Kaum eine Technologie wird der Unternehmensführung derzeit so nachdrücklich verkauft wie künstliche Intelligenz – als Prognosemaschine, Preisoptimierer, Recruiting-Filter. Nach Erhebungen des Statistischen Bundesamts nutzt inzwischen etwa jedes fünfte Unternehmen in Deutschland KI-Technologien, unter den Großunternehmen fast die Hälfte – Tendenz deutlich steigend. Für die Chefetage stellt sich damit nicht mehr die Frage, ob sie sich mit KI befasst, sondern wo der Einsatz Entscheidungen tatsächlich verbessert und wo er neue Risiken schafft. Die nüchterne Antwort: KI ist stark, wo viele strukturierte Daten und wiederkehrende Muster vorliegen – und schwach, wo Kontext, Ausnahmen und Wertentscheidungen dominieren. Genau dort sitzt aber die Geschäftsführung.
Was KI in Führungsentscheidungen heute leistet
Nützlich ist eine Unterscheidung, die in der Diskussion oft verwischt: KI-Systeme treffen im Unternehmenskontext selten Entscheidungen – sie erzeugen Entscheidungsgrundlagen. Ein Prognosemodell liefert eine Absatzschätzung mit Unsicherheitsband, ein Sprachmodell fasst hundert Seiten Marktberichte zusammen, ein Scoring sortiert Bewerbungen vor. Der Wert liegt in Geschwindigkeit und Konsistenz: Maschinen ermüden nicht, übersehen keine Zeile in der Tabelle und wenden dieselben Kriterien auf den tausendsten Fall an wie auf den ersten. Ihr systematischer Nachteil: Sie extrapolieren die Vergangenheit. Strukturbrüche – ein neuer Wettbewerber, eine Regulierungsänderung, eine Pandemie – stehen nicht in den Trainingsdaten.
Für die Praxis folgt daraus eine einfache Arbeitsteilung: KI übernimmt die Fleißarbeit der Informationsverdichtung; die Führung prüft Plausibilität, ergänzt Kontextwissen und trifft die Entscheidung. Betriebe, die diese Rollenverteilung sauber definieren, berichten von realen Produktivitätsgewinnen – Betriebe, die Software „einfach mal machen lassen“, von teuren Überraschungen.
Drei Anwendungsfälle: Forecasting, Preisfindung, Personalauswahl
Forecasting: der reifste Anwendungsfall
Absatz-, Liquiditäts- und Bedarfsprognosen sind das dankbarste Feld. Wo ausreichend Historie vorliegt – Bestellungen, Saisonverläufe, Zahlungseingänge –, schlagen maschinelle Modelle einfache Fortschreibungen regelmäßig, insbesondere bei vielen Artikeln oder Kunden gleichzeitig. Der Nutzen ist konkret: bessere Disposition, weniger gebundenes Kapital im Lager, frühere Warnsignale in der Liquiditätsplanung. Voraussetzung ist Datenpflege; ein Modell auf verschmutzten ERP-Daten produziert präzise aussehenden Unsinn.
Preisfindung: wirksam, aber erklärungsbedürftig
Dynamische Preismodelle berechnen Zahlungsbereitschaften aus Nachfrage-, Wettbewerbs- und Auftragsdaten. Im E-Commerce Standard, hält der Ansatz zunehmend im B2B-Vertrieb Einzug – etwa als Vorschlagssystem für Angebotspreise. Hier gilt: Der Algorithmus liefert den Korridor, der Vertrieb entscheidet im Kundenkontext. Wie eine tragfähige Preisarchitektur grundsätzlich entsteht, beschreibt unser Beitrag zur Preisstrategie in Zeiten teurer Kosten – KI ersetzt diese strategische Vorarbeit nicht, sie operationalisiert sie.
Personalauswahl: der heikelste Fall
KI-gestützte Vorauswahl von Bewerbungen verspricht Entlastung, ist aber der rechtlich und ethisch anspruchsvollste Anwendungsfall. Modelle lernen aus historischen Einstellungsdaten – und übernehmen deren Verzerrungen: Wer jahrelang bestimmte Profile bevorzugt hat, bekommt einen Algorithmus, der genau das reproduziert. Der EU AI Act stuft KI-Systeme für Einstellung und Personalentscheidungen ausdrücklich als Hochrisiko-Anwendungen ein, mit entsprechenden Pflichten. Seriös einsetzbar sind solche Werkzeuge nur mit dokumentierter menschlicher Letztentscheidung, regelmäßigen Bias-Prüfungen und transparenter Information der Bewerber.
