Kunden helfen, mit KI anders zu arbeiten

Von Brian Tr · Aktualisiert am 7. Oktober 2026

Ein KI-Produkt haftet nur, wenn die Menschen, die es kaufen, ihre Arbeitsweise ändern. Den Vertrag zu unterschreiben ist der leichte Teil. Beantwortet das Support-Team Tickets weiterhin auf die alte Art oder bauen die Analysten den Bericht „sicherheitshalber“ weiterhin von Hand nach, ist das Produkt installiert, aber ungenutzt, und ungenutzte Software wird zur Verlängerung gekündigt.

Diese Seite erklärt das Problem anhand von fünf bekannten, veröffentlichten Modellen für Veränderung und Adoption: Prosci ADKAR, Kotters acht Schritte, Rogers' Diffusion von Innovationen, Davis' Technology Acceptance Model und Moores Chasm. Keines wurde über KI geschrieben. Alle beschreiben, warum Menschen sich einer neuen Arbeitsweise widersetzen, sie hinauszögern oder annehmen, und genau damit hat ein KI-Anbieter zu tun. Welche Kennzahlen zeigen, ob Adoption stattfindet, lesen Sie unter Adoptionskennzahlen für KI-Produkte. Was geschieht, wenn nicht, erfahren Sie unter warum KI-Produkte Churn erleben.

Warum Veränderung der eigentliche Engpass ist

Software, die eine Aufgabe automatisiert, die niemand beobachtet hat, ist selten. Die meisten KI-Produkte berühren Arbeit, die Menschen besitzen, an der sie gemessen werden und um die herum sie starke Gewohnheiten haben. Das Tool einzuschalten schaltet die Gewohnheiten nicht um.

Die Belege, dass die Lücke bei den Organisationen liegt und nicht bei den Modellen, sind konsistent. Der MIT-NANDA-Bericht „The GenAI Divide“ von 2025 kam, wie Fortune beschreibt, zu dem Schluss, dass Enterprise-KI vor allem wegen mangelhafter Integration und einer „Lernlücke“ ins Stocken gerät, nicht wegen der Modellqualität. Fortune berichtet, die Untersuchung stützte sich auf 150 Interviews mit Führungskräften, eine Umfrage unter 350 Beschäftigten und die Analyse von 300 öffentlichen KI-Einsätzen und habe ergeben, dass extern zugekaufte Tools etwa doppelt so oft erfolgreich waren wie interne Eigenentwicklungen (grob 67 gegenüber 33 Prozent). Die Schlagzeile, dass 95 Prozent der Piloten kaum messbare Wirkung auf die Gewinn-und-Verlust-Rechnung zeigten, wird oft zitiert. Die Stichprobe ist bescheiden und die Messlatte hart, verstehen Sie sie also als Richtung, nicht als genaue Quote. Wir haben die Ergebnisse über Presseberichte erreicht, nicht über den Bericht selbst.

Beschäftigte setzen KI außerdem schneller ein als Unternehmen. Der Work Trend Index 2024 von Microsoft befragte im Februar und März 2024 31.000 Wissensarbeitende in 31 Märkten und stellte fest, dass bereits 75 Prozent generative KI bei der Arbeit nutzten. Von diesen Nutzern brachten 78 Prozent eigene KI-Tools mit, statt vom Unternehmen bereitgestellte zu nutzen. Das ist individuelle Adoption, die der organisatorischen vorausläuft, ein anderes Problem als das, das ein Anbieter lösen muss, der an ein Unternehmen verkauft.

Zusammen zeigen diese Befunde in dieselbe Richtung. Menschen probieren KI von selbst aus. Ein Team dazu zu bringen, einen gemeinsamen Prozess rund um Ihr Produkt zu ändern, ist eine eigene und schwierigere Aufgabe.

Fünf Modelle, fünf Lehren für Anbieter

Jedes Modell beantwortet eine etwas andere Frage. Zusammen ergeben sie eine brauchbare Checkliste.

