Die meisten Schweizer Unternehmen verlieren das KI-Rennen nicht aus Mangel an Ehrgeiz oder Budget. Sie scheitern vielmehr in dem unübersichtlichen Bereich zwischen einem vielversprechenden Proof-of-Concept und einem System, das tatsächlich im Produktivbetrieb läuft und echte Umsätze, echte Einsparungen und echte Ergebnisse erzielt. Nachfolgend finden Sie die Sechs Herausforderungen bei der Einführung von KI wir sehen, welche Probleme in DACH-Unternehmen am häufigsten auftreten und wie sich jedes einzelne konkret beheben lässt. Falls Ihr Unternehmen mit einem dieser Probleme zu kämpfen hat, sind Sie nicht allein. Doch die Kosten des Abwartens sind längst keine theoretische Angelegenheit mehr.

95% von KI-Pilotprojekten in Unternehmen erzielen keine messbaren Auswirkungen auf die Gewinn- und Verlustrechnung (MIT NANDA, 2025)

55% von den Schweizer Unternehmen setzen KI ein, doch 74 % befinden sich noch in den grundlegendsten Phasen (AWS, 2025)

2,1 Mrd. CHF Ausgaben für KI-Tools in der Schweiz im Jahr 2025 – der Großteil davon für die Erstellung interner Präsentationen

HERAUSFORDERUNG 01 · Strategie

Warum Ihre KI-Strategie im Unternehmen scheitert – und wie Sie das Problem beheben können

Es besteht ein Unterschied zwischen dem Experimentieren mit KI und dem Aufbau eines Geschäftsmodells darauf. Die meisten Schweizer Unternehmen befinden sich noch in der ersten Kategorie, und das Gefährliche daran ist, dass sie sich dessen oft nicht bewusst sind. Was sie haben, ist eine Ansammlung von KI-Projekten. Was sie brauchen, ist ein Unternehmens-KI-Strategie das bewusst mit der Wertschöpfung des Unternehmens verknüpft ist. KI wird als Technologieinitiative betrachtet, für die der CTO verantwortlich ist, anstatt als zentraler Bestandteil der Wettbewerbsstrategie des Unternehmens. Wenn KI nicht von oberster Stelle in die Geschäftsstrategie eingebettet ist, erhält sie niemals die funktionsübergreifende Verantwortung, die gemeinsamen Erfolgskennzahlen oder die Rechenschaftspflicht der Führungskräfte, die sie benötigt.

„Nur 34 % der Unternehmen überdenken ihr Geschäftsmodell mithilfe von KI wirklich grundlegend. Die Mehrheit nutzt sie lediglich zur Automatisierung von Routineaufgaben.“ — Deloitte: Der Stand der KI in Unternehmen, 2026

Was bedeutet KI in der Unternehmensstrategie eigentlich?

Ein echter AI and business strategy starts with the business problem, not the technology. It means picking two or three use cases directly tied to revenue growth or margin improvement not ‘AI for efficiency’ in the abstract. It means assigning a business owner to each initiative, building a phased roadmap with honest milestones, and running monthly governance not annual reviews. That is the foundation of a real AI for business strategy: konkrete, messbare Ergebnisse, für die Führungskräfte verantwortlich sind, die die Auswirkungen auf die Gewinn- und Verlustrechnung zu spüren bekommen, wenn diese Ziele verfehlt werden.

HERAUSFORDERUNG 02 · Grundlagen der Datenverarbeitung

Die verborgene Herausforderung bei der Einführung von KI: Ihre Daten sind noch nicht bereit

Hier ist etwas, das in den Verkaufspräsentationen der Anbieter selten zur Sprache kommt: Die meisten KI-Systeme in Unternehmen scheitern nicht, weil der Algorithmus falsch ist, sondern weil die Daten, mit denen sie gefüttert werden, fehlerhaft sind. Dies ist einer der am meisten unterschätzten Herausforderungen bei der Einführung von KI und eine der teuersten, wenn man sie erst spät entdeckt.

