Angewandte KI funktioniert nicht

Die Welt hat ein Vermögen für KI ausgegeben. Für die meisten Unternehmen hat sich nichts geändert. Ich habe mit über 300 CEOs, CIOs und CFOs der größten Unternehmen der Erde gesprochen. Dabei habe ich gelernt, dass die meisten Unternehmen KI auf ihre mangelhaften Prozesse anwenden, und das Ergebnis ist lediglich, dass Mängel schneller produziert werden. Ob es darum geht, Tausende von Claude-Code-Lizenzen zu kaufen, 50 Millionen Dollar jährlich für Token auszugeben oder KI-Schulungen über Zoom durchzuführen – ich habe aus erster Hand gesehen, wie ineffizient die Einführung von KI bisher war. Das muss nicht so sein.

Wir sind diesen Weg bereits gegangen, mehrfach sogar, und wir sollten aus der Geschichte lernen, wenn es um die Einführung von KI geht. Meine Hoffnung ist, dass KI-Verantwortliche weltweit am Ende dieses Artikels mit ihrer archaischen und naiven Methodik der KI-Anwendung aufhören und stattdessen dem unten dargestellten, erprobten und bewährten Prozess folgen.

Teil 1: Geschichte und ihre Parallelen

Im Jahr 1990 schrieb ein ehemaliger MIT-Professor für Informatik namens Michael Hammer einen Artikel für die Harvard Business Review. Er hatte bereits Jahre in Unternehmen verbracht, die enorme Summen für Computer ausgaben, aber nur sehr geringe Renditen erzielten, und er gehörte zu den Ersten, die die Ursache dafür aufdeckten.

„Hohe Investitionen in Informationstechnologie haben enttäuschende Ergebnisse geliefert, vor allem weil Unternehmen dazu neigen, Technologie zu nutzen, um alte Geschäftsmethoden zu mechanisieren. Sie lassen die bestehenden Prozesse intakt und nutzen Computer lediglich, um sie zu beschleunigen."

Das ist ein echtes Zitat. Ist das zu fassen? Wenn man 'Informationstechnologie' durch 'KI' ersetzen würde, könnte man das morgen veröffentlichen und wäre auf der Titelseite von Business Insider. In demselben Artikel schrieb er, dass es an der Zeit sei, die Kuhpfade nicht länger zu asphaltieren. Das ist 36 Jahre her, und raten Sie mal, was wir immer noch tun?

Anmerkung: „Kuhpfade asphaltieren" bedeutet, einen bestehenden ineffizienten Prozess zu automatisieren, zu formalisieren oder festzuschreiben, anstatt ihn für die Art und Weise, wie Dinge funktionieren sollten, neu zu gestalten. Habe Ihnen den Weg zu Claude erspart, bitte sehr.

In der Zwischenzeit wurden über 1 Billion Dollar an Investitionsausgaben für den Aufbau von KI ausgegeben (allein Microsoft, Alphabet, Amazon und Meta gaben 2025 410 Milliarden Dollar aus; atemberaubend, ich weiß), aber nur 37 Milliarden Dollar wurden von Unternehmen für die tatsächliche Nutzung ausgegeben. Was das in der Praxis bedeutet: Das britische Ministerium für Wirtschaft und Handel führte einen Test mit Microsoft 365 Copilot durch und veröffentlichte die Ergebnisse. Über 3 Monate wurden 1.000 Lizenzen ausgerollt, und es gab durchschnittlich nur 1,14 Copilot-Aktionen pro Benutzer und Tag. PowerPoint-Folien wurden 7 Minuten schneller erstellt (von 18 auf 11 Minuten), aber bei halber Qualitätsbewertung. Die Excel-Analyse wurde tatsächlich langsamer durchgeführt (und ebenfalls von schlechterer Qualität). Die Zeitersparnis bei E-Mails war, und ich zitiere, „extrem gering". Ihre eigene Schlussfolgerung, wörtlich: „Wir haben keine belastbaren Belege dafür gefunden, dass Zeitersparnisse zu einer verbesserten Produktivität führen." Und dennoch gaben 72 % der Benutzer an, zufrieden oder sehr zufrieden zu sein.

Kurz gesagt: Den Leuten gefiel es, aber sie produzierten genau das Gleiche wie zuvor. Ethan Mollick (Wharton Associate Professor und KI-Forscher) hat es am besten formuliert: „Die Nutzung von KI, die die individuelle Leistung steigert, führt nicht automatisch zu einer Verbesserung der organisatorischen Leistung." Dieser Artikel wird erläutern, warum das so ist, und Lösungen anbieten, die wir in der Praxis als wirksam erlebt haben.

