KI kann mehr, als die meisten Organisationen ihr zutrauen – zwei Denkfallen, die den Impact bremsen
Worum es hier geht: Auf Organisationsebene bleibt der erwartete KI-Impact in vielen Unternehmen aus. Das liegt meist weniger an der Technologie selbst als daran, wie Organisationen sie einführen, einbetten und rahmen. Zwei Denkfehler sind besonders verbreitet: Unternehmen pressen KI in bestehende Strukturen und verwechseln individuelle Tool-Kompetenz mit organisationaler Reife. Beides sind Seiten desselben Problems: Die Organisation selbst wird nicht als Gegenstand der Veränderung begriffen.
Generative KI kann Individuen produktiver machen. Das ist inzwischen gut belegt, vielfach erlebt und kaum noch strittig. Texte entstehen schneller, Analysen werden breiter, Entscheidungsvorlagen fundierter. Wer KI klug einsetzt, gewinnt Zeit, Perspektive und Kapazität.
Und trotzdem bleibt der organisationale Impact in vielen Unternehmen erstaunlich klein.
Die Datenlage dazu ist robust und ernüchternd. Die RAND Corporation verwies bereits 2024 auf Schätzungen, nach denen über 80 Prozent aller KI-Projekte in Unternehmen scheitern, etwa doppelt so viele wie bei herkömmlichen IT-Projekten [1]. Der S&P Global Enterprise AI Survey zeigte 2025, dass bereits 42 Prozent der Unternehmen die Mehrheit ihrer KI-Initiativen eingestellt hatten, im Vorjahr waren es noch 17 Prozent [2]. Und der MIT-Report The GenAI Divide kommt für 2025 zu dem Ergebnis, dass 95 Prozent der generativen KI-Pilotprojekte keinen messbaren Return on Investment lieferten [3].
Die Stoßrichtung ist klar: Der Engpass liegt weniger in der Technologie als in der Art, wie Organisationen KI einsetzen, steuern und verankern. Ein aktuelles INSEAD-Paper präzisiert dieses Problem noch einmal. Dort wird von einem mapping problem gesprochen: Organisationen scheitern oft nicht zuerst an fehlendem Zugang zu KI, sondern daran, dass sie zu eng danach suchen, wo KI in ihrer Wertschöpfung überhaupt echten Wert erzeugen kann und wie sich dafür Arbeit neu organisieren müsste [4].
Unser Denken macht KI klein
In unserer Arbeit mit Kunden und in Trainings beschäftigen wir uns intensiv damit, wie KI menschliches Denken beeinflusst. Durch kognitive Effekte wie Fluency, Sycophancy, Anchoring, Framing oder Automation Bias. KI kann, wenn wir nicht aufpassen, unsere Wahrnehmung verzerren, unser Urteil unterlaufen und unsere Denkräume verengen (mehr dazu gibt es in unserem Blogbeitrag Um mit KI erfolgreich zu sein, müssen wir über Wirkung sprechen – nicht nur über Produktivität).
Aber es gibt auch die umgekehrte Richtung – und die wird deutlich seltener beleuchtet: Wir selbst schränken ein, was KI für uns leisten könnte. Wir pressen ihre Möglichkeiten in die Schablonen, die wir bereits kennen. Das zeigt sich in zwei Denkfallen.
Denkfalle 1: KI wird in alte Strukturen gepresst
Der vorherrschende Einführungspfad folgt einem bekannten Muster: einen bestehenden Prozess identifizieren, KI integrieren, Effizienz steigern. Das Bestehende schneller machen. Dort bleiben die meisten stehen.
Das ist nachvollziehbar. Solche Effizienzgewinne sind sichtbar, messbar und intern leicht kommunizierbar. Aber sie setzen voraus, dass die bestehende Organisationslogik, also Prozesse, Zuständigkeiten und Entscheidungswege, auch die richtige Grundlage ist, auf der KI wirken soll. Genau das ist eine fragwürdige Annahme.
Laut Deloitte nutzen rund zwei Drittel aller Organisationen KI im Wesentlichen, um vorhandene Abläufe effizienter zu machen. Nur ein Drittel nutzt sie, um Kernprozesse, Produkte oder Geschäftsmodelle grundlegend weiterzuentwickeln [5]. Überspitzt gesagt: Viele Unternehmen setzen KI vor allem dafür ein, die Vergangenheit effizienter zu machen.
Technologiegeschichte zeigt dieses Muster. Als Textilfabriken in den 1890er Jahren von Dampf auf Elektrizität umstellten, ersetzten sie zunächst nur den Motor. Die Maschinen blieben dieselben, die Raumaufteilung blieb dieselbe, die Arbeitsorganisation blieb dieselbe. Der eigentliche Produktivitätsschub kam erst, als die Fabriken selbst neu gestaltet wurden: mit dezentralen Antrieben, veränderten Grundrissen und neuen Arbeitsabläufen. Der Durchbruch entstand aus dem Zusammenspiel von Technologie und Organisationsdesign.