40% Unternehmen nennen eine schlechte Datenqualität als ein wesentliches Hindernis für die KI-Bereitschaft (IDC, 2025)

43% Unternehmen nennen eine schlechte Datenqualität als ein wesentliches Hindernis für die KI-Bereitschaft (IDC, 2025)

Unternehmen, die dies erkennen, tun dies meist erst auf die harte Tour, nachdem sie bereits Mittel für die Produktionsbereitstellung bereitgestellt haben und feststellen mussten, dass die zugeführten Daten inkonsistent, unvollständig oder unkontrolliert sind.

So beheben Sie das Problem, bevor es Sie teuer zu stehen kommt

Führen Sie eine Prüfung der Datenbereitschaft durch bevor Sie sich zur Produktion verpflichten. Erfassen Sie, wo sich Ihre Daten befinden, wem sie gehören und wie sauber sie sind actatsächlich istist — und nicht, wie sauber du es für sauber hältst.
In einer einheitlichen Datenplattform zusammenführen. Es muss nicht gleich vom ersten Tag an alles zentralisiert sein, aber Sie brauchen eine klare Richtung und einen Zeitplan.
Qualitätsprüfungen bei der Datenerfassung automatisieren. Manuelle Überprüfungen lassen sich nicht skalieren und erkennen keine Abweichungen im Laufe der Zeit.
Benannte Geschäftsinhaber zuweisen für jeden kritischen Datensatz – nicht nur für ein IT-Team, das für die Speicherung zuständig ist.

Kansofts Dienstleistungen im Bereich Datenanalyse sind speziell für regulierte Branchen im DACH-Raum konzipiert. Erfahren Sie, wie wir die Datenarchitektur angehen, noch bevor die erste Zeile KI-Code geschrieben wird.

HERAUSFORDERUNG 03 · Infrastruktur

Veraltete Infrastruktur: Der stille Killer jeder KI- und Geschäftsstrategie

Die Unternehmenswelt im DACH-Raum stützt sich auf eine der stabilsten technologischen Infrastrukturen der Welt. Diese Stabilität ist wirklich beeindruckend. Sie stellt jedoch zunehmend auch eine Herausforderung für die KI dar.

Herkömmliche monolithische Architekturen wurden nicht für die elastischen, iterativen Workloads konzipiert, die moderne KI erfordert. Sie lassen sich nicht dynamisch skalieren. Sie stellen keine sauberen APIs bereit, auf die KI-Systeme in Echtzeit zugreifen können. Die Bereitstellung eines containerisierten ML-Modells in einer Umgebung, die auf lokaler Batch-Verarbeitung basiert, bedeutet in der Praxis monatelange Integrationsarbeit, bevor man überhaupt etwas Sinnvolles damit anfangen kann.

Die Zahlen werden immer schlechter, nicht besser. 42 % der Unternehmen haben im Jahr 2025 den Großteil ihrer KI-Initiativen aufgegeben – gegenüber nur 17 % im Vorjahr –, wobei Infrastruktur und Integration als Hauptgründe genannt wurden. (S&P Global Market Intelligence, 2025)

Der praktische Weg nach vorn

Versuchen Sie nicht, alles auf einmal zu modernisieren. Finden Sie heraus, welche Altsysteme Ihre wichtigsten KI-Anwendungsfälle direkt behindern, und fangen Sie dort an. Nutzen Sie API-Wrapper Wenn Sie Altsysteme kurzfristig für die KI-Integration erweitern, gewinnen Sie Zeit, ohne dass ein vollständiger Austausch erforderlich ist. Bei neuen KI-Workloads sollten Sie von Anfang an cloud-nativ entwickeln und frühzeitig mit Kubernetes containerisieren. Sehen Sie, wie Kansoft damit umgeht Cloud-Migration und Produktmodernisierung für regulierte Schweizer Branchen, ohne die Geschäftskontinuität zu beeinträchtigen.

HERAUSFORDERUNG 04 · Talent

Warum Ihre KI- und ML-Strategie nicht allein von der Einstellung neuer Mitarbeiter abhängen darf

There is a hiring plan sitting in an enterprise somewhere in DACH right now that calls for recruiting three senior ML engineers, two MLOps specialists, and an AI governance lead. The hiring manager has been trying to fill those roles for eight months.

