Digitale Wissensbissen - gelungene Software-Projekte, wirksame KI, zukunftsfähige Architekturen

Wenn ihr KI dort produktiv einsetzen wollt, wo Fehler am teuersten sind: abonniert den Podcast, teilt die Folge mit eurem Team und lasst uns eine Bewertung da.

Und wenn ihr einen schnellen Realitätscheck wollt – welche Dateninsel steht eurem KI-Vorhaben im Weg? Unser kostenloser Check zeigt die sechs üblichen Verdächtigen: https://neomo.link/check


Warum KI-Projekte an der Datenintegration scheitern: Ein KI-Assistent kann nicht klüger sein als die Systeme, an die er angeschlossen ist. Fragt Buchhaltung, Vertrieb und Lager nach dem Umsatz mit eurem besten Kunden, und ihr bekommt drei Zahlen, jede aus Sicht ihres Systems richtig. Welche nimmt Copilot? Die, an die er zufällig herankommt – und plötzlich wirkt generative KI wie ein Zufallsgenerator. Wir analysieren, warum digital noch lange nicht zugänglich heißt und weshalb Schnittstellen und Zugriffsrechte über KI-Assistenten und KI-Agenten entscheiden. Und warum ein neuer Standard wie MCP daran weniger ändert, als viele hoffen.

In dieser Folge

• Die zwei häufigsten Bremsklötze für KI im Unternehmen: Daten, an die niemand herankommt, und Systeme, die mit denselben Begriffen Verschiedenes meinen.
• Wie fehlende Anbindungen das Vertrauen in einen KI-Assistenten schleichend aufbrauchen, auch wenn keine einzelne Antwort dramatisch falsch ist.
• Was neue Standards und Agenten an diesem Problem tatsächlich ändern, welche Angriffsfläche jede neue Verbindung mitbringt – und mit welchen drei Fragen ihr prüft, wo es bei euch klemmt.

