Viele Unternehmen haben ihre Mitarbeitenden inzwischen im Umgang mit AI geschult. Sie haben Copilots freigeschaltet, interne Richtlinien formuliert und erste Agents in Vertrieb, Service oder Operations getestet. Trotzdem bleibt der wirtschaftliche Effekt häufig hinter den Erwartungen zurück.
Der Grund liegt aus meiner Sicht selten in einem Mangel an Technologie. Das eigentliche Problem ist, dass Unternehmen neue AI-Fähigkeiten in alte Arbeitsmodelle einsetzen. Stellenbeschreibungen, Entscheidungswege, Leistungskennzahlen und Übergaben bleiben unverändert. AI beschleunigt dann einzelne Aufgaben, aber nicht den gesamten Wertstrom.
Das ist die nächste große Managementaufgabe: Unternehmen müssen nicht nur AI einführen. Sie müssen Arbeit so gestalten, dass Menschen und AI gemeinsam bessere Ergebnisse erzielen können.
Deloitte beschreibt genau diese Lücke. Fast 60 Prozent der Beschäftigten nutzen AI bewusst bei der Arbeit, doch nur 14 Prozent der befragten Führungskräfte halten ihre Organisation für kompetent in der Gestaltung von Human-AI-Interaktionen. 59 Prozent verfolgen weiterhin einen technologiezentrierten Ansatz und legen AI auf bestehende Systeme und Prozesse.1 Gleichzeitig zeigt Microsofts Work Trend Index 2026: Organisatorische Faktoren wie Kultur, Managerunterstützung und Talentpraktiken hängen mehr als doppelt so stark mit dem berichteten AI-Effekt zusammen wie individuelle Faktoren.2
Die Konsequenz ist klar: AI Readiness wird zur Work-Design-Frage.
Warum Training allein das Problem nicht löst
AI-Kompetenz ist wichtig. Mitarbeitende müssen verstehen, was ein Modell leisten kann, wie Ergebnisse geprüft werden und wo Risiken entstehen. Doch Training verändert noch keinen Prozess.
Ein Vertriebsmitarbeiter kann hervorragend prompten und trotzdem täglich Informationen aus drei Systemen zusammensuchen. Eine Servicemitarbeiterin kann einen AI-Assistenten nutzen und dennoch für jede Ausnahme fünf Freigaben benötigen. Ein Controller kann Analysen in Minuten erstellen, während die Organisation weiterhin vier Wochen für eine Entscheidung braucht.
Deloitte berichtet, dass zwar viele Unternehmen AI-Fluency und Upskilling priorisieren, deutlich weniger jedoch Rollen, Workflows und Karrierepfade neu gestalten. Nur 34 Prozent der befragten Unternehmen reimaginieren Produkte, Prozesse oder Geschäftsmodelle tiefgreifend; 37 Prozent nutzen AI eher oberflächlich, ohne bestehende Prozesse wesentlich zu verändern.3
| Technologieorientierte Einführung | Human-AI Work Design |
|---|---|
| „Welches Tool geben wir dem Team?“ | „Welches Ergebnis soll der Prozess zuverlässig liefern?“ |
| AI unterstützt einzelne Aufgaben | Menschen und AI gestalten einen End-to-End-Wertstrom |
| Bestehende Rollen bleiben unverändert | Rollen, Entscheidungsrechte und Ausnahmen werden neu definiert |
| Erfolg wird über Nutzung gemessen | Erfolg wird über Qualität, Geschwindigkeit, Kosten und Risiko gemessen |
| Kontrolle erfolgt nachträglich | Kontrollpunkte und Eskalationen sind in den Ablauf eingebaut |
Wer nur die linke Seite optimiert, steigert möglicherweise die individuelle Produktivität. Wer die rechte Seite gestaltet, verändert die Leistungsfähigkeit des Unternehmens.
Arbeit muss von Outcomes aus neu gedacht werden
Klassische Stellenbeschreibungen bündeln Aufgaben: E-Mails beantworten, Reports erstellen, Leads qualifizieren, Verträge prüfen oder Kundenanfragen bearbeiten. Für die Gestaltung eines AI-fähigen Betriebsmodells ist diese Perspektive zu grob.
