Welche Mitarbeitenden sollten zuerst in ein KI-Projekt eingebunden werden?

Wer sollte Teil des KI-Projekts sein?

Ein erfolgreiches KI-Projekt braucht von Anfang an die richtigen Mitarbeitenden. Dabei geht es nicht darum, möglichst viele Personen einzubinden, sondern die passenden Rollen früh an einen Tisch zu bringen. Gerade in der Anfangsphase entscheidet sich, ob ein KI-Vorhaben realistisch, wertvoll und umsetzbar ist.

Wenn man es ganz klassisch aufteilt, dann sind an einem KI Projekt folgende Personen beteiligt:

Fachliche Verantwortliche aus dem betroffenen Bereich
Sie kennen die täglichen Abläufe, Probleme, Ausnahmen und Ziele. Ohne ihre Perspektive besteht die Gefahr, dass die KI-Lösung am tatsächlichen Bedarf vorbeigeht und dann nicht akzeptiert wird.

Prozessverantwortliche oder Operations-Expert:innen
Sie verstehen, wie Arbeitsschritte miteinander verbunden sind. Das ist entscheidend, wenn KI Prozesse automatisieren, beschleunigen oder qualitativ verbessern soll.

Datenverantwortliche und Data Expert:innen
KI ist nur so gut wie die Datenbasis. Deshalb müssen Personen eingebunden werden, die wissen, welche Daten existieren, wo sie liegen, wie zuverlässig sie sind und welche Lücken es gibt.

IT und technische Expert:innen
Sie prüfen, ob die gewünschte KI-Lösung in bestehende Systeme integriert werden kann. Außerdem beurteilen sie Sicherheit, Skalierbarkeit, Schnittstellen und technische Machbarkeit.

Datenschutz, Compliance und gegebenenfalls Betriebsrat
Gerade bei KI-Projekten mit personenbezogenen Daten, Mitarbeitendendaten oder automatisierten Entscheidungen ist eine frühe rechtliche und organisatorische Prüfung unverzichtbar.

Führungskräfte und Entscheidungsträger:innen
Sie geben Priorität, Budget und strategische Richtung vor. Ohne klares Commitment aus der Führungsebene bleiben viele KI-Projekte in der Pilotphase stecken.

Endnutzer:innen der KI-Lösung
Die Personen, die später mit dem System arbeiten, sollten früh Feedback geben. Sie helfen dabei, Akzeptanzprobleme, Bedienhürden und unrealistische Annahmen rechtzeitig zu erkennen.

Prüfe nach, was für dein Unternehmen ein gutes Team ist. Binde die Menschen ein, die aktiv und interessiert sind. Besonders wichtig ist: Ein KI-Projekt sollte nicht ausschließlich von der IT oder einem Innovationsteam gesteuert werden. KI entfaltet ihren Wert dort, wo Fachwissen, Datenkompetenz, technische Umsetzung und Veränderungsmanagement zusammenkommen. Der Enduser ist hier schon am Anfang ganz wichtig.

Aufgaben der einzelnen Beteiligten

Damit ein KI-Projekt strukturiert und erfolgreich abläuft, sollten die Rollen klar verteilt sein. Unklare Zuständigkeiten führen häufig zu Verzögerungen, Missverständnissen und Lösungen, die später niemand aktiv nutzt.

Die wichtigsten Aufgaben im KI-Projekt sind:

Fachbereich: Problem und Ziel definieren
Der Fachbereich beschreibt, welches konkrete Problem gelöst werden soll. Zum Beispiel:
– manuelle Bearbeitungszeiten reduzieren
– Kundenanfragen schneller beantworten
– Fehler in Dokumenten erkennen
– Prognosen für Nachfrage, Wartung oder Lagerbestand verbessern
– interne Wissenssuche effizienter machen

Wichtig ist, dass das Ziel messbar formuliert wird. Statt „Wir wollen KI nutzen“ sollte es heißen: „Wir wollen die Bearbeitungszeit von Support-Tickets um 30 Prozent reduzieren.“

Prozessverantwortliche: Abläufe und Engpässe sichtbar machen
Sie analysieren, wo KI sinnvoll unterstützen kann. Nicht jeder Prozess ist für KI geeignet. Besonders interessant sind Abläufe mit:
– vielen wiederkehrenden Aufgaben
– großen Text-, Bild- oder Datenmengen
– klaren Entscheidungsmustern
– hohem manuellem Aufwand
– messbarem Qualitäts- oder Zeitproblem

Data Expert:innen: Datenqualität und Datenzugang prüfen
Sie bewerten, ob die vorhandenen Daten für das KI-Modell oder die KI-Anwendung geeignet sind. Dabei stellen sie Fragen wie:
– Sind genügend Daten vorhanden?
– Sind die Daten aktuell und vollständig?
– Gibt es Datenfehler oder Verzerrungen?
– Dürfen die Daten für diesen Zweck genutzt werden?
– Müssen Daten bereinigt, anonymisiert oder strukturiert werden?

