KI ist der Hype. Deshalb läuft gerade durch nahezu jede Branche die gleiche Geschichte: KI einführen (besonders beliebt: Chatbots), Effizienz steigern, Kosten senken.
Klingt doch erstmal gut. Und ja, KI kann das leisten. Aber nur unter einer ganz entscheidenden Bedingung: Die Prozesse darunter müssen funktionieren! KI beschleunigt, was du reingibst. Gute Grundlage rein, gute Ergebnisse raus. Sh*t rein, mehr Sh*t raus. Schneller, skalierbarer, automatisierter… bis alles im Chaos versinkt.
Drei Szenarien aus der Praxis
Lass uns mal ganz konkret werden.
Drei Situationen, die gerade in vielen Unternehmen passieren.
Szenario 1: Der KI-Chatbot, der Kunden in die Verzweiflung treibt
Im Kundenservice kommen täglich hunderte, tausende Anfragen an. Viele davon sind einfach zu beantworten. Also die naheliegende Lösung: Chatbot implementieren, repetitive Fragen automatisieren, Team entlasten. Ganz logisch und dazu noch easy umgesetzt.
Aber was passiert, wenn der Chatbot nicht weiß, wann er eskalieren soll? Wenn das Eskalationsprotokoll nie schriftlich existiert hat, weil es bis jetzt „einfach klar war“? Der Chatbot (ist ja schließlich ein Large Language Model dahinter) einfach Antworten erfindet? Er auf FAQs verweist, die das Problem nicht lösen. Er leitet nicht weiter, weil niemand definiert hat, wann „Weiterleiten“ ausgelöst wird.
Der Kunde stellt dreimal die gleiche Frage. Bekommt dreimal eine andere unbrauchbare Antwort. Greift zum Telefon, wütend. Landet bei einem Mitarbeiter, der das Chatbot-Protokoll nicht kennt und von vorne anfangen muss.
Das eigentliche Problem war das fehlende Eskalationsmodell. Der Chatbot hat es nur sichtbar gemacht, und zwar auf Kosten der Kundenzufriedenheit.
Noch viel dramatischer wird es, wenn ein KI-Chatbot halluziniert und beispielsweise eine Policy erfindet. Da gabs einen konkreten Fall, den kannst du auf Medium nachlesen.
Szenario 2: KI-Dateneingabe mit schlechten Quelldaten
Dateneingabe ist lästig, fehleranfällig, zeitfressend. Perfekter Use-Case für KI, oder?
Nur wenn die Quelldaten sauber sind. Wenn Kunden in drei verschiedenen Systemen unter drei verschiedenen Schreibweisen ihres Namens existieren. Wenn Adressen mal mit Straße, mal ohne eingetragen wurden. Wenn Produktcodes keiner Logik folgen, weil das „historisch gewachsen“ ist (sprich: niemand hat es je aufgeräumt).
Dann nimmt die KI diesen Datensumpf und überträgt ihn. Zuverlässig. In großem Maßstab. Mit perfekter Geschwindigkeit. Die Fehler werden nicht bereinigt, sie werden multipliziert und wandern in jedes nachgelagerte System weiter. Berichte, Auswertungen, Entscheidungsgrundlagen.
Garbage in, garbage amplified. Das ist teurer als vorher, weil die Fehlerbereinigung jetzt an mehreren Stellen gleichzeitig passieren muss.
Erfolgsfaktor wäre hier erst einmal an den vermeintlich langweiligen Basics, der Datengrundlage, zu arbeiten.
Szenario 3: KI-Berichte, denen niemand traut
Controlling-Berichte automatisch generieren lassen, Dashboards, die sich selbst befüllen, Zusammenfassungen, die die KI aus den Rohdaten zieht. Das ist ja so cool und sieht dazu noch gut aus!
Aber wenn die Prozesse, aus denen die Daten stammen, nicht verstanden werden, passiert etwas Unangenehmes: Die Berichte kommen raus, und niemand weiß, ob sie stimmen. Der Vertriebsleiter traut der Zahl nicht, weil er nicht versteht, wie sie berechnet wurde. Die Geschäftsführung fragt nach, das Controlling kann es nicht erklären, weil die KI es „irgendwie aus den Daten gezogen hat“. Am Ende wird der Bericht nochmal manuell nachgebaut, zur Sicherheit. Und wenn du tiefer bohrst kann es tatsächlich sein, dass die Daten nicht korrekt sind. Siehe Szenario 2.
Die KI hat Zeit gespart und gleichzeitig eine neue Vollzeitstelle für Misstrauensmanagement geschaffen.
Was zuerst passieren muss
Drei notwendige Voraussetzungen:
| Voraussetzung | Was das konkret bedeutet | Was ohne sie passiert |
|---|---|---|
| Dokumentierte Prozesse | Der Ablauf ist schriftlich festgehalten, von allen Beteiligten verstanden und aktuell | Die KI automatisiert Annahmen, nicht die Realität |
| Saubere Quelldaten | Einheitliche Struktur, definierte Pflichtfelder, bereinigte Altdaten | Fehler skalieren mit der Automatisierung mit |
| Definierte Ausnahmeregeln | Klar ist, wann der Standardprozess nicht gilt und was dann zu tun ist | Sonderfälle werden falsch behandelt oder bleiben im Nichts hängen |
Das ist viel Arbeit. Und genau deshalb springen so viele Unternehmen direkt zur verheißungsvollen KI: weil die Hoffnung mitschwingt, die Technologie erledigt das Aufräumen mit. Surprise: Sie tut es nicht.
