KI im Public Sector: Warum künstliche Intelligenz zur strategischen Infrastruktur wird

Generative AI und Agentic AI verändern nicht nur einzelne Verwaltungsprozesse. Sie verschieben die Art, wie öffentliche Organisationen Wissen nutzen, Entscheidungen vorbereiten und Leistungen erbringen. Die nächste Herausforderung besteht deshalb nicht darin, mehr KI-Piloten zu starten, sondern KI so zu steuern, dass Wirkung, Vertrauen und institutionelle Kontrolle gemeinsam wachsen.

Künstliche Intelligenz hat den öffentlichen Sektor in wenigen Jahren von einem Zukunftsthema zu einer strategischen Führungsaufgabe gemacht. Während viele Organisationen noch über erste Pilotprojekte diskutieren, stellt sich längst eine andere Frage: Wie lässt sich KI so integrieren, dass Produktivität, Vertrauen und institutionelle Steuerungsfähigkeit gemeinsam wachsen?

Diese Verschiebung ist entscheidend. Denn KI ist längst nicht mehr nur ein Werkzeug zur Effizienzsteigerung. Mit Generative AI, Retrieval-Augmented Generation, grossen Sprachmodellen und zunehmend agentischen Systemen entsteht eine neue technologische Ebene, die Wissensarbeit, Prozessgestaltung und Entscheidungsvorbereitung grundlegend beeinflussen kann. Die OECD beschreibt KI im staatlichen Kontext unter anderem als Hebel für automatisierte und personalisierte interne Prozesse und öffentliche Services, bessere Entscheidungsfindung und Prognosen, Betrugserkennung sowie eine Verbesserung der Arbeitsqualität von Verwaltungsmitarbeitenden.

Damit wird KI zu mehr als einer weiteren digitalen Anwendung. Sie wird zu einer strategischen Infrastruktur. Und genau darin liegt die neue Herausforderung für öffentliche Organisationen.

Erstmals stehen Organisationen Technologien zur Verfügung, die nicht nur Informationen verarbeiten, sondern Wissen erschliessen, Inhalte erzeugen, Entscheidungen vorbereiten und zunehmend eigenständig Aufgaben koordinieren können. Genau deshalb unterscheidet sich die aktuelle KI-Welle grundlegend von früheren Digitalisierungsinitiativen.

Von der Assistenz zur Handlungslogik

Viele Verwaltungen haben in den letzten Jahren erste Erfahrungen mit KI gesammelt. Chatbots wurden getestet, Textassistenten ausprobiert, Dokumente klassifiziert oder interne Wissenssysteme angedacht. Solche Pilotprojekte sind wichtig, weil sie Berührungsängste abbauen, technische Möglichkeiten sichtbar machen und erste Lernkurven ermöglichen. Auch unser interner Praxisguide Verlinkung betont, dass KI-Einführung weit mehr ist als ein IT-Projekt und Arbeitsweisen, Rollenbilder und das Selbstverständnis der Verwaltung berührt.

Doch mit Generative AI verändert sich die Qualität der Fragestellung. Es geht nicht mehr nur darum, ob ein System Texte formulieren, Informationen zusammenfassen oder Anfragen beantworten kann. Entscheidend wird, welche Rolle KI künftig in der Organisation übernimmt: Unterstützt sie nur einzelne Aufgaben? Bereitet sie Entscheidungen vor? Verknüpft sie Informationen über Fachbereiche hinweg? Oder koordiniert sie bereits Teile eines Prozesses?

Diese Fragen werden mit Agentic AI noch relevanter. Agentische KI-Systeme können Aufgaben in mehreren Schritten bearbeiten, Werkzeuge nutzen, Informationen aus verschiedenen Quellen zusammenführen und innerhalb definierter Grenzen selbstständig nächste Schritte auslösen. Eine aktuelle Untersuchung zu Agentic AI im Public Sector hält fest, dass solche Systeme bestehende Aufsichtsmechanismen herausfordern, weil klassische Governance häufig auf getrennten Compliance-Einheiten und punktuellen Freigaben basiert, während Agenten kontinuierliche, integrierte Aufsicht erfordern.

Für Führungskräfte bedeutet das: KI darf nicht länger als isolierte Anwendung betrachtet werden. Sie muss als Teil der organisatorischen Handlungslogik verstanden werden.

Generative AI verändert die Wissensarbeit der Verwaltung

Der öffentliche Sektor ist in besonderem Masse wissensintensiv. Gesetze, Verordnungen, Fachkonzepte, Akten, Register, politische Vorgaben, historische Entscheide und operative Erfahrungswerte bilden die Grundlage staatlichen Handelns. Generative AI kann genau an dieser Stelle ansetzen: Sie kann grosse Mengen unstrukturierter Informationen erschliessen, Inhalte zusammenfassen, Entwürfe erstellen, Varianten vergleichen und Mitarbeitende bei komplexen Recherchen unterstützen.

