Workflow-Neugestaltung für KI: Warum es scheitert, KI auf alte Prozesse aufzusetzen

Von Victor Hoang · Aktualisiert am 22. September 2026

Workflow-Neugestaltung für KI bedeutet, einen Prozess um das herum neu aufzubauen, was KI tatsächlich gut kann, statt ein Tool in einen Prozess einzufügen, der für Menschen gebaut wurde, die jeden Schritt manuell erledigen. Wer KI zu einem Schritt eines unveränderten Prozesses hinzufügt, stößt an dieselbe Grenze, die jede Teilbeschleunigung deckelt: Die unberührten Teile bestimmen weiterhin das Tempo. Unternehmen, die den gesamten Workflow neu gestalten, erzielen den Großteil des gemessenen Gewinns; Unternehmen, die KI auf den bestehenden Prozess aufsetzen, meist nicht.

Wenn Sie erlebt haben, wie ein Team ein KI-Tool einführt, bei einer Aufgabe schneller wird und trotzdem dieselben Fristen verpasst: Der Engpass ist gewandert, und niemand hat nach ihm gesucht.

Wichtige Fakten

• Paul Davids Studie von 1990 zur Elektrifizierung fand eine Lücke von rund 40 Jahren zwischen der Einführung des Dynamos (1881) und seinem Produktivitätsertrag (1920er-Jahre), weil Fabriken Elektromotoren in dasselbe "Gruppenantrieb"-Layout der Dampfära einbauten, statt um einzelne "Einzelantrieb"-Maschinen herum neu zu planen (David, "The Dynamo and the Computer," American Economic Review, 1990).
• Das Modell der Productivity J-Curve der Ökonomen Erik Brynjolfsson, Daniel Rock und Chad Syverson zeigt, warum: Komplementäre immaterielle Investitionen (Umschulung, Neugestaltung, neue Rollen) zählen zum Zeitpunkt ihres Anfalls als Kosten und zahlen sich erst Jahre später als gemessener Output aus (Brynjolfsson, Rock, Syverson, NBER Working Paper 25148).
• Die Forschung von MIT NANDA 2025 ergab, dass 95 Prozent der Pilotprojekte mit generativer KI keinen messbaren Ertrag in der Gewinn- und Verlustrechnung erzielen, und führte das Scheitern auf die Workflow-Ebene zurück: Tools, die sich nicht an den tatsächlichen Prozess anpassen, werden aufgegeben, sobald Reibung auftritt (MIT NANDA, "The GenAI Divide: State of AI in Business 2025", via Fortune).
• Die 10-20-70-Regel von BCG besagt, dass nur 10 Prozent des Aufwands einer KI-Transformation auf Algorithmen, 20 Prozent auf Technologie und Daten und 70 Prozent auf Menschen und Prozesse entfallen sollten; nur 22 Prozent der Unternehmen kommen über den Proof of Concept hinaus und nur 4 Prozent schaffen erheblichen Wert (BCG, "The Leader's Guide to Transforming with AI").
• Die McKinsey-Umfrage "State of AI" 2025 ergab, dass High Performer fast dreimal so häufig den zugrunde liegenden Workflow um KI herum neu gestaltet haben, statt ein Tool zu einem unveränderten Prozess hinzuzufügen (McKinsey, The State of AI: Global Survey 2025).

Die Lehre der Elektrifizierung: Neue Energie gestaltet die Fabrik nicht für Sie um

Der klarste Präzedenzfall für das, was mit KI geschieht, entstand nicht mit Computern. Er entstand ein Jahrhundert früher mit der Elektrizität, und der Wirtschaftshistoriker Paul David schrieb 1990 den maßgeblichen Bericht darüber.

Vom Gruppenantrieb zum Einzelantrieb: die 40-Jahres-Lücke

Fabriken des 19. Jahrhunderts liefen mit einer einzigen Energiequelle, meist einer Dampfmaschine, die über ein gemeinsames Netz aus Riemen und Deckenwellen mit jeder Maschine verbunden war ("Gruppenantrieb"). Jede Maschine drehte sich gleichzeitig, ob sie gebraucht wurde oder nicht, weil alle ein mechanisches Rückgrat teilten.

