- Die meisten KI-Projekte scheitern nicht an der Technologie, sondern an fehlendem Use Case, fragmentierten Daten und fehlender Verantwortung.
- KI multipliziert die Architektur, die sie vorfindet: saubere Datenbasis multipliziert Wertschöpfung, Datenchaos multipliziert das Chaos, nur schneller und teurer.
- Geschäftsleitungen müssen drei Arten von KI unterscheiden: Produktivitäts-KI (ChatGPT, Claude, Copilot), prozessintegrierte KI (z. B. Breeze AI in HubSpot) und KI-Agenten (ready-to-use oder kundenspezifisch). Nur die letzten beiden sind strategische Wachstumshebel.
- Die Voraussetzungen steigen mit jeder Stufe: Produktivitäts-KI verlangt nichts. Prozessintegrierte KI verlangt eine zentrale, konsistente Datenbasis. KI-Agenten verlangen zusätzlich klare Prozesse, Zugriffsrechte und Eskalationspfade.
- Der nicht-verhandelbare Unterbau für KI ist derselbe wie für jeden modernen Stack: ein ERP plus eine Customer Plattform, sauber verbunden.
- Die Reihenfolge entscheidet: zuerst der konkrete Geschäftsfall (Business Case mit klarem Problem, klarer Chance oder klarem Potenzial), dann die Datenarchitektur, dann die KI. Nie umgekehrt.
KI-Projekte, welche mit der Technologiefrage starten statt mit den Prozessen, in denen heute Wert
verloren geht, bleiben meist im Pilot stecken.
Der richtige Einstieg ist umgekehrt: zuerst die Pain Points in den Kernprozessen identifizieren,
daraus Use Cases ableiten, priorisieren und erst danach Technologie wählen.
Es bedeutet, dass KI kein eigenständiges System ist, sondern eine Schicht, die auf den Daten und Prozessen operiert, die bereits existieren. KI verbessert die Architektur darunter nicht, sondern verstärkt sie. In beide Richtungen.
KI-Funktionalität, die direkt auf dem Datenmodell und in den Workflows eines operativen Systems eingebettet ist, etwa Lead-Scoring, Cross-Selling-Vorhersagen oder Service-Automatisierung innerhalb der Customer Plattform. Im Gegensatz zur Produktivitäts-KI (eigenständige Assistenten ohne Zugriff auf die Geschäftsprozesse) ist prozessintegrierte KI immer nur so leistungsfähig wie die Datenbasis, auf der sie aufsetzt.
Liegt eine saubere, zentralisierte Datenbasis vor, multipliziert KI die Wertschöpfung: Sie automatisiert Workflows, liefert verlässliche Vorhersagen, personalisiert Kundeninteraktionen über die gesamte Customer Journey. Liegt Datenchaos vor, entsteht kein intelligenter Mehrwert, sondern eine beschleunigte Verstärkung bestehender Probleme. KI ist nur so gut wie die Daten, Prozesse und Wissensquellen, auf die sie zugreift. Sind diese unvollständig, veraltet, widersprüchlich oder schlecht strukturiert, liefert KI falsche Empfehlungen, unzuverlässige Antworten oder automatisiert sogar fehlerhafte Entscheidungen.
Für die Geschäftsleitung heisst das: KI ist kein Ersatz für saubere Datenführung. Sie macht Datenqualität sichtbar und erhöht den Druck, diese zu beheben. Ohne solide Datenbasis entstehen Risiken in Effizienz, Entscheidungsqualität, Compliance und Vertrauen der Mitarbeitenden.
Geschäftsleitungen müssen drei Kategorien klar trennen: Produktivitäts-KI, prozessintegrierte KI und KI-Agenten. Sie unterscheiden sich grundlegend in dem, was sie tun, was sie kosten und, am wichtigsten, welche Voraussetzungen sie an Ihre Datenarchitektur stellen.
Die Voraussetzungen an Ihre Architektur steigen mit jeder Stufe: Produktivitäts-KI verlangt nichts. Prozessintegrierte KI verlangt eine saubere, zentralisierte Datenbasis. KI-Agenten verlangen darüber hinaus klar definierte Prozesse, sauber geregelte Zugriffsrechte, definierte Eskalationspfade und eine Governance, die festlegt, wo der Agent eigenständig handeln darf und wo der Mensch zwingend einbezogen wird. Wer agentische KI auf einen unaufgeräumten Stack setzt, vervielfacht die Risiken der prozessintegrierten KI, jetzt mit Handlungsvollmacht.
Der häufigste strategische Fehler auf Geschäftsleitungsebene: Man führt Produktivitäts-KI ein, sieht einen echten Nutzen und schliesst daraus, man sei «mit KI unterwegs». Man verwechselt das schnelle, einfache Werkzeug mit dem langsamen, anspruchsvollen Hebel. Wer KI als Wachstumstreiber will, meint prozessintegrierte KI oder Agenten. Und beide beginnen nicht mit einem KI-Tool, sondern mit der Datenarchitektur.
