Alle nutzen jetzt KI. Die wenigsten nutzen sie gut.
Der Unterschied? Die meisten bleiben bei "KI hat mir diese E-Mail geschrieben." oder "Fasse dieses Dokument zusammen." Das ist nützlich, klar, aber nicht transformativ. Die Herausforderung ist nicht, KI-Automatisierung einzuführen – sondern zu wissen, welche KI Automatisierung Anwendungsfälle tatsächlich Sinn für dein Unternehmen machen.
Gleichzeitig spricht die Branche von Agents, KI-Automatisierungen, Workflows die sich selbst ausführen. Die Vision ist überzeugend. Aber wenn es um dein Unternehmen geht, deine Prozesse – wo fängt man eigentlich an?
Die Antwort ist nicht "überall." Und es geht nicht darum, jedem Hype und jeder neuen KI-Fähigkeit hinterherzujagen, nur weil man es kann.
Es geht darum zu wissen, welche Probleme überhaupt automatisiert werden sollten, und dann zu verstehen, welche Art von Automatisierung sie tatsächlich brauchen. Nicht alles erfordert KI. Nicht alles sollte überhaupt automatisiert werden.
Das hier ist mein Versuch, etwas Klarheit in diese Frage zu bringen.
Wann Prozesse automatisieren: das klassische Framework
Bevor wir nach KI greifen, müssen wir eine grundlegendere Frage beantworten: Lohnt sich das überhaupt zu automatisieren?
Es gibt Randall Munroes xkcd-Grafik, die Aufgabenhäufigkeit gegen Zeitaufwand abbildet. Die Botschaft ist einfach: Wenn du etwas einmal im Jahr machst und es fünf Minuten dauert, ist eine Woche Automatisierungsaufwand Verschwendung. Die Rechnung geht nicht auf.
Diese Disziplin ist jetzt wichtiger denn je, nicht weniger.
KI hat Automatisierung mühelos erscheinen lassen. Man kann einen Workflow an einem Nachmittag aufsetzen. Aber "kann automatisieren" und "sollte automatisieren" sind verschiedene Fragen. Die xkcd-Matrix, Häufigkeit mal Aufwand, bleibt der erste Filter.
Aber KI verschiebt die Gleichung
KI verändert die Rechnung auf zwei Arten.
Erstens erweitert sie, was überhaupt automatisierbar ist. Aufgaben, die menschliches Urteilsvermögen erforderten – unstrukturierten Text lesen, Absichten interpretieren, verschiedene Formate verarbeiten – sind jetzt möglich. Natural Language Processing hat eine ganze Kategorie von Arbeit erschlossen, die vorher tabu war.
Zweitens verkürzt sie, wie lange Automatisierung braucht, um gebaut zu werden. Coding Agents wie Claude Code oder Cursor komprimieren die Entwicklungszeit. Was früher eine Woche brauchte, dauert vielleicht einen Nachmittag. Der Nenner in der ROI-Gleichung wurde kleiner.
Das bedeutet zwei Dinge: Mehr Aufgaben überschreiten die Schwelle zu "lohnt sich zu automatisieren," und der Break-even-Punkt kommt schneller.
Aber der Aufwand verschiebt sich, er verschwindet nicht
Automatisierung zu bauen bedeutete früher Code schreiben. Jetzt bedeutet es etwas anderes: Prozessklarheit (du musst wissen, was du eigentlich willst, bevor du prompten kannst), Kontextqualität (KI braucht guten Input um guten Output zu erzeugen, aber dieser Kontext existiert oft nicht, ist nicht dokumentiert, oder lebt in den Köpfen der Leute statt in Systemen), und Prompt Engineering (Beispiele, Richtlinien, Edge Cases, jemand muss das durchdenken).
Der Engpass hat sich verschoben von "Code schreiben" zu "wissen was man eigentlich will." In vielen Organisationen war und ist das die schwierigere Herausforderung.
