KI-Transformation braucht mehr als Change Management: Wie KI im Arbeitsalltag wirksam wird

Die meisten Unternehmen berücksichtigen Change Management durchaus, wenn sie KI einführen auch, wenn es kein groß angelegtes Transformationsprogramm gibt. Sie analysieren Stakeholder*innen, etablieren Governance-Strukturen, priorisieren Use Cases und schaffen Aufmerksamkeit für neue Tools. Sie informieren, bieten Trainings an und verfolgen die Nutzung.

Dieses Vorgehen ist nachvollziehbar. Technologietransformationen wurden lange nach genau diesem Muster gesteuert. KI unterscheidet sich jedoch in einem zentralen Punkt von einem klassischen Technologie-Rollout: Es gibt keinen stabilen Zielzustand. Die Technologie entwickelt sich kontinuierlich weiter. Use Cases gewinnen an Relevanz oder treten wieder in den Hintergrund. Welche Auswirkungen KI auf Rollen, Arbeitsabläufe und Entscheidungen hat, zeigt sich häufig erst in der praktischen Anwendung.

Wenn KI-Transformationen hinter den Erwartungen zurückbleiben, liegt das daher selten daran, dass Change Management vollständig fehlt. Häufiger ist die zugrunde liegende Change-Logik nicht auf diese Form der Veränderung ausgerichtet. Die relevante Frage lautet somit nicht, ob eine KI-Transformation Change Management benötigt. Entscheidend ist, ob der gewählte Ansatz zu dem Wandel passt, den KI tatsächlich auslöst. KI kennt keinen stabilen Zielzustand. Während Organisationen noch lernen, wie sie vorankommen, entwickelt sich auch das Ziel weiter.

KI ist mehr als der nächste IT-Change

Klassische Technologietransformationen folgen einer etablierten Logik: Am Anfang steht der Ist-Zustand, am Ende ein definiertes Zielbild, dazwischen liegt der Übergang. Ein System wird ausgewählt, ein Prozess neu gestaltet und eine Roadmap entwickelt. Die Mitarbeitenden sollen verstehen, was sich verändert, was bestehen bleibt, wie die neue Lösung funktioniert und was künftig von ihnen erwartet wird.
Die Realität ist selbstverständlich komplexer als jede Präsentationsfolie. Dennoch bleibt die grundlegende Richtung meist klar: Die Organisation bewegt sich von A nach B.

Bei KI greift diese Logik nur bedingt. KI ist nicht lediglich ein Werkzeug, das Menschen bedienen. Sie wird zunehmend Teil davon, wie Arbeit verstanden, ausgeführt und bewertet wird. Sie fasst Wissen zusammen, erstellt Inhalte, unterstützt Entscheidungen, empfiehlt nächste Schritte, automatisiert Workflows und stellt bestehende Expertise infrage. Damit verändert KI nicht nur Aufgaben. Sie berührt auch die Frage, welchen Beitrag Menschen künftig leisten und worin ihr professioneller Wert liegt. Der Wandel wird dadurch vielschichtiger, dynamischer und persönlicher als bei vielen früheren IT-Transformationen.

Vielschichtig ist er, weil sich heute häufig noch nicht verlässlich sagen lässt, was KI in sechs Monaten für eine bestimmte Rolle bedeuten wird. Dynamisch ist er, weil sich die Technologie schneller entwickelt, als Unternehmen Governance, Fähigkeiten und Arbeitsroutinen anpassen können. Und persönlich ist er, weil KI genau jene Bereiche berührt, in denen viele Menschen ihren beruflichen Wert sehen: Expertise, Urteilsvermögen, Kreativität und Erfahrung. Das erklärt möglicherweise, warum Gespräche über KI getriebenen Wandel auf Führungsebene eine andere Qualität haben. Die vertraute Frage, wie Menschen zur Nutzung eines neuen Tools bewegt werden können, tritt in den Hintergrund. Stattdessen geht es stärker um Unsicherheit, Neugier und mitunter auch Unbehagen und damit um grundlegende Fragen, die in der Organisation bisher nicht immer offen verhandelt wurden.