Dass dieser Zusammenhang auch für KI gilt, lässt sich inzwischen beziffern. McKinseys State of AI 2025 zeigt: Die 6 Prozent der Organisationen, bei denen KI überdurchschnittlichen Business Impact erzeugt, redesignen ihre Workflows knapp dreimal so häufig wie andere. Das ist laut der Erhebung der stärkste Differenzierungsfaktor überhaupt [6].
Der eigentliche Punkt liegt noch tiefer. Wer KI nur auf einzelne, naheliegende Aufgaben ansetzt, verbessert oft nur einen Ausschnitt, während der Rest des Prozesses unverändert bleibt. Der Flaschenhals verschwindet dann nicht, er wandert nur. Es wird schneller geschrieben, aber nicht besser entschieden. Es wird schneller gebaut, aber nicht klüger priorisiert. Es wird mehr produziert, ohne dass daraus automatisch mehr Wert entsteht.
Buckminster Fuller – Architekt, Systemdenker und einer der einflussreichsten Vordenker des 20. Jahrhunderts – hat einmal formuliert, man verändere nichts, indem man gegen die bestehende Realität ankämpfe. Man müsse ein neues Modell schaffen, das das alte überflüssig mache. Der Gedanke ist Jahrzehnte alt, aber KI gibt ihm heute eine neue Dringlichkeit. Denn gerade weil generative KI es so einfach macht, bestehende Abläufe schneller, günstiger und reibungsloser zu gestalten, wächst die Versuchung, genau dabei stehenzubleiben. Die Technologie senkt die Kosten der Optimierung so drastisch, dass die viel weiterreichende Frage leicht untergeht: ob das System, das gerade optimiert wird, überhaupt noch das richtige ist.
Effizienzgewinne sind deshalb nicht irrelevant. Es ist sinnvoll, mit klar umrissenen Anwendungsfällen zu beginnen. Problematisch wird es dort, wo dieser Einstieg mit Transformation verwechselt wird. Wer KI nur dort einsetzt, wo sie bestehende Abläufe beschleunigt, lässt die eigentliche strategische Frage unangetastet: Wie müsste die Leistung der Unternehmung unter veränderten technologischen Bedingungen eigentlich neu organisiert werden?
Denkfalle 2: Individuelle Tool-Kompetenz wird mit organisationaler Reife verwechselt
Die zweite Denkfalle ist subtiler, aber mindestens genauso folgenreich. Viele Organisationen statten ihre Mitarbeitenden mit KI-Tools aus, bieten Schulungen an und erwarten, dass der organisationale Impact daraus beinahe automatisch folgt. Dahinter steckt eine implizite Annahme: Wenn genügend Menschen lernen, KI produktiv zu nutzen, werde die Organisation als Ganzes schon nachziehen.
So einfach ist es nicht.
Individuelle KI-Kompetenz ist wichtig, oft sogar Voraussetzung für alles Weitere. Aber Organisationen verändern sich nicht dadurch, dass viele Einzelne an ihren jeweiligen Schreibtischen produktiver werden. Sie verändern sich erst, wenn diese Produktivität in neue Formen kollektiver Arbeit übersetzt wird. In abgestimmte Workflows, veränderte Rollen, klare Verantwortlichkeiten, verlässliche Qualitätsmaßstäbe und belastbare Governance.
Deloitte bestätigt genau dieses Muster. Die häufigste Maßnahme, mit der Organisationen ihre Talentstrategie auf KI anpassen, ist Schulung. Workflow- und Rollenredesign findet dagegen deutlich seltener statt [5]. Viele Unternehmen investieren also in die Befähigung von Individuen, aber wenig in die strukturelle Übersetzung dieser Fähigkeiten in neue organisationale Praxis.
In der bereits referenzierten INSEAD-Studie zeigte sich genau dieses Muster deutlich. Alle teilnehmenden Firmen hatten Zugang zu KI-Tools, API-Credits und technischem Training. Der Unterschied entstand erst dort, wo sie zusätzlich dabei unterstützt wurden, ihre Produktion systematischer rund um KI neu zu denken [4]. Genau darin liegt der blinde Fleck vieler Organisationen. Sie professionalisieren die Nutzung kleinteilig, aber nicht die umfassende Neuorganisation der Arbeit.
Die Folge ist Fragmentierung. Jede Abteilung entwickelt eigene Prompting-Gewohnheiten, eigene Qualitätsstandards, eigene Formen der Ergebnisverwendung. Dazu kommt eine wachsende Flut an KI-generiertem Material. Sprachlich glatt, schnell produziert, aber inhaltlich oft dünn. Im angloamerikanischen Diskurs wird das mittlerweile häufig als work slop bezeichnet: mehr Output, aber von geringem Wert und deshalb nicht automatisch mehr Wertschöpfung. Wenn diese Dynamik nicht durch organisationale Qualitätssicherung aufgefangen wird, landet genau dieses Material in Entscheidungsprozessen und lähmt sie.
