Fast jedes zweite Schweizer KMU sieht in künstlicher Intelligenz eine Chance. Doch zwischen «Wir müssten» und «Wir wissen, womit» liegt eine Lücke, an der die meisten Projekte scheitern. Warum der erste Schritt kein Tool ist, sondern eine ehrliche Standortbestimmung.
Es ist ein Satz, den wir in fast jedem Erstgespräch hören: «Wir wissen, dass wir mit KI etwas machen müssen. Aber wir haben keine Ahnung, wo wir anfangen sollen.»
Das Gefühl ist berechtigt. Der Druck ist real, die Möglichkeiten wirken unübersichtlich, und jeder Anbieter verspricht etwas anderes. Also passiert oft das, was wir «Tool-Hopping» nennen: Eine Abteilung testet ChatGPT, jemand im Marketing automatisiert ein paar E-Mails, die Buchhaltung probiert ein Tool zur Belegerfassung. Jeder werkelt für sich. Nach ein paar Monaten steht die Frage im Raum, was das alles eigentlich gebracht hat, und die ehrliche Antwort lautet meistens: nicht viel.
Das ist keine Frage der Technik. Es ist eine Frage der Reihenfolge. Und genau hier setzt ein KI-Audit an.
Das eigentliche Problem ist Orientierung, nicht Technologie
Zunächst die gute Nachricht: Schweizer KMU sind längst nicht so abgehängt, wie das Krisengerede vermuten lässt. Laut der KMU-Arbeitsmarktstudie 2025 des Versicherers AXA, durchgeführt vom Forschungsinstitut Sotomo, ist der Anteil der KMU, die KI bewusst in ihre Arbeitsprozesse integrieren, innert eines Jahres von 22 auf 34 Prozent gestiegen. Der Anteil derer, die KI gar nicht nutzen, sank im selben Zeitraum von 45 auf 29 Prozent. Fast die Hälfte der befragten Unternehmen sieht in der Technologie inzwischen eine Chance statt einer Bedrohung.
Bewegung ist also da. Was fehlt, ist Systematik. Die Raiffeisen-Studie «Mehr als nur Hype: KI in der Praxis» bringt es auf den Punkt: In der zugrunde liegenden KMU-Befragung gaben erst neun Prozent der Unternehmen an, KI systematisch einzusetzen. Über die Hälfte hatte einzelne Pilotversuche gestartet, aber eben nur Versuche.
Wie gross die Lücke zwischen Ausprobieren und Wirkung ist, zeigt eine vielbeachtete Studie des MIT mit dem Titel «The GenAI Divide». Ihr meistzitiertes Ergebnis: Rund 95 Prozent der untersuchten Pilotprojekte mit generativer KI lieferten keinen messbaren Beitrag zum Geschäftsergebnis. Man sollte die Zahl mit der nötigen Vorsicht lesen, sie beruht auf einem begrenzten Beobachtungszeitraum und einer überschaubaren Stichprobe. Doch die Stossrichtung deckt sich mit dem, was wir täglich sehen: Der entscheidende Engpass ist fast nie das Modell. Es ist die fehlende Einbettung in echte Arbeitsabläufe, die fehlende Strategie, das fehlende Lernen in der Organisation.
Oder kurz gesagt: Die meisten Unternehmen scheitern nicht daran, dass KI nicht funktioniert. Sie scheitern daran, dass sie mit dem Werkzeug beginnen statt mit dem Problem.
Was ein KI-Audit eigentlich ist
Ein KI-Audit, auch Potenzialanalyse oder KI-Standortbestimmung genannt, ist im Kern eine strukturierte Bestandsaufnahme. Es beantwortet drei Fragen, und zwar in dieser Reihenfolge:
- Wo stehen wir? Wie weit ist die Digitalisierung, welche Daten liegen in welcher Qualität vor, wie ist die Organisation aufgestellt?
- Wo liegen die grössten Engpässe und Potenziale? Wo entstehen Tag für Tag dieselben manuellen Aufwände, die niemand gerne macht?
- Womit fangen wir an? Welche Anwendungsfälle bringen am schnellsten den grössten Nutzen bei vertretbarem Aufwand?