Quellen

1. MuleSoft – Agentic Transformation Reaches New Heights: 2026 Connectivity Benchmark Report Insights (Februar 2026). Befragung von 1.050 IT-Verantwortlichen: im Schnitt 957 Anwendungen, davon 27 % verbunden; bei Unternehmen mit vollzogener Agenten-Transformation 1.057 Anwendungen und 32 % verbunden. 82 % nennen Datenintegration als eine der größten Hürden beim KI-Einsatz, 86 % erwarten ohne Integration mehr Komplexität als Nutzen, die Hälfte der KI-Agenten arbeitet in Silos, IT-Teams verwenden 36 % ihrer Zeit auf handgebaute Integrationen, 94 % sehen eine stärker API-getriebene IT als Voraussetzung, 40 % nutzen A2A und 39 % MCP. https://blogs.mulesoft.com/agentic-perspectives/connectivity-benchmark-report/
2. Salesforce Newsroom – Connectivity Benchmark Report 2023. Vergleichswert von 2023: 29 % der Anwendungen integriert („knapp 30 Prozent“ in der Folge). https://www.salesforce.com/fr-ca/news/stories/connectivity-report-2023/
3. Bitkom – Erstmals nutzt die Mehrheit der Unternehmen KI, Presseinformation vom 14. September 2026. Befragung von 603 Unternehmen ab 20 Beschäftigten: 57 % setzen KI ein; als großen Kostenpunkt nennen 50 % die Datenaufbereitung, 41 % die Integration in bestehende Systeme und 21 % Abos und Lizenzen. Dort auch das Zitat von Bitkom-Präsident Ralf Wintergerst zur Lizenz. https://www.bitkom.org/Presse/Presseinformation/Erstmals-nutzt-Mehrheit-Unternehmen-KI
4. Gartner – Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027, Pressemitteilung vom 25. Juni 2025. Prognose zu abgebrochenen Agenten-Projekten bis Ende 2027 und der Hinweis, dass die Einbindung von Agenten in Altsysteme technisch komplex ist und teure Anpassungen erfordert. https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027
5. Slack – API Terms of Service updates, Changelog vom 29. Mai 2025. Verschärfte Regeln zur Speicherung und Nutzung von API-Daten, wirksam für neue Apps sofort, für bestehende ab 30. Juni 2025. https://docs.slack.dev/changelog/2025/05/29/tos-updates
6. Hunton Andrews Kurth – Salesforce Locks Down Slack Data: Time to Review Your Slack API Terms. Einordnung der Änderung (Verbot von Massenexport, dauerhaften Indizes und LLM-Nutzung) und der Fall Glean, das seine Kunden über den eingeschränkten Zugriff informierte. https://www.hunton.com/insights/legal/salesforce-locks-down-slack-data-time-to-review-your-slack-api-terms
7. Verordnung (EU) 2023/2854 (Datenverordnung, „EU Data Act“). Anwendbar seit 12. September 2025 (Art. 50); nach Art. 29 dürfen Anbieter von Datenverarbeitungsdiensten ab 12. Januar 2027 keine Wechselentgelte mehr erheben. Amtlicher Volltext: https://eur-lex.europa.eu/eli/reg/2023/2854/oj?locale=de
8. Anthropic – Introducing the Model Context Protocol, 25. November 2024. Vorstellung von MCP als offener Standard, um KI-Assistenten mit den Systemen zu verbinden, in denen die Daten liegen. https://www.anthropic.com/news/model-context-protocol
9. Anthropic – Donating the Model Context Protocol and establishing the Agentic AI Foundation, 9. Dezember 2025. Übergabe von MCP an die Agentic AI Foundation unter dem Dach der Linux Foundation, mitgegründet von Anthropic, Block und OpenAI, unterstützt u. a. von Google und Microsoft; mehr als 10.000 öffentliche MCP-Server. https://www.anthropic.com/news/donating-the-model-context-protocol-and-establishing-of-the-agentic-ai-foundation
10. Microsoft Security Blog – Securing AI agents: When AI tools move from reading to acting, 30. Juni 2026. Warnung, dass manipulierte Werkzeugbeschreibungen in MCP Agenten umsteuern und zum unbemerkten Abfluss von Daten führen können. https://www.microsoft.com/en-us/security/blog/2026/06/30/securing-ai-agents-ai-tools-move-from-reading-acting/
11. OpenAI – Introducing ChatGPT agent, 17. Juli 2025. Agent, der auf einem eigenen virtuellen Computer klickt, Formulare ausfüllt und Aufgaben ausführt. https://openai.com/index/introducing-chatgpt-agent/

KI in Banken, Versicherungen und Kanzleien beschleunigt die Wissensarbeit – und holt in Sekunden ans Licht, was jahrelang im Verborgenen lag: zu breite Freigaben, vergessene Projektordner, vererbte Zugriffsrechte. Microsoft nennt das Oversharing, und im regulierten Umfeld ist daraus automatisch ein meldepflichtiger Datenschutzvorfall. Die KI macht dabei nichts kaputt, sie aktiviert vorhandene Organisationsfehler, weil plötzlich jede Ablage in Alltagssprache durchsuchbar wird. Vier Fragen entscheiden darüber, ob euer Projekt die erste Prüfung übersteht – und keine einzige handelt vom Modell.