Auch die Zahlen weisen in diese Richtung. In der IBM CEO Study 2026 geben die befragten CEOs folgendes an:

Damit geht es um mehr als Adoption. Es geht um die Veränderungsfähigkeit der gesamten Organisation.

Das bewährte Change-Playbook ist weiterhin relevant. Es reicht allerdings nicht mehr aus.

Führung, Kommunikation, Training und Adoption bleiben unverzichtbar. Auch die nachhaltige Verankerung neuer Arbeitsweisen ist von Bedeutung. Menschen müssen weiterhin verstehen, was sich verändert, warum dies relevant ist und wie sie künftig handeln sollen.

KI zeigt jedoch, wo ein Change-Ansatz an Grenzen stößt, der für berechenbarere Transformationen entwickelt wurde. Nicht die bisherigen Regeln sind das Problem; vielmehr hat sich der Gegenstand des Wandels verändert. Wir begleiten Menschen nicht mehr ausschließlich von einem alten in einen neuen Zustand. Wir müssen Organisationen vielmehr dabei unterstützen, handlungsfähig zu bleiben, während dieses „Neue“ erst entsteht.

Dieser Unterschied hat weitreichende Konsequenzen. Wer KI wie einen klassischen Rollout steuert, setzt möglicherweise die falschen Prioritäten: Es wird mehr kommuniziert, obwohl Orientierung fehlt. Nutzungskennzahlen erhalten viel Aufmerksamkeit, obwohl Fähigkeiten ausschlaggebend sind. Der Fokus liegt auf Skeptiker*innen, während informelle Workarounds unbemerkt bleiben. Und KI wird im Projektmodus geführt, obwohl die eigentliche Herausforderung zunehmend das Operating Model betrifft.

Vielen KI-Initiativen mangelt es somit nicht an Engagement. Was ihnen fehlt, ist eine Change-Logik, die zur Situation passt. In unserer Arbeit mit Kund*innen und Transformationsteams begegnen uns insbesondere vier Anzeichen dafür.

1. Viel Kommunikation, wenig Orientierung

Wenn Unternehmen KI einführen, ist Kommunikation meist eine der ersten Maßnahmen: Das Tool wird erklärt, Vorteile werden greifbar gemacht, Use Cases vorgestellt und Mitarbeitende einbezogen. All das ist sinnvoll. Kommunikation allein kann KI Change jedoch nicht leisten.

Bei klassischen Transformationen lässt sich der Zielzustand in der Regel recht konkret beschreiben. Es gibt einen Go-live-Termin, einen neuen Prozess, ein neues System und klar benennbare Vorteile. Die Change Story mag komplex sein, die Richtung steht jedoch weitgehend fest.

Bei KI lässt sich diese Klarheit deutlich schwerer herstellen. Führungskräfte wissen möglicherweise noch nicht, welche Use Cases langfristig relevant sein werden, wie sich Rollen entwickeln oder welche Fähigkeiten künftig zählen. Selbst eine heute überzeugende Antwort kann innerhalb weniger Monate überholt sein.

Menschen benötigen daher nicht nur Informationen, sondern Orientierung. Orientierung bedeutet nicht, jede Antwort vorwegzunehmen. Sie hilft dabei, Entwicklungen einzuordnen, eine Richtung zu erkennen und auch ohne vollständige Gewissheit handlungsfähig zu bleiben.

Dafür braucht es eine andere Haltung in der Kommunikation: weniger endgültige Antworten und mehr Transparenz darüber, wie die Organisation gemeinsam lernen will. Weniger Kampagne, mehr Dialog. Weniger Beruhigung, mehr ehrliche Einordnung.