Die bessere Einheit ist das Outcome. Im Vertrieb könnte das beispielsweise eine qualifizierte Opportunity mit vollständigem CRM-Kontext sein. Im Service eine korrekte Lösung innerhalb einer definierten Zeit. Im Finanzbereich ein nachvollziehbarer Forecast mit dokumentierten Annahmen.
Erst wenn das Ergebnis klar ist, lässt sich die Arbeit sinnvoll zerlegen:
| Ebene | Beispiel einer Kundenanfrage |
|---|---|
| Input | E-Mail, Formular, Gesprächsnotiz oder Support-Ticket |
| Interpretation | Anliegen, Dringlichkeit, Kunde und Kontext erkennen |
| Wissensarbeit | Richtlinien, Produktwissen und Historie zusammenführen |
| Entscheidung | Antwort, Angebot, Eskalation oder Ablehnung wählen |
| Ausführung | Kommunikation versenden und Systeme aktualisieren |
| Kontrolle | Qualität, Risiko und Ergebnis überwachen |
| Lernen | Fehler, Ausnahmen und neue Erkenntnisse zurückspielen |
Diese Zerlegung verhindert zwei typische Fehler. Erstens wird nicht automatisch alles automatisiert, was technisch möglich ist. Zweitens bleibt menschliche Beteiligung nicht vage, sondern wird dort eingebaut, wo Urteilskraft, Verantwortung, Empathie oder Verhandlung erforderlich sind.
Der Fassbender Human-AI Work Design Canvas
Für die Praxis empfehle ich sieben Managemententscheidungen. Sie verbinden Prozessdesign, Operating Model und Governance zu einem Arbeitsmodell, das in einem KMU tatsächlich betrieben werden kann.
| Designentscheidung | Leitfrage | Konkretes Ergebnis |
|---|---|---|
| 1. Outcome | Welches Geschäfts- und Arbeitsergebnis soll besser werden? | Ziel, Baseline und Qualitätsdefinition |
| 2. Work Decomposition | Welche Aktivitäten, Entscheidungen und Ausnahmen bilden den Prozess? | End-to-End-Work Map |
| 3. Interaction Mode | Welche Beziehung besteht zwischen Mensch und AI? | Definierter Interaktionsmodus je Arbeitsschritt |
| 4. Decision Rights | Was darf AI vorschlagen, entscheiden oder ausführen? | Entscheidungs- und Delegationsmatrix |
| 5. Controls & Escalation | Welche Schwellen begrenzen Autonomie? | Prüfregeln, Freigaben und Eskalationspfade |
| 6. Roles & Capabilities | Welche menschlichen Rollen und Fähigkeiten verändern sich? | Rollenbild, RACI und Enablement-Plan |
| 7. Learning System | Wie werden Wirkung, Fehler und Verbesserungen zurückgespielt? | KPI-, Review- und Verbesserungszyklus |
Der Canvas beginnt bewusst nicht mit einem Tool. Er beginnt mit dem Ergebnis und endet mit einem Lernsystem. Technologie wird erst dann ausgewählt, wenn klar ist, welche Rolle sie im Betriebsmodell übernimmt.
Fünf Interaktionsmodi statt eines pauschalen „Human in the Loop“
„Ein Mensch prüft das Ergebnis“ klingt verantwortungsvoll, ist aber noch kein belastbares Design. Unternehmen müssen genauer definieren, wie Mensch und AI interagieren.
AI als Assistent bedeutet, dass AI Informationen vorbereitet, während der Mensch die Arbeit ausführt und entscheidet. AI als Kollaborateur beschreibt einen iterativen Prozess, in dem beide Seiten Entwürfe, Analysen oder Optionen weiterentwickeln. AI als Coach liefert Hinweise und Feedback, ohne die Entscheidung zu übernehmen. AI als ausführender Agent erledigt definierte Schritte innerhalb klarer Grenzen. AI als überwachte Instanz steuert einen Prozess weitgehend selbstständig, während Menschen Schwellenwerte, Ausnahmen und Systemleistung kontrollieren.