In dieser Folge

• Oversharing bedeutet, dass ein KI-Assistent Dateien zutage fördert, die jemand technisch öffnen kann, aber nie hätte sehen sollen – die Berechtigungsfehler von Jahren werden mit einer einzigen Frage durchsuchbar.
• In Banken, Versicherungen, Kanzleien und Medizintechnik hat dieselbe Panne einen völlig anderen Preis: Was in einer normalen Firma peinlich ist, ist dort ein meldepflichtiges Ereignis mit Bußgeld-, Klage- und Aufsichtsfolgen.
• Frage 1 lautet: Wer darf was sehen? Eine korrekt implementierte KI-Anwendung erbt die bestehende Rechtelandschaft samt aller Löcher – vergessener Projektfreigaben, nie zurückgenommener Berechtigungen nach Abteilungswechseln, unklarer Vererbung zwischen Ordnern.
• Frage 2 lautet: Dürfen diese Daten überhaupt so verarbeitet werden? Personenbezogene Daten dürfen nach DSGVO nur für den Zweck verwendet werden, für den sie erhoben wurden – dreißig Jahre nicht anonymisierter Schadenakten ins Modell zu kippen, ist kein Effizienzprojekt, sondern ein Rechtsverstoß. Für Gesundheits-, Bonitäts- und Mandantendaten gelten dabei die strengsten Regeln, die es überhaupt gibt.
• Bei automatisierten Entscheidungen, die Menschen erheblich betreffen – Kredit abgelehnt, Police gekündigt, Leistung verweigert –, hat der Betroffene das Recht darauf, dass am Ende ein Mensch eingreift.
• Frage 3 lautet: Kann ich nachweisen, was die KI getan hat? Die EU-KI-Verordnung verlangt für hochriskante Systeme Protokollierung, Dokumentation, menschliche Aufsicht, Transparenz und ein Recht auf Erklärung der Einzelfallentscheidung. Nachvollziehbarkeit ist kein Feature zum Nachrüsten, sondern eine architektonische Entscheidung.
• Frage 4 lautet: Wer haftet? Der Fall Air Canada zeigt, dass die Aussage eines Chatbots dem Unternehmen zugerechnet wird. Die EU-KI-Verordnung liefert die Preisliste: bis zu 35 Millionen Euro oder 7 % Weltjahresumsatz für verbotene Praktiken, bis zu 15 Millionen oder 3 % für vernachlässigte Pflichten bei Hochrisikoanwendungen, 7,5 Millionen für Falschangaben gegenüber der Aufsicht.
• Ein Praxisfall aus der NEOMO-Arbeit: Bei einem Anbieter von Compliance-Software war die erste Entscheidung eine Organisationsentscheidung, keine Modellentscheidung. Kundendaten verlassen die europäische Cloud-Umgebung nicht, Zugriff läuft über ein Rollenmodell, alles ist Ende-zu-Ende verschlüsselt – und das System sagt lieber „steht nicht in den Unterlagen“, als zu raten. Genau das ist der Unterschied zwischen Pilot und Produktion.

Quellen

1. Microsoft 365 Copilot Blog — Mitigate Oversharing to Govern Microsoft 365 Copilot and Agents. Microsofts eigene Definition von Oversharing und die Werkzeuge dagegen: SharePoint Advanced Management, Purview, Restricted Content Discovery. https://techcommunity.microsoft.com/blog/microsoft-copilot-blog/mitigate-oversharing-to-govern-microsoft-365-copilot-and-agents/4448744
2. Microsoft Learn — Microsoft 365 Copilot Blueprint: Oversharing. Die operative Anleitung hinter dem Blog-Beitrag, mit den empfohlenen Schritten für Pilot, Rollout und Betrieb. https://learn.microsoft.com/en-us/copilot/microsoft-365/microsoft-365-copilot-blueprint-oversharing
3. Computerworld — Microsoft moves to stop M365 Copilot from 'oversharing' data. Enthält die Gartner-Erhebung, nach der 40 % der befragten IT-Verantwortlichen ihren Copilot-Rollout wegen Oversharing um drei Monate oder länger verschoben haben. https://www.computerworld.com/article/3616459/microsoft-moves-to-stop-m365-copilot-from-oversharing-data.html
4. EU-KI-Verordnung, Artikel 99 — Bußgelder: bis 35 Mio. € oder 7 % des weltweiten Jahresumsatzes für verbotene Praktiken, bis 15 Mio. € oder 3 % für verletzte Pflichten bei hochriskanten Systemen, bis 7,5 Mio. € oder 1 % für falsche Angaben gegenüber der Aufsicht. https://artificialintelligenceact.eu/article/99/
5. EU-KI-Verordnung, Volltext mit Artikelnavigation — die vier Fragen der Folge als Artikel gelesen: Daten-Governance (Art. 10), technische Dokumentation (Art. 11), Protokollierung (Art. 12), Transparenz (Art. 13), menschliche Aufsicht (Art. 14), Recht auf Erklärung einer Einzelfallentscheidung (Art. 86). Die Verbote gelten seit dem 2. Februar 2025, die Bußgeldvorschriften seit dem 2. August 2025, die letzte Stufe tritt im August 2026 in Kraft. https://artificialintelligenceact.eu/
6. DSGVO, Verordnung (EU) 2016/679, amtlicher Volltext auf EUR-Lex — Zweckbindung (Art. 5) und Recht auf menschliches Eingreifen bei rein automatisierten Einzelentscheidungen (Art. 22). https://eur-lex.europa.eu/eli/reg/2016/679/oj
7. Moffatt v. Air Canada, 2024 BCCRT 149 — Entscheidung des Civil Resolution Tribunal of British Columbia vom 14. Februar 2024: 650,88 CAD Schadenersatz, weil die Auskunft des Chatbots dem Unternehmen zugerechnet wurde. Rückbezug auf Folge 1. https://www.ctvnews.ca/vancouver/article/air-canadas-chatbot-gave-a-bc-man-the-wrong-information-now-the-airline-has-to-pay-for-the-mistake/