KI-fähig wird eine Architektur, wenn kundenrelevante Daten zentral, konsistent und über die gesamte Customer Journey zugänglich sind und wenn das CRM die Quelle der Wahrheit ist und nicht das Backup für den Excel-Friedhof.
Der Unterbau ist derselbe, den jedes moderne Unternehmen ohnehin braucht: ein ERP als finanziell-operative Wahrheit und eine Customer Plattform als kundenseitige Wahrheit, sauber über offene Schnittstellen verbunden. Drittsysteme ergänzen situativ. Wer diesen Kern nicht hat, hat keine KI-Frage. Er hat eine Architektur-Frage, die er zuerst lösen muss.
Hier liegt die unterschätzte Stärke einer modernen Customer Plattform wie HubSpot: Smart CRM, Marketing Hub, Sales Hub und Service Hub teilen sich ein gemeinsames Datenmodell, und Breeze AI als KI-Schicht operiert direkt darauf. Was in einem fragmentierten Stack ein massives Daten-Engineering-Projekt wäre, ist hier Standard-Funktionalität. Nicht, weil HubSpot eine bessere KI hätte, sondern weil die Architektur darunter stimmt.
KI-Projekte scheitern typischerweise an drei wiederkehrenden Mustern: dem KI-Projekt ohne Use Case, der KI auf dem Datensilo und der KI, die niemandem gehört.
Das Projekt startet mit «Wir müssen etwas mit KI machen» statt mit einem konkreten, messbaren Geschäftsfall, einem Business Case mit klar benanntem Problem, klarer Chance oder klarem Potenzial. Es gibt kein Zielbild, keine Kennzahl, an der sich Erfolg festmachen liesse. Entsprechend lässt sich am Ende auch nicht sagen, ob das Projekt funktioniert hat. KI ohne Geschäftsfall ist eine Lösung, die noch ihre Frage sucht. Solche Projekte versanden, sobald die anfängliche Begeisterung nachlässt.
Das Unternehmen setzt eine KI-Funktion auf eine fragmentierte Datenlandschaft und erwartet belastbare Ergebnisse. Die KI greift auf eine Teilwahrheit zu, weil die andere Hälfte der Daten in einem System liegt, das sie nicht sieht. Die Vorschläge sind plausibel formuliert und inhaltlich falsch. Nach den ersten schlechten Empfehlungen verlieren Sales und Service das Vertrauen und benutzen die KI nicht mehr. Das Tool läuft weiter, die Lizenz wird bezahlt, der Nutzen ist null.
Niemand verantwortet durchgängig, welche KI-Funktionen eingesetzt werden, auf welchen Daten sie operieren und wer ihre Qualität überwacht. KI-Initiativen entstehen verstreut in einzelnen Abteilungen, ohne gemeinsame Datengrundlage und ohne gemeinsame Governance. Das Resultat ist dasselbe wie bei Tool-Anarchie: Vielfalt ohne Architektur. Ohne klare Verantwortung wird KI nicht zum Hebel, sondern zum nächsten unkoordinierten Wildwuchs.
Was wir bei business4you anders machen
Wir beginnen ein KI-Vorhaben nicht mit einer Tool-Demo. Wir beginnen mit dem ehrlichen Blick auf Ihre Architektur, denn dort entscheidet sich, ob KI bei Ihnen Wirkung entfaltet oder Geld verbrennt.
Wir haben bei business4you ein eigenes Inhouse-Team mit Data- und IT-Architektur-Spezialistinnen aufgebaut. Wir kennen HubSpot und Breeze AI tief, und wir bauen verlässliche Schnittstellen zwischen HubSpot und jedem ERP oder Drittsystem mit offener REST API. Unsere Kernkompetenz liegt genau dort, wo KI über Erfolg oder Misserfolg entscheidet: an der sauberen, zentralisierten Datenbasis, ohne die prozessintegrierte KI nicht funktioniert.
Konkret heisst das: Wir klären mit Ihnen zuerst den Use Case, den KI bedienen soll. Wir prüfen, ob Ihre Datenarchitektur diesen Use Case überhaupt tragen kann. Wir sagen Ihnen offen, wenn der erste sinnvolle Schritt nicht ein KI-Tool ist, sondern das Ordnen Ihres Stacks, auch wenn das kurzfristig ein kleineres Mandat bedeutet. Und wir setzen erst dann auf, wenn die Grundlage stimmt.
Strategie, Architektur-Beratung, Implementierung und Entwicklung, durchgängig inhouse. Keine Übergaben, keine Verantwortungs-Vakuen zwischen Beratung und Umsetzung. Eine Mandantin, ein Team, ein Resultat.
Komplexität reduzieren, Wirkung erhöhen. Bei KI gilt das doppelt. Denn KI multipliziert, was sie vorfindet, und es ist unsere Aufgabe, dafür zu sorgen, dass sie Wertschöpfung multipliziert und nicht Chaos.