Wichtig ist, was ein gutes Audit nicht ist: eine Werkzeugliste. Es geht nicht darum, möglichst viele Tools einzukaufen, sondern darum, eine Entscheidungsgrundlage zu schaffen. Am Ende steht kein Lizenzvertrag, sondern ein Fahrplan.
Der Fahrplan in vier Phasen
In der Praxis lässt sich der Weg vom diffusen «Wir müssten» zum ersten messbaren Ergebnis in vier Phasen gliedern.
Phase 1 – Standortbestimmung
Bevor irgendetwas eingeführt wird, kommt eine ehrliche Bestandsaufnahme. Statt eine Software zu kaufen, lohnt sich der Blick nach innen: Wie reif sind Strategie, Daten und Organisation? Welche Tools nutzen die Mitarbeitenden bereits, oft im Verborgenen, an der IT vorbei? Diese sogenannte Schatten-KI ist in fast jedem Unternehmen vorhanden und ein wertvoller Hinweis darauf, wo der Schuh drückt.
Die wirkungsvollste Frage in dieser Phase ist erstaunlich simpel. Wir stellen sie drei bis fünf Mitarbeitenden aus verschiedenen Bereichen: «Welche wiederkehrende Aufgabe würden Sie sofort abgeben, wenn Sie könnten?» Die Antworten zeigen die Potenziale schneller als jede Technologie-Analyse.
Phase 2 – Priorisierung
Jetzt werden die gesammelten Ideen bewertet, und zwar nicht nach Faszination, sondern nach Wirkung. Ein verbreiteter Fehler ist, das technologisch Spannendste vorzuziehen statt das geschäftlich Sinnvollste. Bewährt hat sich eine einfache Matrix: Jede Idee wird nach Nutzen und nach Aufwand eingeordnet.
- Quick Wins (hoher Nutzen, geringer Aufwand) kommen zuerst.
- Strategic Bets (hoher Nutzen, hoher Aufwand) sind die längerfristigen Projekte.
- Was wenig bringt, aber viel kostet, lässt man bewusst weg.
Ergänzend prüft man zwei Dinge, die gerne vergessen werden: Sind die nötigen Daten überhaupt verfügbar? Und welche Risiken, etwa beim Datenschutz, bringt der Anwendungsfall mit sich?
Phase 3 – Pilot
Aus den Quick Wins wird einer ausgewählt und als Pilotprojekt umgesetzt, mit einem klaren Ziel und einer messbaren Kennzahl. Statt «Wir machen jetzt was mit KI» heisst es konkret: «Wir wollen die Bearbeitungszeit pro Offerte halbieren.» Eine verantwortliche Person, oft intern als «KI-Champion» bezeichnet, treibt den Piloten. Bei einem gut gewählten Anwendungsfall zeigen sich nach vier bis acht Wochen erste belastbare Hinweise, ob der Nutzen real ist.
Phase 4 – Skalierung und Spielregeln
Funktioniert der Pilot nachweislich, wird ausgerollt. Genauso wichtig wie die Technik sind jetzt die Spielregeln: Wer prüft die Ergebnisse der KI? Wer entscheidet? Und parallel dazu Schulung und Begleitung der Mitarbeitenden, damit aus einem Werkzeug eine Gewohnheit wird. Bleibt der Effekt nach acht Wochen dagegen aus, gilt: stoppen oder neu zuschneiden, nicht erzwingen.
Was Schweizer Unternehmen heute schon konkret machen
Die abstrakte Methode wird greifbar, wenn man sieht, wofür etablierte Schweizer Firmen KI bereits einsetzen. Die folgenden Beispiele zeigen die Bandbreite über verschiedene Branchen, und sie zeigen, dass es selten um spektakuläre Zukunftsvisionen geht, sondern um konkrete Engpässe.
