Viele Organisationen investieren derzeit massiv in KI-Tools. Deutlich seltener investieren sie jedoch in die Fähigkeit, menschliche und maschinelle Intelligenz als gemeinsame, koordinierte Leistungsfähigkeit zu orchestrieren. Dabei zeigt die aktuelle Forschung, dass genau dort der eigentliche Hebel liegt: in konsolidierten Datengrundlagen, in der Führung gemischter Teams aus Menschen und KI-Agenten sowie in einer unternehmensweiten Steuerung der Adoption. Dieser Beitrag stützt sich auf aktuelle Studien von Harvard Business School, Salesforce, Gartner und weiteren Quellen und zeigt, warum fragmentierte KI-Einführung zu kurz greift, wie ein menschenzentrierter Ansatz für KI-Orchestrierung in der Praxis aussieht und wie Organisationen von isolierten Experimenten zu messbarem Return on Investment gelangen.

Der Ausgangspunkt: Fragmentierung statt Integration

KI verändert die Art und Weise, wie Organisationen Wert schaffen — und das schneller, als viele darauf reagieren können. Diese Erkenntnis ist inzwischen weit verbreitet. Weniger häufig wird jedoch thematisiert, dass KI-Einführung, so wie sie heute in vielen Unternehmen stattfindet, oft nicht zu weniger, sondern zu mehr Fragmentierung führt.

Dafür gibt es zwei zentrale Ursachen. Die erste ist fragmentierte Datenhaltung. Teams möchten KI einsetzen, doch die relevanten Informationen liegen verteilt in voneinander getrennten Systemen: CRM hier, ERP dort, Branchendatenbanken an anderer Stelle. Ohne einheitlichen Zugriff auf diese Daten kann KI keine verlässlichen Ergebnisse liefern.¹ Die zweite Ursache ist unkoordinierte Intelligenz — menschliche wie maschinelle. Einzelne Mitarbeitende und Teams entwickeln eigene Insellösungen: separate Subscriptions, isolierte Agenten, keine gemeinsame Wissensbasis. Für einzelne Nutzerinnen und Nutzer mag das funktionieren. Auf Organisationsebene skaliert es nicht und erzeugt auch keinen messbaren Effekt.

Das Ziel: Langfristiger Return on AI Investment

Wenn KI-Einführung gut umgesetzt wird, erzeugt sie langfristigen Return on Investment auf drei Ebenen. Erstens: Entlastung. KI nimmt Teams und Führungskräften repetitive Aufgaben ab und schafft Raum für Tätigkeiten, die Kreativität und Urteilsvermögen erfordern. Zweitens: Beschleunigung. Wird KI effizient und unter klarer Aufsicht eingesetzt, optimiert sie Prozesse und reduziert Ressourceneinsatz. Drittens — und das ist die folgenreichste Ebene — Innovation. KI ermöglicht neue Formen der Wertschöpfung, nicht allein durch Automatisierung, sondern durch Zusammenarbeit zwischen Mensch und KI, die Ergebnisse möglich macht, die zuvor nicht erreichbar waren.³

Diese drei Ebenen beschreiben das Zielbild. Zwei große Hürden stehen dem jedoch im Weg: Datenmanagement und Leadership.

Das Datenproblem: Garbage In, Garbage Out

Das Prinzip ist einfach, wird in der Praxis aber häufig unterschätzt: Die Qualität jedes KI-Outputs hängt von der Qualität des Inputs ab. Ganz gleich, wie leistungsfähig ein Modell ist oder wie groß der zugrunde liegende Datensatz ausfällt — wenn die Datenbasis fehlerhaft ist, werden auch die Ergebnisse fehlerhaft sein. Das ist kein reines Technologieproblem. Es ist ein Problem der Datengrundlage.¹

Und es ist keineswegs ein Randthema. Eine Salesforce-Studie zeigt, dass 81 Prozent der Organisationen bei der KI-Einführung genau deshalb Schwierigkeiten haben, weil sie ihre Daten nicht konsolidieren und sauber integrieren können.² 81 Prozent. Die Datenhürde ist also nicht eine Herausforderung unter vielen. Sie ist die zentrale Herausforderung.

