese. Es reicht nicht, unstrukturierte Daten durchsuchbar zu machen – sie müssen zu verlässlichem Kontext verdichtet werden:

  • Aktuell: mit einem geprüften Gültigkeitsstand statt dem Datum der letzten Bearbeitung.
  • Verknüpft: mit dem klaren Bezug, welche Information eine andere ersetzt und was aufeinander aufbaut.
  • Belegt: mit einer nachprüfbaren Quelle für jede Kernaussage.

  Das ist redaktionelle Strukturierungsarbeit, kein reines Suchproblem. Wer diesen Schritt überspringt, baut lediglich eine schnellere Volltextsuche – und nennt sie fälschlich KI.

  
• 

  bereit.ai

  Damit KI im Unternehmen funktioniert

  2w ·

  Ein KI-Workflow, der falsche Entscheidungen trifft, meldet sich nicht.

  Die API-Aufrufe laufen durch, die Latenzen stimmen, die Formatierung ist makellos. Für das technische Monitoring existiert kein Problem. Deshalb ist der erste gravierende Fehlerfall selten ein Knall – sondern eine schleichende Entdeckung, meist Wochen später und fast immer durch Zufall.

  Der teuerste Teil eines KI-Vorfalls sind selten die falschen Ausgaben. Es sind die Wochen des Zögerns zwischen dem ersten Stirnrunzeln und der ersten offiziellen Meldung.

  Wer erst im Ernstfall klärt, wer stoppen darf und wie sich betroffene Vorgänge eingrenzen lassen, reagiert zu spät. Ein Notfallplan entsteht vor dem Go-Live, passt auf eine Seite und muss an einem Freitag um 16

  Uhr sofort anwendbar sein.

  Zwei Punkte machen den Unterschied:

  • Die Rückwärtssuche entscheidet sich beim Audit-Logging lange vor dem Fehler. Wer Eingabe, Ausgabe, Modellversion und Freigabe nicht protokolliert, muss später hunderte Akten manuell sichten.
  • Abschalten ist nicht die einzige Option. Eine verschärfte Kontrolle oder ein gezielter Teilstopp sind oft die klügere Stufe – jede mit einem vorab definierten Kriterium für das Wiedereinschalten.

  Der erste Fehlerfall

  • 
  • 
  • 
  • 
  • 
  •