Wenn ihr einen schnellen Realitätscheck wollt – welche Stelle kippt bei euch am ehesten? Unser kostenloser Check zeigt die sechs üblichen Verdächtigen: https://neomo.link/check

Erst die Inhalte, dann die KI: Warum 90 % eures Datenbestands nicht KI-reif sind

95 % der KI-Piloten in Unternehmen bringen keine messbare Wirkung auf die Gewinn- und Verlustrechnung — und schuld ist fast nie das Modell.

Das Versprechen klingt verführerisch — die KI liest einfach eure Verträge, Akten und Handbücher, und ihr fragt in normaler Sprache. Zwischen „im Prinzip" und „im Betrieb" steckt aber genau die Arbeit, über die auf den Hochglanz-Folien niemand spricht: Ein Großteil eurer Informationen liegen unstrukturiert vor, verstreut über Silos, in Dubletten und veralteten Fassungen, mit Querverweisen, die sich für einen Menschen auflösen lassen, für eine Maschine aber ein Labyrinth sind. Wir zeigen, wann selbst dokumentengestützte KI weiter halluziniert, wie ihr in wenigen Fragen erkennt, ob euer Bestand das Problem ist, und was „aufbereiten" wirklich heißt — als Handwerk, nicht als Knopfdruck.

Die Kernbotschaft der Folge: erst der Bestand, dann die KI. Wer das umdreht, zahlt für einen Piloten, der nie in Produktion geht.

Wenn ihr genau wissen wollt, wo es bei euren Projekten klemmen könnte, hier geht es zu unserem kostenlosen Check: https://neomo.link/check

Das nehmt ihr mit

• Warum nicht das Modell der Engpass ist, sondern das, was davor liegt.
• Woran ihr in vier Fragen erkennt, ob euer Datenbestand euer KI-Projekt ausbremst.
• Was „aufbereiten" konkret bedeutet: OCR, Querverweise auflösen, Strukturen und Entitäten, Dubletten raus, Herkunft mitführen.
• Warum ein einmal aufbereiteter Bestand ein Vermögenswert ist, der viele Anwendungen trägt — und die Modelle überlebt.
• Warum das Erfahrung braucht und selten nebenher und inhouse gelingt.

