Vom Pilotprojekt bis zur Serienreife: Die Führungskräfte einstellen, die KI in die Praxis umsetzen

Wenn man fast jedes große Unternehmen betritt, stößt man auf eine ganze Reihe beeindruckender KI-Pilotprojekte. Kehrt man ein Jahr später zurück, werden die meisten davon immer noch Pilotprojekte sein. Ein Modell zu entwickeln, das in einer Demo funktioniert, ist die einfachere Hälfte der Unternehmens-KI. Die schwierigere Hälfte besteht darin, es in die Produktion zu bringen, den Betrieb aufrechtzuerhalten und die Menschen davon zu überzeugen, es zu nutzen – und genau hier geht der größte Teil des Wertes verloren. Die Führungskräfte, die dazu in der Lage sind, haben ein anderes Profil als diejenigen, die Demos entwickeln, und genau an solchen Fachkräften mangelt es den meisten Unternehmen im Jahr 2026.

Die wichtigsten Erkenntnisse

• Der größte Teil des Nutzens von KI in Unternehmen geht in der Lücke zwischen einem funktionierenden Pilotprojekt und einem implementierten, überwachten und bewährten System verloren.
• Die Umsetzung von KI ist ebenso sehr eine organisatorische wie eine technische Herausforderung: Integration, Überwachung, Veränderungsmanagement und Akzeptanz.
• Der Führungskraft, die den beeindruckendsten Prototyp entwickelt, ist oft nicht diejenige, die ihn auf den Markt bringen und weiterführen kann; daher führt ein Einstellungsprozess, der den Prototyp in den Vordergrund stellt, dazu, dass die falschen Kompetenzen ausgewählt werden.
• In regulierten Bereichen bedeutet Produktion auch Nachvollziehbarkeit: langfristig überwacht, dokumentiert und gesteuert.
• 88 % der Unternehmen, die an der McKinsey-Umfrage von 2025 teilgenommen haben, setzen KI ein, doch nur 7 % geben an, dass diese unternehmensweit vollständig eingeführt wurde (McKinsey, Dezember 2025).
• Achten Sie eher auf eine Erfolgsbilanz von Systemen, die die Serienreife erreicht haben und dort geblieben sind, als auf den ausgeklügeltsten Proof-of-Concept.

Warum Piloten ins Trudeln geraten

Die meisten Pilotenprojekte scheitern eher aus organisatorischen als aus technischen Gründen. Die Datenpipeline, die bei einer sorgfältig zusammengestellten Stichprobe funktionierte, versagt bei Live-Daten. Niemand ist für die Überwachung zuständig, sodass schleichende Abweichungen unbemerkt bleiben. Der Workflow, den das Modell eigentlich unterstützen sollte, hat sich nie wirklich geändert, sodass Ärzte oder Analysten Umwege gehen. Das sind keine Forschungsprobleme. Es handelt sich um betriebliche und menschliche Probleme – und genau deshalb betrachtet eine Führungskraft, die es wert ist, eingestellt zu werden, die Bereitstellung, Überwachung und Akzeptanz als den Kern der Arbeit und nicht als etwas, das erst nach der Erstellung des Modells geregelt werden muss.

In den meisten Unternehmen gibt es mehr KI-Pilotprojekte als KI-Systeme, die im täglichen Betrieb eingesetzt werden. Die Kluft zwischen beiden stellt ein betriebliches Problem dar.

Was die Fakten über Piloten mit stagnierender Karriere aussagen

Die Lücke ist messbar. Eine weltweite Umfrage von McKinsey aus dem Jahr 2025 ergab, dass 88 % der befragten Unternehmen KI einsetzen, aber nur 7 % angaben, dass diese unternehmensweit vollständig skaliert worden sei (McKinsey, Dezember 2025). Zwei Jahre zuvor prognostizierte Gartner, dass bis Ende 2025 mindestens 30 % der Projekte im Bereich generativer KI nach der Konzeptvalidierung aufgegeben würden, und nannte dafür vier Gründe: schlechte Datenqualität, unzureichende Risikokontrollen, eskalierende Kosten und unklarer geschäftlicher Nutzen (Gartner, 29. Juli 2024).

Keiner dieser vier Gründe lässt sich durch ein besseres Modell lösen. Die Datenqualität ist ein technisches Problem und eine Frage der Verantwortung. Risikokontrollen sind ein Problem der Unternehmensführung. Die Kosten sind ein Problem der Architektur und des Lieferantenmanagements. Unklarer Nutzen ist ein Problem der Auswahl des richtigen Anwendungsfalls und dessen ehrlicher Messung. Jeder dieser Punkte lässt sich einer Führungskompetenz zuordnen, und ein Einstellungsverfahren, das ausschließlich Modellierungsfähigkeiten prüft, wird alle vier Aspekte außer Acht lassen.

