Viele Unternehmen haben 2026 kein KI-Strategieproblem. Sie haben ein KI-System-Inventarproblem. KI wird bereits an mehr Stellen genutzt, als die Geschaeftsfuehrung sauber benennen kann.
Die Geschichte beginnt oft unspektakulaer. Ein Team nutzt einen Schreibassistenten. Ein anderes fasst Dokumente zusammen. Finance testet KI fuer Erklaerungen. Operations nutzt ein Modell, um interne Notizen schneller zu strukturieren. Niemand nennt diese kleinen Entscheidungen "KI-Systeme". Sie fuehlen sich wie Produktivitaet an. Dann fragt jemand in der Fuehrungsrunde: Welche KI-Systeme betreiben wir eigentlich?
Dieser Artikel beantwortet genau diese Frage. Er erklaert, was als KI-System zaehlt, warum die Sprache des EU AI Act fuer Alltagsautomatisierung relevant ist und wie ein KI-System-Inventar entsteht, bevor verstreute Tools zur unkontrollierten Infrastruktur werden.
SHOCKING
Das Schockierende ist nicht, dass Unternehmen KI nutzen. Das Schockierende ist, dass viele Fuehrungsteams die KI-Systeme nicht auflisten koennen, die ihre Arbeit bereits praegen. Sie kennen das offizielle Assistenten-Abo. Sie kennen aber nicht jede Meeting-Notiz-KI, jede Dokumentklassifizierung, jedes eingebettete Scoring, jede Content-Generierung und jeden internen Assistenten.
Der EU AI Regulatory Framework zwingt Unternehmen, in Systemen zu denken, nicht nur in Tools. Diese Unterscheidung ist praktisch. Ein Tool wird zum Betriebsrisiko, wenn es Entscheidungen beeinflusst, externe Outputs erzeugt, sensible Daten verarbeitet, Arbeit routet oder Evidenz liefert, auf die Menschen sich verlassen.
In Unternehmenssprache heisst das: Wenn KI einen Workflow, eine Entscheidung, eine Kundenbotschaft, einen Bericht, eine Klassifizierung, eine Empfehlung oder einen Kontrollpunkt beruehrt, gehoert sie ins KI-System-Inventar.
TEXT HOOK
Stellen Sie sich eine Geschaeftsfuehrerin vor, die im Montagstermin alle KI-Systeme im Unternehmen abfragt. Die ersten Antworten kommen schnell: Assistent, Design-Tool, Support-Entwurf. Dann erwaehnt HR eine Zusammenfassung fuer Bewerbungen. Einkauf spricht von einer KI-Funktion in einer Plattform. Analytics hat inzwischen Predictive Alerts. Aus drei Systemen werden in 15 Minuten zwoelf.
Das ist kein Scheitern. Es ist der normale Effekt nuetzlicher Werkzeuge. Teams uebernehmen KI, weil Arbeit schwer ist und Termine real sind. Was fehlt, ist Sichtbarkeit.
Ein gutes Inventar-Gespraech ist keine Kontrolle gegen Mitarbeitende. Es ist eine Einladung zur Wahrheit. Die Frage lautet nicht: "Wer hat ohne Erlaubnis ein Tool genutzt?" Die bessere Frage lautet: "Welche KI hilft euch bereits, und was muessen wir wissen, damit diese Hilfe sicher, wiederholbar und skalierbar wird?" Mit dieser Haltung werden Schattenprozesse sichtbar, ohne dass Teams sich verteidigen muessen.
Genau hier unterscheidet sich professionelle KI-Systemarchitektur von Tool-Einkauf. Tool-Einkauf fragt nach Funktionen. Systemarchitektur fragt nach Wirkung, Daten, Verantwortung, Nachweis und Betriebsfolgen. Ein Unternehmen kann ein sehr gutes Tool schlecht betreiben, wenn niemand weiss, wo es in den Arbeitsfluss greift.
In der Praxis beginnt das oft mit einer einfachen Szene: Ein Team spart jeden Tag zwanzig Minuten durch KI-gestuetzte Textarbeit, ein anderes Team nutzt eine Analysefunktion im Reporting, und ein drittes Team hat bereits einen kleinen Agenten fuer interne Recherche gebaut. Jede einzelne Loesung wirkt harmlos. Zusammen bilden sie aber ein operatives Netz, das Fuehrung, Risiko, Datenqualitaet und Kundenwirkung beruehrt.
Die praktische Arbeit von AI Systems Architecture beginnt hier: Bestand erfassen, Zweck verstehen, Workflow zuordnen und entscheiden, welche Kontrollen vor der Skalierung noetig sind.
Was zaehlt als KI-System?
Die Leitlinien der Kommission zur KI-Systemdefinition helfen bei der ersten Frage: Worueber sprechen wir eigentlich, wenn wir KI-System sagen?
Fuer den Betriebsalltag braucht es eine nutzbare Definition. Ein KI-System ist jede softwarebasierte Faehigkeit, die mit lernenden, logikbasierten, statistischen oder aehnlichen Methoden Outputs erzeugt, die einen Arbeitsablauf beeinflussen: Vorhersagen, Inhalte, Empfehlungen, Klassifizierungen, Entscheidungen, Zusammenfassungen, Scores oder Aktionen.
