KI im KMU: Reifegrad, Befähigung, Policy, Strategie

Im Frühjahr 2026 sehen wir in unseren Mandaten ein wiederkehrendes Bild: Die meisten Schweizer KMU haben ChatGPT, Copilot oder Gemini längst im Haus — meist seit 2023, oft ohne formalen Beschluss. Zwei Jahre später ist die Stimmung gekippt. Aus der anfänglichen Euphorie ist eine leise Pilotmüdigkeit geworden. Es gibt überall Use Cases, kaum jemand kann beziffern, was sie wirklich bringen. Es gibt überall Lizenzen, kaum jemand weiss, wer sie tatsächlich nutzt. Und es gibt überall eine vage Sorge, dass das Thema strategisch wichtig ist — verbunden mit der Unsicherheit, was Geschäftsleitung und Verwaltungsrat dazu jetzt eigentlich entscheiden müssten.

Die Datenlage stützt den Eindruck. Die KOF-Konjunkturforschungsstelle der ETH dokumentiert für 2025 eine GenAI-Nutzung in rund der Hälfte der Schweizer Unternehmen — aber nur ein Viertel davon mit messbaren Produktivitätseffekten. Eine breit angelegte Studie der digitalswitzerland-Initiative beziffert die Lücke zwischen «KI im Einsatz» und «KI mit nachweisbarem Beitrag zum Geschäftsergebnis» auf den Faktor drei bis vier. Wer sich an den jüngsten Reports von McKinsey, BCG und Bain orientiert, findet dasselbe Muster international: Adoption hoch, Reifegrad niedrig, Skalierung selten.

Dieser Essay ist ein Versuch, das, was wir in unseren Mandaten beobachten, in vier nutzbare Felder zu sortieren — Reifegrad-Assessment, Befähigung der Mitarbeitenden, Policy und Governance, und Tooling-Strategie. Keine Hype-Zukunftsmusik, sondern das, was wir 2026 in Schweizer KMU tatsächlich umsetzen.

1 · Reifegrad-Assessment — die ehrliche Standortbestimmung

Die meisten Unternehmen unterschätzen, wie ungleich KI-Reife in der eigenen Organisation verteilt ist. Im selben Haus arbeiten Finance-Teams seit 18 Monaten produktiv mit Copilot, während die Werkleitung noch nie ein LLM in der Hand hatte. Marketing prompted täglich, der Aussendienst wartet auf die offizielle Schulung. Ein einziger Mittelwert für «unsere KI-Reife» verschleiert diese Spreizung — und führt fast zwangsläufig zu Programmen, die die Falschen abholen.

Wir nutzen in unseren Mandaten ein bewusst schlankes Assessment über fünf Dimensionen, jeweils auf einer Skala von 1 (latent) bis 5 (eingebettet). Die fünf Dimensionen lehnen sich an gängige Modelle (Gartner AI Maturity, MIT CISR, Bain AI@Scale) an, sind aber pragmatisch zugespitzt für KMU mit 50 bis 1'500 Mitarbeitenden.

• 01Strategische Klarheit: Existiert eine knappe, beschlossene Antwort darauf, wozu KI im Unternehmen dient — und wozu nicht?
• 02Datenfundament: Sind die Quelldaten, mit denen KI arbeiten müsste, überhaupt zugänglich, sauber, klassifiziert?
• 03Kompetenz der Mitarbeitenden: Welcher Anteil der relevanten Rollen kann ein LLM heute über das Plaudern hinaus produktiv einsetzen?
• 04Governance und Policy: Gibt es klare Regeln, was rein darf, was raus darf, wer haftet?
• 05Wirkungsmessung: Lässt sich für mindestens drei Use Cases ein nachweisbarer Effekt auf Zeit, Qualität oder Marge dokumentieren?

