Die unbequeme Rechnung

Laut IDC haben Unternehmen 2025 184 Milliarden US-Dollar in KI investiert. Die RAND Corporation beziffert die Misserfolgsquote von KI-Projekten auf rund 80 %. MIT Sloan hat festgestellt, dass 95 % der GenAI-Pilotprojekte nie über den Proof-of-Concept hinauskommen.

Der Reflex: der Technologie die Schuld geben. Modelle halluzinieren. Die Daten sind unsauber. Die Use Cases waren falsch gewählt.

Aber GPT-4, Claude und Gemini werden zunehmend leistungsfähiger, zugänglicher und günstiger. Wäre die Technologie der Engpass, würde die Misserfolgsquote sinken. Sie sinkt nicht.

Das Problem ist strukturell. Unternehmen setzen KI in Organisationen ein, die nie dafür gebaut wurden — Architekturen für manuelle Entscheidungen, Prozesse, die menschliche kognitive Grenzen abbilden, Operating Models, die voraussetzen, dass Menschen denken und Systeme speichern. Das Ergebnis: teure Pilotprojekte, die in der Demo glänzen und in der Breite nichts liefern.

Diagnose: Drei Ebenen, null Integration

Ich sehe immer wieder dasselbe Muster. Ein Unternehmen tätigt eine erhebliche KI-Investition. Einige Pilotprojekte gelingen. Die Governance-Präsentation überzeugt im Vorstandstermin. Dann stößt das Vorhaben an eine Wand.

Die Wand entsteht, weil KI-Transformation als Technologieeinführung behandelt wird. Führungskräfte fragen: „Wo können wir KI einsetzen?“ Falsche Frage. Die richtige lautet: „Wie muss sich unsere Organisation verändern, um mit KI als zentralem Designelement zu arbeiten?“

Der State-of-AI-Report 2025 von McKinsey macht das konkret. Ein grundlegendes Redesign von Workflows ist der stärkste Indikator dafür, ob KI messbar zum EBIT beiträgt. Doch nur 21 % der Organisationen, die GenAI nutzen, haben überhaupt Workflows neu entworfen. Die übrigen 79 % betreiben KI auf Prozessen, die für eine Welt ohne sie konzipiert wurden.

Klarna zeigt das exemplarisch. Das Unternehmen ersetzte 700 Kundenservice-Mitarbeiter durch KI, feierte die Effizienzgewinne öffentlich — und stellte dann leise wieder Menschen ein, als die Kundenzufriedenheit einbrach. CEO Sebastian Siemiatkowski räumte ein, man habe sich „zu sehr auf Effizienz konzentriert“. Die KI war brillant darin, ein hohes Anfragevolumen zu bewältigen. Doch der umgebende Workflow — Eskalationspfade, Qualitäts-Feedbackschleifen, die Ebene menschlicher Beurteilung — wurde für diesen Durchsatz nicht neu entworfen. Neue Engpässe. Frustrierte Kunden. Eine öffentliche Kehrtwende.

Drei Ebenen müssen sich gemeinsam verändern. Architektur: wie Daten fließen und wie KI an Entscheidungen mitwirkt. Prozess: wie Arbeit tatsächlich erledigt wird — neu entworfen, nicht automatisiert. Operating Model: wie Menschen mit KI zusammenarbeiten, welche Rollen es gibt, welche Governance verantwortliche Autonomie ermöglicht. Wenn eine Ebene ohne die anderen verändert wird, entstehen teure Enttäuschungen.

%%{init: {'theme': 'base', 'themeVariables': {'primaryColor': '#1a2540', 'primaryTextColor': '#ffffff', 'primaryBorderColor': '#ffffff', 'lineColor': '#ffffff', 'background': '#0a0f1e', 'mainBkg': '#1a2540', 'nodeBorder': '#ffffff', 'clusterBkg': '#0a0f1e', 'titleColor': '#ffffff', 'edgeLabelBackground': '#1a2540'}}}%%
graph TD
    A["ARCHITECTURE\nData flows, Integration, Explainability"] -->|"constrains"| B["PROCESS\nWorkflow redesign, Human-AI handoffs"]
    B -->|"shapes"| C["OPERATING MODEL\nRoles, Governance, Capability"]
    C -->|"feeds back into"| A
    A -.->|"Without process redesign:\ndata walls"| X["FAILURE"]
    B -.->|"Without operating model:\nchaos"| X
    C -.->|"Without architecture:\nno productivity gain"| X
    style A fill:#1a2540,color:#00d4ff,stroke:#ffffff,stroke-width:2px
    style B fill:#1a2540,color:#ffb347,stroke:#ffffff,stroke-width:2px
    style C fill:#1a2540,color:#00ff88,stroke:#ffffff,stroke-width:2px
    style X fill:#ff4444,color:#ffffff,stroke:#ffffff,stroke-width:2px