Hinzu kommt, dass auch die Selbsteinschätzung trügt. Eine Studie von Fernandes et al. zeigt, dass KI-Nutzende ihre eigene Leistung systematisch zu hoch einschätzen, mit einer Lücke von vier Punkten zwischen Selbsteinschätzung und tatsächlichem Ergebnis [7]. Besonders bemerkenswert: Teilnehmende mit höherem technischem KI-Verständnis waren oft nicht besser kalibriert, sondern eher selbstbewusster bei geringerer Treffsicherheit. Tool-Vertrautheit wird leicht mit echter Urteilskraft verwechselt. Genau das macht individuelle KI-Kompetenz so ambivalent: Sie kann nützen und zugleich Überkonfidenz verstärken.
Den Denkraum öffnen: KI groß denken
Beide Denkfallen sind Symptome desselben Grundproblems. Die Organisation selbst wird nicht als Gegenstand der Veränderung begriffen. Der Einsatzzweck bleibt eng: KI soll bestehende Abläufe optimieren. Die Einführungsstrategie bleibt individualisiert: Man befähigt Personen, aber nicht die Organisation. Unberührt bleibt die Frage, ob Strukturen, Prozesse und Entscheidungswege überhaupt noch zu dem passen, was KI heute möglich macht.
Es braucht daher eine Denkbewegung, die über unmittelbar naheliegende Optimierung hinausgeht. Ganz im Sinne von Buckminster Fuller müssen Unternehmen die unbequemeren Fragen stellen:
Wofür ist unsere Organisation eigentlich da?
Was ist die Leistung, die wir wirklich erbringen müssen?
Und ließe sich dieses Ziel mit KI grundlegend anders erreichen?
Konkret heißt KI groß denken als Antwort darauf dreierlei:
Prozessübersetzung als Kernkompetenz begreifen.
Die Fähigkeit, Firmenprozesse in KI-integrierte oder automatisierte neue Workflows zu übersetzen und den dazugehörigen Wandel zu begleiten, ist mindestens so bedeutend wie die Technologie selbst. Dafür reicht kein generisches Tool-Verständnis. Es braucht ein tiefes Verständnis für Branche, Geschäftsmodell und operative Realität. Wer nur lokal sucht, findet lokale Verbesserungen. Wer Prozessketten liest, findet Werthebel.Von generischer Tool-Nutzung zu eingebetteter KI-Architektur kommen.
ChatGPT, Claude & Co. sind ein sinnvoller Einstieg. Der eigentliche Impact entsteht dort, wo KI auf konkrete Aufgabenklassen zugeschnitten und in echte Workflows eingebettet wird. Die bereits referenzierte INSEAD-Studie deutet in genau diese Richtung: Mehr Wirkung entstand dort, wo Unternehmen KI breiter in ihre Produktionslogik einordneten, nicht dort, wo sie lediglich mehr Tools nutzten. Das zeigte sich am Ende nicht nur in mehr KI-Anwendungsfällen, sondern auch in höherer Markttraktion und deutlich höheren Umsätzen.Bewusstsein für KI-Wirkung organisational verankern.
Die kognitiven Effekte, die KI auf individuelles und kollektives Denken ausübt, verschwinden bei Skalierung nicht. Sie verstärken sich. KI groß zu denken heißt deshalb auch, systematische Gegenbewegungen einzubauen: Prozesse, die KI-gestützte Ergebnisse hinterfragen. Rollen, die institutionalisierte Gegenrede leisten. Formate, die sicherstellen, dass die Qualitäts- und Leistungssignale, auf die eine Organisation zur Selbstkorrektur angewiesen ist, erhalten bleiben.
Was das für Führung bedeutet
Im vierten Jahr der disruptiven GenAI-Entwicklung zeigt sich immer deutlicher: Die Fähigkeiten der Systeme entwickeln sich schneller als Organisationsstrukturen und Routinen. Diese Geschwindigkeitsdifferenz ist selbst zum Adoptionsengpass geworden. Sie wird nicht durch bessere Tools oder umfangreichere Schulungsprogramme geschlossen. Sie wird dort kleiner, wo Organisationen ihr eigenes Design als Hebel begreifen.
Spätestens hier wird KI zur Führungsfrage. Führung entscheidet über Investitionen, Prioritäten und Governance. Vor allem aber legt Führung fest, welche Art von Organisation überhaupt entstehen darf: eine, die KI als Zusatzmodul behandelt, oder eine, die bereit ist, ihre eigene Arbeitslogik neu zu entwerfen.
