Gilt die 70-20-10-Regel für KI-Transformationen unabhängig von der Unternehmensgröße?

David Rice

on May 8, 2026

Mittelständische Unternehmen können sich keine KI-Budgets in Unternehmengröße leisten. Doch das Geheimnis erfolgreicher KI-Transformation liegt nicht im Mehr-Ausgeben, sondern im Anders-Ausgeben.

TABLE OF CONTENTS Das Rahmenwerk verstehen Was Unternehmen falsch machen 70 % für Menschen Realitätscheck Mittelstand Versteckte Kosten So gelingt es richtig Von der Regel zum Prinzip

Unternehmen A gab im letzten Jahr 8 Millionen Dollar für die KI-Transformation aus. Unternehmen B gab nur die Hälfte davon aus. Doch nach allen wichtigen Maßstäben – Einführungsraten, Produktivitätssteigerungen, Mitarbeiterzufriedenheit und Kapitalrendite – ist Unternehmen B seinem finanzstärkeren Konkurrenten weit voraus.

Der Unterschied liegt nicht in der Technologie. Beide Unternehmen lizenzierten die gleichen Enterprise-LLMs. Beide beauftragten Beratungsfirmen. Beide kündigten ihre KI-Initiativen mit dem von Führungskräften so geliebten Pomp an. Der Unterschied lag in einer einzigen Entscheidung am Anfang: wie sie ihre Budgets aufteilten.

Unternehmen A ging den bekannten Weg: 60 % für Technologie, 15 % für Schulungen, 25 % für „alles andere“. Unternehmen B stellte die Pyramide komplett auf den Kopf: 70 % für Menschen und Prozesse, 20 % für Infrastruktur, 10 % für Algorithmen.

Das von Unternehmen B befolgte Muster wurde nicht im luftleeren Raum erfunden. Es entstand aus einer Studie von Boston Consulting Group und MIT Sloan, die Hunderte von KI-Transformationen untersuchte. Ihr Ergebnis war eindeutig: Die Unternehmen, die echte Ergebnisse mit KI erzielten, waren nicht diejenigen, die die ausgefeiltesten Werkzeuge kauften. Es waren die Unternehmen, die am meisten in ihre Mitarbeitenden investierten.

Wie immer ist jedoch der Kontext entscheidend. Diese Forschung betrachtete Unternehmen mit KI-Budgets von über 10 Millionen Dollar, also Firmen mit dedizierten Transformationsteams, ausgereifter Dateninfrastruktur und Heerscharen an Spezialisten.

Für mittelständische Unternehmen mit 5.000 oder weniger Mitarbeitenden sehen die Voraussetzungen ganz anders aus. Viele verfügen nicht einmal über eine grundlegende Dateninfrastruktur. Sie kaufen KI als SaaS-Abonnements, bei denen die Kosten für Algorithmen in monatlichen Gebühren versteckt sind. Die gleichen Beträge machen einen Unterschied, wenn man mit 2 Millionen Dollar statt 20 Millionen arbeitet.

Gilt das 70-20-10-Modell also weiterhin? Oder brauchen mittelständische Unternehmen eine komplett andere Herangehensweise?

Das Rahmenwerk entschlüsseln

Die 70-20-10-Regel beschreibt im Kern, wo erfolgreiche KI-Transformationen ihr Geld und ihre Energie tatsächlich investieren. Die Zahlen stehen für die Aufteilung auf drei grundlegende Bereiche:

Die 70 %: Menschen und Prozesse. Das sind Change-Management-Programme, rollenspezifische Schulungen, Neugestaltung von Arbeitsabläufen, Governance-Rahmenwerke, Kommunikationsinfrastruktur, Führungskräfteschulungen und Anwenderunterstützung. Es ist die wenig glamouröse Arbeit, klarzustellen, wer wofür verantwortlich ist, wie Entscheidungen mit KI anders fließen und welche Anreize verändert werden müssen.
Die 20 %: Technologische Infrastruktur. Hierzu gehören Datenaufbereitung, Integrationsschichten, Sicherheitsrahmenwerke, Überwachungssysteme und Skalierbarkeitsarchitektur. Das sind alle Voraussetzungen, damit die KI-Werkzeuge im eigenen Unternehmen überhaupt funktionieren können.
Die 10 %: Algorithmen und Modelle. Das sind die eigentlichen KI-Tools – Lizenzen, API-Kosten, Modellanpassungen und die Auswahl der Anbieter.