Die OECD zeigt bereits heute Anwendungsfelder auf, in denen KI Verwaltungsleistungen unterstützt: etwa Dokumentensortierung, Falltriage, Verifikation, 24/7-Auskunftssysteme, personalisierte Services, automatische Anspruchsprüfungen oder Prognosen künftiger Leistungsbedarfe. Der strategische Mehrwert liegt dabei nicht nur in der Automatisierung einzelner Tätigkeiten. Er liegt darin, dass Wissen schneller verfügbar, kontextbezogener nutzbar und systematischer in Prozesse eingebunden werden kann.

Gleichzeitig entstehen neue Risiken. Grosse Sprachmodelle generieren Antworten auf Basis von Wahrscheinlichkeiten und können plausible, aber falsche Ergebnisse erzeugen. Dies kann als Halluzination beschrieben werden: Antworten können intelligent wirken, aber inhaltlich falsch sein. Für öffentliche Organisationen ist das besonders relevant, weil fehlerhafte Auskünfte, unvollständige Entscheidungsgrundlagen oder nicht nachvollziehbare Empfehlungen direkte Auswirkungen auf Vertrauen, Rechtsstaatlichkeit und Servicequalität haben können.

Generative AI entfaltet ihren Nutzen deshalb nicht dort, wo sie unkontrolliert eingesetzt wird. Sie entfaltet ihn dort, wo sie mit verlässlichen Datenquellen, klaren Prüfmechanismen und fachlicher Verantwortung verbunden wird.

Agentic AI verändert die Prozesslogik

Wenn Generative AI vor allem Wissensarbeit verändert, dann verändert Agentic AI die Prozesslogik. Ein Chatbot beantwortet Fragen. Ein KI-Agent kann (innerhalb definierter Grenzen) Informationen suchen, Systeme ansprechen, Zwischenergebnisse bewerten, Rückfragen auslösen und nächste Schritte vorbereiten.

Damit verschiebt sich die Frage von „Was kann KI generieren?“ zu „Welche Prozessschritte darf KI übernehmen oder koordinieren?“ Genau hier wird die strategische Dimension sichtbar.

Agentische Systeme können in stark dokumentierten, wiederkehrenden und regelbasierten Verwaltungsprozessen Mehrwert schaffen. Gleichzeitig steigen die Anforderungen an Verantwortlichkeit, Sichtbarkeit, Evaluation, Sicherheit und Auditierbarkeit. Die Forschung zu Agentic AI im Public Sector nennt fünf Governance-Dimensionen: abteilungsübergreifende Implementierung, umfassende Evaluation, erhöhte Sicherheitsprotokolle, operative Sichtbarkeit und systematisches Auditing.

Für Verwaltungen ist das kein Detail. Klassische Freigabeprozesse reichen nicht aus, wenn ein KI-System nicht nur einmal eingeführt wird, sondern laufend mit Daten, Nutzerverhalten, Schnittstellen und Prozessvarianten interagiert. Governance muss dann näher an den Betrieb rücken. Kontrolle wird nicht mehr nur vor dem Go-live organisiert, sondern während des laufenden Einsatzes.

Die zentrale Führungsfrage lautet daher nicht: „Welche KI-Lösung beschaffen wir?“ Sondern: Welche Aufgaben, Entscheidungen und Verantwortlichkeiten wollen wir in einer KI-gestützten Organisation wie steuern?

Warum der Übergang vom Pilot zur Skalierung so schwierig ist

Viele Organisationen unterschätzen den Abstand zwischen einem erfolgreichen KI-Piloten und einer skalierbaren KI-Transformation. Ein Pilot kann mit begrenzten Daten, einem kleinen Team und hoher Aufmerksamkeit funktionieren. Skalierung verlangt etwas anderes: stabile Datenflüsse, klare Verantwortlichkeiten, Schnittstellen, Sicherheitskonzepte, Betriebsmodelle, Messgrössen und ein gemeinsames Verständnis darüber, welche Risiken akzeptabel sind.

Der bestehende Artikel hat bereits darauf hingewiesen, dass KI-Initiativen nicht an der Leistungsfähigkeit der Technologie scheitern, sondern häufig an fehlender organisatorischer Anschlussfähigkeit: unklare Datenflüsse, fragmentierte Zuständigkeiten und nicht standardisierte Prozesse begrenzen die Wirkung selbst guter KI-Systeme. Die OECD bestätigt diese Richtung: Viele staatliche KI-Vorhaben befinden sich noch in explorativen oder pilotartigen Phasen, mit begrenzter Skalierung und Dokumentation.