Der elektrische Dynamo kam 1881 auf den Markt. Für etwa die nächsten vier Jahrzehnte taten die meisten Fabrikbesitzer das Naheliegende, Günstige: Sie tauschten die Dampfmaschine gegen einen Elektromotor aus und ließen Riemen und Layout, wie sie waren. Die Produktivität bewegte sich kaum, weil sich der angetriebene Prozess nicht verändert hatte.

Der Ertrag kam erst, als Fabriken den Gruppenantrieb zugunsten des "Einzelantriebs" verwarfen: ein kleiner Motor an jeder Maschine. Das ermöglichte, was das alte Layout nicht konnte: Maschinen, die nach Workflow-Logik statt nach Riemengeometrie platziert wurden, eingeschossige Gebäude statt Wellentürmen und Geräte, die nur liefen, wenn sie gebraucht wurden. Der Einzelantrieb setzte sich erst in den 1920er-Jahren durch, rund vierzig Jahre nach dem Dynamo selbst, und David führt die Verzögerung auf organisatorische Neugestaltung zurück, nicht auf die Technologie.

Dieselbe Geschichte, neue Technologie

Die meisten Unternehmen betreiben heute "Gruppenantrieb-KI": Das Tool ersetzt einen Schritt, während Freigabekette, Übergaben und Prüfprozess drum herum genau so bleiben, wie sie für ein rein menschliches Team gebaut wurden. Das Tool ist schneller. Der Prozess nicht. Das KI-Produktivitätsparadoxon behandelt die Zahlen von McKinsey, MIT und Gartner hinter derselben Lücke zwischen Einführung und Wirkung ausführlicher.

Brynjolfssons Productivity J-Curve erklärt, warum es aussieht, als geschehe nichts, obwohl real investiert wird. Ein Team umzuschulen und eine Übergabefolge neu aufzubauen sind immaterielle Investitionen: Sie zählen in dem Jahr als Kosten, in dem sie anfallen, und zeigen sich erst als Output, wenn die Neugestaltung in großem Maßstab läuft. Ein Unternehmen, das diese Arbeit jetzt leistet, sieht auf dem Papier genau aus wie eines, das sich nie die Mühe gemacht hat. Der Unterschied zeigt sich später bei dem, das die Arbeit getan hat, und er wirft die Frage auf, die die Produktivitätsdividende direkt stellt: Wenn sich die Neugestaltung auszahlt und echte Stunden frei werden, wem fließen sie tatsächlich zu.

Warum "Gleicher Prozess, schnellerer Schritt" an eine harte Grenze stößt

Es gibt einen Grund, warum ein schnellerer Einzelschritt so selten zu einem schnelleren Gesamtergebnis führt, und er hat in der Informatik einen Namen: das Amdahlsche Gesetz.

Eine Idee aus dem Computing für das Prozessdesign

Gene Amdahls Punkt, 1967 zum parallelen Rechnen gemacht, war einfach: Beschleunigt man einen Teil eines Systems, ist die maximale Verbesserung des Gesamtsystems dadurch begrenzt, wie viel der Gesamtzeit dieser Teil verbrauchte. Beschleunigt man einen Schritt, der 10 Prozent der Durchlaufzeit ausmachte, um das 10-Fache, spart man insgesamt höchstens 9 Prozent. Die übrigen 90 Prozent, unberührt, bestimmen weiterhin die Ziellinie.

Die meisten Workflows sind Ketten aus Schritten und Übergaben, nicht ein dominanter Schritt. KI wird meist auf das gerichtet, was sich am leichtesten automatisieren lässt, etwa einen ersten Entwurf, nicht auf das, was die meiste Kalenderzeit verbraucht. Eine E-Mail in zehn Sekunden statt in zehn Minuten zu entwerfen, fühlt sich umwälzend an. Wenn die E-Mail danach so oder so drei Tage in einer Freigabewarteschlange liegt, bemerkt es flussabwärts niemand.

