Die Unsicherheit rund um KI bleibt gross: Was passiert mit unseren Daten? Welche Informationen sieht die KI? Welches Modell ist das richtige? Brauchen wir jetzt überall Agenten? Lohnt sich das alles? Und wie bringen wir den Mitarbeitenden den richtigen Umgang mit neuen Technologien bei?

Verantwortungsvoller KI-Einsatz hat mindestens drei Dimensionen. Erstens muss KI wirtschaftlich verantwortungsvoll eingesetzt werden: Unternehmen investieren Zeit, Lizenzen, Daten und Aufmerksamkeit. Diese Investition muss in produktive Arbeit übersetzt werden, nicht nur in punktuelle Experimente. Zweitens muss KI für eine breite Gruppe von Mitarbeitenden nutzbar werden – nicht nur für eine kleine, technisch affine Elite. Drittens braucht KI klare Leitplanken: validierte Anwendungsfälle, passende Datenräume, Security, Privacy und nachvollziehbare Ergebnisse.

Genau hier beginnt die eigentliche Arbeit. Denn KI entfaltet ihren Wert nicht dadurch, dass ein weiteres Tool bereitgestellt wird. Sie entfaltet ihn, wenn sie in die Art eingebettet wird, wie eine Organisation arbeitet, entscheidet, Wissen aufbaut und Verantwortung verteilt. Die entscheidende Frage lautet deshalb nicht mehr nur: Welches Modell ist das beste? Sondern: Welche organisatorischen Voraussetzungen schaffen wir, damit KI vertrauenswürdig, nachvollziehbar und wertschöpfend eingesetzt werden kann?

Ohne Kontext kein belastbares Wissen

Viele KI-Initiativen scheitern nicht an der Leistungsfähigkeit der Technologie, sondern am fehlenden Kontext. Informationen liegen verstreut in Chats, Dokumenten, persönlichen Notizen oder Meeting-Protokollen. Entscheidungen werden zwar getroffen, aber nicht sauber dokumentiert. Aufgaben entstehen in Gesprächen, werden aber nicht konsequent nachverfolgt. In einer solchen Umgebung kann KI zwar Antworten liefern, daraus entsteht aber noch kein belastbares Organisationswissen.

Responsible AI bedeutet deshalb auch, die Grundlagen der Zusammenarbeit zu klären: Wo entstehen relevante Informationen? Wer trägt Verantwortung? Wie werden Entscheidungen nachvollziehbar? Und wie stellen wir sicher, dass KI nicht beliebig auf alles zugreift, sondern dort unterstützt, wo ein konkreter geschäftlicher Nutzen entsteht?

Meetings als Prüfstein für verantwortungsvolle KI

Ein gutes Beispiel dafür sind Meetings. Sie sind in vielen Unternehmen der Ort, an dem Wissen entsteht, Prioritäten gesetzt und Entscheidungen getroffen werden. Gleichzeitig gehören sie zu den am wenigsten strukturierten Arbeitsformen. Nach dem Meeting bleibt oft unklar, was beschlossen wurde, wer welche Aufgabe übernimmt und wo die Ergebnisse später wiederzufinden sind. KI kann hier unterstützen – aber nur, wenn sie nicht einfach eine Zusammenfassung erzeugt, die danach irgendwo verschwindet. Der Mehrwert entsteht also erst, wenn Meeting-Ergebnisse in den Arbeitskontext zurückgeführt werden: als dokumentierte Entscheidungen, klar zugeordnete Aufgaben und wiederverwendbares Wissen.

Geführte Use Cases statt beliebiger Chatbots

Aus dieser Perspektive wird KI nicht als isolierter Chatbot verstanden, der alles kann und alles darf. Verantwortungsbewusster ist ein Ansatz, der konkrete Use Cases bereitstellt: geprüft, eingebettet in die bestehende Systemlandschaft und auf Datenschutz, Sicherheit sowie organisatorische Relevanz abgestimmt. Mitarbeitende müssen dann nicht zuerst KI-Expertinnen oder Prompt Engineers werden. Sie erhalten Unterstützung dort, wo sie arbeiten – mit Funktionen, die auf definierte Aufgaben, Rollen und Prozesse ausgerichtet sind.

Responsible AI heisst damit nicht, KI zu bremsen, sondern sie so zugänglich zu machen, dass sie im Alltag tatsächlich genutzt werden kann. Responsible AI ist eine Managementaufgabe: Es geht darum, KI so einzusetzen, dass sie wirtschaftlich sinnvoll ist, Menschen befähigt und kontrolliert in die Organisation eingebettet ist. 