Der Schweizer DVS-Schwerpunktbericht zeigt zusätzlich, dass die Nutzung von KI in der öffentlichen Verwaltung noch am Anfang steht und dass fehlende personelle Ressourcen, langwierige Beschaffungsprozesse, unzureichende Infrastruktur sowie rechtliche Unsicherheiten den breiteren Einsatz hemmen. Für Führungskräfte ergibt sich daraus eine klare Konsequenz: KI-Skalierung ist keine Frage einzelner Tools. Sie ist eine Führungs-, Architektur- und Governance-Aufgabe.

Damit KI über Pilotprojekte hinaus Wirkung entfaltet, braucht es ein gemeinsames Zielbild: KI muss als Zusammenspiel aus Daten, Modellen, Prozessen, Governance und organisatorischer Steuerungsfähigkeit verstanden werden.

Aus unserer Projektpraxis beobachten wir, dass die grössten Hürden selten auf der Ebene der Modelle entstehen. Herausforderungen liegen meist bei Datenzugängen, Verantwortlichkeiten, Governance-Strukturen und der Frage, wie KI in bestehende Prozesse integriert werden kann.

Schichtenmodell der KI-Transformation: Von Daten und Modellen zu organisatorischer Steuerungsfähigkeit

Fünf strategische Aufgaben für Führungskräfte

1. KI als Portfolio steuern und nicht als Sammlung von Experimenten

KI-Initiativen brauchen Priorisierung. Nicht jeder Use Case ist strategisch relevant, nicht jeder Pilot ist skalierbar und nicht jede Idee rechtfertigt produktiven Betrieb. Führungskräfte sollten KI-Vorhaben deshalb in einem Portfolio führen: nach Nutzen, Risiko, Datenverfügbarkeit, Integrationsaufwand, rechtlicher Sensitivität und Übertragbarkeit.

Unser KI Praxisguide Verlinkung empfiehlt für fortgeschrittene Organisationen, KI nicht mehr nur in Einzelprojekten, sondern als Bestandteil der Strategie zu verstehen, zentrale Koordinationsstellen oder KI-Kompetenzteams aufzubauen und Portfoliomanagement zu etablieren. Für die Skalierung wird dort zusätzlich empfohlen, bewährte Anwendungen in den Regelbetrieb zu überführen, Potenziale systematisch zu analysieren, Projekte zu priorisieren und Wirkung über KPIs und Monitoring sichtbar zu machen.

2. Daten- und Wissensarchitektur als Voraussetzung behandeln

Generative AI ist nur so nützlich wie der Kontext, auf den sie zugreifen darf. Für Verwaltungen bedeutet das: Fachwissen, Register, Dokumente, Prozessdaten und Rechtsgrundlagen müssen nicht nur vorhanden sein, sondern auffindbar, qualitätsgesichert, berechtigt zugänglich und aktuell sein.

Das betrifft insbesondere RAG-Systeme, interne Wissensassistenten und KI-gestützte Entscheidungsunterstützung. Ohne klare Datenarchitektur entstehen entweder unzuverlässige Antworten oder zu enge Anwendungsfälle. Mit sauberer Architektur kann KI dagegen Wissen über Silos hinweg nutzbar machen ohne die Kontrolle über Daten, Berechtigungen und Nachvollziehbarkeit zu verlieren.

3. Governance vom Kontrollpunkt zum Betriebssystem weiterentwickeln

KI-Governance darf nicht nur aus Richtlinien bestehen. Sie muss in operative Prozesse übersetzt werden: Wer prüft Use Cases? Wer bewertet Risiken? Wer entscheidet über Datenzugriff? Wer überwacht Modelle im Betrieb? Wer dokumentiert Ergebnisse? Wer interveniert bei Fehlern?

Der EU AI Act ist risikobasiert ausgestaltet: Je höher das Risiko eines KI-Systems für Gesundheit, Sicherheit oder Grundrechte, desto strenger sind die regulatorischen Anforderungen. Für Hochrisiko-KI-Systeme verlangt er (nach den jeweiligen Übergangsfristen) insbesondere Risikomanagement, Daten- und Daten-Governance-Vorgaben, technische Dokumentation, Aufzeichnungs- und Logging-Funktionen, Transparenz und Informationen für Betreiber, menschliche Aufsicht sowie Anforderungen an Genauigkeit, Robustheit und Cybersicherheit.