Quellen

1. MIT NANDA, *The GenAI Divide: State of AI in Business 2025* (via Fortune, 18.08.2025): https://fortune.com/2025/08/18/mit-report-95-percent-generative-ai-pilots-at-companies-failing-cfo/
2. Gartner, Pressemitteilung, 29.07.2024: https://www.gartner.com/en/newsroom/press-releases/2024-07-29-gartner-predicts-30-percent-of-generative-ai-projects-will-be-abandoned-after-proof-of-concept-by-end-of-2025
3. IDC White Paper *Untapped Value* (US51128223, Aug. 2023, via Box): https://blog.box.com/90-your-data-unstructured-and-its-full-untapped-value
4. Stanford RegLab & HAI, *Hallucination-Free? Assessing the Reliability of Leading AI Legal Research Tools* (Mai 2024): https://hai.stanford.edu/news/ai-trial-legal-models-hallucinate-1-out-6-or-more-benchmarking-queries

Eine KI-Demo kann dich in zehn Minuten überzeugen und dir trotzdem am Montagmorgen um die Ohren fliegen. Genau diese Lücke zwischen Applaus und Alltag nehmen wir auseinander, weil sie in KI-Projekten immer wieder Millionen kostet: Klarna rudert nach großem KI-Versprechen zurück und stellt wieder Menschen ein, McDonalds beendet den KI-Drive-Through-Test trotz guter Trefferquote, und Studien zeigen ernüchternd, wie selten Pilotprojekte echten ROI liefern. 

Wir erklären, warum Demos fast zwangsläufig den Idealfall zeigen: saubere Daten, geübte Fragen, bekannte Use Cases. Der Produktivbetrieb sieht anders aus, denn dort entscheiden die letzten 15%: Sonderfälle, Dialekte, echte Datenqualität, Verantwortung, Halluzinationen, Eskalation bei Unsicherheit. Und wir sprechen über die unsichtbaren, aber entscheidenden Baustellen einer KI-Implementierung: Datenintegration, APIs, Rollen- und Rechtemanagement, Compliance, Monitoring und Betriebsprozesse. 

Damit du nicht nur Beeindruckendes kaufst, sondern Belastbares, geben wir dir konkrete Prüffragen und Demo-Regeln mit: auf eigenen Daten testen, neue Daten mitbringen, Fehlerfälle aktiv verlangen und klären, was das System tut, wenn es etwas nicht weiß. Außerdem zeigen wir, was erfolgreiche Teams anders machen: für den Dauerbetrieb planen, für die schwierigen Fälle optimieren und echte Schmerzpunkte im Prozess auswählen, oft im Backoffice statt im Marketing-Schaufenster. 

Wenn dir das hilft, abonnier den Podcast, teile die Folge mit deinem Team und lass eine Bewertung da. Welche Demo hast du gesehen, die im Alltag gescheitert ist?

Erwähnte Fälle & Quellen

•Klarna kehrt von „AI-first" zurück zu Menschen („lower quality“; ein Jahr zuvor: Assistent „does the work of 700 human agents”) + IBM-CEO-Studie (nur 1 von 4 Projekten bringt den ROI, 16 % unternehmensweit skaliert, 64 % investieren aus Angst vorm Abgehängtwerden) — Fortune, Mai 2025: https://fortune.com/2025/05/09/klarna-ai-humans-return-on-investment/

•Klarna-Einstellungsstopp („We stopped hiring about a year ago. We were 4,500, now we’re 3,500" — laut Klarna-Sprecher vereinfacht, Schlüsselrollen wurden nachbesetzt) — TechCrunch, Dez. 2024: https://techcrunch.com/2024/12/14/klarnas-ceo-says-it-stopped-hiring-thanks-to-ai-but-still-advertises-many-open-positions/

•McDonald’s beendet den KI-Drive-thru (~85 % Trefferquote, virale Fehler; „260 Chicken McNuggets" laut Fortune) — ACS Information Age, Juni 2024: https://ia.acs.org.au/article/2024/mcdonald-s-bins-ai-drive-thru-after-errors-go-viral.html

•30 % der GenAI-Projekte nach dem Proof of Concept beerdigt; Einführung 5–20 Mio. USD — Gartner, Juli 2024: https://www.gartner.com/en/newsroom/press-releases/2024-07-29-gartner-predicts-30-percent-of-generative-ai-projects-will-be-abandoned-after-proof-of-concept-by-end-of-2025

