Co-Creation zur KI-Entwicklung: Warum die Austria GmbH anders denken muss

Der CIO sieht aus wie kurz vor einem Nervenzusammenbruch. "Wir haben jetzt sechsmal specificiert, was der KI-Assistent können soll, aber das Ergebnis ist jedes Mal anders." Kenne ich zur Genüge. Das klassische IT-Projektmanagement trifft auf KI-Realität – und das geht ungefähr so gut wie ein Ski-Weltcup im Sommer. Co-Creation zur KI-Entwicklung ist nicht nur ein schicker Begriff aus der KI-Beratung von KI-Alpin, sondern die einzige Methode, die in dieser neuen Welt tatsächlich funktioniert.

Warum? Weil KI-Entwicklung fundamental anders tickt als klassische Software. Bei einer CRM-Integration weiß ich: Input A führt zu Output B. Bei KI-Assistants gilt: Input A kann zu Output B, C oder manchmal auch Z führen – je nach Kontext, Trainingsdaten und Mondphase. Österreichische Unternehmen müssen hier umdenken, und zwar radikal.

Das Problem: Wasserfallmodelle treffen auf KI-Unberechenbarkeit

Ein mittelständisches Produktionsunternehmen aus der Region wollte einen KI-Assistanten für die Kundenbetreuung. Klassisches Vorgehen: Requirements Workshop, Spezifikation schreiben, entwickeln lassen, testen, abnahmen. Budget: 45.000 Euro, Zeitrahmen: acht Monate. Nach sechs Monaten das böse Erwachen – der Assistent konnte zwar die definierten Fragen beantworten, aber sobald Kunden auch nur minimal von der Spezifikation abwichen, kam Müll raus.

Das ist kein Entwicklerfehler, das ist System-inhärent. KI-Outputs sind unvorhersagbar, auch wenn die Inputs definiert sind. Der Mythos der "perfekten Spezifikation" funktioniert hier etwa so gut wie die Idee, den Wiener Opernball per Zoom abzuhalten. Es geht nicht um perfekte Dokumentation, sondern um iterative Annäherung an das Optimum.

Die Microsoft 365-Realität macht's noch komplizierter. SharePoint-Strukturen aus den 2010ern, Teams als Datengrab, Exchange-Archive mit mäßiger Indexierung. Dazu GDPR-Compliance, die von Tag eins stimmen muss – nicht "kümmern wir uns später drum". Und wenn dann noch der Betriebsrat mitredet (was vollkommen legitim ist), wird aus dem Acht-Monats-Projekt schnell ein Zweijahres-Marathon.

Co-Creation als einzig sinnvoller Weg

Co-Creation bei KI bedeutet nicht, alle Stakeholder in einen Workshop zu stecken und zu hoffen, dass dabei Magie entsteht. Es bedeutet partizipative Entwicklung – Endnutzer arbeiten direkt mit dem System, geben Feedback, das System lernt, verbessert sich, nächste Iteration. Klingt banal, ist aber das Gegenteil von dem, was die meisten Unternehmen gewohnt sind.

Context-Engineering ist dabei die Schlüsseldisziplin. Nicht "Wie kriegen wir alle Daten in den Prompt?", sondern "Welche Information braucht der Assistent wirklich, um diese spezifische Frage sinnvoll zu beantworten?". Strategische Frageintelligenz statt "Chat with your data"-Fantasien.

Bei einem Beratungsunternehmen haben wir das praktisch umgesetzt: Statt eines großen KI-Projekts drei kleine Assistants parallel entwickelt. Jeder mit begrenztem Scope, jeder mit direktem Nutzerfeedback, Budget pro Assistant: 3.500 Euro. Nach sechs Wochen waren alle drei produktiv im Einsatz. Der Return on Investment war messbar, die Nutzer zufrieden, und das Management bekam ein Gefühl dafür, was KI kann und was nicht.

30-90 Tage Roadmaps: So geht's praktisch

Die ersten 30 Tage sind Discovery und Quick Wins. Interne Datenquellen identifizieren – nicht alle, sondern die besten. Ein SharePoint mit strukturierten Dokumenten bringt mehr als zehn unorganisierte Netzlaufwerke. Erste Assistants mit sehr begrenztem Scope aufsetzen. Risikomanagement von Anfang an: Was passiert bei Halluzinationen? Wie loggen wir Outputs? Wer ist verantwortlich wenn's schiefgeht?

Tage 30 bis 60 sind iterative Expansion. User Feedback nicht nur sammeln, sondern systematisch einbauen. Das heißt: Prompts anpassen, Context erweitern, Edge Cases behandeln. Deployment-Strategien entwickeln, die österreichische Compliance-Anforderungen ernst nehmen. Tool-agnostisch arbeiten – manchmal ist n8n die richtige Lösung, manchmal Make, manchmal braucht's LangChain für komplexere Logik. Die Lösung folgt dem Problem, nicht umgekehrt.

Die letzten 30 Tage sind Scaling und Governance. Lessons Learned dokumentieren – was hat funktioniert, was nicht, warum? Rollout-Strategie für weitere Bereiche entwickeln. Wartung und Weiterentwicklung planen, denn KI-Systeme brauchen kontinuierliche Betreuung.

