Bild wurde mit Hilfe von KI generiert
Mit der Verbreitung von AI im Arbeitsalltag vieler Unternehmen steigen nicht nur die erwarteten Produktivitäts- und Innovationspotenziale, sondern auch die Anforderungen an Transparenz, Verantwortlichkeit, Risikosteuerung und regelkonformes Handeln.
In der Praxis zeigt sich jedoch häufig eine erhebliche Diskrepanz zwischen dem, was formal auf dem Papier festegahlten ist und dem, was im Arbeitsalltag tatsächlich passiert. Diese Differenz zwischen der formal definierten AI Governance und der tatsächlich gelebten Nutzung von AI wird im Folgenden als AI Governance-Lücke bezeichnet. Sie beschreibt den Abstand zwischen organisationalen Vorgaben wie etwa Richtlinien, Rollenmodellen, Freigabeprozessen, freigegebenen Tools sowie dem konkreten Verhalten von Mitarbeitenden im Nutzungskontext. Papagiannidis et al. (2023) sprechen in diesem Zusammenhang von einem „implementation gap“, welche entsteht wenn Governance-Prinzipien zwar definiert, aber nicht operationalisiert werden.
Die zentrale Annahme lautet: Formale AI Governance-Strukturen sind eine notwendige, jedoch keine hinreichende Bedingung für einen sicheren, verantwortungsvollen und wirksamen AI-Einsatz. Quelle ?
Formale Governance und gelebte Praxis
AI Governance umfasst Prozesse, Strukturen und Verantwortlichkeiten, die fundierte Entscheidungen ermöglichen, Risiken adressieren und die skalierbare Nutzung von AI im Unternehmen unterstützen (vgl. NIST, 2023; OECD, 2023). In vielen Organisationen liegt der Schwerpunkt zunächst auf der Gestaltung eines Regelwerks. Typische Maßnahmen sind:
- die Veröffentlichung unternehmensweiter AI-Richtlinien
- die Benennung von Rollen und Verantwortlichkeiten
- die Freigabe ausgewählter Tools und Use Cases
- die Definition von Prüf-, Freigabe- und Eskalationsprozessen
Diese Maßnahmen schaffen einen formalen Orientierungsrahmen. Sie führen allerdings nicht automatisch zu einem regelkonformen Verhalten. Ob Vorgaben im Arbeitsalltag wirksam werden, hängt unter anderem davon ab, ob sie verständlich, zugänglich, situationsbezogen und praktisch umsetzbar sind (vgl. European Commission, 2025).
Richtlinien, die nicht am konkreten Nutzungsmoment anschlussfähig sind, bleiben abstrakt. Formale Zuständigkeiten entfalten nur dann Wirkung, wenn Anwender:innen wissen, wer wofür ansprechbar ist und wie Unterstützung erreicht werden kann. Ebenso deckt ein Katalog freigegebener Tools nicht zwangsläufig die gesamte tatsächliche AI-Nutzung ab (vgl. NIST, 2023).
Formale Kontrolle ist nicht mit tatsächlicher Steuerungswirksamkeit gleichzusetzen.
Charakteristika der AI Governance-Lücke
Die AI-Governance-Lücke entsteht insbesondere dort, wo die Steuerungslogik der Organisation und die Handlungslogik der Mitarbeitenden nicht ausreichend miteinander verbunden sind. Sie ist daher weniger als rein technologisches Problem zu verstehen, sondern als organisationsbezogene Umsetzungsherausforderung. Hinweise auf eine solche Lücke können sein:- Mitarbeitende können nicht zuverlässig einschätzen, welche AI-Tools oder Anwendungsfälle zulässig sind.
- Freigaben, Ansprechpartner:innen und Entscheidungswege sind nicht transparent oder nur mit hohem Aufwand auffindbar.
- Es entsteht Schatten-AI, weil vorhandene Lösungen die Anforderungen des Arbeitsalltags nicht vollständig abdecken oder nicht bekannt sind.
- Zeitdruck, Unsicherheit und unzureichendes Wissen beeinflussen die Nutzung stärker als vorhandene Vorgaben.
- Richtlinien werden nicht in konkrete, aufgabenspezifische Handlungsempfehlungen übersetzt.
- Führungskräfte, Fachbereiche und Governance-Funktionen verfügen über unterschiedliche Informations- und Reifegrade.