Die fehlende Dimension: Qualität, die nachgelagerte Prozesse antreibt
Hier greifen die meisten Automatisierungsüberlegungen zu kurz.
Die klassische ROI-Frage ist: Wie viel Zeit spare ich? Das ist eine gute Frage, aber sie ist unvollständig.
Traditionelle Automatisierung konnte nur beschleunigen, was du bereits getan hast. Generative KI ändert das. Sie automatisiert nicht nur, sie kann die Outputqualität selbst verbessern. Eine Aufgabe, die 30 Minuten dauerte und mittelmäßige Ergebnisse lieferte, kann jetzt 5 Minuten dauern und bessere Ergebnisse liefern. Das ist ein anderes Wertversprechen.
Die fehlende Frage ist: Was wird mit besserem Output möglich?
Es geht nicht um umfassende Zusammenfassungen. Die liest niemand. Es geht um Outputs, die nachgelagerte Prozesse antreiben. Hier versteckt sich der echte Wert.
Meeting-Notizen, die tatsächlich etwas bewirken
Die meisten Organisationen haben spärliche, inkonsistente Notizen in Ordnern liegen. Sie existieren, technisch gesehen. Sie sind nicht nützlich.
Stell dir vor, dieselben Meetings produzieren strukturierte Zusammenfassungen, die automatisch dein CRM mit besprochenen Themen und nächsten Schritten aktualisieren, Produkt-Feedback-Themen für das Produktteam extrahieren, Kundenstimmung über Zeit tracken, und Action Items generieren, die in Projektmanagement-Tools erscheinen.
Der Wert ist nicht "bessere Notizen." Der Wert sind Erkenntnisse, die vorher nicht möglich waren. Die Meeting-Notiz wird zur Datenquelle, nicht zur Sackgasse.
Dokumentation, die manuelles Informations-Pushing eliminiert
Die meisten Dokumente sind oberflächlich, inkonsistent und erfordern manuelle Verarbeitung, um sie mit verschiedenen Zielgruppen zu teilen. Jemand schreibt eine Confluence-Seite, übersetzt sie dann manuell in eine PowerPoint für Stakeholder, schreibt dann eine andere Zusammenfassung für das Executive Team.
Stell dir strukturierte Aufzeichnungen vor, die automatisch generierte Updates für verschiedene Zielgruppen ermöglichen, Assets automatisch für verschiedene Stakeholder erstellen, Confluence zu PowerPoint ohne menschliche Übersetzung.
Der Wert ist nicht "bessere Docs." Es ist eliminiertes manuelles Informations-Pushing. Die Dokumentation wird zur Infrastruktur, nicht zum Overhead.
Das Muster
Qualitätsverbesserung → Nachgelagerte Automatisierung → Compound Value
Das ist der Multiplikator, den die meisten übersehen. Wenn niemand den Output konsumiert, spielt die Qualitätsverbesserung keine Rolle. Aber wenn der Output mit anderen Prozessen, Analysen, Automatisierungen oder Entscheidungen verbunden ist, multipliziert sich bessere Qualität.
Die Frage: Was schaltet dieser Output frei?
KI vs deterministischer Code vs Hybrid: den richtigen Automatisierungsansatz wählen
Du hast etwas identifiziert, das sich zu automatisieren lohnt. Die Häufigkeit rechtfertigt es, der nachgelagerte Wert ist da. Jetzt verschiebt sich die Frage: Wie automatisierst du es?
Nicht alles braucht KI. Nicht alles sollte deterministischer Code sein. Die Antwort hängt von der Natur des Problems ab.
Deterministischer Code
Dieser Ansatz wird gerade unterschätzt. Alle jagen KI hinterher, aber viele Probleme brauchen sie nicht.
Deterministischer Code passt, wenn du strukturierte Daten mit definierten Feldern hast, klare Regeln die du aufschreiben kannst ("wenn X dann Y"), und Anforderungen die sich nicht häufig ändern.
