KI-Implementierung: Vom Pilot zum Produktivbetrieb

Der Pilot war ein Erfolg. Die Demo hat im Führungskreis überzeugt, das Projektteam ist begeistert, und auf der Abschlussfolie stand ein beeindruckender Prozentwert. Sechs Monate später nutzt das System niemand. Nicht, weil die KI schlecht war, sondern weil zwischen einer funktionierenden Demo und einem System, auf das sich ein Team jeden Tag verlässt, eine Strecke liegt, die kaum jemand eingeplant hat.

Genau um diese Strecke geht es bei der KI-Implementierung. Wir bei TAISC bringen KI-Lösungen nicht nur bis zum Prototyp, sondern in den Produktivbetrieb: als Wissensassistenten, als Automatisierungen, als Agenten in bestehenden Systemen. Dabei sehen wir immer wieder, dass der Pilot selten das Problem ist. Das Problem ist alles, was danach kommt und vorher niemand budgetiert hat.

Sie bekommen hier eine klare Einordnung von Pilot, MVP und Produktivsystem, einen Fahrplan in fünf Schritten, eine Checkliste für die Produktionsreife, zwei echte Projektbeispiele und eine ehrliche Einordnung der Kosten.

Was bedeutet KI-Implementierung eigentlich?

KI-Implementierung bezeichnet den Weg von einer funktionierenden Idee zu einem KI-System, das fest in einem Geschäftsprozess arbeitet: mit echten Daten, echten Nutzern, klarer Verantwortung und laufendem Betrieb. Sie beginnt nicht mit der Modellauswahl und endet nicht mit dem Go-live. Sie umfasst die Integration in bestehende Systeme, die Absicherung der Qualität, die Befähigung der Menschen, die damit arbeiten, und die Frage, wer das System in einem Jahr noch pflegt.

Davon zu unterscheiden ist die KI-Einführung im weiteren Sinn: Strategie, Kultur, Richtlinien, Schulungen für die ganze Belegschaft. Beides hängt eng zusammen, aber die Implementierung ist der Teil, in dem aus Absichten laufende Software wird. Und genau dort bleiben die meisten Vorhaben hängen.

Warum bleiben so viele KI-Piloten im Pilot stecken?

Der viel zitierte MIT-Report „State of AI in Business 2025” kommt zu dem Ergebnis, dass rund 95 Prozent der Pilotprojekte mit generativer KI keinen messbaren Effekt auf Umsatz oder Kosten zeigen. Die Ursache liegt laut Report fast nie im Modell, sondern darin, dass die Systeme nicht tief genug in echte Arbeitsabläufe eingebettet sind. Die Zahlen und die Voraussetzungen dahinter haben wir im KI-Readiness-Check ausführlich aufgeschlüsselt.

Aus unseren eigenen Projekten kennen wir vor allem fünf Gründe, warum Piloten nicht über die Demo hinauskommen:

• Der Pilot wurde für die Präsentation gebaut, nicht für den Prozess. Er beantwortet ausgewählte Beispielfragen gut, aber niemand hat geprüft, wie er mit den unordentlichen Fällen aus dem Alltag umgeht.
• Es gab kein Erfolgskriterium. Ohne eine vorher festgelegte Zahl lässt sich nicht entscheiden, ob sich der nächste Schritt lohnt. Also wird er vertagt.
• Die Daten kamen per Hand. Im Pilot hat jemand einen Export gezogen und hochgeladen. Für den Betrieb braucht es eine stabile Anbindung an die Quellsysteme, und die war nie eingeplant.
• Niemandem gehört das System. Das Projektteam löst sich auf, die IT fühlt sich nicht zuständig, der Fachbereich wartet ab.
• Datenschutz und IT-Sicherheit kommen zu spät. Wird die Freigabe erst nach dem Piloten angefragt, beginnt die Architektur oft noch einmal von vorn.

Keiner dieser Gründe ist technisch anspruchsvoll. Alle lassen sich klären, bevor der Pilot überhaupt startet.

Pilot, MVP oder Produktivsystem: Wo stehen Sie?

Ein großer Teil der Verwirrung entsteht, weil „Pilot” für sehr unterschiedliche Dinge verwendet wird. Hilfreich ist eine klare Trennung in drei Reifestufen, jede mit eigenem Ziel:

Ein Pilot, oft auch Proof-of-Concept genannt, beantwortet genau eine Frage: Funktioniert der Ansatz mit unseren Daten grundsätzlich? Er darf provisorisch sein. Er sollte aber mit echten Daten arbeiten, sonst beweist er nichts.

Ein MVP beantwortet die zweite Frage: Hilft das System einer echten Nutzergruppe im echten Prozess? Hier kommen die ersten Integrationen, ein einfaches Rechtekonzept und eine Testgruppe hinzu, die täglich damit arbeitet und Rückmeldung gibt.