In der Industrie entwickelte der Uzwiler Technologiekonzern Bühler gemeinsam mit dem Swiss Data Science Center eine KI-Lösung für Malzanlagen, die Trocknungsprozesse anhand von Rohstoff- und Wetterdaten steuert. In einem elfmonatigen Industrietest mit über 200 Chargen sank der Stromverbrauch laut Studienangaben um durchschnittlich 16,4 Prozent. Beim Industriekonzern Georg Fischer unterstützt kameragestützte KI die Qualitätskontrolle von Schweissnähten und erkennt mögliche Fehler zuverlässiger.
Im Detailhandel setzt Coop nach eigenen Angaben seit Längerem auf Algorithmen, unter anderem für personalisierte Coupons in der App. Bei der Migros-Tochter Micarna übernimmt eine KI-gestützte Bildklassifizierung repetitive Entscheide in der Verarbeitung und entlastet die Mitarbeitenden.
Besonders weit ist der Finanzsektor. Die Migros Bank hat generative KI bereits produktiv im Einsatz, etwa als internen Assistenten und als sicheren, anonymisierten KI-Chat in der Schweizer Cloud. PostFinance nutzt zur Betrugserkennung ein KI-gestütztes System, das laut einer Mitteilung des Anbieters FICO täglich rund vier Millionen Transaktionen überwacht, was etwa einem Drittel aller Schweizer Debitkartentransaktionen entspricht.
Und es sind längst nicht nur die Grossen. Der Stahldienstleister SCHMOBI lässt eingehende Bestellungen, die als PDF per Mail eintreffen, von einer KI auslesen und automatisch im ERP-System anlegen. Nach Unternehmensangaben werden so rund 70 Prozent der Bestelleingänge automatisiert verarbeitet. Das Westschweizer Start-up Kitro hilft Grossküchen mit einer kamerabasierten Waage, Lebensmittelabfälle zu erfassen und zu reduzieren, laut Studienangaben um bis zu 60 Prozent.
Das verbindende Muster all dieser Beispiele: Am Anfang stand nie die Frage «Was kann KI?», sondern «Wo verlieren wir Zeit, Geld oder Qualität?».
Die Frage, die sich nicht an die KI delegieren lässt
Ein Einwand taucht in Strategiegesprächen immer wieder auf: Wenn KI so gut wird, wozu dann noch Beratung oder ein menschliches Urteil? Liesse sich die ganze Analyse nicht der KI selbst überlassen?
Die Antwort liegt in einem Wort: Verantwortung. KI kann Daten analysieren, Optionen bewerten und Entscheidungen vorbereiten. Verantworten muss sie ein Mensch. Wer als Geschäftsführerin oder Verwaltungsrat eine folgenschwere Entscheidung trifft, kann sich nicht damit herausreden, «die KI hat das so empfohlen». Das Schweizer Aktienrecht kennt die Sorgfaltspflicht der Geschäftsleitung, und die lässt sich nicht an einen Algorithmus abtreten.
Es gibt noch einen zweiten, subtileren Grund. Wer Fehler der KI zuschiebt, unterbricht das Lernen im Unternehmen. Ein Fehlentscheid wird dann als «Systemfehler» abgehakt, statt als das analysiert zu werden, was er ist: eine Entscheidung, aus der man lernen kann. Genau deshalb braucht es weniger ein weiteres Tool als eine tragfähige Entscheidungsarchitektur, also klare Regeln dafür, wer vorbereitet, wer empfiehlt, wer entscheidet und wer umsetzt. Diese Struktur zu schaffen, ist und bleibt eine menschliche Aufgabe.
Der erste Schritt ist kleiner, als die meisten denken
Die gute Nachricht zum Schluss: Der Einstieg ist weniger aufwendig, als die meisten befürchten. Es braucht zu Beginn kein KI-Team und kein grosses Budget, sondern eine ehrliche Standortbestimmung und die Bereitschaft, klein und messbar anzufangen.
Wer mit einem Audit beginnt, zwei bis drei Quick Wins identifiziert und einen davon sauber als Pilot umsetzt, hat in wenigen Wochen mehr Klarheit gewonnen als mit einem Jahr Tool-Hopping. Nicht, weil die Technik plötzlich besser wäre, sondern weil die Reihenfolge stimmt: zuerst die Strategie, dann die Systeme, dann die KI.