Künstliche Intelligenz entwickelt sich rasant. Viele Unternehmen testen erste Anwendungsfälle, führen neue Tools ein oder automatisieren Prozesse in Marketing, Vertrieb, Service oder Administration.
Gleichzeitig schafft der EU AI Act einen verbindlichen Rechtsrahmen für den Einsatz von KI.
Seit dem 2. August 2026 ist der EU AI Act grundsätzlich anwendbar. Damit greifen unter anderem neue Transparenzpflichten für bestimmte KI-Systeme und KI-generierte Inhalte. Weitere Anforderungen werden schrittweise wirksam. Die Vorschriften für Hochrisiko-KI-Systeme in bestimmten sensiblen Einsatzbereichen folgen ab Dezember 2027, für Hochrisiko-KI innerhalb bestimmter regulierter Produkte ab August 2028.
Auf den ersten Blick wirkt das vor allem wie eine weitere regulatorische Vorgabe. Man kann das so sehen. Aus unserer Sicht greift diese Betrachtung jedoch zu kurz. Denn in unseren Projekten zeigt sich immer wieder: Die Beschäftigung mit dem EU AI Act zwingt Unternehmen dazu, eine viel wichtigere Frage zu beantworten:
Welche KI-Anwendungsfälle wollen wir überhaupt umsetzen – und mit welchen sollten wir beginnen?
Genau darin liegt eine Chance. Statt KI nach dem Prinzip „Wir probieren mal ein paar Tools aus“ einzuführen, können Unternehmen ihre Anwendungsfälle systematisch nach Nutzen, Machbarkeit, Datenbasis und regulatorischem Risiko bewerten.
In diesem Beitrag geht es darum,
- warum der EU AI Act Unternehmen bereits heute betrifft,
- weshalb die Risikobetrachtung auch für die Projektplanung relevant ist,
- wie sich KI-Projekte sinnvoll priorisieren lassen,
- und warum KI-Kompetenz weit über reine Compliance hinausgeht
Inhaltsverzeichnis
Warum der EU AI Act mehr ist als eine neue Verordnung
Wenn neue gesetzliche Vorgaben in Kraft treten, steht häufig zunächst der zusätzliche Aufwand im Vordergrund.
Auch beim EU AI Act ist das nicht anders.
Unternehmen müssen sich damit beschäftigen, welche KI-Systeme sie einsetzen, in welchem Kontext sie eingesetzt werden und welche Anforderungen daraus entstehen. Das kann man als zusätzliche Compliance-Aufgabe betrachten. Man kann darin aber auch einen sinnvollen Anlass sehen, um Ordnung in die eigenen KI-Aktivitäten zu bringen. Denn genau daran fehlt es aktuell in vielen Unternehmen. Hier ein ChatGPT-Zugang. Dort ein Copilot. Im Marketing werden Texte mit KI erstellt, der Vertrieb recherchiert potenzielle Kunden und in einem anderen Bereich wird bereits über eine Automatisierung mit KI nachgedacht.
Was häufig fehlt, ist die Gesamtperspektive:
Welche KI-Anwendungen nutzen wir eigentlich? Welches Problem lösen sie? Welche Daten verwenden sie? Welche Risiken entstehen – und welche Use Cases bringen uns wirklich weiter?
Der EU AI Act liefert darauf nicht automatisch die Antworten. Aber er schafft einen Rahmen, der Unternehmen dazu bringt, genau diese Fragen systematischer zu stellen. Und das ist aus meiner Sicht ein großer Vorteil.
KI-Kompetenz: Warum Unternehmen jetzt eine gemeinsame Grundlage brauchen
Der EU AI Act rückt auch die KI-Kompetenz innerhalb von Unternehmen stärker in den Fokus.
Dabei geht es aus unserer Sicht um deutlich mehr als darum, Mitarbeitenden zu erklären, wie ChatGPT oder Microsoft Copilot funktionieren. Gerade im Mittelstand erleben wir häufig, dass KI längst eingesetzt wird, bevor es ein gemeinsames Verständnis für den Umgang damit gibt. Marketing erstellt Inhalte mit generativer KI. Der Vertrieb nutzt KI für E-Mails oder Recherchen. Mitarbeitende laden Dokumente in KI-Systeme. Erste Automatisierungen entstehen in der Administration.
Die entscheidenden Fragen werden häufig erst später gestellt:
- Welche KI-Systeme setzen wir überhaupt ein?
- Welche Daten dürfen darin verarbeitet werden?