Microsoft unterscheidet ähnliche Arbeitsformen entlang menschlicher und agentischer Intensität. Entscheidend ist nicht, welcher Modus moderner wirkt. Entscheidend ist, welcher Modus zur Aufgabe, zum Risiko und zur benötigten Urteilskraft passt.2
Ein Hochrisikoprozess kann beispielsweise AI für Recherche und Konsistenzprüfung einsetzen, die finale Entscheidung aber bei einer verantwortlichen Person belassen. Bei einer standardisierten internen Datenübertragung kann AI dagegen innerhalb definierter Grenzen selbst ausführen und nur Abweichungen eskalieren.
Entscheidungsrechte sind das Herzstück des neuen Operating Models
Sobald AI nicht nur Texte erstellt, sondern Systeme bedient, Prioritäten setzt oder Handlungen auslöst, wird sie vom Werkzeug zum organisatorischen Akteur. Autonomie, Persistenz und delegierte Rechte verändern die Managementaufgabe.4
Eine praktikable Delegationsmatrix kann vier Stufen unterscheiden:
| Stufe | AI-Recht | Menschliche Rolle | Geeignet für |
|---|---|---|---|
| Vorschlagen | AI erstellt Optionen | Mensch entscheidet vollständig | neue, sensible oder wenig getestete Aufgaben |
| Ausführen nach Freigabe | AI bereitet Aktion vor | Mensch genehmigt vor Ausführung | finanzielle, rechtliche oder kundenwirksame Schritte |
| Ausführen mit Eskalation | AI handelt innerhalb definierter Grenzen | Mensch bearbeitet Ausnahmen | stabile Prozesse mit messbaren Schwellenwerten |
| Autonom innerhalb eines Mandats | AI entscheidet und handelt in engem Rahmen | Mensch überwacht Systemleistung | hochstandardisierte, reversible und gut beobachtbare Abläufe |
Der Begriff Human-on-the-Loop ist hier hilfreich. Menschen prüfen nicht jede einzelne Aktion. Sie definieren Ziele, Grenzen und Eskalationen, überwachen Muster und greifen bei Abweichungen ein. Das ist keine schwächere Kontrolle. Es ist eine andere Form von Kontrolle, die bei hoher Transaktionszahl überhaupt erst skalierbar wird.
Die Verantwortung bleibt trotzdem menschlich. Deloitte berichtet, dass nur etwa jedes fünfte Unternehmen bereits ein reifes Governance-Modell für autonome AI Agents besitzt.3 Das zeigt, warum Entscheidungsrechte und Kontrollarchitektur nicht nach dem Pilotprojekt ergänzt werden dürfen.
Welche Rollen ein KMU wirklich braucht
Ein mittelständisches Unternehmen benötigt nicht sofort ein großes AI Center of Excellence. Es braucht jedoch explizite Verantwortlichkeiten. Mehrere Rollen können von derselben Person übernommen werden, aber keine der Funktionen darf unsichtbar bleiben.
| Rolle | Kernverantwortung |
|---|---|
| Executive Sponsor | Ziel, Priorität, Budget und Konfliktentscheidungen |
| Process Owner | End-to-End-Ergebnis, Prozessleistung und Veränderungen |
| Business AI Owner | fachliche Konfiguration und Nutzen des AI-Systems |
| Quality Steward | Qualitätskriterien, Tests, Stichproben und Fehlermuster |
| Data Owner | Zugriff, Qualität, Zweckbindung und Datenverantwortung |
| AI Operations Owner | Betrieb, Monitoring, Kosten und technische Eskalation |
| Risk/Compliance | Risikoklasse, Kontrollanforderungen und Nachweisführung |
Diese Rollen verändern auch Führung. Manager verteilen nicht mehr nur Aufgaben. Sie definieren Outcomes, setzen Qualitätsstandards, schaffen Raum für Experimente und entscheiden, wann eine Arbeitsweise verbindlich wird.
Microsofts Untersuchung zeigt, wie wichtig diese Ebene ist: Nur 26 Prozent der befragten AI-Nutzer erleben ihre Führung als klar und konsistent ausgerichtet. 65 Prozent befürchten, zurückzufallen, während 45 Prozent es für sicherer halten, aktuelle Ziele zu verfolgen, statt Arbeit mit AI neu zu gestalten. Nur 13 Prozent sagen, dass Work Redesign auch dann belohnt wird, wenn ein Versuch nicht sofort erfolgreich ist.2
Wenn Leistungskennzahlen ausschließlich das alte System belohnen, wird keine Schulung die neue Arbeitsweise dauerhaft verankern.