Die Stärke: keine Fehlertoleranz. Er macht genau das, was du ihm sagst, jedes Mal, vorhersagbar. Für Datentransformationen, Systemintegrationen und regelbasiertes Routing ist das genau das, was du willst.
Hier ist die Ironie: Diese Verschiebung, die wir vorher besprochen haben, bei der KI die Entwicklungszeit komprimiert? Sie gilt auch für deterministischen Code. Lösungen, die den Coding-Aufwand vorher nicht wert waren, sind jetzt wirtschaftlich. Leute überspringen deterministische Automatisierung und jagen KI-Fähigkeiten hinterher. Das ist verkehrt herum. KI hat ihre eigene Alternative stärker gemacht.
KI-gestützt
Dieser Ansatz passt, wenn deterministische Regeln nicht mehr funktionieren.
Die Indikatoren: unstrukturierte Daten (Text, Bilder, verschiedene Formate), zu viele Ausnahmen um sie hart zu codieren, Urteilsvermögen und Interpretation erforderlich, oder Muster zu subtil um explizite Regeln zu schreiben.
KI handhabt, was Code nicht kann – Interpretation, Sprache, Nuancen. Aber es kommt mit Trade-offs: Outputs sind nicht immer vorhersagbar, Edge Cases können überraschen, und du brauchst fortlaufende Prompt-Verfeinerung.
Der häufige Fehler ist, nach KI zu greifen wenn strukturierte Automatisierung funktionieren würde. KI fühlt sich modern an, aber wenn du die Regeln aufschreiben kannst, solltest du das wahrscheinlich tun. Spar KI für wo du sie wirklich brauchst.
Hybrid (die häufigste Antwort)
Die meisten realen Automatisierungen sind nicht rein das eine oder andere. Sie sind hybrid.
KI als Transformationsschicht: Unstrukturierter Input kommt rein (eine E-Mail, ein Dokument, eine Nachricht). KI extrahiert Absicht, klassifiziert und strukturiert die Information. Dann nimmt deterministischer Code diesen strukturierten Output und führt den Workflow aus – routet zur richtigen Queue, aktualisiert das richtige System, triggert die richtige Benachrichtigung.
KI als Interaktionsschicht: Deterministischer Code handhabt die Prozesslogik. KI umhüllt sie für menschliche Interaktion – ein Konversations-Interface statt einer starren UI.
Das Muster: KI handhabt was Code nicht kann (Interpretation, Sprache, Urteilsvermögen). Code handhabt was KI nicht sollte (Zuverlässigkeit, Konsistenz, vorhersagbare Logik). Sie ergänzen sich.
Ein Hinweis zur Zugänglichkeit
Es gibt einen Grund, warum KI jetzt so zugänglich wirkt. Du trainierst keine eigenen Modelle. Du promptest vortrainierte.
Das alte Paradigma erforderte Data Science Teams, gelabelte Datensätze und Modell-Trainingsinfrastruktur. Das neue erfordert einen guten Prompt und den richtigen Kontext. Die Hürde verschob sich von "hast du ein Machine Learning Team?" zu "kannst du beschreiben was du willst?"
Diese Verschiebung ist wirklich mächtig. Aufgaben, die Monate an Datensammlung und Modelltraining gebraucht hätten, können jetzt an einem Nachmittag prototypisiert werden.
Aber es schafft auch eine Falle. Weil KI leicht zu erreichen ist, greifen Leute danach wenn sie es nicht sollten. Die Reibung, die früher sorgfältige Evaluation erzwang, ist weg. Du kannst einen KI-Workflow aufsetzen ohne zu fragen, ob ein einfacherer Ansatz besser funktionieren würde.
Zugänglichkeit ist ein Feature. Aber es erfordert mehr Disziplin, nicht weniger.
Automatisierung ROI Framework: eine praktische Scorecard
So bewertest du, ob etwas sich zu automatisieren lohnt und wie du es automatisierst.
Schritt 1: Lohnt sich die Investition?
Fang mit den Basics an. Wie oft passiert das? Wie viel Zeit braucht es?