Das mitgelieferte Profil

Die Führungskraft, die Systeme in die Produktion bringt, hat in der Regel einen anderen Hintergrund als der Forscher. Sie ist mit Change Management und dem Vertrauen der Stakeholder ebenso vertraut wie mit der Architektur. Sie konzipiert Systeme von Anfang an so, dass sie überwacht werden können. Im Gesundheitswesen und in den Biowissenschaften weiß er zudem, dass ein System im Produktivbetrieb vertretbar sein muss: dokumentiert, überwacht und in der Lage, die Anforderungen der klinischen Governance sowie des EU-KI-Gesetzes zu erfüllen. Dies ist das Profil des „Builders and Stewards“, das wir beim Aufbau eines Führungsteams für KI im Gesundheitswesen beschrieben haben und auf das wir in unserem Einstellungsausblick für 2026 zurückgekommen sind: technisch glaubwürdig, aber eher wegen Urteilsvermögen und Durchsetzungskraft geschätzt als wegen Neuartigkeit.

Was „Produktion“ in einem regulierten Umfeld bedeutet

Im Gesundheitswesen und in den Biowissenschaften ist die Inbetriebnahme eines Systems der Beginn einer Reihe formeller Pflichten. Gemäß dem EU-KI-Gesetz müssen Anbieter von KI-Systemen mit hohem Risiko ein System zur Überwachung nach dem Inverkehrbringen betreiben, das die Leistung des Systems kontinuierlich verfolgt (Artikel 72), und die Betreiber müssen den Betrieb überwachen und die automatisch generierten Protokolle mindestens sechs Monate lang aufbewahren (Artikel 26) (Verordnung (EU) 2024/1689). Aktualisierung, September 2026: Die Anwendungsfristen für diese Verpflichtungen wurden auf Dezember 2027 und August 2028 verschoben, wie wir in unserer Analyse der Verzögerung erläutert haben; die Systeme, die jetzt in Betrieb genommen werden, sind jedoch diejenigen, die diese Anforderungen erfüllen müssen.

In den USA ermöglicht die endgültige Leitlinie der FDA zu vorab festgelegten Änderungskontrollplänen einem Hersteller eines KI-gestützten Medizinprodukts, geplante Änderungen – wie beispielsweise ein erneutes Training – vorzunehmen, ohne für jede Änderung einen neuen Zulassungsantrag einreichen zu müssen, sofern der Plan im Voraus festgelegt wurde (FDA, endgültige Leitlinie, August 2025). In der Praxis bedeutet dies, dass das Umtrainieren und Modellaktualisierungen bereits vor der Markteinführung konzipiert werden müssen. Ein Verantwortlicher, der die Überwachung und die Änderungskontrolle als Nebensache betrachtet, wird das Modell entweder einfrieren oder jedes Mal, wenn es verbessert werden muss, einen neuen Zulassungsantrag auslösen.

Warum dieses Profil rar und unterbezahlt ist

Der Markt neigt nach wie vor dazu, den bekanntesten Entwicklern die höchsten Prämien zu zahlen. Diejenigen, die Systeme in Betrieb nehmen und am Laufen halten, werden oft schlechter bezahlt, als es ihre Leistung rechtfertigen würde. Das Gleiche haben wir bereits im Zusammenhang mit dem Fachkräftemangel angemerkt: Es gibt mehr Menschen, die Modelle entwickeln können, als solche, die sie auch implementieren können. Ein Käufer, der weiß, wie man die zweite Gruppe auswählt, kann gute Mitarbeiter einstellen, ohne die Spitzengehälter des Marktes zahlen zu müssen.

So stellen Sie Mitarbeiter für die Produktion ein

Ändern Sie, worauf Sie prüfen. Anstatt den Prototyp zu bewundern, fragen Sie, was der Kandidat in die Produktion gebracht hat, was dabei schiefgelaufen ist, wie er das System überwacht hat und wie es ein Jahr später um die Akzeptanz stand. Haken Sie bei der weniger glamourösen Arbeit nach: Integration, Drift-Überwachung, Umschulung, die politischen Aspekte bei der Änderung eines Arbeitsablaufs. Ein reines technisches Screening allein wird diese Art von Einschätzung nicht zutage fördern. Sie ergibt sich aus strukturierten Referenzgesprächen mit den Personen, die mit dem Kandidaten zusammengearbeitet haben – genau so wird dies bei der Suche nach Führungskräften bewertet. Unser Leitfaden zur Einstellung von Führungskräften im Bereich Daten behandelt diese Fragen ausführlicher.

Woher kommen Führungskräfte in der Produktion?

Führungskräfte im Bereich der Produktion sind oft außerhalb der Kreise zu finden, in denen die Suche üblicherweise beginnt. Forschungslabore und die KI-Teams großer Technologieunternehmen bringen hervorragende Modellentwickler hervor, doch ihre Infrastruktur ist so ausgereift, dass viele ihrer Mitarbeiter noch nie selbst Überwachungs-, Integrations- oder Änderungskontrollsysteme aufbauen mussten. Die Kandidaten, die diese Aufgaben bereits übernommen haben, stammen in der Regel aus vier anderen Bereichen.