Umgedacht: KI-Transformation ist Stadtplanung

Die Tech-Industrie stellt KI-Transformation als Technologieproblem dar — denn Technologieprobleme haben verkaufbare Technologielösungen. Bequem für Anbieter. Katastrophal für Unternehmen.

Eine bessere Perspektive: Stadtplanung.

Wenn eine Stadt ein Verkehrsproblem hat, ist die naheliegende Antwort, die Straße auszubauen. Das wirkt kurz. Dann füllt induzierte Nachfrage die neue Kapazität, und der Stau kehrt zurück — oft schlimmer, weil die breitere Straße zu mehr Autoverkehr eingeladen hat. Verkehrsplaner nennen das Braess-Paradoxon: zusätzliche Kapazität in einem Netz kann seine Gesamtleistung verschlechtern.

Unternehmen, die KI ausrollen, bauen Straßen aus. Sie geben einer Prozessstufe KI-Kapazität dazu, das verschiebt den Engpass nach hinten, das erzeugt Druck auf das Operating Model, das wiederum Datenqualitätsprobleme sichtbar macht, die vorher niemand bemerkt hat. Das System wehrt sich.

Gut geplante Städte lösen Verkehrsprobleme nicht durch breitere Straßen. Sie entwerfen das Verkehrssystem neu — Flächennutzung, ÖPNV, Radinfrastruktur, Nutzungsmischung — sodass sich die Nachfragemuster ändern. Dieselbe Logik gilt für AI-native Unternehmen. Man optimiert nicht einzelne Schritte. Man entwirft das System neu, damit KI die Nachfragemuster selbst verschiebt.

Die Daten von McKinsey stützen das. KI-High-Performer — die rund 6 %, die mehr als 5 % EBIT-Effekt berichten — haben mit 2,8-mal höherer Wahrscheinlichkeit ein grundlegendes Redesign ihrer Workflows umgesetzt. Sie entwerfen neu, wie ihre Organisationen arbeiten, statt nur bessere Modelle auszurollen.

Ich bin mir nicht sicher, ob die Stadtplanungs-Analogie auf jeder Ebene perfekt trägt. Aber der Kern stimmt: Komponenten unabhängig zu optimieren verschlechtert oft das Gesamtsystem. Und genau das tun 80 % der KI-Investitionen.

%%{init: {'theme': 'base', 'themeVariables': {'primaryColor': '#0a0f1e', 'primaryTextColor': '#ffffff', 'primaryBorderColor': '#ffffff', 'lineColor': '#ffffff', 'background': '#0a0f1e', 'mainBkg': '#0a0f1e', 'nodeBorder': '#ffffff', 'clusterBkg': '#1a2540', 'titleColor': '#ffffff', 'edgeLabelBackground': '#1a2540', 'tertiaryColor': '#1a2540'}}}%%
pie title Where AI Transformation Budget Goes vs Where It Should
    "Technology and Tools (90%+ of budget)" : 90
    "Process Redesign (21% of orgs attempt)" : 6
    "Operating Model Change (rarely addressed)" : 4

Das integrierte Gestaltungsframework

Ein AI-natives Unternehmen ist um drei ineinandergreifende Ebenen herum entworfen.

Ebene 1: Architektur — entworfen für KI-Mitwirkung

Klassische Architektur stellt menschliche Entscheidungen ins Zentrum. Daten fließen in Dashboards. Menschen analysieren. Menschen entscheiden. Systeme führen aus.

