Die KI-Produktivitätslücke

Zwei Unternehmen können sich Zugang zu derselben KI-Plattform verschaffen und dabei sehr unterschiedliche Ergebnisse erzielen.

Das eine verkürzt die Bearbeitungszeiten, verbessert die Entscheidungsqualität und schafft Kapazitäten, ohne dass zusätzliches Personal eingestellt werden muss. Das andere führt zu schnelleren E-Mails, längeren Besprechungsprotokollen und einer Sammlung zusammenhangloser Pilotprojekte, die niemals Einfluss auf Umsatz, Kosten oder Servicequalität haben.

Der Unterschied liegt selten im Modell selbst. Er liegt vielmehr in der Organisation, die es umgibt.

KI-Tools werden immer leichter zugänglich, kostengünstiger zu testen und schwerer voneinander zu unterscheiden. Ein Unternehmen kann innerhalb weniger Tage einen „Workplace Copilot“ einführen, innerhalb weniger Wochen ein Sprachmodell mit internen Dokumenten verknüpfen und ausgewählte Aufgaben automatisieren, ohne eigene Technologie entwickeln zu müssen. Diese Zugänglichkeit ist zwar nützlich, hebt jedoch auch eine der Annahmen auf, die vielen KI-Strategien zugrunde liegen: dass die Einführung des Tools einen Wettbewerbsvorteil schafft.

Das ist nicht der Fall. Der Zugang wird zunehmend zur Selbstverständlichkeit. Der Vorteil kommt erst dann zum Tragen, wenn ein Unternehmen KI mit seinem firmeneigenen Wissen verknüpfen, seine Arbeitsabläufe neu gestalten und die Ergebnisse so konsequent messen kann, dass es erkennen lässt, ob sich tatsächlich etwas Wertvolles verändert hat.

Der Zugang zu KI ist nicht mehr das knappe Gut

Die erste Phase der Einführung von KI in Unternehmen war vom Thema Zugang geprägt. Die Unternehmen wollten wissen, welche Modelle sie nutzen konnten, wie schnell sie diese einführen konnten und ob die Mitarbeiter sie akzeptieren würden.

Diese Phase weicht nun einer anspruchsvolleren Frage: Was besitzt das Unternehmen, das es schwierig macht, seinen Einsatz von KI nachzuahmen?

Ein generisches Modell kann Marketingtexte verfassen, ein Dokument zusammenfassen oder eine allgemeine Frage beantworten. Ein Mitbewerber kann sich dieselbe Funktion ebenfalls zulegen. Der geschäftliche Nutzen ist daher begrenzt, es sei denn, das Tool ist mit spezifischen Informationen verknüpft: Produktwissen, frühere Entscheidungen, Betriebsdaten, Kundendaten, Preisbildungslogik, technische Dokumentation oder ein über Jahre hinweg optimierter Arbeitsablauf.

Das Modell liefert Informationen in allgemeiner Form. Das Unternehmen liefert den Kontext.

Diese Unterscheidung erklärt, warum einige der auffälligsten Anwendungsfälle der KI nur bescheidene Gewinne erzielen. Eine schnellere Erstellung von Entwürfen ist zwar hilfreich, verbessert aber nicht unbedingt die Wirtschaftlichkeit eines Unternehmens. Ein bedeutenderes Ergebnis zeigt sich, wenn KI die Zeit verkürzt, die zur Bearbeitung einer Serviceanfrage benötigt wird, eine Anomalie erkennt, bevor sie zu einem Verlust führt, oder einem Team hilft, Wissen besser zu nutzen, das zuvor über verschiedene Systeme und Personen verstreut war.

Der Wert ist weniger theatralisch als die Vorführung. Außerdem ist er beständiger.

Der spezifische Kontext bestimmt die Qualität des Ergebnisses

Viele Unternehmen erkennen die Grenzen der KI erst nach deren Einführung.

Das Modell mag zwar leistungsfähig sein, doch die ihm zur Verfügung stehenden Informationen sind unvollständig, veraltet oder widersprüchlich. Policen werden in mehreren Versionen gespeichert. Produktdaten befinden sich in separaten Systemen. Die Kundenhistorien sind auf verschiedene Abteilungen verteilt. Wichtige Entscheidungen bleiben in E-Mail-Ketten oder im Gedächtnis erfahrener Mitarbeiter erhalten.

