In vielen Unternehmen entsteht derzeit ein neues Missverständnis: Weil künstliche Intelligenz schnell analysiert, formuliert und strukturiert, entsteht der Eindruck, sie könne auch Entscheidungen treffen. Doch genau hier liegt die größte Gefahr. KI-Systeme sind in der Lage, riesige Datenmengen auszuwerten, Muster zu erkennen und Vorschläge zu generieren. Sie berechnen Wahrscheinlichkeiten, vergleichen Optionen und formulieren scheinbar überzeugende Empfehlungen. Was sie nicht können, ist Verantwortung übernehmen.

Unternehmen stehen heute unter erheblichem Transformationsdruck. Digitalisierung, Künstliche Intelligenz, veränderte Marktbedingungen und wirtschaftliche Unsicherheiten erfordern eine kontinuierliche Anpassung von Strategien, Prozessen und Strukturen. Transformation wird dabei häufig als größeres organisatorisches Projekt verstanden – wie z.B. die Einführung neuer Informationssysteme, die Reorganisation von Abläufen oder – gegenwärtig aktuell – die Implementierung von KI-Systemen und KI-Agenten. Derartige Vorhaben können jedoch nur dann erfolgreich sein, wenn die angestrebten Veränderungen im Arbeitsalltag der Mitarbeitenden tatsächlich gelebt werden.

Die Anforderungen an Projekte verändern sich grundlegend. Gleichzeitig sind Projekte durch das Zusammenspiel organisatorischer, umfeldbezogener und menschlicher Dynamiken von Natur aus komplex. In Zeiten technologischer Umbrüche, wirtschaftlicher Unsicherheit und zunehmender Transformation reicht es längst nicht mehr aus, Projekte termingerecht und innerhalb des Budgets abzuschließen. Die entscheidende Frage lautet heute: Woran messen Unternehmen Projekterfolg?

Das in einer Organisation vorhandene Wissen muss geteilt werden, damit es seine Wirkung entfalten kann. Das gilt insbesondere für Erfahrungswissen, das in den Köpfen der Mitarbeitenden gespeichert ist und sich einer vollständigen Dokumentation in Datenbanken entzieht. Denn in vielen Unternehmen werden Organisations- und Projektstrukturen zunehmend fluider, verändern sich Teams immer schneller und wechseln Mitarbeitende häufiger ihre Rollen. Hinzu kommt, dass aufgrund des demografischen Wandels immer mehr Know-how-Träger aus den Unternehmen ausscheiden. Deshalb gewinnt neben der Wissensspeicherung auch die Weitergabe und Zirkulation von Wissen zunehmend an Bedeutung.

Was müssen Führungskräfte künftig können? Welche Zukunftskompetenzen sind entscheidend, um den Herausforderungen souverän zu begegnen? Bei der Beantwortung dieser Fragen spielt der Umgang mit Künstlicher Intelligenz eine zentrale Rolle. Ein Aspekt bleibt dabei jedoch häufig außer Acht: Viele Entscheider stehen der KI mit Vorbehalten gegenüber, weil sie einen Verlust an Autorität, Identität und Kompetenz befürchten.

Halluzinationen großer Sprachmodelle wie ChatGPT stellen eine reale Gefahr für die Markenreputation dar – und sie sind oft schwer zu erkennen. Sprachmodelle wurden nicht darauf trainiert, Fakten zu überprüfen, sondern Texte zu erzeugen, die plausibel und überzeugend wirken. Das zeigt auch ein offizieller Evaluierungsbericht von OpenAI: Auf dem hauseigenen Fakten-Benchmark erreichten die getesteten Modelle Halluzinationsraten von rund 51 Prozent. Die Folge sind falsche Behauptungen, erfundene Quellen oder fehlerhafte Zahlen, die sich kaum von korrekten Aussagen unterscheiden lassen. Im Marketingalltag landen solche Inhalte schnell in Blogartikeln, Pressemitteilungen oder Produkttexten – häufig ohne zweite Prüfinstanz. Doch wie lassen sich solche Falschaussagen erkennen? Und welche Maßnahmen sollte Unternehmen zur Qualitätssicherung ergreifen?

Wer abends in einem Kochportal nach einem veganen Rezept sucht und stattdessen ein Gulasch mit Speck angezeigt bekommt, erlebt ein vertrautes Symptom schlecht gepflegter Metadaten: Jemand hat das Schlagwort „vegan“ vergeben, ohne dessen Bedeutung verbindlich festzulegen. Dasselbe Phänomen begegnet Wissensmanagerinnen und Wissensmanagern in nahezu jeder Organisation – ob bei Vertragsentwürfen, Messreihen oder internen Dokumenten. Werden Inhalte lediglich beschriftet, statt inhaltlich eindeutig beschrieben, entstehen Inkonsistenzen, die sich mit wachsendem Datenbestand kaum noch korrigieren lassen.

Die anfängliche Euphorie rund um generative Künstliche Intelligenz weicht in vielen Unternehmen einer strategischen Feinjustierung. Doch während Pilotprojekte boomen, stockt häufig die Skalierung in den produktiven Live-Betrieb. Der Grund dafür ist selten die Technologie selbst – vielmehr fehlt es an der notwendigen „KI Readiness“. Wer KI wertschöpfend einsetzen will, muss Wissensmanagement deshalb neu definieren.