Das Inventar umfasst also mehr als offensichtliche generative KI. Dazu gehoeren Dokumentextraktion, Empfehlungssysteme, Risikoscoring, automatische Kategorisierung, Predictive Analytics, KI-Suche, Uebersetzung, synthetische Inhalte, Meeting-Zusammenfassungen, Workflow-Agenten und eingebettete KI-Funktionen in Softwareprodukten.
Wichtig ist auch: Ein System kann klein beginnen und trotzdem operativ relevant werden. Eine Zusammenfassungshilfe fuer interne Notizen ist am Anfang harmlos. Wenn dieselbe Hilfe spaeter Entscheidungen vorbereitet, Kundenantworten beeinflusst oder Berichte strukturiert, veraendert sich der Kontrollbedarf. Das Inventar muss diese Entwicklung sichtbar machen.
ACHIEVEMENT
Nach diesem Artikel sollten Sie ein erstes KI-System-Inventar bauen, einfache Produktivitaetsnutzung von kontrollbeduerftigen Systemen trennen und eine KI-System-Inventar- und Kontrollschicht entwerfen koennen.
Das Ziel ist konkret. Sie sollen mit Bereichsverantwortlichen fragen koennen: Welche KI-Systeme nutzen wir? Welche Outputs erzeugen sie? Welche Workflows beruehren sie? Welche Daten gehen hinein? Wer prueft das Ergebnis? Was passiert bei einem falschen Output?
Die KI-System-Inventar- und Kontrollschicht
Eine KI-System-Inventar- und Kontrollschicht ist die operative Ordnung, die KI-Adoption sichtbar macht. Sie blockiert Teams nicht. Sie verwandelt verstreute Nutzung in eine steuerbare Geschaeftsfaehigkeit.
1. Systemeintrag
Jedes KI-System braucht einen Basiseintrag: Name, Owner, Anbieter, Zweck, Nutzer, betroffener Workflow, Datenkategorien, Output-Typ und ob der Output intern, kundenseitig, finanziell, rechtlich, operativ oder sicherheitsrelevant ist.
2. Output-Karte
Kartieren Sie nicht nur das Tool. Kartieren Sie den Output. Erzeugt das System Text, klassifiziert es Datensaetze, empfiehlt es Aktionen, bewertet es Personen, routet es Aufgaben, fasst es Dokumente zusammen oder triggert es einen weiteren Workflow?
3. Menschlicher Review
Jedes System sollte sagen, wo menschliche Pruefung stattfindet. Ein interner Entwurf braucht leichte Kontrolle. Kundenbotschaften, Bewerbungszusammenfassungen, finanzielle Erklaerungen, rechtliche Zusammenfassungen oder sicherheitsbezogene Empfehlungen brauchen staerkere Gates.
4. Datengrenze
Das Inventar klassifiziert Daten: oeffentlich, intern, vertraulich, kundenbezogen, mitarbeiterbezogen, finanziell, reguliert oder sicherheitssensibel. Wenn die Datengrenze unklar ist, ist das System nicht skalierungsreif.
5. Evidenzspur
Logs und Nachweise zaehlen, weil KI-Outputs zu Geschaeftsevidenz werden koennen. Das Unternehmen sollte wissen, was erzeugt wurde, wer geprueft hat, welche Aktion folgte und wo die finale Entscheidung liegt.
Warum High-Risk-KI-Systemklassifizierung wichtig ist
Nicht jedes KI-System ist high-risk. Aber jedes ernsthafte Inventar braucht eine Triage-Frage: Kann dieses System in einen sensiblen oder wirkungsstarken Kontext fallen? Die Draft Guidelines zur High-Risk-KI-Systemklassifizierung sind nuetzlich, weil sie Managementdisziplin erzwingen: Beurteilen Sie KI nicht nur nach dem Tool, sondern nach Nutzung und Kontext.
Eine Zusammenfassung fuer interne Notizen ist etwas anderes als ein System fuer Bewerberbewertung, Kreditwuerdigkeit, Sicherheitsprozesse oder Zugang zu wichtigen Leistungen. Dieselbe technische Faehigkeit kann voellig andere Konsequenzen haben.
Deshalb ist auch Legacy Modernisierung relevant. Aeltere Prozesse verstecken Entscheidungslogik oft in Tabellen, Postfaechern, lokalen Dateien und informellen Freigaben. Wird KI darauf gesetzt, ohne Inventar, automatisiert das Unternehmen Unklarheit.
Transparenz und General-Purpose AI
Das Inventar sollte erfassen, ob ein System Inhalte erzeugt oder mit Menschen interagiert. Die Draft Guidelines zu Article 50 Transparenzpflichten helfen bei der Frage, wann Nutzer oder Kunden wissen sollten, dass Inhalte KI-generiert oder KI-unterstuetzt sind.