Zu meiner Person: Ich bin Vas, CEO von @varickagents. Wir arbeiten mit extrem großen Unternehmen (zwischen 500 Millionen und 100 Milliarden Dollar Umsatz, 1.000 bis 100.000 Mitarbeiter) und helfen ihnen bei der Einführung von KI – von der allgemeinen Strategie über die Prozessneugestaltung bis hin zum Bau, Einsatz und Management ihrer Agenten. Dieser Artikel basiert auf Erkenntnissen, die wir gewonnen haben: Was unterscheidet KI-Pilotprojekte, die scheitern (kein messbarer ROI), von denen, die erfolgreich sind (80 %+ der Arbeit wird vollständig von einem Agenten erledigt, was Zeit und Geld spart).

Der Grund, warum das immer wieder passiert, ist nicht pure Dummheit. Ein Teil davon ist es natürlich, aber der größte Teil ist Trägheit und Design. Wer heute einen KI-Vertrag unterschreibt, mag zwar die Kontrolle über Tools und Anbieterauswahl haben, aber er besitzt definitiv nicht den Prozess. Niemand in dieser Kette ist befugt, zum Beispiel in die Finanzabteilung zu gehen und zu sagen, dass ihr 14-stufiger Prozess eigentlich nur 5 Schritte haben sollte. Also tut es niemand. Stattdessen „wendet man KI" auf das an, was man bereits hat, und am Ende hat man schnelleren Mist.

KI soll nicht „angewendet" werden. Das funktioniert nicht. Man „trägt einen Anstrich auf". Zu viele Leute denken über KI wie über einen frischen Anstrich, und Farbe repariert nicht, was darunter ist. Niemand hat jemals „angewendete Cloud" oder „angewendetes Digital" gesagt. Nein, stattdessen sagten sie Digitale Transformation, Cloud-Modernisierung, weil jeder verstand, dass dies Transformationen waren und die Technologie nur ein Teil davon war. KI hat die gleiche Form.

Zurück zu Hammer: Seine beste Zahl stammt von einer Versicherungsgesellschaft, die er untersuchte. Ein Antrag brauchte 22 Tage, um durch das Unternehmen zu laufen. Von diesen 22 Tagen betrug die Gesamtzeit, die jemand daran arbeitete, 17 Minuten. Angenommen, Ihr KI-Mitarbeiter wirft heute das beste Modell der Welt auf diesen Prozess und macht jeden einzelnen Schritt doppelt so schnell. Dann hat er 8,5 Minuten gespart. Er verbucht das als 50 % Zeitersparnis, bekommt seine Beförderung und seinen Bonus und reitet in den Sonnenuntergang. Es sind 8 Minuten.

Die Einsparungen lagen nicht in der Bearbeitung des Antrags. Sie lagen in den Warteschlangen und Übergaben, in den Wartezeiten auf andere Teams und in der zweiten Überprüfungsrunde. Seine Energie darauf zu verwenden, die 17 Minuten zu beschleunigen, ist schlimmer, als nichts zu tun; Sie haben gerade Ihr Budget ausgegeben und Ihrem Vorstand bewiesen, dass „KI nicht funktioniert". Sie denken vielleicht, das sei ein Relikt der 90er Jahre, aber das ist es nicht. Wir haben mit einem Unternehmen gearbeitet, das genau dieses Problem hatte, aus seinen eigenen Systemprotokollen ersichtlich. Die Eröffnung eines neuen Kundenfalls erforderte 25 Minuten tatsächliche Arbeit. Die verstrichene Zeit, von der Eingabe des Falls bis zu seiner Aktivierung, lag zwischen 2 Tagen und 2 Wochen. Die Arbeit kann Minuten dauern, während der Prozess dennoch Wochen dauern kann.

Wenn ich sage, dass die meisten KI-Programme Mist schneller machen, meine ich das wörtlich. Der Prozess ist Mist. KI macht ihn schneller. Darauf habe ich schon gehört: „Nun, wir sind ein großes Unternehmen, also machen wir offensichtlich etwas richtig, und wir müssen uns nicht ändern." Anpassen oder untergehen ist heute lebendiger denn je, und das ist der eine Bereich, in dem sich KI von Digital und Cloud unterscheidet. Richtig eingesetzt, verschafft KI einem Konkurrenten eine Hebelwirkung gegen Sie, die diese nie hatten. Ob es darum geht, Sie im Preis zu unterbieten, ohne Personalaufstockung unendlich zu skalieren oder die ganze Welt zu erreichen, bevor Sie überhaupt eine Interessentenliste zusammenstellen können – sie werden Sie vernichten. Im besten Fall wachsen Sie weiter, und jetzt skaliert Ihre Mitarbeiterzahl exponentiell. Aus 3 Analysten werden 6, aber die 6 brauchen jetzt einen Manager, und da es 2 Teams sind, brauchen sie eine Übergabe, die es vorher nicht gab, und jetzt braucht diese Übergabe ein Statusmeeting und einen Projektmanager usw. Deshalb steigen die Mitarbeiterzahlenkurven nach oben, während der Umsatz pro Mitarbeiter nicht mitzieht. Anpassen oder untergehen, aber tun Sie nicht so, als ob KI nicht stattfindet. Ihre Konkurrenten werden alles daran setzen, das herauszufinden.