Das Assessment wird einmal je Geschäftsbereich erhoben, nicht für das ganze Unternehmen. Die Spreizung ist der eigentliche Befund. Wir sehen typische Muster: Finance, IT und Marketing landen oft bei 3.0 bis 3.5; Operations, Produktion und Aussendienst bei 1.5 bis 2.0; die Geschäftsleitung — überraschend häufig — bei 2.0. Die Frage ist nie, wer den höchsten Wert hat, sondern wo die Lücke zwischen wahrgenommener und tatsächlicher Reife am grössten ist. Genau dort beginnt die Arbeit.

Wer bei KI über Strategie spricht, ohne vorher den eigenen Reifegrad ehrlich vermessen zu haben, baut auf einer Erzählung statt auf einem Befund.

2 · Befähigung — warum Schulung nicht reicht

Die häufigste Reaktion auf einen schwachen Reifegrad ist ein Schulungsbudget. Das ist nicht falsch, aber meistens zu klein gedacht. Wir haben im letzten Jahr in mehreren Mandaten beobachtet, dass klassische zwei- bis vierstündige KI-Schulungen sechs Wochen nach Abschluss keine messbare Verhaltensänderung hinterlassen. Wer den Schulungsraum verlässt, kehrt in die alten Tools, Tabs und Workflows zurück — selbst dann, wenn das Lob im Feedbackbogen euphorisch war.

Funktioniert hat 2025 und 2026, in dieser Reihenfolge:

Rollenbezogene Use-Case-Bibliotheken statt Tool-Schulungen

Statt «So funktioniert ChatGPT» dokumentieren wir gemeinsam mit den Teams 8 bis 12 konkrete Use Cases pro Rolle — Offertentwurf für Innendienstleiterin, Reklamationsentwurf für Service-Disponent, Wettbewerbsanalyse für Produktmanager, Protokoll-Kondensat für Bereichsleitung. Jeder Use Case mit Beispielprompt, Beispiel-Output, Qualitätskriterium und Hinweis, wann der Mensch nochmals draufschaut. Die Bibliothek lebt im Intranet oder in Notion und wird monatlich kuratiert.

AI Champions je Bereich, nicht zentrale Excellence-Teams

Ein zentrales AI-Center-of-Excellence klingt richtig und scheitert in KMU verlässlich an Distanz zur Linie. Funktioniert hat das umgekehrte Modell: pro Bereich eine bis zwei Champion-Rollen mit 10 bis 20 Prozent Zeitanteil, die Use Cases sammeln, kuratieren, vorzeigen — und für Kolleginnen ansprechbar sind. Diese Rolle gehört in die Linienorganisation, nicht in die IT.

Üben im echten Kontext, nicht im Sandbox-Workshop

Lernen passiert in 30-minütigen Mikro-Sessions am eigenen Bildschirm, mit einer eigenen, anstehenden Aufgabe — nicht in fiktiven Übungsfällen. Wir nennen das in unseren Mandaten «Prompt-Sprechstunde»: einmal pro Woche, offen für alle, ein Champion begleitet drei bis fünf Mitarbeitende durch ihre konkrete Aufgabe. Innerhalb von acht bis zwölf Wochen verändert sich die Sprache in der Belegschaft messbar.

Differenzierung nach Reifegrad statt Giesskannenprinzip

Ein Mitarbeiter, der bereits seit zwei Jahren produktiv mit Claude arbeitet, braucht eine andere Begleitung als jemand, der zum ersten Mal einen Prompt formuliert. Wir arbeiten mit drei Stufen: Onboarding (Grundlogik, Datenschutzregeln, drei erste Use Cases), Anwender (Use-Case-Bibliothek der eigenen Rolle), Multiplikatoren (Prompt-Architektur, Tool-Verkettung, Champion-Rolle). Wer alle drei Stufen mit demselben Inhalt bedient, verliert die Spitze und überfordert die Basis.

