KI rettet keinen schlechten Prozess. Sie erledigt die falsche Sache nur billiger und schneller.

In Sitzungen der Geschäftsführung fällt ein Satz, der nach Strategie klingt, aber keine ist: Wir müssen KI einführen. Man sucht einen Prozess, an den sich ein Modell anschließen lässt, wählt einen Anbieter und startet einen Piloten. Ein halbes Jahr später besitzt das Unternehmen eine Lizenz und dieselben Zahlen wie zuvor.

Der Grund liegt nicht an schwachen Modellen, sondern an der Reihenfolge. Technologie ist die Antwort, nicht die Frage. Die Frage lautet, was im Prozess verhindert, dass die Arbeit ohne Stillstand durch das Unternehmen läuft. Stellt sie niemand, beschleunigt KI lediglich die vorhandene Form der Arbeit samt ihrer Verformungen.

Einen ineffizienten Prozess ohne Redesign zu automatisieren bedeutet keine Verbesserung, sondern die Zementierung einer schlechten Arbeitsarchitektur. Die falsche Sache passiert dann billiger und schneller, was schlimmer ist, als wenn sie teuer und langsam passierte. Damals tat sie wenigstens genug weh, dass jemand sie bemerkte.

Technologie ist keine Strategie

Michael Hammer schrieb 1990 in der Harvard Business Review einen Satz, der nicht gealtert ist: Hohe Investitionen in Informationstechnologie haben vor allem deshalb enttäuscht, weil Unternehmen Technologie nutzen, um alte Arbeitsweisen zu mechanisieren. Sie lassen die bestehenden Prozesse unangetastet und beschleunigen sie lediglich mit Computern. Sein Fazit lautete: Hören Sie auf, Kuhpfade zu pflastern.

Erik Brynjolfsson und Lorin Hitt führen in einer Studie aus dem Jahr 2000 aus, dass Investitionen in Computer ohne organisatorischen Wandel erhebliche Produktivitätsverluste verursachen können, weil negative Wechselwirkungen mit bestehenden Praktiken deren Nutzen überwiegen. Kein Nulleffekt, sondern ein negativer. Komplementäre organisatorische Investitionen, also neue Prozesse und Kompetenzen, können nach ihren Angaben größenordnungsmäßig zehnmal so hoch ausfallen wie die Investition in die Technologie.

Neuere Zahlen weisen in dieselbe Richtung, lassen sich aber nur mit Vorbehalt lesen. Der Report The GenAI Divide, den das Projekt MIT NANDA im Juli 2025 veröffentlicht hat, gibt an, dass trotz 30 bis 40 Milliarden Dollar an Investitionen in generative KI 95 Prozent der Organisationen keinerlei Rendite sehen und nur 5 Prozent der Piloten einen Wert in Millionenhöhe erwirtschaften. Grundlage sind 52 Interviews und 153 Fragebögen aus dem ersten Halbjahr 2025, die Autoren bezeichnen ihre Ergebnisse als vorläufig, räumen eine Stichprobenverzerrung ein und haben die zugrunde liegenden Daten nicht veröffentlicht. Es handelt sich also um ein Indiz, nicht um eine Marktmessung. Wesentlicher ist ihre Erklärung: Projekte scheitern weder an der Qualität der Modelle noch an der Regulierung, sondern an fragilen Workflows und an der fehlenden Passung zum Tagesgeschäft.

Zeichnen Sie zuerst den Ablauf, dann die Architektur

Process Redesign, also die Überarbeitung des Arbeitsablaufs vor der Wahl des Werkzeugs, beginnt unspektakulär: Sie zerlegen einen Prozess in vier Arten von Schritten. Die Eingabe ist der Auslöser oder sind die Daten, die in den Prozess eintreten. Die Entscheidung ist die Stelle, an der zwischen Optionen gewählt wird. Die Aktion verändert einen Zustand. Die Ausgabe ist das, was aus dem Prozess herauskommt und was jemand anderes weiterverwendet. Ziel ist, wertschöpfende Schritte von jenen zu trennen, die nur Information verschieben.

Kartiert wird die Realität, nicht die Richtlinie. Die Führungskraft nennt Ihnen den freigegebenen Ablauf. Die Person, die die Arbeit tatsächlich macht, zeigt Ihnen zusätzlich die Tabelle, die sich das Team angelegt hat, weil das offizielle System nicht ausreicht. Diese Umwege sind die beste Karte der Konstruktionsfehler.