Ob Unternehmen heute tatsächlich einen realen Mehrwert aus dem Einsatz von KI ziehen, hängt davon ab, wie konsequent gewonnene Erkenntnisse in Entscheidungen und Prozesse integriert werden. KI ist am wirkungsvollsten, wenn sie Informationen im Kontext analysiert und nicht isoliert oder in einzelnen Silos. Ziel ist es, diesen Kontext direkt in die Workflows einzubetten, in denen Entscheidungen getroffen und Maßnahmen umgesetzt werden. Deshalb sind qualitativ hochwertige Daten und klar strukturierte Geschäftsprozesse von entscheidender Bedeutung.

KI-Agenten sollen Prozesse koordinieren, Entscheidungen vorbereiten und Routineaufgaben eigenständig erledigen. Eine entscheidende Voraussetzung wird dabei jedoch in vielen Unternehmen unterschätzt: Autonome Systeme können nur mit den Informationen arbeiten, die ihnen tatsächlich zur Verfügung stehen. Eine aktuelle Studie zeigt, wie groß die Lücke zwischen den KI-Ambitionen und der organisatorischen Realität vieler Unternehmen noch immer ist.

Call-Recording ist zwar kein rechtliches Minenfeld, erfordert aber Sorgfalt. Strafrechtlich müssen sich Unternehmen bei Erkennbarkeit der Aufzeichnung keine Sorgen machen. Datenschutzrechtlich ist - zumindest nach Auffassung der Datenschutzbehörden - eine informierte Einwilligung erforderlich. "Die lässt sich niedrigschwellig gestalten", weiß Dr. Carsten Ulbricht, IT-Rechtsanwalt bei Menold Bezler in Stuttgart.

Generative KI sorgt derzeit für einen beispiellosen Schub bei Texten, Konzepten, Programmcode und Strategiepapieren. Der Output wächst rasant – die tatsächliche Wertschöpfung vieler Unternehmen jedoch nicht. Der Grund dafür ist eine folgenschwere Verwechslung: Wer KI einsetzt, glaubt häufig bereits, den eigenen Wandel voranzutreiben. Tatsächlich beginnt Transformation aber erst dort, wo sich Arbeitsweisen, Entscheidungsprozesse und Organisationsstrukturen verändern.

Bei der Enno Roggemann GmbH & Co. KG gehört die Zettelwirtschaft der Vergangenheit an. Innerhalb kürzester Zeit digitalisierte der Holzgroßhändler seine Auftragsabwicklung an allen neun Standorten. Die Einführung der All-in-One-Software für Telematik und digitales Auftragsmanagement erfolgte schrittweise und orientierte sich konsequent an den bestehenden Prozessen. Heute profitieren das rund 100 Lkw starke Unternehmen, seine Fahrer und seine Kunden von effizienteren Abläufen, einer höheren Transparenz und einer durchgängig digitalen Tourenabwicklung.

Künstliche Intelligenz hält Einzug in immer mehr Unternehmen. Texte entstehen in Sekunden, Informationen werden automatisch zusammengefasst und KI-Agenten übernehmen zunehmend Routineaufgaben. Doch je selbstverständlicher der Einsatz neuer Technologien wird, desto deutlicher zeigt sich: KI allein verändert noch keine Organisation. Der smarte Arbeitsplatz entsteht nicht alleine durch neue Tools, sondern insbesondere auch durch neue Formen der Zusammenarbeit, des Wissensaustauschs und der Führung.

Wer mehr arbeitet, leistet mehr. Auf den ersten Blick klingt das plausibel. Auch in der aktuellen Debatte über längere Arbeitszeiten und die Rückkehr ins Büro hält sich diese Annahme hartnäckig: Mehr Präsenz soll automatisch zu mehr Produktivität führen. Doch stimmt das tatsächlich? Produktivität hängt weit weniger von der Zahl der Arbeitsstunden oder der physischen Anwesenheit ab als von den Bedingungen, unter denen Menschen arbeiten. Faktoren wie psychologische Sicherheit, Regenerationsmöglichkeiten, Autonomie oder eine konstruktive Fehlerkultur beeinflussen Leistungsfähigkeit und Innovationskraft häufig deutlich stärker als reine Präsenz.

Viele Kommunen stehen vor der Aufgabe, jahrzehntelang gewachsene Informationsbestände in moderne digitale Prozesse zu überführen. Gleichzeitig sollen Mitarbeitende entlastet und Verwaltungsleistungen schneller erbracht werden. KI-gestützte Technologien können dabei eine Schlüsselrolle spielen. Welche Potenziale sich dadurch erschließen, verdeutlicht ein Digitalisierungsprojekt der Stadt Kerpen.

Produktionsbetriebe gelten als eines der größten und vielversprechendsten Einsatzgebiete für Künstliche Intelligenz. Doch häufig stehen Aufwand und Ertrag, Erwartungen und Ergebnisse von KI-Projekten in einem krassen Missverhältnis. Verantwortlich dafür sind charakteristische Irrtümer und Fehlentscheidungen, die es zu vermeiden gilt.

