KI-Readiness: Was mir 15+ Projekte beigebracht haben, bevor ich Code schreibe

TL;DR

• In den letzten zwölf Monaten habe ich über 15 Firmen bei der KI-Einführung begleitet, von der Agentur bis zum Milliardenkonzern. Fast überall dasselbe Muster.
• Nicht das Modell entscheidet, ob KI etwas verändert, sondern drei Dinge davor: Daten, Tools, Mindset.
• Ich dachte lange, das wäre nur mein Bauchgefühl. Der aktuelle MIT-Report sagt: 95 % der GenAI-Pilotprojekte zeigen keinen messbaren Effekt. Ich war mit meiner Beobachtung offenbar nicht allein.

Zwei Wochen, ein Muster

Vor Kurzem bekam ich innerhalb von zwei Wochen eine Anfrage nach der anderen. Eine Agentur, ein Private-Equity-Portfolio, ein Milliardenkonzern, alle wollten dasselbe: jetzt richtig mit KI loslegen. Und ich habe mich dabei ertappt, immer wieder dieselbe stille Frage zu stellen: Seid ihr eigentlich schon so weit?

Denn eins ist mir nach über einem Dutzend Projekten klar geworden: Jedem im Team eine Claude- oder ChatGPT-Lizenz zu kaufen, reicht einfach nicht. Das ist der Startpunkt, nicht das Ergebnis.

Was ich in den letzten 12 Monaten wirklich gesehen habe

Ich berate und baue seit über einem Jahr KI-Lösungen für Firmen unterschiedlichster Größe, von der kleinen Agentur bis zum Konzern mit tausenden Mitarbeitenden. Dabei habe ich Mitarbeitende geschult, Automationen gebaut und KI-Agenten entwickelt. Wenn ich das auf einen Nenner bringen müsste: Die Firmen, bei denen danach wirklich etwas anders lief, unterschieden sich nicht durch das genutzte Modell oder das Budget. Sie unterschieden sich in drei Punkten, die schon vor dem ersten Prompt entschieden waren.

Ich nenne sie inzwischen einfach die drei Säulen: Daten, Tools, People & Mindset.

Säule 1: Daten — die Lektion, die mich am meisten überrascht hat

Ich dachte am Anfang, das größte Learning wäre technischer Natur, ein cleverer Prompt, eine bessere Architektur. Tatsächlich war es viel banaler: Fast jede Firma, mit der ich gearbeitet habe, hatte ihre wertvollsten Daten gar nicht erst erfasst.

Allgemeinwissen aus dem Internet reicht für Recherche. Aber sobald KI wirklich in deinen Prozessen arbeiten soll, braucht sie deine Daten, und die sind bei den meisten Firmen überall verstreut: in Köpfen, in E-Mails, in Systemen, die nicht miteinander reden.

Das konkreteste Beispiel, das mir seitdem in fast jedem Kick-off begegnet: Transkripte. Tools wie Granola, Fireflies oder Fathom kosten inzwischen fast nichts, sind datenschutzkonform einzurichten und zeichnen Gespräche automatisch mit. Trotzdem nutzt sie kaum eine der Firmen, mit denen ich anfange zu arbeiten. Dabei ist genau das, was in Kundencalls und internen Meetings gesagt wird, für jede Firma bares Geld wert, sobald es strukturiert vorliegt.

Säule 2: Tools — der zweite Punkt, den ich unterschätzt hatte

Wer schon auf Microsoft 365 oder Google Workspace setzt, hat gute Voraussetzungen, Graph API und native Konnektoren machen vieles zugänglich. Notion ist für mich inzwischen fast der Goldstandard als KI-Wissensbasis: klare Struktur, Markdown-Format, guter Support für das Model Context Protocol (MCP), den offenen Standard, den Anthropic Ende 2024 eingeführt hat und der seitdem in über 10.000 öffentlichen Servern und laut aktuellen Zahlen bei rund 28 % der Fortune-500-Unternehmen produktiv im Einsatz ist.

Was dagegen zuverlässig schlecht funktioniert, sehe ich fast wöchentlich: Dokumente als Word-Dateien auf einem verteilten SharePoint abzulegen. Theoretisch zugreifbar, praktisch für KI-Systeme token-ineffizient, langsam und fehleranfällig. Wenn ich mit einer neuen Firma starte, ist eine meiner ersten Fragen inzwischen nicht “Welches Modell wollt ihr nutzen?”, sondern “Wo liegt eigentlich euer Wissen, und wie kommt eine KI da ran?”.

Säule 3: People & Mindset — das eigentlich Schwierigste

Das ist ehrlich gesagt der Teil, an dem ich selbst am meisten lerne, jedes Mal aufs Neue. Es geht nicht um Tooling, sondern darum, aufzuhören, Dinge auf Autopilot zu tun. Nicht reflexartig Excel zu öffnen, sondern sich zu fragen: Kann ein Agent das übernehmen, wenn ich ihm das richtige Ergebnis vorgebe?

