Unternehmen diskutieren über die falschen Fragen zur KI

Bill Gates fordert Schutzmaßnahmen für KI, weil sie „eine Milliarde Menschenleben kosten“ könnte, wenn sie nicht kontrolliert wird. Diese Aussage folgt auf die Äußerung eines leitenden Forschers bei Anthropic, der sagte, er halte es für mehr als 10-prozentig wahrscheinlich, dass KI „innerhalb des nächsten Jahrzehnts alle Menschen töten könnte“. Während Regierungen, Philosophen und die wenigen führenden KI-Entwickler über Leitplanken debattieren, müssen Unternehmen, die KI nutzen, unbedingt erkennen: Wenn sie sich auf die Schlagzeilen konzentrieren, übersehen sie möglicherweise die größten Risiken, denen Unternehmen im KI-Zeitalter tatsächlich ausgesetzt sind.

Neben der Angst, dass Bots die Menschen überwältigen könnten, dreht sich ein großer Teil der Diskussion über KI in Unternehmen um Themen wie die Gefahren unkontrollierter KI-Agenten, astronomische Token-Kosten, weitgehend autonome hochmoderne KI-Modelle und nicht souveräne KI.

Bedrohungen wie diese beherrschen einen Großteil der Debatte über KI-Risiken. Wer sich jedoch auf solche Trends statt auf die realen Geschäftsrisiken konzentriert, riskiert vermeidbare Fehlentscheidungen. Ich habe erlebt, wie Dutzende Unternehmen ihre KI-Risiken deutlich verringert haben, indem sie ihre Aufmerksamkeit viel stärker auf Geschäftsergebnisse als auf technologische Aspekte richteten. Im Folgenden zeige ich, wie sie das erreichen können – und warum sie es tun sollten.

Auf den geschäftlichen Nutzen kommt es an, nicht auf das KI-Modell

Unternehmen müssen verstehen, dass sie nicht unbedingt die neuesten KI-Modelle einsetzen oder astronomische Tokenkosten zahlen müssen, um alle Mitarbeitenden zu sogenannten Citizen Developern zu machen und so ihre Kapitalrendite deutlich zu steigern.

Stattdessen sollten sie genau prüfen, in welchen Bereichen sich ihre Ausgaben an Geld oder Zeit senken lassen, und einen Plan entwickeln, um das jeweilige Problem mit allen verfügbaren Mitteln anzugehen. Dazu gehören nicht nur agentische KI, sondern auch generative KI, Optimierungsalgorithmen, maschinelles Lernen und sogar regelbasierte Programme. So können sie für jede Aufgabe das passende Werkzeug auswählen.

KI-gestützte Prognosemodelle können beispielsweise bei der Vorhersage des Personalbedarfs eine Genauigkeit von über 90 Prozent erreichen, berichtet McKinsey. Kürzlich habe ich das bei einem Sicherheitsunternehmen erlebt, das Zehntausende Sicherheitskräfte an Tausende Standorte entsendet – für globale Konzerne wie Nike und Amazon. Wie viele andere personalintensive Unternehmen mit Schichtbetrieb sah es sich bei Nachfragespitzen mit rasant steigenden Kosten durch Überstunden und teure Subunternehmen konfrontiert.