Grenzen: Datenqualität, Erklärbarkeit, Automation Bias
Drei Grenzen bestimmen, wie weit KI in Führungsentscheidungen tragen kann. Die erste ist banal und entscheidend: Datenqualität. Die meisten Mittelständler verfügen über weniger und schlechter gepflegte Daten, als KI-Anbieter voraussetzen – Medienbrüche, Dubletten, uneinheitliche Erfassung. Vor jedem KI-Projekt steht deshalb ehrliche Dateninventur. Die zweite Grenze ist Erklärbarkeit: Komplexe Modelle liefern Ergebnisse, deren Zustandekommen sich im Einzelfall kaum nachvollziehen lässt. Für eine Geschäftsführung, die ihre Entscheidungen begründen muss – gegenüber Gesellschaftern, Banken, Gerichten –, ist eine unerklärbare Empfehlung eine schwache Grundlage. Die dritte Grenze sitzt im Kopf: Automation Bias, die dokumentierte Neigung, maschinellen Empfehlungen auch dann zu folgen, wenn eigene Informationen dagegen sprechen. Je flüssiger und selbstbewusster ein System formuliert, desto größer die Gefahr – das gilt gerade für generative Sprachmodelle, die falsche Angaben in tadellosem Deutsch produzieren können.
„Ein Algorithmus kann hundert Optionen bewerten. Welche davon zum Unternehmen passt, welche Risiken tragbar sind und wer die Folgen verantwortet – das bleibt eine menschliche Entscheidung.“
Der EU AI Act: Was die Regulierung verlangt
Mit der Verordnung (EU) 2024/1689 hat die EU den weltweit ersten umfassenden Rechtsrahmen für künstliche Intelligenz geschaffen. Er folgt einem risikobasierten Ansatz: Verbotene Praktiken (etwa manipulative Systeme und Social Scoring) sind bereits seit Februar 2025 untersagt; die Pflichten für Hochrisiko-Systeme greifen gestaffelt bis 2026/2027. Für Unternehmensführungen sind drei Punkte zentral. Erstens: Wer Hochrisiko-Systeme einsetzt – dazu zählen ausdrücklich Systeme für Personalauswahl, Beförderung und Kündigung –, trifft als Betreiber eigene Pflichten, darunter menschliche Aufsicht, geeignete Eingabedaten und Protokollierung. Zweitens verlangt die Verordnung KI-Kompetenz: Beschäftigte, die mit KI-Systemen arbeiten, müssen über ausreichende Kenntnisse verfügen – das macht Schulung zur Führungsaufgabe. Drittens sind die Sanktionen empfindlich: je nach Verstoß bis zu 35 Millionen Euro oder sieben Prozent des weltweiten Jahresumsatzes. Wer KI-Projekte plant, sollte die Einstufung des Systems früh klären und Förder- wie Beratungsangebote nutzen – einen Überblick über staatliche Unterstützung gibt unser Beitrag zu den Förderprogrammen für Digitalisierung 2026.
Verantwortung bleibt beim Menschen
Gesellschaftsrechtlich ist die Lage eindeutig: Die Leitungsverantwortung der Organe ist nicht auf Software delegierbar. Geschäftsführer und Vorstände dürfen sich bei Entscheidungen auf fachkundige Vorbereitung stützen – auch auf algorithmische –, müssen deren Grundlagen aber plausibilisieren. Die Business Judgement Rule (§ 93 Abs. 1 AktG, auf die GmbH übertragen) schützt unternehmerische Entscheidungen nur, wenn sie auf angemessener Informationsgrundlage getroffen wurden. Eine ungeprüft übernommene KI-Empfehlung dürfte diesem Maßstab ebenso wenig genügen wie das pauschale Ignorieren verfügbarer Analytik. Kluge Führungen dokumentieren deshalb beides: welche maschinellen Auswertungen in eine Entscheidung eingeflossen sind – und welche menschliche Prüfung ihnen folgte. So wird KI zu dem, was sie in der Chefetage sein kann: ein präzises Instrument in der Hand einer verantwortlichen Führung, kein Autopilot.
Häufige Fragen
Mit welchem KI-Anwendungsfall sollte ein Mittelständler beginnen?
Mit einem eng umrissenen Fall, bei dem gute Daten vorliegen und Fehler billig sind – typischerweise Absatz- oder Liquiditätsprognosen, Textverarbeitung im Backoffice oder die Vorsortierung von Serviceanfragen. Personalentscheidungen und andere Hochrisiko-Anwendungen gehören ans Ende der Lernkurve, nicht an den Anfang.
Dürfen Unternehmen Bewerbungen vollautomatisch durch KI ablehnen?
Davon ist dringend abzuraten. KI-Systeme für die Personalauswahl gelten nach dem EU AI Act als Hochrisiko-Systeme mit Pflicht zu menschlicher Aufsicht; zusätzlich setzt Art. 22 DSGVO automatisierten Einzelentscheidungen mit rechtlicher Wirkung enge Grenzen. Der praxistaugliche Weg ist die KI-gestützte Vorbereitung mit dokumentierter menschlicher Letztentscheidung.
Haftet die Geschäftsführung für Fehler eines KI-Systems?
Die Organverantwortung bleibt unberührt: Wer KI einsetzt, muss das System sorgfältig auswählen, seine Grenzen kennen, die Ergebnisse plausibilisieren und den Einsatz überwachen – analog zu den Grundsätzen bei der Delegation an Mitarbeiter. Eine dokumentierte, angemessene Informationsgrundlage schützt; blindes Vertrauen in die Maschine tut es nicht.
