Die KI-Champion-Illusion

Herzlich Willkommen zu den AI FIRST Insights! KI-Champions gehören zu den beliebtesten Bausteinen in KI-Adoptionsprogrammen.

Die Idee ist naheliegend: Man sucht motivierte Menschen aus den Fachbereichen, macht sie fit im Umgang mit KI und gibt ihnen die Aufgabe, das Thema in ihre Teams zu tragen. Diese Menschen kennen die Prozesse, sprechen die Sprache ihrer Kolleginnen und Kollegen und können viel näher an echten Anwendungsfällen arbeiten als ein zentrales Projektteam.

Auf der Folie sieht das nach einem starken Hebel aus: eine große Community, viel Begeisterung, erste Use Cases, positive Beispiele aus den Teams und Menschen, die KI in die Breite tragen und eine große Entlastung für die IT oder das KI-Team.

In der Realität kickt irgendwann der Alltag rein.

Die Menschen haben weiterhin ihren eigentlichen Job. Die Zeit für KI-Aufgaben wird auf andere Projekte geschoben. Die Rolle bleibt unscharf. Es gibt viel Motivation, aber wenig klares Mandat. Und nach ein paar Monaten tragen oft nur noch wenige Personen wirklich dazu bei, dass die Organisation besser mit KI arbeitet.

Das ist die KI-Champion-Illusion.

Heute zeige ich dir, warum diese Rolle so oft versandet, was wir bei AI FIRST selbst daran lernen mussten und wie wir aus dem eher weichen Multiplikatoren-Modell ein deutlich klareres KI-Enabler-Modell gemacht haben.

Los geht’s!

Die Kluft zwischen Theorie und Wirklichkeit

Vorab: Ich finde die Grundidee hinter KI-Champions weiterhin richtig.

KI-Adoption lässt sich nicht rein zentral steuern. Ein kleines Projektteam kann keine 20 Fachbereiche gleichzeitig verstehen. Es kennt nicht jede wiederkehrende Aufgabe, jede informelle Abkürzung, jedes Datenproblem und jede kleine Reibung im Alltag. Zentralisierte Ansätze enden fast immer in selektiven Use Cases, die als Projekte gesteuert werden und viele Monate für die Umsetzung benötigen. Einer der größten Vorteile von (generativer) KI ist jedoch, dass sie extrem niedrigschwellig zugänglich und gleichzeitig sehr wirkungsvoll ist. Ich bin der Meinung, dass wir dieses Potenzial allen Menschen im Unternehmen zugänglich machen müssen, damit Probleme selbstständig gelöst werden können.

Das ist ein großer Veränderungsprozess, der nicht nur Jubelschreie erzeugt. Deshalb suchen viele Unternehmen Menschen in der Organisation, die nah an der Arbeit sitzen, Lust auf KI haben und die Technologie in die Breite tragen sollen.

Soweit die Theorie.

Nach außen wird dann meistens ungefähr diese Geschichte erzählt:

Wir bauen eine große Community aus KI-Champions, AI Ambassadors oder Power Usern auf.
Diese Menschen kommen aus unterschiedlichen Fachbereichen und bringen KI näher an echte Aufgaben.
Sie bekommen zusätzliches Training, lernen die internen Tools besser kennen und sammeln erste Use Cases.
Sie zeigen positive Beispiele in ihren Teams und nehmen anderen Mitarbeitenden die Scheu.
Sie geben Feedback an das zentrale Projektteam und helfen dabei, KI-Adoption in die Breite zu bringen.

Das klingt erstmal sehr plausibel und ist auch nicht falsch.

Die besten Anwendungsfälle entstehen oft dort, wo Menschen ihre eigene Arbeit sehr gut kennen und gleichzeitig verstanden haben, was KI heute leisten kann. Genau deshalb braucht KI-Adoption dezentrale Multiplikatoren, die nah an echten Prozessen sitzen.

Aber: Was hinter den Kulissen passiert, sieht oft so aus:

Die Initiative startet mit viel Energie, weil KI neu ist und das Training direkt greifbare Ergebnisse erzeugt.
Nach der Qualifizierung kommt der normale Arbeitsalltag zurück.
Zeit für KI-Aufgaben wird auf Kundenprojekte, interne Deadlines oder operative Engpässe geschoben.
Das Mandat bleibt unklar: Sollen Champions schulen, Use Cases sammeln, Lösungen bauen, Support leisten, Feedback geben oder Prozesse verändern?
Führungskräfte unterstützen das Programm grundsätzlich, räumen aber nicht immer wirklich Zeit und Priorität frei.
Die motivierte Gruppe versandet nach 3-6 Monaten allmählich und konkrete Ergebnisse bleiben aus.