Dieses Muster basiert auf harten Daten. Untersuchungen von BCG zeigten, dass Unternehmen, die diese Aufteilung wählten, deutlich höhere Einführungsraten und messbare Produktivitätssteigerungen erzielten. MIT Sloan fand heraus, dass 70 % des KI-Werts von ergänzenden Investitionen in Menschen und Prozesse abhängen, nicht von der Raffinesse der Technologie.

Der Grund: KI-Modelle werden schnell zur Massenware. Jedes mittelständische Unternehmen kann heute auf die gleichen Spitzenmodelle von OpenAI, Anthropic oder Google zugreifen. Aber Organisationsveränderungs-Fähigkeit? Die kann man nicht kaufen.

Die Fähigkeit, Arbeitsabläufe neu zu gestalten, Führungskräfte für die Förderung der KI-Einführung zu schulen und Governance-Rahmenwerke zu schaffen, die ermöglichen statt einschränken, macht den Unterschied.

Doch wenn mittelständische Entscheider dieses Rahmenwerk betrachten, stellt sich eine berechtigte Frage: Können Unternehmen ohne ausgereifte Dateninfrastruktur wirklich nur 20 % dort investieren? Was ist mit Organisationen, die KI als SaaS-Abonnement kaufen und die Algorithmenkosten in den Gebühren enthalten sind? Geht die Rechnung dann noch auf?

Whitney Munro, Gründerin von FLEX Partners, einem Unternehmen, das Firmen bei der KI-Transformation begleitet, erlebt diesen Zielkonflikt ständig.

„Die 70-20-10-Aufteilung ist im Allgemeinen richtig“, sagt sie, „aber da, wo es kritisch wird, fehlt die richtige Reihenfolge und Absicht. Die unattraktive Arbeit – die Klärung von Verantwortlichkeiten, Sinn, Anreizen, Arbeitsabläufen usw. – wird übersprungen, bevor es überhaupt zu den Tools geht.“

Das Rahmenwerk soll nicht starr angewandt werden – es ist ein Grundsatz. KI-Transformation ist in erster Linie eine organisatorische Aufgabe mit Schwerpunkt auf den Menschen, nicht eine reine Technologieherausforderung. Für mittelständische Unternehmen bleibt dieses Prinzip bestehen, doch die prozentuale Aufteilung muss je nach Ausgangslage angepasst werden.

Warum Unternehmen bei der Aufteilung falsch liegen

Der Druck, zuerst in Technologie zu investieren, kommt von allen Seiten. KI-Anbieter verkaufen naturgemäß Technologie. Vorstandsmitglieder wollen Dashboards und Tools sehen – sichtbare Beweise, dass das Unternehmen „etwas mit KI macht“. Investoren fragen in Gewinnmitteilungen nach KI-Initiativen. IT-Abteilungen sprechen die Sprache von Infrastruktur und Modellen.

Was schwieriger zu erkennen, schwerer zu messen und schwerer zu verkaufen ist, ist die langsame Arbeit am Kompetenzaufbau. Trainingsprogramme ergeben keine aufregenden Präsentationen für den Vorstand. Die Neugestaltung von Arbeitsabläufen macht sich im Jahresbericht nicht gut auf Fotos. Governance-Rahmenwerke klingen eher bürokratisch als innovativ.

Gerade für Unternehmen im Mittelstand gibt es mehrere Fallen, die den technologieorientierten Ansatz noch verführerischer machen:

Ressourcenknappheit schafft eine trügerische Abkürzung. „Wir können uns kein dediziertes AI-Transformationsteam leisten, also kaufen wir einfach das Tool und schauen dann weiter.“ Die Logik erscheint sinnvoll, bis einem auffällt, dass das Tool unbenutzt bleibt, weil niemand die Prozesse darum herum angepasst hat.
Zeitdruck verhindert durchdachte Planung. Vor allem Scale-ups spüren den Zwang, schnell zu handeln. Drei Monate für die Schulung von Führungskräften und die Umgestaltung von Abläufen wirken langsam im Vergleich dazu, ein neues AI-Tool nächste Woche zu starten.
Anbieterverhalten verschleiert echte Kosten. Beim Kauf eines Enterprise SaaS AI-Produkts sind die Entwicklung des Algorithmus und ein Großteil der Infrastruktur in ein monatliches Abonnement verpackt. Dadurch wirkt es, als gebe man für Technologie weniger aus, als tatsächlich investiert wird, und es verleitet dazu, die Ausgaben für die Menschen zu knapp zu kalkulieren.
Rollenüberlastung führt zu einer unmöglichen Situation. In mittelständischen Unternehmen sollen oft die gleichen Personen, die den laufenden Betrieb sichern, auch die Transformation umsetzen. Ohne dedizierte Ressourcen für Veränderungsmanagement wird die Transformation zum Nebenprojekt, das nie ausreichend Aufmerksamkeit bekommt.

Clint Riley, COO bei Globe Midwest, hat die Kundenerfahrungs-Teams durch mehrere Technologierollouts geführt. Er sieht das Muster immer wiederkehren.

„Führungskräfte stecken oft viel Geld in AI-Infrastruktur und sehen nur begrenzte Resultate. Die Tools werden nicht genutzt, weil die Teams nicht vorbereitet sind, ihnen nicht vertrauen oder an alten Gewohnheiten festhalten. Der eigentliche Unterschied entsteht, wenn zunächst in Menschen und Prozesse investiert wird“, sagt er.

Das Kostenmissverständnis sitzt tief. Schulungen wirken im Moment teuer—$300.000 für gezieltes AI-Training für 500 Mitarbeitende klingt nach viel. Aber diese Investition kann Routinefehler im ersten Jahr um 40% reduzieren.

Nochmal $200.000 für die Neugestaltung zentraler Arbeitsabläufe mit integrierter AI bringen Effizienzsteigerungen, die Sie von Quartal zu Quartal messen können. Im Vergleich dazu: $800.000 für AI-Tools, die eine Adoptionsrate von 15% erreichen, weil niemand in das dazugehörige Change Management investiert hat.

Das entstandene Schatten-AI-Phänomen liefert den klarsten Beweis dafür, dass reine Technologie-Ansätze genau die Probleme erzeugen, die sie eigentlich lösen sollen. Untersuchungen zeigen: 90% der Mitarbeitenden nutzen AI-Tools, aber nur 40% der Unternehmen stellen diese offiziell bereit.

Diese Lücke besteht, weil Unternehmen Technologie ohne unterstützende Maßnahmen eingeführt haben und die Mitarbeitenden sich selbst überlassen, wodurch genau jene Sicherheits- und Governance-Risiken entstehen, vor denen Führungskräfte sich sorgen.

Wie sieht 70% Investition in Menschen tatsächlich aus?

Das 70-20-10-Modell klingt einfach, bis es umgesetzt werden soll. Was bedeutet es tatsächlich, 70% Ihres AI-Budgets für „Menschen und Prozesse“ auszugeben?

Für ein mittelständisches Unternehmen mit einem AI-Transformationsbudget von $2 Mio. im ersten Jahr könnte eine menschenzentrierte Verteilung so aussehen:

$1,2 Mio. (60%) für Menschen & Prozesse:

$400K: Dedizierte Transformationsressourcen (2-3 FTEs, die sowohl Veränderungsmanagement als auch AI-Kenntnisse besitzen)
$300K: Externe Expertise für Change Management, Arbeitsprozessgestaltung und Governance-Frameworks
$200K: Entwicklung und Durchführung von Trainingsprogrammen (nicht als Einmalschulung, sondern als kontinuierliche Befähigung)
$150K: Führungskräfte-Empowerment und Coaching-Infrastruktur
$150K: Kommunikationssysteme, Feedback-Mechanismen und Iterationszyklen

$600K (30%) für Infrastruktur:

$300K: Datenaufbereitung, -integration und Qualitätsverbesserung
$150K: Systeme für Sicherheit, Compliance und Monitoring
$150K: Analyse-Infrastruktur zur Nachverfolgung technischer und menschlicher Ergebnisse

$200K (10%) für AI-Tools/Algorithmen:

Enterprise LLM-Abonnements
Spezialisierte AI-Anwendungen
API-Kosten und Nutzungsgebühren

Beachten Sie die Mittelstands-Anpassung: Hier ergibt sich ein Verhältnis von 60-30-10 statt der reinen 70-20-10-Regel. Warum? Mittelstandsunternehmen haben oft größere Infrastruktur-Lücken als Großunternehmen. Altsysteme, Datensilos und technische Altlasten erfordern verhältnismäßig höhere Investitionen in Infrastruktur als es Unternehmen mit modernen Datenarchitekturen tun.