Die 10-20-70-Aufteilung, die BCG immer wieder findet

Die Forschung von BCG kommt aus anderer Richtung zum selben Schluss. Die 10-20-70-Regel besagt, dass nur 10 Prozent des Aufwands hinter einer erfolgreichen KI-Transformation in den Algorithmus fließen sollten, 20 Prozent in Technologie und Daten und 70 Prozent in Menschen und Prozesse: Rollengestaltung, Entscheidungsrechte, Training, Anreize. Die meisten Unternehmen kehren dieses Verhältnis instinktiv um, weil sich der Kauf eines Modells wie "das KI-Projekt machen" anfühlt und die Neugestaltung dessen, wer was tut, wie eine separate, schwierigere Initiative.

Die Kosten zeigen sich in den eigenen Zahlen von BCG: Nur 22 Prozent der Unternehmen kommen über den Proof of Concept hinaus und nur 4 Prozent schaffen im großen Maßstab erheblichen Wert, obwohl ihnen allen ungefähr dieselbe Generation von Tools zur Verfügung stand. Erklärt wurde das Ergebnis dadurch, wie viel von den 70 Prozent sie zu leisten bereit waren.

Finden Sie den tatsächlichen Engpass, bevor Sie etwas automatisieren

Wenn die Beschleunigung des falschen Schritts kaum etwas bewegt, lautet die nächste Frage, den richtigen zu finden.

Bilden Sie den Prozess ab, nicht die Aufgabenliste

Die meisten Teams können ihren Job als Liste von Aufgaben beschreiben. Weit weniger können ihn als Prozess beschreiben: die Reihenfolge, Übergaben und Entscheidungspunkte zwischen diesen Aufgaben. Erst diese zweite Beschreibung zeigt, wo die Zeit tatsächlich bleibt, und sie überrascht meist die Menschen, die im Prozess leben, denn der langsame Teil ist selten der, der sich am mühsamsten anfühlt.

Wählen Sie einen wiederkehrenden Workflow, ein Onboarding, ein Angebot, eine Hiring-Pipeline, und notieren Sie jeden Schritt und jede Übergabe der Reihe nach. Protokollieren Sie eine echte Woche lang, wie lange jeder Vorgang an jedem Schritt liegt, bevor er weiterläuft, nicht wie lange die Arbeit selbst dauert. Die Lücke zwischen diesen beiden Zahlen ist fast immer die Stelle, an der der Prozess Zeit verliert.

Drei Fragen, die den wahren Engpass offenlegen

• Wo staut sich Arbeit und wartet, statt zu fließen? Eine Warteschlange oder Freigabestufe, in der Dinge öfter hängen bleiben als irgendwo sonst. Das ist der Engpass, egal ob es interessant ist, ihn zu beheben.
• Welcher Schritt würde, wenn er verschwände, die gesamte Durchlaufzeit am stärksten verändern? Nicht, was die Leute gern los wären, sondern was messbar die Ziellinie begrenzt.
• Welcher Schritt wird wiederholt, weil der Schritt davor etwas Falsches erzeugt hat? Nacharbeit ist versteckte Durchlaufzeit, und sie deutet oft auf KI-Ergebnisse hin, die nicht richtig geprüft werden, bevor sie flussabwärts weitergehen, ein Problem, das Augmentierung vs. Automatisierung ausführlicher behandelt.

Sobald der echte Engpass identifiziert ist, wird die Frage konkret: nicht, wo wir KI hinzufügen können, sondern was dieser Engpass braucht und ob KI daran etwas ändert.

Gestalten Sie um die Prüfung herum, nicht um die Produktion

Der häufigste Fehler bei der Neugestaltung ist, KI als Produktions-Upgrade zu behandeln, obwohl ihre eigentliche Wirkung auf die meiste Wissensarbeit eine Verschiebung dessen ist, wo die Prüfung stattfinden muss.

Was sich ändert, wenn KI entwirft und ein Mensch prüft

In einem Prozess vor der KI ist der größte Teil der Zeit einer Person bei einer Aufgabe Produktionszeit. Die Prüfung existiert, ist aber leichter, weil die Person, die es geschrieben hat, die meisten eigenen Fehler schon abgefangen hat.

Wenn KI die erste Version erzeugt, kippt dieses Verhältnis. Die Produktionszeit bricht ein, aber die Prüfzeit schrumpft nicht entsprechend, weil das Prüfen fremder Ergebnisse auf Richtigkeit eine andere kognitive Aufgabe ist als das Erzeugen. Ein neu gestalteter Prozess behandelt die Prüfung als neuen Kernschritt: dafür besetzt, dafür getaktet, daran gemessen, statt als flüchtiger Blick auf etwas, das "die KI schon gemacht hat".