IT: Technische Realisierbarkeit sicherstellen
Die IT prüft, welche Systeme angebunden werden müssen und ob die KI-Lösung sicher betrieben werden kann. Dazu gehören:
– Systemintegration
– API-Anbindungen
– Cloud- oder On-Premise-Betrieb
– Zugriffsrechte
– IT-Sicherheit
– Wartung und Betrieb nach dem Pilotprojekt

TIPP: mit den Lösungen der infeos GmbH ist die IT Abteilung nur minimal zeitlich belastet. Da wir wenig Rechte und Zugriffe brauchen, dürfen diese Personen aufatmen. Sie haben nicht mehr Aufwand als sonst im Alltag.

Datenschutz und Compliance: Risiken minimieren
Diese Rolle ist bei KI-Projekten besonders wichtig. Sie prüft unter anderem:
– ob personenbezogene Daten verarbeitet werden
– ob eine Datenschutz-Folgenabschätzung nötig ist
– welche Transparenzpflichten bestehen
– ob die KI-Anwendung regulatorische Anforderungen erfüllt
– wie menschliche Kontrolle sichergestellt wird

Führungskräfte: Richtung, Ressourcen und Priorität geben
Ein KI-Projekt braucht klare Unterstützung aus der Organisation. Führungskräfte sorgen dafür, dass:
– Budget verfügbar ist
– Mitarbeitende Zeit für das Projekt bekommen
– Entscheidungen schnell getroffen werden
– das Projekt mit der Unternehmensstrategie verknüpft bleibt
– Ergebnisse nicht in isolierten Testumgebungen versanden

Endnutzer:innen: Praxistauglichkeit testen
Sie geben Feedback dazu, ob die KI-Lösung im Alltag wirklich hilft. Sorge dafür, dass deren Frage besondere Priorität erhalten und nicht als „Angriff“ auf das Ego eines Programmierers oder einer Führungskraft gesehen werden. Das ist oft DER Knackpuntk, wenn Projekte ihre Aktzeptanz verlieren. Das Userteam testet und stellt Fragen wie:
– Ist die Lösung verständlich?
– Spart sie tatsächlich Zeit?
– Sind die Ergebnisse nachvollziehbar?
– Passt sie in bestehende Arbeitsabläufe?
– Wo entstehen neue Risiken oder Zusatzaufwände?

Ein starkes KI-Team verbindet also strategische, fachliche, technische und menschliche Perspektiven. Genau diese Mischung erhöht die Wahrscheinlichkeit, dass aus einem KI-Pilotprojekt ein echter produktiver Nutzen entsteht.

Praxisbeispiel aus einem Projekt

Stell dir vor, ein Unternehmen möchte ein KI-System einführen, das eingehende Kundenanfragen automatisch analysiert, priorisiert und Antwortvorschläge erstellt. Auf den ersten Blick könnte das wie ein reines IT- oder Softwareprojekt wirken. In der Praxis wäre das jedoch ein typischer Fall, bei dem mehrere Mitarbeitendengruppen früh eingebunden werden müssen.

Ein sinnvolles Projektteam könnte so aussehen:

Kundenservice-Team
Die Mitarbeitenden aus dem Support kennen die häufigsten Anfragen, schwierige Sonderfälle und typische Formulierungen von Kund:innen. Sie wissen, welche Antworten hilfreich sind und wo Vorsicht geboten ist.

In diesem Beispiel würde ein Fehler darin bestehen, nur eine KI-Software auszuwählen und sie direkt im Kundenservice auszurollen. Ohne die Einbindung des Fachbereichs könnten wichtige Sonderfälle übersehen werden. Ohne Datenschutzprüfung könnten rechtliche Risiken entstehen. Ohne Endnutzerfeedback würde die Lösung vielleicht technisch funktionieren, aber im Arbeitsalltag nicht akzeptiert werden.

