Künstliche Intelligenz behebt keine Mängel in einem schlecht strukturierten Unternehmen, sondern verschlimmert sie nur. Ein Sprachmodell, das mit einem unübersichtlichen Prozess verknüpft ist, schafft keine Klarheit, sondern erzeugt Verwirrung – und zwar schneller und in größerem Ausmaß. Deshalb verzeichnen so viele Unternehmen, die KI eingesetzt haben, in keiner einzigen Position ihrer Gewinn- und Verlustrechnung einen Return on Investment: Sie haben keine Lösung, sondern einen Multiplikator erworben und diesen auf etwas angewendet, das noch nicht für eine solche Multiplikation geeignet war.
Dies ist keine KI-feindliche Haltung. Ganz im Gegenteil. KI verdient es, dort eingesetzt zu werden, wo sie echte Vorteile bringen kann. Dafür müssen wir aufhören, sie als installiertes Produkt zu betrachten, und stattdessen anfangen, sie als in ein funktionierendes System integrierte Fähigkeit zu sehen.
Ein Geschäftsprozess ist eine Kette von Entscheidungen, Verantwortlichkeiten, Daten und Ausnahmen. Ist diese Kette klar definiert, schafft ihre Automatisierung Kapazitäten. Ist sie es nicht, wandelt die Automatisierung Unklarheit in Ergebnisse um.
Überlegen Sie einmal, was genau passiert, wenn man einen KI-Assistenten in einen Auftragsgenehmigungsprozess einbindet, der nicht dokumentiert ist. Das Modell weiß nicht, welche Aufträge eine doppelte Unterschrift erfordern, da diese Regel nur im Kopf eines Mitarbeiters der Abteilung existiert. Es weiß nicht, wie es mit einem offenen Kundenanliegen umgehen soll, da dieser Fall nie schriftlich festgehalten wurde. Es kennt den Begriff „Ausnahme“ nicht, da Ausnahmen bisher mündlich behandelt wurden.
Das Ergebnis ist nicht, dass das System sichtbar versagt. Das Ergebnis ist schlimmer: Das System funktioniert, erzeugt plausible Antworten, und diese Antworten verbreiten sich in der gesamten Organisation mit der impliziten Autorität, von einem System zu stammen. Der Fehler ist auf den ersten Blick nicht mehr erkennbar und wird systematisch.
Das ist der Unterschied zwischen einem Werkzeug und einem Verstärker. Ein Werkzeug erfüllt eine Aufgabe. Ein Verstärker verstärkt das empfangene Signal und unterscheidet nicht zwischen Signal und Rauschen.
McKinsey stellte in seiner globalen Studie „State of AI 2025“ (1.993 Teilnehmer aus 105 Ländern) fest, dass 88,1 % der Unternehmen KI routinemäßig in mindestens einem Geschäftsbereich einsetzen. Diese Aussage wurde im vergangenen Jahr in nahezu jeder Unternehmenspräsentation wiederholt.
Der Rest des Berichts ist deutlich weniger repetitiv. Nur 391 TP3T weisen Auswirkungen auf das EBIT auf Unternehmensebene auf. Lediglich 61 TP3T gelten als *Hochleistungsunternehmen*, wobei mehr als 51 TP3T des EBIT auf KI zurückzuführen sind. Und McKinseys Schlussfolgerung ist eindeutig: Signifikante Auswirkungen auf das Endergebnis bleiben selten.
IBM gelangte auf einem anderen Weg zum selben Ergebnis. Die CEO-Studie 2025, an der 2.000 CEOs aus 33 Ländern teilnahmen, ergab, dass nur 251 % der KI-Initiativen den erwarteten Ertrag erbracht hatten und nur 161 % auf Organisationsebene skaliert worden waren.
Die interessante Frage ist nicht, warum so viele scheitern, sondern was die Erfolgreichen auszeichnet. McKinsey identifiziert einen Faktor, der stärker als jeder andere mit den Auswirkungen auf das EBIT korreliert: die grundlegende Neugestaltung von Arbeitsabläufen. Nur 211 der 30 Unternehmen, die generative KI einsetzten, hatten dies getan.
Anders ausgedrückt: Die Variable, die diejenigen, die Geld verdienen, von denen trennt, die es nicht tun, ist nicht das Modell. Es sind die Vorarbeiten.
Das bedeutet nicht zwangsläufig, dass das Unternehmen schlecht geführt oder unrentabel ist. Viele Unternehmen mit ineffizienten Prozessen sind profitabel, weil sie die mangelnde Organisation durch menschliche Arbeitskraft ausgleichen. Das Problem entsteht erst, wenn sie versuchen, diese Arbeitskraft zu automatisieren.