Das entscheidende Prinzip bleibt: Investitionen in Menschen müssen mit denen in Technologie mindestens gleichziehen oder sie übersteigen. Wenn Sie 60% für Tools und Infrastruktur ausgeben, aber nur 40% für Menschen und Prozesse, legt die Forschung nahe, dass ein erheblicher Mehrwert ungenutzt bleibt.

Was das „People“-Investment tatsächlich bewirkt:

Wenn Führungskräfte „$400K für Transformationsressourcen“ sehen, fragen sie oft: Was machen diese Leute eigentlich?

Dedizierte Transformationsressourcen:

Durchführung von Workflow-Analysen vor dem Einsatz neuer Technologien
Konzepterstellung von rollenbezogenen Schulungen (ein Finanzanalyst benötigt andere KI-Kompetenzen als ein Kundenservice-Mitarbeitender)
Entwicklung von Governance-Rahmenwerken, die ermöglichen statt behindern
Schaffung von Feedbackschleifen, um auf Basis der tatsächlichen Nutzung zu iterieren
Koordination zwischen IT, HR und den Fachbereichen

Enablement der Führungskräfte:

Vorbereitung der Manager darauf, ihre Teams bei der Nutzung von KI-Tools zu coachen (und sie nicht nur selbst anzuwenden)
Unterstützung der Führungskräfte beim Verständnis, wie sich Leistungsbewertungen verändern, wenn KI die Arbeit unterstützt
Begleitung der Führungskräfte bei dem eigenen Rollenwandel durch den Wandel der Arbeit
Aufbau von Führungskräfte-Communities zum Austausch über Herausforderungen und Lösungen

Kommunikations- und Feedbackinfrastruktur:

Regelmäßige All-Hands-Kommunikation zum Stand der Transformation
Kanäle für Mitarbeitende, um Probleme und Bedenken zu äußern
Systeme, um zu erfassen, was funktioniert und was nicht
Transparente Entscheidungsfindung darüber, welche KI-Tools implementiert werden und warum

Wirksame Schulungen:

Keine einmaligen Workshops, sondern kontinuierliche Lernprogramme
Praxisnahe Übungsumgebungen, in denen Fehler erlaubt sind
Bedarfsgerechtes Lernen, das direkt an tatsächliche Arbeitsanforderungen geknüpft ist
Peersupport-Netzwerke für Problemlösungen

Bei diesen Investitionen zu sparen, führt ziemlich vorhersehbar zu niedrigen Akzeptanzraten, Widerstand bei Mitarbeitenden, Schatten-KI und letztlich zu vergeudeten Technologieausgaben. Für Mitglieder der Geschäftsleitung oder des Vorstands, die dies als „Schnickschnack“ oder als „zu nett zu den Mitarbeitenden“ abtun, ist die entscheidende Umdeutung: Es geht darum, den Wert zu realisieren, den die Technologie möglich macht – den sie aber nicht allein liefern kann.

„Vorstände sehen gerne neue Technik eingeführt werden“, bestätigt Riley. „Deshalb sollte der Fokus auf die Menschen als kluge Risikosteuerung mit starken, sich verstärkenden Renditen kommuniziert werden: höhere Produktivität, bessere Bindung und stetig wachsende geschäftliche Erfolge. Technik allein erreicht schnell ihr Maximum und stagniert dann.“

Die Realitätsprüfung im Mittelstand

Diese Aufteilung geht jedoch von einem relativ ausgereiften Startpunkt aus. Was ist mit Unternehmen, bei denen die Zahlen viel stärker angepasst werden müssen?

Alix Gallardo, Chief Product Officer bei Invent, unterstützt mittelständische Unternehmen genau bei diesen Szenarien. Ihre Sichtweise auf SaaS-KI verändert die Rechnung.