Führungskräfte sollten sich deshalb fragen: Versuchen wir vor allem, Unsicherheit durch Kommunikation zu reduzieren oder stärken wir die Fähigkeit der Organisation, konstruktiv mit ihr umzugehen? Denn fehlende Kommunikation erzeugt Unsicherheit. Eine Gewissheit, die sich nicht einlösen lässt, beschädigt hingegen Vertrauen.

2. Unternehmen konzentrieren sich auf Skeptiker*innen – und übersehen informelle Workarounds

Der Umgang mit Widerstand gehört zum Kern des Change Managements. Wir analysieren, wer die Veränderung unterstützt, wer ihr skeptisch gegenübersteht und wo Überzeugungsarbeit notwendig ist. Das bleibt sinnvoll. Für KI ist diese Stakeholder-Perspektive allein jedoch nicht ausreichend.

Die offensichtlichen Skeptiker*innen stellen nicht zwangsläufig das größte Risiko dar. Selbstverständlich müssen Unternehmen die Bedenken derjenigen ernst nehmen, die KI ablehnen, ihren Nutzen infrage stellen oder mögliche Folgen fürchten.

Mindestens ebenso relevant ist jedoch eine andere Gruppe: Menschen, die KI engagiert nutzen möchten, für deren Arbeitsalltag die freigegebenen Tools, Richtlinien oder Prozesse aber nicht ausreichen. Sie widersetzen sich der Veränderung nicht. Im Gegenteil: Häufig handelt es sich um Early Adopters oder Power User, die das Potenzial schneller erkennen, als die Organisation geeignete Rahmenbedingungen schaffen kann.

Ist das offizielle Angebot zu langsam, zu restriktiv oder zu unklar, entstehen eigene Lösungen. Nicht freigegebene Tools werden genutzt, Schattenprozesse bilden sich und neue Arbeitsweisen entwickeln sich außerhalb der Sichtbarkeit von Governance, IT, Compliance und Führung.

Darin liegt ein Paradox der KI-Adoption:

Ein Risiko besteht darin, dass Menschen KI nicht nutzen. Ein anderes, ebenso relevantes Risiko entsteht, wenn sie KI auf eine Weise einsetzen, die die Organisation weder erkennen noch unterstützen kann und aus der sie entsprechend nichts lernt.

Wie weit diese Entwicklung bereits fortgeschritten ist, zeigt die IBM Tech Leader Study 2026: 77 Prozent der befragten Unternehmen berichten, dass die KI-Adoption schneller voranschreitet, als ihre Governance-Fähigkeiten mithalten können. (IBM Tech Leader Study 2026)

Die Herausforderung liegt folglich nicht immer in mangelnder Dynamik. In vielen Organisationen geschieht bereits sehr viel allerdings schneller, als diese Entwicklung wirksam begleitet und gesteuert werden kann. Wer KI Change verantwortet, sollte deshalb nicht nur fragen, wer Widerstand leistet. Ebenso wichtig sind folgende Fragen:

Zurückhaltung ist nicht automatisch Widerstand. Mitunter fehlt lediglich die Klarheit, ob ein bestimmtes Vorgehen bereits erwünscht oder überhaupt zulässig ist. Umgekehrt ist Begeisterung nicht zwangsläufig ein Beleg für Erfolg. Sie kann auch darauf hindeuten, dass formale Strukturen mit der gelebten Praxis noch nicht Schritt halten.

3. Die Nutzung wird gemessen, nicht die Fähigkeit dahinter

Adoption gehört zu den sichtbarsten Kennzahlen in Change-Programmen. Nutzen die Mitarbeitenden das Tool? Wie häufig loggen sie sich ein? Haben sie das Training absolviert? Folgen sie dem neuen Prozess?