Der Produktivbetrieb beantwortet die dritte Frage: Trägt das System dauerhaft, für alle, die es brauchen, zu vertretbaren Kosten? Erst hier entsteht die Wirkung, die im Business Case steht.

Der häufigste Fehler ist, die mittlere Stufe zu überspringen. Aus einem gelungenen Piloten wird direkt ein unternehmensweiter Rollout geplant, und die Probleme, die eine Testgruppe in zwei Wochen gefunden hätte, tauchen dann bei allen gleichzeitig auf.

Wie gelingt die KI-Implementierung in fünf Schritten?

Unser Vorgehen ist bewusst stufenweise. Nach jedem Schritt steht eine Entscheidung, ob sich der nächste lohnt. Das hält Risiko und Budget klein und verhindert, dass ein Projekt nur aus Trägheit weiterläuft.

1. Engpass und Erfolgskriterium festlegen

Am Anfang steht kein Tool, sondern ein Engpass: ein Vorgang, der heute viel Zeit kostet, häufig anfällt und sich klar beschreiben lässt. Dazu gehört eine Zahl, an der sich der Erfolg messen lässt, etwa Minuten pro Vorgang, Durchlaufzeit oder der Anteil automatisch erledigter Fälle. Wichtig ist, den Ausgangswert zu messen, bevor das Projekt startet. Wer den Vorher-Wert nicht kennt, kann den Nachher-Wert nicht einordnen.

2. Pilot mit echten Daten und echten Testfällen

Der Pilot arbeitet mit echten Daten aus dem Prozess, nicht mit geschönten Beispielen. Parallel entsteht eine Sammlung von Testfällen: typische Anfragen mit der jeweils richtigen Antwort, dazu die schwierigen Randfälle. Diese Testfälle sind das wertvollste Ergebnis des Piloten. Sie zeigen nicht nur, ob der Ansatz funktioniert, sondern erlauben später bei jeder Änderung am Prompt und bei jedem Modellwechsel eine objektive Prüfung, ob das System besser oder schlechter geworden ist.

3. MVP im echten Arbeitsablauf

Das MVP kommt dorthin, wo ohnehin gearbeitet wird: ins Ticketsystem, ins Intranet, ins Postfach, in die bestehende Fachanwendung. Ein KI-Tool, das in einem eigenen Browser-Tab lebt, wird nach zwei Wochen nicht mehr geöffnet. Bei allem, was nach außen geht oder Geld bewegt, bleibt ein Mensch als Freigabeinstanz im Prozess. Das kostet weniger Zeit als vermutet und nimmt der Einführung viel Widerstand.

4. Produktionsreife herstellen

Jetzt wird aus dem funktionierenden System ein belastbares: stabile Datenanbindung statt manueller Exporte, saubere Rechte, Monitoring und Kostenkontrolle. Was genau dazugehört, zeigt die Checkliste im nächsten Abschnitt. Dieser Schritt ist unspektakulär und wird deshalb am häufigsten unterschätzt. In der Praxis steckt hier oft mehr Arbeit als im Piloten selbst.

5. Rollout, Befähigung und Übergabe

Der Rollout erfolgt in Wellen, nicht auf einen Schlag. Die Nutzer lernen das System an ihren eigenen Aufgaben kennen, nicht an Folien. Und es gibt eine klare Verantwortung im Haus: eine Person, die Feedback sammelt, Lücken meldet und entscheidet, was als Nächstes kommt. Der EU AI Act verlangt zudem, dass Mitarbeitende, die KI-Systeme einsetzen, über ausreichende KI-Kompetenz verfügen, eine gute Schulung zum Rollout deckt das ohnehin ab. Warum selbst gute Software ohne diese Begleitung im Regal landet, haben wir in Gekaufte Software, die keiner nutzt beschrieben.

Woran erkennen Sie, dass ein KI-System produktionsreif ist?

Produktionsreife ist keine Gefühlsfrage. Bevor ein System für alle Nutzer freigeschaltet wird, sollten diese Punkte mit Ja beantwortet sein:

• Die Qualität ist gegen feste Testfälle gemessen, nicht nur gefühlt.
• Die Daten kommen automatisch und aktuell aus den Quellsystemen.
• Die Zugriffsrechte entsprechen denen der Quellsysteme.
• Anfragen und Antworten werden protokolliert und sind nachvollziehbar.
• Die Kosten pro Vorgang sind bekannt und werden überwacht.
• Es gibt einen Rückfallweg, wenn das System ausfällt oder unsicher ist.
• Datenschutz und IT-Sicherheit haben die Architektur freigegeben.
• Eine Person im Haus verantwortet das System fachlich.

