Autor: Redaktion Training Company Online
Veröffentlichungsdatum: Noch festzulegen
Lesezeit: ca. 12 Minuten
Ein Maschinenbauunternehmen benötigt fünf Arbeitstage, um einem Kunden ein Angebot für eine technisch anspruchsvolle Anlage zu unterbreiten. Die eigentliche Kalkulation dauert vielleicht zwei Stunden. Die übrige Zeit vergeht damit, technische Informationen zusammenzutragen, Rückfragen zu klären, Unterlagen zwischen Abteilungen weiterzureichen und auf Freigaben zu warten.
Nun führt das Unternehmen einen KI-Assistenten ein. Er durchsucht technische Dokumentationen, bereitet Anforderungen auf und erstellt einen ersten Angebotsentwurf. Die Vertriebsmitarbeiter sparen dadurch Zeit.
Aber erhält der Kunde sein Angebot auch früher?
Solange die Unterlagen anschließend dieselben Abteilungen durchlaufen und auf dieselben Entscheidungen warten müssen, kann die Antwort durchaus nein lauten.
An diesem Unterschied entscheidet sich, ob künstliche Intelligenz lediglich einzelne Tätigkeiten erleichtert oder die Leistungsfähigkeit eines Unternehmens tatsächlich verändert. Für Geschäftsführer und Führungskräfte ist deshalb die Frage nach dem geeigneten KI-Werkzeug zu eng gefasst. Sie müssen untersuchen, wie sich die Arbeit unter den neuen technischen Möglichkeiten sinnvoll organisieren lässt.
Was Porsche schon vor mehr als 30 Jahren über Produktivität lernte
Anfang der 1990er-Jahre befand sich Porsche in einer schweren wirtschaftlichen Krise. Die Verkaufszahlen waren eingebrochen, die Kosten hoch, die Produktionsabläufe aufwendig. Der damalige Produktionsverantwortliche und spätere Vorstandschef Wendelin Wiedeking begann, die Arbeitsorganisation grundlegend zu verändern.
Dabei holte Porsche japanische Produktionsberater von Shingijutsu nach Stuttgart. Die Experten hatten Erfahrungen mit dem Produktionssystem von Toyota gesammelt und stellten zahlreiche Gewohnheiten des deutschen Sportwagenherstellers infrage.
In den Werkshallen standen große Materialbestände. Bauteile mussten gelagert, gesucht und transportiert werden. Arbeitsplätze waren über Jahre gewachsen, ohne dass der gesamte Materialfluss konsequent auf unnötige Wege und Wartezeiten untersucht worden war.
Die Berater betrachteten die Fertigung deshalb als zusammenhängenden Prozess. Wo entstand tatsächlich Wert für den Kunden? Welche Tätigkeiten waren erforderlich? Und welche Arbeit fiel nur an, weil Material, Informationen oder Zuständigkeiten ungünstig organisiert waren?
Die Veränderungen reichten von der Anordnung der Arbeitsplätze über die Materialversorgung bis zu den Aufgaben der Führungskräfte. Porsche führte zudem einen kontinuierlichen Verbesserungsprozess nach dem Kaizen-Prinzip ein.
Die Ergebnisse waren beträchtlich. Ein Bericht der taz vom 16. September 1994 bezifferte den Produktivitätsanstieg innerhalb von drei Jahren auf 35 Prozent. Die Lagerbestände seien um 75 Prozent gesunken, die Fertigungszeit des Porsche 911 um 30 Stunden. Allein die Verringerung des Materialbestands habe jährliche Einsparungen von 75 Millionen D-Mark ermöglicht.
Diese Angaben stammen aus der damaligen Berichterstattung und sind keine isolierte Wirkungsanalyse der Shingijutsu-Beratung. Porsche veränderte gleichzeitig seine Unternehmensstruktur, seine Kostenbasis und seine Modellpolitik. Die Sanierung lässt sich daher nicht auf eine einzelne Methode zurückführen. Auch die sozialen Folgen waren umstritten: Ein weiterer taz-Bericht vom Dezember 1994 beschrieb Personalabbau, erheblichen Veränderungsdruck und Kritik aus der Belegschaft.
