KI-Pilot gestartet, Organisation vergessen?

Warum Change-Management in der Lebensmittelindustrie vor dem ersten KI-Use-Case beginnt

Zusammenfassung

1. Das eigentliche Risiko ist nicht die Technologie.
Der Digital Food Monitor 2025 zeigt: Fehlendes Fachwissen, internes Know-how und Ressourcen werden von den befragten Entscheidern deutlich häufiger als große KI-Hürden genannt als mangelnde Akzeptanz der Mitarbeitenden.

2. Ein funktionierender Proof of Concept ist noch kein funktionierender Betriebsprozess.
Zwischen „Das Tool funktioniert“ und „Wir arbeiten dauerhaft damit“ liegen Verantwortlichkeiten, Datenzugang, Ressourcen, Qualifizierung und veränderte Arbeitsabläufe.

3. Deshalb beginnt Change Management vor dem Pilot – nicht danach.
Wer Beteiligung, Rollen und Kompetenzaufbau erst beim Roll-out organisiert, startet organisatorisch zu spät. Pilot-Fähigkeit muss bereits Teil der Projektarchitektur sein.

4. Die Reihenfolge entscheidet: Problem → Use Case → Technologie.
Nicht die Frage „Welche KI sollten wir testen?“ sollte am Anfang stehen, sondern:
Welches konkrete Problem ist relevant genug, dass sich eine Veränderung unserer Arbeitsweise lohnt?

5. Vor dem GO benötigt jedes Pilot-Projekt fünf geklärte Punkte:

• ein klar definiertes Geschäfts- oder Prozessproblem,
• messbare Zielgrößen und Nutzenkriterien
• eindeutige Rollen und Verantwortlichkeiten
• realistisch verfügbare personelle Ressourcen
• einen Plan zum Aufbau interner Kompetenz

6. Kompetenz darf nicht bei einzelnen Experten hängen bleiben.
Ein Pilot ist erst skalierbar, wenn Wissen im Unternehmen verankert wird. Ziel ist nicht nur technisches Verständnis, sondern die Fähigkeit der Beteiligten, KI-Ergebnisse einzuordnen und sicher in ihre Arbeit zu integrieren.

7. Die wichtigste Managementfrage lautet deshalb:
Ist unsere Organisation bereit, einen erfolgreichen KI-Piloten anschließend in einen belastbaren Prozess zu überführen?

Konsequenz für die Entscheidung

Ein KI- oder Robotik-Pilot sollte erst starten, wenn nicht nur die technische Machbarkeit, sondern auch die organisatorische Umsetzbarkeit ausreichend geklärt ist.

Erst wenn Problem, Nutzen, Verantwortlichkeit, Ressourcen und Kompetenz zusammenpassen, wird aus einem Pilot-Projekt ein realistischer Schritt in Richtung Transformation.

Change-Management reflektiert und organisiert mehrere Perspektiven eines industriellen Transformationsprozesses

Das Pilot-Projekt

Läuft! Die Präsentation des Tech-Anbieters sah gut aus. Das Tool funktioniert bereits nahezu perfekt. Die ersten Ergebnisse sind positiv überraschend, vielversprechend.

Und dann?

Das Tagesgeschäft. Produktionsplanung. Qualitätssicherung. Liefertermine. Personalmangel. Reklamationen. Schichtwechsel. Und irgendwo dazwischen soll jetzt auch noch „die KI/Robotik“ ihren angemessenen Platz in der Wertschöpfungskette finden.

Jetzt an diesem Punkt entscheidet sich, ob aus einem technologischen Experiment ein produktiver Prozess wird – oder ein weiterer Pilot, über den man sechs Monate später im Meeting sagt:

„War eigentlich ganz interessant.“

Und läufts gut? Leider, Nein. Nicht nachhaltig profitabel. Warum? Häufig wird der KI-Pilot technisch geplant, aber organisatorisch improvisiert. , Wenn Mitarbeitende überzeugt werden sollen, beginnt Change-Management nicht erst, wenn der Pilot bereits fliegt.

Es beginnt früher. Bei der Auswahl des Problems.

Die Technologie ist verfügbar. Die Organisation nicht automatisch bereit.

KI hat in erstaunlich kurzer Zeit ihren Weg aus Forschungsabteilungen und Innovationslaboren in den betrieblichen Alltag gefunden.

Auch für Lebensmittelunternehmen lautet die interessante Frage deshalb längst nicht mehr nur:

Was kann KI?

Spannender ist:

Warum schaffen es einige Unternehmen vom Experiment in die Anwendung – während andere zwischen Präsentation, Pilot-Projekt und Tagesgeschäft stecken bleiben?

Ein interessantes Stimmungsbild liefert der Digital Food Monitor 2025 von Engel & Zimmermann und Hendrik Haase.

Die Untersuchung basiert auf rund 30 Befragten, überwiegend Geschäftsführern und Inhabern mittelständischer deutscher Lebensmittelunternehmen. Der durchschnittliche Umsatz der repräsentierten Unternehmen liegt laut den Autoren bei 123 Millionen Euro.