Ein gutes Vorgehen wäre daher:

– zuerst konkrete Anwendungsfälle priorisieren
– Datenlage und Risiken prüfen
– einen kleinen Pilotbereich auswählen
– Antwortvorschläge durch Menschen kontrollieren lassen
– Ergebnisse anhand klarer Kennzahlen messen
– Feedback aus dem Team in die Weiterentwicklung einfließen lassen

So entsteht ein KI-Projekt, das nicht nur technisch beeindruckt, sondern echten Nutzen im Unternehmen schafft.

Typische Fehler bei der Teamzusammenstellung

Viele KI-Projekte scheitern nicht an der künstlichen Intelligenz selbst, sondern an einer falschen oder zu späten Einbindung der relevanten Mitarbeitenden. Besonders häufig treten diese Fehler auf:

Die IT wird allein verantwortlich gemacht
KI ist kein reines IT-Projekt. Wenn der Fachbereich nicht aktiv beteiligt ist, fehlt das Verständnis für konkrete Probleme, Prozessdetails und Erfolgskriterien.

Endnutzer:innen werden zu spät eingebunden
Wenn Mitarbeitende die Lösung erst kurz vor dem Rollout sehen, entstehen schnell Widerstand, Unsicherheit oder Ablehnung. Frühzeitiges Feedback verbessert Akzeptanz und Qualität.

Datenschutz und Compliance kommen erst am Ende dazu
Das kann ein Projekt stark verzögern oder sogar stoppen. Rechtliche und ethische Fragen sollten bereits in der Konzeptphase geklärt werden.

Es fehlt eine klare Entscheidungsrolle
Wenn niemand verbindlich priorisiert, freigibt oder Zielkonflikte löst, verliert das KI-Projekt Tempo. Eine verantwortliche Projektleitung oder ein Product Owner ist daher wichtig.

Datenexpertise wird unterschätzt
Viele Teams starten mit einer starken Idee, merken aber später, dass die Daten unvollständig, unstrukturiert oder nicht nutzbar sind. Eine frühe Datenprüfung spart Zeit und Kosten.

Zu viele Personen ohne klare Rollen werden eingebunden
Ein großes Team ist nicht automatisch besser. Entscheidend ist, dass jede Rolle einen klaren Beitrag leistet.

Führungskräfte erwarten schnelle Wunder
KI-Projekte brauchen realistische Ziele, Iterationen und Lernphasen. Wer sofort perfekte Automatisierung erwartet, unterschätzt die Komplexität von Daten, Prozessen und Veränderung.

Change Management wird vergessen
Mitarbeitende brauchen Orientierung: Was kann die KI? Was kann sie nicht? Welche Aufgaben verändern sich? Wer bleibt verantwortlich? Ohne Kommunikation entstehen Ängste und Missverständnisse.

Um diese Fehler zu vermeiden, solltest du bereits vor dem Start eines KI-Projekts klären:

– Welches Problem soll die KI konkret lösen?
– Wer arbeitet heute mit dem betroffenen Prozess?
– Welche Daten werden benötigt?
– Welche Systeme sind beteiligt?
– Welche rechtlichen oder ethischen Anforderungen gelten?
– Wer entscheidet über Prioritäten und Budget?
– Wer testet die Lösung im Alltag?
– Wie wird Erfolg gemessen?

Je klarer diese Fragen beantwortet sind, desto besser ist dein KI-Projekt vorbereitet.

Kurz zusammengefasst

Für ein erfolgreiches KI-Projekt solltest du zuerst die Menschen einbinden, die Problem, Prozess, Daten, Technik, Risiken und Nutzung verstehen. Dazu gehören vor allem Fachbereiche, Prozessverantwortliche, Data Expert:innen, IT, Datenschutz, Führungskräfte und Endnutzer:innen.

Die beste Teamzusammenstellung ist interdisziplinär, klar organisiert und praxisnah. So stellst du sicher, dass dein KI-Projekt nicht nur technisch möglich ist, sondern auch messbaren Mehrwert liefert, akzeptiert wird und langfristig im Unternehmen funktioniert.

 

Das Team steht bereit für den Start. Aber wie groß sollte das erste KI-Pilotprojekt im Unternehmen sein?

Erstellt am: 19.07.2026 | Zuletzt aktualisiert am: 19.07.2026