Für die heutige Diskussion ist vor allem der Ansatz interessant: Porsche versuchte nicht, jede bisherige Tätigkeit schneller auszuführen. Das Unternehmen veränderte die Art, wie die Tätigkeiten zusammenwirkten.
Ein großer Teil des bisherigen Aufwands war durch die Organisation der Produktion selbst entstanden. Nachdem diese verändert wurde, entfiel ein Teil der Arbeit.
Mit künstlicher Intelligenz stellt sich eine vergleichbare Frage für Prozesse, in denen Informationen verarbeitet und Entscheidungen vorbereitet werden.
Warum viele Geschäftsprozesse heute anders aussehen könnten
Die meisten Geschäftsprozesse sind über längere Zeit entstanden. Neue Produkte, zusätzliche Kundenanforderungen, gesetzliche Vorschriften und wachsende Unternehmen haben ihre Spuren hinterlassen. Häufig wurde für eine neue Aufgabe ein weiterer Prüfschritt eingerichtet, eine zusätzliche Zuständigkeit geschaffen oder ein Formular ergänzt.
Das war unter den damaligen Bedingungen oft vernünftig.
Wenn ein Vertriebsmitarbeiter technische Unterlagen nicht selbst beurteilen konnte, leitete er sie an die Fachabteilung weiter. Wenn ein Sachbearbeiter Informationen aus mehreren Dokumenten benötigte, musste er diese lesen und manuell zusammenführen. Wenn ein Vorgang nur anhand früherer Entscheidungen beurteilt werden konnte, fragte man einen erfahrenen Kollegen.
Mit der Digitalisierung wurden viele dieser Abläufe zunächst elektronisch abgebildet. Dokumente wanderten nun per E-Mail statt in Papiermappen. Informationen wurden in unterschiedlichen Anwendungen gespeichert. Freigaben erfolgten über digitale Workflows.
Die grundlegende Arbeitsteilung blieb dabei häufig erhalten.
Generative KI verändert die Voraussetzungen, unter denen diese Prozesse gestaltet wurden. Sie kann unstrukturierte Informationen aus Texten erschließen, Dokumente vergleichen, Entwürfe erstellen und Hinweise auf mögliche Unstimmigkeiten liefern. In Verbindung mit geeigneten Datenquellen und Anwendungen lassen sich damit Tätigkeiten unterstützen, die bisher erhebliche manuelle Arbeit erforderten.
Allerdings kann eine KI Informationen überzeugend formulieren und trotzdem falsch interpretieren. Bei technischen Berechnungen, verbindlichen Zusagen oder rechtlich relevanten Entscheidungen sind deshalb geeignete Prüfungen erforderlich. Welche Aufgaben automatisiert werden können, hängt von der konkreten Anwendung, der Datenqualität und dem möglichen Schaden eines Fehlers ab.
Gerade deshalb sollten Unternehmen die technische Leistungsfähigkeit der KI bereits bei der Prozessgestaltung berücksichtigen. Ein Arbeitsablauf, der ausschließlich für menschliche Informationsverarbeitung entwickelt wurde, muss unter veränderten Bedingungen nicht mehr die wirtschaftlich sinnvollste Lösung sein.
Was die Forschung über den produktiven Einsatz von KI zeigt
Wie stark künstliche Intelligenz die Produktivität verbessert, lässt sich nicht mit einer allgemeinen Prozentzahl beantworten. Die Ergebnisse hängen von der Tätigkeit und davon ab, wie Menschen mit dem System zusammenarbeiten.
Im Kundenservice profitieren besonders weniger erfahrene Mitarbeiter
Die Wirtschaftswissenschaftler Erik Brynjolfsson, Danielle Li und Lindsey Raymond untersuchten die Einführung eines generativen KI-Assistenten im Kundenservice eines Unternehmens. Ihre Studie Generative AI at Work erschien 2025 im Quarterly Journal of Economics.
Die Untersuchung erfasste 5.172 Beschäftigte. Der KI-Assistent unterstützte sie während der Kundenkommunikation mit Vorschlägen für Antworten und Problemlösungen.