Diese Daten sind hilfreich und vergleichsweise leicht verfügbar. In einer KI-Transformation können sie jedoch ein überzeugendes, aber unvollständiges Bild von Fortschritt vermitteln. Wer täglich ein KI-Tool nutzt, schafft damit nicht automatisch Wert. Mehr Inhalte, mehr Zusammenfassungen oder einzelne automatisierte Aufgaben führen nicht zwangsläufig zu besserer Arbeit. Gleichzeitig kann eine Person, die KI nur gelegentlich einsetzt, eine deutlich größere Wirkung erzielen. Nutzung belegt, dass etwas geschieht. Über den tatsächlichen Nutzen sagt sie nur wenig aus.

Die entscheidende Frage lautet daher: Entwickeln Menschen die Fähigkeit, KI sinnvoll und verantwortungsvoll einzusetzen?
Dazu gehört, beurteilen zu können, wann KI hilfreich ist und wann nicht. Menschen müssen Ergebnisse kritisch bewerten, präzise Fragen stellen, Annahmen überprüfen und maschinelle Unterstützung mit menschlicher Expertise verbinden können. Ebenso wichtig ist ein klares Verständnis von Risiken, Verantwortlichkeiten und den Grenzen zulässiger Nutzung. Im Mittelpunkt steht Urteilsvermögen, nicht allein die Routine im Umgang mit einem Tool.

Diese Diskrepanz ist nicht ausschließlich ein Technologieproblem. Sie verweist auf eine tiefer liegende Kluft zwischen Wahrnehmung, Führungsverständnis und organisationalem Lernen. Auch deshalb reichen Trainings allein nicht aus. Ein Training kann die Funktionen eines Tools vermitteln. Echte Capability zeigt sich erst darin, KI im eigenen Arbeitskontext sinnvoll, sicher und wertschöpfend einzusetzen. Die weiterführende Frage lautet daher: Vermitteln wir einzelnen Nutzer*innen den Umgang mit einem KI-Tool oder entwickeln wir Teams, die kompetent mit KI arbeiten können? Dieser Unterschied wird sich in der Qualität der Ergebnisse zeigen.

4. KI wird wie ein Projekt gesteuert – dabei verändert sie das Operating Model

Eines der größten Missverständnisse besteht darin, KI wie ein herkömmliches Projekt zu behandeln. Viele Unternehmen planen weiterhin den Übergang von einem Ist- zu einem Zielzustand: Use Cases definieren, Roadmaps erstellen, Tools einführen, Trainings anbieten und Adoption messen. Diese Struktur ist notwendig. Ohne sie werden KI-Aktivitäten schnell unkoordiniert und verlieren an strategischer Ausrichtung.

KI führt jedoch nicht zu einem stabilen Endzustand. Die Technologie entwickelt sich weiter, Use Cases verschieben sich, Risiken verändern sich und Fähigkeiten reifen. Welche Konsequenzen sich für Rollen, Workflows und Entscheidungen ergeben, wird häufig erst in der Anwendung sichtbar. KI ist daher nichts, was ein Unternehmen einmal implementiert und anschließend als abgeschlossen betrachten kann. Organisationen müssen dauerhaft lernen, mit ihr zu arbeiten. In diesem Sinne ähnelt KI weniger einem Projekt als einem Operating Model. Sie beeinflusst, wie Unternehmen Chancen erkennen, Use Cases priorisieren, Risiken steuern, Fähigkeiten entwickeln, Workflows gestalten und Entscheidungsrechte verteilen. Damit verändert KI kontinuierlich die Art und Weise, wie eine Organisation Wert schafft.