Wonach Sie im Ablauf suchen

• Dopplung. Dieselbe Information wird an mehreren Stellen erfasst, jede Stelle ist eine neue Gelegenheit für Widersprüche.
• Wartezeit. Die Arbeit liegt, und niemand tut etwas damit. Das ist meist der größte Posten der Gesamtdurchlaufzeit.
• Freigabe ohne Risiko. Eine Unterschrift, die noch nie etwas abgelehnt hat, ist keine Kontrolle, sondern ein Ritual mit Preisschild.
• Manuelle Übertragung. Abtippen aus der E-Mail in die Tabelle, Export und Import, Kopieren zwischen Systemen.
• Schritte ohne Grund. Ein Report, den niemand liest. Eine Kopie für den Prüfer, der sie längst nicht mehr will.

Die Funde ordnen wir nach der Formel Cost of Friction: Zeit eines Durchlaufs mal Häufigkeit mal Anzahl der beteiligten Personen mal Stundensatz. Ein Schritt, der nur kurz dauert, den aber täglich das ganze Team ausführt, ist oft teurer als ein großes Projekt, das einmal im Jahr ansteht. Warum die meisten Unternehmen kein weiteres Werkzeug brauchen, sondern weniger Chaos, haben wir im Beitrag Ihr Unternehmen braucht nicht mehr Software. Es braucht weniger Chaos. behandelt.

Methodik: eliminieren, vereinfachen, automatisieren, erweitern

Die Reihenfolge ist bewusst unerbittlich. Der nächste Schritt darf erst nach Abschluss des vorherigen erfolgen, denn jeder folgende ist teurer und weniger umkehrbar.

Eliminieren

Die erste Frage lautet nicht, wie sich etwas schneller erledigen lässt, sondern ob es überhaupt getan werden muss. Ein gestrichener Schritt verursacht keine Betriebskosten, keine Fehler und keinen Wartungsaufwand. Wer ihn überspringt, automatisiert Arbeit, die es nie hätte geben dürfen.

Vereinfachen

Was übrig bleibt, gehört gekürzt. Weniger Felder, weniger Status, weniger Ausnahmen, weniger Freigabestufen. Vereinfachung senkt Kosten, Fehlerquote und Einarbeitungszeit gleichzeitig, ohne eine einzige Zeile Code. Wer sie überspringt, automatisiert Ausnahmen. Und jede Ausnahme braucht ihre eigene Regel, ihren eigenen Test und ihre eigene Pflege.

Automatisieren

Erst jetzt kommt das Werkzeug ins Spiel. Automatisiert wird, was wiederholbar, eindeutig und häufig ist, wobei der größte Teil dieser Ebene keine KI benötigt. Sie zu überspringen und direkt zum Modell zu greifen, ist ein Fehler, den wir in Anfragen immer wieder sehen. Ein Unternehmen setzt ein Modell für eine Aufgabe ein, die eine Regel gelöst hätte, und bezahlt für eine Unsicherheit, die es nicht gebraucht hätte.

Erweitern

Die letzte Ebene ersetzt den Menschen nicht, sie vergrößert seine Reichweite. Dazu gehören das Zusammenfassen von Unterlagen, ein erster Textentwurf oder das Sortieren unstrukturierter Daten, also Aufgaben ohne eine einzige richtige Antwort. Wer direkt hier beginnt, erhält eine beeindruckende Demo und null Veränderung in den Zahlen, also genau jene fehlende Passung zum Tagesgeschäft aus dem MIT-Report.

Den Unterschied zwischen Automatisierung und Redesign zeigt Hammers Beispiel von Ford. Die Kreditorenbuchhaltung in Nordamerika beschäftigte Anfang der achtziger Jahre über 500 Personen, und das Management erwartete, dass neue Computersysteme den Personalstand um etwa 20 Prozent senken würden. Nach dem Redesign, als drei statt vierzehn Datenfelder abgeglichen wurden und die Lieferantenrechnung ganz entfiel, erreichte Ford dort, wo der neue Prozess eingeführt wurde, eine Reduktion des Personalstands um 75 Prozent. Diese Prozentwerte trennen die Beschleunigung eines alten Ablaufs vom Entwurf eines neuen.

Wann eine Regel genügt und wann ein Modell nötig ist

Deterministische Automatisierung liefert bei gleicher Eingabe stets dieselbe Ausgabe. Dazu zählt Workflow Automation: Systemanbindungen, Bedingungen, Validierungen, Dokumentenerzeugung, Benachrichtigungen. Sie ist günstig, testbar, und wenn sie ausfällt, fällt sie laut und an bekannter Stelle aus. Ein Large Language Model, also ein großes Sprachmodell, ist probabilistisch. Dieselbe Eingabe kann eine abweichende Ausgabe ergeben, und das Modell hat keinen verlässlichen Weg einzugestehen, dass es etwas nicht weiß. Dafür beherrscht es Sprache und unstrukturierte Eingaben, was eine Regel nicht leistet.