Unter diesen Umständen löst die KI das Wissensproblem nicht. Sie macht es vielmehr deutlich.

Ein zuverlässiges KI-System benötigt Zugriff auf aktuelle, strukturierte und geregelte Informationen. Es muss wissen, welche Quelle maßgeblich ist, wer welche Daten einsehen darf und wann eine Überprüfung durch den Menschen erforderlich wird. Ohne diese Grundlagen erhält das Unternehmen möglicherweise flüssige Antworten, denen man nicht vertrauen kann.

Aus diesem Grund entwickelt sich die Wissensdatenbank des Unternehmens zu einem strategischen Kapital. Sie ist nicht mehr nur ein Archiv, in dem Mitarbeiter manuell nach Informationen suchen können. Sie wird zu einem Bestandteil der Betriebsumgebung, über die KI-Systeme das Geschäftsgeschehen interpretieren.

Die Qualität dieses Umfelds wirkt sich auf alle nachfolgenden Ergebnisse aus. Ein Kundendienstmitarbeiter, der nach veralteten Richtlinien geschult wurde, wird schnell, aber falsch antworten. Ein Verkaufstool, das auf unvollständige Kundendaten zurückgreift, wird zwar überzeugende, aber schwache Empfehlungen aussprechen. Ein technischer Mitarbeiter ohne Zugriff auf die aktuellste Dokumentation könnte eine veraltete Lösung vorschlagen.

Daten-Governance mag auf den ersten Blick wenig mit der geschäftlichen Leistung zu tun haben. Bei der Einführung von KI besteht jedoch ein direkter Zusammenhang.

Die Neugestaltung von Arbeitsabläufen ist wichtiger als die Einführung neuer Tools

Ein häufiger Fehler bei der Umsetzung besteht darin, KI neben einen bestehenden Prozess zu stellen und zu erwarten, dass sich dieser dadurch verbessert.

Ein ineffizienter Arbeitsablauf bleibt oft auch dann ineffizient, wenn eine einzelne Aufgabe schneller erledigt wird. Wenn Mitarbeiter weiterhin auf Genehmigungen warten, Informationen manuell zwischen Systemen übertragen oder dieselben Prüfungen in mehreren Abteilungen wiederholen müssen, kann ein KI-Assistent zwar einige Minuten einsparen, ohne jedoch die Gesamtdurchlaufzeit zu verändern.

Der bessere Ausgangspunkt ist der Prozess selbst.

Wo endet die Arbeit? Welche Entscheidungen erfordern Informationen, die schwer zu beschaffen sind? Wo schleichen sich Fehler ein? Welche Übergaben verursachen Verzögerungen? Welche Tätigkeiten hängen von einer kleinen Zahl erfahrener Mitarbeiter ab? Wo bezahlt das Unternehmen immer wieder Mitarbeiter dafür, Daten zu klassifizieren, zu vergleichen oder zu suchen?

Diese Fragen zeigen auf, in welchen Bereichen KI das Betriebsmodell tatsächlich beeinflussen kann, anstatt es nur zu verschönern.

Nehmen wir das Beispiel einer Versicherungsgesellschaft. Der Einsatz von KI bei der Erstellung von Korrespondenz im Schadenfall kann den Verwaltungsaufwand reduzieren. Durch die Verknüpfung mit der Dokumentenerfassung, der Schadenklassifizierung, der Auslegung von Versicherungspolicen, Betrugsindikatoren und Eskalationsregeln lässt sich die Wirtschaftlichkeit des gesamten Prozesses verändern.

Das Gleiche gilt für die Fertigung. Ein KI-Tool, das Wartungsberichte zusammenfasst, ist praktisch. Ein System, das Sensordaten, Anlagenhistorie und Wartungsunterlagen kombiniert, um wahrscheinliche Ausfälle zu erkennen, kann sich auf Ausfallzeiten, das Betriebskapital und die Zuverlässigkeit gegenüber den Kunden auswirken.

Im Bereich der professionellen Dienstleistungen kann eine schnellere Erstellung von Dokumenten die individuelle Produktivität steigern. Eine Plattform, die relevante Musterdokumente abruft, Unstimmigkeiten aufdeckt und institutionelles Wissen bewahrt, kann die Art und Weise verändern, wie die Kanzlei ihr Fachwissen bereitstellt.