The AI roadmap is sitting still. In der DACH-Region ist der Fachkräftemangel ausgeprägter als in den meisten europäischen Märkten. KI-Spezialisten erzielen einen Lohnaufschlag von 56 bis 67 % im Vergleich zu ähnlichen Tech-Positionen. Zürich konkurriert um dieselben Ingenieure wie London, Amsterdam und Berlin und zunehmend auch mit US-Unternehmen, die vorrangig auf Remote-Arbeit setzen und Unternehmensanteile anbieten, mit denen Schweizer Unternehmen nicht mithalten können. Jede KI- und ML-Strategie Ein Unternehmen, das sich in erster Linie darauf verlässt, durch Neueinstellungen seine Leistungsfähigkeit zu steigern, wird ins Stocken geraten.

„Die Unternehmen, die bei KI-Fachkräften die Nase vorn haben, sind nicht unbedingt diejenigen, die am meisten bezahlen. Es sind diejenigen, die in ihre bestehenden Mitarbeiter investieren und ein Umfeld schaffen, in dem KI-Fachkräfte tatsächlich bleiben wollen.“ — McKinsey Global Institute, „The State of AI, 2025“

Ein realistischerer Ansatz für KI-Fachkräfte

1. Beginnen Sie mit Ihren derzeitigen Mitarbeitern. Nur 28 % der Unternehmen investieren in nennenswertem Umfang in die Weiterbildung im Bereich KI, obwohl McKinsey dies als die mit Abstand wirksamste Personalstrategie einstuft.
2. Bilden Sie funktionsübergreifende Teams keine isolierten KI-Labore. Modelle, die von Datenwissenschaftlern entwickelt werden, die nie mit den Stakeholdern aus dem Geschäftsbereich sprechen, bleiben durchweg hinter den Erwartungen zurück.
3. Arbeiten Sie mit einem erfahrenen AI-Entwicklungsunternehmen zusammen Was die Lieferkapazität angeht, sollten Sie keine internen Mitarbeiter einstellen, damit Ihr Team gemeinsam mit ihnen lernt und nicht nur die Ergebnisse erhält.

Kansofts Modell zur personellen Verstärkung im IT-Bereich bindet erfahrene KI-Ingenieure direkt in Ihr Team ein, sodass Sie die Fachkräftelücke innerhalb von Wochen statt Quartalen schließen können.

HERAUSFORDERUNG 05 · Unternehmensführung und Compliance

Entwicklung einer Strategie für künstliche Intelligenz, die den Anforderungen des EU-KI-Gesetzes gerecht wird

Schweizer Unternehmen stehen in einem komplizierten Verhältnis zur EU-Regulierung. Technisch gesehen gehören sie nicht zur Union, sind aber wirtschaftlich und betrieblich eng mit ihr verflochten. Das EU-KI-Gesetz zwingt die artificial intelligence strategy conversation that many boards have been quietly postponing. From August 2025, the Act’s most significant provisions began applying to AI systems operating in EU markets. Any Swiss financial institution, manufacturer, or healthcare company with EU-facing products is already in scope. High-risk AI systems need documented risk assessments, human oversight mechanisms, and audit trails. Fines reach 3% of global annual turnover.

Eine Unternehmensführung aufbauen, die wirklich funktioniert

1. Beginnen Sie mit einer Risikoklassifizierung. Ordnen Sie Ihre bestehenden und geplanten KI-Systeme den Risikostufen des EU-KI-Gesetzes zu – möglicherweise stellen Sie fest, dass bereits risikoreiche Systeme im Einsatz sind.
2. Modellkarten und Entscheidungsprotokolle implementieren als gängige Praxis. Diese dienen sowohl der Einhaltung gesetzlicher Vorschriften als auch der internen Fehlerbehebung.
3. Integrieren Sie die Überprüfung der ethischen KI in Ihren Sprint-Zyklus nicht als eigenständiger Ausschuss, der Dinge im Nachhinein überprüft.
4. Wenn Sie mit Kundendaten von in der Schweiz ansässigen Kunden arbeiten… stellen Sie sicher, dass die Datenhoheit bereits bei der Konzeption Ihrer KI-Architektur berücksichtigt wird und nicht erst nachträglich, wenn rechtliche Bedenken laut werden.