3 · Policy — die Regeln, ohne die nichts skaliert

Die Schweizer Rechtslage 2026 ist klarer, als viele denken. Das revidierte Datenschutzgesetz (revDSG) ist seit September 2023 in Kraft; der europäische AI Act gilt seit August 2024 schrittweise und entfaltet ab Februar 2025 die ersten Pflichten für verbotene Praktiken und ab August 2025 die Pflichten für General-Purpose-AI-Modelle. Für Schweizer Unternehmen mit EU-Bezug — also faktisch jedes exportierende KMU — wirkt der AI Act bereits heute mittelbar. Der Schweizer Bundesrat hat im November 2025 die Stossrichtung kommuniziert, das Übereinkommen des Europarats zu ratifizieren und einen schlanken, sektorenübergreifenden Rahmen zu schaffen; ein Gesetzgebungsentwurf wird 2026 erwartet.

Was Unternehmen jetzt brauchen, ist keine Maximal-Policy mit dreissig Seiten Anhang. Was sie brauchen, ist ein nutzbares Dokument von zwei bis vier Seiten, das die Belegschaft tatsächlich liest und versteht. Die Punkte, die in einer brauchbaren KMU-KI-Policy nie fehlen sollten:

• 01Datenklassifikation: Welche drei bis vier Datenkategorien gibt es im Haus, und welche darf in welches Tool? (Faustregel für viele KMU: öffentlich → alles; intern → freigegebene Enterprise-Tools; vertraulich → nur Tools mit DPA und EU/CH-Datenhaltung; besonders schützenswert → grundsätzlich nicht.)
• 02Approval-Liste der erlaubten Tools — nicht eine Negativliste. Wer nicht weiss, was erlaubt ist, nutzt das, was beworben wird.
• 03Personendaten und Kundendaten: Klare Regel, wann eine Bearbeitungsfreigabe nötig ist, und wann ein Auftragsbearbeitungsvertrag (AVV / DPA) vorliegen muss.
• 04Output-Verantwortung: Wer KI-Output extern verwendet (Offerte, E-Mail an Kunde, Vertragstext), bleibt verantwortlich für Richtigkeit, Vollständigkeit und Tonalität. Der Mensch ist der letzte Editor — immer.
• 05Kennzeichnung: Wann muss KI-Generiertes intern oder extern gekennzeichnet werden? (Empfehlung: intern nie zwingend, extern bei vollständig automatisierten Texten und bei Kundeninteraktion mit Bots.)
• 06Verbotene Anwendungen: Bewerberbeurteilung, Performance-Beurteilung, Kreditentscheidungen, Gesundheitsentscheidungen — strikt mit Vier-Augen-Prinzip oder ganz ausgeschlossen.
• 07Meldepflicht: Vorfälle mit Datenabflüssen, Fehlausgaben mit Schaden oder rechtliche Beanstandungen werden an eine benannte Stelle (oft CISO oder Datenschutzverantwortliche) gemeldet — niedrigschwellig, ohne Sanktion bei Selbstmeldung.

Eine Policy ohne Approval-Liste ist wertlos. Eine Approval-Liste ohne klare Datenklassifikation ist gefährlich. Beides zusammen, in zwei Seiten Klartext, gehört in jedes Mitarbeitenden-Onboarding und in die jährliche Compliance-Bestätigung — gleichberechtigt mit Geheimhaltung und IT-Sicherheit.

Eine KI-Policy, die niemand im Haus zitieren kann, regelt nichts. Sie ist Compliance-Theater.

4 · Tooling — was 2026 sinnvoll ist, und was nicht

Der Tool-Markt hat sich 2024 bis 2026 deutlich entwirrt. Drei bis vier Stacks dominieren in den Mandaten, die wir sehen — und sie unterscheiden sich vor allem darin, wie tief sie in bestehende Microsoft-, Google- oder Atlassian-Welten greifen. Die folgenden Beobachtungen sind keine Empfehlung im Sinne eines Rankings, sondern eine Sortierung der typischen KMU-Konstellationen.