In einer Welt, in der sich Märkte, Technologien und regulatorische Anforderungen schnell verändern, brauchen Organisationen flexible Datengrundlagen: nicht nur strukturierte interne Daten, die einmal abgelegt und danach selten aktualisiert werden, sondern dynamische Integrationen, die externe Signale wie Wettbewerbsinformationen, Marktentwicklungen und regulatorische Veränderungen einbeziehen. Der Vergleich mit menschlicher Entscheidungsfindung liegt nahe: Wenn Fachleute im Arbeitsalltag urteilen, verlassen sie sich nicht auf eine einzige Datenquelle. Sie integrieren, was sie gelesen, gehört und erlebt haben. Die Datengrundlage einer KI muss ähnlich funktionieren.²

Vom Technologieproblem zum Leadership-Problem

Diese Agilität lässt sich nicht allein technisch lösen. Wer entscheidet, welche Datenquellen integriert werden? Wer trägt Verantwortung für Qualität? Wer stellt sicher, dass die Datengrundlage aktuell bleibt? KI ist nicht einfach ein Software-Rollout. KI verändert Arbeit — und braucht deshalb zentrale Steuerung mit klaren Rollen, Verantwortlichkeiten und Entscheidungsrechten.⁴ Das technische Datenproblem führt damit unmittelbar zu einem Führungsproblem.

Sobald es um Leadership und KI geht, taucht die bekannte Frage auf: Ersetzt KI Arbeitsplätze? Die Realität ist differenzierter. KI ersetzt nicht einfach Jobs. Sie erweitert Teams. Rollen werden nicht weniger, sondern komplexer. Und sie erfordern zunehmend die Fähigkeit, mit KI zusammenzuarbeiten. Workday hat diesen Punkt in einer aktuellen Ankündigung treffend formuliert: „As digital workers increasingly support workforces, organisations must rethink how they hire, manage, ensure compliance, and measure their impact, just as they would for human employees.“⁵ Die Konsequenz ist erheblich: Organisationen müssen KI mit derselben Konsequenz führen, steuern und managen, mit der sie menschliche Mitarbeitende führen. Für jedes Leadership-Team bedeutet das einen grundlegenden Wandel.

Teams mit KI sind stärker als Einzelpersonen mit KI

Doch wie sollte diese Zusammenarbeit konkret organisiert werden? Ist es wirkungsvoller, wenn jede Einzelperson einen eigenen KI-Assistenten nutzt, oder wenn ganze Teams gemeinsam mit KI arbeiten?

Eine Studie der Harvard Business School untersuchte fast 800 Produktentwicklerinnen und Produktentwickler bei Procter & Gamble und kam zu klaren Ergebnissen.⁶ ⁷ Bei der qualitativen Leistung lieferten Einzelpersonen ohne KI uneinheitliche Ergebnisse. Teams ohne KI schnitten deutlich besser ab. Einzelpersonen mit KI-Assistenten verbesserten sich nochmals. Die höchste qualitative Leistung erzielten jedoch Teams, die gemeinsam mit KI arbeiteten.

Man könnte einwenden, dass es effizienter sei, jeder Einzelperson eigene KI-Agenten zur Seite zu stellen — im Sinne des sogenannten „Agent Boss“-Modells, bei dem eine Person ein Team aus KI-Agenten steuert. Und mit Blick auf Zeitersparnis stützen die Daten diesen Einwand tatsächlich: Einzelpersonen mit KI sind schneller als Teams mit KI.⁶ Warum also nicht einfach dieses Modell skalieren?

Weil die Spitzenergebnisse aus einer anderen Konstellation entstehen. Als die Forschenden die besten zehn Prozent aller Ergebnisse betrachteten — also die wirklich herausragenden Innovationen — stammten diese nicht von Einzelpersonen mit KI, sondern von Teams, die mit KI zusammenarbeiteten.⁶ ⁷ Die stärksten Resultate entstehen dort, wo Menschen und KI als Team agieren.