Das Problem sind selten die Menschen.

Die Erwartung an diese Gruppen ist häufig zu groß und das Setup gleichzeitig zu weich. Nach außen steht dann eine starke Community-Folie und ein Teams-Kanal. In der Praxis tragen Menschen mit begrenzter Zeit, begrenzten technischen Möglichkeiten (keine Tools, kein Budget, kein IT-Support) und einem unklaren Auftrag plötzlich Erwartungen, die sie gar nicht erfüllen können.

Für echte Adoption reicht das nicht. Das Ziel ist ja nicht, ein paar Power User noch besser zu machen. Das Ziel ist, dass KI in die Breite der Organisation kommt und dort konkrete Arbeit verändert.

Was wir bei AI FIRST daraus gelernt haben

Seit 2024 bauen wir als Teil unseres Enablement-Programms Communities aus KI-Multiplikatoren bei unseren Kunden auf und haben in dieser Zeit über 300 Multiplikatoren ausgebildet. Anfangs sind wir in diese Multiplikatoren-Programme einer Annahme gestartet, die ich heute deutlich differenzierter sehe.

Unsere Logik war: Wenn wir die richtigen Menschen auswählen, intensiv trainieren und eng mit ihnen im Finden und Umsetzen der Use Cases zusammenarbeiten, entsteht daraus automatisch ein Hebel für die Organisation.

Rückblickend war das etwas naiv.

Im Sommer 2024 haben wir zum Beispiel eine KI-Gruppe aufgebaut, die wir damals noch KI-Champions genannt haben: 25 Personen in einem Unternehmen mit ungefähr 250 Mitarbeitenden.

Eine Person hatte nach drei Monaten große Teile des eigenen Jobs automatisiert und viele wiederkehrende Aufgaben aus dem Team in Agenten und Workflows überführt. Diese Lösungen wurden anschließend nicht nur von der Person selbst genutzt, sondern vom ganzen Team. In nur drei Monaten konnte diese Person die Leistungsfähigkeit des gesamten Teams deutlich steigern. Genau das ist der Hebel, wenn Menschen ihre Prozesse und Probleme kennen, KI verstehen und anwenden können und motiviert in die Umsetzung gehen.

Andere Kollegen in dieser Gruppe sind motiviert gestartet, hatten am ersten Training teilgenommen und sind danach kaum noch aufgetaucht, weil sie in andere Projekte gezogen wurden oder gemerkt haben, dass sie die Kapazität für die Rolle nicht haben. Dazwischen gab es alle möglichen Varianten.

Der Unterschied in der Wirkung der Multiplikatoren kam nicht durch die Trainings (die waren alle gleich) oder die gefundenen Use Cases, sondern primär durch die Rückendeckung der Führungskraft. Im 1. Beispiel hatte die Führungskraft des Mitarbeiters einen Tag pro Woche für die KI-Aufgaben geblockt und die Ziele sehr explizit gemacht und nachgehalten. In anderen Beispielen, war genau das nicht der Fall.

Der Unterschied in der Wirkung lag in den Rahmenbedingungen:

Wie klar war die Rolle?
Wie viel Zeit war wirklich verfügbar?
Wie stark stand die Führungskraft dahinter?
Und war überhaupt klar, woran man nach einigen Wochen erkennt, ob diese Rolle funktioniert?

Über die nächsten Monate wurde die Gruppe kleiner. Es kamen weniger Menschen in die Termine, einige Use Cases liefen weiter, andere blieben liegen. Irgendwann mussten wir intervenieren und im Nachgang sehr ehrlich feststellen: Auf Führungsseite und auf Champion-Seite war zu wenig klar, welches Mandat diese Rolle eigentlich hat und wie sie im Alltag gelebt werden soll.

Ich habe aus diesem Prozess meine Lehren gezogen.

Eine Multiplikatorengruppe kann Aufmerksamkeit erzeugen. Sie kann Beispiele sichtbar machen. Sie kann den Einstieg erleichtern. Aber wenn KI-Adoption wirklich in den Arbeitsalltag kommen soll, reicht das nicht.

