Statement · KI & Führung
KI im Unternehmen einführen — und warum sie keiner nutzt
Eingeführt ist schnell. Genutzt ist etwas anderes.
KI im Unternehmen einführen heißt in der Praxis meistens: Lizenzen kaufen, schulen, eine Richtlinie schreiben. Das ist getan — und jetzt schaust du auf Nutzungszahlen, die niemandem gefallen. In einem Technologiekonzern, der genau das getan und zusätzlich unternehmensweit Anreize gesetzt hatte, arbeiteten zwölf Monate später 41 Prozent der Ingenieur:innen mit dem Werkzeug. Der Rest nicht. Das lag weder an der Technik noch am Budget noch an fehlender Schulung. Es lag daran, dass die Nutzung sichtbar zu machen die Leute etwas kostet.
Das Wichtigste in Kürze
- Zwölf Monate nach der Einführung nutzten 41 Prozent das Werkzeug — trotz unternehmensweiter Anreize.
- Wer KI einsetzt, wird für identische Arbeit als weniger kompetent bewertet: 9 Prozent Abzug, bei Frauen 13.
- Die Abwertung kommt von denen, die selbst keine KI nutzen. Oft ist das die Führung.
- Wer die eigene Urheberschaft sichtbar macht, holt rund 92 Prozent des Nachteils zurück.
- Wird KI für eine bestimmte Aufgabe ausdrücklich als nützlich benannt, verschwindet der Effekt ganz.
Die Zahl, an der jeder Einführungsplan vorbeigeht
Wer heute nachschlägt, wie sich KI im Unternehmen einführen lässt, findet Leitfäden in Serie: neun Punkte, fünf Schritte, drei Stufen, vier Tipps. Bedarf klären, Team aufstellen, Anbieter wählen, schulen, evaluieren. Die Listen sind ordentlich gemacht. Sie haben nur eine Eigenschaft gemeinsam: Keine einzige nennt eine Zahl dazu, was nach der Einführung tatsächlich passiert.
Diese Zahl gibt es. Ein Forschungsteam um Phyliss Jia Gai hat in einem Technologiekonzern nicht gefragt, sondern gemessen — an den echten Nutzungsdaten von 28.698 Ingenieur:innen. Ergebnis nach zwölf Monaten: 41 Prozent hatten das generative KI-Werkzeug übernommen. Bei Frauen waren es 31 Prozent, bei älteren Beschäftigten 39.
Das ist kein Unternehmen, das schlampig eingeführt hat. Es ist ein Technologiekonzern mit Anreizen, mit Zugang für alle, mit Leuten, die beruflich mit Software umgehen. Wenn die Einführung dort bei 41 Prozent landet, ist die Frage nicht mehr, ob der Plan gut genug war. Die Frage ist, ob der Plan überhaupt das Problem adressiert hat.
Ein Einführungsplan beantwortet die Frage „Wie stellen wir es bereit?“. Im Team wird eine andere gestellt: „Was passiert mir, wenn ich es benutze?“
Warum gerade die Guten das Werkzeug meiden
Dieselbe Untersuchung ist der Sache nachgegangen. In einem vorab registrierten Experiment bewerteten 1.026 Ingenieur:innen denselben Code. Der einzige Unterschied: Bei einem Teil stand dabei, er sei mit KI-Unterstützung entstanden.
Das Ergebnis: 9 Prozent geringere Kompetenzbewertung für identische Arbeit. Bei Frauen lag der Abzug bei 13 Prozent, bei Männern bei 6.
Ein unabhängiges Team der Duke University hat das in vier vorab registrierten Experimenten mit 4.439 Teilnehmenden geprüft und veröffentlichte die Ergebnisse in den Proceedings of the National Academy of Sciences. Wer Hilfe von KI bekommt, wird als fauler, weniger kompetent und weniger gewissenhaft eingeschätzt — und zwar nicht nur gefühlt. Die Beschäftigten erwarten diese Bewertung, und sie bekommen sie tatsächlich.
Damit steht ein zweiter Befund fest, der für die Einführung entscheidender ist als der erste: Die Sorge der Leute ist nicht irrational. Sie ist zutreffend.
