AI Surface Management: 6 Fragen vor dem nächsten KI-Tool

Drei Tabs, kein gemeinsamer Kontext

Ich sitze an einem Entwurf und habe claude.ai/design für das UI-Layout offen, Claude Code für die Implementierung und den claude.ai-Chat für Recherchefragen. Drei Einstiegspunkte, ein Anbieter, eine Session. Wenn ich von Design zu Code wechsle, gibt es keinen automatischen Kontext-Übergang. Was ich im Design-Bereich erarbeitet habe, muss ich im Code-Werkzeug neu einführen: das Layout noch einmal beschreiben, die Entscheidung von vorhin noch einmal referenzieren. Ein Workaround, kein Fluss.

Eine WalkMe-Studie mit 3.750 Befragten zeigt: 53% der Mitarbeiter wechseln für eine einzige Aufgabe zwischen mindestens zwei Anwendungen hin und her. Die Oberfläche wechselt und der Kontext beginnt von vorne.

Das Problem ist nicht, dass es mehrere KI-Werkzeuge gibt. Das Problem ist, dass die meisten Organisationen diese Werkzeuge nicht als zusammenhängendes System sehen, sondern als Ansammlung von Einzeltools, die jeder nach eigenem Ermessen kombiniert. Für Einzelpersonen ist das lästig. Für Teams ist es teuer. Für Beratungen, Kanzleien und Engineering-Dienstleister, die täglich mit vertraulichen Mandatsdaten arbeiten, ist es zudem ein Risiko.

Das Problem hat einen Namen

Eine "Surface" ist jeder Einstiegspunkt in ein KI-System: das Chat-Interface im Browser, die IDE-Integration beim Entwickeln, das Office-Add-in beim Schreiben, die mobile App unterwegs, die API im eigenen Produkt. Wer diese Einstiegspunkte kennt, steuert und sinnvoll aufeinander abstimmt, betreibt AI Surface Management.

AI Surface Management ist nicht dasselbe wie KI-Steuerung im allgemeinen Sinn. KI-Steuerung fragt: Welche Richtlinien gelten für den KI-Einsatz? AI Surface Management fragt: Welche Einstiegspunkte existieren, wer nutzt sie wofür, und wie hängen sie zusammen? Letzteres ist konkret, inventarisierbar, und operativ umsetzbar.

Das Gegenbild zu funktionierendem AI Surface Management ist KI Tool-Sprawl: unkontrollierte Ausbreitung von KI-Werkzeugen über eine Organisation, ohne Überblick, ohne Routing-Entscheidungen, ohne Ownership.

Eine mittelgroße Beratung betreibt heute de facto 6 bis 12 verschiedene KI-Einstiegspunkte, ohne das jemals bewusst entschieden zu haben. 49% der Unternehmen nutzen laut Unframe AI 6 bis 10 KI-Werkzeuge gleichzeitig. 95% der GenAI-Piloten in Unternehmen bringen laut MIT keinen messbaren Geschäftseffekt. Nicht wegen der Modelle, sondern wegen fehlender Integration. 72% der KI-Investitionen vernichten laut Larridin Wert, statt ihn zu schaffen. Diese Zahlen hängen zusammen: Die Werkzeuge verbreiten sich schneller, als jemand sie im Unternehmen integriert. Geld kosten sie trotzdem. Ohne Integration bleibt der Effekt aus, der die Ausgabe rechtfertigt, und genau dann wird aus der Investition ein Verlust.

Die zentrale Frage lautet: Sind alle Oberflächen, die in meiner Organisation heute aktiv sind bekannt, und wer ist dafür verantwortlich?

Die folgenden sechs Fragen helfen, das herauszufinden.

1. Wer hat in Ihrer Organisation den Überblick?

Das Steuerungs-Problem kommt vor allen anderen. Laut dem Work Trend Index von Microsoft und LinkedIn bringen 78% der KI-Nutzer ihre eigenen, nicht freigegebenen KI-Tools mit zur Arbeit, in kleinen und mittleren Unternehmen sogar 80%; 52% verschweigen den Einsatz bei ihren wichtigsten Aufgaben. Leadership weiß in der Mehrheit nicht, welche Einstiegspunkte tatsächlich genutzt werden, nicht aus Gleichgültigkeit, sondern weil das Problem strukturell neu ist. Bisher gab es keine Kategorie dafür. Das ist die Ausgangsfrage jedes AI Surface Management Ansatzes.