Unternehmen erzeugen und verarbeiten heute mehr Dokumente als je zuvor. Dazu gehören Rechnungen, Verträge, Lieferscheine und Anträge sowie E-Mails mit Anhängen, Formulare und Belege, die täglich operative Prozesse durchlaufen. Dabei zeigt sich häufig ein zentrales Problem: Viele Dokumente liegen nicht in standardisierter Form vor, sondern in wechselnden Layouts und Formaten, mit unvollständigen Angaben, Tabellen, Freitextfeldern oder handschriftlichen Ergänzungen. Die klassische Automatisierung stößt an dieser Stelle schnell an ihre Grenzen. Intelligent Document Processing aber, kurz IDP, setzt genau hier an.

Generative KI hat den Arbeitsplatz im Sturm erobert. Sie schreibt E-Mails, fasst Meetings zusammen, unterstützt bei Analysen und liefert kreative Impulse - oft schneller, als Unternehmen passende Richtlinien entwickeln können. Während viele Arbeitgeber den Einsatz von KI ausdrücklich begrüßen, wächst gleichzeitig ein Phänomen, das zunehmend zur strategischen Herausforderung wird: die stille, inoffizielle Nutzung von KI-Tools durch Mitarbeitende.

Python gehört seit Jahren zu den bekanntesten Programmiersprachen der IT-Welt - zuletzt insbesondere im Umfeld von KI-Anwendungen und datengetriebenen Systemen. Im Vergleich zu Programmiersprachen wie Java oder C++ gilt Python als vergleichsweise niedrigschwelliger Einstieg ins Coding. Mit Selbstdisziplin und kontinuierlichem Lernen lassen sich auch ohne Informatikstudium erste Anwendungen entwickeln. Dennoch erfordert auch Python mathematisch-logisches Verständnis. Ohne entsprechende Grundlagen stößt man jedoch schnell an Grenzen - auch mit Unterstützung durch KI.

KI verändert als lernendes System Arbeitsprozesse und Aufgaben. Im Unterschied zu vielen bekannten Werkzeugen kann KI kognitive und repetitive Tätigkeiten übernehmen, datenbasiert Entscheidungen vorbereiten und zugleich als Dialogpartner fungieren. Die Grenzen zwischen der Nutzung als Unterstützungstool - wie wir sie von klassischen Werkzeugen oder dem PC kennen - und interaktiver Zusammenarbeit sind dabei fließend. KI unterstützt beispielsweise administrative Prozesse, hilft bei der Vorbereitung von Gesprächen, erschließt Sachverhalte im Dialog oder unterstützt gezielt beim Aufbau neuen Wissens.

Hybrides Arbeiten ist vom Krisenmodus zum Standard geworden. Für viele Wissensarbeitende gehört die durch Homeoffice gewonnene Flexibilität inzwischen zu den beliebtesten Benefits und gilt heute vielerorts als nicht mehr verhandelbar. Gleichzeitig zeigt sich in der Praxis jedoch eine strukturelle Herausforderung: Besonders für junge Talente droht die Freiheit hybrider Arbeit in Isolation umzuschlagen. Arbeit funktioniert, Ergebnisse werden geliefert - doch Austausch, Einbindung und Orientierung im Unternehmen nehmen ab. Das bleibt nicht ohne Folgen. Laut Gallup Engagement Index befindet sich die Mitarbeiterbindung in Deutschland auf einem Tiefpunkt. Für Unternehmen ist das ein deutliches Warnsignal. Vor dem Hintergrund historisch niedriger Bindungswerte stellt sich daher die Frage: Wie verhindern Organisationen, dass hybride Arbeit zur anonymen Durchlaufstation wird - und gestalten stattdessen ein Arbeitsumfeld, das Menschen langfristig motiviert und bindet?

In zahlreichen Digitalisierungsprojekten zeigt sich immer wieder dieselbe Frage: Was bedeutet Digitalisierung in Unternehmen eigentlich konkret? Die Antworten reichen von SAP-Migration über Automatisierung und den Aufbau von Cloud-Plattformen bis hin zu datengetriebenen Geschäftsmodellen und aktuell verstärkt zu Agentic AI. Jede dieser Antworten ist für sich richtig und beschreibt doch nur einen Teil des Gesamtbilds. Was häufig fehlt, ist ein methodisches und strukturiertes Vorgehen, das diese Initiativen zusammenführt, aufeinander abstimmt und strategisch ausrichtet. Genau dies beschreibt das ABC der Digitalisierung: A wie AI, B wie Big Data, C wie Cloud. Es hilft, die einzelnen Schlüsseltechnologien nicht isoliert voneinander zu betrachten, sondern in ihrem Zusammenspiel ganzheitlich zu verstehen und Transformationsprojekte wirksam umzusetzen. Gerade in Zeiten schneller Veränderungen wird ein solches Denken und Handeln in Zusammenhängen wichtiger denn je.

