KI wächst nicht von selbst mit – die Arbeit muss sich ändern.

Der Zugang zu einem KI-Modell sagt einem Unternehmen noch nicht, wie es dieses sinnvoll einsetzen kann. Diese Entscheidung hängt auch von der Arbeit, den verfügbaren Informationen, den verantwortlichen Menschen und der Art ab, wie Ergebnisse gemessen werden sollen.

Ein beeindruckender Pilot kann zeigen, ob eine Aufgabe technisch machbar ist. Für sich allein kann er nicht belegen, ob die Organisation ihr Betriebsmodell daran ausrichten sollte. Dafür braucht das Unternehmen ein klareres Bild davon, was sich verbessern soll, was sich ändern muss und wodurch der Plan seine Grundlage verlieren könnte.

Ein McKinsey-Artikel vom Juni 2026 berichtet von einer erheblichen Lücke zwischen KI-Experimenten und einer unternehmensweiten Skalierung. Die Befragung zu Operational Excellence erhob 1.000 Antworten von Führungskräften aus 696 Unternehmen; die Finanzanalyse umfasste 677 Unternehmen. Die Stichprobe konzentrierte sich auf große Organisationen. McKinsey berichtet Zusammenhänge zwischen stärker ausgeprägten operativen Praktiken, dem KI-Einsatz und der finanziellen Leistung und unterscheidet dabei ausdrücklich zwischen Korrelation und Kausalität. [1]

Diese Forschung ist ein Anlass, die Organisation rund um die KI zu untersuchen, und kein Renditeversprechen. ETHORITY leitet daraus für die Praxis ab, bei der geschäftlichen Arbeit anzusetzen und die vorgeschlagene Veränderung zu messen, statt bereits die Einführung eines Werkzeugs als Ergebnis zu behandeln.

Betrachten wir ein beispielhaftes Serviceteam, das seinen Kunden schneller hilfreiche Antworten geben möchte. „Einen KI-Agenten einführen“ beschreibt eine technologische Richtung. Es ist noch keine Definition des Problems.

Wo bleiben Anfragen liegen? Welche Antworten erfordern eine Suche über mehrere Systeme hinweg? Welche Fälle kommen zurück, weil die erste Antwort falsch war? Was weiß das Team über Lösungszeit, Nacharbeit und Eskalationen? Die Antworten können eine sinnvolle Rolle für KI aufzeigen. Sie können aber auch eine veraltete Wissensbasis oder einen Freigabeschritt sichtbar machen, der zuerst verbessert werden sollte.

Eine fehlende Ausgangsbasis ist kein Grund, eine Einsparung zu erfinden. Sie ist ein Grund, Messung zum Bestandteil des Plans zu machen. Wählen Sie ein Ziel, dessen Fortschritt eine fachlich verantwortliche Person beobachten kann, und halten Sie fest, welche Angaben zur Ausgangsbasis bekannt sind, vom Kunden stammen oder noch benötigt werden.

Verschiedene Schritte desselben Arbeitsablaufs können unterschiedliche Werkzeuge benötigen. Unser Gestaltungsprinzip lautet, für die jeweilige Aufgabe den einfachsten ausreichenden Ausführungsmodus zu verwenden.

Eine Weiterleitungsregel kann deterministisch bleiben. Für eine Bewertungs- oder Erkennungsaufgabe kann sich analytische KI eignen. Ein Entwurf oder eine Zusammenfassung kann generative KI nutzen. Eine begrenzte Untersuchung, die mehrere Werkzeuge erfordert, kann einen Agenten rechtfertigen. Menschliches Urteilsvermögen und menschliche Befugnisse sind dabei nicht die letzte Stufe einer Leiter; sie bleiben über den gesamten Arbeitsablauf hinweg Fragen der Verantwortung.

Für das Serviceteam sollten das Vorbereiten einer Antwort und das Ausführen einer Erstattung nicht mit denselben Berechtigungen verbunden sein. Der Betriebsplan muss festlegen, was jede Komponente tun darf, welche Informationen sie benötigt und wann ein Mensch übernimmt.

Das ist kein Argument gegen ehrgeizige Automatisierung. Es ist ein Weg, diesen Anspruch überprüfbar zu machen.

Ein geplantes System braucht mehr als die Auswahl eines Modells. Es benötigt nutzbare Quellinformationen, dokumentierte Schnittstellen, Zugriffsgrenzen, Verantwortliche und einen Umgang mit Ausnahmen.

Angenommen, der Assistent findet keine freigegebene Antwort: Soll er nachfragen, eine eingeschränkte Antwort geben oder eskalieren? Angenommen, zwei Quellen widersprechen einander: Welche ist maßgeblich, und wer löst den Konflikt? Angenommen, bei einem Werkzeug tritt nach einer Kundenaktion eine Zeitüberschreitung auf: Wie erfährt das Team, ob die Aktion abgeschlossen wurde?