Das erklärt, warum viele KI-Initiativen ins Stocken geraten. Häufig fehlt es weder an vielversprechenden Use Cases noch an leistungsfähigen Tools. Vielmehr ist die Organisation noch nicht darauf ausgerichtet, das Potenzial der Technologie aufzunehmen. Die eigentliche Hürde liegt dann in Strukturen, Gewohnheiten und Arbeitsweisen und weniger in der KI selbst. An dieser Stelle liegt der Vergleich mit Agile nahe. Auch Agile ist mehr als eine Methode und verändert Zusammenarbeit, Entscheidungen und Arbeitsweisen grundlegend. Veränderungen des Operating Models sind für Unternehmen somit keineswegs neu.
KI geht dennoch einen entscheidenden Schritt weiter. Agile verändert, wie Menschen zusammenarbeiten. KI verändert zunehmend, wer oder was Arbeit ausführt. Agile verbessert Delivery und Reaktionsfähigkeit menschlicher Teams. KI bringt einen nicht-menschlichen Akteur in den Workflow, der Inhalte erstellt, Empfehlungen gibt, Entscheidungen unterstützt und Aufgaben ausführt. Agile verändert den Arbeitsrhythmus einer Organisation. KI verändert die Zusammensetzung der Arbeit selbst.

Aus diesem Grund muss Change im Kontext von KI strategischer gedacht werden.

Was hinter dem sichtbaren Problem steckt

Dieser Part ist für Führungskräfte nun essentiell, da ein Perspektivwechsel nötig ist:

Implementierung, relevante Use Cases und Klarheit bleiben notwendig. Für sich genommen genügen sie jedoch nicht. Wer KI-Transformation in erster Linie als Delivery-Aufgabe versteht, bearbeitet möglicherweise das sichtbare Problem und übersieht die tiefer liegende Herausforderung.

Dann werden Tools eingeführt, ohne die Arbeit neu zu gestalten. Die Nutzung steigt, ohne dass daraus Wert entsteht. Vorteile werden kommuniziert, doch Orientierung fehlt. Und während Widerstand gemanagt wird, prägen informelle Verhaltensweisen längst die tatsächliche Adoption.

KI benötigt deshalb nicht einfach mehr oder besseres Change Management. Sie erfordert eine neue Form organisationaler Veränderungsfähigkeit.

Fünf Prinzipien für KI getriebenen Change

Bei IBM iX entwickeln wir einen Ansatz für KI Change, der Kommunikation, Training und Adoption nicht als voneinander getrennte Workstreams betrachtet.

Diese Elemente bleiben wichtig, müssen aber in eine umfassendere Logik eingebettet werden. Eine Logik, die Organisationen dabei unterstützt, Bedeutung zu schaffen, Fähigkeiten aufzubauen, Spannungen produktiv zu nutzen, sich kontinuierlich anzupassen und auch ohne vollständige Gewissheit handlungsfähig zu bleiben.

1. Verständnis ist wichtiger als Kommunikation

Menschen benötigen in einer KI-Transformation mehr als professionell formulierte Botschaften. Sie möchten verstehen, was KI für ihre Arbeit, ihre Rolle, ihre Expertise und ihren künftigen Beitrag bedeutet. Ein Kommunikationsplan kann Veränderungen erklären. Bedeutung entsteht jedoch erst im Dialog, durch Reflexion und im direkten Bezug zum Arbeitsalltag.

Die praktische Konsequenz: Nicht allein Vorteile vermitteln, sondern Räume schaffen, in denen Menschen Fragen stellen, Erfahrungen teilen und sich an der Gestaltung beteiligen können.

2. Lernen ist wichtiger als Training

Ein Training vermittelt, wie ein Tool bedient wird. Lernen entwickelt Urteilsvermögen. KI-Kompetenz wächst durch Experimentieren, Anwenden, Feedback und Reflexion. Eine einmalige Enablement-Session kann Aufmerksamkeit schaffen, verändert jedoch selten dauerhaft die Arbeit. Menschen müssen lernen, Ergebnisse zu beurteilen, Workflows neu zu gestalten, Risiken zu verstehen und zu erkennen, wann menschliches Urteilsvermögen unverzichtbar bleibt.

Die praktische Konsequenz: Lernen rund um KI als kontinuierliches Capability-System gestalten, nicht als einmalige Schulungsmaßnahme.