Entdecken Sie Kansofts Rahmenwerk für Unternehmensdaten und Governance speziell für das regulatorische Umfeld in der DACH-Region entwickelt.

HERAUSFORDERUNG 06 · Skalierung

Pilot-Fegefeuer: Die größte Herausforderung bei der Einführung von KI, vor der Unternehmen im DACH-Raum stehen

Verbringt man Zeit mit KI-Teams in Unternehmen im DACH-Raum, hört man immer wieder denselben Satz, der mit einer Mischung aus Resignation und schwarzem Humor vorgetragen wird: „Wir sind großartig bei Pilotprojekten.“ Das ist kein Kompliment. Was diese Teams damit meinen, ist Folgendes: Wir entwickeln beeindruckende Proof-of-Concepts, präsentieren sie dem Vorstand, erhalten die Genehmigung, weiterzumachen, und sechs Monate später sind wir immer noch nicht in der Produktion, und das Team, das den Pilotversuch entwickelt hat, ist bereits zum nächsten Projekt übergegangen.

Das ist das Piloten-Fegefeuer, und dies betrifft einen bemerkenswert hohen Anteil der KI-Programme in Unternehmen. Das Scheitern ist selten technischer Natur. Die Modelle sind oft wirklich gut. Das Scheitern ist organisatorischer Art – es besteht eine Diskrepanz zwischen der Art und Weise, wie KI in einer Laborumgebung entwickelt wird, und den Anforderungen, die erfüllt sein müssen, um sie als Produktionssystem zu betreiben, auf das sich Geschäftsanwender täglich verlassen. Erfolgreiche KI-Implementierungen sehen in etwa 10 % des Aufwands entfallen auf Algorithmen, 20 % auf die Infrastruktur und 70 % auf Menschen und Prozesse. Bei den meisten Unternehmensprogrammen ist dieses Verhältnis fast genau umgekehrt.

Wie man aus dem Fegefeuer kommt

1. Legen Sie vor Beginn des Pilotprojekts fest, was unter „produktionsreif“ zu verstehen ist; Dazu gehören Infrastrukturanforderungen, Überwachungsstandards, Integrationstests und Änderungen an Geschäftsprozessen.
2. Führen Sie frühzeitig ein MLOps-Framework ein. Die Tools sind ausgereift. Es gibt keinen triftigen Grund, sie manuell zu erstellen.
3. Automatisierte Bereitstellungs-Pipelines erstellen die ein Modell ohne eine sechswöchige manuelle Übergabe von der Entwicklung in die Produktion bringen.
4. Weisen Sie jedem KI-Produktionssystem einen Geschäftsverantwortlichen zu, nicht nur einen technischen Ansprechpartner. Jemand, der Modellabweichungen als geschäftliches Problem eskaliert.
5. Töte die Zombie-Piloten. Die Kosten für die Aufrechterhaltung von Projekten, die zwar technisch noch bestehen, aber nicht vorankommen, sind höher, als den meisten Organisationen bewusst ist.

Kansofts End-to-End-KI-Entwicklung service covers the full journey from pilot to production including the 70% that most vendors ignore.

Your Artificial Intelligence and Business Strategy Starts Now

The Real Cost of a Weak AI Strategy

Swiss enterprises in financial services, pharma, and manufacturing that have moved past these challenges are already reporting 15–30% improvements in operational metrics underwriting cycle times, clinical trial processing, predictive maintenance. These are not projections. They are in quarterly reports right now, from organisations that made the same decision you are sitting in front of today.

The six challenges in this article are not theoretical. They are the exact friction points broken data foundations, legacy infrastructure, talent gaps, governance blind spots, and pilots that never graduate that separate enterprises compounding AI value every quarter from those still waiting for the right moment to start. That moment does not arrive on its own. Every quarter spent in pilot mode is a quarter your competitors are widening a lead that becomes structurally harder to close.

Every one of these challenges has been solved by DACH enterprises working within the same constraints you have the same regulatory environment, the same talent market, the same legacy infrastructure. The difference was not budget or luck. It was a decision to stop experimenting and start executing with a partner who had done it before. If you are ready to make that decision, Kansoft is where that conversation starts.