Lässt sich der Ablauf in einem Satz der Form wenn A eintritt, tue B beschreiben, verwenden Sie eine Regel. Lässt sich die Aufgabe nur über Beispiele ausdrücken, ist ein Modell angebracht. Und wenn sich die Regel zwar schreiben ließe, nur niemand Lust dazu hat, ist das kein Argument für KI, sondern das Aufschieben einer Entscheidung.

Im Benchmark TheAgentCompany von Forschenden der Carnegie Mellon University, der die Umgebung eines kleinen Softwareunternehmens simuliert, erledigte der beste getestete Agent 30 Prozent der Aufgaben vollständig eigenständig. Es geht um eine Simulation und um die vollständig autonome Erledigung, die Zahl sagt also nichts darüber aus, wie viel ein Agent mit einem Menschen an seiner Seite schafft. Dennoch folgt daraus: Ein Agent, der auf einen unaufgeräumten Prozess losgelassen wird, bringt den größten Teil der Arbeit nicht zu Ende.

Wo der Mensch bleiben muss

Human in the Loop, also die Einbindung des Menschen in die Entscheidungsschleife, ist ein richtiger Gedanke, der häufig als Alibi missbraucht wird. Ben Green hat in einer begutachteten Studie 41 Regelwerke untersucht, die eine menschliche Aufsicht über staatliche Algorithmen vorschreiben. Seinen Ergebnissen zufolge können Menschen die Aufsichtsfunktionen, die von ihnen erwartet werden, nicht erfüllen, und die Aufsichtsvorgaben legitimieren deshalb den Einsatz fehlerhafter Werkzeuge.

Das räumt auch die europäische Regulierung ein. Artikel 14 der KI-Verordnung verlangt, dass Hochrisikosysteme so konzipiert sind, dass Menschen sie wirksam beaufsichtigen können, und benennt ausdrücklich den Automation Bias, also die Neigung, sich automatisch auf die Ausgabe eines Systems zu verlassen. Das Schlüsselwort lautet konzipiert. Aufsicht ist eine Konstruktionsanforderung und kein Pflaster, das nach der Einführung aufgeklebt wird.

Der Mensch soll also dort bleiben, wo eine Entscheidung unumkehrbar ist, wo sie rechtliche oder finanzielle Folgen trägt und wo es um eine Ausnahme außerhalb der üblichen Fälle geht. Wo die Kontrolle nur formal wäre, automatisieren Sie den Schritt lieber gar nicht.

Risiken, die vor dem Start zu klären sind

Halluzinationen. Eine unabhängige Messung des Teams Stanford RegLab hat gezeigt, dass spezialisierte juristische Werkzeuge mit Dokumentensuche in 17 bis 33 Prozent der Fälle halluzinierten, wobei das beste getestete Werkzeug 65 Prozent der Fragen korrekt beantwortete. Sein Anbieter versprach dabei null Halluzinationen. Die Domäne ist die juristische Recherche in den USA, übertragen Sie die Zahlen also nicht mechanisch. Übertragbar ist die Schlussfolgerung: Auch ein Werkzeug, das auf einer geprüften Datenbank aufsetzt, irrt oft genug, dass die Ausgabe eine Kontrolle braucht. Laut der Arbeit Why Language Models Hallucinate, deren Autoren mehrheitlich bei OpenAI tätig sind, handelt es sich nicht um einen Fehler, den die nächste Version behebt. Modelle raten, weil die Art der Bewertung sie für das Raten belohnt und für das Eingeständnis von Unsicherheit bestraft.

Datenschutz und Daten. Data Governance, also Regeln darüber, welche Daten in das System gelangen und wer für sie verantwortlich ist, ist kein administrativer Überbau. Artikel 10 der KI-Verordnung verlangt, dass Trainings-, Validierungs- und Testdatensätze relevant, hinreichend repräsentativ und so weit wie möglich fehlerfrei sind. Ein Modell, das auf unaufgeräumten Daten aufsetzt, zementiert die Unordnung und verleiht ihr die Autorität einer maschinellen Ausgabe.

Zugriffsrechte. Ein Assistent, der alles sieht, was das Firmenlaufwerk sieht, ist eine neue Angriffsfläche. Locker gesetzte Rechte erbt das Modell und erleichtert damit die Suche in dem, was getrennt bleiben sollte.