Schweizer Organisationen unterstehen dem EU AI Act nicht automatisch allein aufgrund ihres Sitzes in der Schweiz. Bei EU-Bezug etwa beim Inverkehrbringen von KI-Systemen in der EU oder wenn Outputs eines Drittstaaten-Systems in der EU genutzt werden, kann der AI Act jedoch

direkt relevant werden. Parallel verfolgt die Schweiz einen eigenständigen, primär sektoriellen Regulierungsansatz: Der Bundesrat hat 2025 beschlossen, die Ratifikation der Europarats-KI-Konvention vorzubereiten und die notwendigen Anpassungen des Schweizer Rechts auszuarbeiten. Die Schweiz hat die Konvention am 27. März 2025 unterzeichnet. Ziel des Schweizer Ansatzes ist es, Innovationsfähigkeit, Grundrechtsschutz inkl. Wirtschaftsfreiheit und Vertrauen der Bevölkerung in KI miteinander zu verbinden.

4. Fähigkeiten systematisch aufbauen

KI-Kompetenz ist keine Spezialistenfrage allein. Natürlich braucht es technische Expertise. Aber genauso wichtig sind Fachpersonen, die KI-Ergebnisse beurteilen können, Juristinnen und Juristen, die Risiken einordnen, Führungskräfte, die Prioritäten setzen, und Mitarbeitende, die mit KI sicher arbeiten können.

Die KI-Strategie der Bundesverwaltung nennt drei Handlungsfelder: Kompetenzen aufbauen, Vertrauen verdienen und Effizienz steigern. Das ist auch für andere öffentliche Organisationen übertragbar. KI-Fähigkeit entsteht nicht durch ein einzelnes Training, sondern durch Rollen, Lernformate, Communities of Practice, Governance-Wissen und praktische Erfahrung im Alltag.

5. Steuerungsfähigkeit als strategisches Ziel definieren

Die wichtigste Frage der KI-Transformation lautet nicht, ob eine Verwaltung KI einsetzen kann. Sie lautet, ob sie KI so einsetzen kann, dass ihre eigene Handlungsfähigkeit wächst. Dazu gehört, Prozesse schneller und besser zu machen, ohne Verantwortung zu verschieben. Dazu gehört, Mitarbeitende zu entlasten, ohne Urteilskraft zu ersetzen. Und dazu gehört, Innovation zu ermöglichen, ohne Transparenz, Rechtskonformität und Vertrauen zu verlieren.

Genau hier liegt der strategische Unterschied zwischen KI-Nutzung und KI-Transformation. KI-Nutzung beginnt mit Tools. KI-Transformation beginnt mit Steuerungsfähigkeit.

Souveränität wird zur Architekturfrage

Im Public Sector gewinnt zudem die Frage an Bedeutung, auf welchen technologischen Grundlagen KI betrieben wird. Das betrifft Cloud-Modelle, Datenstandorte, Open-Source-Ansätze, Modelltransparenz und Abhängigkeiten von einzelnen Anbietern.

Mit Apertus haben EPFL, ETH Zürich und CSCS 2025 ein vollständig offenes, transparent dokumentiertes und mehrsprachiges Schweizer Large Language Model veröffentlicht, dessen Entwicklungsprozess, Architektur, Modellgewichte sowie Trainingsdaten und -methoden frei zugänglich und dokumentiert sind. Solche Entwicklungen zeigen, dass Modellwahl und digitale Souveränität künftig stärker zusammengedacht werden. Trotzdem gilt: Auch ein offenes oder souveränes Modell löst noch keine organisatorischen Fragen. Entscheidend bleibt, wie es in Datenarchitektur, Prozesse, Governance und Fähigkeiten eingebettet wird.

Fazit: KI wird zur Führungsfrage

Die nächste Phase der KI im öffentlichen Sektor wird nicht durch mehr Experimente entschieden. Sie wird dadurch entschieden, ob öffentliche Organisationen KI strategisch integrieren können.

Generative AI verändert, wie Wissen verfügbar wird. Agentic AI verändert, wie Prozesse koordiniert werden können. Regulierung und gesellschaftliche Erwartungen erhöhen den Druck auf Transparenz, Nachvollziehbarkeit und menschliche Verantwortung. Gleichzeitig steigen die Erwartungen der Bevölkerung und der Wirtschaft an schnelle, zugängliche und personalisierte öffentliche Leistungen.

Für Führungskräfte entsteht daraus ein klarer Auftrag: KI muss vom Tool-Thema zum Gestaltungsfeld der Organisation werden. Wer KI nur als Effizienzprogramm versteht, wird ihren strategischen Charakter unterschätzen. Wer KI hingegen als Infrastruktur für Wissen, Prozesse, Governance und Serviceerbringung begreift, kann öffentliche Organisationen leistungsfähiger, lernfähiger und vertrauenswürdiger machen.

Die eigentliche Frage lautet nicht mehr, wo KI eingesetzt werden kann. Sondern wie öffentliche Organisationen ihre Handlungsfähigkeit erweitern, ohne Kontrolle, Verantwortung und Vertrauen zu verlieren.