3. Konstruktive Auseinandersetzung ist wertvoller als schnelle Einigkeit

Klassisches Change Management zielt häufig auf Alignment. Im Kontext von KI können Spannungen jedoch wertvoll sein: zwischen Geschwindigkeit und Governance, Experimentieren und Kontrolle, Automatisierung und menschlichem Urteilsvermögen, Effizienz und Qualität. Wer diese Gegensätze vorschnell auflösen möchte, erzeugt häufig nur vermeintliche Sicherheit. Gute AI-Change-Arbeit macht sie sichtbar und nutzt sie als Grundlage für bessere Entscheidungen.

Die praktische Konsequenz: Spannungen nicht hinter positiven Botschaften verbergen, sondern offen ansprechen und produktiv bearbeiten.

4. Anpassung ist wichtiger als Stabilisierung

Viele Transformationen verfolgen das Ziel, einen neuen stabilen Zustand herzustellen. KI erfordert ein anderes Verständnis, denn einen endgültigen Zielzustand gibt es möglicherweise nicht. Tools, Risiken, Regulierung, Use Cases und Verhaltensweisen entwickeln sich weiter und mit ihnen muss sich auch die Organisation weiterentwickeln.

Das bedeutet nicht, auf Struktur zu verzichten. Es bedeutet, Veränderung als dauerhafte Fähigkeit zu organisieren und nicht als zeitlich begrenzte Projektphase.

Die praktische Konsequenz: Verbindliche Routinen etablieren, mit denen die Organisation kontinuierlich lernt und nachsteuert.

5. Handlungsfähigkeit ist wichtiger als Gewissheit

Von Führungskräften wird häufig erwartet, Sicherheit zu vermitteln. In einer KI-Transformation können sie jedoch nicht auf jede Frage eine belastbare Antwort haben. Was sie geben können, sind eine klare Richtung, tragfähige Prinzipien, nachvollziehbare Entscheidungen und die Erlaubnis zu lernen. So entsteht ein Umfeld, in dem Menschen verantwortungsvoll handeln können, auch wenn noch nicht alles geklärt ist.

Die praktische Konsequenz: Nicht auf vollständige Antworten warten, sondern die Organisation befähigen, auch ohne sie verantwortungsvoll voranzugehen.

Ausblick: Von der Nutzung zur wirksamen KI-Kompetenz

KI lässt sich nicht allein durch Technologie skalieren. Nachhaltigen Geschäftswert werden vor allem jene Unternehmen schaffen, die rund um KI auch ihre menschlichen, organisatorischen und operativen Fähigkeiten gezielt entwickeln.

Dafür braucht es mehr als Kommunikation, Trainings und Adoption-Tracking. Erforderlich sind Orientierung, kontinuierliches Lernen, ein produktiver Umgang mit Spannungen, Anpassungsfähigkeit und systematischer Kompetenzaufbau. Die entscheidende Frage für Führungskräfte lautet daher nicht nur: „Wie bringen wir Menschen dazu, KI zu nutzen?“ Sondern: „Wie gestalten wir eine Organisation, die mit KI kontinuierlich lernen, entscheiden und Wert schaffen kann?“

Dieser Perspektivwechsel mag zunächst subtil erscheinen, ist jedoch grundlegend. KI fordert Organisationen nicht nur dazu auf, neue Tools einzusetzen. Sie verlangt auch eine neue Art, Veränderung zu verstehen und zu gestalten.

Unternehmen, die derzeit von ersten KI-Piloten zu KI im großen Maßstab übergehen, sollten ihre Change Capability deshalb kritisch prüfen und gezielt weiterentwickeln. Andernfalls besteht die Gefahr, dass KI-Adoption lediglich zur nächsten Kennzahl wird, ohne viel darüber auszusagen, ob sich die Organisation tatsächlich verändert.

Teilen