•95 % der Piloten ohne messbare P&L-Wirkung („nicht das Modell, sondern die Lücke"; spezialisierte Partner ~67 % vs. Eigenbau ~1/3; größter ROI im Back-Office) — MIT NANDA, State of AI in Business 2025 (via Fortune), Aug. 2025: https://fortune.com/2025/08/18/mit-report-95-percent-generative-ai-pilots-at-companies-failing-cfo/

Mitte 2025 liefert eine der größten Beratungen der Welt der australischen Regierung einen Bericht für rund 290.000 US-Dollar. Darin: wissenschaftliche Quellen, die es nicht gibt, und ein wörtliches Zitat aus einem Gerichtsurteil, das nie so gefallen ist. Kein Praktikant, der geschlampt hat — eine KI, die geraten hat. Und Deloitte ist in bester Gesellschaft: Ein Anwalt in Kalifornien zahlt 10.000 Dollar Strafe, weil von 23 Zitaten, die ChatGPT ihm für seinen Schriftsatz geliefert hatte, 21 frei erfunden waren. Eine Zeitungs-Leseliste empfiehlt Bücher, die nie geschrieben wurden.

In dieser Folge nehmen wir das eine Verhalten auseinander, das all diese Leute kalt erwischt hat. „Halluzination" ist ein hübscher Name für einen unbequemen Befund: Das Modell lügt nicht — es kennt den Unterschied zwischen wahr und falsch gar nicht. Es erzeugt den wahrscheinlich klingenden nächsten Satz, souverän, flüssig, im perfekten Ton, und liegt eben manchmal grandios daneben. Wir haben es dazu erzogen: Wer im Training fürs Raten belohnt und fürs Schweigen bestraft wird, rät. Wir haben uns einen Bluffer herangezüchtet und wundern uns, dass er blufft.

Das Unangenehme ist die Richtung der Kurve. Die plumpen Fehler verschwinden, die perfekt getarnten bleiben — bei den neuen „Reasoning"-Modellen ist die Halluzinationsrate in OpenAIs eigenem Test nicht gesunken, sondern von 16 auf 33 Prozent gestiegen, beim kleineren Modell auf 48. Je besser die Maschine formuliert, desto eher winkt der Mensch, der prüfen soll, es einfach durch. Genau da wird aus einer Spielerei ein Haftungsfall — Air Canada musste für eine Falschauskunft seines Chatbots zahlen.

Die gute Nachricht kommt am Schluss, und sie ist groß: Fast alle Beispiele haben eines gemeinsam — jemand hat das Modell gefragt „Was weißt du?" statt ihm Material zu geben. Wer die KI vom Orakel zum Transformator macht — nicht „erzähl mir etwas über die Welt“, sondern „arbeite mit meinen Unterlagen” —, dem fällt die größte Quelle der Halluzination einfach weg. Was dann noch bleibt, ist kein Hexenwerk, sondern Handwerk: sauberes Material, Belegpflicht, das Recht des Modells zu schweigen, und ein Mensch an der einen Stelle, die wirklich zählt.

•Deloitte-Regierungsbericht mit erfundenen Quellen und erfundenem Richter-Zitat (AU$440.000 / ~291.000 USD, Teil-Rückzahlung) — The Register, Okt. 2025: https://www.theregister.com/2025/10/06/deloitte_ai_report_australia/

•Kalifornischer Anwalt: 10.000 USD Strafe, 21 von 23 Zitaten erfunden (plus zwei Kanzleien, 31.100 USD für „bogus AI-generated research") — The Daily Record / AP, Okt. 2025: https://thedailyrecord.com/2025/10/13/california-lawyer-ai-fake-citations-fine/

•Datenbank erfundener Aktenzeichen: über 1.400 Fälle; „Future of Truth“-Buch mit KI-erfundenen Zitaten; Automation-Bias / „cognitive surrender” — Scientific American, Mai 2026: https://www.scientificamerican.com/article/why-lawyers-keep-citing-fake-cases-invented-by-ai/