Bild wurde mit Hilfe von KI generiert
Zwei Perspektiven als Voraussetzung wirksamer AI Governance
Wirksame AI Governance muss zwei Perspektiven systematisch integrieren, um die Vorgaben der Entscheider:innen mit der Handlungsrealität der Anwender:innen zu verbinden und so die AI-Governance-Lücke tatsächlich zu schließen. Beide Gruppen beziehen sich auf denselben Gegenstand, bewerten ihn jedoch anhand unterschiedlicher Anforderungen (vgl. NIST, 2023).
Perspektive der Anwender:innen: Orientierung und Handlungssicherheit
Für Anwender:innen steht die konkrete Anwendungssituation im Mittelpunkt. Relevante Fragen sind beispielsweise, welche AI-Anwendungen sie für eine Aufgabe einsetzen dürfen, welche Daten verarbeitet oder eingegeben werden dürfen, welche Qualitäts- und Prüfanforderungen für Ergebnisse gelten und wo im Zweifel Unterstützung zu finden ist. Damit AI verantwortungsvoll genutzt werden kann, benötigen Mitarbeitende verständliche Leitplanken, geeignete Werkzeuge, praxisnahes Wissen und verlässliche Unterstützungsangebote (European Commission, 2025; NIST, 2023). Aus dieser Perspektive wird AI Governance vor allem dann akzeptiert, wenn sie Orientierung schafft, ohne die Arbeitsfähigkeit unnötig einzuschränken (Cabinet Office, 2025).
Perspektive der Entscheider:innen: Steuerbarkeit und Nachvollziehbarkeit
Entscheider:innen verantworten den AI-Einsatz aus strategischer, organisatorischer, regulatorischer und wirtschaftlicher Sicht. Für sie stehen unter anderem Fragen im Vordergrund, wie sich der AI-Einsatz sicher, wirtschaftlich und verantwortungsvoll steuern lässt, welche Risiken in Bezug auf Daten, Modelle, Anwendungen und Prozesse bestehen, welche regulatorischen Anforderungen relevant sind und wie Kosten, Nutzen, Zuständigkeiten und Entscheidungen transparent gemacht werden (NIST, 2023).
| Anwender:innen-Perspektive | Entscheider:innen-Perspektive |
|---|---|
| Darf ich dieses Tool für diesen Anwendungsfall nutzen? | Wer haftet bei einer Fehlnutzung? |
| Welche Daten darf ich verarbeiten oder eingeben? | Welche regulatorischen Anforderungen sind relevant? |
| Welche Qualitäts- und Prüfanforderungen gelten für Ergebnisse? | Welche Risiken bestehen in Bezug auf Daten, Modelle und Prozesse? |
| Wo erhalte ich Unterstützung bei Unsicherheit? | Wie werden Kosten, Nutzen und Zuständigkeiten transparent gemacht? |
Eine tragfähige AI Governance übersetzt diese Steuerungsanforderungen in nachvollziehbare und für Anwender:innen nutzbare Prozesse. Erst diese Übersetzung verbindet formale Anforderungen mit tatsächlichem Verhalten.
Vier Handlungsfelder zur Schließung der Lücke
Bild wurde mit Hilfe von KI generiert
Die Schließung der Lücke erfordert mehr als die Erstellung zusätzlicher Richtlinien. Sie setzt eine kontinuierliche Verbindung von Bestandsaufnahme, Risikobewertung, Beteiligung und Befähigung voraus. Ein strukturierter Ansatz kann die folgenden vier miteinander verknüpften Handlungsfelder umfassen.
1. AI Discovery: Transparenz über Bestand und Reifegrad schaffen
Zunächst sollte erfasst werden, welche Tools, Use Cases und Initiativen bereits im Unternehmen eingesetzt werden oder geplant sind. Eine solche Bestandsaufnahme schafft eine belastbare Grundlage für Priorisierung und Ressourcensteuerung. Sie macht Stärken, Lücken und potenzielle Risiken sichtbar und ermöglicht eine realistische Bewertung des organisationalen AI-Reifegrads.
2. AI Trust & Compliance: Anforderungen verständlich und anwendbar machen
Regulatorische und unternehmensinterne Anforderungen müssen in konkrete Entscheidungs- und Nutzungshilfen überführt werden. Dazu zählen beispielsweise die Bewertung von Tools und Use Cases, die Einordnung relevanter Anforderungen des EU AI Act sowie die Entwicklung unternehmensspezifischer Richtlinien. Entscheidend ist, dass Anforderungen nicht isoliert dokumentiert, sondern in den Arbeitskontext integriert werden.