Künstliche Intelligenz gilt als einer der zentralen Treiber für Effizienz und Innovation in Unternehmen. In der Praxis zeichnet sich jedoch häufig ein anderes Bild: Während einzelne, isolierte Anwendungsfälle beeindruckende Ergebnisse liefern, scheitert die breite Skalierung von KI-Initiativen oft. Viele Projekte bleiben hinter den Erwartungen zurück oder werden nach ersten Tests gar nicht erst in den produktiven Betrieb überführt. Die Ursache liegt dabei meist nicht in der Leistungsfähigkeit der Modelle. Studien - unter anderem von McKinsey - zeigen vielmehr, dass Unternehmen den größten wirtschaftlichen Nutzen erst dann erzielen, wenn KI in klar strukturierte Arbeitsprozesse integriert wird. Der entscheidende Hebel liegt somit nicht allein in der Technologie, sondern in ihrer Einbettung in bestehende Abläufe.

KI-Systeme zeigen immer mehr Eigenschaften und Fähigkeiten, die vor nicht allzu langer Zeit noch als ureigen menschlich galten. Sie reagieren scheinbar empathisch, spiegeln Stimmungen und wirken zunehmend wie ein echtes Gegenüber. Gleichzeitig können sie jedoch "halluzinieren" - also überzeugend formulierte, aber falsche Informationen erzeugen. Deshalb sollte man ihren Aussagen und Empfehlungen nicht blind vertrauen.

Seit mehreren Jahren ist von einer "neuen Arbeitswelt" die Rede, in der sich mehrere Generationen gleichzeitig zurechtfinden sollen. Mit Blick auf die deutsche Gesellschaft wird der demografischen Wandel relativ deutlich. Bezogen auf den Arbeitsmarkt bedeutet das, dass Arbeitnehmende immer älter werden, während jüngere Genrationen - wie die Gen Z - schrittweise auf den Markt drängen. Die zentrale Herausforderung entsteht durch anhaltendgeringe Geburtenraten, die Unternehmen künftig dazu zwingen, Arbeitsstellen zu automatisieren und durch Roboter oder KI zu ersetzen. Während in früheren Zeiten noch ca. drei Stunden mehr pro Woche gearbeitet wurde, legen die jüngeren Generationen größeren Wert auf ihre persönliche Lebenszeit. Der Vorwurf älterer Generationen gegenüber der Generation Z lautet häufig, dass viele junge Menschen noch nicht lange im Arbeitsleben stehen und dennoch bereits konkrete Forderungen an zukünftige Arbeitgebende stellen. Der Begriff der Work-Life-Balance spielt hierbei eine zentrale Rolle.

Bis zum Jahr 2036 gehen in Deutschland laut Statistischem Bundesamt fast 19,5 Millionen Menschen der Babyboomer-Generation mit den Geburtsjahren 1957 bis 1968 in den Ruhestand. Jährlich scheiden dabei durchschnittlich rund 1,3 Millionen Erwerbstätige aus dem Arbeitsmarkt aus. Dadurch verschärft sich nicht nur der Fachkräftemangel - in Unternehmen droht zugleich ein erheblicher Verlust an Erfahrungswissen. Wie lassen sich Wissen und Erfahrung dieser Mitarbeitenden sichern? Das deutsche Startup Aiconiq.io ist überzeugt: mit Agentic AI - vorausgesetzt, diese basiert auf einem unternehmensindividuellen Corporate Brain.

Viele Organisationen stehen vor einer strategischen Herausforderung, die häufig unterschätzt wird: Mit dem altersbedingten Ausscheiden erfahrener Mitarbeitender geht nicht nur Arbeitskraft verloren, sondern vor allem organisationsspezifisches Erfahrungswissen. Dieses Wissen ist selten dokumentiert. Es steckt in Routinen, situativen Entscheidungen, impliziten Heuristiken und über Jahre entwickelten Problemlösungsstrategien. Klassische Wissensmanagement-Systeme erfassen vor allem explizite Inhalte. Implizites Erfahrungswissen - also das "Wissen, wie es tatsächlich funktioniert" - bleibt häufig an einzelne Personen gebunden. Hinzu kommt: Wissenssicherung erfolgt oft anlassbezogen statt systematisch. Zeitdruck, fehlende Prozessintegration und mangelnde Akzeptanz verhindern eine Skalierung. Generative KI eröffnet hier neue Möglichkeiten. Large Language Models (LLMs) können dialogisch arbeiten, Rückfragen stellen, Inhalte strukturieren und Aussagen verdichten. Richtig eingesetzt werden sie zu einer strukturierenden Assistenz im Externalisierungsprozess - nicht als Ersatz menschlicher Expertise, sondern als Verstärker reflektierter Wissensarbeit.

Wofür lässt sich Künstliche Intelligenz nutzen? Und wie stark wird sie unser Leben und die Arbeitswelt verändern? Viele Antworten darauf sind bislang noch offen. Entsprechend viele Projekte laufen derzeit in Unternehmen, um die Möglichkeiten und Grenzen von KI auszuloten. Glaubt man den aktuellen Veröffentlichungen zum Thema Künstliche Intelligenz, entsteht schnell der Eindruck, dass sich die Arbeitswelt durch die verstärkte KI-Nutzung fundamental verändern wird - insbesondere dann, wenn sich Künstliche Intelligenz (KI) mit Robotik und Automatisierung (RA) zur sogenannten KIRA verbindet. Damit stellt sich zunehmend die Frage, wie menschlich und empathisch KI künftig werden - oder zumindest wirken - kann. Und welche typisch menschlichen Aufgaben sie dann möglicherweise übernimmt. Wo liegen Chancen, wo die Grenzen?

