KI muss Prozesse verändern, nicht nur Aufgaben

KI ist heute ein nützlicher Helfer im Alltag vieler Mitarbeitenden: Sie protokolliert Meetings, beantwortet Kundenanfragen, schreibt Mails und Co. Doch zwischen dem Einsatz für tägliche Aufgaben und dem wirtschaftlichen Wert von KI für Unternehmen liegt ein entscheidender Unterschied. Wer heute darauf schaut, wie viele Mitarbeitende die Technologie einsetzen und wie viele Minuten sich durch eine automatisierte Aufgabe einsparen lassen, misst nur einen kleinen Teil dessen, was KI für ein Unternehmen leisten kann. Geschäftswert ist eben nicht mit Automatisierung gleichzusetzen.

Die entscheidende Frage lautet: Funktioniert der gesamte Prozess durch KI besser? Genau hier liegt derzeit einer der blinden Flecken vieler KI-Strategien. Laut dem Enterprise AI Maturity Index von ServiceNow und Thought Lab nutzen 46 Prozent der deutschen Unternehmen KI-Agenten lediglich als persönliche Assistenten. Das ist hilfreich für den Einzelnen, doch es verändert noch kein Unternehmen. Zudem zeigt der Index, dass fast drei Viertel der Unternehmen mit fragmentierten Datenbeständen und mangelnder Datengenauigkeit kämpfen. 44 Prozent nennen eine unzureichende IT-Infrastruktur als Herausforderung.

Viele einzelne KI-Erfolge ergeben noch keine KI-Transformation

Die nächste Phase der KI-Nutzung entscheidet sich deshalb nicht daran, ob Unternehmen noch mehr KI einführen. Zum Erfolgsfaktor wird, ob es ihnen gelingt, aus einzelnen Anwendungen funktionierende, durchgängige Prozesse zu machen. Bislang stehen dem häufig historisch gewachsene Strukturen entgegen. Daten liegen in unterschiedlichen Systemen, Workflows enden an Abteilungsgrenzen und KI-Agenten werden für einzelne Aufgaben oder Teams eingeführt. Ein Beispiel aus der Praxis: Ein KI-Agent kann eine Serviceanfrage in wenigen Sekunden analysieren. Doch wenn anschließend ein Mitarbeiter Informationen aus mehreren Systemen zusammensuchen, Berechtigungen prüfen, eine andere Abteilung kontaktieren und die eigentliche Änderung manuell anstoßen muss, wurde eine Aufgabe beschleunigt – nicht der Prozess. Dieser Unterschied wird für die nächste Entwicklungsstufe von Enterprise AI entscheidend. Unternehmen müssen ihren Blick von einzelnen Fällen auf die Wertschöpfungskette richten.

Governance darf nicht erst am Ende kommen

Das führt zu einem zweiten blinden Fleck: der Governance. Je selbstständiger KI-Systeme agieren, desto wichtiger wird die Frage, wer ihre Entscheidungen kontrolliert, welche Handlungen sie ausführen dürfen und wer letztlich die Verantwortung für die Ergebnisse trägt. Laut dem Enterprise AI Maturity Index haben aktuell nur 16 Prozent der deutschen Unternehmen KI-Tests, Audits und Risikobewertungen eingeführt. Das verdeutlicht die große Lücke zwischen technischer Einführung und organisatorischer Steuerung.

Governance wird oftmals vor allem als regulatorische Pflicht betrachtet. Für den operativen KI-Einsatz greift das zu kurz. Governance ist keine Bremse für autonome Prozesse, sondern ihre Voraussetzung. Denn sobald ein KI-Agent beispielsweise auf Unternehmensdaten zugreift, einen Vorgang weiterleitet oder eine Aktion ausführt, braucht er einen klar definierten Handlungsspielraum. Hier rücken Fragen wie Welche Daten darf er verwenden? Welche Entscheidung darf er selbst treffen? Wann muss ein Mensch übernehmen?  in den Fokus. Unternehmen, die solche Aspekte frühzeitig klären, schaffen damit die Grundlage, KI überhaupt in größerem Maßstab einsetzen zu können.

Von KI-Assistenten zur Autonomous Workforce

Damit verändert sich auch die Vorstellung davon, wie Menschen und KI künftig zusammenarbeiten. Statt eines einzelnen KI-Assistenten, der einem Mitarbeitenden bei einer Aufgabe hilft, entsteht eine Autonomous Workforce: Spezialisierte KI-Agenten arbeiten gemeinsam mit Menschen als arbeitsteiliges System an einem Prozess – vom ursprünglichen Anliegen bis zum Ergebnis. Dabei hat jeder Agent eine klar definierte Rolle, die notwendigen Zugriffsrechte und einen festgelegten Handlungsspielraum. Menschen greifen gezielt dort ein, wo Erfahrung, Empathie, Abwägung oder persönliche Verantwortung gefragt sind.

Die Lösung ist also nicht, Menschen möglichst viele KI-Agenten zur Seite zu stellen. Sie liegt in der Orchestrierung von Menschen, Agenten, Daten und Systemen entlang eines gemeinsamen Prozesses. Das klingt zunächst abstrakt, wird aber an einem alltäglichen HR-Vorgang wie dem internen Rollenwechsel eines Mitarbeitenden schnell konkret. Heute kann ein solcher Vorgang mehrere Bereiche berühren: HR-Daten müssen angepasst, Zugriffsrechte überprüft, IT-Systeme aktualisiert und gegebenenfalls weitere interne Freigaben eingeholt werden. In einer Autonomous Workforce könnten spezialisierte Agenten diese Schritte innerhalb vorher definierter Regeln koordinieren. Ein Agent erfasst den Rollenwechsel und identifiziert die daraus entstehenden Anforderungen. Ein weiterer gleicht diese mit internen Richtlinien und Berechtigungen ab. Weitere Agenten stoßen zulässige Änderungen in den entsprechenden Systemen an. Entsteht eine Ausnahme oder ist eine Entscheidung erforderlich, wird der Vorgang an die zuständige Person übergeben.