Aber hör da nicht auf. Inkludiere die Zeit, die aufgewendet werden sollte aber nicht wird. Die CRM-Updates die übersprungen werden. Die Dokumentation die oberflächlich bleibt weil niemand Zeit hat sie richtig zu machen. Die Follow-ups die durchfallen. Das sind echte Kosten, auch wenn sie nicht auf einem Timesheet auftauchen.
Dann stell die Frage, die die meisten Frameworks übersehen: Was ist der nachgelagerte Wert?
Bewerte jede Frage 1-3:
1. Konsumenten-Anzahl – Wie viele Prozesse oder Personen nutzen diesen Output?
- 1 = Nur ich oder eine Person
- 2 = Einige (2-4 Prozesse oder Personen)
- 3 = Viele (5+ oder cross-funktional)
2. Workaround-Schmerz – Was passiert, weil der Output heute unzureichend ist?
- 1 = Nichts, es funktioniert
- 2 = Etwas manuelle Nacharbeit oder Rückfragen
- 3 = Signifikante Nacharbeit, Verzögerungen oder verpasste Chancen
3. Freischaltungspotenzial – Wenn das 10x besser wäre, was wird möglich?
- 1 = Marginale Verbesserung
- 2 = Ermöglicht einige neue Fähigkeiten
- 3 = Schaltet komplett neue Prozesse oder Erkenntnisse frei
4. Qualitätslücke – Wie oft braucht der nächste Schritt Klärung oder Nacharbeit?
- 1 = Selten (<10%)
- 2 = Manchmal (10-30%)
- 3 = Oft (>30%)
Gesamt: ___ / 12
4-5 = Niedriger nachgelagerter Wert. Nur automatisieren wenn Häufigkeit und Zeitersparnis es allein rechtfertigen. 6-8 = Mittlerer nachgelagerter Wert. Lohnt sich auch bei moderater Häufigkeit. 9-12 = Hoher nachgelagerter Wert. Hier multipliziert sich Automatisierung.
Schritt 2: Welche Art von Lösung?
Wenn du weißt, dass sich die Investition lohnt, ordne die Lösung dem Problem zu.
- Strukturierte Daten + klare Regeln → Deterministischer Code
- Unstrukturierte Daten + Urteilsvermögen erforderlich → KI-gestützt
- Kombination von beidem → Hybrid
Die meisten echten Lösungen sind hybrid. KI handhabt die Interpretation, Code handhabt die Logik.
Schritt 3: Kannst du es bauen?
Passt der Bauaufwand zum Wert? KI-gestützte Entwicklung hat die "Zeit zum Automatisieren"-Achse komprimiert, aber nicht eliminiert. Ein schnelles Script braucht vielleicht eine Stunde. Eine vollständige Workflow-Integration vielleicht Tage.
Wenn die Baukosten den Wert übersteigen, passe den Scope an oder verfolge es nicht. Wenn es passt, bau es.
Das Fazit
Nicht alles sollte automatisiert werden. Nicht alles, das automatisiert werden sollte, braucht KI.
Die Disziplin ist zu wissen, was die Investition wert ist, zu verstehen wo Qualitätsverbesserung nachgelagerten Wert schafft, und den Lösungstyp dem Problem zuzuordnen. Deterministischer Code für strukturierte Probleme. KI für unstrukturierte. Hybrid wenn du beides brauchst.
KI hat Automatisierung zugänglicher gemacht als je zuvor. Das ist ein Feature, aber es erfordert mehr Intentionalität, nicht weniger. Die Frage ist nicht "Kann KI das?" Es ist "Sollte KI das, und welchen Wert schafft es tatsächlich?"
Fang dort an.
Ressourcen
- Is It Worth the Time? - xkcd von Randall Munroe
Automatisierungspotenziale identifizieren?
Ich helfe Teams dabei, die richtigen Prozesse zu finden und mit hohem ROI zu automatisieren.
Kontakt aufnehmen