Fragt man, warum eine KI-Transformation ins Stocken geriet, hört man meist etwas über Modelle, Anbieter oder Budgets. Schaut man genauer hin, ist die Wurzel fast immer organisatorisch: ein zentrales KI-Lab, das beeindruckende Demos baute, die kein Fachbereich bestellt hatte, oder verstreute Enthusiast:innen, die ihre eigene Ecke automatisierten, während die Organisation nichts lernte. Die Teamfrage, welche Struktur, welche Rollen, eingestellt, ausgeliehen oder ausgebildet, und in welcher Reihenfolge, ist die tragende Entscheidung einer Transformation, und die meisten Unternehmen treffen sie aus Versehen.
Die drei Grundstrukturen, und zu wem welche passt
| Struktur | Wie sie funktioniert | Stärke | Versagensmuster | Passt am besten zu |
|---|---|---|---|---|
| Zentrales KI-Team | Eine dedizierte Einheit verantwortet KI: Plattform, Modelle, Umsetzung | Gebündelte Expertise, einheitliche Standards, kritische Masse | Elfenbeinturm: baut, was Fachkolleg:innen beeindruckt, nicht was das Business bestellt hat; jedes Projekt wartet in der Schlange eines Teams | Große Organisationen mit vielen parallelen Initiativen und echtem Plattformbedarf |
| In den Fachbereichen eingebettet | Jede Funktion stellt eigene KI-Kompetenz ein oder entwickelt sie | Maximale Geschäftsnähe, Lösungen passen zu echten Abläufen | Fragmentierung: drei Chatbots, keine gemeinsamen Standards, kein Lernen zwischen Bereichen, doppelte Anbieterkosten | Unternehmen mit wenigen starken Bereichen und wirklich unterschiedlichen Domänen |
| Hub-and-Spoke | Kleiner zentraler Kern (Plattform, Standards, Prüfung, Wiederverwendung) plus Champions und Use-Case-Owner in den Funktionen | Geschäftsnähe und Konsistenz zugleich; Wissen fließt durch den Hub | Ein unterbesetzter Hub wird zum Engpass oder zur Formalie, wenn Ressourcen und Mandat fehlen | Die meisten Mittelständler, und die Standardempfehlung für eine erste Transformation |
Einstellen, ausleihen oder ausbilden: eine Entscheidung pro Rolle
- Einstellen (dauerhafter Kern): die KI-/Datenverantwortliche, die die Roadmap trägt, und Data Engineering, das Fundament, auf dem jeder Use Case steht. Diese Rollen verzinsen sich über Jahre und gehören auf die eigene Payroll und in den eigenen Kontext.
- Ausleihen (knapp, phasengebunden): Senior-Applied-AI-Engineers für die Aufbauphase der ersten Use Cases und Fractional Leadership (ein Head of AI in Teilzeit), wenn Strategie- und Anbieter-Urteilsvermögen gebraucht wird, bevor eine Vollzeitstelle gerechtfertigt ist. Eingebettete externe Expert:innen schließen die Lücke zwischen Ambition und Nachweis ohne neunmonatige Suche, unter der ausdrücklichen Bedingung, dass sie neben Ihren Leuten arbeiten, nicht in einem separaten Raum.
- Ausbilden (Kontextträger:innen): die Fachexpert:innen, die Sie bereits beschäftigen, die Serviceleiterin, die jedes Eskalationsmuster kennt, der Produktionsplaner, der weiß, warum der Plan bricht. Ihr Kontext ist für kein Geld einstellbar; KI-Kompetenz ist in Monaten trainierbar. Diese Menschen werden Ihre Use-Case-Owner und Champions.
- Die klassischen Fehler sind symmetrisch: einstellen, was man ausleihen sollte (ein festes Team vor bewiesenem Wert, das Runway in wartende Gehälter verbrennt), und ausleihen, was man einstellen sollte (das Datenfundament dauerhaft mieten, sodass keine Kompetenz akkumuliert).
