Was kann KI im Unternehmen: Stärken und harte Grenzen

Die Frage "Was kann KI eigentlich?" wird selten neutral gestellt. Meistens steckt eine von zwei Erwartungen dahinter: die Hoffnung, dass sie fast alles kann, oder die Sorge, dass sie mehr kann, als man möchte. Beide Erwartungen führen zu schlechten Entscheidungen, weil sie an derselben Stelle vorbeigehen: Es gibt eine klar beschreibbare Zone, in der KI heute außergewöhnlich stark ist, und eine ebenso klare Kante, an der ihre Fähigkeit abrupt endet.

Dieser Artikel zieht diese Kante. Du erfährst, was KI heute schon zuverlässig leistet, was sie nachweisbar nicht kann, was sie nicht ersetzen kann und was sie in der EU nicht darf. Und du erfährst, warum ein Können allein noch keine Wirkung ist - der Punkt, an dem die meisten Unternehmen scheitern, obwohl die Technik funktioniert.

Was du hier nicht findest, ist die Formel, dass KI alles einfacher macht. KI ist ein Hebel, kein Knopf. Sie verstärkt eine Aufgabe, die du verstanden hast, und sie verstärkt genauso zuverlässig eine, die du nicht verstanden hast.

Was kann KI: die kurze Antwort auf die lange Frage

KI kann alles gut, was sich als Umformung vorhandener Muster in etwas Neues beschreiben lässt. Sprache verstehen und erzeugen, Inhalte entwerfen, unstrukturierte Informationen in eine Struktur bringen, Fälle einsortieren, Ähnlichkeiten erkennen, begründete Vorschläge machen. Alles, was in dieser Zone liegt, kann eine heutige generative KI auf einem Niveau, das vor drei Jahren noch als Jahrzehntfrage galt.

Der Grund für die Stärke ist derselbe wie der Grund für die Schwäche. Ein Sprachmodell erzeugt die wahrscheinlichste Fortsetzung eines Zusammenhangs, nicht die belegte Wahrheit. Solange die wahrscheinlichste Fortsetzung auch die richtige ist - beim Formulieren, Sortieren, Zusammenfassen, Entwerfen -, wirkt das wie Verstehen. Sobald Wahrscheinlichkeit und Wahrheit auseinanderlaufen, bleibt die Antwort genauso souverän formuliert und ist falsch.

Praktisch heißt das: KI ist ein exzellenter Vorbereiter und ein schlechter Letztentscheider. Wer sie so einsetzt, bekommt schnell Wirkung. Wer sie als Entscheider einsetzt, bekommt ein Problem, das erst auffällt, wenn es teuer geworden ist.

Was kann KI heute schon: sechs Fähigkeiten, die im Alltag tragen

KIMit KI erzeugtes Bild

Sprache verarbeiten und erzeugen. Texte entwerfen, kürzen, umschreiben, übersetzen, in einen festen Ton bringen. Das ist die Kernfähigkeit, aus der fast alle anderen folgen. Wie gut das Ergebnis wird, hängt weniger am Modell als an der Anweisung - dazu der Leitfaden zum KI-Prompt.

Unstrukturiertes in Struktur überführen. Aus einer E-Mail, einem Beleg, einem Protokoll oder einem 40-seitigen Vertrag die relevanten Felder ziehen und als Daten ausgeben. Diese unspektakuläre Fähigkeit ist im Mittelstand der größte Hebel, weil dort die meiste Arbeit genau daraus besteht.

Einordnen und weiterleiten. Anfragen nach Thema, Dringlichkeit und Zuständigkeit sortieren, Tickets vorqualifizieren, Dubletten erkennen. Hier ist KI schneller und gleichmäßiger als ein Mensch am Freitagnachmittag.

