Das Ende der Fachsilos

Die Technologie funktioniert – doch 95 Prozent der generativen KI-Piloten in Unternehmen scheitern an einem anderen Problem: dem Operating Model. Eine globale Studie von Roland Berger zeigt (hier zum Download),

welche strukturellen Kräfte bereits wirken und welche neun konkreten Shifts erfolgreiche Organisationen unterscheiden – von uns eingeordnet und interpretiert für die Medien- und Verlagsbranche.

Boards genehmigen KI-Roadmaps. IT-Abteilungen beschaffen Tools. Pilotprojekte starten mit echtem Engagement. Doch laut dem MIT-Report „The GenAI Divide: State of AI in Business 2025" liefern 95 Prozent der generativen KI-Piloten in Unternehmen keinen messbaren finanziellen Impact. Das Problem ist selten die Technologie – fast immer ist es das Operating Model, das unverändert bleibt.

Eine globale Befragung von 472 Führungskräften durch Roland Berger offenbart eine markante Ambitions-Executions-Lücke: 62 Prozent erwarten große oder radikale Veränderungen ihres Operating Models durch KI-Transformation. Doch nur 38 Prozent haben bereits begonnen zu handeln. Noch alarmierender: 59 Prozent halten die Führung ihrer Organisation für unzureichend vorbereitet.

Die Verlagswelt steht vor einer strukturellen Zäsur. KI-Tools sind verfügbar, erschwinglich und leistungsfähig. Doch während Digital-Native-Unternehmen ihre Prozesse von Grund auf um KI herum designen, versuchen etablierte Medienorganisationen oft noch, KI in bestehende, tradierte Strukturen zu integrieren. Das Ergebnis: isolierte Use Cases, fragmentierte Datenlandschaften und Piloten, die nie skalieren.

Roland Bergers Studie zeigt: Das eigentliche Hindernis für KI-Wertschöpfung sind nicht technologische Anforderungen (34 Prozent), sondern Menschen, Skills und Capabilities (49 Prozent), gefolgt von Organisationsstruktur und Prozessen (37 Prozent) sowie Leadership und Kultur (30 Prozent). Die menschliche und organisatorische Dimension ist dort, wo gerade in Verlagen die eigentliche Arbeit passieren muss.

Fast die Hälfte der befragten Senior Leader:innen (49 Prozent) identifiziert Menschen, Skills und Capabilities als größte Barriere für KI-Wertschöpfung. Organisationsstruktur und Prozesse folgen mit 37 Prozent, technologische Anforderungen liegen bei 34 Prozent.

Diese Rangfolge widerspricht der gängigen Praxis: Boards investieren immense Summen in KI-Plattformen und Lizenzen, während die Governance-Frameworks, Entscheidungsarchitekturen und Führungsmodelle weitgehend unverändert bleiben. Die Folge: KI-Power ohne KI-Performance.

Roland Berger identifiziert vier strukturelle Kräfte, die bereits wirken:

1. Die wachsende Produktivitätskluft Frühe Evidenz von Organisationen, die agentische KI im großen Maßstab einsetzen, deutet auf Produktivitätsverbesserungen hin, die nicht in Prozentpunkten, sondern in Faktoren gemessen werden. Die Kluft zwischen innovativen Vorreitern und Nachzüglern im Publishing könnte sich exponentiell vergrößern.

2. Das Ende funktionaler Silos In einem outcome-led Operating Model ist der Startpunkt nicht der Prozess, sondern das Ergebnis. Ein agentisches System arbeitet rückwärts und identifiziert autonom die präzisen Inputs, die das Outcome erfordert. Dr. Cyrus Asgarian, Senior Partner bei Roland Berger: „The starting point in an AI-First operating model is not the process, it's the result. This shift makes functional silos lose their justification."

3. Die Accountability-Herausforderung für AI-First Leadership Im AI-First Operating Model orchestriert KI die Execution End-to-End, während Menschen Ziele und Erfolgskriterien innerhalb klarer Boundaries definieren. Entscheidungen – nicht mehr rein ausführende Tasks – werden zum primären Fokus. Outcome-driven Governance ersetzt rollenbasierte Kontrolle.

