Zum Inhalt springen

Wissensbasis

Adoptionslücken und Widerstand

KI-Piloten stocken, wenn sich die Organisation nicht mit dem Tool verändert. Die Nutzung verteilt sich ungleich und bleibt flach, niemand trägt das Risiko für KI-generierten Output, und Engineers fürchten mehr um ihre Expertise als um ihren Job. Adoption braucht deshalb neben dem Rollout strukturelle und kulturelle Arbeit.

Verfasst von

Aktualisiert:

Einstieg 2

Unsere Position. Eine stockende Adoption lesen wir als Versagen der Führung, nicht der Technologie. Leadership has three jobs: unlock usage, make adoption visible and reduce fear (öffnet in einem neuen Tab). Sprecht zuerst über die Sorgen, dann über die Tools. Lasst jemanden aus eurer eigenen Organisation die Sorgen beantworten.

Die Lücke öffnet sich zwischen individueller Geschwindigkeit und gemeinsamer Fähigkeit. Die Tools machen jede:n Engineer schneller und die Zusammenarbeit schwerer.

Wie schließt ihr die Adoptionslücke?

  • Fragt, was sich durch die ausgegebenen Token verändert hat, nicht ob die Leute KI nutzen.
  • Sprecht die Sorge um die eigene Position direkt bei der Person an, bevor sie zu Einwänden gegen Tools oder Qualität erstarrt.
  • Gewinnt zuerst die zweifelnden Optimist:innen, denn sie bewegen die Skeptiker:innen.

Warum stocken technisch erfolgreiche KI-Piloten?

Individuelle Kompetenz wird nicht automatisch zur Fähigkeit des Teams. Rotational Labs beobachtete, dass die Tools Einzelne beschleunigen und die Zusammenarbeit erschweren. Das Team musste sich deshalb bewusst synchronisieren: mehr Co-Working-Sessions, geteilte Experiment-Artefakte und eigens gebaute interne Tools (Rotational Labs - What We’ve Learned From 3 Months Living with AI Coding Tools (öffnet in einem neuen Tab)). Ein Essay aus der Praxis beschreibt die organisatorische Version derselben Lücke als “messy middle” der Adoption. Die Nutzung ist überall, ungleich verteilt und teils verborgen. Die nützliche Frage wechselt von “are people using AI?” zu “what changed because we spent those tokens?”, also vom Verhältnis Token zu Output zum Verhältnis Token zu Gelerntem (When everyone has AI and the company still learns nothing (öffnet in einem neuen Tab)). Daraus folgt: Trennt tiefe, wirksame Nutzung von flachem Theater, denn jede rohe Metrik für “KI-Nutzung” lädt dazu ein, sie auszutricksen (Video-Essay zum KI-nativen Talentmarkt (öffnet in einem neuen Tab), 13. Januar 2026).

Felddaten zeigen, wie leicht dieser Schritt fehlt. Laut Accenture werden 88% der KI-Piloten nie auf den Produktionsmaßstab skaliert, und 62% der Unternehmen sagen, ihnen fehlen die Skills. 70% fehlt die Change-Management-Fähigkeit, damit ein ausgerolltes Tool auch wirklich genutzt wird, und 89% sehen noch keinen klaren Return (WeAreDevelopers - The Technology Revolution: Mastering the Challenges of Radical Change (öffnet in einem neuen Tab), 3. Juni 2025). Deutsche Felddaten bestätigen das von der anderen Seite: Erst etwa 27% der Unternehmen ernten echten Nutzen aus ihrer KI-Investition (FAZ Pro - Wie Unternehmen mit GenAI ihre IT-Organisation neu erfinden (öffnet in einem neuen Tab), November 2025). Eine große Kommentaranalyse liefert eine zugespitzte Lehre für alle, die KI bei Engineers einführen. Deren lauteste Frage hat sich von “does it work?” zu “can we even tell if it works?” verschoben. Ein Pitch mit “this makes you faster” beantwortet also eine Frage, die das Publikum nicht mehr stellt. Enablement kommt besser an, wenn es über Vertrauen und Disziplin spricht statt über rohe Geschwindigkeit (What 30,000 YouTube Comments Tell Us About AI and Software Engineering (öffnet in einem neuen Tab), 1. Mai 2026).