Dies sind die vier Symptome, die wir am häufigsten bei einer Diagnose feststellen:
Dieser Prozess existiert nur im Kopf einer Person. Es gibt jemanden, der genau weiß, wie es geht. Wenn diese Person im Urlaub ist, verschlechtert sich der Prozess. Ein undokumentierter Prozess lässt sich nicht automatisieren; bestenfalls kann er nur teilweise nachgeahmt werden.
Es gibt keine einzige Quelle der Wahrheit. Die Kundendaten befinden sich im CRM-System, in der Tabellenkalkulation eines Vertriebsmitarbeiters und im ERP-System – und alle drei Systeme unterscheiden sich geringfügig. KI löst diesen Widerspruch nicht auf; sie wählt ohne Benachrichtigung eine der drei Versionen aus.
Ausnahmen werden nicht geplant, sie werden entdeckt. Die seltenen Fälle wurden nicht erfasst. Sie werden nach und nach behoben. In der Produktion treten diese seltenen Fälle zwischen 151 TP3T und 301 TP3T des tatsächlichen Volumens auf, und genau an diesen Stellen versagt die Automatisierung.
Für das Ergebnis ist niemand verantwortlich, nur für die Aufgabe. Es gibt jemanden, der genehmigt, jemanden, der die Daten erfasst, und jemanden, der die Rechnung stellt, aber niemand ist für den gesamten Prozess verantwortlich. Durch die Automatisierung verschwindet diese Verantwortlichkeitslücke nicht, sondern vergrößert sich sogar, da nun ein System dazwischengeschaltet ist, dem man die Schuld geben kann.
Keines dieser vier Probleme ist ein Technologieproblem. Alle vier werden jedoch durch den Einsatz von Technologie verschärft.
Die Reihenfolge ist wichtiger als die Werkzeuge. Das ist der Unterschied zwischen den beiden Ansätzen:
Ansatz | Beginnen Sie mit KI | Beginnen Sie mit dem Prozess |
Erster Schritt | Wählen Sie ein Modell oder einen Lieferanten. | Entscheidungen, Daten und Ausnahmen kartieren |
Anfangsmetrik | Anzahl der Nutzer, Anfragen, Demos | Zykluszeit, Fehlerrate, Kosten pro Fall |
Wo tritt das Problem auf? | In Produktion, nach drei Monaten | In der Diagnosephase, auf Papier |
Kosten der Korrektur | Stopp: Die Integrationen müssen überarbeitet werden. | Unten: ein korrigiertes Diagramm |
Was am Ende übrig bleibt | Ein Werkzeug, das niemand benutzt | Ein besserer Prozess, mit oder ohne KI |
Die rechte Spalte besitzt eine Eigenschaft, die der linken fehlt: Sie generiert auch dann einen Mehrwert, wenn KI verworfen wird. Sollte sich am Ende der Analyse herausstellen, dass der Fall kein Modell rechtfertigt, behält das Unternehmen dennoch einen abgebildeten Prozess, identifizierte Ausnahmen und lokalisierte Engpässe. Diese Arbeit ist somit nicht verloren.
Bei The Cloud Group ist diese Vorgehensweise in unserer TCG-SAF™-Methodik formalisiert: Zuerst wird die Vision des Ökosystems definiert, dann werden die Funktionsbereiche abgebildet, anschließend die Module und ihre Verträge strukturiert, und erst dann beginnt die eigentliche Entwicklung. Wenn die Prozessanalyse der Entwicklung vorausgeht, wird die Diskussion über das zu verwendende Modell zu dem, was sie sein sollte: eine reversible technische Entscheidung, nicht die strategische Entscheidung des Projekts.
Dasselbe Prinzip wenden wir auch bei unseren Dienstleistungen an. Prozessneugestaltung und Technologieberatung [interner Link], wobei die Prozessabbildung und die Identifizierung von Engpässen stets den Automatisierungsempfehlungen vorausgehen.
Es wäre unehrlich zu behaupten, man solle niemals damit beginnen. Es gibt drei Situationen, in denen der direkte Einstieg mit einem Modell die richtige Entscheidung ist:
Wenn der Prozess bereits sauber ist und der Flaschenhals das Volumen ist. Wenn das Ticketklassifizierungssystem klar definiert ist, mit eindeutigen Kriterien und konsistenten Daten, und das Problem darin besteht, dass monatlich zehntausend Tickets eingehen, ist keine Umgestaltung nötig. Was benötigt wird, ist Kapazität.