Im Durchschnitt stieg die Zahl der erfolgreich bearbeiteten Kundenanliegen pro Arbeitsstunde um 15 Prozent. Bei weniger erfahrenen und leistungsschwächeren Mitarbeitern war der Zuwachs besonders groß. Sie profitierten davon, dass das System hilfreiche Vorgehensweisen aus früheren Kundenkontakten verfügbar machte.
Für erfahrene Beschäftigte fiel der Effekt deutlich geringer aus. Bei den leistungsstärksten Mitarbeitern beobachteten die Forscher nur kleine Geschwindigkeitsgewinne und leichte Qualitätseinbußen.
Die Studie zeigt damit zweierlei: KI kann nachweisbar produktiver machen. Sie wirkt jedoch nicht bei allen Mitarbeitern und Aufgaben gleich.
Untersucht wurde ein bestimmter KI-Assistent in einem konkreten Unternehmen. Die Ergebnisse lassen sich deshalb nicht ohne Weiteres auf den technischen Vertrieb, die Rechtsabteilung oder die Produktionsplanung übertragen.
Warum KI bei manchen Aufgaben sogar schlechtere Ergebnisse erzeugt
Eine weitere Untersuchung macht die Grenzen besonders deutlich.
Fabrizio Dell’Acqua und seine Mitautoren führten gemeinsam mit der Boston Consulting Group ein Experiment mit 758 Unternehmensberatern durch. Die Teilnehmer bearbeiteten unterschiedliche Aufgaben mit oder ohne Zugang zu GPT-4. Die Studie wurde 2026 in der Fachzeitschrift Organization Science veröffentlicht.
Bei 18 Aufgaben, die innerhalb der untersuchten Leistungsfähigkeit des Systems lagen, erzielten die Berater mit KI-Unterstützung bessere Ergebnisse. Sie erledigten durchschnittlich 12,2 Prozent mehr Aufgaben und benötigten dafür 25,1 Prozent weniger Zeit.
Bei einer komplexen Managementaufgabe, für die das System weniger geeignet war, kehrte sich der Vorteil um. Die KI-unterstützten Teilnehmer fanden seltener die richtige Lösung als die Vergleichsgruppe ohne KI.
Die Forscher beschreiben dieses Phänomen als „jagged technological frontier“: Die Leistungsgrenze künstlicher Intelligenz verläuft unregelmäßig. Ein System kann bei einer anspruchsvoll wirkenden Aufgabe sehr leistungsfähig sein und bei einer scheinbar ähnlichen Aufgabe versagen.
Für Unternehmen hat das unmittelbare Folgen. Wer KI in einen Geschäftsprozess integriert, muss unterscheiden, wo das System verlässlich unterstützt, wo Ergebnisse überprüft werden müssen und wo eine menschliche Bearbeitung wirtschaftlich oder fachlich sinnvoller bleibt.
Die Einführung eines KI-Assistenten allein beantwortet diese Fragen nicht.
Blackstone: Wenn KI die Arbeitsteilung in einer Fachabteilung verändert
Wie eine umfassendere Neugestaltung aussehen kann, beschreibt eine 2026 veröffentlichte Fallstudie von McKinsey über den Finanzinvestor Blackstone.
Dessen Rechts- und Compliance-Abteilungen prüfen nach Angaben der Fallstudie jährlich rund 25.000 Dokumente für Investoren. Dazu gehören Unterlagen, bei denen regulatorische Anforderungen und inhaltliche Genauigkeit eine zentrale Rolle spielen.
Mit zunehmendem Geschäftsvolumen stieg auch der Prüfaufwand. Die Herausforderung bestand darin, mehr Dokumente bearbeiten zu können, ohne sämtliche Kapazitäten proportional ausbauen zu müssen.
Blackstone untersuchte gemeinsam mit McKinsey den gesamten Ablauf von der Erstellung bis zur endgültigen Freigabe. Dabei ging es unter anderem darum, welche Prüfungen tatsächlich Expertenwissen erfordern, wo frühere Entscheidungen wiederverwendet werden können und weshalb bestimmte Vorgänge mehrfach weitergereicht werden.