Ein:e Gründer:in, deren Unternehmen davon lebt, KI-Systeme zu messen, bringt die allgemeine Form der Lücke scharf auf den Punkt. Der Bottleneck ist fast nie die Fähigkeit des Modells, sondern die Bereitschaft der Institution. Die Modellfähigkeit wächst schneller als die Anpassung der Organisation. Ein Pilot, der technisch in einer Woche gelingt, kann deshalb monatelang stocken, weil offen bleibt, wer das Risiko für KI-generierten Output akzeptiert (A Country Full of Geniuses (öffnet in einem neuen Tab), 13. Februar 2026). Die rohen Zahlen dazu, wer die Tools überhaupt nutzt, sind bescheidener, als der Diskurs nahelegt. Nur etwa jede fünfte beschäftigte Person hat überhaupt einen Chatbot vom Arbeitgeber. Zwei Drittel der Menschen, die mit KI anfangen, hören innerhalb eines Monats wieder auf. Die meisten Nutzer:innen haben noch nie zugesehen, wie ein Modell länger als eine Minute nachdenkt. Die sichtbare Adoptionskurve zeigt also vor allem flaches Experimentieren, nicht die tiefe Nutzung, die die Gewinne verlangen (Beyond the AI Hype (OMR) (öffnet in einem neuen Tab), 7. Mai 2026).

Ein LinkedIn-Essay erklärt anders, warum die tiefe Version stockt. Die meisten KI-Initiativen laufen als Technologie-Rollouts und scheitern aus Gründen, die mit Technologie nichts zu tun haben. Den Motor des Scheiterns nennt der Essay organisatorische Reibung, den strukturellen Widerstand, der schon vor dem ersten Schritt besteht. Die Führung baut deshalb zuerst Reibung ab, bevor sie Kraft hinzufügt (The Drag Problem in AI Adoption (öffnet in einem neuen Tab), 2. Juni 2026). Ernsthafte Adoption trifft vier Dimensionen zugleich: technologisch, strukturell, kulturell und strategisch. Unternehmen, die Personal für die erste stellen und die anderen drei ignorieren, halten eine Transformation fälschlich für einen Tool-Rollout. Der unterschätzte Widerstand ist nicht die Angst um den Job, sondern die Angst um die eigene Position. Dahinter steht die leisere Frage, ob die eigene Expertise noch zählt und in welcher Form. Sie zeigt sich als vage Einwände gegen Tools oder Qualität. Ihr müsst sie direkt bei der Person benennen, bevor Druck sie in aktiven Widerstand verwandelt (gleiche Quelle).

Eine Umfrage beziffert die Reibung. Roland Berger befragte 2022 50 Führungskräfte auf Vorstandsebene, und 69% sagten, ihre Mitarbeitenden könnten nicht mit anderen Abteilungen zusammenarbeiten, vor allem nicht mit der IT. Einige führten das darauf zurück, dass die IT-Abteilung nur als Dienstleister gilt und nicht als Partner für Veränderung. Die Umfrage stammt aus der Zeit vor generativer KI. Sie zeigt die Reibung aber als Frage, wie Abteilungen einander sehen, nicht nur als Frage der Fähigkeiten (Roland Berger - The digital dilemma (öffnet in einem neuen Tab), 14. Juli 2022). Ein deutsches Magazin hat die Forschung zu Widerstand gesichtet und ergänzt, was mit den Menschen zu tun ist.

  • Die Richtung einer Organisation bestimmen die zweifelnden Optimist:innen, also kritische Denker:innen, die der Technologie trotzdem positiv gegenüberstehen. Sie sind es, die die Skeptiker:innen bewegen.
  • Wahrgenommene Kontrolle zählt für das Wohlbefinden, auch wo echte Kontrolle fehlt. Eine Organisation steigert sie, indem sie das Kommende vorhersehbar und erklärbar macht. Das ist der Mechanismus hinter transparenter Kommunikation.
  • Die zitierten Studien fanden außerdem, dass ein höheres Bewusstsein für Automatisierungstechnologien mit geringerem Commitment, geringerer Karrierezufriedenheit und höherer Kündigungsabsicht korreliert.
  • Laut denselben Studien fühlten sich Beschäftigte über KI informiert, aber nicht von ihrem Arbeitgeber. Schweigt die Führung, füllen also andere Quellen die Lücke.
  • Auch das Narrativ spielt mit: hybride Intelligenz, die die Belegschaft ergänzt, statt einer künstlichen Intelligenz, die sie überragt (codecentric - Der Softwerker Vol. 24: Who’s afraid of AI? (öffnet in einem neuen Tab), deutschsprachig).

Verwandte Seiten

Quellen

Artikel

Papers und Berichte

  • The digital dilemma (öffnet in einem neuen Tab) - Umfrage von Roland Berger unter Führungskräften auf Vorstandsebene zur Entfremdung von Business und IT, die fehlende Kapazität zur Zusammenarbeit von widersprüchlichen Anreizen trennt; älter als generative KI.

Posts

Talks und Videos