Wenn das erklärte Ziel darin besteht, zu lernen, nicht zu produzieren. Ein begrenztes Experiment mit festem Budget und definiertem Endpunkt ist eine sinnvolle Investition in die organisatorischen Kapazitäten. Der Fehler liegt nicht im Experimentieren selbst, sondern darin, ein Experiment als «Projekt» zu bezeichnen und einen Erfolg zu erwarten.
Wenn der Anwendungsfall in der Sprache liegt. Dokumentationen zusammenfassen, Informationen aus Verträgen extrahieren, Stimmungen in Supportgesprächen analysieren – das sind Probleme, mit denen herkömmliche Software naturgemäß zu kämpfen hat, und genau hier bietet dieses Modell Möglichkeiten, die es zuvor nicht gab.
Abgesehen von diesen drei Szenarien bedeutet der Beginn mit dem Modell, mit dem Ende zu beginnen.
In Managementausschüssen wird oft die Frage gestellt: «Wo setzen wir KI ein?». Diese Frage führt zwangsläufig zu einer mittelmäßigen Antwort, da sie von der Lösung ausgeht und erst dann nach dem Problem sucht.
Die nützliche Version dieser Frage besteht aus drei Teilen:
Ein Unternehmen, das diese drei Fragen ehrlich beantwortet, stellt fast immer fest, dass sein erstes KI-Projekt eigentlich gar kein KI-Projekt ist. Es handelt sich vielmehr um ein Projekt zur Verbesserung der betrieblichen Abläufe, in das später Modelle integriert werden, wenn diese einen Vorteil bieten.
Das ist der Unterschied zwischen einem Unternehmen, das in KI investiert, und einem Unternehmen, das davon profitiert.
Nein. KI verstärkt den Prozess, mit dem sie verbunden ist: Weist der Prozess unklare Regeln, widersprüchliche Daten oder undokumentierte Ausnahmen auf, reproduziert die Automatisierung diese Fehler schneller und in größerem Umfang. Die Prozessneugestaltung sollte der Automatisierung vorausgehen, nicht ihr folgen.
Vier Dinge: die Entscheidungen und die Verantwortlichen dokumentieren, eine einzige Datenquelle schaffen, Ausnahmen auflisten und gestalten sowie jemanden benennen, der für das Gesamtergebnis des Prozesses verantwortlich ist, nicht nur für einzelne Aufgaben.
Laut der IBM-CEO-Studie 2025 haben nur 251 % der KI-Initiativen den erwarteten Ertrag gebracht, und nur 161 % wurden skaliert. McKinsey nennt die tiefgreifende Workflow-Neugestaltung als den Faktor mit dem stärksten Einfluss auf das EBIT, und nur 211 % der Unternehmen haben sie umgesetzt.
Das hängt vom Umfang ab, aber die Diagnose eines spezifischen Prozesses – Entscheidungsfindung, Daten, Ausnahmen und Verantwortliche – ist in der Regel innerhalb von Wochen, nicht Monaten, abgeschlossen. Das ist ein deutlich kürzerer Zeitraum als die Korrektur eines schlecht konzipierten Automatisierungssystems im Produktivbetrieb.
Wenn der Prozess bereits definiert ist und es sich um ein Problem des Datenvolumens handelt, wenn das erklärte Ziel darin besteht, durch ein begrenztes Experiment mit einem Abbruchkriterium zu lernen, oder wenn der Anwendungsfall in der natürlichen Sprache liegt (Dokumentenzusammenfassung, Informationsextraktion, Stimmungsanalyse).
Digitalisierung bedeutet, den bestehenden Prozess auf ein Tool zu übertragen. Neugestaltung hingegen hinterfragt den Prozess vor der Übertragung. Die Digitalisierung eines ineffizienten Prozesses führt zu einem schnelleren, aber ineffizienten Prozess; seine Neugestaltung bewirkt eine Verbesserung des Geschäftsergebnisses.
Möchten Sie wissen, ob Ihr Prozess für die Automatisierung bereit ist? Bei The Cloud Group beginnen wir mit einer Diagnose, nicht mit einem technischen Vorschlag. In einem zweistündigen, unverbindlichen Beratungsgespräch analysieren wir Ihren konkreten Fall und zeigen Ihnen auf, was einer Neugestaltung und was einer Automatisierung bedarf – selbst wenn die Antwort lautet, dass es noch nicht an der Zeit ist. Lass uns reden → |
Español Español 
English
Français
العربية
Português
Deutsch
Italiano