Teil 2: Was heute zu tun ist

Ihre Daten sind ein Chaos und Ihre Systeme kommunizieren nicht miteinander, also ist Ihr erster Instinkt vielleicht, dies zu beheben, bevor Sie etwas anderes anfassen. Sie brauchen nur ein ERP, ein CRM, eine Datenplattform und dann KI obendrauf. Das klingt in der Theorie großartig, aber IT-Spezialisten verstehen, dass es nie so einfach ist. Werfen Sie einen Blick darauf, was das tatsächlich kostet, sowohl in Geld als auch in Zeit.

TSB gab 318 Millionen Pfund für eine Kernbankenmigration aus, verbrauchte etwa 200 Millionen Pfund mehr an Vorfallskosten, wurde im Dezember 2022 von der FCA und PRA mit 48,65 Millionen Pfund bestraft und legte das Banking für 5,2 Millionen Kunden lahm. Zimmer Biomet, ein 8-Milliarden-Dollar-Hersteller, reichte im September 2025 eine Klage über 172 Millionen Dollar gegen Deloitte ein, nachdem eine missglückte „Migration und Konsolidierung" sie daran hinderte, grundlegende Funktionen auszuführen, wie den Versand ihrer Produkte, die Rechnungsstellung an ihre Kunden oder die Erstellung funktionsfähiger Verkaufsberichte. Und das sind nur die beiden Beispiele, die in die Nachrichten kamen; solche Vorfälle sind weitaus häufiger, als Sie vielleicht denken.

Worauf Sie sich stattdessen konzentrieren sollten, ist die Bereinigung des Prozesses. Angenommen, Sie haben in den letzten 20 Jahren 9 Unternehmen gekauft, was bedeutet, dass Sie jetzt denselben Prozess haben, der in Ihren 9 Tochtergesellschaften auf 9 verschiedene Arten läuft. Wenn Sie KI in Ihrem gesamten Unternehmen „anwenden" wollen, müssen Sie denselben Agenten auf 9 verschiedene Arten bauen und dann gezwungen sein, alle 9 Agentensätze auf unbestimmte Zeit zu warten. Um diesem Fegefeuer zu entgehen, müssen Sie zuerst den einzigen Prozess definieren, der global läuft und den Sie in Ihrem gesamten Unternehmen ausrollen, bevor Sie überhaupt daran denken, KI darauf anzuwenden.

Umgekehrt brauchen Sie NICHT ein ERP. Deterministische Integrationen brachen in dem Moment zusammen, in dem 2 Systeme sich uneinig waren, was ein Lieferantendatensatz war. Agenten tolerieren diese Inkonsistenz jedoch, daher ist eine Orchestrierungsschicht, die über Ihren vorhandenen Systemen sitzt, DIE Lösung für unterschiedliche Systeme. Ihre Systeme müssen nicht nur miteinander kommunizieren, sie müssen glücklich verheiratet sein und die Fehler des anderen tolerieren.

Beginnen Sie mit der Kartierung

Um Ihr Unternehmen neu zu gestalten, müssen Sie es zuerst verstehen. Sie erreichen dieses Verständnis nicht, indem Sie einen einzelnen Workflow auswählen, 8 Wochen damit verbringen, etwas zu perfektionieren, das sich als von einem vorgelagerten Schwesterprozess abhängig erweist, und am Ende einen Netto-ROI von Null haben.

Gleichzeitig können Sie jedoch nicht das gesamte Unternehmen auf einmal erfassen, Sie müssen irgendwo anfangen. Beginnen Sie auf Abteilungsebene. Es wird nicht perfekt sein – der Finanzbereich berührt den Vertrieb jedes Mal, wenn die Umsatzrealisierung davon abhängt, wie etwas verkauft wurde. Die Personalabteilung berührt IT und Betrieb bei jeder Neueinstellung. Aber auf diese Weise identifizieren Sie zumindest „Bündel" von Workflows, die in dieselbe Abteilung fließen (z. B. enthält der Finanzbereich Kreditorenbuchhaltung, Debitorenbuchhaltung, FP&A, Abrechnung, Bankwesen, Abstimmungen usw.), und Sie können mit der Kartierung der folgenden 7 Details beginnen:

1. Der „Happy Path": Wofür ist dieser Workflow verantwortlich und was passiert im idealsten Szenario. Bei den meisten Unternehmen ist dies so ziemlich das Einzige, was wirklich bis ins letzte Detail dokumentiert ist.
2. Die Ausnahmen. Hier verbringen Sie die meiste Zeit. Beschreiben Sie nicht nur, was passiert, sondern berechnen Sie, welcher Anteil des Volumens den Happy Path verlässt, wohin er geht, wer einbezogen wird, wie die Durchlaufzeit für die Bearbeitung dieser Ausnahmen ist und was die Kosten eines Fehlers hier sind.
3. Was ist vorgelagert und nachgelagert zu diesem Workflow? Wie interagiert dieser Prozess mit diesen, wenn Dinge in jedem von ihnen zu spät kommen oder schiefgehen?
4. Welche Systeme der Aufzeichnung sind beteiligt, und welches gewinnt, wenn zwei von ihnen sich uneinig sind?
5. Wie unterscheidet sich dies nach Region, nach Einheit, nach Tochtergesellschaft, danach, durch welche Übernahme es hereingekommen ist?
6. Was ist die Bearbeitungszeit im Vergleich zur verstrichenen Zeit, und wie variiert die Lücke bei jedem einzelnen Schritt?
7. Wie hoch ist die KI-Fähigkeit jeder einzelnen Person in der Funktion und welches Maß an Verantwortung sollten sie über ein zukünftiges KI-System haben? (Die Berechnung ist subjektiv und variiert stark).

Es gibt zwei Verfahren, die erforderlich sind, um die oben genannten Informationen zu extrahieren:

• Prozess-Mining gegen die Systeme der Aufzeichnung, um Aktionen, Zeitstempel, Durchsatz, Bearbeitungen und die Realität zu erfassen, die nicht mit der Dokumentation übereinstimmt.
• Interviews, denn das oben Genannte liefert Ihnen Daten, aber Gespräche mit den Operateuren sagen Ihnen genau, wo der Schmerz sitzt. Die Realität Ihrer Organisation lebt in den Köpfen von 10-20 Leuten, die diese genaue Arbeit seit Jahren für Ihr genaues Unternehmen machen, und am Ende des Tages muss Ihre KI von diesen Leuten angenommen werden, damit sie effektiv funktioniert.

Nur einen dieser Schritte durchzuführen, hinterlässt ein unvollständiges Bild und ist der Hauptgrund, warum KI-Entdeckung scheitert. Ich habe erlebt, wie Applied-AI-Firmen versucht haben, mit „KI-Interviews" Abkürzungen zu nehmen oder Ingenieure zu den Interviews zu schicken. Das funktioniert nicht. Die halbe Arbeit besteht darin, eine starke Beziehung zu den Operateuren aufzubauen und zu wissen, welche Fragen man ihnen stellen muss, damit man mit einem guten Verständnis dafür geht, was zu bauen und wie es einzusetzen ist.

Agenten, die funktionieren, sind nicht nur LLM-Aufrufe

Prozessneugestaltung ist eine Sortierübung, die Software- und KI-Erfahrung erfordert. Jeder Schritt fällt in einen von 3 Eimern:

Deterministisch. Wenn X, dann Y, ohne Urteilsvermögen. Zum Beispiel: Wenn die Rechnung unter einem bestimmten Dollarbetragsschwellenwert liegt und mit der Bestellung und dem Wareneingang übereinstimmt, dann bezahlen Sie sie. Wenn die Offenlegung einen Konkurrenten nennt, leiten Sie sie an das Konfliktteam weiter. Diese Aktionen eignen sich am besten als einfache, gute alte Software. Sie brauchen keinen ausgefallenen LLM-Aufruf, wenn Sie es stattdessen mit normalem Code erledigen können, der billig, prüfbar, deterministisch (halluziniert nie) und schnell ist.

Agentisch. Wenn Sie Tausende von vergangenen Beispielen haben, in denen Menschen ein Urteil gefällt haben, dessen Ergebnis aufgezeichnet wurde, und dieser Schritt ein geringes Risiko darstellt (z. B. Genehmigungen im Dealkorb oder GL-Codierung), sollten Sie unbedingt ein LLM für das Urteil verwenden. Besonders wenn die Ausgabe ein Ja/Nein, eine Weiterleitung an dieses Team, eine Markierung/keine Markierung oder eine Übereinstimmung/keine Übereinstimmung ist, liefern Sie dies mit einem Agenten aus und messen Sie jede Ausgabe. Wenn die erforderliche Ausgabe andererseits 5 Seiten eines Dokuments umfasst, das ein Mensch trotzdem vollständig lesen muss, um es zu überprüfen, dann ist es besser, den Ansatz zu hybridisieren. Hier müssen Sie die Schwierigkeit der Aktion beurteilen, nicht die Schwierigkeit des Denkens.

Human-in-the-Loop. Bei Schritten, die zu riskant sind oder nicht genügend historischen Kontext haben, ist es besser, den Menschen im Kreislauf zu lassen, weil die Kosten für einen Agenten, der eine Aktion falsch ausführt, viel zu hoch sind. Legen Sie stattdessen dem Menschen in dem Moment, in dem er entscheidet, alle relevanten Beweise vor. Ein Agent erkennt zum Beispiel eine Diskrepanz zwischen einer Rechnung und einer Bestellung und präsentiert dem Menschen dann 3 Optionen: trotzdem genehmigen, klar ablehnen oder Feedback geben und an jemand anderen weiterleiten. Der Agent hat Ihrem Menschen gerade 40 Minuten der Suche durch E-Mails, Rechnungsdatensätze und mehr erspart, sodass er stattdessen in 30 Sekunden eine Entscheidung treffen kann. Aber die endgültige Aktion wird immer noch von diesem Menschen gesteuert.