Gespräche führen. Ein KI-Chatbot auf der Website oder ein KI-Telefonassistent, der Anrufe annimmt, qualifiziert und Termine setzt, ist heute Standardtechnik statt Pilotprojekt. Wie weit das trägt und wo es kippt, entscheidet nicht die Technik, sondern die Frage, was der Assistent im Zweifelsfall tun soll.

Medien erstellen. Bilder, Videos, Präsentationen, Sprachaufnahmen. Was dabei entsteht, ist produktionsreif, verlangt aber eine Kennzeichnung, sobald es öffentlich wird.

Eigenständig handeln, in engen Grenzen. Ein KI-Agent kann einen Ablauf selbst starten, Werkzeuge benutzen und ein Ergebnis in ein System zurückschreiben. Das ist die jüngste dieser Fähigkeiten und die mit dem größten Abstand zwischen Demo und Alltag.

Diese sechs Fähigkeiten sind keine Zukunftsmusik. Laut der repräsentativen Bitkom-Erhebung zur Digitalisierung der Wirtschaft nutzen 41 Prozent der Unternehmen ab 20 Beschäftigten KI aktiv, weitere 48 Prozent planen oder diskutieren den Einsatz. Ein Jahr davor waren erst 17 Prozent im Einsatz.

Was kann KI alles machen: Beispiele nach Bereich

Die abstrakte Fähigkeitsliste wird erst brauchbar, wenn man sie auf Abteilungen legt. Die folgende Übersicht zeigt Aufgaben, die heute produktiv laufen - nicht das theoretisch Denkbare.

Ein bereichsübergreifendes Muster zeigt sich in allen Zeilen: KI übernimmt den vorbereitenden Teil vollständig und den entscheidenden Teil nie. Eine tiefere Sammlung nach Branche und Prozess steht unter KI-Use-Cases.

Wichtig ist die Wahl der passenden Stufe. Nicht jede dieser Aufgaben braucht einen autonomen Agenten - viele brauchen nur einen festen Ablauf mit einem KI-Schritt darin. Das ordnet Die vier Stufen der Automatisierung ein, technisch umgesetzt meist auf einer Plattform wie n8n.

Was kann KI nicht: vier harte Grenzen

KIMit KI erzeugtes Bild

Diese vier Grenzen sind keine Kinderkrankheiten, die der nächste Modellsprung behebt. Sie folgen aus der Bauart.

Erstens: KI kann nicht für die Richtigkeit garantieren. Ein Modell erfindet nicht aus Bosheit, sondern weil Raten sich lohnt. OpenAI hat das selbst untersucht und kommt zu dem Ergebnis, dass Training und Bewertung von Sprachmodellen Raten stärker belohnen als das Eingestehen von Unsicherheit. Halluzinationen sind damit ein statistisches Merkmal, kein Defekt. Für den Betrieb heißt das: Jede Ausgabe, die zur Grundlage einer Entscheidung wird, braucht eine Prüfinstanz.

Zweitens: KI bricht bei hoher Komplexität ein - und zwar plötzlich. Eine Arbeitsgruppe von Apple hat Reasoning-Modelle an kontrollierten Aufgaben mit stufenweise steigender Komplexität getestet und einen vollständigen Genauigkeitseinbruch jenseits einer bestimmten Schwelle gefunden - obwohl Rechenbudget übrig war. Die Studie ist fachlich umstritten, das Muster deckt sich aber mit der Praxis: Bei Abläufen mit vielen voneinander abhängigen Schritten sinkt die Trefferquote nicht sanft, sie kippt. Deshalb funktionieren eng geschnittene Aufgaben und deshalb scheitern große.

Drittens: KI kann nichts wissen, was nirgends steht. Das interne Wissen, warum ein bestimmter Kunde eine Sonderkondition hat, existiert bei euch oft nur in einem Kopf. Ein Modell hat dazu keinen Zugang und füllt die Lücke mit Plausibilität. Undokumentiertes Wissen ist die häufigste Ursache dafür, dass eine KI-Antwort perfekt klingt und im Detail falsch ist.