Im neu gestalteten Prozess übernimmt KI eine erste Prüfung routinemäßiger Unterlagen. Das System weist auf Auffälligkeiten hin und unterstützt die Weiterleitung an die zuständigen Fachleute. Besonders kritische Entscheidungen bleiben bei menschlichen Prüfern.
Die wirtschaftliche Logik liegt in der veränderten Verteilung der Arbeit. Hoch qualifizierte Mitarbeiter sollen weniger Zeit mit wiederkehrenden Standardprüfungen verbringen und sich stärker auf Sachverhalte konzentrieren, die ihre Erfahrung erfordern.
McKinsey berichtet von erwarteten Produktivitätssteigerungen der Prüfer von mehr als 30 Prozent und einer angestrebten jährlichen Einsparung von rund fünf Millionen US-Dollar bis 2027. Diese Einsparung ist in der Fallstudie ausdrücklich als Prognose beschrieben und darf nicht als bereits realisiertes Ergebnis verstanden werden.
Außerdem handelt es sich um eine Darstellung des beteiligten Beratungsunternehmens. Eine unabhängige Untersuchung, die den Beitrag einzelner Maßnahmen zu den genannten Ergebnissen isoliert, liegt damit nicht vor.
Der Fall veranschaulicht dennoch einen wichtigen Unterschied: Eine KI, die Dokumente schneller zusammenfasst, verbessert zunächst eine Tätigkeit. Eine neue Verteilung von Routineprüfungen, Fachentscheidungen und Freigaben verändert den gesamten Arbeitsablauf.
Midea: Wenn Kundenbeschwerden direkt mit der Produktion verbunden werden
Ein zweites Beispiel stammt aus der industriellen Fertigung.
Am Standort Si Racha in Thailand bearbeitete der Haushaltsgerätehersteller Midea nach Angaben einer McKinsey-Veröffentlichung mehr als 1.000 Qualitätsprobleme pro Jahr. Die Meldungen kamen aus über zehn Ländern und einem Netz von rund 800 Servicezentren.
Für die Ingenieure war die Ursachenanalyse aufwendig. Informationen mussten aus unterschiedlichen Systemen zusammengetragen und mit früheren Fehlerfällen verglichen werden. Bis ein Maßnahmenplan vorlag, vergingen teilweise mehr als 60 Tage.
Midea gestaltete die Bearbeitung von Kundenbeschwerden neu und integrierte KI in eine zentrale Informationsplattform.
Kundenmeldungen werden dort erfasst und kategorisiert. Das System gleicht sie mit bekannten Fehlerbildern ab und liefert Hinweise darauf, welche Produkte, Produktionslinien oder Schichten betroffen sein könnten. Es schlägt mögliche Ursachen und Maßnahmen vor. Ingenieure prüfen die Ergebnisse und bestätigen die weiteren Schritte.
Nach Angaben von McKinsey verkürzte sich die Zeit zwischen der Erfassung eines Qualitätsproblems und der Erstellung eines Maßnahmenplans auf einen Tag. Die Fehlerquote sei um 43 Prozent und die Zahl der Kundenbeschwerden um 32 Prozent zurückgegangen.
Diese Zahlen beschreiben das Ergebnis einer umfassenderen Veränderung. Midea führte eine gemeinsame Datenplattform ein, strukturierte den Bearbeitungsprozess neu und setzte KI ein. Welcher Anteil der Verbesserungen ausschließlich auf künstliche Intelligenz zurückzuführen ist, lässt sich aus der veröffentlichten Fallbeschreibung nicht bestimmen.
Für Industrieunternehmen ist besonders die Verbindung zwischen Kundenkommunikation und operativen Entscheidungen relevant. Eine Reklamation liefert zunächst Informationen über ein Problem beim Kunden. Wirtschaftlichen Wert gewinnt sie, wenn diese Informationen schnell genug bei den Verantwortlichen ankommen, um die Ursache zu untersuchen und geeignete Maßnahmen einzuleiten.
Was das für den B2B-Vertrieb bedeutet
Im technischen B2B-Vertrieb entstehen erhebliche Aufwände außerhalb des eigentlichen Verkaufsgesprächs. Kundenanforderungen müssen interpretiert, Spezifikationen geprüft, Liefermöglichkeiten abgestimmt und Angebote kalkuliert werden.