Sobald Sie jeden Schritt in einen der 3 obigen Eimer sortiert haben, können Sie so etwas wie einen 25-stufigen Prozess in ein Cluster von 3 Agenten verwandeln, mit deterministischen Schritten davor und danach und schließlich 2 Punkten der Human-in-the-Loop-Aktion zur Entblockung. Diese Prozessneugestaltungsarbeit, in Verbindung mit den Agenten selbst, ist der Ort, an dem der gesamte ROI lebt.

Danach legen Sie Basis-KPIs fest, bevor Sie etwas bauen. Ihr Ziel ist es, die Zahlen hinter dem Prozess zu berechnen, den Sie lösen, einschließlich wo und wie diese Zahlen heute gemessen werden. Wenn Sie das nicht können, ist dieses Projekt zum Scheitern verurteilt. Sie müssen in der Lage sein, in 12 Monaten zurückzublicken und zu sagen: Früher waren wir bei X, und jetzt sind wir bei 3X oder 10X oder 100X, dank der Agenten, die wir gebaut haben. Nur dann können Sie sagen, dass dieses Projekt wirklich ein Erfolg war.

Schließlich priorisieren und sequenzieren Sie Ihren Bau. Gehen Sie zuerst den Workflow mit den meisten Übergaben an, da dies wahrscheinlich die niedrigste hängende Frucht ist, bei der Sie die klarsten Ergebnisse sehen können. Die entscheidende Unterscheidung ist, dass dies nicht unbedingt derselbe Workflow mit dem meisten Volumen ist.

Wie sieht das in der Praxis aus?

Wir haben ein globales Unternehmen neu gestaltet, das jeden Monat 300+ Bankkonten abgleicht. 2/3 davon wurden von einem Offshore-Team bearbeitet, der Rest verteilte sich auf 2 andere Regionen in 3 verschiedenen Formaten, aber vollständig in Excel. Es gab 12.000+ offene Abstimmungsposten, und 4 Tage zu Beginn jedes Monats wurden damit verbracht, Kontoauszüge zu beschaffen. Ihr Abstimmungsprozess dauerte fast den gesamten Monat, jeden Monat.

Ihr Workflow vor unserer Neugestaltung war wie folgt (und bevor Sie sich über sie lustig machen, erkennen Sie, dass Sie in Ihrem eigenen Unternehmen definitiv Prozesse wie diesen haben, wenn nicht sogar schlimmere):

1. Kontoauszüge von jeder Bank jagen und sammeln, in welchem Format auch immer sie bereitgestellt werden
2. Sie in das regionale Arbeitsbuch normalisieren
3. Den Hauptbuchauszug ziehen
4. Zeile für Zeile abgleichen
5. Markieren, was nicht übereinstimmt
6. Einen lokalen Controller per E-Mail um Kontext zu den markierten Posten bitten
7. Auf seine Antwort warten
8. Der Antwort nachjagen, wenn sie unbeantwortet bleibt
9. Endlich die Antwort erhalten, dann die Anpassung buchen
10. Die Region in die konsolidierte Datei einrollen
11. Den gesamten Schritt-1-bis-10-Prozess für jede der 2 anderen Regionen wiederholen, jede in ihrem eigenen Format.
12. Abschluss.

Wenn Sie jeden dieser Schritte schneller machen, wird der Abgleich schneller. Das Problem ist, dass der Abgleich nie das Problem war. Die 4 Tage Warten auf Kontoauszüge und die E-Mail an den Controller in einer anderen Zeitzone und die Antwort, die immer noch 3 Tage dauert, sind es. Indem Sie den Abgleich schneller machen, würden Sie Stunden von einem Prozess abschneiden, der in Wochen gemessen wird.

Wir haben stattdessen ihren Prozess neu gestaltet, sodass er 3 Schritte umfasst.

1. Kontoauszüge treffen auf einem Feed ein, nach dem Fließbandprinzip, anstatt gejagt zu werden. Das hat absolut nichts mit KI zu tun.
2. Alles, was auf der Grundlage von Regeln abgeglichen werden kann, wird automatisch abgeglichen, und wenn nicht, wird ein Agent den Fall Ende-zu-Ende zusammenstellen: mit dem Posten selbst, historischen Kategorisierungen, aus verschiedenen Systemen der Aufzeichnung gesammelten Beweisen und einem vorgeschlagenen nächsten Schritt.
3. Schließlich arbeitet ein Mensch seine Warteschlange von Ausnahmen durch, mit den für seine Überprüfung vorbereiteten Beweisen, anstatt dass er manuell durch über ERPs und Tabellenkalkulationen verstreute Daten sieben muss.