Das verlangt mehr als Begeisterung für Tools. Es verlangt Urteilskraft. Die Fähigkeit, zwischen lokalem Effizienzgewinn und echter struktureller Verbesserung zu unterscheiden. Die Bereitschaft, die Organisation selbst weiterzuentwickeln. Und den Mut, das eigene Betriebsmodell nicht stillschweigend als gesetzt zu behandeln.
Bei Lumen Partners begleiten wir Organisationen genau an dieser Schnittstelle. Dort, wo Technologie, Führung und Organisationsdesign zusammenkommen. In unserer Arbeit verbinden wir drei Dimensionen, die in der Praxis noch zu oft getrennt behandelt werden:
Anwendungskompetenz jenseits generischer Tool-Schulung,
organisatorische Rahmung für KI-gestützte Arbeit
und ein Wirkungsbewusstsein für die kognitiven und kulturellen Effekte von KI.
Denn genau dort entscheidet sich, ob KI in einer Organisation nur Aktivität erzeugt – oder tatsächliche Wirkung.
Am Ende läuft alles auf eine unbequem einfache Frage hinaus: Ist unsere Organisation noch für das gebaut, was jetzt wirklich gebraucht wird? Wir plädieren dafür, diese Frage ernst zu nehmen und schnellstmöglich zu beantworten.
Weitere Informationen zu unseren AI-Enabling Leadership Journeys - und auch weiteren Angeboten - finden Sie hier. Unser Team für das AI-Enabling steht Ihnen gerne für Auskünfte zur Seite. Schreiben Sie uns.
Fußnoten
[1] Ryseff, J., De Bruhl, B. F. & Newberry, S. J. (2024). The Root Causes of Failure for Artificial Intelligence Projects and How They Can Succeed. RAND Corporation. https://www.rand.org/pubs/research_reports/RRA2680-1.html
[2] S&P Global Market Intelligence (2025). Voice of the Enterprise: AI & Machine Learning, Use Cases 2025. https://www.spglobal.com/market-intelligence/en/news-insights/research/ai-experiences-rapid-adoption-but-with-mixed-outcomes-highlights-from-vote-ai-machine-learning
[3] Challapally, A., Pease, C., Raskar, R. & Chari, P. (2025). The GenAI Divide: State of AI in Business 2025. MIT Project NANDA. https://www.forbes.com/sites/jaimecatmull/2025/08/22/mit-says-95-of-enterprise-ai-failsheres-what-the-5-are-doing-right/
4] Kim, H., Kim, D. & Koning, R. (2026). Mapping AI into Production: A Field Experiment on Firm Performance. INSEAD Working Paper 2026/20/STR. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=6513481
[5] Deloitte AI Institute (2026). The State of AI in the Enterprise: The Untapped Edge. https://www.deloitte.com/global/en/issues/generative-ai/state-of-ai-in-enterprise.html
[6] McKinsey & Company (2025). The State of AI in 2025: Agents, Innovation, and Transformation. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
[7] Fernandes, D. et al. (2025). AI Makes You Smarter But None the Wiser: The Disconnect Between Performance and Metacognition. Computers in Human Behavior. https://www.sciencedirect.com/science/article/pii/S0747563225002262
Stay in touch
André Cramer
AI & Leadership Enablement |Responsible AI & Digitale Verantwortung| Strategic Communication|Thought Leadership zu ‘Tech meets Society’
Mehr als 25 Jahre Erfahrung im Tech-, Telco & Internet-Sektor: von Start-ups bis Großkonzernen, von Europa bis ins Silicon Valley, von Product Building bis C-Level-Beratung
Innovation Foresight, Strategy & Execution Consulting u.a. bei Deutsche Telekom, Yahoo! Inc., Detecon, futurest
Mehrjährige Leadership-Erfahrung von Linien- und Projektteams
enge Zusammenarbeit mit C-Level & Direct Reports im Vorstandsstab Technology & Innovation der Deutschen Telekom
Human-Centered Technology | Co-Founder & Co-Lead einer konzernweiten Community mit mehreren hundert Mitgliedern | Fokus: Menschenbild, Verantwortung, partizipative Befähigung
ehem. Mitglied des AI Competence Centers der Deutschen Telekom | Schnittstelle zwischen Vorstandsstab, Technologie, Kommunikation & Responsible AI / AI-Governance
Langjährige strategische Kommunikations- & Enablement-Expertise | Übersetzung komplexer Tech- & KI-Themen in Führung, Entscheidungsfähigkeit & Wirkung
Host des #DRANBLEIBEN Newsletters & Podcasts und Co-Host des Code & Konsequenz Podcasts
Speaker, Coach und Trainer zu Themen wie AI, Tech Ethics, Human-centered Technology, Leadership & Culture
LinkedIn Mastodon