Das lässt sich an einem konkreten Detail zeigen: Anthropic, OpenAI und Microsoft haben jeweils eigene Administrationskonsolen. Keine dieser Konsolen gibt eine konsolidierte Sicht über Anbieter hinweg. Das Konzept "Surface Owner", also wer hat Überblick, wer konfiguriert, wer räumt auf, existiert in keiner dieser Konsolen nativ. AI Surface Management beginnt deshalb außerhalb dieser Konsolen: in einem internen Dokument, einer Verantwortlichkeits-Matrix, einer Rolle.

Wissen Sie, welche KI-Werkzeuge Ihre Mitarbeiter heute tatsächlich nutzen? Nicht was offiziell genehmigt ist, sondern was läuft?

2. Welche Surface für welchen Anwendungsfall?

Nicht jede Oberfläche ist für jeden Anwendungsfall geeignet. Das Office-Add-in kann keine auftragsgebundenen Systemdaten injizieren. Das Chat-Interface kann keine strukturierten Arbeitsabläufe abbilden. Die IDE-Integration ist kein sinnvolles Werkzeug für Kundenpräsentationen. Das klingt offensichtlich. Aber die meisten Organisationen haben keine bewusste Routing-Entscheidung getroffen, was für welche Aufgabe gilt.

Ein konkretes Szenario aus dem Beratungsalltag: Ein Senior Consultant bereitet ein Strategie-Deck vor. Er nutzt ChatGPT für den Einstieg, wechselt zu Copilot für die Formulierungen im PowerPoint, zieht für ein Recherche-Argument nochmal Claude heran, und schreibt den Executive Summary schließlich ohne KI, weil er keiner der generierten Versionen traut. Drei Einstiegspunkte für KI-Tools, kein gemeinsamer Ausgangspunkt, kein reproduzierbarer Prozess. Der nächste Consultant macht es anders.

Das summiert sich. Wenn jeder Berater selbst entscheidet, entstehen keine gemeinsamen Vorlagen, kein einheitliches Qualitätsniveau, keine kollektive Lernkurve aus dem, was gut funktioniert. Wissen akkumuliert beim Individuum statt in der Organisation. Eine klare Use-Case-Routing-Entscheidung ist das einfachste Instrument für funktionierendes AI Surface Management in einer kleinen Beratung.

Haben Sie dokumentiert, welches KI-Werkzeug für welche Aufgabe gilt, oder entscheidet jeder Mitarbeiter selbst?

3. Wie wandern Daten von einer Surface zur nächsten?

Das ist die Frage, bei der die meisten Organisationen keine Antwort haben. Knapp 40% aller KI-Interaktionen enthalten sensible Daten. Vier Wege, wie Daten unbemerkt zwischen Einstiegspunkten wandern:

Der häufigste Weg ist manuelles Kopieren: Ein Berater kopiert NDA-geschützten Text aus einem Dokument in ChatGPT, das Ergebnis in Claude, dann in Copilot. Jeder Schritt hinterlässt Spuren in Systemen mit unterschiedlichen Aufbewahrungsrichtlinien. Fast so häufig: Connector-Zugang ohne Scope-Begrenzung. Wenn ein Berater den SharePoint-Connector einrichtet, hat die KI Zugang auf alle verbundenen Dokumente, nicht nur die des aktuellen Projekts.

Memory-Funktionen (die dauerhaften Kontext-Speicher in Claude und ChatGPT) sind weniger bekannt, aber relevant: Sie speichern Informationen auftragsübergreifend. Was ein Berater in Projekt A erwähnt, kann in den Kontext von Projekt B einfließen. Und schließlich Datenrouting über Standard-Backend-Pfade, die nicht zwingend mit dem Datenschutzvertrag des Unternehmens übereinstimmen — ein Problem, das ausführlicher im Artikel zu Cloud-KI und DSGVO-Haftung behandelt wird.

