KI-Strategie & Einführung
„Aber ChatGPT kann das doch viel besser." Warum interne KI-Tools schwächer wirken als ChatGPT, Claude oder Gemini – und warum das kein Grund ist, sie abzuschaffen.
„Aber ChatGPT kann das doch viel besser." Diesen Satz höre ich in fast jedem KI-Projekt, kaum ist das interne Tool live. Mitarbeitende haben monatelang nach KI gerufen, die Organisation liefert – und kaum ist das Tool da, kommt die Enttäuschung. Der Grund liegt nicht am internen Tool selbst, sondern an einer Asymmetrie, die selten offen ausgesprochen wird: Chatbot und KI-Modell sind zwei verschiedene Dinge. ChatGPT, Claude und Gemini kommen aus einem Haus, das Hunderte Millionen Dollar in genau dieses Zusammenspiel steckt – da kann kein deutscher Anbieter mithalten, Punkt. Interne Tools wie Nele.ai, Langdock, Chat AI oder OpenWebUI sind Aggregatoren: Sie binden Modelle an, können sie aber nicht so feinabstimmen wie OpenAI sein eigenes GPT-5.5. Die Ergebnisse sind im Schnitt schwächer – und genau das ist, richtig eingesetzt, Ihr größter Hebel für den Aufbau echter KI-Kompetenz.
Der Chatbot ist die Oberfläche. Das KI-Modell ist der Motor. Bei ChatGPT, Claude und Gemini kommen beide aus demselben Haus, und es fließen enorme Summen in die Frage, wie beides bestmöglich zusammenspielt. Diese Tools sind auf Akzeptanz getrimmt, weil ihre Hersteller maximale Verbreitung brauchen. Interne Lösungen binden verschiedene, teils quelloffene Modelle an, können aber keines davon so eng führen wie ein Hersteller sein eigenes Flaggschiff-Modell. Kein deutscher Anbieter gibt das offen zu – die Ergebnisse sind im Schnitt trotzdem schwächer. Das ist erstmal frustrierend, keine Frage.
Aus dieser Asymmetrie ergeben sich für Organisationen zwei grundsätzliche Wege. Beide sind legitim, beide haben Konsequenzen, die erst nach einigen Monaten sichtbar werden – deshalb lohnt sich der bewusste Vergleich, bevor die Entscheidung an der ersten lauten Beschwerde umkippt.
Beide Szenarien haben ihren Preis. Rollen Sie ChatGPT oder Gemini direkt aus, bekommen Sie sehr gute Ergebnisse bei hoher Akzeptanz – zahlen aber mit geringer KI-Kompetenz im eigenen Haus und hoher Abhängigkeit von US-Anbietern. Setzen Sie auf eine eigene Plattform, behalten Sie Datenschutz und Governance unter Kontrolle – zahlen aber mit schwächeren Ergebnissen und anfänglichem Frust.
Hier kommt der Punkt, der gerne übersehen wird: Das schwächere Tool baut die stärkere Kompetenz auf. Bei den Top-Tools muss man kaum noch wissen, was ein guter Prompt ist – das Modell gleicht vieles aus. Das fühlt sich gut an, baut aber wenig Know-how auf. Bei einem schwächeren Tool muss man wissen, was man tut. Sonst kommt nichts Brauchbares heraus. Genau dieser Zwang ist der eigentliche Hebel: Er zwingt zu klarerem Denken, zu strukturierteren Prompts, zu mehr Kontrolle über das eigene Ergebnis. Wer das lernt, kann es später auf jedes Tool übertragen – umgekehrt funktioniert das kaum.
„ChatGPT kann das besser" ist selten eine präzise technische Aussage. Es ist meist ein Gefühl, das aus drei verschiedenen Ursachen gespeist wird, die man auseinanderhalten sollte. Erstens: Das Modell hinter dem internen Tool ist tatsächlich schwächer feinabgestimmt – das ist real, siehe oben. Zweitens: Die Oberfläche wirkt weniger poliert, weil Millionenbudgets für Nutzerführung fehlen – das beeinflusst die gefühlte Qualität stärker, als den meisten bewusst ist. Drittens, und das ist der am häufigsten übersehene Punkt: Der Prompt war schlecht. Wer bei ChatGPT einen vagen Satz eintippt, bekommt trotzdem ein brauchbares Ergebnis, weil das Modell viel Interpretationsspielraum ausgleicht. Beim schwächeren internen Tool merkt man diesen Unterschied sofort – nicht, weil das Tool grundsätzlich untauglich ist, sondern weil es weniger verzeiht. Genau diese Verwechslung von Ursache eins und drei führt dazu, dass Tools vorschnell als Flop abgeschrieben werden, obwohl eigentlich Prompting-Kompetenz fehlt.