Wichtig dabei: Rund 30 Befragte sind keine Basis, um daraus allgemeingültige Aussagen über die gesamte deutsche Lebensmittelindustrie abzuleiten. Aber die Ergebnisse zeigen etwas anderes, das für die Praxis mindestens ebenso spannend ist:

Wie Entscheider die Hürden der KI-Einführung derzeit wahrnehmen. Also genau jene Personen, die Budgets freigeben, Prioritäten festlegen und organisatorische Veränderungen ermöglichen müssen.

Und dieses Bild verdient einen zweiten Blick.

Die größte KI-Hürde sitzt offenbar nicht vor dem Bildschirm

Wer bei KI-Einführung zuerst an skeptische Mitarbeitende denkt, könnte von den Ergebnissen überrascht werden.

60 Prozent der Befragten bewerten fehlendes Fachpersonal genauer gesagt fehlendes Fach-Know-how als große oder sehr große Herausforderung. Beim fehlenden internen Know-how sind es 56 Prozent.

44 Prozent nennen fehlende Ressourcen als große oder sehr große Hürde. Hinzu kommen Datenschutz, Technologie- und Infrastrukturkosten, die Passgenauigkeit vorhandener Tools für den Lebensmittelsektor und eine weitere Herausforderung, die aus Managementsicht besonders interessant ist:

36 Prozent fällt es schwer, den konkreten Nutzen von KI eindeutig zu definieren. Und die Akzeptanz?

Nur 8 Prozent bewerten mangelnde Akzeptanz innerhalb der Mitarbeiterschaft als große Herausforderung. Auf Führungs- und Entscheiderebene sind es immerhin 24 Prozent. Die schnelle Schlussfolgerung könnte also lauten:

Prima. Die Belegschaft ist  quasi bereit. Problem gelöst. KI-Schalter nun umlegen.

Ganz so komfortabel ist es leider nicht.

Nur 8 Prozent Akzeptanzproblem? Vorsicht vor der falschen Schlussfolgerung.

Der Digital Food Monitor bildet überwiegend die Perspektive von Geschäftsführern und Inhabern ab. Die Studie sagt deshalb nicht:

„Mitarbeitende haben kein Akzeptanzproblem mit KI.“

Sie zeigt vielmehr:

Die befragten Entscheider nehmen mangelnde Mitarbeiterakzeptanz derzeit deutlich seltener als zentrale Hürde wahr als fehlendes Know-how, Personal oder Ressourcen.

Das ist ein wichtiger Unterschied und genau hier könnte ein blinder Fleck entstehen. Ein KI-System kann technisch funktionieren. Der Business Case kann vernünftig aussehen. Die Geschäftsführung kann ziemlich begeistert sein.

Und trotzdem bleibt das Projekt im Alltag hängen.

Nicht zwangsläufig, weil jemand gegen KI ist. Eher weil niemand genau weiß, wer verantwortlich ist. Weil zudem das benötigte Wissen an einer einzigen Person hängt. Oft, weil das Projekt zusätzlich zum normalen Arbeitspensum läuft.

Nicht selten, weil Produktion, Qualität, IT und Management jeweils unterschiedliche Erwartungen haben.

Oder weil man zwar eine beeindruckende Demo gesehen hat – aber noch immer nicht präzise beantworten kann, welches betriebliche Problem damit dauerhaft gelöst werden soll.

Das ist kein Technologieproblem. Das ist Umsetzungsfähigkeit. Und genau hier beginnt Change-Management.

Change-Management ist keine Motivationsveranstaltung nach dem Pilotprojekt

Bei Change-Management denken manche Unternehmen noch immer an Kommunikation kurz vor dem Roll-out.

Ein paar Workshops. Eine Präsentation. Gerne zudem noch ein Poster mit „Gemeinsam in die digitale Zukunft“. Fertig ist der Wandel.

Nur funktioniert Veränderung leider selten wie die Einführung einer neuen Kaffeemaschine:

Bei KI verändern sich möglicherweise Entscheidungen, Verantwortlichkeiten, Informationswege und Arbeitsroutinen. Menschen müssen lernen, Ergebnisse eines Systems einzuordnen. Führungskräfte entscheiden, wann KI unterstützt – und wann Menschen entscheiden. Fachabteilungen sind gefordert strukturierte Daten bereitzustellen. IT und Datenschutz müssen eingebunden werden.

Und irgendjemand braucht Zeit für die Umsetzung.

Change-Management bedeutet deshalb zunächst nicht, Menschen für Technologie zu begeistern. Es bedeutet, die Organisation auf eine veränderte Arbeitsweise vorzubereiten. Der Digital Food Monitor beschreibt die Lebensmittelbranche Ende 2025 in seinem Fazit dieser Studie/ Befragung als Branche „an der Schwelle zur digitalen Reife“. Diese Formulierung trifft einen entscheidenden Punkt.

Denn zwischen dem Wissen, dass KI relevant ist, und der Fähigkeit, KI produktiv einzusetzen, liegt eine organisatorische Strecke.

Und diese Strecke läuft selten schnurgerade.