In vielen Unternehmen wird Künstliche Intelligenz noch immer wie ein besonders leistungsfähiges Software-Upgrade behandelt. Man testet Tools, kauft Lizenzen, verteilt Zugänge und hofft, dass Produktivität und Qualität automatisch steigen. Doch genau hier liegt der Denkfehler: KI ist kein Feature und auch kein magischer Knopf, der Prozesse automatisch optimiert. Wer generative KI erfolgreich einsetzen will, sollte sie anders betrachten: als Mitarbeitenden, als Assistenz oder als Praktikanten mit enormem Potenzial, aber ohne Entscheidungsbefugnisse und ohne Verantwortungsbewusstsein.

Wir alle kennen die typischen Symptome unzureichenden Wissensmanagements in Organisationen: An Prozess- und Teamschnittstellen gehen Informationen verloren, Entscheidungen sind im Nachhinein nicht mehr nachvollziehbar, Schulungen stehen losgelöst vom konkreten Arbeitskontext, neuen Mitarbeitenden fällt die Einarbeitung schwer, Wissen wird eher individuell genutzt als kollektiv geteilt und Fehler zwar bearbeitet, aber selten offen reflektiert. Die Liste ließe sich nahezu beliebig fortsetzen. Wer Wissensmanagement in Organisationen voranbringen will, stößt dabei auf ein Paradox. Es gibt Modelle, Standards, Best Practices, wissenschaftliche Forschungsergebnisse und hervorragende Lehrbücher - und dennoch bleiben Plattformen leer, Lessons Learned versanden und Erfahrungswissen hängt an einzelnen Personen. Wissensmanagement hat kein Erkenntnisproblem. Die Zusammenhänge und Theorien sind in der Fach-Community längst bekannt. Wissensmanagement hat vielmehr ein Vermittlungsproblem. Wir sprechen über Wissensmanagement, erreichen aber ausgerechnet jene Zielgruppe oft nicht, die es im Alltag wirksam machen muss: Führungskräfte.

Wissen verschwindet selten plötzlich. Stattdessen geht es meistens leise verloren, wenn erfahrene Mitarbeitende das Unternehmen verlassen, wenn Teams wechseln, wenn Fluktuation steigt oder sich Aufgaben verschieben. Zurück bleiben oft sauber dokumentierte Prozesse - aber nicht unbedingt das Wissen darüber, warum Workflows und einzelne Arbeitsschritte in der Praxis tatsächlich funktionieren. Genau dieses Erfahrungswissen entscheidet jedoch in vielen Organisationen über Qualität, Problemlösungskompetenz und Handlungsfähigkeit.

In den vergangenen Jahren hat sich Customer Experience stark professionalisiert: Wir haben gelernt, Kundensignale systematisch zu erfassen und diese über Dashboards, automatisierte Reports und NPS‑Tracking im Unternehmen verfügbar zu machen. Diese Grundlagenarbeit war wichtig - und sie war eine echte Stärke moderner CX‑Teams. Noch nie wussten Unternehmen so viel über ihre Kunden wie heute. Und doch bleibt der Impact dieser Erkenntnisse oft überraschend begrenzt. Zwischen Verstehen und Verändern liegt eine Kluft - die sogenannte Experience Gap. Sie bedeutet die Lücke zwischen dem, was Organisationen über ihre Kunden wissen, und dem, was sie konkret daraus machen. Genau hier verlieren seit Jahren viele CX-Initiativen an Schlagkraft. Mit dem Einzug von Künstlicher Intelligenz in alle Ebenen des Daten-Stacks verändert sich diese Ausgangslage nun grundlegend: Zum ersten Mal ist die Experience Gap nicht nur sichtbar, sondern realistisch schließbar.

KI-Agenten, die eigenständig handeln, mehrstufige Workflows automatisieren und als vollwertige Teammitglieder in Microsoft 365 arbeiten: Das ist der Kern der aktuellen Copilot-Neuerungen. Wer jetzt die richtigen Weichen stellt, verschafft sich einen echten Vorsprung.

Eine aktuelle Studie des Branchenverbands Bitkom zeigt, dass viele Nutzer dem Einsatz von KI weiterhin skeptisch gegenüberstehen. Zugleich verbindet sich mit der Technologie das Risiko sogenannter Halluzinationen und fehlerhafter Ergebnisse. Der Ansatz "Human in the Loop" minimiert diese Vorbehalte und Risiken weitgehend durch Kontrolle der Ergebnisse und Training von KI-Modellen.

Digitale Souveränität ist zu einem zentralen Schlagwort der Verwaltungsmodernisierung geworden. Doch was bedeutet sie konkret - und wie lässt sie sich praktisch umsetzen? Johanna Wende, Leiterin des Geschäftsbereichs Government bei IBM Deutschland, erklärt im Interview, warum digitale Souveränität vor allem Wahlfreiheit bei Technologien bedeutet, welche Rolle eine übergreifende Datenstrategie spielt und warum Kompetenzaufbau sowie Wissensmanagement entscheidend sind, damit Verwaltungen langfristig handlungsfähig bleiben.