ADKAR: Eine Person nach der anderen verändern

Das ADKAR-Modell von Prosci beschreibt fünf Ergebnisse, die eine Person erreichen muss, damit eine Veränderung greift: Awareness (verstehen, warum die Veränderung nötig ist), Desire (sich entscheiden, mitzumachen und sie zu unterstützen), Knowledge (wissen, wie man sich ändert und was Erfolg erfordert), Ability (neue Fähigkeiten und Verhaltensweisen in die Praxis umsetzen) und Reinforcement (die neue Arbeitsweise aufrechterhalten und Rückfälle verhindern).

Die nützliche Eigenschaft von ADKAR ist, dass die Elemente geordnet sind und jedes für sich scheitern kann. Ein Nutzer, der weiß, wie er Ihren KI-Assistenten bedient, aber nicht sieht, warum er es sollte (geringes Desire), wird ihn nicht nutzen. Ein Nutzer, der ihn nutzen will, dem aber nie gezeigt wurde, wie er zu seinen echten Aufgaben passt (geringes Knowledge oder Ability), probiert ihn zweimal aus und hört auf.

Für einen Anbieter ist ADKAR ein Diagnoseinstrument für einen festgefahrenen Account. Fragen Sie, wo die Barriere sitzt. Lücken bei der Awareness brauchen einen klaren Business Case, wie in einen ROI-Business-Case für KI aufbauen beschrieben. Lücken beim Desire bedeuten meist, dass der Nutzer fürchtet, das Tool ersetze ihn, oder einfach, dass es Schritte hinzufügt. Lücken bei Knowledge und Ability sind Schulung und Anleitung im Workflow. Beim Reinforcement scheitern die meisten KI-Rollouts still: Niemand prüft nach dem Start die Nutzung, und alte Gewohnheiten kehren zurück.

Kotter: Die Organisation verändern, nicht nur den Nutzer

ADKAR wirkt auf der Ebene des Einzelnen. Kotters acht Schritte wirken auf der Ebene der Organisation: ein Gefühl der Dringlichkeit schaffen, eine führende Koalition bilden, eine strategische Vision formen, eine Armee von Freiwilligen gewinnen, Handeln ermöglichen, indem man Hindernisse beseitigt, kurzfristige Erfolge erzeugen, die Beschleunigung aufrechterhalten und die Veränderung verankern. Kotter legte die Abfolge im Buch Leading Change dar, und das Modell wurde seither überarbeitet.

Drei dieser Schritte lassen sich direkt auf das Verhalten von Anbietern übertragen.

Führende Koalition. Ein KI-Rollout, der nur von der Person getrieben wird, die gekauft hat, ist fragil. Eine Koalition bedeutet einen Fachverantwortlichen, jemanden aus IT oder Security und respektierte Nutzer aus dem Team, das sich ändern wird. Das Einkaufsgremium, das den Kauf genehmigt hat, ist der natürliche Ausgangspunkt, löst sich aber nach der Vertragsunterzeichnung oft auf. Rufen Sie es erneut zusammen.

Kurzfristige Erfolge. Der Wert von KI kann Monate brauchen, um in der Gewinn-und-Verlust-Rechnung sichtbar zu werden. So lange zu warten lädt zu Zweifeln ein. Ein Anbieter kann dem Kunden helfen, einen Workflow, ein Team und ein messbares Ergebnis auszuwählen, die sich binnen Wochen zeigen lassen, und es intern bekannt machen.

Hindernisse beseitigen. Die Hindernisse sind meist praktisch: eine Berechtigungskonfiguration, die die Daten blockiert, die die KI braucht, eine Compliance-Prüfung, die niemand eingeplant hat, eine Führungskraft, die weiterhin das alte Berichtsformat verlangt. Ein Anbieter, der das als Problem des Kunden behandelt, sieht die Nutzung flach bleiben. Ein Anbieter, der beim Beseitigen hilft, sieht die Adoption meist in Bewegung kommen.