Auditierbarkeit. Artikel 12 verlangt, dass Hochrisikosysteme die automatische Aufzeichnung von Ereignissen über ihre gesamte Lebensdauer technisch ermöglichen. Die Fähigkeit, im Nachhinein zu rekonstruieren, was das System getan hat und auf welcher Grundlage, muss vorab entworfen werden. In einen eingefahrenen Prozess lässt sie sich nicht nachträglich einkleben.

Das amerikanische Rahmenwerk NIST AI RMF ergänzt einen Schritt, der leicht übergangen wird: Ergebnis der Risikokartierung soll eine erste Entscheidung darüber sein, ob eine auf KI gestützte Lösung überhaupt gebaut werden soll.

Modellbeispiel: von der Anfrage bis zum Angebot

Ein hypothetisches Unternehmen verkauft Komponenten nach Maß. Der aktuelle Stand:

1. Die Anfrage geht in einem gemeinsamen E-Mail-Postfach ein.
2. Die Assistenz überträgt sie in eine Tabelle und legt einen Ordner auf dem Laufwerk an.
3. Der Vertrieb klärt per E-Mail mit der Technik, ob die Anforderung umsetzbar ist.
4. Die Technik antwortet, wenn sie Zeit hat.
5. Der Vertrieb stellt das Angebot manuell zusammen und kopiert die Preise aus der Preisliste.
6. Die Leitung gibt das Angebot frei, praktisch immer.
7. Ins CRM gelangt das Angebot, wenn jemand daran denkt.

Die naive Lösung lautet: ein Sprachmodell einsetzen, das aus den E-Mails Angebote schreibt. Das Unternehmen bekommt eine schnellere Dokumentenerstellung, doch das Warten auf die Technik, die doppelte Erfassung und die leere Freigabe bleiben bestehen. Es entsteht eine schnellere Version derselben Unordnung und eine neue Kategorie von Fehlern, die niemand kontrolliert.

Ein Redesign nach der Methodik sieht anders aus. Eliminieren: Die Übertragung in die Tabelle entfällt, ebenso die Freigabe, die noch nie etwas abgelehnt hat, an ihre Stelle tritt ein Limit. Vereinfachen: Die Anfrage kommt über ein Formular, das die zur Beurteilung nötigen Parameter abfragt, sodass die Rückfrage an die Technik meist entfällt. Automatisieren: Das Formular legt deterministisch eine Opportunity im CRM an, weist den zuständigen Vertrieb zu, stellt das Angebot aus der Preisliste zusammen und überwacht die Fristen. Ein Modell ist hier nicht nötig. Erweitern: Erst bei nicht standardisierten Anfragen erstellt ein Modell eine Zusammenfassung und einen Lösungsvorschlag, den die Technik bestätigt oder überschreibt.

Beachten Sie die Reihenfolge. Der größte Effekt kam aus den ersten beiden Schritten, die fast nichts gekostet und keine KI gebraucht haben. Eine Anmerkung, die in unserer Branche selten fällt: Ein beträchtlicher Teil solcher Aufgabenstellungen löst sich ohne eigene Entwicklung, also durch das Streichen von Schritten, ein Formular und ein Standardwerkzeug, dessen Abonnement um ein Vielfaches günstiger ist als Entwicklung und Wartung zusammen. Eine eigene Lösung lohnt sich dort, wo der Prozess wirklich spezifisch ist und wo die Reibung den Preis von Entwicklung und Wartung übersteigt. Wann sich eine solche Investition rechnet, behandeln wir im Text Ein gutes internes System kann sich schneller bezahlt machen als ein neuer Mitarbeiter, und wie ein von Grund auf neu gebautes Unternehmen aussähe, im Beitrag Wie ich heute ein Unternehmen aufbauen würde, das keine Armee an Verwaltungskräften braucht.

Was Sie mitnehmen sollten

• Zerlegen Sie einen Prozess in Eingabe, Entscheidung, Aktion und Ausgabe. Kartieren Sie die Realität, nicht die Richtlinie.
• Finden Sie Dopplungen, Wartezeiten, Freigaben ohne Risiko, manuelle Übertragungen und Schritte ohne Grund. Ordnen Sie sie nach Cost of Friction: Zeit mal Häufigkeit mal Anzahl der Personen mal Stundensatz.
• Halten Sie die Reihenfolge eliminieren, vereinfachen, automatisieren, erweitern ein. Der nächste Schritt darf erst nach Abschluss des vorherigen beginnen.
• Wo deterministische Automatisierung genügt, fügt ein Sprachmodell nur Unsicherheit und Kosten hinzu.
• Beantworten Sie vor dem Start: Wer kontrolliert die Ausgabe, welche Daten fließen ein, wer hat worauf Zugriff und wie weisen Sie im Nachhinein nach, was das System getan hat?