Automatisierte Produktionsabläufe mit Künstlicher Intelligenz, schnellere Fertigung durch 3D-Druck oder humanoide Roboter, die gefährliche Schweißarbeiten übernehmen - Deutschlands Fabriken werden digitaler. Die deutsche Industrie bewertet den Einsatz digitaler Technologien in der Produktion weit überwiegend positiv: 81 Prozent der deutschen Industrieunternehmen sehen Industrie 4.0 als Chance, nur 16 Prozent sehen darin ein Risiko. Gleichzeitig ist Industrie 4.0 ein Wettbewerbsfaktor. Für fast alle deutschen Industrieunternehmen (94 Prozent) ist Industrie 4.0 sehr wichtig oder gar unverzichtbar, um im internationalen Wettbewerb zu bestehen (unverzichtbar: 30 Prozent; sehr wichtig: 64 Prozent). Nur knapp 4 Prozent halten Industrie 4.0 hingegen für unwichtig. Das sind Ergebnisse einer repräsentativen Befragung im Auftrag des Digitalverbands Bitkom, die anlässlich der Hannover Messe unter 555 Industrieunternehmen des verarbeitenden Gewerbes ab 100 Beschäftigten in Deutschland durchgeführt wurde.

Die Cloud gilt als Kerntechnologie für die Digitalisierung. Doch viele Unternehmen sind sich noch unsicher, wie sie die Transformation angehen sollen. Die Wahl des ersten Hyperscalers will gut überlegt sein, denn sie schafft die technische Grundlage für die künftige Geschäftsentwicklung.

Viele Unternehmen versuchen mit Anreizen wie Prämien und Boni die Motivation ihrer Mitarbeiter zu erhöhen. Doch diese so genannte extrinsische Motivation erweist sich meist als Strohfeuer. Nachhaltiger wirkt ein Steigern der inneren bzw. intrinsischen Motivation.

Die Migration in die Cloud sollte eigentlich eine Einbahnstraße sein. Für die meisten Unternehmen ist sie das offenbar nicht. Eine aktuelle Studie zeigt, dass viele von ihnen der Cloud zwar nicht den Rücken kehren, aber angesichts von höheren Kosten und zunehmenden Anforderungen an die Datensouveränität ihre Workload-Aufteilung neu ausrichten.​

Die digitale Transformation fordert ein völlig verändertes Kompetenzprofil von Mitarbeitenden. KI-Souveränität, Data-Science-Kompetenzen und agile Selbstorganisation werden in einer volatilen Arbeitswelt zu Basisanforderungen. Starre Hierarchien der Vergangenheit werden mit flexiblen Arbeitsformen kontrastiert, die eine Grundlage bieten, wie Unternehmen den Spagat zwischen technologischem Anspruch und der Berücksichtigung menschlicher Bedürfnisse meistern können. Ein Fokus liegt dabei auf der Eigenverantwortung beim Wissenserwerb als Schlüssel zum langfristigen Erfolg in einer vernetzten Welt.

In diesem Jahr erreicht der Hype-Zyklus von KI seinen ersten Tiefpunkt und wir erleben eine Welle von eingestellten Projekten. Viele Unternehmen müssen erkennen, dass sie KI ohne ganzheitliche Strategie eingesetzt haben. Folgerichtig wird es eine deutliche Verlagerung von taktischen Maßnahmen hin zu strategischen Ansätzen geben. In den nächsten Monatn gehören diejenigen zu den Gewinnern, die diszipliniert und methodisch mit KI umgehen. Als wichtigste Faktoren dafür schälen sich erstens eine robuste Strategie und zweitens eine klare Zielvorstellung heraus. Unternehmen, die KI in strukturierte Arbeitsabläufe mit transparenter Governance und klar definierten menschlichen Kontrollpunkten einbetten, werden sich als die Gewinner der Post-Hype-Ära herausstellen - die Zeit der reinen Jubler dagegen ist vorbei. Umso wichtiger wird es sein, die Voraussetzungen dafür zu schaffen, die enormen Möglichkeiten von KI organisatorisch richtig umzusetzen. Agentenbasierte KI ist dabei nur ein Teil des Puzzles. Es geht um weit mehr als nur Automatisierungsoptionen. Wichtig sind Risikokontrolle, Governance und ein klares Verständnis dafür, wo und wie der Mensch sinnvoll eingebunden werden kann.

Viele KI-Projekte scheitern nicht an der Technologie selbst, sondern an fehlender Wertlogik, isolierten Pilotansätzen und mangelnder Integration in reale Prozesse, Entscheidungen und Systemlandschaften. Weil Technologie alleine nicht ausreicht, um Prozesse, Geschäftsmodelle und Entscheidungslogiken nachhaltig zu verändern, gilt es, die fünf entscheidenden Prinzipien einer wirklich erfolgreichen KI-Transformation zu berücksichtigen.