„Wenn Sie SaaS-KI kaufen, hat der Anbieter die schweren Aufgaben bereits erledigt – die aufwendige, teure Modellentwicklung und einen Großteil der Infrastruktur. Ihre Frage sollte daher lauten: ‚Wo konzentrieren wir nun unsere knappe interne Zeit und unser Budget?‘“

Auch ihr Ansatz für eine weitgehend out-of-the-box SaaS-Umgebung stellt die Menschen weiterhin in den Mittelpunkt, passt sich jedoch der Realität an, dass Infrastrukturherausforderungen bei mittelständischen Unternehmen oft stärker ins Gewicht fallen.

„Mittelstands-Setups sind meist kompliziert“, stellt Gallardo fest. „Viele getrennte SaaS-Produkte, Altsysteme, eigene Integrationen, lückenhafte Datenflüsse und kleine IT-Teams. Daher ist es normal, dass Infrastruktur gerade zu Beginn bis zu 25–35% der Ressourcen bindet.“

Berücksichtigen Sie drei Szenarien, in denen die Verteilung neu justiert werden muss:

Szenario 1: Das infrastrukturarme Unternehmen

Ein Fertigungsunternehmen mit 2.000 Mitarbeitenden existiert seit 30 Jahren. Daten sind in Silos über mehrere Systeme verteilt. Kundeninformationen liegen in einer Datenbank, Produktionsdaten in einer anderen, Qualitätsdaten in Tabellenkalkulationen. Das IT-Team besteht aus fünf Personen.

Für dieses Unternehmen könnte die Verteilung anfangs 50% Menschen, 40% Infrastruktur, 10% Algorithmen lauten. Ohne grundlegende Dateninfrastruktur können KI-Tools nicht effektiv arbeiten. Aber selbst hier darf das Investment in die Menschen nicht gestrichen werden. Es muss strategisch sein und darauf abzielen, interne Kompetenzen für bessere Infrastruktur-Entscheidungen aufzubauen und die Belegschaft auf Veränderungen vorzubereiten, sobald die technische Basis geschaffen ist.

Szenario 2: Das agile Scale-up

Ein Softwareunternehmen mit 800 Mitarbeitenden ist von Anfang an cloud-nativ. Die Systeme kommunizieren miteinander. Das Team ist technisch versiert. Die Infrastruktur stellt kein Nadelöhr dar.

Hier könnte die Verteilung bei 75 % für Menschen, 15 % für Infrastruktur und 10 % für Algorithmen liegen. Das schnelle Wachstum des Unternehmens bedeutet, dass zusätzliche Investitionen in Kultur und Prozesse erforderlich sind, um zu skalieren. Mit einer soliden technischen Basis ist die Einschränkung organisatorisch, nicht technologisch.

Szenario 3: Das risikoscheue Mittelstandsunternehmen

Ein Finanzdienstleister mit 4.500 Mitarbeitenden arbeitet in einer stark regulierten Branche. Die Unternehmenskultur ist resistent gegenüber Veränderungen, Risikomanagement hat höchste Priorität und die Compliance-Anforderungen sind umfangreich.

Dieses Unternehmen könnte 65 % für Menschen, 20 % für Infrastruktur und 15 % für Algorithmen einplanen. Die höheren Ausgaben für Algorithmen dienen nicht dazu, den neuesten Modellen hinterherzulaufen – vielmehr investiert man in KI-Tools mit integrierten Governance-Funktionen, Audit-Trails und Transparenzmechanismen, die das Compliance-Risiko reduzieren.

Die Diagnose ist nicht kompliziert. Bewerten Sie Ihr Unternehmen auf vier Dimensionen von 1 bis 10:

Aktuelle Qualität der Dateninfrastruktur
Veränderungskapazität der Organisation
Dichte des technischen Fachwissens
Komplexität regulatorischer und Compliance-Anforderungen

Niedrige Werte bei Infrastruktur und Talent deuten darauf hin, dass hier mehr Investitionen nötig sind. Eine hohe Veränderungskapazität erlaubt es, mehr in Menschen und Prozesse zu investieren. Eine hohe regulatorische Komplexität kann eine größere Investition in anspruchsvolle Tools mit eingebauter Governance rechtfertigen.

Doch über alle Szenarien hinweg gilt ein Prinzip: Investitionen in Menschen müssen Technologieinvestitionen mindestens entsprechen.

