Enterprise-KI-Projekte scheitern selten an der Technologie. Viel häufiger stossen sie nach einem erfolgreichen Piloten auf Hürden bei Governance und Verantwortlichkeit. Jean-François Clercx erklärt, warum Ownership von Anfang an in KI-Initiativen eingeplant werden muss und was sich ändert, wenn Governance Teil des Entwicklungsprozesses wird.
Die wichtigsten Erkenntnisse
- Das „Ownership-Vakuum“ bedeutet, dass niemand die Verantwortung für das Ergebnis trägt. Dadurch bleiben die meisten KI-Projekte nach einem erfolgreichen Piloten sechs bis 18 Monate lang stecken.
- Wer zuerst baut und Governance erst später mitdenkt, schafft Compliance-Blockaden, die gute Arbeit zunichtemachen, selbst wenn die KI selbst gut funktioniert.
- Governance, die von Anfang an im Prozess verankert ist, bringt KI in den produktiven Einsatz. Die Ergebnisse belegen es: über 50 % Effizienzsteigerung gegenüber 5 bis 10 % bei reinem Tooling-Einsatz.
In den vergangenen achtzehn Monaten habe ich an vielen Gesprächen über Enterprise AI teilgenommen. Das Muster ist fast immer dasselbe: Die Ergebnisse des KI-Piloten kommen rein, die Zahlen stimmen, der Use Case überzeugt, das Team hat solide Arbeit geleistet. Die Stimmung im Raum ist gut. Und dann stellt jemand ein paar Fragen, die alles verändern: Wer ist für die erzeugten Ergebnisse verantwortlich? Welche Kostenstruktur haben wir dafür vorgesehen? Erfüllen wir damit alle regulatorischen Vorgaben? Wie sieht es mit der Sicherheit aus? Die Stille danach ist nie angenehm, denn Governance für KI ist keine Option, und das wissen unsere Kunden.
In meiner Arbeit bei Mimacom sehe ich in der Praxis genau das, was die Zahlen belegen: nur 33 % der Enterprise-KI-Piloten schaffen es je in den produktiven Einsatz. 2025 kostete eine im Schnitt abgebrochene Initiative 7,2 Millionen US-Dollar.
Schaut man genauer hin, liegt die Ursache selten in der Technologie. Das Haupthindernis ist das, was Analysten als „Ownership-Vakuum“ bezeichnen: Data Scientists verantworten das Experiment, aber kein Business-Verantwortlicher übernimmt das Ergebnis. Ohne diese Verantwortung fehlt die Befugnis, die Entscheidung für den produktiven Einsatz zu treffen. Diese Lücke, nicht die Modellleistung, nicht die Datenqualität, nicht die Infrastruktur, ist es, die die meisten KI-Projekte sechs bis 18 Monate lang im „Pilot-Fegefeuer“ festhält.
Häufig betrachten Unternehmen das als Problem der Technologie-Skalierung. Aus meinen Kundengesprächen weiss ich: Es ist ein Problem der Verantwortungsarchitektur. Und beides erfordert sehr unterschiedliche Lösungen.
Ein Gespräch, das mir nicht mehr aus dem Kopf geht
Vor einigen Monaten hatte ich ein Gespräch mit einem Kunden, das mir im Gedächtnis geblieben ist. Der Leiter des Supports bei einem grossen Unternehmen hatte mit seinem Team drei Monate lang an einer KI-Anwendung gearbeitet. Sie automatisierte einen wesentlichen Teil des internen Support-Workflows. Das Business war begeistert, das Team war stolz darauf. Live ging die Anwendung nie. Nicht, weil sie nicht funktionierte, sondern weil sie in der Governance-Phase blockiert wurde. Das IT-Governance-Team stellte die richtigen Fragen: Mit welchen Daten arbeitet das Modell? Wie werden Entscheidungen protokolliert? Was passiert, wenn das Modell ein Ergebnis liefert, das eine Kundeninteraktion beeinflusst, und jemand fragt, warum?
Niemand hatte die Anwendung so gebaut, dass sie diese Fragen beantworten konnte. Die KI selbst war solide, die Verantwortungsstruktur fehlte. Das ist ein ganz anderer Fehlertyp, und ein deutlich teurerer, als wenn die Technologie schlicht nicht funktioniert. Ich glaube nicht, dass das an Nachlässigkeit liegt: Es ist wirklich schwer, Verantwortlichkeit zu gestalten, bevor klar ist, was überhaupt gebaut wird. Governance kommt am Ende dazu, weil sie erst etwas braucht, das sie regeln kann.