•Zeitungs-Leseliste mit erfundenen Büchern (mehr als die Hälfte erfunden; Min Jin Lee dementiert) — Fortune / AP, Mai 2025: https://fortune.com/2025/05/22/ai-king-features-newspaper-writer-fake-book-list/

•„Why Language Models Hallucinate" (Modelle werden fürs Raten belohnt) — OpenAI, Sept. 2025: https://arxiv.org/abs/2509.04664

•Reasoning-Modelle halluzinieren mehr (o1 16 % → o3 33 % → o4-mini 48 % auf PersonQA) — TechCrunch, Apr. 2025: https://techcrunch.com/2025/04/18/openais-new-reasoning-ai-models-hallucinate-more/

•Moffatt v. Air Canada, 2024 BCCRT 149 (Airline haftet für die Falschauskunft ihres Chatbots) — McCarthy Tétrault, Feb. 2024: https://www.mccarthy.ca/en/insights/blogs/techlex/moffatt-v-air-canada-misrepresentation-ai-chatbot

•Verbreitung von KI im Unternehmen: über drei Viertel — McKinsey, The State of AI (2025): https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai

Der EU AI Act ist seit August 2024 geltendes Recht – kein Entwurf, kein Vorschlag. Die Umsetzung erfolgt gestaffelt: Verbote (Social Scoring, biometrische Echtzeit-Identifikation) gelten seit Februar 2025, Regeln für General Purpose AI (GPT, Claude, Gemini) seit August 2025, Hochrisiko-KI-Pflichten ab August 2026, eingebettete KI in regulierten Produkten (Medizintechnik, Fahrzeuge, Maschinen) ab August 2027.

Zentrales Missverständnis: Der AI Act betrifft nicht nur große KI-Entwickler wie OpenAI oder Google, sondern jeden, der KI-Systeme auf dem EU-Markt bereitstellt oder einsetzt – auch Deployer, also Unternehmen, die KI-Tools Dritter nutzen. Die Episode erklärt die Unterscheidung zwischen Provider und Deployer, die acht Hochrisikobereiche (u.a. Beschäftigung/HR, Kreditscoring, kritische Infrastruktur) und das entscheidende Kriterium: Bewertet oder selektiert das System natürliche Personen? Ein CV-Ranking-Tool ist Hochrisiko, ein Bewerberchatbot nicht.

Künstliche Intelligenz ist 2026 in aller Munde, doch im Unternehmensalltag bleibt der echte Impact oft aus. In dieser Episode analysieren wir die drei typischen Muster, mit denen Unternehmen an KI scheitern: die Abwarte-Fraktion mit unkontrollierter Schatten-IT, die Copilot-Illusion ohne messbare Produktivitätssteigerung und das wirkungslose Center of Excellence, das an den falschen Problemen arbeitet.

Wir zeigen, warum beide Extrempositionen – „KI ist nur eine Technologie" und „Alles muss AI-first sein" – in die Sackgasse führen. Stattdessen braucht es einen strategischen Perspektivenwechsel: KI nicht als Ersatz für Mitarbeiter, sondern als Verstärker der besten Leute im Unternehmen. Qualitätssteigerung und Durchsatzskalierung statt Mittelmäßigkeit durch Automatisierung.

Am konkreten Beispiel der Ausschreibungsbearbeitung (RFP/RFI/RFQ) wird deutlich, wie KI einen Prozess von fünf Tagen auf fünf Stunden reduzieren kann – ohne den Fachexperten überflüssig zu machen. Die unbequeme Wahrheit: Viele Unternehmen brauchen vor KI erst konsequente Digitalisierung und Prozessverständnis.