Wo autonome Workflows ihr volles Potenzial entfalten

Besonders groß ist das Potenzial autonomer Workflows dort, wo viele ähnliche Vorgänge nach definierten Regeln bearbeitet werden und gleichzeitig mehrere Systeme oder Unternehmensbereiche beteiligt sind. Dazu gehören etwa IT- und Kundenservice sowie interne Leistungen in den Bereichen HR, Einkauf oder Recht. Damit verschiebt sich die zentrale Frage für Unternehmen: Statt „Welche Aufgaben können wir mit KI automatisieren?“ sollte sie lauten: „Welche Prozesse können wir mit Menschen und KI als Gesamtsystem besser organisieren?“ Diese Überlegung verändert die Kriterien, nach denen Unternehmen KI-Projekte auswählen, organisieren und bewerten.

Die Arbeit der Menschen verschwindet nicht – sie verändert sich

Eine Autonomous Workforce bedeutet deshalb auch nicht, Menschen aus dem Prozess zu entfernen. Vielmehr verändert sich ihre Rolle. Mitarbeitende werden weniger Zeit damit verbringen müssen, Informationen aus verschiedenen Systemen zusammenzutragen, standardisierte Vorgänge weiterzuleiten oder wiederkehrende Arbeitsschritte manuell auszuführen. Ihre Aufgaben verschieben sich stärker in Richtung kreativer und strategischer Aufgaben, datenbasierter Entscheidungsfindung und Qualitätskontrolle. Doch damit steigen auch die Anforderungen. Wer mit autonomen KI-Systemen arbeitet, muss verstehen, was diese Systeme leisten können und wo ihre Grenzen liegen. Mitarbeitende müssen Ergebnisse einordnen, Fehler erkennen und beurteilen können, wann ein Eingriff notwendig ist.

Eine allgemeine KI-Schulung reicht dafür nicht aus. Lernen muss stärker an der konkreten Rolle und am tatsächlichen Arbeitsprozess ansetzen. Mitarbeitende sollten anhand realer Fälle erfahren, welche Aufgaben Agenten übernehmen, welche Entscheidungen sie selbst treffen dürfen und wann eine Eskalation vorgesehen ist. Ebenso wichtig sind Möglichkeiten, ungeeignete Entscheidungen oder Fehler zurückzumelden und daraus Regeln und Prozesse weiterzuentwickeln.Auch Führung wird durch Technologie nicht überflüssig. Führungskräfte müssen künftig Arbeit in Teams organisieren, in denen Menschen und KI-Agenten gemeinsam Ergebnisse erzielen. Sie müssen Verantwortlichkeiten definieren, Entscheidungsrechte festlegen und die Qualität des Gesamtsystems beurteilen. Je autonomer einzelne Komponenten werden, desto wichtiger wird eine klare Steuerung.

Zeitersparnis ist noch kein Business Case

Mit dieser Entwicklung muss sich schließlich auch die wirtschaftliche Bewertung von KI verändern. Eingesparte Arbeitsstunden sind ein naheliegender Indikator, greifen aber zu kurz, wenn KI ganze Prozesse verändert.

Aussagekräftiger sind Antworten auf Fragen, die einen gesamten Arbeitsprozess umfassen: Werden Anliegen schneller abgeschlossen? Sind weniger Übergaben zwischen Teams notwendig? Sinkt die Zahl der Eskalationen? Steigt die Erstlösungsquote? Lassen sich Fehlerkosten reduzieren und Servicequalität verbessern?

Hinzu kommt ein Faktor, der in klassischen Produktivitätsrechnungen leicht übersehen wird: Anpassungsfähigkeit. Wenn Prozesse durch das koordinierte Zusammenspiel von Menschen, Agenten und Systemen organisiert sind, können Unternehmen Abläufe flexibler skalieren und verändern, etwa wenn die Nachfrage schwankt, personelle Kapazitäten fehlen oder sich die Rahmenbedingungen ändern.

Der Return on Investment entsteht damit an der Stelle, an der KI den Ablauf als Ganzes verbessert und Ressourcen dort freisetzt, wo sie zusätzlichen Wert schaffen.

Genau hier sollte sich auch der Maßstab für Enterprise AI verschieben: weg von der Produktivität einzelner Anwendungen und hin zur Leistungsfähigkeit des Unternehmens.

Die nächste KI-Frage ist eine Organisationsfrage

Die erste Phase des KI-Booms war von der Frage geprägt, was die Technologie alles kann. Die nächste Phase wird davon bestimmt sein, wie Unternehmen diese Fähigkeiten in ihre tägliche Arbeit übersetzen. Dafür reicht es nicht, immer neue KI-Anwendungen einzuführen. Unternehmen müssen Daten, Systeme, Agenten, Regeln und Menschen so miteinander verbinden, dass aus einzelnen Fähigkeiten verlässliche Prozesse entstehen. Governance muss von Anfang an Teil des Designs sein und darf nicht nachträglich ergänzt werden.