3. AI Confidence: Einstellungen und Barrieren sichtbar machen
Die Einführung von AI ist auch ein Veränderungsprozess. Erwartungen, Vorbehalte und individuelle Risikowahrnehmungen beeinflussen, ob Mitarbeitende AI annehmen, vermeiden oder unkontrolliert einsetzen. Regelmäßige Erhebungen, Dialogformate und eine konsistente Kommunikation durch Führungskräfte helfen dabei, Barrieren frühzeitig zu erkennen und Vertrauen aufzubauen.
4. AI Enablement: Kompetenzen für den verantwortungsvollen Einsatz entwickeln
Kompetenzaufbau geht über eine allgemeine Tool-Einweisung hinaus. Mitarbeitende sollten die Möglichkeiten, Grenzen und Risiken von AI verstehen und auf ihre jeweiligen Aufgaben übertragen können. Rollen- und bedarfsgerechte Lernangebote fördern einen reflektierten Umgang mit AI und erhöhen die Wahrscheinlichkeit, dass Regeln auch unter Zeitdruck sicher angewendet werden.
AI Governance als fortlaufende Gestaltungsaufgabe
AI Governance lässt sich nicht einmalig einführen und dann abhaken. Sie ist eine fortlaufende Gestaltungsaufgabe, in der technische Möglichkeiten, regulatorische Anforderungen, organisatorische Prozesse und menschliches Verhalten immer wieder neu zusammengeführt werden müssen, denn Tools, Regulatorik und Nutzungsgewohnheiten verändern sich schneller, als sich Richtlinien schreiben lassen. Die AI-Governance-Lücke schließt sich dort, wo Governance im Arbeitsalltag konkret erfahrbar wird: durch verständliche Orientierung, zugängliche Unterstützung, klare Verantwortlichkeiten und die kontinuierliche Befähigung der Menschen, die AI tatsächlich einsetzen. Genau an diesem Punkt trifft die Steuerungslogik der Entscheider:innen auf die Handlungsrealität der Anwender:innen. Unternehmen, denen diese Verbindung gelingt, reduzieren nicht nur Risiko- und Compliance-Expositionen. Sie schaffen zugleich die Voraussetzung, AI transparent, wirtschaftlich und akzeptiert zu skalieren, statt sie in unkoordinierten Insellösungen wuchern zu lassen. Wirksame AI Governance reguliert nicht nur den Einsatz von AI. Sie schafft die organisatorischen und individuellen Voraussetzungen für einen sicheren und wertstiftenden Umgang mit AI. Wenn Sie die AI-Governance-Lücke schließen wollen, reicht es nicht, Regeln zu formulieren. Entscheidend ist, sie in den Arbeitsalltag zu übersetzen: Lassen Sie uns gemeinsam prüfen, wo Ihre Organisation heute steht, und daraus einen pragmatischen Fahrplan für wirksame, gelebte AI Governance ableiten. Vereinbaren Sie jetzt ein unverbindliches Erstgespräch mit CubeServ.Quellenverzeichnis
- Cabinet Office. (2025, June 4). The mitigating ‘hidden’ AI risks toolkit. GOV.UK. https://www.gov.uk/government/publications/a-human-centred-approach-to-scaling-and-de-risking-ai-tools/the-mitigating-hidden-ai-risks-toolkit-html
- European Commission. (2025, November 19). AI literacy: Questions & answers. Shaping Europe’s Digital Future. https://digital-strategy.ec.europa.eu/en/faqs/ai-literacy-questions-answers
- National Cyber Security Centre. (2023, July 27). Shadow IT: Managing ‘unknown assets’ that are used within an organisation. https://www.ncsc.gov.uk/guidance/shadow-it
- National Institute of Standards and Technology. (2023). Artificial intelligence risk management framework (AI RMF 1.0) (NIST AI 100-1). U.S. Department of Commerce. https://doi.org/10.6028/NIST.AI.100-1
- Organisation for Economic Co-operation and Development. (2023). Advancing accountability in AI: Governing and managing risks throughout the lifecycle for trustworthy AI (OECD Digital Economy Papers No. 349). OECD Publishing. https://doi.org/10.1787/2448f04b-en
Vereinbaren Sie jetzt Ihren Expert Call. Wir freuen uns über Ihre Nachricht.
Helene Dinse
- philipp-riedi
- n.n.
- n.n.