Wissen Sie, welche Daten über welche Pfade in welche KI-Systeme fließen, und welche Aufbewahrungsrichtlinien dort gelten?

4. Wie wird verhindert, dass Daten verstreut liegen?

Drei Maßnahmen, die sofort umsetzbar sind, ohne neue Infrastruktur.

Die Personal-Account-Richtlinie kostet nichts: 32,3% der ChatGPT-Nutzung läuft über persönliche Accounts. Eine klare Ansage, dass keine Arbeitsdaten in persönliche KI-Accounts fließen, reduziert das Risiko sofort. Dazu eine Memory-Richtlinie: klare Organisations-Position, ob Memory-Funktionen aktiv sein dürfen, und wenn ja, mit welchen Einschränkungen bei Kundendaten. Und Connector-Scope: Konnektoren nur für den aktuellen Auftrag aktivieren, nicht dauerhaft und breit.

Alle drei setzen etwas Nicht-Technisches voraus: jemand muss diese Maßnahmen erarbeiten, kommunizieren und aktuell halten. Die KI-Standortbestimmung von HSLR hilft dabei, diese Lücken systematisch zu identifizieren.

Haben Sie eine Richtlinie, die regelt, was in KI-Werkzeuge eingegeben werden darf und was nicht?

5. Wer ist operativer Surface-Owner?

In einer Beratung gibt es typischerweise einen Qualitätsverantwortlichen, einen Compliance-Beauftragten, einen IT-Sicherheitsverantwortlichen. Aber niemanden, der für die KI-Oberflächen zuständig ist: welche aktiv sind, wer sie konfiguriert, wer über Upgrades entscheidet, wer Zugänge einrichtet und wieder entzieht, wer entscheidet wenn ein Anbieter seine Nutzungsbedingungen ändert.

Diese Rolle ist die operative Grundlage von AI Surface Management. Sie muss nicht hauptamtlich sein. In einer 30-Personen-Beratung kann ein Practice Lead sie mit übernehmen, mit einem definierten Zeitbudget von vielleicht vier Stunden pro Monat. Die Aufgaben sind überschaubar: vierteljährliche Inventur der aktiven Einstiegspunkte, Kommunikation von Richtlinien-Änderungen ins Team, Anlaufstelle bei Fragen. Was diese Rolle erfordert, ist vor allem Klarheit: jemand muss sie namentlich tragen. Ohne das bleibt die Steuerung implizit und damit zufällig.

63% der Unternehmen können nicht durchsetzen, dass ihre KI-Agenten nur das tun, wofür sie freigegeben sind. Nicht weil die Technik fehlt, sondern weil die Verantwortung nirgends liegt.

Gibt es in Ihrer Organisation eine Person, die für die KI-Oberflächen verantwortlich ist, nicht für IT-Sicherheit generell, sondern konkret für die KI-Werkzeuge?

6. Wie messe ich den Nutzen der einzelnen Surfaces?

Die Messgrundlage fehlt in den meisten Organisationen. Ohne verlässliche Zahlen gibt es zu viele oder zu wenige Lizenzen, keine informierte Entscheidung, welche Werkzeuge bleiben, und keine Verhandlungsposition gegenüber Anbietern bei der nächsten Verlängerung. Unternehmen mit konsolidiertem KI-Portfolio erzielen laut Unframe AI 20 bis 30% mehr Wertschöpfung als solche mit KI Tool-Sprawl.

Der erste Schritt zur Konsolidierung ist eine Surface-Inventur: welche Werkzeuge laufen, wie viele Lizenzen sind aktiv, wie viele davon werden tatsächlich regelmäßig genutzt, und welcher Anwendungsfall rechtfertigt welches Werkzeug. Diese Grundlage fehlt in den meisten Organisationen. Ohne sie ist jede ROI-Diskussion Spekulation und jede Entscheidung für oder gegen ein Werkzeug eine Bauchentscheidung.

51 Arbeitstage pro Mitarbeiter und Jahr gehen durch technologische Reibung verloren. Diese Reibung entsteht zu einem großen Teil aus unkontrolliertem KI Tool-Sprawl. Sie taucht in keiner Lizenz-Übersicht auf, sie verschwindet in der Arbeitszeit.