Das ist auch eine Rollenänderung, nicht nur eine der Reihenfolge. Die Person, die den Tag früher mit Produzieren verbrachte, verbringt ihn jetzt mit Prüfen und dem Entscheiden, was eskaliert werden muss, eine andere und oft erfahrenere Kompetenz. Vom Macher zum Orchestrator behandelt, was dieser Wandel verlangt, und Teamtopologien für Teams aus Menschen und Agenten behandelt, was er mit der Form des Teams macht, in dem die neu gestaltete Rolle sitzt.

Eine Prüfschleife aufbauen, die nicht zum neuen Engpass wird

KI-Agenten als Teil des Teams führen geht dieselbe Schleife in operativeren Details durch, mit Zuständigkeit, Qualitätsmaßstab und bewusst gestalteter Übergabe, für alle, die sie als laufende Aufgabe statt als einmaliges Neugestaltungsprojekt betreiben.

• Welche Fehlerquote ist für dieses Ergebnis akzeptabel, und wer hat das entschieden? Eine Routineantwort und eine Vertragsklausel tragen nicht dasselbe Risiko; beides gleich zu behandeln verschwendet Zeit bei dem einen und prüft das andere zu wenig.
• Wer darf freigeben, ohne zu eskalieren, und wofür? Braucht jedes KI-gestützte Ergebnis weiterhin dieselbe Freigabe durch Senior-Personen wie zuvor, wurde nur ein Schritt hinzugefügt, nicht neu gestaltet. Beim Human-in-the-Loop-Design geht es darum, bewusst zu entscheiden, welche Entscheidungen die Schleife wirklich braucht.
• Verbessert sich das Tool durch das, was die Prüfung findet? Tools, die keinen Kontext behalten, werden innerhalb von Monaten still umgangen, fand die Forschung von MIT NANDA zum Scheitern von Piloten. Ein Prüfschritt, der nie ins Tool zurückfließt, ist eine dauerhafte Steuer, und dort summieren sich auch kleine Fehler zu technischen KI-Schulden.

Wann Sie den Schritt ganz entfernen sollten, statt ihn zu automatisieren

Manchmal ist die richtige Antwort, dass der Schritt für niemanden existieren sollte, weder für Mensch noch für KI.

Der Eliminierungstest

Fragen Sie vor der Automatisierung eines Schritts, warum er existiert. Viele Schritte in ausgereiften Prozessen überleben ihren Grund: eine Kontrolle für ein Betrugsmuster, das vor Jahren aufhörte, eine Freigabeebene, die nach einem einzelnen Vorfall hinzukam, der sich nie wiederholte. Einen solchen Schritt zu automatisieren macht ihn nur billiger im ewigen Weiterlaufen, und billig laufende unnötige Schritte lassen sich noch schwerer streichen, weil niemand die Kosten bemerkt.

Fragen Sie bei jedem Schritt, welches konkrete Versagen er verhindert und wie oft dieses Versagen im letzten Jahr tatsächlich eingetreten ist. "Wir sind nicht sicher" oder "es ist seit Jahren nicht passiert" macht ihn zum Kandidaten für die Streichung, nicht für die Automatisierung. Ein reales, jüngstes Versagen verdient zuerst eine Neugestaltung und dann ein KI-Upgrade obendrauf. Das ist auch der schnellste Weg, die Falle in welche Jobs KI verändert, statt sie zu ersetzen zu vermeiden: Eine Rolle verschwindet selten, weil eine Aufgabe automatisiert wurde, aber ihre Gestalt ändert sich, sobald die unnötigen Schritte um sie herum endgültig gestrichen werden.

Aufsetzen vs. Neugestaltung im direkten Vergleich

Jede neu gestaltete Spalte teilt ein Muster: Die Änderung besteht nicht darin, dass KI die Aufgabe schneller erledigt. Sie besteht darin, dass der Prozess um die Aufgabe herum so umstrukturiert wurde, dass die Geschwindigkeit tatsächlich die Ziellinie erreicht, statt am nächsten unveränderten Schritt zu enden.