Rogers: Adoption verbreitet sich über Menschen, nicht über Ankündigungen

Everett Rogers' Diffusion of Innovations, erstmals 1962 erschienen, fasste Hunderte früherer Studien zusammen. Es sortiert Anwender in Innovatoren, Early Adopters, frühe Mehrheit, späte Mehrheit und Nachzügler und nennt fünf Merkmale, die bestimmen, wie schnell sich eine Innovation verbreitet: relativer Vorteil, Kompatibilität, Komplexität, Erprobbarkeit und Beobachtbarkeit.

Als Checkliste für ein KI-Produkt gelesen, sind die Merkmale praktisch.

• Relativer Vorteil: Ist es für diese Aufgabe klar besser als der bisherige Weg?
• Kompatibilität: Passt es zu bestehenden Tools, Werten und Gewohnheiten, oder verlangt es eine neue Arbeitsweise?
• Komplexität: Wie schwer ist es zu verstehen und zu nutzen?
• Erprobbarkeit: Kann eine Person es an echter Arbeit ohne Verpflichtung ausprobieren?
• Beobachtbarkeit: Können Kolleginnen und Kollegen sehen, wie jemand anderes ein Ergebnis erzielt?

Die Beobachtbarkeit ist das Merkmal, das Anbieter zu wenig nutzen. Menschen kopieren, was sie funktionieren sehen. Ein gemeinsames Dashboard über gesparte Zeit, ein Team-Kanal, in dem gute Prompts gepostet werden, oder ein sichtbares Vorher-Nachher an einem einzelnen Prozess bewirkt mehr als ein weiteres Schulungs-Webinar.

Davis: Nützlichkeit kommt vor Einfachheit

Fred Davis' Technology Acceptance Model, eingeführt in einem Aufsatz von 1989 in MIS Quarterly (Band 13, Ausgabe 3, Seiten 319 bis 340), nimmt an, dass zwei Überzeugungen darüber entscheiden, ob eine Person eine Technologie übernimmt: wahrgenommene Nützlichkeit, also das Maß, in dem sie glaubt, dass sie die eigene Arbeitsleistung steigert, und wahrgenommene Benutzerfreundlichkeit, also das Maß, in dem sie glaubt, dass sie mühelos sein wird. (Davis, 1989)

Für KI sind zwei Punkte wichtig. Erstens ist Nützlichkeit eine Überzeugung über die eigene Arbeit, keine Funktionsliste. Ein Nutzer, der nicht sieht, wie das Tool bei den Aufgaben hilft, an denen er gemessen wird, übernimmt es nicht, egal wie sauber die Oberfläche ist. Zweitens bringt KI ein drittes Anliegen mit, das das ursprüngliche Modell nicht in den Mittelpunkt stellt: ob dem Output vertraut werden kann. Spätere Forschung erweiterte TAM in viele Richtungen, aber die Erkenntnis für Anbieter ist einfach. Vertrauen Nutzer den Antworten nicht, sinkt die wahrgenommene Nützlichkeit, weil sie alles prüfen müssen. Deshalb ist Vertrauen und Evaluierung ein Adoptionsthema und nicht nur ein Security-Thema.

Moore: Der Abgrund zwischen Enthusiasten und Mainstream

Geoffrey Moores Crossing the Chasm, erstmals 1991 erschienen, argumentiert, dass es eine Lücke gibt zwischen Early Adopters (Visionäre, die aufgrund von Potenzial kaufen) und der pragmatischen frühen Mehrheit (die aufgrund bewährter Ergebnisse und Referenzen kauft). Das Buch empfiehlt, sich auf ein Segment zu konzentrieren, für dessen spezifisches Problem eine vollständige Lösung zu bauen und dieses Segment als Basis für das nächste zu nutzen.