Viele dieser Tätigkeiten sind eng miteinander verbunden. Deshalb reicht es oft nicht, lediglich das Schreiben des Angebots zu automatisieren.
Betrachten wir den Angebotsprozess eines Maschinenbauunternehmens.
Ein Kunde sendet eine Anfrage mit einer technischen Spezifikation. Der Vertrieb prüft die Unterlagen und fragt fehlende Angaben nach. Die Konstruktion beurteilt die technische Machbarkeit. Der Einkauf klärt Preise und Lieferzeiten bestimmter Komponenten. Anschließend erstellt der Vertrieb ein Angebot, das gegebenenfalls weitere Freigaben benötigt.
Ein KI-Assistent könnte die Anfrage analysieren, Anforderungen strukturieren und einen Angebotsentwurf formulieren. Das wäre bereits eine sinnvolle Unterstützung.
Weitergehende Möglichkeiten entstehen, wenn das Unternehmen gleichzeitig den Informationsfluss verändert.
Eine zentrale Erfassung der Kundenanforderungen könnte beispielsweise sicherstellen, dass Vertrieb und Konstruktion mit denselben Informationen arbeiten. Technische Standardfälle könnten anhand definierter Regeln anders bearbeitet werden als Sonderkonstruktionen. Wiederkehrende Rückfragen ließen sich möglicherweise schon beim Eingang der Anfrage erkennen.
Dabei muss das Unternehmen entscheiden, welche Angaben aus seinen Systemen zuverlässig übernommen werden können und an welcher Stelle Fachleute verbindliche Entscheidungen treffen.
Ein KI-generierter Angebotstext ersetzt schließlich keine belastbare Kalkulation. Auch die Prüfung technischer Risiken und die Verantwortung für eine vertragliche Zusage bleiben bestehen.
Der wirtschaftliche Nutzen hängt deshalb nicht allein davon ab, wie schnell das System einen Text erstellt. Relevant ist, wie viele Angebote das Unternehmen mit vertretbarem Aufwand bearbeiten kann, wie zuverlässig diese sind und wie lange Kunden auf eine verbindliche Antwort warten müssen.
Drei Wege zur Verbesserung: Was rechnet sich tatsächlich?
Nicht jeder Prozess muss vollständig neu gestaltet werden. In manchen Fällen ist ein einzelnes KI-Werkzeug die wirtschaftlich beste Lösung. In anderen Fällen lassen sich größere Verbesserungen durch klarere Zuständigkeiten oder den Wegfall unnötiger Abstimmungen erreichen.
Ein Vergleich sollte alle Möglichkeiten anhand derselben Ausgangssituation bewerten.
Beispielrechnung: 200 Angebote im Monat
Ein fiktives B2B-Unternehmen erstellt monatlich 200 Angebote. Die aktive Bearbeitung dauert durchschnittlich 90 Minuten pro Angebot. Zwischen Anfrage und Versand vergehen im Mittel fünf Arbeitstage.
Für die Bewertung gelten folgende ausdrücklich angenommene Werte:
- 2.400 Angebote pro Jahr
- 50 Euro interner Kostenansatz je Arbeitsstunde
- unverändertes jährliches Angebotsvolumen
- vollständige Nutzung der jeweils angenommenen Zeitersparnis über ein ganzes Jahr
Das Unternehmen untersucht drei Alternativen.
Variante A: Einzelne Tätigkeiten mit KI automatisieren
Ein KI-Assistent unterstützt bei der Sichtung der Unterlagen und beim Formulieren des Angebots. Die durchschnittliche aktive Bearbeitungszeit sinkt annahmegemäß um 15 Minuten.
Das entspricht 600 eingesparten Arbeitsstunden pro Jahr. Bei einem Kostenansatz von 50 Euro ergibt sich ein rechnerischer Kapazitätswert von 30.000 Euro.
Angenommene Kosten: 20.000 Euro für Einführung und Integration sowie 12.000 Euro jährlich für Betrieb, Lizenzen und Betreuung.