AI-native Architektur dreht das um. KI wirkt in Entscheidungsschleifen mit, und zwar in einem Tempo und Maßstab, die Menschen nicht erreichen. Das verlangt:

  • Ereignisgesteuerte Datenflüsse. KI braucht Echtzeitdaten, nicht die Batchberichte von gestern. Ein KI-Agent in der Schadenbearbeitung, der auf nächtliche Batch-Updates wartet, ist ein teurer Weg, genau die Verzögerungen wiederherzustellen, die Sie beseitigen wollten.
  • Einheitliche Governance. KI-Agenten kommen mit inkonsistenten Daten nicht klar. Wenn Ihre Kundentabelle im CRM „aktiv“ anders definiert als Ihr Abrechnungssystem, kann sich ein Mensch vielleicht noch behelfen. Ein KI-Agent trifft zuverlässig falsche Entscheidungen — und das im großen Maßstab. Databricks Unity Catalog und Snowflake Governance existieren genau dafür.
  • Erklärbarkeit by Design. Wenn KI an folgenreichen Entscheidungen mitwirkt — Kreditzusagen, Versicherungsfällen, Einstellungsempfehlungen — muss das Reasoning nachvollziehbar und auditierbar sein. Eine architektonische Entscheidung, kein nachgelagertes Compliance-Thema.
  • Integrationsmuster, die KI als gleichberechtigten Teilnehmer behandeln. Keine API, die seitlich angeschraubt ist. KI-Agenten lesen aus denselben Systemen und schreiben in dieselben Systeme wie Menschen — mit denselben Datenqualitätsstandards.

Ebene 2: Prozess — neu entwerfen, nicht automatisieren

Hier laufen die meisten in die Irre. Einen kaputten Prozess zu automatisieren skaliert die Dysfunktion.

Capgeminis ESOAR-Methodik bringt die Reihenfolge auf den Punkt: Eliminate: unnötige Schritte entfernen. Standardise: verbleibende Varianten vereinheitlichen. Optimise: den Ablauf straffen. Dann Automate und Robotise. Die meisten Unternehmen springen direkt zur Automatisierung. Deshalb enttäuschen die Ergebnisse.

%%{init: {'theme': 'base', 'themeVariables': {'primaryColor': '#1a2540', 'primaryTextColor': '#ffffff', 'primaryBorderColor': '#ffffff', 'lineColor': '#ffffff', 'background': '#0a0f1e', 'mainBkg': '#1a2540', 'nodeBorder': '#ffffff'}}}%%
flowchart LR
    E["ELIMINATE\nRemove unnecessary\nsteps entirely"] --> S["STANDARDISE\nUnify remaining\nprocess variations"]
    S --> O["OPTIMISE\nStreamline flow\nand handoffs"]
    O --> A["AUTOMATE\nApply AI to\noptimised process"]
    A --> R["ROBOTISE\nScale with\nfull automation"]
    
    SKIP["Most enterprises\nstart here"] -.-> A
    
    style E fill:#0a2a1e,color:#00ff88,stroke:#ffffff,stroke-width:2px
    style S fill:#1a2540,color:#00d4ff,stroke:#ffffff,stroke-width:2px
    style O fill:#1a2540,color:#00d4ff,stroke:#ffffff,stroke-width:2px
    style A fill:#1a2540,color:#ffb347,stroke:#ffffff,stroke-width:2px
    style R fill:#1a2540,color:#ffb347,stroke:#ffffff,stroke-width:2px
    style SKIP fill:#ff4444,color:#ffffff,stroke:#ffffff,stroke-width:2px

Drei Prinzipien für Prozessneugestaltung:

  • Vom Ergebnis her denken, nicht von Aufgaben. Vom Ziel des Prozesses rückwärts denken, nicht von der bestehenden Aufgabenliste vorwärts.
  • Für menschliches Urteil entwerfen, nicht für menschliche Ausführung. KI übernimmt Ausführung im großen Maßstab. Menschen übernehmen mehrdeutige, folgenreiche Entscheidungen.
  • Lernschleifen einbauen. AI-native Prozesse verbessern sich mit jeder Ausführung, weil sie Feedback-Daten erzeugen. Das passiert nicht von allein.