Digitale Transformation ist heute allgegenwärtig. Cloud-Lösungen, künstliche Intelligenz, Automatisierung und neue Kollaborationstools versprechen Tempo, Effizienz und Innovation. In vielen Organisationen bleibt die Wirkung jedoch hinter den Erwartungen zurück. Ein häufiger Grund: Die Technik funktioniert; die Veränderung hingegen nicht. Während Prozesse digital werden, bleiben die Arbeitsweisen gleich. Zusammenarbeit funktioniert nur fragmentiert. Wissen steckt weiterhin in Silos und kreative Potenziale liegen brach. Das Kernproblem liegt selten in der Technologie. Es liegt im Verständnis von Transformation. Denn digitale Transformation wirkt erst dann, wenn sie neue Formen der Zusammenarbeit ermöglicht. Sie entfaltet ihre Kraft, wenn Menschen vernetzt denken, gemeinsam gestalten und Wissen teilen. Erst dann wird Veränderung zur Bewegung. Und erst dann kann Transformation zu einer echten Erfolgsbewegung werden.

Der Einsatz KI-gestützter Chatbots nimmt in Organisationen kontinuierlich zu. Trotz technologischer Fortschritte bleibt die tatsächliche Nutzung jedoch häufig hinter den Erwartungen zurück. Ein wesentlicher Grund dafür liegt in fehlendem Vertrauen in die Verlässlichkeit der Systeme und enttäuschten Nutzungserwartungen. Entscheidend für ihre Akzeptanz sind daher neben wahrgenommener Nützlichkeit und Benutzerfreundlichkeit insbesondere transparente Systemgrenzen, eine verlässliche Wissensbasis sowie geeignete Mechanismen zur Vermeidung von Fehlinformationen. Diese Erkenntnisse ergeben sich aus der Entwicklung des Studienberatungs-Chatbots "Helia" an der Hochschule Burgenland. Das Projekt zeigt, welche technischen und organisatorischen Maßnahmen dazu beitragen können, Vertrauen in KI-gestützte Chatbots aufzubauen und ihre nachhaltige Nutzung zu fördern.

In vielen Industrieunternehmen verzögern sich Abläufe immer noch durch manuelle Routinetätigkeiten. Das Prüfen von Kundenaufträgen, das Überwachen von Lagerbeständen oder die Materialbeschaffung binden Mitarbeitende und ziehen Prozesse in die Länge. Dabei könnten all diese Aufgaben längst sicher und zuverlässig automatisiert erledigt werden. Doch wie kann der "Kollege KI" den Alltag erleichtern und für mehr Effizienz sorgen?

In Organisationen entscheidet sich Wirklichkeit selten allein über Fakten. Häufig setzen sich zunächst jene Deutungen durch, die emotional anschlussfähig, einfach kommunizierbar und sozial wiederholbar sind. Leistungen werden umgedeutet, Verantwortlichkeiten verschoben, komplexe Sachverhalte auf eingängige Narrative reduziert. Die Folgen sind Verunsicherung, Handlungsdruck und strukturelle Spannungen. Narrative Konflikte lösen sich selten kurzfristig. Organisationale Systeme reagieren träge, während Deutungsmuster sich über Jahre stabilisieren oder verändern. Dieser Beitrag geht davon aus, dass solche Prozesse nicht linear verlaufen, sondern in typischen systemischen Zeiträumen. Wirksame Intervention erfordert daher Phasensensibilität und die Ausrichtung an drei Wirkhebeln: Dokumentation (zeitliche Kohärenz), Träger (psychische Stabilität und Integrität) sowie Zeit (systemische Ermüdung). Ziel ist nicht der Sieg über Narrative, sondern die langfristige Wiederherstellung von Kohärenz, Handlungsfähigkeit und organisationaler Integrität.

Explizites Wissen darüber, weshalb Fehler passieren, wie man sie gut aus der Welt schafft und was man fundiert daraus lernt, ist fundamental. Denn wenn das Umfeld komplex und die Zukunft unvorhersehbar ist, werden Fehlversuche zur Normalität. Um sich eine fehlertolerante Lernkultur zu erschließen, sind Storylistening, Storytelling und eine Erzählwerkstatt erste Wahl

Eine neue globale Befragung von 3.700 Business- und IT-Entscheidern, davon 200 in Deutschland, ergab, dass 70 Prozent der Entscheider in Deutschland (67 Prozent weltweit) bereits unter Druck standen, KI-Projekte trotz Sicherheitsbedenken zu genehmigen. 17 Prozent von ihnen (14 Prozent global) bezeichneten diese Bedenken sogar als "extrem", wurden aber dennoch übergangen, um mit Wettbewerbern und internen Anforderungen Schritt zu halten. Das ist eines der zentralen Forschungsergebnisse von TrendAI™, einem Geschäftsbereich des KI-Sicherheitsexperten Trend Micro.

Ich kann mich noch gut erinnern - ein Teilnehmer in meinem Digital Business Modeling-Kurs hatte mich dreimal darauf aufmerksam gemacht: "Joachim, du zeigst immer wieder Sweetspots auf, allerdings fehlt mir die Tiefe." Der Wissensdurst des Teilnehmers war erstaunlich, und ich hatte Schwierigkeiten, zu identifizieren, welches Wissen der Teilnehmende genau braucht. Ehrlicherweise hatte ich den Begriff "Sweetspot" zum ersten Mal gehört und wusste nur ansatzweise, was er damit meint. In meiner Reflexion fand ich dann doch ziemliches Interesse daran, mich näher damit zu beschäftigen und habe daraus ein kleines Modell entwickelt.