Jagen, E-Mailen, Warten, Neueingabe und regionale Zusammenfassungen wurden vollständig eliminiert. Dies ist der Unterschied zwischen einem Agentensystem, das Minuten und Stunden spart, und einem Agentensystem, das Wochen spart.

Teil 3: Warum ist das nicht häufiger der Fall?

Ihnen wurde etwas vorgelogen

Das KI-Angebot, das Sie erhalten haben, war von Anfang an irreführend. KI, die als Punktlösung eingeführt wird, ist nichts, woraus Sie einen Mehrwert ziehen. Sie können dies nicht nur von der IT aus tun, und Sie können dies nicht von einer „Innovationsfunktion" mit einem Budget von 1 Million Dollar und null Autorität aus tun. Die Neugestaltung eines Prozesses, der 4 Abteilungen umfasst, erfordert jemanden, der allen 4 Abteilungen sagen kann, dass sich der Prozess ändert. Es gibt nur eine Handvoll Leute in einem Unternehmen, die das wirklich können; es muss von oben kommen.

Aber eine weitere Komplexitätsebene: Die Leute, die die Arbeit heute tatsächlich erledigen, z. B. der Leiter der Kreditorenbuchhaltung und die Operateure und Analysten im gesamten Finanzbereich, müssen ebenfalls einbezogen werden. Sie müssen das neue KI-System wollen, weil sie es morgen übernehmen und vorantreiben müssen. Sie müssen bereit sein, Informationen preiszugeben, von denen sie glauben, dass sie sie möglicherweise ersetzen könnten, auch wenn dies in den meisten Fällen nicht der Fall ist.

Und am wichtigsten: Die Einführung von KI wird als riskant angesehen. Der Status quo ist für die meisten Menschen „sicher", die keine Beförderung bekommen, wenn KI funktioniert, aber gefeuert werden, wenn sie nicht funktioniert, selbst wenn das Festhalten am Status quo bedeutet, das Unternehmen im Laufe der Zeit einen langsamen Tod sterben zu lassen.

Neugestaltung ist ziemlich schwierig

Hammers und Champys eigene Schätzung aus dem Jahr 1993 war, dass bis zu 50 % bis 70 % der Organisationen, die eine Prozessneugestaltung versuchten, die beabsichtigten Ergebnisse nicht erzielten. (Offensichtlich hat sich seit den 90ern nicht viel geändert). Hammer selbst sagte später, er sei „der menschlichen Dimension nicht ausreichend gerecht geworden". Was er meinte, war, dass das „Entfernen einer Übergabe" zu dieser Zeit bedeutete, die für diese Übergabe verantwortliche Person zu entlassen (das war ihr ganzer Job) und dann alle anderen zu bitten, ihre Arbeit zu ändern, während die „Software" der damaligen Zeit eine solche Änderung nicht unterstützte. Was bedeutete, dass, nachdem die Berater kamen und gingen, die Organisationsstruktur und der Prozess schnell in ihren ursprünglichen Zustand zurückkehrten: einen, der von Ineffizienzen und Fehlern durchsetzt war.

Heute jedoch sind zwei Dinge grundlegend anders. Erstens bietet KI-native Tooling einen beispiellosen fluiden Softwarezustand: einen, der sich an die Veränderungen um ihn herum anpassen kann. Ein Agent, der in Ihrem System der Aufzeichnung sitzt, kann Übergaben ausführen, die früher auf Menschen angewiesen waren, gleichzeitig Diskrepanzen darum herum mit deterministischer Software behandeln und ist auch immun gegen die beim Menschen übliche Varianz. Zweitens ist die Arbeit, die Sie zuerst eliminieren, fast vollständig Koordination, das heißt: Jagen, Warten, Eskalieren, Triagieren usw. Nach diesen Prozessverbesserungen und einer echten KI-Transformation bleibt nur noch hochwertige, hochwirksame Arbeit übrig, mit der sich Ihre besten Leute ohnehin die ganze Zeit beschäftigen sollten.

Eine schöne neue Welt

Traditionelle Beratungsunternehmen sind ganz gut in Prozessarbeit, das gebe ich zu. Wenn Sie eine aufwändige Illustration eines 15-stufigen Prozesses wollen, der 10 Länder und 3 Einheiten umspannt, wird Ihre durchschnittliche Beratungsfirma die schönste Folie produzieren, die Sie je gesehen haben, für 300.000 Dollar. Was diese Beratungsfirma nicht kann, ist die zweite, wichtigere Hälfte: zu wissen, was einem Modell anvertraut werden kann und was nicht, was ein Agent kostet, der 40.000 Mal im Monat läuft, welches Modell (Fable 5.1 vs. Gemini 3.8 Flash) für welche Art von Aufgabe (GL-Codierung vs. Dealkorb-Routing) zu verwenden ist, wie man eine Evaluierungssuite optimal für einen bestimmten Prozess entwirft und in welchen der 3 obigen Eimer (Deterministisch, Agentisch, HITL) ein bestimmter Schritt in einem Prozess wirklich gehört. Wenn Sie diesen Weg gehen, wird Ihre Neugestaltung von Beratern erstellt, die raten, im Gegensatz zu erfahrenen KI-nativen Strategen und FDEs, und 6 Monate später fragen Sie sich, warum Ihr Pilotprojekt abgestürzt ist.