Hinzu kommt eine Dimension, die häufig unterschätzt wird: Die Teams, die mit KI arbeiteten, berichteten auch von der höchsten Zufriedenheit und den positivsten Emotionen in Bezug auf ihre Arbeit.⁶ Mensch-KI-Zusammenarbeit ist also nicht nur wirksamer. Sie wird von den Beteiligten auch positiv erlebt. Für nachhaltige Adoption ist das entscheidend.

Das Problem der Shadow AI

Die gute Nachricht ist: Mitarbeitende wollen mit KI arbeiten. Die weniger gute Nachricht ist: Ein erheblicher Teil dieser Zusammenarbeit findet bereits außerhalb jeder organisatorischen Steuerung statt.

Eine Studie mit mehr als 600 führenden IT-Unternehmen zeigt, dass Mitarbeitende KI auf eigene Initiative nutzen — mit erheblichen Risiken für Output-Qualität, Datenschutz, Compliance und Cybersicherheit. Bemerkenswert ist, dass dieses Problem selbst in IT-Unternehmen so ausgeprägt ist. In 61 Prozent der untersuchten Unternehmen wurden nicht autorisierte KI-Tools in der Belegschaft gefunden.⁸ Gleichzeitig verfügten nur 26 Prozent der Organisationen über Lösungen zur Überwachung der KI-Nutzung.⁹ Fast die Hälfte, nämlich 49 Prozent, überprüfte den KI-Einsatz im Unternehmen entweder gar nicht oder nur reaktiv, also erst nachdem bereits etwas schiefgelaufen war.⁸ Das ist keine Strategie. Das ist Risikomanagement im Rückspiegel.

Human in the Lead, nicht nur Human in the Loop

Genau deshalb muss sich die Diskussion in Richtung Führung verschieben. KI-Agenten sind, egal wie leistungsfähig sie werden, keine Systeme, die man einmal einschaltet und dann unbeaufsichtigt laufen lässt. Sie sind lernende Teammitglieder, die menschliche Aufsicht benötigen. Die Technologie ist noch nicht an dem Punkt, an dem Agenten vollständig autonom und fehlerfrei operieren. Ritcha Ranjan, Senior Vice President bei Expedia, bringt es präzise auf den Punkt: „As we move towards more agentic workflows, that human-in-the-loop moment is going to be critical.“¹² ¹⁰

Dabei ist eine wichtige Unterscheidung notwendig. Es reicht nicht, den Menschen bloß „in the loop“ zu halten. Damit Mensch-Maschine-Teams funktionieren, muss der Mensch die zentrale Steuerungsinstanz bleiben. Julie Sweet, CEO von Accenture, formulierte es in Davos knapp: „Human in the lead, not human in the loop.“¹¹ Nicht nur beteiligt, sondern führend.

Aus diesem Verständnis entsteht eine neue Führungsaufgabe. Wenn Organisationen heterogene Teams aus Menschen und KI-Agenten einsetzen, wenn Zusammenarbeit koordiniert werden muss und wenn Governance sowie Compliance sichergestellt werden sollen, braucht es eine ganzheitliche, menschenzentrierte Orchestrierung der gesamten Intelligenz im Unternehmen. KI ist damit nicht länger nur ein IT-Thema. Diese Orchestrierung verlangt Verantwortung auf oberster Führungsebene — vom CIO bis zum CHRO.

Ein Sechs-Punkte-Plan für Human-Centric Intelligence Orchestration

Aus aktueller Forschung und praktischer Erfahrung mit Organisationen lassen sich sechs Schritte ableiten, die den Menschen in der Führungsposition halten und gleichzeitig das volle Potenzial von KI in agilen Teams freisetzen.