- Welche Ergebnisse müssen durch Menschen geprüft werden?
- Wo liegen die Grenzen der Systeme?
- Welche Regeln gelten für unterschiedliche Anwendungsfälle?
- Und wer trägt eigentlich Verantwortung?
Genau hier braucht es KI-Kompetenz.
Nicht als einmalige Pflichtübung, sondern als gemeinsame Grundlage für einen verantwortungsvollen und produktiven Einsatz von KI. Denn Mitarbeitende können nur dann gute Entscheidungen treffen, wenn sie sowohl die Möglichkeiten als auch die Grenzen der Technologie verstehen.
Vier Risikostufen – aber entscheidend ist der konkrete Anwendungsfall
Der EU AI Act folgt einem risikobasierten Ansatz. Vereinfacht betrachtet unterscheidet er zwischen:
- unannehmbarem Risiko und verbotenen KI-Praktiken,
- Hochrisiko-KI-Systemen,
- KI-Systemen mit besonderen Transparenzanforderungen
- sowie Systemen mit minimalem oder keinem Risiko.
Diese Einteilung ist für Unternehmen nicht nur aus Compliance-Sicht relevant. Sie kann auch Auswirkungen darauf haben, wie aufwendig ein KI-Projekt wird und welche Voraussetzungen vor der Umsetzung geschaffen werden müssen.
Dabei ist ein Punkt besonders wichtig:
Nicht die Branche allein entscheidet darüber, wie ein KI-System regulatorisch einzuordnen ist. Entscheidend ist vor allem der konkrete Verwendungszweck.
Nehmen wir einen Energieversorger. Setzt das Unternehmen generative KI ein, um erste Entwürfe für Marketingtexte zu erstellen, ist das regulatorisch etwas völlig anderes als ein KI-System, das als Sicherheitskomponente innerhalb einer kritischen Infrastruktur eingesetzt wird.
Dasselbe Unternehmen. Dieselbe Technologieklasse. Aber zwei vollkommen unterschiedliche Anwendungsfälle – und damit potenziell auch sehr unterschiedliche Anforderungen. Genau deshalb reicht die Frage „Setzen wir KI ein?“ nicht mehr aus.
Die bessere Frage lautet: Wo setzen wir welche KI für welchen Zweck ein?
Wie wir KI-Projekte sinnvoll priorisieren
Dieser Punkt wird aus unserer Sicht noch zu selten diskutiert.
Viele Unternehmen starten ihre KI-Reise mit einer Toolfrage: Sollen wir ChatGPT einsetzen? Microsoft Copilot? Einen eigenen KI-Assistenten? Welches Modell brauchen wir?
Wir gehen bewusst anders vor. Wir beginnen nicht mit dem Tool. Wir beginnen mit dem Anwendungsfall. Denn bevor über Technologie gesprochen wird, sollte klar sein, welches konkrete Problem eigentlich gelöst werden soll.
Für die Bewertung von KI-Use-Cases betrachten wir vier Dimensionen.
1. Business Value: Welches Problem lösen wir?
Der erste Filter ist der wirtschaftliche Nutzen.
Was soll durch KI tatsächlich besser werden? Geht es darum, Zeit zu sparen? Prozesse zu beschleunigen? Fehler zu reduzieren? Vertriebsmitarbeiter von administrativen Tätigkeiten zu entlasten? Kunden schneller zu bedienen? Wissen im Unternehmen besser verfügbar zu machen?
Ein Use Case sollte möglichst konkret beschreiben, welchen Mehrwert er erzeugen soll.
„Wir wollen KI einsetzen“ ist kein Use Case. „Wir wollen die Zeit für die Vorbereitung eines Kundentermins von 45 auf 15 Minuten reduzieren“ hingegen schon.
Je konkreter das Problem, desto besser lässt sich später beurteilen, ob KI tatsächlich die richtige Lösung ist.
2. Daten & Machbarkeit: Haben wir die Voraussetzungen?
Die zweite Frage lautet:
Welche Daten benötigt der Anwendungsfall – und stehen diese Daten überhaupt zur Verfügung?
Das klingt banal, ist in der Praxis aber einer der häufigsten Knackpunkte.
Ein KI-System kann nur mit dem arbeiten, was verfügbar und zugänglich ist. Sind Kundendaten über verschiedene Systeme verteilt? Sind Produktinformationen aktuell? Gibt es strukturierte Prozessdaten? Kann auf CRM-, ERP- oder Wissensdaten zugegriffen werden? Und ist die Qualität ausreichend?