Wenn du verstehen willst, wo deine Prozesse wirklich stehen, ist ein Automatisierungs-Audit ein guter Startpunkt, um das tatsächliche Automatisierungspotenzial zu finden, bevor etwas automatisiert wird.
Kleiner Hoffnungsschimmer: Auch beim Aufräumen von Daten und Schaffen der richtigen Grundlage kann KI und eine Autoamtisierung helfen. Das ist aber ein separates Thema, das aktiv angegangen werden msus und ist in vielen Fällen sogar der richtige erste Schritt.
Reicht ein Pflaster, um das Problem zu lösen?
Es gibt eine Denkfigur, die ich immer wieder sehe. Das Unternehmen hat ein Problem. Koordination klappt nicht, Daten stimmen nicht, Berichte kommen zu spät. Das ist die „Wunde“.
Also wird ein Tool eingeführt, einfach ein Pflaster drüberkgeklebt. Erst war es Software-Anhäufen (mehr Tools, mehr Chaos, wie du weißt). Dann ist es eine noch größere KI-Softwareanhäufung.
Aber das Tool ist das Pflaster, das versucht irgendwie das Symptom zu behandeln. Das Problem darunter bleibt, und noch viel entscheidender: Die Problemursache!.
Gute Prozessarbeit passiert vor alledem. Das 4D-Modell für Prozessautomatisierung folgt genau dieser Logik: Erst verstehen, was wirklich passiert, dann entscheiden, was automatisiert werden soll und erst anschließend die Automatisierung aufbauen. In dieser Reihenfolge, nicht andersrum.
Und ja, das gilt auch für KI-Agenten. Die Frage, was KI-Agenten wirklich können und was nicht, hängt direkt daran, wie gut der Prozess ist, in den sie eingebettet werden. Ein Agent, der einen schlechten Prozess autonom ausführt, ist kein Fortschritt.
Was das für die KI-Einführung im Unternehmen bedeutet
KI ist mächtig. Ernsthaft. Die Möglichkeiten, die gerade entstehen, sind real und relevant. Unternehmen, die jetzt gut aufgestellt sind, können damit tatsächlich einen Unterschied machen.
„Gut aufgestellt“ heißt: klare Prozesse, saubere Daten, dokumentierte Ausnahmen. Nicht in erster Linie viel Budget für KI-Tools. Das ist die Grundlage. Alles andere ist Aufbau darauf.
Das Gute: Prozessarbeit ist methodisch, lernbar und machbar. Wer wissen will, wie Automatisierung nachhaltig funktioniert (nicht als Hype-Projekt, sondern als strukturierte Entscheidung). KI als Pflaster einzusetzen kostet mehr als nichts zu tun. Es kostet Vertrauen, Kundenzufriedenheit und die Zeit, die danach für die Schadensbegrenzung draufgeht.
Die spannendere Frage lautet: Worauf würde die KI bei euch eigentlich aufsetzen?
Häufig gestellte Fragen
Warum scheitert die KI-Einführung im Unternehmen so häufig?
Weil KI auf bestehenden Prozessen aufsetzt. Sind diese unklar, fehlerhaft oder nicht dokumentiert, verstärkt KI genau diese Probleme. Sie macht defekte Abläufe schneller, nicht besser.
Was muss vor der KI-Einführung im Unternehmen passieren?
Drei Dinge: Erstens müssen Prozesse dokumentiert und verstanden sein. Zweitens müssen Quelldaten sauber und strukturiert vorliegen. Drittens braucht es klare Eskalations- und Ausnahmeregeln, bevor Automatisierung greift.
Kann KI helfen, Prozesse zu verbessern?
Ja, aber erst nach der Prozessarbeit. KI kann gut dokumentierte, stabile Prozesse beschleunigen und skalieren. Als Werkzeug zur Prozessanalyse kann sie helfen, Muster zu erkennen. Als Ersatz für fehlende Prozessklarheit funktioniert sie nicht.
Was bedeutet „Shit in, shit out“ im KI-Kontext?
Das Prinzip beschreibt, dass die Qualität des KI-Outputs direkt von der Qualität des Inputs abhängt. Fehlerhafte Daten, unklare Prozesse und widersprüchliche Regeln führen zu fehlerhaften, unzuverlässigen KI-Ergebnissen, nur eben schneller und in größerem Maßstab.
Wie erkenne ich, ob mein Unternehmen bereit für KI ist?
Wenn du die Kernprozesse, die du automatisieren willst, vollständig dokumentiert und von allen Beteiligten verstanden hast, wenn die Quelldaten konsistent und strukturiert sind und wenn klare Regeln für Ausnahmen und Eskalationen existieren, dann ist die Grundlage gelegt.