Viertens: KI kann keine Verantwortung tragen. Ein Modell lässt sich nicht haftbar machen, nicht zur Rede stellen und nicht in eine Aufsichtspflicht nehmen. Verantwortung bleibt immer bei einem Menschen oder einem Unternehmen. Das ist keine Übergangsregel, sondern eine Konstruktionsbedingung jedes Einsatzes.

Was kann KI nicht ersetzen: keine Aufgabe, sondern eine Position

Die Frage nach dem Ersetzen wird fast immer als Berufsfrage gestellt und ist damit falsch geschnitten. KI ersetzt keine Berufe, sie ersetzt Arbeitsschritte - und zwar quer durch alle Berufe. Was übrig bleibt, ist keine Restaufgabe, sondern eine Position: die Person, die entscheidet, verantwortet und im Zweifel widerspricht.

Drei Dinge fallen darunter. Erstens die Verantwortung aus dem Absatz oben: Wer freigibt, haftet, und deshalb wird auch weiterhin ein Mensch freigeben. Zweitens das Urteil ohne Vorlage - eine Situation, für die es kein Muster gibt, weil sie neu ist. Genau dort ist ein Modell strukturell schwach, weil es auf Vorhandenes zurückgreift. Drittens das Beziehungsvertrauen: Ein Kunde kauft im Mittelstand nicht die beste Formulierung, sondern die Person, die im Problemfall greifbar bleibt.

Statt des Ersetzens passiert etwas anderes: Die Rolle verschiebt sich von der Ausführung zur Führung. Wer bisher jede Aufgabe selbst Schritt für Schritt erledigt hat, beschreibt künftig das Ziel, lässt arbeiten und beurteilt das Ergebnis. Diese Verschiebung verlangt nicht weniger Fachwissen, sondern mehr - ein Ergebnis kann nur beurteilen, wer die Sache versteht. Warum genau darin der eigentliche Produktivitätshebel liegt, steht in KI-ready, aber nicht produktiv.

Was KI nicht darf: der rechtliche Rahmen

Neben dem Können gibt es das Dürfen, und in der EU ist es eng gezogen. Acht KI-Praktiken sind nach Artikel 5 des EU AI Act vollständig verboten, seit dem 2. Februar 2025 - darunter Social Scoring, das Ausnutzen von Schwächen wie Alter oder sozialer Lage, biometrische Kategorisierung nach sensiblen Merkmalen und Emotionserkennung am Arbeitsplatz. Der letzte Punkt trifft Unternehmen direkter, als er klingt: Eine Software, die aus Stimme oder Gesicht die Stimmung von Beschäftigten ableitet, ist keine Grauzone, sondern verboten.

Dazu kommen zwei Pflichten, die praktisch jeden treffen, der KI einsetzt. Seit dem 2. August 2026 gelten die Transparenzpflichten: Menschen müssen erkennen können, dass sie mit einem KI-System sprechen oder KI-erzeugte Inhalte sehen. Und seit Februar 2025 gilt die KI-Kompetenzpflicht aus Artikel 4 - Details in der KI-Schulungspflicht und der Fristenübersicht im EU AI Act. Wie wir selbst damit umgehen, dokumentieren wir offen unter KI-Transparenz. Das ist keine Rechtsberatung, sondern der Ausgangspunkt für die eigene Prüfung.

Können ist nicht Wirkung: die Lücke, in der KI-Projekte scheitern

Der wichtigste Befund dieses Artikels betrifft nicht die Fähigkeit, sondern die Wirkung. Eine randomisierte Studie von METR hat 16 erfahrene Open-Source-Entwickler mit 246 echten Aufgaben aus ihren eigenen Projekten arbeiten lassen, zufällig mit oder ohne erlaubte KI-Werkzeuge. Das Ergebnis: Mit KI brauchten sie 19 Prozent länger - und schätzten hinterher, 20 Prozent schneller gewesen zu sein. Die Stichprobe ist klein, die Aussage über die Wahrnehmung ist es nicht: KI fühlt sich schneller an, auch wenn sie es nicht ist.