1. Die Datengrundlage konsolidieren, bevor skaliert wird.
Bevor neue Tools eingeführt oder teure KI-Modelle angeschafft werden, müssen Organisationen den Zugriff auf interne Daten und externe Marktsignale vereinheitlichen. Wenn 81 Prozent der Unternehmen genau an dieser Stelle Schwierigkeiten haben, ist die Datengrundlage die Voraussetzung für alles Weitere.²

2. Eine sichere Umgebung schaffen statt Insellösungen zulassen.
Mitarbeitende nutzen KI bereits — häufig auf eigene Faust und mit allen damit verbundenen Risiken. Anstatt diese Nutzung lediglich zu verbieten, sollten Organisationen ihren Teams eine flexible und kontrollierte Umgebung bereitstellen, in der sie experimentieren, Workflows bauen und voneinander lernen können, ohne dass sensible Daten abfließen oder Sicherheitsrisiken entstehen. So wird aus Shadow AI gesteuerte Innovation.⁸ ⁹

3. Mit Routineaufgaben beginnen und Vertrauen aufbauen.
Der Einstieg sollte bei der Arbeit liegen, die niemand vermisst: repetitive Aufgaben, die wenig Freude bereiten. Schnelle Effizienzgewinne schaffen Vertrauen in Teams. Und Vertrauen ist die Grundlage für jene komplexere Zusammenarbeit, die echte Innovation ermöglicht.³

4. KI als Teammitglied positionieren, nicht nur als Tool.
KI kann als Marktanalyst externe Signale beobachten und das Team informieren, wenn Entwicklungen eine Reaktion erfordern. Sie kann als Ressourcenplaner interne Daten für die Teamkoordination aufbereiten. Sie kann als Strategiemanager den Überblick behalten und Projekte priorisieren. Oder als Compliance Manager Risiken erkennen und reduzieren. Das sind keine Zukunftsszenarien, sondern heute umsetzbare Use Cases. Entscheidend ist: Diese KI-Teammitglieder brauchen klar definierte Rollen und Verantwortlichkeiten — genau wie menschliche Teammitglieder.⁶ ⁷

5. Klare Regeln der Zusammenarbeit definieren.
Wer entscheidet was? Organisationen brauchen Arbeitsvereinbarungen für Mensch-KI-Kollaboration: Wann liefert KI Vorschläge, wann entscheiden Menschen, und wie werden Ergebnisse überprüft? Klare Rollen, Verantwortlichkeiten und Entscheidungsrechte sind unverzichtbar. Ohne solche Rules of Engagement entsteht keine Zusammenarbeit, sondern Unordnung.⁴

6. Adoption messen und iterativ verbessern.
Was nicht gemessen wird, lässt sich weder steuern noch belohnen. Organisationen sollten Monitoring für KI-Nutzung etablieren — nicht nur zur Kontrolle, sondern vor allem, um Erfolge sichtbar zu machen. Wenn erkennbar wird, welche Teams wirksame Mensch-KI-Zusammenarbeit praktizieren, können andere von ihnen lernen. So entsteht ein positiver Kreislauf: messen, sichtbar machen, verbessern. Was heute funktioniert, wird morgen Standard — und übermorgen braucht es den nächsten Schritt.⁹

Orchestrierung braucht Plattformen

Die Umsetzung dieser sechs Punkte — Monitoring, sichere Umgebung, Governance — ist keine rein menschliche Aufgabe. Auch hier unterstützt KI den Menschen. Es ist dasselbe Muster auf jeder Ebene: KI wird in Führung und Steuerung selbst integriert. Organisationen brauchen daher nicht nur neue Führungsprinzipien, sondern KI-gestützte Systeme, die zentrale menschliche Steuerung ermöglichen.

Solche Systeme werden als Orchestrierungs- oder Governance-Plattformen bezeichnet. Dass es sich dabei nicht um ein Nischenthema handelt, zeigen die Ergebnisse von Gartner: Eine Befragung von 360 Unternehmen ergab, dass Organisationen mit KI-Governance-Plattformen eine 3,4-mal höhere Wahrscheinlichkeit hatten, KI erfolgreich zu steuern. Gartner erwartet zudem, dass solche Plattformen regulatorische Kosten um bis zu 20 Prozent senken können und dadurch Budget für Wachstum freisetzen. Die Investition rechnet sich also unmittelbar — nicht nur durch bessere Governance, sondern auch finanziell.¹³