Das sind Fragen der Betriebsgestaltung. Sie gehören vor eine breite Einführung, weil sie sowohl die Leistung für Kunden als auch die Arbeit prägen, die Menschen für den Erhalt des Systems leisten müssen.

Ein nützlicher Plan benennt ungeklärte Bedingungen, statt sie hinter einem Architekturdiagramm zu verbergen. Er kann eine Untersuchung oder einen enger gefassten Piloten empfehlen, wenn die Evidenz eine Einführungsentscheidung noch nicht trägt.

Ein Dashboard kann anzeigen, dass etwas geschehen ist. Es entscheidet nicht darüber, wer den Prozess verändern, ein Werkzeug einschränken oder einen unsicheren Vorgang stoppen darf.

Die Betriebsgestaltung sollte die verantwortliche Person, zulässige Handlungen, Freigabepunkte und den Eskalationsweg benennen. Sie sollte die Bedingungen für Anpassung, Stopp oder Ausweitung des Systems festlegen. Fähigkeit und Befugnis bleiben verschieden: Dass eine KI-Komponente handeln kann, gibt ihr noch nicht die Erlaubnis dazu.

Für unser Servicebeispiel könnte das bedeuten, dass der Assistent in einer ersten Erprobung nur Entwürfe erstellt, abgelehnte und eskalierte Fälle geprüft werden und vor der Erteilung von Transaktionsberechtigungen eine gesonderte Entscheidung fällt. Dies ist ein beispielhafter Entwurf, keine Vorgabe für jede Organisation und keine Beschreibung eines bestehenden Kundeneinsatzes.

Der günstigste Modellaufruf ist nicht zwangsläufig die günstigste erledigte Aufgabe. Ein Business Case sollte die für seinen Arbeitsablauf relevanten Bestandteile berücksichtigen: Integration, Informationsabruf, Modell- und Werkzeugnutzung, Wiederholungsversuche, menschliche Prüfung, Korrekturen, Support und Wartung.

Trennen Sie beobachtete Kosten von Annahmen. Machen Sie die erwarteten Folgen von Fehlern sichtbar, statt sie in ein scheinbar gemessenes Ergebnis einzurechnen. Und benennen Sie, was mit frei werdender Zeit geschieht. Mehr Kapazität, bessere Qualität und niedrigere zahlungswirksame Ausgaben sind unterschiedliche Ergebnisse; eines belegt nicht automatisch ein anderes.

Eine Planungsunterlage kann zeigen, welche Voraussetzungen erfüllt sein müssten, damit ein Vorhaben wirtschaftlich sinnvoll ist. Realisierter Wert erfordert spätere Beobachtung und eine belastbare Erklärung dafür, was zum Ergebnis beigetragen hat.

Ein Unternehmen kann leistungsfähigere Modelle kaufen, ohne den Durchsatz seiner Arbeit zu verbessern. Wartet ein Dokument weiterhin auf eine nicht verfügbare Freigabe, erzeugt schnelleres Schreiben möglicherweise nur eine längere Warteschlange. Sind Quelldaten unvollständig, kann eine flüssigere Antwort den Mangel schwerer erkennbar machen. Suchen Sie deshalb den Engpass im gesamten Prozess, statt das Modell als begrenzenden Faktor vorauszusetzen.

Verfolgen Sie repräsentative Fälle von der Anfrage bis zum akzeptierten Ergebnis. Erfassen Sie Wartezeit, Vorbereitung, Prüfung, Korrektur und Übergabe. Fragen Sie die Empfänger, an welchen Stellen Arbeit zurückkommt und warum. Das kann auf eine KI-Möglichkeit, ein Datenpflegeproblem oder eine einfachere Zuständigkeitsänderung hinweisen. Ein nützlicher Erkundungsprozess muss jede dieser Antworten zulassen.

Bestimmen Sie die nächste Entscheidung vorab. Geht es um Automatisierung, Unterstützung, bessere Quellen oder den Abbruch eines ungeeigneten Versuchs? Das hält die Untersuchung fokussiert. Ohne anstehende Entscheidung kann aus der Prozessbetrachtung ein weiteres Dokumentationsprogramm entstehen, dessen Ergebnisse niemand verwendet.

In einer hypothetischen Lieferantenaufnahme kann eine feste Regel prüfen, ob ein Pflichtfeld ausgefüllt ist. Eine Nachfrageprognose benötigt möglicherweise ein analytisches Modell. Für die Zusammenfassung von Lieferantendokumenten kann generative Unterstützung sinnvoll sein. Das Ändern eines freigegebenen Datensatzes verlangt dagegen eine begrenzte Handlung. Diese Tätigkeiten müssen nicht zu einem einzigen Agenten werden, nur weil sie im selben Prozess vorkommen.