Ebene 3: Operating Model — der schwerste Teil

McKinseys Forschung zur agentenbasierten Organisation beschreibt die Form: flache Entscheidungsstrukturen, hoher Kontextaustausch, Echtzeit-Governance, befähigte Teams aus Menschen und KI-Agenten.

Diese Ebene verlangt ein Umdenken bei:

  • Rollen und Entscheidungsrechten. Wenn KI die Analyse vorbereitet, was tut der Analyst? Wenn KI Routineentscheidungen übernimmt, wer übernimmt die Ausnahmen? Diese Grenzen müssen vorab klar gezogen sein, nicht erst in der Krise.
  • Governance-Geschwindigkeit. Quartalsreviews und Jahresplanungszyklen sind zu langsam. Governance muss kontinuierlich werden und im Workflow verankert sein.
  • Vertrauensarchitektur. Menschen arbeiten effektiv mit KI, wenn sie sie verstehen, ihre Ergebnisse hinterfragen können und klare Eskalationspfade haben, sobald die KI danebenliegt.

Das ist auch die Ebene, auf der ich den größten Widerstand erlebt habe. Der schwerste Teil ist nicht die Technologie und auch nicht der Prozess — es ist, einen erfahrenen Senior Credit Officer davon zu überzeugen, dass die Risikoeinschätzung eines KI-Agenten genauso ernst zu nehmen ist wie seine 20 Jahre Erfahrung. Für dieses Gespräch gibt es keine technische Lösung.

Praxis: JP Morgans COIN und INGs GenAI-Transformation

Zwei reale Beispiele zeigen, wie integriertes Design über alle drei Ebenen aussieht.

JP Morgans COIN-System hat sich Commercial Lending vorgenommen — genau die Art von Geschäft, die alle drei Ebenen verlangt. Die KI prüft 12.000 gewerbliche Kreditverträge pro Jahr — eine Aufgabe, die zuvor jährlich 360.000 Stunden juristischer Arbeit verschlang. Die Architektur stellt KI-Modellen Dokumente in Echtzeit mit einheitlicher Governance bereit. Der Prozess wurde neu entworfen: Statt dass Anwälte jede Klausel sequenziell lesen, übernimmt die KI die Extraktion und markiert Risiken, Menschen übernehmen die Ausnahmen und das endgültige Urteil. Das Operating Model verschob Anwälte von der Dokumentenprüfung in die KI-Aufsicht — also: zu wissen, wann man der Extraktion vertraut und wann man eingreift. Das Ergebnis: nahezu null Fehlerquote, massive Zeitersparnis und Anwälte, die wertvollere Arbeit machen.

ING Bank ist einen anderen Weg zum selben Ziel gegangen. Gemeinsam mit McKinsey bauten sie in sieben Wochen einen GenAI-Chatbot, der 25 % Produktivitätsgewinn im operativen Geschäft brachte — mit erwarteter Wirkung für 37 Millionen Kunden. Der Schlüssel war nicht der Chatbot selbst, sondern das Redesign der Zusammenarbeit zwischen Mitarbeitenden und KI, mit klaren Eskalationspfaden und Governance, die von Anfang an im Workflow verankert war.

Der Tradeoff, über den niemand spricht: Beide Transformationen brauchten Monate der Prozessneugestaltung und Rollenverhandlung, bevor die KI Wirkung zeigte. Die Technologie war der einfache Teil. Das Operating Model neu zu entwerfen — erfahrene Profis davon zu überzeugen, dass KI-Aufsicht wertvoller ist als manuelle Ausführung — war das eigentliche Projekt.

Die Konsequenz

Technologie wird austauschbar. Foundation Models stehen jedem mit API-Zugang offen. Der Wettbewerbsvorteil gehört Organisationen, die alle drei Ebenen — Architektur, Prozess, Operating Model — gleichzeitig entwerfen. Die 80 % Misserfolgsquote ist ein Designproblem. Sie wird bestehen bleiben, bis Unternehmen aufhören, KI in bestehende Strukturen zu schieben, und anfangen, grundlegend andere Strukturen zu entwerfen.

Quellen

Daniel Piatkowski — Data & Analytics-Veteran, der AI-native Unternehmen prägt. elicify.ai