Reihenfolge: das Team folgt dem Nachweis, nicht umgekehrt
Der teuerste Fehler im Teamaufbau ist, für die verkündete statt für die bewiesene Transformation einzustellen. Ein im Big Bang eingestelltes KI-Team vor dem ersten funktionierenden Use Case erzeugt eine Maschine, die sich rechtfertigen muss, so entstehen Organisationen mit beeindruckender Infrastruktur, unruhigen Engineers und keinem ausgelieferten Wert, und achtzehn Monate später einer stillen Kündigungswelle. Die nüchterne Reihenfolge: Phase eins, ein:e verantwortliche:r interne:r Owner plus geliehene Aufbau-Expertise beweist den ersten Use Case End-to-End. Phase zwei, sobald der Wert gemessen ist, den dauerhaften Kern einstellen, erst Data Engineering, dann den ersten Applied Engineer, und Champions in den zwei Funktionen mit den stärksten bewiesenen Fällen benennen. Phase drei, wenn sich die Use Cases vervielfachen, den Hub gezielt vergrößern, wobei jede Einstellung auf eine Pipeline echter Arbeit einzahlt. Senior-KI-Talente bewerten Arbeitgeber genau daran: Sie kommen dorthin, wo bereits etwas ausgeliefert wurde, wer zuerst Wert beweist, senkt also auch Kosten und Risiko jeder folgenden Einstellung.
Der interne Champion: die Rolle, die über Adoption entscheidet
Zwischen dem zentralen Kern und jedem Fachbereich steht die Rolle, die die meisten Transformationen dem Zufall überlassen: der interne Champion. Das ist eine respektierte Praktikerin im Fachbereich, nicht zwingend technisch, die in beide Richtungen übersetzt: was das KI-Team baut, in das, was das Team im Alltag wirklich tut, und was der Alltag wirklich braucht, in Anforderungen, mit denen die Bauenden arbeiten können. Richtig gemacht ist es eine benannte Rolle mit geschützter Zeit (ein Tag pro Woche ist eine realistische Untergrenze), direktem Draht zum Hub und dem Mandat, ohne Karriererisiko zu sagen: „Dieses Tool ist nicht reif.“ Champions werden nach Glaubwürdigkeit bei den Kolleg:innen ausgewählt, die Person, die ohnehin alle um Hilfe bitten, denn Adoption verbreitet sich entlang von Vertrauenslinien, nicht entlang des Organigramms. Unternehmen, die diese Rolle überspringen, entdecken, dass Deployment nicht Adoption ist: Lizenzen werden gekauft, Tools verordnet, und die Nutzung bricht nach der Launch-Woche still zusammen.
Externe Partner nutzen, ohne dauerhafte Abhängigkeit aufzubauen
- Auf Transfer statt nur auf Lieferung kontrahieren: Jedes eingebettete Engagement sollte die internen Ko-Bauenden benennen und definieren, was sie am Ende allein betreiben können müssen.
- Architektur- und Datenhoheit von Tag eins intern halten, externe Expert:innen beraten dazu, aber die verantwortliche Person trägt Ihre E-Mail-Domain.
- Eingebettete Zusammenarbeit der Black-Box-Lieferung vorziehen: Ein fertiges System, das intern niemand versteht, ist eine Verbindlichkeit mit Garantie, keine Kompetenz.
- Befristen und überprüfen: Geliehene Rollen brauchen einen expliziten Endzustand, in eine Festanstellung überführt, an eine:n ausgebildete:n interne:n Owner übergeben oder bewusst verlängert, niemals unbefristetes Treiben.
- Genau um dieses Modell ist Aiporate gebaut: geprüfte KI-Engineers und Fractional Leader, für die Phase, in der sie gebraucht werden, in Ihr Team eingebettet, mit Wissenstransfer als explizitem Bestandteil des Engagements statt als Nachgedanke.