Realitätscheck: Wo's garantiert schiefgeht

Das "Der KI-Assistent kann eh alles"-Syndrom kenne ich aus praktisch jedem Erstgespräch. Spoiler: Kann er nicht. KI-Assistants sind brillant in spezifischen Anwendungsfällen und katastrophal, wenn sie außerhalb ihres Kompetenzbereichs agieren müssen. Scope-Creep ist bei KI-Projekten tödlicher als bei klassischen IT-Vorhaben.

Datenschutz als Afterthought ist der zweite Klassiker. GDPR-Compliance ist kein Add-on, das man später dazukauft. Welche Daten fließen in welche Modelle? Wo werden sie gespeichert? Wer hat Zugriff? Das muss von Tag eins geklärt sein. Unsere KI-Projekte und Case Studies zeigen: Unternehmen, die Datenschutz mitdenken, sind schneller produktiv als solche, die nachträglich compliance werden müssen.

Change Management wird systematisch unterschätzt. Ein KI-Assistent verändert Arbeitsabläufe. Menschen müssen neue Fragen stellen lernen, andere Workflows entwickeln, Vertrauen in die Technologie aufbauen. Das braucht Zeit, Schulungen und Geduld. Budgetieren Sie dafür mindestens 30% der Gesamtkosten.

Wissenschaft vs. Marketing-Hype

Die Forschung zur partizipativen KI-Entwicklung ist noch jung, aber die ersten Erkenntnisse sind eindeutig: Co-Creation-Ansätze führen zu besseren, nutzerfreundlicheren und nachhaltigeren KI-Lösungen. Eine aktuelle Studie der NIH zeigt, dass partizipativ entwickelte KI-Anwendungen eine 40% höhere Nutzerakzeptanz haben als traditionell entwickelte Systeme.

Gleichzeitig ist vorsichtige Quellenkritik angebracht. Die meisten Case Studies stammen aus dem US-amerikanischen Umfeld und lassen sich nicht eins zu eins auf österreichische Verhältnisse übertragen. Regulatory-Umfeld, Unternehmenskultur, Datenschutzverständnis – alles anders. Was bei einem Silicon Valley Startup funktioniert, kann bei einem Familienunternehmen aus Oberösterreich komplett floppen.

Prompt Engineering als Disziplin wird oft überhyped. Ja, gute Prompts sind wichtig. Nein, sie sind keine Magie. Es ist Handwerk: verstehen was das Modell kann, strukturierte Inputs geben, Outputs evaluieren, verbessern. McKinsey definiert Prompt Engineering als "practice of designing inputs for AI tools that will produce optimal outputs" – klingt banal, ist aber genau richtig.

Der österreichische Weg

Österreichische Unternehmen haben Vorteile, die sie ausspielen sollten. Sorgfältigkeit, Gründlichkeit, langfristige Perspektive – alles Eigenschaften, die bei KI-Projekten Gold wert sind. Der amerikanische "Move fast and break things"-Ansatz funktioniert hier nicht, weil broken things in regulierten Industrien teuer werden.

Dazu kommt: Österreichische Unternehmen sind überschaubar. Entscheidungswege sind kürzer, Abstimmungsrunden schlanker. Das ermöglicht echte Co-Creation, weil die relevanten Personen tatsächlich am Tisch sitzen können. Bei einem internationalen Konzern mit zehn Zeitzone und fünfzehn Stakeholder-Ebenen wird participative Entwicklung zur Unmöglichkeit.

Mein Fazit nach hunderten Gesprächen: Co-Creation ist kein Nice-to-have, sondern die einzige Methode, die bei KI-Projekten verlässlich funktioniert. Klassische Projektmethoden versagen, weil sie von vorhersagbaren Ergebnissen ausgehen. KI ist unvorhersagbar – und das ist gut so, weil es Flexibilität und Kreativität ermöglicht.

Konkrete nächste Schritte für österreichische Unternehmen: Klein anfangen, schnell lernen, systematisch skalieren. Budget realistisch einschätzen – zwischen 2.000 und 8.000 Euro für den ersten Assistant sind meist ausreichend. Datenschutz von Anfang an mitdenken. Und: externen Partner wählen, der Co-Creation versteht und umsetzt, statt nur darüber redet.

Die KI-Revolution findet statt – österreichische Unternehmen können dabei Gewinner sein, wenn sie ihre Stärken ausspielen und ihre Schwächen ehrlich angehen. Simon Micheler, CEO von KI-Alpin, berät Sie gerne bei der Entwicklung Ihrer individuellen KI-Strategie.

Über den Autor

Simon Micheler ist Gründer und Innovationsmanager im Bereich Künstliche Intelligenz. Als CEO von KI-Alpin unterstützt er Unternehmen bei der Implementierung moderner KI-Lösungen. Er hat Medien- und Kommunikationswissenschaften an der Universität Wien studiert und ein spezialisiertes Programm für Künstliche Intelligenz an der Universität Oxford absolviert. Mit seiner Erfahrung in Marketing, Produktentwicklung und Unternehmensstrategie kombiniert er technologische Expertise mit einem klaren Fokus auf gesellschaftlichen Mehrwert."