Wie BlackMountain Orchestrierung versteht

BlackMountain entwickelt eine Plattform, die auf drei Ebenen wirkt. Erstens: konsolidierte Daten. Alle externen Signale und das interne Organisationswissen werden zu einer Single Source of Truth zusammengeführt — gehostet auf europäischen Servern und vollständig verschlüsselt. Zweitens: orchestrierte KI. Alle KI-Modelle, Agenten und Tools — von GPT, Claude und Gemini bis hin zu Mistral und eigenen Modellen — werden zentral in einer Oberfläche koordiniert, mit voller Transparenz über Nutzung, Kosten und Compliance. Drittens: vollständiger Kontext. Jede Unterhaltung, jedes Signal und jedes Dokument bleibt strukturiert, auffindbar und compliance-konform in einem Organisationsgedächtnis gespeichert, das jede Interaktion in einen dauerhaften Vermögenswert verwandelt. Das Ergebnis ist eine Arbeitsumgebung, in der der Mensch urteilt und KI unterstützt; in der Teams selbst entscheiden, wie sie arbeiten und was sie priorisieren — unterstützt durch die passenden Tools und Assistenten in einer einzigen sicheren Oberfläche.

Schluss: Ein Führungsprinzip, keine Technologieentscheidung

Human-Centric Intelligence Orchestration ist im Kern kein Technologieentscheid, sondern ein Führungsprinzip. Die Forschung zeigt ein klares Bild: Die stärksten Ergebnisse entstehen, wenn Menschen und KI als koordinierte Teams zusammenarbeiten, wenn Datengrundlagen konsolidiert statt fragmentiert werden und wenn Governance proaktiv statt reaktiv erfolgt. Entlastung, Beschleunigung und Innovation — die drei Ebenen eines langfristigen AI Return — entstehen nicht dadurch, dass Organisationen immer mehr Tools hinzufügen. Sie entstehen, wenn der Mensch im Zentrum bleibt und KI um menschliche Arbeit herum orchestriert wird, nicht umgekehrt.

Quellen

¹ Rand, B. (2025). Bad Data, Bad Results. Harvard Business School Library, 27 February 2025.

² Integration Key as 97% of APAC IT Leaders Turn to AI Agents. Salesforce News, 6 February 2025.

³ Chen, W.X., Srinivasan, S. & Zakerinia, S. (2025). Displacement or Complementarity? The Labor Market Impact of Generative AI. Working Paper, Hong Kong University of Science and Technology / Harvard Business School, 2025.

⁴ Layne, R. (2025). AI Trends for 2026: Building “Change Fitness” and Balancing Trade-Offs. Harvard Business School Library, 18 December 2025.

⁵ Workday Announces New AI Agent Partner Network and Agent Gateway to Power the Next Generation of Human and Digital Workforces. Newsrelease, 3 June 2025.

⁶ Dell’Acqua, F., Ayoubi, C., Lifshitz, H., Sadun, R., Mollick, E., Mollick, L., Han, Y., Goldman, J., Nair, H., Taub, S. & Lakhani, K.R. The Cybernetic Teammate: A Field Experiment on Generative AI Reshaping Teamwork and Expertise. Harvard Business School Working Paper.

⁷ Nover, S. (2025). When AI Joins the Team, Better Ideas Surface. Harvard Business School Library, 17 October 2025.

⁸ Shadow AI Governance Lags as AI Adoption Soars, According to Cato Networks Survey. Cato Networks Newsroom, 3 December 2025.

⁹ Sanchez, A. (2025). New WalkMe Survey Shows Shadow AI Is Rampant; Training Gaps Undermine AI ROI. SAP Newsroom, 27 August 2025.

¹⁰ Blanding, M. (2026). What Leadership Looks Like in an Agentic AI World. Harvard Business School Library, 11 February 2026.

¹¹ Hoang, J. & McCallion, P. (2026). Davos 2026: Leaders on why scaling AI still feels hard — and what to do about it. Weforum.org, 23 January 2026.

¹² Neeley, T. & Ranjan, R. (2025). Generative and Agentic AI as Strategic Partners for Leaders. Harvard Business School Technical Note 426-038, November 2025.

¹³ Global AI Regulations Fuel Billion-Dollar Market for AI Governance Platforms. Gartner, Stamford, Conn., 17 February 2026.