Wie Munro es ausdrückt: „Die meisten Unternehmen scheitern nicht wegen der KI selbst, sondern weil sie in Prompts investieren und erwarten, dass KI eine magische Lösung ist, anstatt das zu tun, was sie sollten: sicherzustellen, dass ihre Mitarbeitenden wissen, was KI ist, was möglich ist, wie sie genutzt werden kann, welche Tools für ihre jeweilige Rolle geeignet sind und wie man verantwortungsvoll damit umgeht.“

Das Problem der versteckten Kosten

Ein Grund dafür, dass Unternehmen die Verteilung falsch einschätzen, ist, dass viele gar nicht wirklich wissen, wie viel sie in den einzelnen Bereichen ausgeben. Die Kosten verteilen sich über verschiedene Abteilungen und tauchen in unterschiedlichen Budgetlinien auf.

Technologiekosten sind meist sichtbar: Softwarelizenzen, Cloud-Computing-Gebühren und Verträge mit Anbietern erscheinen klar in den IT-Budgets.

Infrastrukturkosten sind manchmal versteckt. Die Arbeitszeit von Data Engineers verschwindet im operativen IT-Budget. Integrationsarbeit wird unter „Systempflege“ verbucht. Sicherheitsüberprüfungen sind Nebenprojekte einzelner Personen. Überwachungssysteme werden oft vernachlässigt.

Aber die Kosten für Menschen und Prozesse sind oft völlig unsichtbar. Die Zeit, die Mitarbeitende in Schulungen verbringen, stellt Opportunitätskosten dar (Arbeit, die liegen bleibt, während gelernt wird). Coaching von Führungskräften taucht in keinem Budget auf. Prozessneugestaltungen finden in Konferenzräumen statt, ohne klare Zuordnung. Kommunikationsaufwand ist allgegenwärtig und doch nirgendwo richtig verbucht. Governance-Meetings kosten Zeit, werden aber selten als Kosten der KI-Transformation gewertet.

Gallardo nennt drei Warnzeichen dafür, dass die eigene Allokation falsch ist, unabhängig davon, was Ihr offizielles Budget aussagt:

„Einige Power-User lieben das KI-Tool, aber die Mehrheit ignoriert es. Es gibt keine klare Veränderung bei Entscheidungen oder Arbeitsabläufen durch KI; es gibt zwar tolle Features, aber keinen echten Einfluss auf die Arbeitsweise. Neue KI-Projekte sind überall verstreut, ohne gemeinsame Standards, Handbücher, Kennzahlen, Fallstudien oder Governance.“

Wenn Sie diese Symptome beobachten, „bewirkt es viel mehr, das Budget in Produktmanagement, Betrieb, Change Management und die Schaffung von 'KI-Champions' umzuschichten, als weiter Geld in ein weiteres Integrationsprojekt zu stecken“, sagt sie.

Auch Riley beobachtet das gleiche Muster: „Selbst wenn Mitarbeitende KI-Tools leise für sich nutzen, ist die Antwort nicht mehr Kontrolle. Vielmehr sollte diese Energie mit praxisnahen Schulungen und klaren Richtlinien gelenkt werden. Zu viel in Menschen zu investieren, kommt selten vor – viele Unternehmen tun hier tatsächlich zu wenig und nicht zu viel.“

Um die eigene Verteilung ehrlich zu verstehen, braucht es ein offenes Audit. Für das letzte Quartal erfassen Sie:

Alle KI-bezogenen Softwarelizenzen, Cloud-Kosten und Anbietergebühren
Zeitaufwand von IT- und Datenteams für Infrastruktur, Integration und Sicherheit rund um KI
Zeit, die Mitarbeitende in KI-Schulungen verbringen (Stunden multipliziert mit durchschnittlichen Stundensätzen)
Zeit von Führungskräften für das Coaching zur KI-Einführung
Meetingzeiten für Governance, Prozessneugestaltung und Planung von KI-Initiativen
Externe Beratungs- und Expertenkosten

Ordnen Sie alles in die drei Bereiche ein: Algorithmen, Infrastruktur oder Menschen und Prozesse. Die meisten Unternehmen stellen erstaunt fest, dass sie viel mehr für Technologie und viel weniger für Menschen ausgeben, als sie dachten.

Warum die richtige Verteilung entscheidend ist

Der Leistungsunterschied zwischen Unternehmen, die die richtige Allokation treffen, und jenen, die es nicht tun, ist deutlich.