KI-Labore und -Unternehmen haben auf der anderen Seite das gegenteilige Problem. Sie können einen Agenten bauen (meistens zumindest), aber sie haben sich noch nie mit sowohl dem Finanz- als auch dem Betriebsbereich zusammengesetzt, um einen Workflow zu zerlegen, bei dem beide Abteilungen sich über die Zuständigkeit und darüber uneinig sind, wer wem vorgelagert ist. Stattdessen werden sie KI auf einen kaputten Prozess klatschen und es automatisiert nennen, anstatt diesen Prozess auszuweiden und neu zu gestalten, wie es schon vor Monaten hätte sein sollen. Darüber hinaus werden die größten „Applied AI"-Labore wie OpenAI (DeployCo) und Anthropic (Ode) Sie zwingen, sich für immer an ihre Modelle zu binden. Den gesamten Intelligenz-Stack Ihres Unternehmens auf einen einzigen Anbieter zu setzen, ist Selbstmord. Morgen, wenn sie das Modell, auf dem Sie laufen, ratenbegrenzen, quantisieren, im Preis erhöhen und ausmustern, bleiben Sie mit dem Chaos und der Rechnung zurück. Sie denken vielleicht, es sei so einfach, einen Endpunkt von Claude auf GLM oder Gemini oder DeepSeek umzustellen, aber das ist es nicht. Das erneute Ausführen von Evaluierungen und das Neubestimmen, welche Denkebene pro Modellaufruf zu verwenden ist, ist ein mühsamer Prozess, und die Labore werden Ihnen dabei nicht helfen.

Was Sie stattdessen brauchen, ist die Kombination des Besten aus beiden Welten: Leute, die tatsächlich eine Finanz-, Betriebs-, Vertriebs- oder Personalabteilung geleitet haben, kombiniert mit dem technischen Talent, produktionsreife Software in ERPs wie Microsoft Dynamics oder CRMs wie Salesforce auszuliefern, kombiniert mit KI-Ingenieuren, die modellagnostische Unternehmensgeschirre mit integrierter Unternehmens-Governance und Evaluierungssuiten bauen können. Einige bezeichnen diese Leute als „Forward Deployed Engineers", aber die Wahrheit ist, dass die meisten FDEs heute mittelmäßige Ingenieure und mittelmäßige Berater sind, mit absolut keiner KI-Fähigkeit, und am Ende wird so gut wie nichts gut gemacht.

Wie sieht das aus, wenn man es richtig macht?

Es gibt 4 Hebel, die wichtig sind, wenn Sie ein Unternehmen mit KI transformieren: Kosten (idealerweise reduziert), Umsatz (idealerweise gesteigert), Zeit (idealerweise schneller) und Risiko (idealerweise geringer). In unseren Implementierungen, etwa der Hälfte davon bei börsennotierten Unternehmen, sind hier Beispiele dafür, was sich tatsächlich bewegt hat, Hebel für Hebel:

• Zeit. Wir haben den Monatsabschluss von 18–22 Tagen auf 7–9 Tage verkürzt. Lieferkettenunterbrechungen werden jetzt in unter 6 Stunden bearbeitet, statt wie zuvor in mehreren Tagen.
• Umsatz. Deals lagen früher durchschnittlich 23 Tage still; jetzt beträgt der Durchschnitt 6 Tage, und der Verwaltungsaufwand der Vertriebsmitarbeiter sank von 38 % der Woche auf 14 %. Diese Zeit floss direkt zurück in den Verkauf.
• Kosten. Die Bearbeitung von Ausnahmen in der Kreditorenbuchhaltung ging von 600–800 Rechnungen pro Monat auf unter 50 zurück. In einer Marketingabteilung wurden 8–12 % des Media-Budgets durch Taktungsfehler zurückgewonnen, die früher erst am Monatsende sichtbar wurden – das sparte Millionen pro Quartal.
• Risiko. Lohnkorrekturen sanken um 90 %, da der Abgleich zwischen den Systemen nun vor der Lohnabrechnung und nicht danach erfolgte. 80 % der Mitarbeiteranfragen wurden aus den unternehmenseigenen Richtliniendokumenten beantwortet, während Sonderfälle weiterhin an einen menschlichen Ansprechpartner in der Personalabteilung eskaliert wurden.

Insgesamt belief sich der Wert, der über diese Reihe von Implementierungen erzielt wurde, auf über 100 Millionen US-Dollar. Das Beste daran ist, dass diese Zahl gemeinsam mit unseren Kunden ermittelt wurde; es sind nicht nur unsere Behauptungen, sondern sie wurde gemessen.