Unter diesen Annahmen liegt der rechnerische Saldo im ersten vollen Nutzungsjahr bei minus 2.000 Euro. In späteren Jahren beträgt er bei unveränderten Bedingungen plus 18.000 Euro.
Variante B: Den Ablauf organisatorisch verbessern
Das Unternehmen führt eine einheitliche Erfassung der Kundenanforderungen ein, klärt Zuständigkeiten und reduziert vermeidbare Rückfragen. Neue KI-Funktionen sind dafür nicht erforderlich.
Angenommen wird eine Zeitersparnis von 20 Minuten je Angebot. Das ergibt 800 Arbeitsstunden oder einen rechnerischen Kapazitätswert von 40.000 Euro jährlich.
Bei angenommenen Einführungskosten von 25.000 Euro und laufenden Kosten von 5.000 Euro beträgt der rechnerische Saldo im ersten vollen Nutzungsjahr plus 10.000 Euro. In den Folgejahren wären es plus 35.000 Euro.
Variante C: Den Angebotsprozess mit KI neu gestalten
Das Unternehmen kombiniert eine strukturierte Erfassung der Kundenanforderungen mit KI-gestützter Dokumentenanalyse. Standardfälle werden nach definierten Regeln vorbereitet; Fachabteilungen bearbeiten gezielt die technisch anspruchsvollen oder risikoreichen Vorgänge.
Die angenommene Zeitersparnis beträgt 35 Minuten je Angebot. Daraus ergeben sich 1.400 Arbeitsstunden oder ein rechnerischer Kapazitätswert von 70.000 Euro pro Jahr.
Für die Einführung werden 45.000 Euro angesetzt, für den laufenden Betrieb 15.000 Euro jährlich. Der rechnerische Saldo beträgt damit im ersten vollen Nutzungsjahr plus 10.000 Euro und in späteren Jahren plus 55.000 Euro.
| Kennzahl | A: Einzelne KI-Automatisierung | B: Organisatorische Verbesserung | C: Prozessneugestaltung mit KI |
|---|---|---|---|
| Zeitersparnis je Angebot | 15 Min. | 20 Min. | 35 Min. |
| Freigesetzte Arbeitszeit pro Jahr | 600 Std. | 800 Std. | 1.400 Std. |
| Rechnerischer Kapazitätswert pro Jahr | 30.000 € | 40.000 € | 70.000 € |
| Einmalige Einführungskosten | 20.000 € | 25.000 € | 45.000 € |
| Laufende Kosten pro Jahr | 12.000 € | 5.000 € | 15.000 € |
| Rechnerischer Saldo im ersten vollen Nutzungsjahr | −2.000 € | +10.000 € | +10.000 € |
| Rechnerischer Saldo in späteren Jahren | +18.000 € | +35.000 € | +55.000 € |
Eigene Modellrechnung mit fiktiven Annahmen. Die Varianten sind alternative Investitionsszenarien und dürfen nicht addiert werden. Einführungszeiten, Finanzierungseffekte und mögliche Änderungen der Angebotsqualität sind nicht berücksichtigt.
Warum eingesparte Stunden noch keine Kosteneinsparung sind
Die Tabelle zeigt zunächst, wie viel Arbeitskapazität rechnerisch frei werden könnte. Daraus entsteht nicht automatisch ein entsprechender finanzieller Gewinn.
Wenn die Mitarbeiter weiterhin dieselbe Arbeitszeit bezahlt bekommen, sinken die Personalkosten nicht allein deshalb, weil sie Angebote schneller erstellen. Ein wirtschaftlicher Nutzen kann trotzdem entstehen, etwa wenn zusätzliche Anfragen ohne Neueinstellungen bearbeitet werden oder die freigewordene Zeit für anspruchsvollere Vertriebsaufgaben genutzt wird.
Ob daraus mehr Umsatz oder ein höherer Deckungsbeitrag entsteht, muss gesondert untersucht werden.
Auch die Durchlaufzeit ist in der Rechnung noch nicht berücksichtigt. Die aktive Bearbeitung eines Angebots kann um 35 Minuten sinken, während der Kunde weiterhin fünf Tage wartet. Umgekehrt kann eine organisatorische Veränderung die Wartezeit erheblich verkürzen, ohne besonders viele Arbeitsstunden einzusparen.