Das erfordert ein anderes Mindset gegenüber Arbeit, neue Prozesse, teilweise auch andere Tools. Und es lässt sich nicht einfach anordnen. Bei den Projekten, die am Ende wirklich etwas verändert haben, gab es fast immer mindestens eine Person im Team, die dieses Umdenken aktiv vorangetrieben hat, nicht als Nebenjob, sondern als klar zugeordnete Verantwortung.

Ich dachte, das wäre nur meine Wahrnehmung

Ehrlich gesagt hatte ich lange den Verdacht, dass ich mit dieser Einschätzung zu pessimistisch bin, schließlich sehe ich vor allem die Projekte, bei denen ich selbst gerufen werde, wenn etwas nicht rund läuft. Also habe ich nachgeschaut, was aktuelle, unabhängige Studien dazu sagen.

Der MIT-NANDA-Report “State of AI in Business 2025”, der über 300 öffentlich dokumentierte Initiativen, 52 Organisations-Interviews und 153 Führungskräfte-Befragungen ausgewertet hat, kommt zu einem ziemlich eindeutigen Ergebnis: 95 % der Generative-AI-Pilotprojekte zeigen keinen messbaren Effekt auf Umsatz oder Kosten. Nicht, weil die Modelle schlecht sind, das Problem liegt fast immer an der fehlenden Einbettung in echte Arbeitsabläufe.

Gartner legt nach: Bis Ende 2026 sollen 60 % der KI-Projekte ohne KI-taugliche Daten wieder eingestellt werden, das deckt sich fast eins zu eins mit meiner Säule 1. Und aus einer Gartner-Befragung von 782 IT-Verantwortlichen im April 2026: 73 % der gescheiterten Projekte hatten nie eine klare Definition davon, was Erfolg überhaupt bedeutet hätte.

Für den DACH-Raum passt das ins Bild. Die DIHK-Digitalisierungsumfrage 2026 mit knapp 5.000 befragten Unternehmen zeigt: Deutsche Firmen bewerten ihren eigenen Digitalisierungsstand im Schnitt nur mit 2,8 von 6 Punkten, und im Mittelstand nutzen erst rund 20 % KI aktiv im Tagesgeschäft, gegenüber 41 % über alle Unternehmensgrößen hinweg. Die Lücke, die ich in Projekten sehe, ist also kein Einzelfall, sie ist die Norm.

Was ich jetzt konkret anders mache

Drei Dinge, die sich seit diesem Jahr bei mir verändert haben, wenn eine neue Anfrage reinkommt:

1. Ich frage nach Daten, bevor ich über Modelle rede. Die erste Frage im Erstgespräch ist fast nie mehr “GPT oder Claude?”, sondern “Wo liegt euer Wissen, und wie strukturiert ist es?”.
2. Ich schlage kleine, ehrliche erste Schritte vor, statt großer Roadmaps. Ein Transkriptions-Tool einzuführen oder Notion als Wissensbasis anzubinden bringt oft mehr als ein sechsmonatiges Strategiepapier.
3. Ich benenne die Mindset-Frage explizit, auch wenn sie unbequem ist. Wenn niemand im Team die Verantwortung für den Wandel trägt, sage ich das offen, lieber vor dem Projektstart als danach.

Häufige Fragen

Heißt das, kleine Firmen ohne große IT-Abteilung haben keine Chance? Im Gegenteil, oft im Gegenteil. Die schnellsten, sauberesten Ergebnisse habe ich bei kleinen Teams gesehen, die schnell entscheiden können und wenig Altlasten mitschleppen. Große Konzerne haben mehr Ressourcen, aber auch mehr verstreute Systeme und langsamere Entscheidungswege.

Muss man erst alle drei Säulen perfekt haben, bevor man mit KI startet? Nein, das wäre der falsche Schluss. Ich rate eher dazu, klein und fokussiert zu starten, aber ehrlich zu benennen, welche Säule gerade die Bremse ist, statt das zu ignorieren und sich zu wundern, warum der große Rollout später scheitert.

Wie hängt das mit deiner Arbeit als Forward Deployed Engineer zusammen? Sehr direkt. Als Forward Deployed Engineer sitze ich im selben Repo, im selben Chat wie das Team, genau deshalb sehe ich diese drei Säulen so unmittelbar, nicht aus einer Folie heraus, sondern beim tatsächlichen Bauen.

Fazit

Ich habe angefangen, KI-Readiness nicht mehr als weiches Konzept zu behandeln, sondern als das, was tatsächlich über Erfolg oder Misserfolg entscheidet, noch bevor die erste Zeile Code geschrieben ist. Die aktuellen Zahlen von MIT und Gartner haben mir am Ende vor allem eins bestätigt: Meine Beobachtung aus über einem Dutzend Projekten war kein Einzelfall.

Wie sieht es bei dir aus: Habt ihr eine solide Datengrundlage, oder wurden vor allem Tools gekauft, in der Hoffnung, dass sie schon irgendwie genutzt werden? Mehr zu meinem Ansatz gibt’s auf der Seite zur KI-Beratung, oder wir sprechen direkt in einem Erstgespräch darüber, wo ihr steht.