Ein vermeintlich einfacher KI-Use-Case kann schnell komplex werden, wenn zunächst Datenbestände bereinigt, Schnittstellen geschaffen oder Berechtigungen geklärt werden müssen. Deshalb gehört die Datenbasis von Anfang an in die Bewertung.
3. Organisation & Akzeptanz: Passt der Use Case in den Alltag?
Technisch machbar bedeutet noch lange nicht erfolgreich umgesetzt.
Wer soll mit der Lösung arbeiten? Welcher bestehende Prozess verändert sich dadurch? Wer übernimmt Verantwortung? Und vor allem: Wird das Ergebnis im Arbeitsalltag tatsächlich genutzt?
Gerade hier entscheidet sich häufig, ob aus einem guten Proof of Concept ein produktiver KI-Einsatz wird – oder eine weitere Demo, die nach einigen Wochen niemand mehr öffnet.
Deshalb betrachten wir nicht nur die technische Machbarkeit, sondern auch die organisatorische.
4. Risiko & Regulierung: Welche Anforderungen entstehen?
Erst gemeinsam mit Nutzen, Daten und organisatorischer Machbarkeit ergibt sich ein realistisches Bild des Use Cases.
Dabei gehört auch die regulatorische Einordnung auf den Tisch.
Welche Rolle spielt der EU AI Act? Werden personenbezogene oder besonders sensible Daten verarbeitet? Gibt es besondere Transparenzanforderungen? Bewegen wir uns möglicherweise in einem Hochrisiko-Anwendungsbereich? Welche weiteren rechtlichen oder internen Governance-Vorgaben müssen berücksichtigt werden?
Ein wirtschaftlich interessanter Use Case kann weiterhin sinnvoll sein, obwohl die regulatorischen Anforderungen höher sind. Er muss dann nur anders geplant werden.
Genau das ist der Punkt einer guten Priorisierung: Nicht alles gleichzeitig machen, sondern wissen, womit man sinnvollerweise beginnt.
Warum die Datenbasis häufig wichtiger ist als das KI-Tool
Bei der Bewertung der vier Dimensionen zeigt sich in der Praxis immer wieder, dass ein Punkt besonders häufig zum entscheidenden Faktor wird: die Datenbasis.
Der aktuelle KI-Markt entwickelt sich so schnell, dass Unternehmen leicht in eine Tool-Diskussion geraten. Das neue Modell kann mehr. Der nächste Copilot verspricht bessere Ergebnisse. Ein Anbieter zeigt eine beeindruckende Demo. Das ist spannend. Für den wirtschaftlichen Erfolg eines KI-Projekts ist aber häufig etwas viel Unspektakuläreres entscheidend:
Sind die eigenen Daten gut genug?
Nehmen wir ein Beispiel aus dem Vertrieb. Ein KI-Assistent soll einen Vertriebsmitarbeiter vor einem Kundentermin automatisch über den Kunden informieren: bisherige Aufträge, offene Angebote, Ansprechpartner, letzte Kommunikation, relevante Produkte und mögliche Cross-Selling-Potenziale.
Der Nutzen ist sofort nachvollziehbar.
Aber wenn Kundendaten über CRM, ERP, Outlook, Excel-Listen und persönliche Notizen verteilt sind, liegt die eigentliche Herausforderung zunächst nicht beim KI-Modell. Sie liegt darin, die notwendige Datenbasis für den Anwendungsfall zugänglich zu machen.
Genau deshalb lohnt es sich, bei der Priorisierung von KI-Projekten besonders darauf zu schauen, wie realistisch die notwendige Datenbasis erschlossen werden kann. Das verhindert teure Pilotprojekte, deren eigentliche Voraussetzungen erst während der Umsetzung sichtbar werden.
Von der langen Ideenliste zu einer realistischen KI-Roadmap
Die Datenbasis ist damit ein zentraler Faktor für den Erfolg eines KI-Projekts – aber eben nur einer von mehreren.
Wenn wir diese vier Dimensionen zusammenbringen, entsteht aus einer Sammlung interessanter KI-Ideen eine priorisierte Roadmap. Ein guter erster Use Case hat aus unserer Sicht idealerweise:
- einen klar erkennbaren Business Value,
- eine verfügbare oder realistisch erschließbare Datenbasis,
- einen überschaubaren organisatorischen Veränderungsbedarf
- und ein beherrschbares regulatorisches Risiko.