Die Verantwortungsfrage, auf die niemand vorbereitet war
40 % der Aufsichtsratsmitglieder nannten KI 2026 als das Thema, das sie am schwierigsten zu überwachen finden. Was die Aufsichtsräte umtreibt, sehe ich genauso in meinen Kundengesprächen: Wenn ein KI-System ein Ergebnis liefert, das eine Kundenentscheidung, einen Geschäftsprozess oder eine regulatorische Meldung beeinflusst, wer steht dafür gerade?
Drei Gruppen werden diese Frage früher oder später stellen: die Rechtsabteilung, der Kunde und die zentrale IT-Governance. Meiner Erfahrung nach finden sie irgendwann zueinander. Meist aber erst dann, wenn bereits ein Problem vorliegt, das verhindert, dass die KI Wert schafft.
Rechtsabteilung, Kunde und IT-Governance finden immer zueinander. Die Frage ist, ob Ihr KI-Projekt dieses Gespräch übersteht.
Jean-François Clercx, VP Customer Success & Strategic Alliances, Mimacom
Warum der Wert von KI von Menschen kommt, die Verantwortung übernehmen
Ein Blick auf die Daten dahinter lohnt sich. Der DORA-2025-Report von Google Cloud zeigt: 70 % des Werts einer KI-Transformation entstehen durch Menschen, Prozesse und organisatorischen Wandel, nicht durch die Technologie selbst. Trotzdem investierten nur 37 % der Unternehmen nennenswert in Change-Management, Anreize oder Schulungen im Rahmen ihrer KI-Einführungen. Diese Lücke zwischen der tatsächlichen Wertquelle und den tatsächlichen Investitionen ist eine Frage von Verantwortlichkeit, Ownership und Governance insgesamt.
Und aktuelle Entwicklungen verschärfen das noch: wachsende Sorgfaltspflichten bei Kunden, zunehmende Regulierung wie der EU AI Act und immer strukturiertere zentrale IT-Governance-Rahmenwerke bewegen sich alle in dieselbe Richtung. Die Anforderungen an Verantwortlichkeit steigen schneller, als sich die meisten Entwicklungsprozesse anpassen.
Wie eingebaute Governance in der Praxis aussieht
Ich möchte Ihnen dazu lieber ein konkretes Beispiel geben als ein abstraktes Prinzip.
Anfang dieses Jahres hat Mimacom mit einem deutschen SaaS-Unternehmen aus dem HR-Tech-Bereich zusammengearbeitet. Das Unternehmen betreibt eine Recruiting-Plattform, die über mehr als 2.000 Jobportale läuft und fünf unterschiedliche Codebasis-Varianten verwaltet. Das Entwicklungsteam hatte bereits informell begonnen, KI-Tools einzusetzen. Die Herausforderung war eine vertraute: KI-Adoption fand statt, aber ohne Struktur. Kein Governance-Framework, keine Richtlinien für personenbezogene Daten, kein Rahmenwerk für den EU AI Act. Jede Änderung barg das Risiko von Regressionen, die erst im produktiven Betrieb sichtbar wurden.
Was wir gemeinsam mit ihnen aufgebaut haben, war keine Sammlung von Tools, die einfach in den bestehenden Workflow eingesetzt wurden. Es war eine Transformation, die Governance von Anfang an als Design-Vorgabe verankerte, nicht als letzten Schritt.
Erste messbare Ergebnisse zeigten sich nach acht Wochen. Die Engineering-Effizienz stieg um über 50 %, mit demselben Team und ohne zusätzliche Kapazitäten. Teams, die KI-Tools eingeführt hatten, ohne den Workflow zu verändern, erzielten 5 bis 10 % Effizienzgewinn. Der Unterschied lag nicht in der Technologie, sondern darin, ob Governance von Anfang an mitgedacht oder erst am Ende ergänzt wurde.
Die Verantwortungsfrage lässt sich immer schwerer ignorieren
Der EU AI Act. Steigende Sorgfaltspflichten bei Kunden. Immer strukturiertere zentrale IT-Governance. Das sind keine Trends, die wieder abklingen werden.
KI-Anwendungen können schnell live gehen. Sie brauchen nur einen anderen Ausgangspunkt. Das ist der Wandel, den die meisten Enterprise-Teams meiner Meinung nach vollziehen müssen: nicht ein grösserer Governance-Schritt am Ende, sondern ein anderer Startpunkt. Teams, die Verantwortlichkeit von Anfang an mitdenken, bringen ihre Anwendungen live. Sie erzielen bessere Ergebnisse und verbringen weniger Zeit im Kreislauf aus Bauen, Blockieren und Neubauen. Wer Governance weiterhin erst nachträglich implementiert, wird immer wieder an dieselben Grenzen stossen.
Wenn Sie sich in dieser Situation befinden, KI-Fähigkeiten in Ihrem Unternehmen aufbauen und auf das Verantwortungsproblem stossen, spreche ich gerne mit Ihnen darüber.