General-Purpose AI fuegt eine weitere Schicht hinzu. Die EU-Seite zum GPAI Code of Practice ist relevant, weil viele betriebliche KI-Systeme auf allgemeinen Modellen beruhen. Das Unternehmen trainiert das Modell vielleicht nicht, nutzt es aber im eigenen Workflow.
ROADMAP
Diese 90-Tage-KI-System-Inventar-Roadmap ist fuer Unternehmen gedacht, die ueber einzelne Experimente hinaus sind und nun operative Klarheit brauchen.
Die Roadmap ist bewusst schlank. Sie soll nicht jede Fachabteilung lahmlegen und nicht mit einer grossen Policy beginnen. Sie baut zuerst eine gemeinsame Sprache, eine Inventartabelle und eine Entscheidungslogik. Danach kann Governance wachsen, ohne die nuetzliche Arbeit der Teams zu stoppen.
Das ist besonders wichtig fuer Unternehmen, die schnell arbeiten muessen. Ein Inventar darf nicht wie ein Compliance-Projekt wirken, das jede Idee bremst. Es muss wie ein Betriebssystem fuer bessere Entscheidungen funktionieren: sichtbar, nachvollziehbar, wiederholbar und nah an der echten Arbeit.
Der Nutzen zeigt sich schnell: weniger doppelte Tools, klarere Verantwortlichkeiten, bessere Datenentscheidungen und eine Fuehrung, die nicht mehr im Blindflug ueber Automatisierung spricht.
Tag 1-15: Alle KI-Beruehrungspunkte finden
Sprechen Sie mit Teamleitungen und Anwendern. Fragen Sie nach Tools, eingebetteten KI-Funktionen, Automatisierungen, Analytics-Systemen, Generatoren, Zusammenfassern und Agenten. Der Ton muss klaerend sein, nicht strafend.
Tag 16-30: Erste Inventartabelle erstellen
Erfassen Sie fuer jedes System Owner, Zweck, Datenkategorie, Output-Typ, Workflow, Anbieter, Nutzergruppe, Reviewpunkt und Abhaengigkeit. Die Tabelle muss einfach genug sein, dass Operations sie pflegen kann.
Tag 31-45: Wirkung klassifizieren
Sortieren Sie Systeme nach niedrigem, mittlerem und hohem Kontrollbedarf. Niedrig kann internes Drafting sein. Mittel kann operative Zusammenfassung sein. Hoch sind personennahe Entscheidungen, finanzielle Empfehlungen, kundenwirksame Aktionen, Sicherheitsworkflows oder regulierte Kontexte.
Tag 46-70: Kontrollen hinzufuegen
Definieren Sie Reviews, Datengrenzen, freigegebene Tools, Logging, Anbieterpruefung und Eskalation. Schreiben Sie nicht zuerst eine riesige Policy. Setzen Sie Kontrollen dort, wo das Inventar Exposition zeigt.
Tag 71-90: Skalierungsentscheidung treffen
Entscheiden Sie, welche Systeme wachsen duerfen, welche staerkere Governance brauchen, welche im Pilot bleiben und welche entfernt werden. Das Inventar wird zum Kontrollraum fuer KI-Adoption.
RECIPE
Nutzen Sie diese KI-System-Inventar-Scorecard. Bewerten Sie jeden Punkt mit 0 bis 2. Unter 14 von 20 Punkten sollte nicht skaliert werden.
- Owner: eine Person ist verantwortlich.
- Zweck: der Geschaeftszweck ist klar.
- Workflow: der betroffene Prozess ist kartiert.
- Datengrenze: Datenkategorien sind klassifiziert.
- Output-Typ: Vorhersage, Empfehlung, Inhalt, Klassifizierung oder Aktion ist klar.
- Review: Freigaben passen zur Wirkung.
- Risikotriage: sensible oder wirkungsstarke Kontexte sind markiert.
- Transparenz: Offenlegung gegenueber Nutzern oder Kunden ist geprueft.
- Evidenz: Logs, Freigaben und Entscheidungen sind nachvollziehbar.
- Skalierung: Ausbau haengt an Wert und Kontrollreife.
Practical CTA
Wenn Ihr Unternehmen mehr KI nutzt, als die Fuehrung sicher auflisten kann, starten Sie mit Inventar, nicht mit dem naechsten Tool. KI-System-Inventar-Audit buchen. In einem fokussierten Review werden bestehende KI-Systeme, betroffene Workflows, Kontrollluecken und erste Skalierungsentscheidungen sichtbar.
Wenn wirtschaftliche Evidenz gebraucht wird, kann dasselbe Inventar in eine CFOProof operative Bewertung einfliessen: Welche KI-Systeme schaffen messbaren Wert, und welche erzeugen nur unsichtbare operative Schulden?
Fazit
KI-Reife beginnt mit Benennung. Ein Unternehmen kann KI-Systeme nicht steuern, verbessern, sichern oder skalieren, wenn es sie nicht inventarisiert. Die erste ernsthafte KI-Systementscheidung 2026 ist nicht, welches Modell gekauft wird. Die erste Entscheidung ist, welche Systeme bereits das Geschaeft beeinflussen und welche Kontrollschicht sie brauchen.
Continue Reading