Dann braucht die Rolle klare Aufgaben, verbindliche Zeit, Rückendeckung durch die Führungskraft und ein konkretes Ziel.

Wie wir KI-Multiplikatoren heute aufsetzen

Der erste sichtbare Schritt war tatsächlich der Name.

Begriffe wie Champion, Ambassador oder Botschafter klingen positiv, bleiben aber unscharf. Ein Champion kann jemand sein, der begeistert ist. Ein Ambassador kann das Thema vertreten. Ein Power User kann das Tool sehr gut bedienen.

Keiner dieser Begriffe sagt klar, welche Aufgabe diese Person im Arbeitsalltag übernimmt.

Deshalb sprechen wir heute von KI-Enablern.

Diese Menschen sollen andere befähigen. Sie sollen KI nicht nur selbst gut nutzen, sondern ihrem Bereich helfen, konkrete Probleme mit KI zu lösen.

Dafür haben wir vier Dinge verändert.

1. Die Rolle braucht ein verbindliches Mandat.

Heute braucht ein KI-Enabler bei uns ein klares Zeitbudget (min. 4 Stunden / Woche), das über einen Commitment Letter mit der Führungskraft freigegeben wird. Der Commitment Letter muss beidseitig unterschrieben werden. Genau dort entscheidet sich, ob die Rolle wirklich Priorität bekommt oder beim ersten operativen Engpass wieder verschwindet.

Außerdem definieren wir ein klares Deliverables: 1 Quick Win pro Monat.

Das kann ein Skill, Agent oder Workflow sein. Der Punkt ist nicht die technische Komplexität. Der Punkt ist, dass ein Output entsteht, der das Ergebnis des jeweiligen Teams verbessert.

2. Die Auswahl muss über Begeisterung hinausgehen.

Früher haben wir Multiplikatoren meist basierend auf Interesse und Motivation ausgewählt. Heute ist Begeisterung nur ein Teil des Profils.

Ein guter KI-Enabler muss nah an relevanten Aufgaben sitzen, digital stark arbeiten, Prozesse beschreiben können und genug Vertrauen im Team haben, damit andere mitgehen.

Wir schauen deshalb auf persönliche und organisatorische Kriterien:

Arbeitet die Person sicher mit digitalen Tools?
Nutzt sie KI bereits oder bringt sie eine hohe Lernbereitschaft mit?
Sitzt sie nah an wiederkehrenden Aufgaben mit echtem KI-Potenzial?
Können ihre Use Cases später auch anderen helfen?
Unterstützt die Führungskraft die Rolle sichtbar?
Gibt es ein verbindliches Zeitbudget?
Darf die Person Dinge testen, verändern und ins Team tragen?

Eine Bewerbungsfrage finde ich besonders hilfreich: Welches konkrete Problem in deinem Team oder Fachbereich würdest du gerne mit KI lösen?

An der Antwort merkt man sehr schnell, ob jemand ein gutes Gespür für die Produktivitätshebel im Team hat oder nur schneller E-Mails schreiben will.

3. Enabler benötigen Umsetzungskompetenz.

Auch ein gut ausgewählter KI-Enabler funktioniert nicht automatisch.

Die Rolle braucht umfassende Kompetenzen. Deshalb führen wir heute ein sechsstufiges Training durch:

Grundlagen zu KI und LLMs
Prompt & Kontext Engineering
AI-First Routinen “KI nutzen, um KI besser zu nutzen”
Skills aus SOPs erstellen
Agenten mit Skills, Kontext und Tools arbeiten lassen
Workflows aus Prozess-Schritten und Agenten aufbauen

Danach lernen unsere KI-Enabler aus echter Arbeit gute Use Cases abzuleiten:

Probleme erkennen
Cases beschreiben
Qualifizieren, bewerten, priorisieren

Anschließend nutzen wir Hackathon-Formate, um die erarbeiteten Ideen in die Umsetzung zu bringen. Dort wenden die Enabler das Gelernte auf die gefundenen Cases an. Sie bauen erste Lösungen, testen sie an echter Arbeit und lernen, wie sie mit Feedback aus dem Team iterieren können. Aus einem Training wird dadurch sehr schnell ein Arbeitsmodus.

Dieser Prozess erfordert 20-40 Stunden Zeitinvest pro KI-Enabler und erstreckt sich über 8 Wochen. Anschließend steht robuste KI-Kompetenz und mindestens ein relevanter Use Case pro Person.

