Die Nutzung künstlicher Intelligenz in Unternehmen hat sich in den vergangenen Jahren deutlich gewandelt. Nach einer Phase unverbindlicher Experimente mit Chatbots und einzelnen Tools rückt zunehmend die Frage in den Mittelpunkt, wie KI in reale Geschäftsprozesse integriert und skalierbar betrieben werden kann. Dabei stehen nach wie vor die meisten Unternehmen vor der Herausforderung, dass der Wandel unstrukturiert abläuft. Mit dem neuen Whitepaper »Künstliche Intelligenz« legt die Digitalagentur dotSource einen Leitfaden vor, der dabei hilft, KI in den geregelten Einsatz zu überführen.
KI-Nutzung wächst schneller als ihre organisatorische Einbettung
Laut Institut für Arbeitsmarkt- und Berufsforschung (IAB) stieg der Anteil deutscher Betriebe, die generative KI einsetzen, von 5 Prozent im Jahr 2023 auf knapp 25 Prozent im Jahr 2025. Häufig basiert dies jedoch auf Einzelinitiativen: Mitarbeitende greifen auf frei verfügbare Tools zurück, Prozesse sind nicht durchgängig dokumentiert, Verantwortlichkeiten für Qualität und Risiko bleiben unscharf und verbindliche Eskalationsregeln fehlen. Diese Ausgangslage wird gemeinhin als »Schatten-KI« beschrieben, die sich mit bloßen Verboten kaum eindämmen lässt.
Der Gegenentwurf setzt auf Struktur: KI-Nutzung soll an eindeutig formulierten Geschäftszielen ausgerichtet werden, mit benannten Prozessverantwortlichen, definierten Datenklassen und einem Governance-Rahmen, der Chancen und Risiken systematisch berücksichtigt. Aus einem allgemeinen »Wir wollen KI einsetzen« wird so ein konkretes Vorhaben, etwa die Bearbeitungszeit qualifizierter Servicefälle, um einen bestimmten Prozentsatz zu senken, ohne die Lösungsqualität zu verschlechtern.
Arbeiten mit KI: Vorbereitung ist Kür
Wenn KI nicht nur einzelne Tätigkeiten unterstützen, sondern zuverlässige Abläufe formen soll, genügt es nicht, ein weiteres Tool einzuführen. Entscheidend ist, welche Aufgaben sich überhaupt eignen: Vorgänge mit häufigen Medienbrüchen oder viel manueller Informationszusammenführung bieten meist den größten Hebel. Hier lassen sich durch KI-Unterstützung Zeit, Fehler, Abstimmungsaufwand und Komplexität reduzieren.
Wer solche Prozesse identifiziert hat, steht vor der nächsten Hürde: der Priorisierung. Nicht jeder denkbare Einsatz lohnt sich sofort, nicht jeder ist technisch schnell umsetzbar. Es braucht eine Abwägung von Wert, Machbarkeit und Risiko, inklusive der Frage, welche Folgen Fehlentscheidungen hätten und wo menschliche Kontrolle unverzichtbar bleibt. Erst danach empfiehlt es sich, die technische Ausprägung zu wählen – spezialisierte Fachanwendung, breit nutzbarer Assistent, durchgängiger Workflow oder Agentenlösung mit höherem Handlungsspielraum.
Pilotprojekte sind dabei kein Selbstzweck. Sie sollen zeigen, ob ein KI-gestützter Prozess unter realen Bedingungen trägt. Dazu gehört, einen handhabbaren Ausschnitt zu wählen und schwierige Sonderfälle zunächst bewusst auszusparen. Ergänzend sollten Erfolgskriterien vorab festgelegt werden, beispielsweise Durchlaufzeiten, Fehlerquoten, Eskalationen sowie Akzeptanz bei den beteiligten Teams. Nur im Vergleich mit der Ausgangslage lässt sich erkennen, ob aus einem Prototyp ein tragfähiges Konstrukt werden kann.
Agentic AI verschiebt die Anforderungen an Prozessdesign und Kontrolle
Parallel zur Verbreitung generativer Modelle entwickelt sich Agentic AI zu einem neuen Baustein der Prozesslandschaft. Agentische Systeme beschränken sich nicht auf das Formulieren von Texten oder Empfehlungen, sondern planen mehrstufige Abläufe, nutzen freigegebene Werkzeuge und führen innerhalb definierter Grenzen Aktionen in Unternehmenssystemen aus. Im Kundenservice können sie zum Beispiel eingehende Anfragen vorsortieren, Regeln recherchieren, Lösungsvorschläge erstellen und Standardfälle eigenständig abschließen. In Produktdatenprozessen hingegen prüfen sie Pflichtattribute, fordern fehlende Informationen an und bereiten kanal- und markengerechte Inhalte vor.