Für eine belastbare Investitionsentscheidung benötigt das Unternehmen deshalb neben den Bearbeitungskosten weitere Kennzahlen: die tatsächliche Durchlaufzeit, die Zahl bearbeiteter Angebote, den Aufwand für Nacharbeit und die Qualität der Ergebnisse. Im Vertrieb können außerdem Angebotsquote, Auftragseingang und Deckungsbeitrag relevant sein.
Die beste Variante ist diejenige, die unter den konkreten Bedingungen den höchsten wirtschaftlichen Nutzen erwarten lässt. Das muss keineswegs die technisch aufwendigste Lösung sein.
Wie Unternehmen geeignete Prozesse identifizieren
Der Einstieg in die KI-gestützte Prozessverbesserung beginnt mit einer Untersuchung der tatsächlichen Arbeit.
Organigramme und Prozessbeschreibungen liefern dafür nur einen Teil der Informationen. Sie zeigen, wie Abläufe vorgesehen sind. Im Alltag entstehen jedoch häufig zusätzliche Rückfragen, informelle Abstimmungen und Umwege, die in keiner offiziellen Beschreibung stehen.
Bei der Analyse sollten Führungskräfte deshalb einen Vorgang von seinem Auslöser bis zum Ergebnis verfolgen. Im Vertrieb beginnt das beispielsweise mit einer Kundenanfrage und endet mit einem verbindlichen Angebot oder einer begründeten Absage.
Dabei lohnt es sich, Bearbeitungszeit und Wartezeit getrennt zu erfassen. Außerdem sollte sichtbar werden, welche Informationen mehrfach eingegeben werden, an welchen Stellen Entscheidungen liegen bleiben und weshalb Unterlagen zur Nachbearbeitung zurückkommen.
Erst auf dieser Grundlage lässt sich sinnvoll beurteilen, welche Tätigkeiten durch KI unterstützt werden könnten.
Besonders geeignet erscheinen Aufgaben, bei denen regelmäßig umfangreiche Informationen gelesen, verglichen oder für weitere Entscheidungen aufbereitet werden müssen. Dazu können die Analyse von Kundenanfragen, die Vorbereitung technischer Dokumentationen oder die Strukturierung eingehender Reklamationen gehören.
Allerdings ist ein hohes Arbeitsvolumen allein noch kein ausreichendes Auswahlkriterium. Ein Unternehmen muss auch prüfen, ob geeignete Daten vorhanden sind, wie zuverlässig das System arbeitet und welche Folgen Fehler haben können.
Ein sinnvoller Pilotversuch sollte deshalb mit realistischen Vorgängen arbeiten. Neben der Bearbeitungszeit werden die Qualität der Ergebnisse, notwendige Korrekturen und der Aufwand für menschliche Kontrollen gemessen.
Wird nur die Zeit bis zum ersten KI-Entwurf betrachtet, kann die Wirtschaftlichkeitsrechnung erheblich zu optimistisch ausfallen.
Die Mitarbeiter müssen an der Neugestaltung beteiligt sein
Eine weitere Schwierigkeit liegt in der Organisation selbst.
Beschäftigte kennen häufig die Ausnahmen, Sonderfälle und informellen Abstimmungen, die einen Prozess im Alltag funktionsfähig halten. Werden diese Erfahrungen bei der Neugestaltung übergangen, entstehen leicht Abläufe, die auf dem Papier effizient aussehen, praktisch aber zusätzliche Arbeit verursachen.
Die Beteiligung der Mitarbeiter dient deshalb nicht nur der Akzeptanz einer neuen Technologie. Sie verbessert auch die fachliche Qualität der Prozessgestaltung.
Gleichzeitig müssen Führungskräfte bereit sein, Zuständigkeiten und bisherige Arbeitsweisen zu verändern. Wenn jede Abteilung ausschließlich ihre eigenen Tätigkeiten optimiert, bleiben die Probleme an den Schnittstellen bestehen.
Hier liegt eine der anspruchsvollsten Managementaufgaben: Die wirtschaftliche Verantwortung für einen Prozess muss über Abteilungsgrenzen hinweg betrachtet werden.
