Methode, die KI-Transformation aus dem Hype holt und in den Arbeitsalltag bringt. Sieben Phasen, technologie-agnostisch, messbar in jeder einzelnen.
Reifegrad-Check direkt starten→Tool-Flickenteppich. Pilotfriedhöfe. Investitionen ohne Kompass.
Was ohne Framework schiefgeht: Unternehmen investieren in KI, starten drei Pilotprojekte gleichzeitig, lassen sich von Anbietern die Roadmap diktieren. Nach zwölf Monaten: viel Geld ausgegeben, wenig gelernt, keine Skalierung in Sicht. Der Vorstand fragt nach dem ROI, die IT-Leitung zuckt mit den Schultern.
Ganzheitlich. Technologie-agnostisch. Messbar.
Was RADICAL anders macht: Sieben Phasen decken die gesamte Transformation ab — von der Strategie über die Technik bis zur Skalierung. Kein Tool-Bias, kein Vendor-Lock-in. Jede Phase hat klare Eingangskriterien, messbare Ergebnisse und eine harte Stopp-Regel: Wenn der Nutzen nicht da ist, wird abgebrochen.
Sequenziell oder modular. Je nach Reifegrad.
Wie es angewendet wird: Manche Unternehmen starten bei R und arbeiten sich durch. Andere steigen bei Phase D ein, weil Strategie und Daten bereits geklärt sind. C und A laufen parallel zu den anderen Phasen, L ist die Metaebene, die den Gesamtprozess auditiert. Das Framework ist kein Wasserfall — es ist ein Denkwerkzeug.
Strategie. Mit echtem Fokus.
Viele Mittelständler schrecken vor „Disruption“ zurück — und das oft zu Recht. Es geht hier nicht darum, Ihr funktionierendes Geschäftsmodell auf den Kopf zu stellen. Es geht um radikalen Fokus. Wir suchen nicht hundert mögliche KI-Ideen, sondern den einen konkreten Prozess, der Ihr Team täglich am meisten Zeit kostet und Nerven raubt.
Statt komplexer Portfolio-Analysen eine pragmatische Schmerzpunkt-Priorisierung: Wo verlieren wir täglich mehr als eine Stunde durch Routine? Wo entscheiden wir nur nach Bauchgefühl? Haben wir dafür Daten? Aus den Antworten wählen wir gemeinsam den einen Anwendungsfall, der nah am Kerngeschäft liegt, messbaren Nutzen verspricht und im Unternehmen sichtbar gemacht werden kann.
Ein priorisierter Anwendungsfall mit klarem Geschäftsnutzen. Schriftlich festgehalten, intern kommunizierbar, von der Geschäftsleitung getragen.
2 Wochen
Daten und Technik. Reicht's?
Die Realität im Mittelstand: keine große IT-Abteilung, keine Datenwissenschaftler, die nebenbei komplexe Plattformen bauen. Das ist kein Hindernis, sondern eine Entscheidungsgrundlage. Bevor der erste Euro investiert wird, prüfen wir ehrlich, ob die Grundlage für genau diesen einen Anwendungsfall trägt.
Ein 5-Punkte-Daten-TÜV statt dicker Dokumentation: Sind die benötigten Daten in unter 10 Minuten auffindbar? Sind sie aktuell? Sind sie verständlich oder nur Fachjargon? Sind sie digital verfügbar oder nur als Scan? Sind die Nutzungsrechte geklärt? Dazu die Frage: Selbst bauen oder einkaufen — was passt zu Ihrer Situation?
Klarer Reifegrad-Status mit Ampel-Bewertung pro Punkt. Eindeutige Empfehlung „Selbst bauen oder einkaufen“. Keine Vertröstung auf jahrelange Datenharmonisierung.
ca. 4 Wochen
Mensch trifft KI. Spielregeln.
KI scheitert selten an der Technik. Sie scheitert daran, dass Mitarbeitende sich vom System bevormundet fühlen oder die Ergebnisse nicht verstehen. Dann wird die Software stillschweigend ignoriert. Egal ob Sie selbst entwickeln oder eine Lösung einkaufen — die Spielregeln müssen vorher klar sein.
Drei goldene Regeln der Mensch-KI-Zusammenarbeit. Erstens das Assistenten-Prinzip: Die KI macht einen Vorschlag, der Mensch entscheidet. Niemals vollautomatisch in sensiblen Bereichen. Zweitens Transparenz: Wenn das System nicht erklären kann, warum es eine Entscheidung trifft, kommt es nicht ins Haus. Drittens Einfachheit: Wenn die Bedienung mehr als zwei Stunden Schulung braucht, ist sie zu kompliziert.
Ein nachvollziehbarer Bedien-Entwurf, der zur realen Arbeitssituation passt. Klare Übergaberegeln zwischen Mensch und KI. Bei Software-Auswahl: drei harte Kriterien, an denen Anbieter scheitern dürfen.
2–4 Wochen
90 Tage. Beweis oder Stopp.
Pilotprojekte bleiben oft im Labor und schaffen nie den Sprung in den Geschäftsbetrieb. Sie laufen monatelang, kosten Geld und produzieren am Ende eine PowerPoint-Präsentation. Das ist kein Beweis, das ist Beschäftigungstherapie.