Ich bin Verfechter davon, jeder Organisation zuerst ein eigenes, sicheres KI-Tool für alle bereitzustellen. Das Verkaufsargument ist dabei nicht „neueste Funktionen", sondern: „Über Datenschutz müssen Sie sich keine Gedanken mehr machen. Hauen Sie einfach rein." Sobald Mitarbeitende durch dieses Tool Kompetenz aufgebaut haben, bekommen fortgeschrittene Nutzende zusätzlich eine ChatGPT-, Claude- oder Gemini-Lizenz – als Belohnung, nicht als Default. So entsteht eine Organisation, die ihre Leute weiterbildet, statt eine, die nur konsumiert.
Wer eine externe, DSGVO-konforme Lizenz als nächsten Schritt einführen will, findet die relevanten Optionen und Auswahlkriterien im Beitrag DSGVO-konforme KI: ChatGPT-Alternativen im Überblick.
Das Meckern in der Übergangsphase muss man aushalten. Das gehört dazu – mein Job besteht in fast jedem Workshop zu einem Drittel daraus, genau dieses Meckern einzuordnen. Wichtig zu wissen: Fehlt ein brauchbares internes Tool ganz, weichen Mitarbeitende ohnehin auf private Accounts aus. Dann haben Sie beide Nachteile gleichzeitig – schwache Kompetenzsteuerung und unkontrollierten Datenabfluss. Wie dieses Muster entsteht und welche Risiken es birgt, erklärt der Beitrag Schatten-KI im Unternehmen.
In der Praxis funktioniert der goldene Mittelweg am besten, wenn er nicht als einmalige Ankündigung, sondern als Phasenmodell gedacht wird.
Phase 1 – Breite Basis. Alle Mitarbeitenden erhalten Zugang zum internen Tool, begleitet von einer Prompting-Schulung, die am echten Arbeitsalltag ansetzt, nicht an generischen Beispielen. Ohne diese Schulung wiederholt sich das Meckern nur lauter.
Phase 2 – Kompetenz sichtbar machen. Ein interner Kanal sammelt gute Prompts und Use Cases, Multiplikatoren beantworten Fragen im Alltag. Sie beobachten, wer das Tool produktiv nutzt und wo echte Grenzen liegen – nicht nur gefühlte.
Phase 3 – Belohnung statt Standard. Wer nachweislich Kompetenz aufgebaut hat, bekommt zusätzlich eine Lizenz für ChatGPT, Claude oder Gemini. Das setzt einen Anreiz, den ein Tool nach Hierarchie verteilt nie erzeugen kann: Kompetenz wird zur Währung, nicht der Titel auf der Visitenkarte.
Beantworten Sie weniger als fünf Fragen mit „Ja", liegt es nicht am Tool. Es liegt an der Einführung, dem Framing.
Die Frage ist nicht, ob Ihr internes Tool schwächer ist als ChatGPT. Die Frage ist, ob Sie diese Schwäche gerade zur Stärke Ihrer Organisation machen – oder nur zum Dauerthema in der Kaffeeküche.
Warum ist unser internes KI-Tool schlechter als ChatGPT? Weil interne Tools meist Aggregatoren sind, die verschiedene Modelle anbinden, aber keines davon so eng feinabstimmen können wie ein Hersteller sein eigenes Modell. Das ist normal und kein Zeichen für ein gescheitertes Projekt.
Sollten wir gleich auf ChatGPT Enterprise setzen statt ein eigenes Tool zu bauen? Kommt auf das Ziel an. Wollen Sie schnell starke Ergebnisse, ja. Wollen Sie KI-Kompetenz im Haus aufbauen und Datenschutz von Anfang an kontrollieren, ist ein eigenes Einstiegstool meist der bessere erste Schritt.
Wie lange dauert die „Meckerphase" nach der Einführung eines internen Tools? Unterschiedlich, aber sie ist ein normaler Teil des Lernprozesses und kein Signal, sofort umzusteuern. Aktives Prompting-Training verkürzt sie spürbar.
Wer sollte zuerst eine ChatGPT-, Claude- oder Gemini-Lizenz bekommen? Mitarbeitende, die im internen Tool bereits Kompetenz gezeigt haben – als Belohnung für nachgewiesenes Können, nicht als Standardausstattung nach Hierarchie.
Was, wenn Mitarbeitende trotzdem heimlich ChatGPT nutzen? Das ist Schatten-KI und meist ein Symptom, kein Charakterproblem. Ein brauchbares, freigegebenes internes Tool plus klare Richtlinie nimmt diesem Verhalten den Grund – pauschal verschwinden wird die Lücke zwischen internem Tool und Spitzenmodell aber nie ganz, sie wird nur zunehmend irrelevant, sobald Mitarbeitende präzise prompten können.
"Ich schicke regelmäßig kostenlose Updates zum Thema KI, Sicherheit und Anwendungen."
Wählen Sie direkt einen freien Slot in meinem Kalender.
Schreiben Sie mir Ihr Anliegen — ich melde mich zeitnah.