MCP und vernetzte KI-Bausteine werden zum Architekturthema
Technisch ordnet das Whitepaper unter anderem das Model Context Protocol (MCP) ein. Der Standard soll KI-Anwendungen mit Datenquellen und Werkzeugen verbinden und damit wiederverwendbare Schnittstellen schaffen. Hinzu kommen Multi-Agenten-Systeme und Agent-to-Agent-Kommunikation, also Architekturen, in denen spezialisierte Instanzen Recherche, Analyse, Ausführung oder Prüfung arbeitsteilig übernehmen.
Die Einordnung bleibt erfreulich bodennah: MCP wird nicht als Lösung an sich dargestellt, sondern als Integrationsbaustein, der nur zusammen mit Rollen, Rechten, Protokollierung und Freigabeprozessen sinnvoll funktioniert. Genau dieser Punkt ist relevant, weil Unternehmen derzeit Gefahr laufen, neue Schnittstellenmuster schneller einzuführen als die dazugehörige Governance.
Agenten am Werk: Wie KI konkret Vorgänge in Handel, Service und Wissensarbeit prägt
Wie sich diese Entwicklungen konkret niederschlagen, zeigt sich in typischen Szenarien. Im Handel verschiebt sich der Fokus in Richtung Agentic Commerce: KI-Anwendungen unterstützen Einkaufs- und Beschaffungsprozesse, indem sie Produkte vergleichen, Anforderungen auswerten, Warenkörbe strukturieren und Bestellungen anstoßen – vorausgesetzt, Produktdaten und Lagerbestände sind sauber gepflegt. Im Vertrieb können Agenten externe Signale aus Nachrichten oder sozialen Medien mit CRM-Informationen verknüpfen und darauf basierend fundierte Handlungsempfehlungen geben. Im Service übernehmen KI-gestützte Abläufe die Vorsortierung eingehender Fälle und reichern sie mit Regeln und Historien an, sodass Folgeschritte besser vorbereitet sind. In der Wissensarbeit helfen Enterprise-Assistenten dabei, verstreutes Wissen aus Richtlinien und Erfahrungsberichten für konkrete Anfragen nutzbar zu machen.
Prognosen zufolge könnte generative KI in Deutschland bis 2034 zusätzliche Wertschöpfung von bis zu 440 Milliarden Euro freisetzen.
Die skizzierten Szenarien unterstreichen, wie eng operative Vorgänge und strategische Fragen beim KI-Einsatz miteinander verwoben sind. Wer Agenten in Handel, Service oder Wissensarbeit einbindet, definiert außerdem, wie weit Systeme eigenständig agieren dürfen und an welchen Stellen Entscheidungen beim Menschen bleiben.
EU AI Act macht KI zur Governance-Frage
Parallel zur technischen Entwicklung verdichten sich gesetzliche Anforderungen. Der EU AI Act unterscheidet Pflichten je nach Einsatzzweck und Risikoklasse; zahlreiche Bestimmungen treten bis 2028 in Kraft und prägen anschließend dauerhaft den regulatorischen Rahmen für KI. Unternehmen müssen künftig belegen können, welche Systeme sie einsetzen, wofür diese genutzt werden und welche Anwendungen als besonders risikobehaftet gelten.
Ohne grundlegende Ordnung wird das schwierig. Ein KI-Inventar, in dem Tools, Anbieter, Datenquellen und verantwortliche Rollen erfasst sind, wird zur Voraussetzung. Hinzu kommen risikobasierte Einstufungen pro Anwendung, passende Schulungen für die beteiligten Mitarbeitenden und Transparenz darüber, wo KI eingebunden ist und wie Ergebnisse geprüft werden. Themen wie Responsible AI, Explainable AI und Content-Provenance rücken damit aus der Forschung in den Unternehmensalltag – und nachvollziehbare Entscheidungswege sowie die Kennzeichnung KI-generierter Inhalte werden zu betriebswirtschaftlich relevanten Fragen.