Strikter 90-Tage-Test in genau einer Abteilung. Gemessen wird entlang von drei Größen: Zeit, Fehler, Kosten. Erfolgskriterium vorher festgelegt — zum Beispiel mindestens 20 Prozent Zeitersparnis oder 15 Prozent weniger Fehler. Wenn nach 30 Tagen kein Nutzen sichtbar ist, wird angepasst. Wenn nach 90 Tagen kein messbarer Mehrwert da ist, wird gestoppt. Keine Diskussion.
Belastbarer Nutzen-Nachweis aus dem realen Betrieb. Klare Entscheidungsgrundlage für die Geschäftsleitung: skalieren oder beenden. Keine toten Pferde, die weitergeritten werden.
90 Tage
Rückenwind. Kein Theater.
Sind wir ehrlich: In den meisten Betrieben rollen die Mitarbeitenden mit den Augen, wenn das nächste Veränderungsprogramm verkündet wird. Nach Jahren von Digitalisierung und Reorganisation herrscht Veränderungsmüdigkeit. Klassische Townhall-Meetings und bunte Poster-Kampagnen verstärken das Misstrauen.
Erfolgsgeschichten erzählen statt Botschaften plakatieren. Ein dreiminütiges Vorher-Nachher-Video aus der Pilot-Abteilung. Eine KI-Botschafterin oder ein KI-Botschafter pro Bereich, die Fragen beantworten und die Lösung zeigen. Regelmäßige kurze Fragestunden statt Top-Down-Mailings. Sichtbarkeit vor Perfektion.
Internes Momentum und Vertrauensaufbau. Die Botschaft „Das funktioniert bei uns“ kommt nicht von der Geschäftsleitung, sondern aus der Belegschaft selbst.
begleitend, 2–3 Monate
Neue Aufgaben. Neue Rollen.
Das ist der Elefant im Raum: „Werde ich durch die KI ersetzt?“ Wer diese Frage nicht aktiv aufnimmt, dessen Projekt wird sabotiert. Punkt. Die ehrliche Antwort: Wir automatisieren Aufgaben, keine Menschen. Aber die Aufgaben werden sich verändern — und das muss konkret werden, nicht in Lippenbekenntnissen.
Klares Rollen-Mapping: „Das war Ihre alte Aufgabe (zum Beispiel Daten abtippen), das ist Ihre neue (Ergebnisse prüfen und freigeben).“ Dazu Mikro-Schulungen statt tagelanger Seminare. Kurze, aufgabenbezogene Trainings direkt am Werkzeug — etwa „Wie erkenne ich einen KI-Fehler?“. Keine theoretischen Tagesveranstaltungen, an die sich nach einer Woche niemand mehr erinnert.
Klare Zuständigkeiten in der neuen Arbeitswelt. Akzeptierte Rollen, die die KI-Lösung auch wirklich tragen. Kompetenzen, die zur veränderten Aufgabe passen.
2–4 Monate
Sauber lernen. Sauber skalieren.
Ein KI-System ist keine Software, die man einmal installiert und dann vergisst. KI altert. Wenn sich die Daten ändern — neue Produkte, neue Kundenstrukturen — trifft das System plötzlich falsche Entscheidungen. Ohne Wartung wird aus einer Hilfe schnell ein Risiko.
Ein einfacher Monats-Check, vergleichbar mit dem Ölstand-Messen beim Auto. 30 Minuten Zeitaufwand, Ampel-Bewertung: Stimmen die Ergebnisse noch? Dazu eine klare Skalierungs-Regel: Die Lösung wird erst auf den nächsten Bereich übertragen, wenn die Ampel drei Monate lang auf Grün stand. Wir skalieren kein Chaos. Erst wenn der Prozess langweilig geworden ist, wird er wiederholt.
Stabiler Betrieb. Eine erprobte Vorlage, mit der weitere Anwendungsfälle schneller gestartet werden können. Keine versteckten Risiken, keine bösen Überraschungen.
laufend, monatlicher Check
R, A, D und I bilden den Hauptpfad — die Kernarbeit von Strategie bis zum Piloten im echten Betrieb. Jede Phase baut auf der vorherigen auf, kann aber auch modular gestartet werden, wenn die Voraussetzungen bereits erfüllt sind.
C und A laufen parallel. Change und Adoption sind keine Nacharbeiten — sie begleiten den gesamten Prozess. List die Meta-Ebene: Lernen, messen, skalieren. Erst wenn der Prozess stabil läuft, wird er wiederholt.
Viele Ideen, kein Fokus. Ihr Unternehmen diskutiert KI seit Monaten, hat aber noch keinen konkreten Anwendungsfall definiert, der zum Kerngeschäft passt.
Sie haben ein KI-Tool im Einsatz, aber niemand misst den Nutzen. Es gibt keine Erfolgskriterien, keine Stopp-Regel, keinen Plan für den nächsten Schritt.
Die Lösung ist da, aber die Akzeptanz fehlt. Mitarbeitende umgehen das System, die Nutzungsrate liegt bei unter 30 Prozent.
Der Pilot war erfolgreich, aber die Übertragung auf weitere Abteilungen scheitert an fehlenden Prozessen, Datenqualität oder Ressourcen.