Wer viel zu verlieren hat, verliert mehr. Deshalb trifft es Frauen härter, deshalb steigen ältere Beschäftigte langsamer ein. Und deshalb ist die naheliegende Reaktion nicht Verweigerung, sondern etwas Unauffälligeres: Man nutzt das Werkzeug und redet nicht darüber. Das rheingold Institut hat das für die randstad stiftung untersucht und fünf typische Umgangsformen beschrieben. Eine davon ist wörtlich die „heimliche Nutzung, um die eigene Leistung besser darzustellen“. Und das ist keine Randerscheinung: 26 Prozent der Befragten nutzen KI im Job ohne Wissen ihres Arbeitgebers.
Wenn in deinem Unternehmen wenig genutzt wird, kann beides zutreffen: Es wird wirklich nicht genutzt, oder es wird genutzt und versteckt. Die Nutzungsstatistik unterscheidet das nicht.
Die Bremse kommt von denen, die selbst nicht nutzen
Jetzt der unangenehme Teil.
Die Duke-Studie hat nicht nur gemessen, dass abgewertet wird, sondern auch, von wem. Der Effekt hängt an der eigenen Nutzung der bewertenden Person. Wer selbst seltener als einmal pro Woche mit KI arbeitet, hält KI-Nutzende für faul — und handelt danach. In einer Einstellungsaufgabe mit echtem Geld stellten genau diese Bewertenden die KI-Nutzenden seltener ein.
Daraus folgt etwas, das keine Change-Management-Folie ausspricht: Eine Führungskraft, die selbst nicht mit KI arbeitet, kann die Einführung nicht nur schlecht begleiten. Sie erzeugt die Bremse aktiv mit, über die sie sich anschließend beschwert.
Das ist kein Vorwurf. Es ist nachvollziehbar, dass niemand etwas hoch bewertet, dessen Aufwand er nie selbst erlebt hat. Wer nie gesehen hat, wie viel Fachwissen nötig ist, damit ein KI-Ergebnis brauchbar wird, hält es eben für eine Abkürzung. Nur trägt die Entscheidung dann die Folgen des Nichtwissens — und die Entscheidung liegt oben.
Aus der Beratungspraxis
Was mir immer wieder auffällt: In den Runden mit der zweiten Führungsebene fällt der Groschen — „das ist ja ein richtig großes Thema“. Nur sitzt die Ebene darüber bei genau diesen Runden oft nicht mit am Tisch.
Das Erkennen sitzt also eine Etage unter dem Entscheiden. Und solange das so bleibt, wird die Einführung weiter verwaltet statt geführt.
Dazu kommt der Boden, auf den das alles fällt. Der Gallup Engagement Index Deutschland weist für 2024 aus, dass nur 21 Prozent der Beschäftigten ihrer Führung uneingeschränkt vertrauen. Wer auf dieser Grundlage eine Technologie einführt, die ohnehin mit Angst vor Bedeutungsverlust verbunden ist, sollte nicht mit Vertrauensvorschuss rechnen.
Wer wissen will, warum das Thema in vielen Häusern gar nicht erst oben ankommt, findet die Vorgeschichte in unserem Beitrag dazu, warum KI Chefsache ist und trotzdem liegen bleibt.
Die Lizenzen sind gezählt, die Wertschöpfung nicht
Wenn ich sehe, wie eine KI-Einführung im Unternehmen konkret abläuft, geht es fast immer um dieselben Dinge: Kosten, Lizenzen, Zugänge, Verwaltung. Das ist nicht falsch — das muss jemand machen. Es ist nur nicht der Punkt.
Denn dabei bleibt eine Frage regelmäßig unbeantwortet: Wofür genau soll das Werkzeug eigentlich gut sein? Häufig steckt hinter der Einführung ein Mitläufer-Motiv. Man meint, KI machen zu müssen, weil alle es tun. Vom Wertschöpfungsgedanken her denkt kaum jemand.
Das klingt nach einem strategischen Schönheitsfehler. Es ist aber genau die Stelle, an der die Abwertung entsteht oder eben nicht. Die Duke-Studie hat nämlich noch etwas gefunden: Wird KI für eine Aufgabe ausdrücklich als nützlich beschrieben, ist der Nachteil vollständig aufgehoben. Nicht abgemildert — weg.