Eine Schritt-für-Schritt-Methode zur Neugestaltung, die Führungskräfte durchführen können

1. Wählen Sie einen Workflow, nicht die ganze Abteilung. Mit klarem Anfang, Ende, Verantwortlichen und genug Volumen, dass eine Änderung binnen eines Quartals messbar ist. Alles auf einmal neu zu gestalten ist der Weg, auf dem diese Arbeit zu einer Präsentation wird, die niemand umsetzt.
2. Bilden Sie jeden Schritt und jede Übergabe ab und messen Sie eine echte Woche. Protokollieren Sie die tatsächliche Kalenderzeit an jedem Schritt, einschließlich Wartezeiten und Freigaben, als Baseline, an der sich jede spätere Verbesserungsbehauptung messen lassen muss.
3. Finden Sie den tatsächlichen Engpass. Wo sich Arbeit staut, welcher Schritt die Durchlaufzeit am stärksten begrenzt, wo Nacharbeit entsteht. Widerstehen Sie dem Impuls, mit dem Schritt zu beginnen, auf den sich KI am leichtesten aufsetzen lässt; er ist häufig nicht der Engpass.
4. Führen Sie zuerst bei jedem Schritt den Eliminierungstest durch. Benennen Sie das konkrete Versagen, das jeder Schritt verhindert, und wann es zuletzt auftrat, und streichen Sie, was seinen Platz nicht mehr verdient.
5. Gestalten Sie Rollen um Prüfung und Eskalation herum neu. Legen Sie die akzeptable Fehlerquote je Ergebnistyp fest, wer ohne Eskalation freigeben darf und wie Korrekturen ins Tool zurückfließen.
6. Benennen Sie vor dem Pilot eine Person als Verantwortliche für die Geschäftskennzahl. Durchlaufzeit, Kosten pro Einheit oder Fehlerquote gegenüber der Baseline, nicht eine Nutzungszahl. Ein Pilot ohne Verantwortlichen driftet meist in einen Rollout ohne Urteil.
7. Messen Sie die Workflow-Kennzahl wöchentlich und lassen Sie die Neugestaltung sich weiterentwickeln. Die erste Version ist selten die endgültige; die wöchentliche Zahl führt zur nächsten.

Diese Methode an einem Workflow durchzuspielen lehrt ein Team mehr darüber, wo KI sich tatsächlich auszahlt, als ein Dutzend unverbundener Piloten es je könnte.

Neugestaltung zu jemandes tatsächlicher Aufgabe machen

Neugestaltungsarbeit braucht eine verantwortliche Person mit der Befugnis, den Ablauf eines Prozesses zu ändern, nicht nur Empfehlungen auszusprechen, eine Frage des Organisationsdesigns ebenso wie eine technische. Sie hängt damit zusammen, wie sich Organisationsdesign verschiebt, wenn KI mehr Produktionsarbeit übernimmt, und mit den Entscheidungen mancher Unternehmen, Teile eines Workflows kulturell, nicht nur operativ, menschlich zu halten.

Ohne diese Zuständigkeit sammeln sich halb neu gestaltete Prozesse an wie unbezahlte Schulden: ein Prüfschritt, den niemand verantwortet, ein Eskalationspfad, den niemand definiert hat, ein Ergebnis, das niemand gegen eine echte Fehlerquote prüft. Zusammen zeigen sie sich später als KI-Kulturschuld, und ihr Abbau kostet weit mehr als es gekostet hätte, es gleich richtig zu gestalten. Dieselbe Disziplin gilt, ob die Arbeit bei einem einzelnen KI-Agenten oder bei mehreren zusammenwirkenden liegt.

Die Fabriken, die in den 1920er-Jahren um den Einzelantrieb herum neu bauten, warteten nicht auf einen besseren Motor. Den Motor hatten sie seit vierzig Jahren. Was sich änderte, war, dass jemand den Hallenboden um das herum neu gestaltete, was die Elektrizität möglich machte, statt um das, was der Dampf nötig gemacht hatte. Das Tool, das den meisten Unternehmen jetzt vorliegt, ist bereits mindestens so leistungsfähig. Der Hallenboden ist noch aus der Dampfära. Das ist der Teil, den es sich zuerst zu beheben lohnt.