Die aussagekräftigsten Anwendungsfälle überschreiten in der Regel die Grenze zwischen einer Aufgabe und einer Entscheidung.

Die menschliche Aufsicht erfordert ein durchdachtes Konzept

Die meisten Unternehmen erkennen an, dass eine menschliche Kontrolle notwendig ist. Weniger Unternehmen legen jedoch fest, was diese Kontrolle konkret beinhalten soll.

Die Überprüfung jedes einzelnen von der KI generierten Ergebnisses mag zwar sinnvoll erscheinen, kann jedoch einen Großteil des Produktivitätsgewinns zunichte machen. Lässt man dem System jedoch freien Lauf ohne klare Grenzen, entsteht ein anderes Problem. Das Unternehmen benötigt ein risikobasiertes Modell, das zwischen Automatisierung mit geringen Folgen und Entscheidungen unterscheidet, die ein verantwortungsbewusstes Urteilsvermögen erfordern.

Ein System darf unter Umständen Dokumente klassifizieren, Antworten vorschlagen oder Informationen abrufen, ohne dass ein menschlicher Eingriff erforderlich ist. Eine Entscheidung, die sich auf Kreditwürdigkeit, Beschäftigung, Sicherheit, aufsichtsrechtliche Verpflichtungen oder eine wichtige Kundenbeziehung auswirkt, erfordert eine andere Schwelle.

Menschliches Handeln ist besonders wertvoll, wenn der Kontext unvollständig ist, wenn Abwägungen nicht auf eine Regel reduziert werden können und wenn ein Fehler erhebliche rechtliche, finanzielle oder rufschädigende Folgen hätte.

Es geht nicht darum, eine Person in jedem Schritt einzubeziehen. Es geht darum, die Verantwortung dort zu vergeben, wo es darauf ankommt.

Dazu reicht eine bloße Grundsatzerklärung nicht aus. Die Teams müssen wissen, wann sie sich auf das System verlassen können, wann sie die Ergebnisse überprüfen müssen und wann die Aufgabe vollständig von Menschen erledigt werden sollte. Eskalationswege sollten transparent sein. In den Prüfpfaden sollte ersichtlich sein, auf welchen Informationen die Empfehlung basiert. Die Mitarbeiter sollten die Grenzen des Modells so gut verstehen, dass sie erkennen können, wann eine Antwort zwar plausibel, aber falsch ist.

Eine gute Überwachung ist Teil des Arbeitsablaufs und keine zusätzliche Ebene, die erst nach der Bereitstellung hinzugefügt wird.

Nutzung ist nicht dasselbe wie Produktivität

KI-Programme werden häufig anhand ihrer Akzeptanz gemessen.

Führungskräfte erfassen die Anzahl der aktivierten Lizenzen, der eingereichten Anfragen, der erstellten Dokumente oder der geschulten Mitarbeiter. Diese Zahlen zeigen, ob das Tool genutzt wird. Sie geben jedoch keinen Aufschluss darüber, ob sich die Geschäftsabläufe verbessert haben.

Ein Unternehmen kann zwar eine hohe Akzeptanz erreichen, aber nur einen geringen wirtschaftlichen Nutzen erzielen. Mitarbeiter nutzen KI möglicherweise für Aufgaben, die ohnehin schon einfach waren, erzeugen mehr Inhalte, als das Unternehmen benötigt, oder verbringen Zeit damit, Ergebnisse zu verfeinern, die gar nicht erst hätten erstellt werden sollen.

Die geeignete Maßnahme hängt vom jeweiligen Prozess ab.

Im Kundenservice könnte das Unternehmen beispielsweise die Lösungszeit, wiederholte Kontakte und Eskalationsraten erfassen. Im operativen Bereich könnten Ausfallzeiten, Fehlerhäufigkeit oder Durchsatz untersucht werden. Im Vertrieb könnten die Konversionsrate, die Angebotsgeschwindigkeit oder der Umsatz pro Mitarbeiter gemessen werden. In der Produktentwicklung könnte der Schwerpunkt auf Testzyklen, der Markteinführungszeit oder der Anzahl der vor der Markteinführung identifizierten Probleme liegen.