Eine pauschale Erlaubnis leistet das nicht. „Ihr dürft KI benutzen“ sagt nichts darüber, ob es für diese Aufgabe klug ist. Meist fehlt selbst das: In derselben rheingold-Untersuchung berichten nur 32 Prozent von klaren Richtlinien, 34 Prozent sagen, es gebe überhaupt keine Vorgaben. Die Lücke füllt dann jeder selbst, und im Zweifel mit der vorsichtigen Annahme.
Wie sehr Verwaltung an der Sache vorbeigehen kann, zeigt ein Fall aus den USA. Amazon schaltete eine interne Bestenliste ab, die die KI-Nutzung der Beschäftigten maß — sie hatte dazu geführt, dass Leute sinnlose Anfragen stellten, um in der Statistik gut auszusehen. Wer Nutzung misst statt Wert, bekommt Nutzung ohne Wert.
Drei Hebel, die messbar wirken
Das Übliche an dieser Stelle wäre: Kultur ändern, Vertrauen aufbauen, Vorbild sein. Kann man sagen. Nur lässt sich damit am Montag nichts anfangen.
Es gibt drei Eingriffe, deren Wirkung tatsächlich gemessen wurde.
1. Urheberschaft sichtbar machen — nicht das Werkzeug
Ein Team der Northeastern University hat in dreizehn Experimenten mit 4.956 Teilnehmenden untersucht, wie sich KI-Nutzung auf die Bezahlung auswirkt. Menschen kürzten die Vergütung für KI-Nutzende, und zwar aus einem bestimmten Grund: Sie nahmen an, die Person habe weniger eigenen Anteil an der Arbeit gehabt.
Der entscheidende Fund liegt in der Gegenrichtung. Wer erkennbar die Urheberschaft über die Kernarbeit behält — also zeigt, welche Entscheidungen die eigenen waren — holt rund 92 Prozent des Nachteils zurück.
Praktisch heißt das: Nicht „habe ich mit KI gemacht“, sondern „ich habe diesen Weg gewählt, diese Annahme verworfen, dieses Ergebnis geprüft“. Der Unterschied ist nicht kosmetisch. Er entscheidet, ob Offenheit bestraft wird.
2. Legitimität je Aufgabe statt pauschaler Freigabe
Benenne zwei oder drei Aufgaben, bei denen KI ausdrücklich erwünscht ist, und sage dazu, warum sie dort sinnvoll ist. Das ist der Hebel aus dem vorigen Abschnitt — der einzige der drei, der den Effekt nicht nur abschwächt, sondern aufhebt.
Wichtig ist die Richtung: nicht Erlaubnis, sondern Begründung. Eine Erlaubnis nimmt nichts weg, wenn die Sorge lautet, für faul gehalten zu werden.
3. Ergebnisse anerkennen, Nutzung nicht messen
Die naheliegende Idee, KI-Nutzung verpflichtend zu kennzeichnen, klingt fair und wirkt gegenteilig. Bei Adidas berichtete ein Engineering-Manager, dass die Ingenieur:innen daraufhin die Werkzeuge mieden — sie wollten nicht, dass ihre besten Beiträge eine Fußnote tragen. Was stattdessen funktionierte: Ergebnisse anerkennen. Wer verantwortlich ist, bekommt die Anerkennung und steht im Fehlerfall gerade, unabhängig davon, welches Werkzeug im Spiel war.
Wenn ihr eine Nutzungsstatistik als Steuerungsgröße führt, ist sie der erste Kandidat zum Abschaffen.
Was du in der nächsten Woche ändern kannst
Vier Dinge, für die du kein Projekt brauchst.
- Nutze selbst sichtbar. Nicht als Demonstration, sondern im normalen Ablauf — und sag dazu, was daran deine Entscheidung war. Das ist der einzige Punkt, der die Bremse aus Abschnitt 3 direkt löst.
- Streiche in der nächsten Bewertungsrunde die Frage nach dem Werkzeug. Frag stattdessen nach der Entscheidung: Was hast du abgewogen, was verworfen?
- Benenne zwei bis drei Aufgaben, für die KI ausdrücklich erwünscht ist — mit Begründung, warum sie dort taugt.
- Schaff Nutzungs-Bestenlisten ab, falls es sie gibt.
Und eine Frage für das nächste Führungsmeeting: Wann hat hier zuletzt jemand aus der ersten Reihe sichtbar mit KI gearbeitet?