4. Aus der Community muss ein Umsetzungssystem werden.

Damit die Energie nicht nach dem 1. Hackathon wieder verpufft, braucht die Rolle einen klaren Prozess. Sonst landet man schnell wieder bei losen Ideen und spontanen Beispielen von den Power Usern, die das auch schon vorher eingebracht haben.

Deshalb arbeiten wir heute mit einem zentralen Use-Case-Prozess: Ideen werden dokumentiert, qualifiziert und priorisiert. Quick Wins, die auf der internen KI-Plattform umgesetzt werden können (zB ein Skill für die Erstellung eines Berichts), werden dann gezielt an KI-Enabler mit einer definierten Timeline gegeben.

Damit verändert sich der Arbeitsmodus der KI-Enabler von “wenn mich jemand was zu KI fragt, helfe ich gerne” zu:

Wiederkehrende Aufgaben und Probleme identifizieren
Use Cases so beschreiben, dass Ziel, Nutzer, Input, Ablauf, Output und Nutzen klar sind
Prototypen aufsetzen und im Team teilen
Feedback einsammeln und einarbeiten
Learnings dokumentieren
Neue Ideen und Hürden in ein gemeinsames Backlog zurückspielen

Wichtig ist danach die Frequenz.

KI-Enabler brauchen ein gemeinsames Update-Meeting mit dem verantwortlichen KI-Team, in dem Fortschritt, Hürden und nächste Cases besprochen werden. Der Anspruch ist nicht, einmal ein gutes Beispiel zu bauen und dann wieder im Alltag zu verschwinden. Jeden Monat soll mindestens ein weiterer Use Case in die Umsetzung kommen oder ein bestehender Case spürbar verbessert werden. Dieser Prozess muss natürlich von der IT unterstützt werden, wenn zB Schnittstellen freigegeben werden müssen oder technischer Support benötigt wird.

Wer das Mandat explizit macht, die richtigen Leute findet, diese umfassend ausbildet und ein System für fortlaufende Umsetzung von Quick Wins und dem Feedback-Loop zu den Anwendern baut, wird echte Geschwindigkeit in die KI-Adoption bringen.

Bei fortgeschritteneren Kunden erleben wir, dass sich die KI-Enabler Rolle mit der Zeit weiterentwickelt und stärker institutionalisiert wird. Ist der Mehrwert einmal bewiesen, können einzelne KI-Enabler auch in eine Vollzeit-Rolle wechseln, um die KI-Adoption des Fachbereichs zu beschleunigen.

Fazit

Die KI-Champion-Illusion entsteht, wenn Unternehmen eine wichtige Rolle zu weich aufsetzen.

Die Idee dahinter bleibt richtig: KI-Adoption braucht Menschen in den Fachbereichen. Menschen, die Prozesse kennen, Beispiele bauen, Vertrauen schaffen und Feedback zurückspielen.

Aber diese Menschen brauchen mehr als ein Label.

Was du aus diesem Artikel mitnehmen kannst:

Begeisterung ist ein guter Startpunkt, aber kein Mandat. Wer KI in den Fachbereich tragen soll, braucht Zeit, Rückhalt und klare Ziele.
Die Erwartung muss fair bleiben. KI-Enabler können Umsetzung in ihrem Bereich ermöglichen, aber sie tragen nicht die gesamte Transformation allein.
Kompetenzaufbau muss in Umsetzung führen. Training ist wichtig, aber erst durch echte Use Cases, Hackathon-Formate und Team-Feedback entsteht ein neuer Arbeitsmodus.
Adoption entsteht durch ein System. Ideen dokumentieren, Use Cases qualifizieren, kleine Lösungen bauen, Ergebnisse zeigen, Feedback einholen, iterieren und dadurch jeden Monat den nächsten Case in die Umsetzung bringen.

Wenn wir euch dabei unterstützen sollen, eine interne Gruppe aus KI-Enablern aufzubauen, antworte einfach auf diesen Newsletter.

Im nächsten Teil des AI FIRST Adoption Playbooks geht es dann um das Alibi-Training und die Frage, wie wirksame KI-Kompetenz im Unternehmen aufgebaut wird.

Bis nächsten Sonntag,

Felix

P.S. Ich hatte in den letzten Ausgaben eine falsche “reply to” Mail im Newsletter. Ab sofort gehen die Mails wieder durch und ich lese und beantworte jede einzelne davon!