Gerade beim Aufbau interner KI-Kompetenz reicht es nicht, Mitarbeitenden ein neues Tool zu zeigen – entscheidend ist, dass sie lernen, dessen Möglichkeiten, Grenzen und Auswirkungen auf ihre eigene Arbeit souverän einzuschätzen. Genau hier wirken Kooperationspartner wie Daniel Kießling von LernWeise  sehr unterstützend auf solche Projektvorhaben: Er begleitet Teams und Organisationen beim Aufbau von KI-, Lern- und Zukunftskompetenzen und hilft dabei, aus technologischer Neugier echte Handlungsfähigkeit zu entwickeln.

Und plötzlich gibt es einen Pilot, in Teilen gesichert, aber hinsichtlich Change extrem »planlos«. Das ist ungefähr so, als würde man erst eine neue Verpackungsmaschine bestellen und anschließend überlegen, welches Produkt darauf laufen soll. Kann gut gehen. Muss aber nicht.

Besonders bemerkenswert ist deshalb, dass 36 Prozent der Befragten der zitierten Studie die Schwierigkeit, den Nutzen von KI klar zu definieren, als große oder sehr große Herausforderung bewerten. Genau hier sollte ein KI-Projekt beginnen.

Nicht mit: „Wo können wir KI einsetzen?“

Besser mit: 

„Welches Problem verursacht heute genügend Aufwand, Kosten, Fehler oder Reibung, dass es sich lohnt, unsere Arbeitsweise zu verändern?“

Das ist ein fundamentaler Unterschied. Denn plötzlich steht nicht mehr die Technologie im Mittelpunkt. Dafür aber der Prozess.

Ein guter KI-Use-Case braucht ein Problem mit Betriebsgeräusch

Interessante Anwendungsfälle findet man nicht nur in Strategiemeetings. Man findet sie vorwiegend dort, wo Menschen aus dem operativen Geschäft regelmäßig sagen:

• „Das dauert jedes Mal ewig.“
• „Dafür müssen wir drei Excel-Dateien vergleichen.“
• „Das weiß nur Frau Müller.“
• „Wenn Kollege Schmidt Urlaub hat, wird es schwierig.“
• „Die Information bekommen wir leider erst morgen.“

Genau dort sitzt häufig das Potenzial. Nein, ein sinnvoller KI-Use-Case oder eine Cobot-Anwendung muss nicht futuristisch aussehen. Es muss relevant, pragmatisch sein.

Wenn ein Prozess regelmäßig Zeit kostet, Fehler verursacht, Fachkräfte bindet oder Entscheidungen verzögert, entsteht eine nachvollziehbare Grundlage für Veränderung. Dann lässt sich auch viel leichter erklären, warum Mitarbeitende Zeit in einen Piloten investieren sollen.

Nicht, weil KI aktuell überall auf PowerPoint-Folien und LinkedIn auftaucht. Vielmehr gilt es jetzt, ein konkretes Problem endlich mal zu lösen.

Fünf entscheidende Management-Fragen vor dem ersten KI-Piloten

Bevor das nächste Tool getestet wird, lohnt sich deshalb ein kurzer organisatorischer Realitätscheck:

• Problem definieren: Welches konkrete betriebliche Problem wollen wir lösen – und woran erkennen wir, dass es tatsächlich relevant ist?
• Nutzen messbar machen: Welche Verbesserung erwarten wir: weniger Zeitaufwand, geringere Fehlerquote, höhere Transparenz, weniger Ausschuss oder bessere Entscheidungen?
• Verantwortung klären: Wer besitzt den Prozess, wer verantwortet den Piloten und wer entscheidet nach dem Test über die weitere Nutzung?
• Ressourcen freigeben: Welche Personen brauchen während des Piloten tatsächlich Zeit – nicht theoretisch, sondern im Arbeitsplan?
• Kompetenz aufbauen: Welches Wissen muss nach dem Pilotprojekt intern vorhanden sein, damit das System nicht dauerhaft an einzelnen Experten oder externen Dienstleistern hängt?

Diese fünf Fragen wirken wenig spektakulär. Aber das ist ihre Stärke, weil sie KI aus der Innovationsshow zurück in den Betrieb holen.

Der Proof of Concept ist nicht die Ziellinie

Ein Pilotprojekt beantwortet im besten Fall eine wichtige Frage:

Kann das funktionieren?

Transformation beginnt jedoch mit der nächsten:

Können wir damit dauerhaft arbeiten?

Zwischen diesen beiden Fragen liegt der Unterschied zwischen Technologieerprobung und organisatorischer Veränderung. Und deshalb sollte der Erfolg eines KI-Piloten nicht nur daran gemessen werden, ob das Modell gute Ergebnisse liefert. Ebenso wichtig ist:

• Kennen die Beteiligten ihre Rollen?
• Ist der Nutzen nachvollziehbar?
• Sind notwendige Daten verfügbar?
• Gibt es ausreichend internes Wissen?
• Sind Ressourcen für die nächste Phase vorgesehen?
• Und ist klar, welcher bestehende Arbeitsablauf sich dadurch verändert?

Wenn diese Fragen erst nach dem Pilot auftauchen, beginnt Change-Management zu spät.