Menschliche Befugnis bleibt von der technischen Methode getrennt. Auch ein deterministisches System kann eine folgenreiche Entscheidung ausführen, während ein komplexes Modell ausschließlich Entwürfe vorbereitet. Die passende Berechtigung folgt Handlung und Folge, nicht der modischen Bezeichnung der Technik. Legen Sie fest, welche Aufgaben geprüft werden und wer das Ergebnis verändern darf.

Verwenden Sie die einfachste Methode, die die Abnahmeregel erfüllt. Komplexität verursacht Pflegeaufwand: zusätzliche Abhängigkeiten, Fehlerzustände und Erklärungsbedarf bei der Wiederherstellung. Ein Agent ist hilfreich, wenn seine Flexibilität der Aufgabe dient und seine Befugnis begrenzt werden kann. Er ist nicht automatisch die nächste Entwicklungsstufe jeder Automatisierung.

Die Aufteilung erleichtert auch die Beschaffung. Ein Unternehmen kann eine klar begrenzte Modellleistung einkaufen und die verbindliche Entscheidung im eigenen bestehenden Ablauf belassen. So bleibt erkennbar, welche Komponente was beiträgt. Ein Anbieterwechsel erfordert dann nicht zwangsläufig, sämtliche fachlichen Regeln neu zu gestalten.

Wer das Ergebnis verwendet, sollte den Test mitbestimmen. Der Vertrieb kann einen schnellen Angebotsentwurf begrüßen, während die Umsetzung dessen Annahmen nicht tragen kann. Der Einkauf kann einen gut formulierten Vergleich erhalten, der die entscheidende Datenregion offenlässt. Die Abnahme muss sich an den tatsächlichen Bedürfnissen der Empfänger orientieren.

Wählen Sie gewöhnliche und schwierige Fälle aus. Dazu gehören unvollständige Eingaben, widersprüchliche Unterlagen und Vorgänge, die manuell bleiben sollen. Erhalten Sie einen Ausgangsstand und dokumentieren Sie Änderungen an Personal, Nachfrage oder Richtlinien während der Erprobung. Sonst wird dem Werkzeug ein Ergebnis zugeschrieben, obwohl sich mehrere Bedingungen gleichzeitig verändert haben. Beschreiben Sie die Beobachtung innerhalb der Aussagekraft des Untersuchungsdesigns.

Messen Sie Prüfaufwand und Nacharbeit. Müssen Beschäftigte jede Tatsachenbehauptung kontrollieren, gehört diese Zeit in die Rechnung. Wird ein Ergebnis abgelehnt, zählen die Kosten des anderen Erledigungswegs. Durchschnittswerte dürfen wichtige Unterschiede zwischen Fallarten nicht verdecken. Ein Werkzeug kann für eine Aufgabe geeignet und für eine andere ungeeignet sein. Das ist eine nützliche Auswahlregel.

Zwei hypothetische Konfigurationen verarbeiten jeweils 1.000 Anfragen für 500 Euro direkte Nutzungskosten. Eine liefert 800 akzeptierte Ergebnisse, die andere 500. Die direkten Kosten je akzeptiertem Ergebnis betragen damit 0,625 Euro beziehungsweise einen Euro, noch ohne Prüfung, Unterstützung und Einführung. Diese Rechnung entscheidet nicht allein über die bessere Lösung. Sie zeigt, weshalb gleiche Anfragepreise unterschiedliche Arbeitskosten verbergen können.

Ergänzen Sie Prüfminuten und Kosten gescheiterter Fälle. Prüfen Sie, ob die akzeptierten Ergebnisse hinsichtlich Qualität und Folgen vergleichbar sind. Bearbeitet eine Konfiguration nur einfache Anfragen, ist ihre Abnahmequote nicht direkt mit einem System für die vollständige Warteschlange vergleichbar. Nenner und Umfang müssen gleich bleiben, bevor ein Kostenvorteil behauptet wird.

Der Rechner hilft beim Erkunden solcher Szenarien. Kennzeichnen Sie Annahmen und unterscheiden Sie mögliche Kapazität von realisiertem finanziellem Wert. Ein besserer Service kann sinnvoll sein, ohne die Lohnsumme zu reduzieren. Entscheidend ist ein nachvollziehbarer Nutzenmechanismus und eine klare Absicht, wie die Verbesserung eingesetzt werden soll.