Studien zeigen, dass Organisationen mit menschenzentriertem Ansatz 2,3-fach engagiertere Mitarbeitende und 1,5-mal höhere Leistung verzeichnen.

Unternehmen, in denen CHROs und CIOs als echte Partner zusammenarbeiten, berichten von einer 15-mal höheren Produktivität bei ihren KI-Initiativen. Doch das kommt seltener vor als man denkt. Das Problem beginnt mit einem grundlegenden Missverständnis darüber, was CIOs im Gegensatz zu CHROs bei der KI-Transformation verantworten sollten.

„Was faszinierend ist, ist, dass der CIO nicht nur für die Konzeption, das Testen und die Implementierung von Tools zuständig ist, sondern auch für deren Einführung“, beobachtet David Swanagon, Gründer des Machine Leadership Journal, basierend auf seiner Forschung zur organisatorischen KI-Bereitschaft. „Und ich denke, eines der Argumente, die wir durch unsere Forschung vertreten, ist, dass die Einführung von der CHRO verantwortet werden sollte, weil es dabei um Kultur, Vertrauen, Autonomie und Kompetenzen geht. Der CIO sollte die Gestaltung, das Testen und die Implementierung übernehmen, aber dort aufhören und dann mit dem CHRO zusammenarbeiten, um die Einführung zu begleiten.“

HÖREN SIE DIE KOMPLETTE EPISODE MIT DAVID SWANAGON

Diese Unterscheidung ist strukturell. Wenn CIOs sowohl die Implementierung als auch die Einführung verantworten, sind die Ergebnisse vorhersehbar: technisch einwandfreie Lösungen, die niemand nutzt oder die im Betrieb zu Reibungen führen, weil sie ohne Blick auf Kultur und Fähigkeiten entwickelt wurden.

Die Kosten einer fehlerhaften Verantwortungszuordnung summieren sich schnell. Klarna machte Schlagzeilen mit seinen Effizienzgewinnen durch KI, ruderte dann aber leise zurück, als die Auswirkungen auf Mitarbeitende und Unternehmenskultur deutlich wurden.

"Schatten-KI" breitet sich aus, wenn Unternehmen keine unterstützten Tools und keine Schulungen bereitstellen – das schafft genau die Sicherheitsrisiken, vor denen Führungskräfte Angst haben. Branchenweit zeigen Daten, dass 80 % der KI-Projekte nicht skalieren, oft weil sie ohne die nötige organisatorische Unterstützung für die Einführung umgesetzt wurden – was manchmal dazu führt, dass KI als Sündenbock für umfassendere organisatorische Mängel herhalten muss.

Mitarbeiterüberlastung und Widerstand werden zu den versteckten Kosten technologiegetriebener Ansätze. Werden Tools ohne passende Schulung und Überarbeitung der Arbeitsabläufe eingeführt, erleben Angestellte KI als etwas, das ihnen „auferlegt“ wird, nicht als etwas, das ihnen hilft. Die Tools erhöhen die Arbeitslast statt sie zu verringern. Der Widerstand verfestigt sich.

„Es ist extrem dysfunktional und besorgniserregend zu sehen, wie die meisten Unternehmen, die uns um Hilfe bitten, glauben, mit dem Einschalten eines Tools beginne der Zauber von selbst“, sagt Munro. Diese Dysfunktion ist nicht nur ineffizient, sondern schadet aktiv der Transformationsfähigkeit des Unternehmens.

Doch mittelständische Unternehmen, die Verantwortung richtig zuordnen, haben einen strukturellen Vorteil gegenüber Großunternehmen. Kürzere Kommunikationswege sorgen dafür, dass Veränderungen schneller Wirkung zeigen. Schnellere Entscheidungszyklen ermöglichen rasche Iteration. Engere Führungskraft-Mitarbeiter-Beziehungen erlauben ein authentischeres Change Management. Flexiblere Prozessanpassung ermöglicht es, Arbeitsabläufe anzupassen, sobald die Organisation dazulernt.