4. Der Squeeze auf Domain-Spezialist:innen Organisationen stehen vor einer strategischen Wahl: Welche Aktivitäten erfordern echte weltklasse menschliche Expertise, welche können von KI-augmentierten Generalist:innen übernommen werden? Die Antwort formt eine „Hourglass Capability Architecture" (Sanduhr-Talentarchitektur): Oben sitzt eine kleine Gruppe sehr tiefer Fachexpert:innen, die Mitte komprimiert sich dramatisch, an der Basis entsteht ein neuer Tier breiter Generalist:innen, die von KI-Tools augmentiert werden.

Roland Berger strukturiert die erforderlichen Veränderungen in neun Shifts über drei Ebenen: Foundation, Execution und Scaling.

Foundation-Shifts:

• Shift 1: AI Governance Frameworks etablieren
  42 Prozent der Organisationen sind nicht zuversichtlich, dass sie das richtige AI Governance Framework haben. Governance ist nicht Bürokratie, sondern Trust-Infrastruktur, die Skalierung ermöglicht.

• Shift 2: Eine skalierbare AI- und Datenplattform aufsetzen
  65 Prozent der AI Leaders operieren auf geteilten Technologieplattformen, vergleichen mit nur 18 Prozent der Laggards – ein Faktor von 3,7. Doch 59 Prozent berichten, ihre Data Governance sei unzureichend.

• Shift 3: Tiefe, verteilte AI-Capabilities aufbauen
  58 Prozent der AI-Frontrunner bauen AI-Capabilities verteilt über alle Business Groups auf, verglichen mit nur 14 Prozent der Laggards. Unternehmen mit verteilten AI-Capabilities berichten 2,3-mal häufiger von einem AI-First Mindset.

Execution-Shifts:

• Shift 4: Data-driven Decision Making verankern
  88 Prozent der AI-Frontrunner praktizieren systematisches datengetriebenes Decision Making, verglichen mit 43 Prozent der Laggards. 69 Prozent der Frontrunner delegieren Entscheidungsautorität systematisch die Hierarchie hinunter.

• Shift 5: Kernprozesse rund um AI-orchestrierte Outcomes reengineeren
  73 Prozent der AI-Frontrunner operieren in cross-funktionalen agilen Teams, verglichen mit nur 18 Prozent der Laggards – eine der größten Differenzen in der gesamten Umfrage (Faktor 4).

• Shift 6: Leadership für eine hybride AI-Human Workforce redefinieren
  Nur 15 Prozent der Befragten berichten, dass ihr Unternehmen die Leadership-Rolle breit repositioniert hat. Selbst unter AI-Frontrunners liegt die Zahl bei nur 38 Prozent.

Scaling-Shifts:

• Shift 7: Unternehmensweite AI-Adoption mit messbaren Targets vorantreiben Nur 15 Prozent der Organisationen berichten, klare KPIs für AI-Adoption zu haben. Ohne definierte Targets driften Scaling-Efforts: Investment fließt zu sichtbarer Aktivität statt zu messbarem Impact.

• Shift 8: Organisationsdesign für AI-native Agility weiterentwickeln
  AI-Frontrunner operieren mit flacheren Strukturen und berichten von niedrigerer organisatorischer Komplexität – in beiden Fällen 29 Prozent häufiger als Laggards.

• Shift 9: Eine AI-First Culture verankern
  In Organisationen, wo Leader:innen als echte Role Models für AI-Transformation gelten, berichten 69 Prozent von einem starken AI-First Mindset. Wo Leader:innen nicht als Role Models gesehen werden, fällt diese Zahl auf 18 Prozent – eine vierfache Differenz.

Die neun Operating-Model-Shifts bieten eine konkrete Handlungslogik: Foundation schaffen (Governance, Plattform, verteilte Capabilities), Execution ermöglichen (datengetriebene Entscheidungen, Prozess-Reengineering, Leadership-Redefinition) und Scaling verankern (mutige Targets, AI-natives Organisationsdesign, AI-First Culture).

Die strategische Frage für jedes Senior Leadership Team im Publishing lautet nicht mehr, ob KI ihr Operating Model transformieren wird – diese Frage wurde längst beantwortet. Die Frage ist, ob das Medienhaus jetzt das Fundament baut oder zu spät entdeckt, dass das bloße Ausrollen von Tools ohne strukturelle Readiness keine Performance produziert. Die Technologie ist selten das Problem; das Operating Model ist es fast immer.