Auch der Zeitraum muss zur Aussage passen. Einführungsaufwand fällt anders an als laufende Nutzung. Werden beide auf einen Monat umgelegt, nennen Sie die dafür angenommene Nutzungsdauer. Prüfen Sie, wie sich das Ergebnis bei kürzerer Verwendung oder geringerem Volumen verändert. Eine transparente Bandbreite schützt vor der falschen Sicherheit einer einzelnen präzisen Zahl.

Benennen Sie die Verantwortlichen für Dokumente, Berechtigungen, Schnittstellen, Anbieterbedingungen und Unterstützung. Klären Sie, wie Änderungen die Prozessleitung erreichen und wann neue Tests notwendig sind. Ein von Entwicklern betreuter Pilot kann zuverlässig wirken und zugleich von manuellen Eingriffen abhängen, die das spätere Betriebsteam nicht kennt.

Üben Sie Ausfall und Wiederaufnahme. Können Menschen ohne Modell weiterarbeiten? Lässt sich eine unklare externe Handlung ohne doppelte Ausführung abgleichen? Ist die letzte akzeptierte Konfiguration auffindbar? Erhalten Sie die dafür benötigten Nachweise und Anweisungen. Eine einzelne Handlung pausieren zu können und lesende Unterstützung zu erhalten kann wertvoller sein als ein ehrgeiziger Alles-oder-nichts-Entwurf.

Prüfen Sie bei jeder Erweiterung, ob die Erfolgsbedingungen auch im nächsten Umfeld bestehen. Andere Sprache, Datenquelle oder Folge können das Ergebnis verändern. Übernehmen Sie Methode und Erfahrung, testen Sie aber die neuen Annahmen. Skalierung ist eine Folge verbundener betrieblicher Entscheidungen und nicht das Kopieren einer Oberfläche in weitere Abteilungen.

Nach Klärung der Aufgabe unterstützt das Good AI Prisma die Suche nach Möglichkeiten. Ein AI Business Blueprint kann eine konkrete Geschäftsfrage strukturieren. Für vertiefte Investitions- und Betriebsbedingungen ist der per Angebot vereinbarte Enterprise AI Opportunity Case relevant. Ein AI Trust Pilot betrifft einen begrenzten Anwendungsfall und verspricht keine unternehmensweite Transformation.

Wählen Sie die kleinste Arbeit, die die nächste Unsicherheit klärt. Bringen Sie Prozess, Ausgangswerte, empfangendes Team und anstehende Entscheidung mit. Ziel ist nicht lediglich mehr KI-Nutzung. Nützliche Arbeit soll verlässlicher, wirtschaftlicher und verantwortbar werden. Die dabei gewonnene Erfahrung muss erhalten bleiben, wenn das Unternehmen wächst.

Der operative Kreislauf von ETHORITY lautet DISCOVER → CREATE → RUN → IMPROVE → GROW. Als Planungsdisziplin bedeutet das, Ziel, Evidenz, Annahmen, Betriebsbedingungen und die Gründe für den nächsten Schritt festzuhalten. Der Kreislauf beschreibt unsere strategische Ausrichtung, nicht die Behauptung, dass jede Betriebsfunktion öffentlich aktiv ist.

Wenn sich Modell, Quelldaten, Arbeitsablauf oder Kundenbedarf ändern, sollte das Team auf die Entscheidung zurückkommen können, ohne sie aus verstreuten Dokumenten rekonstruieren zu müssen. Legen Sie fest, was gemessen wird, was eine Ausweitung rechtfertigen würde und was einen anderen Ansatz erforderlich machen würde.

Eine AI-first-Organisation ist nicht zwangsläufig diejenige mit den meisten KI-Werkzeugen. Der weitergehende Anspruch ist eine wiederholbare Fähigkeit, nützliche Arbeit zu erkennen, einen passenden Ansatz auszuwählen, die Bedingungen für seinen Betrieb zu schaffen und aus dem Ergebnis zu lernen.

Die nächste Frage lautet daher nicht nur: „Welche KI sollten wir kaufen?“ Sie lautet: „Was muss sich in ihrem Umfeld ändern, damit dieses Geschäftsziel erreichbar wird?“

Quellen und Geltungsbereich [1] McKinsey & Company, „Putting AI to work: The operational excellence imperative“, 19. Juni 2026; Quelle geprüft am 26. September 2026: https://www.mckinsey.com/capabilities/operations/our-insights/putting-ai-to-work-the-operational-excellence-imperative Der einleitende Forschungsabschnitt fasst die Quelle zusammen. Die anschließenden Gestaltungsempfehlungen sind ETHORITYs Interpretation und bestehende Planungsmethode, keine McKinsey zugeschriebenen Ergebnisse. Das Beispiel des Serviceteams dient der Veranschaulichung. Es werden weder Kundeneinsparungen noch ein kausaler Effekt, die Überlegenheit eines Modells oder eine externe Empfehlung behauptet.