„Als COO, der CX-Operationen durch mehrere Technologie-Einführungen begleitet hat, gehe ich KI genauso an: Zuerst die Menschen, dann starke Prozesse zur Unterstützung – und Technologie als Werkzeug“, erklärt Riley. „Wenn der Mensch im Mittelpunkt steht, gelingt die Transformation und liefert nachhaltige Ergebnisse, auf die es wirklich ankommt.“

Der ROI ist bahnbrechend. Diese 300.000 $ in fokussiertes KI-Training, die Fehler um 40 % senken? Das ist kein einmaliger Vorteil. Es ist eine Fähigkeit, die sich jedes Quartal mit wachsender Kompetenz verbessert. Die 200.000 $ für die Neugestaltung von Arbeitsabläufen? Diese Verbesserungen summieren sich, weil Sie eine Innovationskultur im Prozess geschaffen haben.

Von der Regel zum Prinzip

Die 70-20-10-Regel ist keine starre Formel, der man blind folgen sollte. Sie ist ein Prinzip, das aus der Beobachtung stammt, welche Unternehmen mit KI tatsächlich erfolgreich sind – und der Realität, dass Transformation in erster Linie eine menschliche und organisatorische Herausforderung ist, keine technologische.

Für mittelständische Unternehmen erfordert dieses Prinzip eine Übersetzung, aber kein Aufgeben. Ihre Infrastrukturlücken könnten 25-35 % des Budgets statt 20 % erfordern. Ihre SaaS-KI-Tools bündeln vielleicht die Algorithmus-Kosten in Abo-Gebühren, was die Berechnung der 10 % verschiebt. Spezifische Branchenbedingungen erfordern Anpassungen.

Doch die grundlegende Wahrheit bleibt: Wenn Sie mehr für Technologie als für Menschen ausgeben, lassen Sie fast sicher beträchtlichen Wert liegen.

Rileys Herangehensweise ist pragmatisch: „Bei einem Startbudget von 2 Mio. $ würde ich etwa 65 % auf Menschen für gezieltes Training und Change Management verwenden. Rund 25 % sollten in grundlegende Dinge wie Datenzugang und Basiseinrichtung der Cloud fließen – und nur 10 % in Algorithmen, meist durch Auswahl starker SaaS-Produkte statt Eigenentwicklungen.“

Gallardos Sichtweise bezieht die SaaS-Realität mit ein, mit der die meisten Mittelständler konfrontiert sind: „Ja, die Verteilung bleibt gleich, selbst wenn Sie nie ein Modell direkt anfassen. Für einen größtenteils fertigen Aufbau: ca. 10 % für Algorithmen, ca. 20 % für Infrastruktur, ca. 70 % für Menschen und Prozesse. Hier sollten Sie den Großteil Ihres Budgets investieren.“

Die gemeinsame Erkenntnis: Erfolg zeigt sich in Einführungsraten, im Mitarbeitervertrauen und in den täglichen Ergebnissen – nicht allein im ausgegebenen Geld. Die gekaufte Technologie ist weniger wichtig als das, was Sie tun, damit Menschen sie effektiv nutzen können.

Die Aufgabe für Führungskräfte ist klar: Führen Sie in diesem Monat eine echte Budgetprüfung durch. Berechnen Sie, wie viel Sie wirklich für Algorithmen, Infrastruktur und Menschen ausgeben – inklusive aller versteckten Kosten. Übersteigt Technologieausgaben den Anteil für Menschen, ist dort Ihr Problem.

Dann machen Sie sich an die Arbeit.

Investieren Sie in die unspektakuläre Arbeit des Change Managements, bevor Sie das nächste Tool einführen.
Entwickeln Sie rollenspezifische Schulungsprogramme.
Bestellen Sie KI-Botschafter.
Befähigen Sie Ihre Führungskräfte, die Einführung zu begleiten.
Gestalten Sie Arbeitsabläufe neu, bevor Sie Technologie implementieren.
Schaffen Sie Governance-Rahmenwerke, die ermöglichen statt einschränken.

Denken Sie an Munros Warnung: „Wo Sie sehen, dass der Schaden beginnt, ist ein Mangel an Abfolge und Absicht. Es wird das 'unspektakuläre' Klären von Zuständigkeiten, Zweck, Anreizen, Arbeitsabläufen usw. übersprungen, noch bevor man bei den Tools angekommen ist.”

Die Technologie wird da sein, wenn Sie bereit dafür sind. Ihre Mitarbeitenden werden jedoch nicht ewig warten.

Keep Reading—and Keep Leading Smarter