Wissensmanagement ist ein strategisches Thema in Organisationen. Und eines, das in der Praxis oft hinter den Erwartungen zurückbleibt. Wikis werden angelegt und nicht gepflegt. Schulungen vermitteln Wissen, das im Arbeitsalltag nicht umgesetzt wird. Wertvolles Erfahrungswissen bleibt in Abteilungen oder bei einzelnen Personen. Unsichtbar für den Rest der Organisation. Interne Communities of Practice sind ein Ansatz, der dieses Problem strukturell adressiert. Ein kontinuierliches Ökosystem: Mitarbeitende, die sich rund um ein gemeinsames Thema oder eine gemeinsame Praxis vernetzen, Wissen teilen und voneinander lernen, über Abteilungs-, Standort- und Hierarchiegrenzen hinweg.

Das Christliche Jugenddorfwerk Deutschland - einer der größten Sozialverbände - zeigt, wie ein modernes Social Intranet nicht nur den Informationsfluss verbessert, sondern echte Teilhabe ermöglicht und ein neues Gemeinschaftsgefühl entstehen lässt - von der Kita bis zur Werkstatt, vom Vorstand bis zum Außendienst.

Generative KI verspricht erhebliche Produktivitätsgewinne in der Wissensarbeit: Texte, Analysen, Konzepte oder Codes können in kürzester Zeit erstellt werden. In vielen Organisationen wird KI daher primär als Effizienzwerkzeug eingeführt - mit messbaren kurzfristigen Erfolgen. Eine aktuelle PwC-Studie beziffert das Produktivitätswachstum im Zeitraum 2018 - 2024 in den Branchen, die am stärksten von KI betroffen sind, mit 27 Prozent und sagt bis 2040 eine Steigerung der Arbeitsproduktivität in Deutschland durch KI um 30 Prozent voraus. Doch was, wenn der Preis dieser Produktivitätsgewinne nicht monetär, sondern kognitiv ist? Die langfristige Nebenwirkung der Nutzung von generativer KI im Sinne einer schleichenden Erosion individueller und organisationaler Lern- und Urteilskompetenz erhält bislang weniger Aufmerksamkeit. Möglicherweise könnte sich der Verlust von Lernfähigkeit - und nicht der Verlust von Arbeitsplätzen - als das größere Risiko der KI-Nutzung erweisen.

Geschichten sind mehr als nur eine schöne Verpackung für Inhalte. Sie entscheiden darüber, was wir verstehen, woran wir uns erinnern - und was wir weitererzählen. Gerade im Wissensmanagement wird das oft unterschätzt. Unternehmen investieren in Tools, Prozesse und Strukturen. Doch das strategisch wichtige Erfahrungswissen steckt nach wie vor in den Köpfen der Mitarbeitenden. Und es zirkuliert nicht von selbst. Es wird erst lebendig, wenn Menschen es teilen: in Geschichten. Im Dialog. Im gemeinsamen Verstehen. Diese Ausgabe von "wissensmanagement - Das Magazin für Digitalisierung, Vernetzung & Collaboration" widmet sich deshalb ab Seite 18 der Macht der Geschichten und dem Storytelling sowie Storylistening aus verschiedenen Perspektiven.

Künstliche Intelligenz verändert das Wissensmanagement grundlegend. An die Stelle strukturierter Dokumentenablage treten zunehmend produktive Assistenzsysteme. Nur durch ein solches KI-gestützte Upgrade bleibt das organisationale Wissensmanagement langfristig wettbewerbsfähig. Im Gespräch mit "wissensmanagement - Das Magazin für Digitalisierung, Vernetzung & Collaboration" erklärt Volker Braun, warum KI kein Zusatztool (mehr) ist, sondern einen Paradigmenwechsel im Wissensmanagement einläutet: weg von der Suche nach Informationen, hin zu kontextbezogenen Antworten im Workflow. KI- und Wissensmanagement-Experte Volker Braun spricht über Disruption, Governance, implizites Wissen - und darüber, warum Wissensmanagement ohne KI künftig nicht mehr als ein Archiv ist.

Generative KI verändert, wie Unternehmen arbeiten - und sie schafft eine neue Anforderung: Wissen muss nicht nur für Menschen, sondern auch für KI-Assistenten und KI-Agenten zuverlässig nutzbar sein. Denn Agenten erledigen Aufgaben nicht „im Chat“, sondern greifen auf Informationen zu, folgen Regeln und Prozessen und liefern Ergebnisse - idealerweise mit Quellen und Nachvollziehbarkeit. Der Alltag zeigt jedoch: Wissen ist vorhanden, aber verteilt. Dateien liegen in M365, auf Fileservern, in Confluence, Jira, DMS, CRM-Notizen oder E-Mails. Und obwohl Teams längst digital arbeiten, gehen weiterhin Stunden pro Woche verloren, weil Informationen gesucht oder doppelt erstellt werden. (APQC beziffert diesen Aufwand im Schnitt auf mehrere Stunden pro Woche je Wissensarbeiter.)