Das heißt nicht, dass Unternehmen anspruchsvollere KI-Projekte vermeiden sollten. Im Gegenteil. Aber es ist ein Unterschied, ob ein komplexer Use Case bewusst als strategisches Projekt vorbereitet wird, oder ob man erst mitten in der Umsetzung feststellt, welche Abhängigkeiten eigentlich daran hängen.
Gerade zu Beginn einer KI-Transformation können kleinere, gut ausgewählte Projekte außerdem etwas erzeugen, das in keiner technischen Spezifikation steht: Vertrauen.
Wenn Mitarbeitende erleben, dass KI ihnen tatsächlich Arbeit abnimmt und nicht nur zusätzliche Prozesse erzeugt, steigt die Bereitschaft, sich auch auf größere Veränderungen einzulassen.
KI-Kompetenz entsteht nicht durch eine Schulung allein
Damit schließt sich der Kreis zur KI-Kompetenz.
Schulungen sind wichtig. Sie schaffen ein gemeinsames Verständnis für Funktionsweise, Chancen, Grenzen, Risiken und den verantwortungsvollen Umgang mit KI.
Aber eine Schulung allein macht noch keine Organisation KI-kompetent.
Die eigentliche Kompetenz entsteht, wenn Mitarbeitende das Wissen auf ihren Arbeitsalltag übertragen können. Wenn ein Vertriebsmitarbeiter beurteilen kann, wofür er KI sinnvoll einsetzen kann – und wofür nicht. Wenn Marketing versteht, welche Inhalte mit KI unterstützt werden können und wo menschliche Prüfung notwendig bleibt. Wenn Führungskräfte einschätzen können, welcher Use Case wirtschaftlich interessant ist und wann zusätzliche Governance notwendig wird. Und wenn das Unternehmen weiß, wie aus einer guten Idee ein umsetzbares Projekt wird.
Deshalb gehören für uns Qualifizierung und konkrete Anwendungsfälle zusammen.
Eine gute Schulung schafft Orientierung. Ein guter Use Case macht daraus Praxis. Und eine klare Governance sorgt dafür, dass daraus kein unkontrollierter Wildwuchs entsteht.
Fazit: Compliance kann Orientierung schaffen
Der EU AI Act wird häufig als zusätzliche gesetzliche Verpflichtung wahrgenommen.
Das ist nachvollziehbar. Aber Unternehmen können den notwendigen Blick auf Regulierung auch für etwas anderes nutzen:
um ihre KI-Aktivitäten endlich systematisch zu ordnen.
- Welche KI setzen wir bereits ein?
- Welche Probleme wollen wir damit lösen?
- Welche Use Cases versprechen echten wirtschaftlichen Nutzen?
- Welche Daten brauchen wir dafür?
- Welche organisatorischen Veränderungen sind notwendig?
- Und welche regulatorischen Anforderungen müssen wir berücksichtigen?
Wer diese Fragen beantwortet, beschäftigt sich nicht mehr nur mit KI-Tools. Er beginnt, KI strategisch zu steuern. Und genau darin liegt aus unserer Sicht die eigentliche Chance. Der EU AI Act sollte deshalb nicht der Grund sein, KI-Projekte auszubremsen. Er kann ein Anlass sein, die richtigen Projekte auszuwählen, Risiken früh zu erkennen und KI dort einzusetzen, wo sie tatsächlich Wirkung erzeugt.
KI-Kompetenz systematisch aufbauen
Sie wollen KI in Ihrem Unternehmen nicht nur ausprobieren, sondern sinnvoll und verantwortungsvoll einsetzen?
Dann braucht es zwei Dinge: Mitarbeitende, die Chancen und Grenzen von KI verstehen, und konkrete Anwendungsfälle, bei denen dieses Wissen in der Praxis Wirkung entfaltet.
Genau darauf sind unsere KI-Schulungen ausgerichtet.
Von der Basisschulung für Mitarbeitende bis zur Management-Schulung zu Governance, Risiken und Strategie vermitteln wir praxisnahes Wissen rund um den Einsatz von KI und den EU AI Act. Gleichzeitig unterstützen wir Unternehmen dabei, Qualifizierungsmaßnahmen nachvollziehbar zu dokumentieren und eine gemeinsame Grundlage für den sicheren KI-Einsatz zu schaffen.
Erfahren Sie hier mehr über unsere KI-Schulungen für Mitarbeitende und Führungskräfte.
