Eine KI-Lizenz ist schnell gekauft. Jeder Mitarbeitende bekommt einen Zugang, ein paar probieren ihn aus, und daran, wie im Unternehmen gearbeitet wird, ändert sich wenig. Das liegt selten am Werkzeug. Es liegt an allem, was zwischen der Lizenz und einem Team fehlt, das tatsächlich mit KI arbeitet.
Warum bringt die Lizenz allein so wenig?
Die Verbreitung ist nicht mehr das Problem. Nach einer repräsentativen Befragung von 603 Unternehmen ab 20 Beschäftigten setzen 57 Prozent der Unternehmen in Deutschland KI ein, vor zwei Jahren waren es 20 Prozent (Bitkom, 14.09.2026).
Der Nutzen hält damit nicht Schritt. Kein Unternehmen mit KI-Einsatz gibt dort an, das Potenzial vollständig auszuschöpfen. 28 Prozent schöpfen es nach eigener Einschätzung wenig aus, 59 Prozent überhaupt nicht. Die meisten Unternehmen haben KI also eingeführt, aber noch nicht in ihre Arbeit eingebaut.
Die Hürden, die dieselbe Befragung nennt, sind aufschlussreich: Datenschutz (66 Prozent), rechtliche Verunsicherung (56 Prozent) und schwer kalkulierbare Kosten (54 Prozent) stehen ganz oben. Schlechte Ergebnisse der KI nennen nur 26 Prozent. Es fehlt also nicht an der Technik, sondern am Rahmen, in dem Menschen sie sicher und mit gutem Gewissen nutzen.
Was zwischen Lizenz und Produktivität liegt
| Frage | Nur Lizenz | Mit Enablement |
|---|---|---|
| Welche Daten darf ich eingeben? | Unklar, also lieber keine | Plattform im eigenen Konto, vom Datenschutz freigegeben |
| Wer zahlt, wenn es teuer wird? | Unklar, also vorsichtig | Budgets und Alarme je Team |
| Wie setze ich das für meine Arbeit ein? | Selbst herausfinden | Training an den eigenen Aufgaben |
| Wer kümmert sich um Updates und Störungen? | Niemand | Betrieb mit festen Service Levels oder klarer Übergabe |
Jede Zeile dieser Tabelle ist ein Grund, warum Mitarbeitende eine vorhandene Lizenz nicht nutzen. Ein besseres Modell löst keine davon.
Woran Sie merken, dass Ihre Lizenzen brachliegen
Ob ein KI-Programm wirkt, zeigt sich selten in einer Statistik, sondern im Alltag. Fünf Zeichen, die in fast jedem Unternehmen auftauchen, in dem die Lizenz das Einzige ist, was eingeführt wurde:
- Wenige nutzen viel, die meisten nichts. Eine Handvoll Begeisterter arbeitet täglich mit dem Werkzeug, der Rest hat sich einmal angemeldet.
- Die Datenfrage ist offen. Auf die Frage, ob Kundendaten oder Quellcode eingegeben werden dürfen, gibt es keine verbindliche Antwort, nur Vermutungen.
- Niemand verantwortet die Kosten. Es gibt keine Budgets je Team und niemanden, der bemerkt, wenn die Nutzung steigt oder ganz ausbleibt.
- Anwendungsfälle sind nicht aufgeschrieben. Was gut funktioniert, weiß nur, wer es selbst ausprobiert hat. Es wandert nicht ins Team.
- Daneben wächst Schatten-KI. Wer schnell ein Ergebnis braucht, nutzt ein privates Konto, außerhalb jeder Regel und jedes Protokolls.
Treffen zwei oder mehr dieser Punkte zu, liegt das Problem nicht bei den Mitarbeitenden. Es fehlt der Rahmen, um den es in den folgenden Abschnitten geht.
Ohne freigegebene Plattform bleibt KI ein Schattenprojekt
Solange niemand verbindlich sagt, wohin Prompts und Code gehen, entscheidet jede Person selbst. Die Vorsichtigen nutzen das Werkzeug kaum, die Unvorsichtigen kopieren Kundendaten in ein öffentliches Chatfenster. Beides ist schlecht.
Die Lösung ist eine Plattform, die Ihre Sicherheitsabteilung freigeben kann:
- Im eigenen Konto: Amazon Bedrock oder Microsoft Foundry in Ihrem AWS- oder Azure-Konto, mit Modellen aus EU-Regionen.
- Kein Training mit Ihren Daten: Eingaben und Antworten bleiben in Ihrem Konto oder Tenant.
- Zugriff über Ihren Identity Provider: Single Sign-on, Berechtigungen je Gruppe statt je Person.