KI-Anbieter stoßen auf eine Variante davon innerhalb eines einzelnen Kunden. Ein Pilotteam aus Enthusiasten übernimmt gern. Die breitere Abteilung, pragmatisch und beschäftigt, will den Beweis, dass es bei ihrer Art von Fall funktioniert, eine namentlich genannte Kollegin oder einen Kollegen, die dafür bürgen, und Unterstützung, wenn es versagt. Behandeln Sie jedes Team als eigenen kleinen Abgrund. Nehmen Sie nicht an, dass sich die Begeisterung der Pilotgruppe überträgt. Die Lehre aus dem Problem vom Pilot zum Vertrag gilt auch nach dem Verkauf.

Was die Modelle zusammen ergeben: Ein Playbook für Anbieter

Reduziert man die fünf Modelle auf ihre Überschneidungen, bleibt eine kurze Liste von Praktiken.

1. Champions früh identifizieren und ausstatten. Rogers' Meinungsführer und Kotters Koalition sind dieselben Menschen in anderen Worten. Ein Champion braucht Material, Zugang zu Ihrem Team und etwas, das er seinen Kollegen zeigen kann.
2. Den Workflow neu gestalten, nicht nur die Aufgabe. Einen KI-Schritt zu einem unveränderten Prozess hinzuzufügen, erzeugt oft zusätzliche Arbeit. Vereinbaren Sie mit dem Kunden, welche Schritte entfallen, welche sich verschieben und wer die neue Version verantwortet. Kompatibilität (Rogers) und Benutzerfreundlichkeit (Davis) hängen beide davon ab.
3. Im Arbeitsablauf schulen. Knowledge und Ability in ADKAR entstehen durch Übung an echten Aufgaben, nicht durch Foliensätze. Kurze, rollenspezifische Beispiele schlagen allgemeine Rundgänge. Die allgemeine SaaS-Version finden Sie unter Onboarding und Time to Value.
4. Vertrauen gezielt aufbauen. Zeigen Sie, woher der Output stammt, wo er wahrscheinlich falsch liegt und wie ein Mensch ihn korrigieren kann. Zeigen Sie es früh, vor der ersten schlechten Antwort, nicht danach.
5. Verhalten messen, nicht Logins. Reinforcement heißt zu prüfen, ob die neue Arbeitsweise im echten Prozess tatsächlich genutzt wird. Eine Login-Zahl ist ein schwacher Beleg. Der Anteil des Ziel-Workflows, der über das Produkt abgeschlossen wird, ist besser.
6. Nach dem Start dabeibleiben. Reinforcement ist der am häufigsten übersprungene Schritt. Proaktive Check-ins sind der Weg, wie ein Anbieter Rückfälle vor dem Gespräch zur Verlängerung erkennt. Wie das speziell bei KI-Produkten funktioniert, lesen Sie unter Customer Success für KI-Produkte.

Wichtige Fakten

• Wo die Lücke sitzt: Die MIT-NANDA-Studie von 2025 führt, wie Fortune berichtet, stockende Enterprise-KI vor allem auf Integration und eine Lernlücke zurück, nicht auf die Modellqualität. Die viel zitierte Zahl von 95 Prozent beruht auf 150 Interviews, einer Umfrage unter 350 Beschäftigten und 300 öffentlichen Einsätzen, verstehen Sie sie also als Richtung.
• Einzelne gehen voran: Der Work Trend Index 2024 (31.000 Wissensarbeitende, 31 Märkte) stellte fest, dass 75 Prozent generative KI bei der Arbeit nutzten und 78 Prozent dieser Nutzer eigene Tools mitbrachten.
• ADKAR: Die fünf Elemente von Prosci sind Awareness, Desire, Knowledge, Ability und Reinforcement.
• Kotter: Acht Schritte, vom Schaffen von Dringlichkeit bis zum Verankern der Veränderung.
• TAM: Davis (1989) nennt wahrgenommene Nützlichkeit und wahrgenommene Benutzerfreundlichkeit als die beiden Treiber der Akzeptanz.
• Praktischer Test: Wenn ein Nutzer nicht sagen kann, was das Tool für seine eigene Arbeit leistet, oder seinem Output nicht traut, stockt die Adoption unabhängig von der Qualität der Oberfläche.