Dazu passt der Blick auf ganze Unternehmen. Laut einer MIT-Untersuchung liefern 95 Prozent der generativen KI-Piloten keinen messbaren Geschäftsnutzen - bei einer Technik, die unbestreitbar funktioniert. Und bei Agenten-Projekten rechnet Gartner damit, dass über 40 Prozent bis Ende 2027 abgebrochen werden, wegen Kosten, unklarem Nutzen und fehlenden Kontrollen.

Der Schluss daraus ist nicht "KI kann weniger als behauptet". Er ist präziser: KI kann viel, aber Können übersetzt sich nicht von selbst in Wirkung. Zwischen beidem liegt Prozessarbeit - Aufgabe schneiden, Daten ordnen, Grenzen setzen, Ergebnis prüfen. Genau diese Arbeit lässt sich nicht kaufen und nicht automatisieren.

Häufige Fehler bei der Einschätzung, was KI kann

KIMit KI erzeugtes Bild

Fehler 1: die Fähigkeit mit dem Ergebnis verwechseln. "Das Modell kann Texte schreiben" heißt nicht, dass eure Texte damit besser werden. Der Sprung von der Fähigkeit zur Wirkung ist genau die Prozessarbeit aus dem Abschnitt oben - er passiert nicht durch Zugangsfreischaltung.

Fehler 2: die maximale statt der passenden Stufe wählen. Ein Beispiel aus unserer eigenen Arbeit: Bei der Datenbereinigung für misterwater haben wir die Produktivität eines Datenpflege-Prozesses um das 22,5-Fache gesteigert - 720 veranschlagte Stunden auf 32 reduziert, über 61.000 Datensätze bereinigt und mehr als 6.000 verschüttete Kontaktdaten allein aus den vorhandenen Belegen rekonstruiert. Der Reflex wäre ein vollautonomer Agent gewesen. Richtig war ein klar geführter KI-gestützter Prozess auf einer niedrigeren Stufe, gesteuert von den eigenen Fachkräften. Die höhere Stufe wäre teurer, langsamer und fragiler gewesen, ohne ein besseres Ergebnis.

Fehler 3: keine Bremse vor Außenwirkung. In unserem Betrieb läuft ein KI-Agent, der die Artikel für dieses Blog baut: Thema aus einer geordneten Liste, Recherche, Quellenprüfung, Entwurf, Vorlage zur Freigabe. Veröffentlichen darf er bis heute nichts allein. Das kostet Minuten pro Artikel und hat mehrfach verhindert, dass eine unbelegte Zahl live geht. Wo eine KI nach außen wirkt, ist der Prüfschritt keine Bremse, sondern die Bedingung für den Betrieb.

Fehler 4: die Datenbasis überspringen. KI auf chaotischen Daten verstärkt das Chaos, nur schneller. Bei misterwater lagen Telefonnummern und Adressen zwar irgendwo in der Tiefe der Bestände, aber nicht am Kontakt - erst die Bereinigung machte alles Weitere möglich. Über 600 umgesetzte Projekte seit 2012 haben uns gelehrt: Die Datenbasis ist fast immer der erste echte Hebel, nicht der letzte.

Fehler 5: alles gleichzeitig wollen. Weil mit KI plötzlich alles möglich scheint, kauft man überall ein bisschen ein, statt sich für den einen Prozess zu entscheiden, der wirklich zählt. Das Muster und der Ausweg stehen in KI-Overload.

Fehler 6: Menge mit Sichtbarkeit verwechseln. Wer KI auf öffentliche Inhalte ansetzt, produziert leicht das Zehnfache - und gewinnt nichts. Generative Antwortsysteme bewerten die Verlässlichkeit einer Quelle, bevor sie sie verwenden; Google hat dieses Prinzip als Trustworthiness-Score patentiert. Unbelegte Masse erzeugt keine Sichtbarkeit, sondern Wartungsaufwand.