Wer entscheidet künftig, was Menschen und Maschinen übernehmen?
Mit der Einführung künstlicher Intelligenz verändert sich die Arbeitsteilung zwischen Menschen und technischen Systemen.
Bisher war es selbstverständlich, dass Mitarbeiter Dokumente lesen, Informationen übertragen, ähnliche Fälle vergleichen und daraus Vorschläge entwickeln. Ein Teil dieser Tätigkeiten kann heute technisch unterstützt oder automatisiert werden.
Damit verschwinden die fachlichen Anforderungen nicht. Sie verlagern sich.
Wenn KI eine technische Anfrage vorbereitet, muss jemand beurteilen können, ob die Interpretation zutrifft. Wenn das System einen Vertragsentwurf prüft, muss festgelegt sein, welche Risiken zwingend durch einen qualifizierten Mitarbeiter bewertet werden. Wenn es eine Reklamation einer wahrscheinlichen Fehlerursache zuordnet, braucht das Unternehmen Regeln für die Bestätigung und Umsetzung der Maßnahmen.
Diese Entscheidungen können weder allein der IT-Abteilung noch einem externen Softwareanbieter überlassen werden. Sie betreffen die Organisation der Arbeit und damit die Verantwortung der Unternehmensführung.
Das Porsche-Beispiel erinnert daran, wie viel Aufwand in über Jahre gewachsenen Abläufen verborgen sein kann. Die neueren Untersuchungen und Fallstudien zeigen, dass künstliche Intelligenz zusätzliche Möglichkeiten eröffnet, solche Abläufe zu verändern. Sie zeigen ebenso, dass der Nutzen von den Aufgaben, den Kontrollen und der konkreten Umsetzung abhängt.
Für Unternehmen ergibt sich daraus eine anspruchsvollere, aber wirtschaftlich sinnvollere Fragestellung als die Suche nach möglichst vielen KI-Anwendungen:
Wie würden wir diesen Geschäftsprozess heute organisieren, wenn wir ihn mit den verfügbaren technischen Möglichkeiten neu entwickeln könnten?
Die Antwort kann ein KI-Assistent sein. Vielleicht genügt eine organisatorische Verbesserung. In anderen Fällen wird eine neue Arbeitsteilung zwischen Mitarbeitern, Fachabteilungen und KI-Systemen erforderlich.
Welche Lösung richtig ist, entscheidet sich an den tatsächlichen Prozesskosten, der Qualität der Ergebnisse und dem Nutzen für den Kunden.
Quellen
1. taz / dpa: „Kaizen“ erfolgreich zu Geld machen, 16. September 1994. Zeitgenössischer Bericht über die Produktionsumstellung bei Porsche mit Angaben zu Produktivität, Lagerbeständen und Fertigungszeit.
https://taz.de/Kaizen-erfolgreich-zu-Geld-machen/!1542935
2. Hermann Abmayer: Porsche: Wie einst im Osten. taz, 14. Dezember 1994. Zeitgenössische kritische Einordnung der Sanierung und ihrer Folgen für die Belegschaft.
https://taz.de/Porsche-Wie-einst-im-Osten/!1529271
3. Erik Brynjolfsson, Danielle Li, Lindsey Raymond: Generative AI at Work. The Quarterly Journal of Economics, Band 140, Ausgabe 2, 2025, S. 889–942. Empirische Untersuchung des KI-Einsatzes im Kundenservice.
https://doi.org/10.1093/qje/qjae044
4. Fabrizio Dell’Acqua et al.: Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality. Organization Science, online veröffentlicht am 11. März 2026. Experiment mit 758 Unternehmensberatern.
https://doi.org/10.1287/orsc.2025.21838
5. McKinsey & Company: Blackstone’s Legal & Compliance AI transformation started with technology. It succeeded because it put people first. Fallstudie, 2026. Darstellung einer Prozessneugestaltung mit KI; die für 2027 genannten Einsparungen sind Prognosen.
6. McKinsey & Company: Putting AI to work: The operational excellence imperative, 19. Juni 2026. Untersuchung zu operativer Exzellenz und KI mit einer Fallbeschreibung des Herstellers Midea.