Die Kennzahl sollte eng genug mit dem Geschäftsergebnis verknüpft sein, um Aufschluss darüber zu geben, ob das KI-System die Leistung verändert hat.

Dadurch lassen sich auch schwache Projekte leichter stoppen. Experimente mit KI sind mittlerweile so kostengünstig geworden, dass Unternehmen Pilotprojekte ansammeln können, ohne die Kosten sofort zu spüren. Die größeren Kosten zeigen sich erst später in Form von fragmentierten Systemen, Doppelarbeit und einer auf Initiativen verteilten Managementaufmerksamkeit, die nie einen glaubwürdigen Weg zur Wertschöpfung hatten.

Eine klare Kennzahl sorgt schon früh für Disziplin.

Die Produktivitätslücke ist auch eine Managementlücke

Die Unternehmen, die mit KI nennenswerte Erträge erzielen, sind nicht unbedingt diejenigen mit den höchsten Technologiebudgets.

Sie verfügen eher über einen festgelegten Prozess, verwertbare Daten, klare Zuständigkeiten und die Bereitschaft, die Arbeitsorganisation zu ändern. Die Technologie unterstützt diese Fähigkeiten. Sie ersetzt sie jedoch nicht.

Dadurch wird die KI-Implementierung in den Bereich des allgemeinen Managements eingebunden und nicht davon ausgegrenzt. Führungskräfte müssen entscheiden, welche Ergebnisse wichtig sind, welche Prozesse eine Neugestaltung rechtfertigen und welche Risiken sie bereit sind zu akzeptieren. Technologieteams benötigen genügend betrieblichen Kontext, um etwas Nützliches zu entwickeln. Die Rechts-, Compliance- und Sicherheitsabteilungen müssen das System vor der Einführung mitgestalten, anstatt es erst zu prüfen, wenn die wichtigsten Entscheidungen bereits getroffen wurden.

Die Organisation braucht außerdem jemanden mit Entscheidungsbefugnis, um die Hindernisse zu beseitigen, die zwischen den Abteilungen entstehen. Viele KI-Projekte scheitern still und leise an diesen Grenzen. Das Modell funktioniert zwar, aber der Datenverantwortliche gibt die Informationen nicht frei. Der Arbeitsablauf erstreckt sich über drei Systeme ohne gemeinsame Logik. Das für das Risikomanagement zuständige Team wurde nicht einbezogen. Die Mitarbeiter haben ein Tool erhalten, ohne dass ein Grund vorliegt, ihre Gewohnheiten zu ändern.

Das sind keine technischen Pannen. Es handelt sich um Koordinationsfehler.

Ein nachhaltiger Vorteil ergibt sich aus dem System, das das Modell umgibt

KI-Modelle werden sich weiter verbessern, und viele Funktionen, die heute noch als fortschrittlich gelten, werden zu Standardfunktionen in gewöhnlicher Unternehmenssoftware werden.

Diese Entwicklung wird dazu führen, dass die umgebende Organisation an Bedeutung gewinnt – und nicht an Bedeutung verliert.

Wenn dieselben Informationen allgemein verfügbar sind, entscheidet die Art und Weise ihrer Anwendung über den Wettbewerbsvorteil. Ein Unternehmen mit besseren Daten, klareren Arbeitsabläufen und fundierteren Kenntnissen über seine Kunden kann aus derselben zugrunde liegenden Technologie einen größeren Mehrwert schöpfen. Außerdem kann es sich schneller anpassen, wenn sich die Modelle ändern.

Dies ist der Teil der KI-Strategie, den Wettbewerber nicht mit einem einzigen Vertrag erwerben können.

Es basiert auf jahrelangem operativen Know-how, diszipliniertem Datenmanagement, Systemintegration und der Entscheidung, wo Automatisierung das Geschäft verbessert und wo menschliches Urteilsvermögen weiterhin unverzichtbar ist.

Die Produktivitätslücke zwischen Unternehmen, die KI als Werkzeug betrachten, und solchen, die sie nutzen, um die Arbeitsweise ihrer Organisation neu zu gestalten, wird sich daher vergrößern.

Eine Gruppe wird mehr Leistung erbringen.

Der andere wird ein besseres Betriebssystem entwickeln.