Microsoft-Häuser: Copilot zuerst, ergänzt um ein Frontier-LLM

Wer ohnehin auf Microsoft 365 läuft, kommt 2026 kaum an Microsoft 365 Copilot vorbei — nicht weil es das stärkste Modell wäre, sondern weil die Datenintegration in Outlook, Teams, SharePoint, Excel und Word unschlagbar nahtlos ist und der Datenschutz-Perimeter im eigenen Tenant bleibt. Ergänzt wird das fast immer durch ein Frontier-LLM (typischerweise ChatGPT Enterprise, Claude Enterprise oder Gemini Enterprise) für die anspruchsvolleren Reasoning-Aufgaben, für Coding-Unterstützung in der IT und für die kreativen Marketing-Workflows.

Google-Häuser: Gemini Workspace plus Spezial-LLMs

Analog gilt für Google-Workspace-Häuser: Gemini in Gmail, Docs und Sheets ist die naheliegende Standard-Schicht; ergänzt wird sie typischerweise um Claude für Texthandwerk und um ChatGPT für Bildgenerierung und Recherche.

Spezialisierte Vertikal-Tools

Quer durch alle Häuser sehen wir konsolidierte Spezial-Tools: für Meeting-Protokollierung mit Schweizer Datenhaltung; für Vertragsanalyse; für Sales-Recherche mit Web-Zugriff; und in der Softwareentwicklung Cursor, GitHub Copilot oder Claude Code. Hier lohnt sich die Investition fast immer, weil die Werkzeuge tief in den jeweiligen Workflow eingreifen — und weil sie heute mit klaren Schweiz- oder EU-Datenhaltungsoptionen verfügbar sind.

Was 2026 selten sinnvoll ist

• 01Eigene Foundation-Modelle trainieren. Die meisten KMU haben weder die Daten- noch die GPU-Kapazität, die das rechtfertigen würde.
• 02Schwergewichtige interne LLM-Plattformen ohne klaren Use Case bauen. Wer keine fünf produktiven Anwendungsfälle benennen kann, sollte keine Plattform bauen.
• 03Open-Source-LLMs lokal hosten als Datenschutz-Allzwecklösung. In Einzelfällen sinnvoll (hochsensible Branchen, regulierte Umgebungen), in der Breite teurer und schlechter als gut konfigurierte Enterprise-Tier-Verträge.
• 04Generative Bild- und Videowerkzeuge unkontrolliert ins Marketing einschleusen. Lizenzfragen, Markenrisiko und Urheberrecht sind 2026 noch nicht überall geklärt — hier braucht es klare interne Freigabeprozesse.

Die wichtigste Tool-Entscheidung 2026 ist nicht «welches LLM ist das beste», sondern «welche zwei bis drei Werkzeuge bekommt jede Rolle, und welche fünf Use Cases sind dort der Standard». Wer das nicht entscheidet, lässt seine Belegschaft jede Woche neu in Tool-Vergleiche einsteigen — und verliert genau dort die produktive Zeit, die KI eigentlich freisetzen sollte.

Was wir Geschäftsleitungen 2026 raten

• 01Vermessen Sie Ihren Reifegrad ehrlich und bereichsspezifisch — nicht als Imagepflege, sondern als Entscheidungsgrundlage.
• 02Investieren Sie in Champions in der Linie, nicht in eine zentrale KI-Stelle.
• 03Bringen Sie eine zweiseitige Policy und eine Tool-Approval-Liste in Umlauf — und prüfen Sie sie alle sechs Monate.
• 04Entscheiden Sie sich für einen Standard-Stack pro Rolle, statt jede Woche neue Lizenzen freizuschalten.
• 05Messen Sie drei bis fünf Use Cases mit echten Zahlen — Stunden, Durchlaufzeit, Reklamationsquote. Alles andere bleibt Erzählung.

Wir sind 2026 in einer Phase, in der die einfachen Antworten zu KI nicht mehr tragen. Begeisterung wird Reife. Pilotprojekte werden Linienarbeit. Tool-Vergleiche werden Standards. Wer diese Verschiebung in der eigenen Organisation aktiv steuert, hat 2027 einen messbaren Vorsprung. Wer sie passiv geschehen lässt, schaut zwei Jahre später auf die gleichen Probleme — nur teurer.