- Nachvollziehbar: Jeder Zugriff wird protokolliert und ist auditierbar.
- Kalkulierbar: Kostenlimits und Alarme je Team und Anwendung.
Darunter gehört eine Landing Zone: Guardrails, zentrales Logging und Audit ab dem ersten Konto. Wie das in der Praxis aussieht, zeigt unsere Case Study zur Azure Landing Zone mit Microsoft Foundry.
Warum Training an eigenen Aufgaben mehr bringt als Folien
Laut Bitkom schätzen 66 Prozent der Unternehmen die KI-Kompetenzen ihrer Beschäftigten als gering ein. Gleichzeitig schulen 70 Prozent inzwischen ihre Beschäftigten im Umgang mit KI. Eine Schulung allein macht also noch keinen Unterschied. Entscheidend ist, woran geübt wird.
Wir trainieren vor Ort, mit den Menschen, die mit KI arbeiten, und mit denen, die sie betreiben. Am Anfang stehen die Grundlagen: wie Agenten arbeiten und worauf jeder Nutzer achten muss. Danach bringen die Teilnehmenden ihre eigenen Aufgaben durch das Werkzeug, nicht ein vorbereitetes Beispiel. Wer am zweiten Tag eine echte Aufgabe aus seinem Alltag mit dem Agenten gelöst hat, nutzt ihn am Montag wieder.
Mit welchen Aufgaben ein erstes Team startet
Der erste Anwendungsfall entscheidet, ob ein Team weitermacht. Er sollte häufig vorkommen, gut prüfbar sein und keinen Freigabeprozess brauchen, bevor er etwas bringt. Für ein Entwicklungsteam, das mit Coding-Agenten wie Claude Code oder OpenAI Codex arbeitet, sind das zum Beispiel:
- Tests ergänzen für bestehenden Code, dessen Verhalten das Team kennt.
- Bestehenden Code erklären und dokumentieren, vor allem dort, wo das Wissen bei einzelnen Personen liegt.
- Kleine, klar abgegrenzte Umbauten, deren Ergebnis ein Review schnell beurteilen kann.
- Code-Reviews vorbereiten, indem der Agent Änderungen zusammenfasst und Auffälliges markiert.
Allen gemeinsam ist, dass ein Mensch das Ergebnis prüft und beurteilen kann, ob es so gut ist, als hätte er es selbst gemacht. Genau daran messen wir im Training jede Aufgabe. Erst wenn ein Team das sicher kann, lohnt es sich, Agenten an Drittsysteme anzubinden oder eigene Skills für wiederkehrende Abläufe zu bauen.
Wer betreibt die Plattform, wenn das Projekt vorbei ist?
Viele KI-Initiativen enden mit dem Rollout. Danach ändern sich Modelle, Richtlinien und Preise, und niemand ist zuständig. Eine Plattform, die nach drei Monaten veraltet ist, verliert das Vertrauen, das sie gerade erst gewonnen hat.
Deshalb gehört der Betrieb von Anfang an dazu: Rollen und Quotas, Budgets je Team, Updates von Guardrails und Richtlinien, Monitoring und ein Ansprechpartner bei Störungen. Wir übernehmen das mit festen Service Levels, oder wir übergeben die Plattform mit der Dokumentation an Ihr Betriebsteam. Wichtig ist nur, dass die Frage vor dem Start beantwortet ist.
So starten Sie in vier Schritten
- Fundament: Landing Zone und KI-Plattform in Ihrem AWS- oder Azure-Konto, mit Identitäten, Netzwerk, Guardrails und Budgets.
- Training: vor Ort mit dem ersten Team und den Betriebsverantwortlichen.
- Anwendungsfälle: Das Team bringt echte Aufgaben durch das Werkzeug, wir prüfen die Ergebnisse gegen das, was ein Mensch gemacht hätte.
- Betrieb: im Servicevertrag oder durch Ihr Team, mit klarer Übergabe.
Fangen Sie mit einem Team an, nicht mit dem ganzen Unternehmen. Ein Team, das sichtbar Ergebnisse liefert, ist das beste Argument für das nächste.
Wir haben Lumibit selbst AI-native aufgebaut und all das zuerst für uns eingerichtet. Wie wir dabei vorgehen, beschreibt unsere Seite zu AI-Enablement.
Und wenn Ihr Ziel gar nicht ist, dass Ihre Teams selbst mit KI arbeiten, sondern dass ein wiederkehrender Prozess ohne sie läuft: Dafür gibt es unsere AI-Native Services. Dort übernehmen wir den ganzen Prozess, und Sie kaufen das Ergebnis statt eines weiteren Werkzeugs.