Wann sich der Einstieg lohnt

Für Selbstständige und kleine Teams lohnt sich der Einstieg fast immer, und zwar an der kleinsten Stelle: die drei Texte, die ständig anfallen, die Anfragen, die abends liegen bleiben, die Belege, die niemand gern erfasst. Der Nutzen ist hier keine Einsparung, sondern das Ende des Liegenbleibens. Ein Vormittag Aufwand reicht oft, ein passendes Werkzeug findet sich in der Übersicht der KI-Tools für Unternehmen.

Für den klassischen Mittelstand mit 20 bis 250 Beschäftigten liegt der Hebel nicht im sichtbaren Bereich. Die MIT-Untersuchung fand den größten ROI nicht im Vertrieb, sondern im Back-Office - genau dort, wo im Mittelstand die datenintensiven Abläufe liegen, über die niemand einen Vortrag hält. Wer hier startet, gewinnt zweimal: an Zeit und an einer Datenbasis, die jede weitere Automatisierung erst möglich macht. Der Weg dorthin steht in Prozessautomatisierung mit KI.

Für größere Organisationen ab etwa 250 Beschäftigten ist die Fähigkeitsfrage längst geklärt, die Betriebsfrage nicht. Hier entscheidet, ob Zuständigkeit, Rechte, Prüfschritte und Dokumentation geregelt sind, bevor der zehnte Anwendungsfall entsteht. Ohne diese Ordnung entstehen Insellösungen, die einzeln funktionieren und gemeinsam nicht steuerbar sind - der Hauptgrund für die Gartner-Abbruchquote.

Nicht lohnt sich der Einstieg an genau einer Stelle: bei einem Prozess, der heute schon kaputt ist. Wenn Anfragen liegen bleiben, weil niemand zuständig ist, löst KI das nicht - sie produziert schneller unbearbeitete Vorgänge.

So entscheidest du, wo KI bei dir wirklich hilft

Die Entscheidung braucht keine Strategie-Klausur, sondern vier Fragen zu einer konkreten Aufgabe. Erstens: Fällt sie häufig an? Zweitens: Kannst du sie in zwei Sätzen so beschreiben, dass eine neue Kollegin sie erledigen könnte? Drittens: Sind die Informationen, die sie braucht, irgendwo verlässlich dokumentiert? Viertens: Gibt es einen Menschen, der das Ergebnis prüft, bevor es nach außen wirkt? Vier Mal Ja heißt: Diese Aufgabe fällt in die Stärke von KI. Ein Nein zeigt genau, was vorher zu tun ist.

Der pragmatische Weg von dort ist immer derselbe. Nimm eine Aufgabe, nicht einen Bereich. Wähl die niedrigste Automatisierungsstufe, die reicht, statt die höchste, die möglich ist. Teste mit zwanzig echten Vorgängen aus den letzten Wochen, inklusive der unangenehmen. Und benenne eine Person, die das Ergebnis pflegt - ohne Zuständigkeit verwahrlost jede Automatisierung innerhalb von Monaten. Wenn du den ersten eigenständigen Ablauf bauen willst, führt dich die Anleitung zum KI-Agenten erstellen durch die Schritte; die Begleitung dieses Wegs von der Prozessaufnahme bis zum Betrieb ist unsere Arbeit als KI-Agentur, die Befähigung des Teams dazu Teil der KI-Schulung.

Am Ende ist die Frage "Was kann KI?" weniger nützlich als ihre kleine Schwester: Welche meiner Aufgaben fällt in ihre Stärke - und welche gehört zu den vier Grenzen, die bleiben? Wer diese Sortierung einmal ehrlich macht, gehört zu den fünf Prozent, bei denen KI messbar etwas verändert. Nicht weil das Werkzeug besser wäre, sondern weil die Aufgabe passt.