Um die Kapitalrendite dieses Unternehmens zu steigern, waren keine hochmodernen Modelle nötig; ebenso wenig musste es sich auf einen bestimmten KI-Anbieter oder eine bestimmte Technologie festlegen. Stattdessen setzte das Sicherheitsunternehmen bei einem seiner größten Geschäftsprobleme an und wählte die Werkzeuge danach aus, wie gut sie diese konkrete Herausforderung bewältigen konnten. Mit intelligenten Optimierungsalgorithmen lassen sich Teams optimal einsetzen, Überstundenkosten senken und teure Subunternehmen vermeiden, weil sich der Personalbedarf besser vorhersagen lässt. In diesem Fall verringerte generative KI in Kombination mit anderen Werkzeugen die Fluktuation, verbesserte die Planung und half dabei, Dienstpläne zu erstellen, die sowohl für die Kunden als auch für die Beschäftigten besser funktionierten. Dazu gehörten etwa Vorschläge, wie sich die Zahl der Schichten mit langen Arbeitswegen verringern und arbeitsfreie Wochenenden gleichmäßiger verteilen ließen. Durch die Umsetzung solcher Empfehlungen sanken die Überstundenkosten um 30 Prozent und die Ausgaben für Subunternehmen gingen zurück. Gleichzeitig verringerte sich der Zeitaufwand für die Erstellung der Personalpläne, deren Qualität und langfristige Tragfähigkeit sich ebenfalls verbesserten. Nachdem das Sicherheitsunternehmen die KI-Empfehlungen umgesetzt hatte, stieg sein EBITDA um 200 Basispunkte – ein großer Erfolg in einer Branche, die für ihre notorisch niedrigen Margen bekannt ist. Nur weil ein Geschäftsproblem groß ist, muss die KI-Lösung nicht riskant sein.

Viele konkrete geschäftliche Herausforderungen lassen sich bereits mit wenig invasiven KI-Werkzeugen bewältigen. Dazu zählen etwa die bessere Zuteilung von Lagerbeständen, die Optimierung des Abgleichs von Zahlungseingängen, die Beschleunigung des Bankkontenabgleichs, genauere Prognosen, die Automatisierung des Rechnungsabgleichs und die Suche in Katalogen, um Fragen von Verbraucherinnen und Verbrauchern zu beantworten. So lässt sich das Geschäftsergebnis deutlich verbessern, ohne das Risiko einzugehen, die Menschheit auszulöschen – und ohne auf hochmoderne Modelle oder unkontrollierte KI-Agenten zurückgreifen zu müssen.

Vorsicht: Wer den Fokus von der Kapitalrendite abwendet, riskiert eine KI-Hype-Steuer

Wer sich auf konkrete Geschäftsziele konzentriert, kann nicht nur das Risiko einer außer Kontrolle geratenen KI mindern, sondern Unternehmen auch vor der KI-Hype-Steuer bewahren, die mein Unternehmen in einer Analyse der Aktienkurse und Jahresberichte von 275 börsennotierten Unternehmen weltweit ermittelt hat.

Das KI-Barometer 2026 ergab, dass die Aktienkurse der größten börsennotierten Unternehmen weltweit stark damit zusammenhingen, wie umfassend diese auf KI setzten und wie positiv sich ihre Aktien entwickelten. Dieser Zusammenhang bestand jedoch nur, wenn die Unternehmen konkrete Maßnahmen und präzise Ziele offenlegten. Die wichtigste Erkenntnis aus der Aktienkursanalyse lautet: Allgemeine Aussagen über den Wandel durch KI reichen Anlegerinnen und Anlegern nicht aus.

Was hat also funktioniert? Der Bericht stellte einen deutlichen Vorsprung bei der Aktienentwicklung zugunsten von Unternehmen fest, die konkret darlegten, welche Maßnahmen sie zur Einführung von KI ergreifen würden und welche Effizienz- oder Umsatzsteigerungen sich daraus ergeben sollten. Diese Unternehmen entwickelten sich im darauffolgenden Jahr an der Börse um 14 Prozentpunkte besser als Unternehmen, die KI in ihren Finanzberichten nur vage erwähnten.

Ich habe aus erster Hand erlebt, dass Unternehmen durch den Einsatz der effizientesten und risikoärmsten KI-Tools – die häufig als kleine, in die IT-Landschaft eingebettete Anwendungen laufen – konkrete Umsatz- und Produktivitätsziele erreichen und so weitgehend jene Untergangsszenarien vermeiden können, die Schlagzeilen machen. Stattdessen können sie Geschäftsergebnisse fördern, die den Gewinn steigern, wenn sie auf solche Ziele setzen und nicht auf die neuesten und glänzendsten KI-Modelle.