"Governance muss Orientierung geben, nicht blockieren"

Wie viel Governance braucht KI, damit Unternehmen sie sicher und sinnvoll einsetzen können? Reto Meneghini, CEO von MondayCoffee, sagt, warum Datenstruktur, klare Leitplanken und schnelles Prototyping entscheidend sind. Und weshalb Führungskräfte zuerst ein gemeinsames KI-Verständnis brauchen. Interview: Joël Orizet

Was müssen Unternehmen organisatorisch klären, bevor sie KI breit einsetzen?

Reto Meneghini: Zuerst muss das Topmanagement ­– in Deutschland gehört dazu oft auch die Einbindung des Betriebsrats – verstehen, was KI für die Organisation leisten kann. Es muss befähigt werden, KI und ihre verschiedenen Dimensionen konzeptionell einzuordnen. Denn die KI wird unsere Arbeitsweise umfassend durchdringen. In den letzten zehn Jahren haben wir immer wieder wichtige technologische Fortschritte erlebt, die bestehende Arbeitsprozesse unterstützt oder beschleunigt haben. KI greift tiefer: Sie wird unsere Arbeit strukturell verändern.

Woran erkennt man, ob ein KI-Anwendungsfall tatsächlich wirtschaftlichen Nutzen bringt?

Ein KI-Anwendungsfall bringt dann Nutzen, wenn er ein konkretes Geschäftsproblem adressiert – etwa wenn er Zeit erspart, die Qualität erhöht oder Prozesse vereinfacht. Das lässt sich in vielen Fällen nicht rein theoretisch lösen. Man muss schnell ausprobieren, ins Prototyping gehen und über Trial and Error verstehen, wo tatsächlich Wert entsteht. Wichtig ist dabei, den ganzen Prozess anzuschauen, nicht nur einen einzelnen Schritt. Gleichzeitig hat KI hier einen Vorteil: Einzelne Automatisierungsschritte lassen sich heute viel schneller testen, ohne gleich die komplette Lösung bauen zu müssen. Entscheidend ist aber auch das Betriebsmodell. Nur weil ein Use Case einmal funktioniert, heisst das nicht, dass er in sechs Monaten noch trägt. KI verändert sich schnell – und Use Cases müssen entsprechend betrieben, überprüft und weiterentwickelt werden.

Wie lässt sich KI breit zugänglich machen, ohne dass man bei Datenschutz und Sicherheit Abstriche machen muss?

Der einfachste Weg ist, KI innerhalb des Ökosystems zu nutzen, das im Unternehmen bereits etabliert ist – etwa innerhalb von Microsoft, SAP oder einer anderen bestehenden Plattform. Dort sind Datenschutz, Sicherheit, Berechtigungen und Compliance idealerweise bereits geprüft und geregelt. Man startet also nicht bei null. Wichtiger als die Nutzung des neuesten Modells ist das Umfeld, in das KI eingebettet wird. Nach dem Enablement der Führungskräfte sollte sich das Unternehmen deshalb auf die Datenstruktur konzentrieren: Oversharing, fehlende Berechtigungen, veraltete Inhalte und unsaubere Ablagen. Genau diese Themen löst KI nicht automatisch. Sie müssen vorher oder spätestens mit dem KI-Einsatz sauber adressiert werden.

Wie viel Kontext braucht KI – und wo sollte der Zugriff auf Unternehmensdaten enden?

KI braucht relevanten, aktuellen und erlaubten Kontext – nicht einfach möglichst viele Daten. Entscheidend ist eine sinnvolle Datenklassifizierung: Davon hängt wesentlich ab, ob KI verlässliche Ergebnisse liefern kann. Gleichzeitig muss klar sein, welche Daten bewusst ausgeschlossen werden, weil sie nicht von KI-Modellen verarbeitet werden sollen. Hier unterscheidet sich die Diskussion stark, je nachdem, ob öffentliche Modelle genutzt werden oder unternehmensinterne KI-Umgebungen. Auch zu viel Kontext ist nicht automatisch besser: Er kann Ergebnisse verwässern und Kosten erhöhen, weil unnötig viele Tokens verarbeitet werden. Responsible AI beginnt deshalb bei sauber klassifizierten, strukturierten und berechtigten Datenräumen.

Wie viel Governance braucht es von Anfang an, ohne den KI-Einsatz unnötig auszubremsen?

So viel wie nötig, so wenig wie möglich. Eine Bank oder ein Unternehmen im Gesundheitsumfeld braucht andere Leitplanken als ein weniger reguliertes Unternehmen. Aber das Grundprinzip ist gleich: Governance muss Orientierung geben, nicht blockieren. Praxisnahe Regeln, klare Datenampeln und konkrete Beispiele helfen Mitarbeitenden mehr als lange Dokumente. Gute Governance nimmt Unsicherheit und macht KI sicher nutzbar.