Ein Punkt wird dabei gern übersehen: Sprachmodelle ändern sich. Anbieter aktualisieren Modelle, stellen ältere Versionen ein und passen Preise an. Ein produktionsreifes System ist so gebaut, dass ein Modellwechsel eine geprüfte Routineaufgabe ist und kein neues Projekt. Genau dafür braucht es die Testfälle aus dem Piloten.

Wie sieht der Weg vom Pilot zum Produktivbetrieb in einem echten Projekt aus?

Zwei Projekte aus unserer Arbeit zeigen die beiden typischen Wege.

Logify: vom Hackathon in den On-Premise-Betrieb. Im IT-Support des B2B-Softwareunternehmens BCT verbrachten Mitarbeitende Stunden bis Tage damit, unstrukturierte Logfiles manuell nach Fehlerursachen zu durchsuchen. Die erste Version unseres Analysesystems entstand im November 2024 in 48 Stunden auf dem Black Forest Innovation Hackathon und wurde dort prämiert. Sie erkannte Fehler und Anomalien in den Logs und generierte priorisierte Lösungsvorschläge.

Damit war die Machbarkeit bewiesen, aber noch nichts im Betrieb. Für den Produktivbetrieb sollte das System auf der Infrastruktur des Kunden laufen, also On-Premise statt in der Cloud. Die Ausgaben des Modells werden in ein festes, validiertes Format überführt, statt als freier Text durchgereicht zu werden, und die Ergebnisse landen in einer eigenen Oberfläche für das Support-Team. Das On-Premise-Deployment wurde im April 2026 abgeschlossen, zunächst für den internen Einsatz im Support-Team, und ein Folgeprojekt ist bereits in der Konzeptphase. Details im Projekt Logify.

Die Lehre daraus ist unbequem, aber wichtig: Der Prototyp war nach zwei Tagen fertig, der Weg in den Betrieb hat ein Vielfaches davon gebraucht. Das ist kein Zeichen für ein schlecht geplantes Projekt, sondern der Normalfall. Wer die zweite Phase nicht einplant, erlebt sie als Enttäuschung.

RMEP: produktionsnah bauen, schon im Piloten. Den anderen Weg sind wir beim monatlichen Portfolio-Reporting der Beteiligungsgesellschaft RMEP gegangen. Hier wurden die Strukturen für den Betrieb von Anfang an mitgebaut: deterministische Prüfungen in Python, die die berechneten Daten vor jedem Versand validieren, eine menschliche Freigabe über Slack oder E-Mail, Versionierung über GitHub und ein kontrollierter Reparaturmechanismus über automatische Pull Requests. Schon im laufenden Pilotbetrieb entsteht der Report ohne manuellen Erstellungsaufwand, vorher hing er jeden Monat an einer einzigen Person. Mehr dazu unter Financial Reporting 2.0.

Beide Wege funktionieren. Der zweite kommt schneller ans Ziel, setzt aber voraus, dass der Prozess und seine Qualitätsanforderungen von Beginn an klar sind.

Was kostet eine KI-Implementierung?

Seriöse Zahlen gibt es erst nach einem klaren Scope, pauschale Preise im Internet sind meist Lockangebote. Hilfreicher als eine einzelne Summe ist die Frage, wo die Kosten entstehen:

• Workshop und Priorisierung. Klar abgegrenzt und im Budget überschaubar. Hier fällt die wichtigste Entscheidung: welcher Use Case zuerst.
• Pilot und MVP. Bei uns typischerweise 4–12 Wochen mit festem Scope und klarem Erfolgskriterium. Die Kosten hängen vor allem von Datenlage und Integrationstiefe ab.
• Produktionsreife. Der Posten, der in den meisten Budgets fehlt. Planen Sie ihn ausdrücklich ein: Er ist oft mindestens so aufwendig wie der Pilot, bei On-Premise-Betrieb oder vielen Schnittstellen auch deutlich mehr.
• Laufender Betrieb. Modellkosten pro Vorgang, Hosting, Monitoring und Weiterentwicklung. Die Modellkosten sind bei gut gebauten Systemen oft der kleinere Teil. Teuer wird es, wenn niemand das System pflegt und es schleichend an Qualität verliert.

Wir arbeiten am liebsten mit festem Scope und Festpreisen je Stufe. So wissen Sie vor jedem Schritt, was er kostet, und entscheiden erst danach über den nächsten. Wer eine Implementierung eng begleitet haben möchte, kann zusätzlich einen Forward Deployed Engineer einbinden, der direkt in Ihrem Team mitarbeitet. Alle Modelle im Überblick finden Sie auf der Seite Services.

Die teuerste Variante ist übrigens nicht die aufwendige Implementierung. Es ist der Pilot, der nie in Betrieb geht: Er kostet das volle Budget und liefert keinen Euro Wirkung.

Wer muss bei der KI-Implementierung mitziehen?