Themen dieser Episode: Schatten-KI und Datenschutzrisiken · Microsoft Copilot und der ausbleibende Produktivitätsboost · Center of Excellence richtig aufsetzen · KI als Forschungsgebiet vs. Einzeltechnologie · Generative KI, Machine Learning, OCR, Computer Vision · Fachkräftemangel als eigentlicher Treiber · Digitalisierung als Voraussetzung für KI · Prozessautomatisierung mit Human-in-the-Loop · Ausschreibungen automatisieren mit GenAI · KI-Strategie vs. KI-Hype · Upstream, Kernarbeit, Downstream – wo KI wirklich hilft

In dieser Episode analysieren wir kritisch, wann agiles Projektmanagement die richtige Wahl ist – und wann klassische Wasserfall-Methoden oder hybride Ansätze besser funktionieren.

Agile Mythen entlarvt

• Warum "agil" nicht bedeutet: kein Plan, keine Doku, keine Entscheidungen
• Der Unterschied zwischen echter Agilität und chaotischem Projektvorgehen
• Warum agile Projekte mehr Disziplin erfordern, nicht weniger

Anti-Agile Warnsignale

• Fehlende oder unklare Requirements als Projektstart
• Kein echter Product Owner mit Entscheidungsbefugnis
• Fehlende Produktvision und Priorisierung
• Nicht cross-funktionale Teams mit externen Abhängigkeiten
• Scope Creep unter dem Deckmantel der Flexibilität

Wann Wasserfall besser funktioniert

• Stabile, bekannte Anforderungen (z.B. interne Architekturprojekte)
• Strikte regulatorische Vorgaben (Medizinprodukte, Luftfahrt, Automotive)
• Fix-Price-Projekte mit vollständiger Spezifikation
• Hoher Dokumentations- und Prüfungsbedarf
• Projekte mit vielen externen Abhängigkeiten

Hybride Ansätze

• Wasserfallspezifikation für das Kernprodukt (regulatorische Prüfungen, Fixpreis-Möglichkeit)
• Agile Umsetzung und Weiterentwicklung (Marktfeedback, schnelle Anpassungen)
• Wie man das Beste aus beiden Welten kombiniert

200-seitige Compliance-Fragebögen, drei Wochen später derselbe Bogen mit anderen Formulierungen – und immer wieder Senior-Mitarbeiter, die als teure Copy-Paste-Maschinen fungieren. In dieser Episode zeigen wir an einem konkreten Kundenprojekt, wie KI-gestützte Automatisierung dieses Problem löst – ohne den Menschen aus der Verantwortung zu nehmen.

Wir sprechen über: Warum "einfach ChatGPT draufwerfen" in Compliance-Kontexten scheitert. Wie Retrieval Augmented Generation (RAG) und Semantic Embeddings zusammenspielen, um relevante Dokumentenpassagen in Sekunden zu finden. Warum der Human-in-the-Loop-Ansatz keine Notlösung ist, sondern die einzig sinnvolle Architektur für auditierfähige Systeme. Und weshalb die unglamourösen Komponenten – OCR, Dokumentenstrukturierung, Antwortspeicher – oft den Unterschied zwischen Demo und Produktion machen.

Ein Praxisbericht für alle, die Compliance-Prozesse digitalisieren wollen, KI-Projekte jenseits des Hypes planen oder verstehen möchten, wie man Large Language Models in regulierten Umgebungen sinnvoll einsetzt.

Warum scheitern Softwareprojekte jeder Größe so häufig? In dieser Episode benennen wir drei zentrale Ursachen, die zu millionenteuren Verzögerungen, Frust und politische Grabenkämpfen führen:

1. Gnadenbasierte Zuarbeit: Kritische Abhängigkeiten ohne formales Commitment – willkommen im Ressourcenroulette.
2. Agiles Chaos: Scrum auf dem Papier, aber ohne Product Owner, Vision oder Verantwortung.
3. Greenfield-Fantasien: Statt evolutionärer Erweiterung wird die Legacy-Anwendung „entsorgt“ – und mit ihr die Planbarkeit.

Wir sprechen darüber, wie diese Muster entstehen, warum sie so selten angesprochen werden – und wie man sie aufbrechen kann.

 Für alle, die Projekte führen, priorisieren oder verantworten – und sich nicht mit „wird schon schiefgehen“ zufriedengeben.