Der erste Bereich ist das Plattform- und Machine-Learning-Operations-Engineering im Bereich regulierter Software, wo Bereitstellung, Prüfpfade und Rollbacks zum Aufgabenbereich gehören. Der zweite Bereich ist die klinische Informatik, in der Menschen jahrelang daran gearbeitet haben, Software bei Klinikern durchzusetzen, die allen Grund hatten, sich dagegen zu wehren. Der dritte Bereich sind Medizintechnik- und Diagnostikunternehmen, in denen die Qualitäts- und Regulierungsteams Ingenieure umfassen, die sich sowohl mit Validierung als auch mit maschinellem Lernen auskennen. Der vierte Bereich ist die digitale Betriebsführung großer Gesundheitssysteme und Pharmaunternehmen, wo jemand dafür sorgen musste, dass Dutzende von Anbieter-Tools innerhalb einer laufenden Organisation reibungslos funktionieren.

Keiner dieser Hintergründe garantiert, dass man die richtige Person findet, und jeder weist Lücken auf. Ein Leiter im Bereich klinische Informatik benötigt möglicherweise Unterstützung bei der Modellarchitektur; ein Plattformingenieur benötigt möglicherweise Unterstützung bei der klinischen Governance. In der Stellenbeschreibung sollte angegeben werden, welche Lücken die Organisation im Zusammenhang mit der Einstellung schließen kann und welche nicht, da dies darüber entscheidet, in welchem Kandidatenpool zuerst gesucht werden sollte.

Was gehört in das Briefing?

Formulieren Sie die Ausschreibung anhand der nach zwölf Monaten zu erzielenden Ergebnisse und nicht als Auflistung von Technologien. Nennen Sie die zwei oder drei Systeme, die bis dahin im täglichen Einsatz sein sollten, geben Sie an, wer sie nutzen soll und wie die Leistung überwacht und dokumentiert wird. Legen Sie fest, wer für das Budget für die Integration und das Änderungsmanagement verantwortlich ist. Ein Bewerber, der diese Ausschreibung liest, wird erkennen, ob es der Organisation ernst mit der Produktivität ist, und die besten Kandidaten werden dazu präzisere Fragen stellen als zum Gehalt.

Es ist hilfreich, genau zu definieren, worüber die Organisation bereits verfügt. Wenn es ein starkes Datenplattform-Team gibt, kann der Schwerpunkt bei der Neueinstellung auf der Einführung und Steuerung liegen. Ist die Datenplattform hingegen noch nicht ausgereift, wird das erste Jahr mit Pipelines und Überwachung verbracht, und der neue Mitarbeiter muss bereits Erfahrung in diesem Bereich mitbringen.

Fragen, die die beiden Profile voneinander unterscheiden

Anhand dieser Fragen unterscheiden wir einen Produktionsleiter von einem Prototypenbauer. Die Antworten sind in der Regel konkret und etwas unangenehm, wenn der Bewerber die Arbeit tatsächlich geleistet hat.

• Welches System, dessen Entwicklung Sie geleitet haben, wird zwei Jahre nach der Einführung immer noch täglich genutzt, und wer nutzt es?
• Was war das Erste, was bei den Live-Daten ausgefallen ist, und wie hast du das herausgefunden?
• Wie haben Sie die Drift überwacht, und welcher Schwellenwert hat ein erneutes Training ausgelöst?
• Welcher Arbeitsablauf musste geändert werden, damit das System eingeführt werden konnte, und wer musste dieser Änderung zustimmen?
• Welches Projekt haben Sie eingestellt, und wie haben Sie dem Auftraggeber dies begründet?

Nach Fergal Nolans 25-jähriger Erfahrung bei der Einstellung von Führungskräften im Bereich KI ist die letzte Frage die aufschlussreichste. Führungskräfte, die bereits Systeme auf den Markt gebracht haben, haben auch Projekte eingestellt – und sie können erklären, warum, ohne dabei in die Defensive zu gehen.

Ein KI-Budget zahlt sich nur dann aus, wenn die Systeme auch tatsächlich genutzt werden. Die Führungskräfte, die ein Modell vom Pilotprojekt bis zur Serienreife begleiten und dort etablieren, sind entscheidend dafür, ob dies gelingt – und sie sind die zusätzliche Zeit wert, die es kostet, sie zu finden.

Update, August 2026: Unsere Analyse von Every Cure befasst sich mit der Teamzusammenstellung, die dafür sorgt, dass KI-Ergebnisse in die klinische Praxis Einzug halten; erfahren Sie, welche Erkenntnisse Every Cure für den Aufbau von KI-Teams im Gesundheitswesen liefert.

Fergal Nolan ist Gründer von Banba, einer auf Healthcare-KI und Life-Sciences-KI spezialisierten Personalberatungsagentur mit Niederlassungen in New York, London und Berlin. Er verfügt über mehr als 25 Jahre Erfahrung in der Personalbeschaffung, unter anderem als Gründungsmitglied von SThree / Real Staffing und als Gründer von Upstream, wo er Data-Science- und KI-Teams sowie Führungskräfte im KI-Bereich für Start-ups, Scale-ups und globale Unternehmen aufgebaut hat.