KI-Implementierung ist Teamarbeit, und die Rollen sollten vor dem Start benannt sein.

Der Fachbereich bringt den Engpass, die Testfälle und die Nutzer. Ohne ihn baut man an der Realität vorbei.

Die IT verantwortet Anbindung, Betrieb und Sicherheit. Wird sie erst kurz vor dem Go-live gefragt, wird aus dem Go-live ein Neustart.

Datenschutz und, wo vorhanden, der Betriebsrat gehören früh an den Tisch, besonders wenn das System personenbezogene Daten verarbeitet oder Arbeitsergebnisse sichtbar macht. Frühe Einbindung kostet eine Stunde, späte kostet Wochen.

Die Geschäftsführung gibt Rückendeckung und entscheidet an den Stufenübergängen, anhand der Zahl, die vor dem Start vereinbart wurde.

Ein Umsetzungspartner bringt Tempo und Erfahrung aus vielen Projekten mit, sollte Wissen und Verantwortung aber Schritt für Schritt ins Haus übergeben.

Häufige Fragen

Was ist der Unterschied zwischen KI-Einführung und KI-Implementierung?

KI-Einführung ist der größere Rahmen: Strategie, Richtlinien, Schulungen und Kultur im ganzen Unternehmen. KI-Implementierung ist der konkrete Weg, auf dem ein einzelnes KI-System vom Piloten in den produktiven Einsatz kommt, mit Integration, Qualitätssicherung und Betrieb. Erst die Implementierung erzeugt messbare Wirkung im Prozess.

Wie lange dauert eine KI-Implementierung vom Pilot bis zum Produktivbetrieb?

Pilot und MVP liefern wir typischerweise in 4–12 Wochen. Die Produktionsreife dauert je nach Integrationstiefe und Hosting weitere Wochen bis Monate. Ein Assistent mit wenigen Schnittstellen ist deutlich schneller im Betrieb als ein System, das On-Premise laufen oder in mehrere Fachanwendungen zurückschreiben soll.

Warum scheitern so viele KI-Piloten?

Selten am Modell. Die häufigsten Gründe sind ein fehlendes Erfolgskriterium, Daten, die im Piloten per Hand eingespielt wurden, fehlende Verantwortung nach Projektende und eine zu späte Einbindung von IT und Datenschutz. All das lässt sich vor dem Start klären.

Was sollte ein KI-Pilot als Ergebnis liefern?

Eine klare Entscheidung, ob sich der nächste Schritt lohnt, gemessen an einer vorher festgelegten Zahl. Dazu eine Sammlung echter Testfälle mit richtigen Antworten, eine realistische Schätzung der Kosten pro Vorgang und eine Liste der Integrationen, die für den Betrieb nötig sind. Ein Pilot, der nur eine gute Demo liefert, hat seine Aufgabe nicht erfüllt.

Brauchen wir für die KI-Implementierung ein eigenes KI-Team?

Nein. Viele unserer Kunden haben kein eigenes KI-Team. Wichtig ist eine Person im Haus, die das System fachlich verantwortet, dazu die Einbindung der IT für Anbindung und Betrieb. Die Entwicklung und auf Wunsch auch den Betrieb kann ein Partner übernehmen und das Wissen Schritt für Schritt an Ihr Team übergeben.

Sollten wir KI-Systeme in der Cloud oder On-Premise betreiben?

Für die meisten Anwendungsfälle genügt ein Betrieb in der Cloud mit Verarbeitung in der EU und Anbietern, die nicht mit Ihren Daten trainieren. On-Premise lohnt sich bei besonders sensiblen Daten oder strengen Vorgaben des Kunden, bringt aber höheren Aufwand für Infrastruktur und Betrieb mit sich. Diese Entscheidung sollte vor dem Piloten fallen, weil sie die Architektur prägt.

Fazit

Eine KI-Implementierung scheitert selten an der Technik. Sie scheitert daran, dass der Weg vom Piloten in den Betrieb nicht eingeplant war: kein Erfolgskriterium, keine Testfälle, keine stabile Datenanbindung, niemand, dem das System gehört. Wer diese Punkte vor dem Start klärt, in klaren Stufen vorgeht und die Produktionsreife als eigenen Schritt budgetiert, bringt KI in den Alltag statt ins Archiv.

Unser Anspruch ist genau das: Systeme, die nicht nur in der Demo überzeugen, sondern im Betrieb tragen. Wenn Sie einen Piloten haben, der feststeckt, oder vor dem ersten stehen und ihn diesmal von Anfang an richtig aufsetzen wollen, lassen Sie uns sprechen. Buchen Sie ein unverbindliches Erstgespräch, und wir schauen gemeinsam, was zwischen Ihrem Piloten und dem Produktivbetrieb noch fehlt.