Wenn dabei herauskommt, dass die Kompetenz im Haus fehlt, ist das kein Widerspruch zu diesem Text — dann ist es die nächste Baustelle. Was dazugehört, steht in unserem Beitrag zu AI Fluency als Führungsaufgabe.
Häufige Fragen
Ist das nicht einfach fehlende Schulung?
Nein. Im untersuchten Konzern gab es Zugang, Anreize und eine technisch versierte Belegschaft — trotzdem 41 Prozent nach einem Jahr. Dazu kommt ein deutscher Befund: 76 Prozent der Befragten nutzen KI auch privat mindestens wöchentlich, meist spielerisch. Das Bedienen ist selten das Hindernis. Und eine Wissenslücke erklärt nicht, warum ausgerechnet die Gruppen langsamer einsteigen, die am meisten zu verlieren haben. Schulung bleibt nötig — nur löst sie dieses Problem nicht.
Gilt das auch außerhalb der IT?
Die beiden Kernbefunde zur Einführung stammen aus der Softwareentwicklung, das gehört zur ehrlichen Einordnung dazu. Die Duke-Untersuchung deckt breitere Tätigkeiten und Bewertungssituationen ab und findet dasselbe Muster. Die Richtung ist also belastbar, die genauen Zahlen sind es für andere Branchen nicht.
Sollen wir KI-Nutzung dann gar nicht kennzeichnen?
Differenziert. Die Urheberschaft offenzulegen hilft nachweislich — also welchen Anteil der Mensch hatte. Ein reines Werkzeug-Etikett ohne diesen Zusatz schadet, weil Bewertende dann automatisch annehmen, die Maschine habe das Wesentliche erledigt.
Brauchen wir zuerst eine KI-Richtlinie?
Wer KI im Unternehmen einführen will, schreibt meist zuerst die Richtlinie. Sie ist sinnvoll, wenn sie als Rahmen für erlaubtes Handeln geschrieben ist und benennt, wofür KI taugt. Als Kontrollinstrument verstärkt sie das Problem — dann liest sie sich als Aufzählung dessen, was man sich besser nicht anmerken lässt.
KI im Unternehmen einführen ist schnell abgehakt. Genutzt wird, was niemanden etwas kostet — und im Moment kostet es die Leute etwas, sichtbar mit KI zu arbeiten. Diesen Preis kann nur die Führung senken, und zwar nicht mit einer Freigabe, sondern mit dem eigenen Verhalten. Die ehrlichste Frage zum Schluss: Wann hast du zuletzt vor deinem Team mit KI gearbeitet und erzählt, was davon deine Entscheidung war?
Nächster Schritt
Du willst wissen, wo dein Unternehmen wirklich steht — nicht auf dem Papier, sondern in der Nutzung? Die KI-Potentialanalyse ordnet Reifegrad, Engpässe und die nächsten sinnvollen Schritte ein. Dauer: 8 bis 10 Minuten.
Quellen
- Gai, P. J.; Hou, J.; Tu, Y.: Competence Penalty Is a Barrier to the Adoption of New Technology. SSRN, Mai 2025 (Arbeitspapier, nicht begutachtet). ssrn.com/abstract=5255039
- Reif, J. A.; Larrick, R. P.; Soll, J. B.: Evidence of a social evaluation penalty for using AI. PNAS 122(19), Mai 2025. doi.org/10.1073/pnas.2426766122
- Kim, J.; Schweitzer, S.; De Cremer, D.; Riedl, C.: The AI Penalty: People Reduce Compensation for Workers Who Use AI. Northeastern University. arxiv.org/abs/2501.13228
- rheingold Institut für die randstad stiftung: KI und die Zukunft der Arbeit — Stresstest für Führung und Zusammenarbeit, September 2025. Repräsentative Befragung (n = 1.015) und 32 Tiefeninterviews. Wichtig für die Einordnung: repräsentativ für KI-Nutzende im Arbeitsalltag in Deutschland zwischen 30 und 60 Jahren ab 20 Wochenstunden — nicht für die Gesamtbevölkerung.
- Gallup: Engagement Index Deutschland 2024.
- Die Beispiele zu Adidas und Amazon stammen aus der Berichterstattung von Business Insider (Juli 2026), nicht aus den genannten Studien.
Weiterlesen: KI ist Chefsache — und bleibt trotzdem liegen · AI Fluency: Warum KI-Kompetenz Führungssache ist
AI supported content.