Wissen Sie, was Ihre KI-Werkzeuge zusammen kosten, und was sie zusammen bringen?

Warum das für Beratungs-Organisationen besonders brennt

Für wissensintensive Dienstleister kommen vier strukturelle Eigenschaften zusammen, die das Surface-Problem verschärfen.

Methodologie-Verwässerung trifft Beratungen strukturell härter als andere Branchen. Ohne gemeinsame KI-Einstiegspunkte entwickeln Berater unterschiedliche Qualitätsniveaus, die nach außen sichtbar werden. Was intern wie individuelle Präferenz aussieht, wird für den Kunden zur Qualitätsfrage und für die Beratung zur Differenzierungsfrage.

Mandatsdaten stehen unter NDA. Was für einen Handwerksbetrieb ein Steuerungswunsch ist, ist für eine Beratung oder Kanzlei eine rechtliche Pflicht. Mandatsdaten dürfen nicht über nicht-autorisierte Kanäle fließen. Ein unachtsamer Copy-Paste-Vorgang kann das direkt verletzen.

Berater-Fluktuation erzeugt ein strukturelles Datenproblem. Was passiert mit KI-generierten Outputs, gespeicherten Prompts und Projekten, wenn ein Berater das Unternehmen verlässt? Liegen diese in den privaten KI-Accounts der Berater statt in Firmen-Accounts, behält sie der Berater beim Ausscheiden. Die Organisation hat darauf keinen Zugriff. Sie verliert dann nicht nur die Person, sondern auch deren aufgebaute KI-Arbeit.

Abrechnungs-Impact ist direkt messbar, wird aber selten gemessen. Tool-Wechsel-Zeit ist nicht fakturierbar. Unterstellt man täglich zwei Tool-Wechsel mit je drei Minuten Kontext-Neuaufbau: In einem 10-Personen-Team über 220 Arbeitstage sind das rund 220 Stunden verlorener Kapazität. Bei einem internen Stundensatz von 100 Euro entspricht das 22.000 Euro, die im KI-Chaos verschwinden, ohne dass es irgendwo als Kosten sichtbar wird.

Was jetzt konkret zu tun ist

Die sechs Fragen sind keine Checkliste, die Handlungsbedarf erzwingen soll. Sie sind ein Diagnose-Werkzeug.

Wer alle sechs beantworten kann, hat eine solide Surface-Steuerung. Wer bei einer oder mehreren ins Stocken gerät, hat jetzt einen Namen für das Problem und einen Startpunkt. Das ist der Moment, wo aus diffusem Unbehagen eine bearbeitbare Frage wird: Wo genau fehlt die Steuerung, und wer übernimmt sie?

Diese sechs Fragen lassen sich selbst durcharbeiten. Manchmal reicht eine halbe Stunde im Team, um die größten Lücken sichtbar zu machen. Wer AI Surface Management ernst nimmt, stellt fest, dass mehrere Fragen unbeantwortet bleiben oder die Antworten unbefriedigend sind. Dann ist ein strukturierter Blick von außen oft schneller als monatelanges Selbst-Inventarisieren.

Die KI-Potenzialanalyse von HSLR ist eine strukturierte Bestandsaufnahme, die genau diese sechs Fragen durcharbeitet: Welche KI-Werkzeuge laufen tatsächlich, wer nutzt sie wofür, wo wandern welche Daten, wer ist verantwortlich, was kostet es, und was fehlt. Wenige Tage, kein Abo.

Das Ergebnis ist kein Theorie-Papier. Es ist eine konkrete Entscheidungsgrundlage: Welche Werkzeuge bleiben, welche gehen, wer übernimmt die Surface-Owner-Rolle, wie sieht eine schlanke Steuerungsstruktur aus, die zur Größe und zum Modell der Organisation passt.

Johannes Häußler ist Gründer von HSLR und berät wissensintensive Dienstleister im DACH-Raum zu KI-Strategie, Daten und Automatisierung. Er hat mehr als 20 KI-Projekte in Fertigung, Energie und professionellen Dienstleistungen abgeschlossen.