Wie sieht ein echtes KI-Transformationsunternehmen aus?

Alles oben Beschriebene ist die Art und Weise, wie wir bei Varick vorgehen, und es ist der einzige Ansatz, der für die Unternehmen, für die wir KI eingeführt haben, funktioniert hat. Es handelt sich um extrem große Unternehmen mit Tausenden von Mitarbeitern, Dutzenden von Systemen und unendlichen Komplexitäten, dennoch ist das Vorgehen immer gleich und es funktioniert jedes Mal.

Unser Team aus Strategen und Ingenieuren kommt auf Abteilungsebene herein, um zunächst zu erfassen, wie die Arbeit tatsächlich abläuft, und nicht nur zu akzeptieren, wie sie dokumentiert ist – durch eine Kombination aus Prozess-Mining und Interviews, Berechnung der verstrichenen Zeit im Vergleich zur Bearbeitungszeit, Kartierung der Ausnahmen, vorgelagerten und nachgelagerten Auswirkungen sowie Verständnis dafür, wer wofür verantwortlich ist. Statt Monaten schließen wir diesen Prozess in nur wenigen Wochen ab. Anschließend erhalten Sie Ihren neu gestalteten Prozess, den zu erzielenden Wert, kundenspezifische Basis-KPIs und die Prioritätenreihenfolge, in der die Agenten entwickelt werden. Als Nächstes beginnen wir mit dem Bau der Agenten, die standardmäßig mit Enterprise-Governance, Prüfbarkeit, Evaluierungs-Suites und Überwachung ausgestattet sind.

Wir arbeiten mit Unternehmen, die einen Umsatz von über 500 Millionen US-Dollar erzielen, und bewältigen deren anspruchsvollste Arbeitsabläufe in den Bereichen Produkt, Finanzen, Vertrieb, Beschaffung, Betrieb, Personalwesen und mehr. Wenn Sie sehen möchten, wie das bei einem Ihrer eigenen Prozesse aussieht, buchen Sie einen Anruf auf unserer Website und kommen Sie bereit, über Ihre unbeliebtesten Arbeitsabläufe zu sprechen und darüber, was sie so komplex macht. Und wenn Sie diesen Inhalt hilfreich fanden, abonnieren Sie unseren Newsletter, in dem wir wöchentliche Beiträge zu den neuesten Entwicklungen in der „angewandten" KI und allem, was wir durch die Praxis gelernt haben, veröffentlichen.

TLDR

• Der Großteil der KI-Ausgaben in Unternehmen wird heute auf genau denselben Prozessen eingesetzt, die bereits vorher existierten, was bedeutet, dass man im Grunde nur einen schlechten Prozess schneller laufen lässt. Michael Hammer sagte dies bereits 1990 über die IT, und die britische Regierung hat es 2025 mit 1.000 Copilot-Lizenzen im Grunde erneut bewiesen: 1,14 Aktionen pro Benutzer und Tag, keine nachweisbare Produktivitätssteigerung, und 72 % der Benutzer waren trotzdem zufrieden.
• Die Zeit steckte nie in der Arbeit selbst, sondern in den Warteschlangen und Übergaben. Hammers Versicherungsantrag lag 22 Tage im Prozess, mit 17 Minuten tatsächlicher Arbeit darin. Selbst wenn man die Arbeit doppelt so schnell erledigt, hat man 8 Minuten gespart.
• Die Konsolidierung seiner Systeme (ein ERP, ein CRM, eine Datenplattform) ist ein gut dokumentierter Weg, um 2 Jahre und 9-stellige Beträge zu verlieren, bevor man einen einzigen Dollar an Wert sieht. Was man tatsächlich braucht, ist eine Definition des Prozesses und einen Verantwortlichen, denn Agenten können mit Systemen umgehen, die sich widersprechen, was deterministische Integrationen nie konnten.
• Beginnen Sie auf Abteilungsebene, analysieren Sie die Systeme und befragen Sie die Mitarbeiter, und ordnen Sie dann jeden einzelnen Schritt in einen von drei Bereichen ein: deterministische Software, ein Agent oder ein Mensch im Loop mit den für ihn vorbereiteten Informationen. Richtig gemacht, wird aus einem 25-Schritte-Prozess 3 Agenten mit 2 menschlichen Kontrollpunkten.
• Als wir es auf diese Weise gemacht haben, sank der Monatsabschluss von 18–22 Tagen auf 7–9, die Ausnahmen in der Kreditorenbuchhaltung von 600–800 pro Monat auf unter 50, die Lohnkorrekturen fielen um 90 %, und der Gesamtwert über unsere Implementierungen belief sich auf über 100 Millionen US-Dollar, gemessen gemeinsam mit den Kunden.
• Nichts davon funktioniert, wenn es nicht von oben kommt, die Mitarbeiter es tatsächlich wollen und die von Ihnen Beauftragten Prozessleute, Softwareentwickler und KI-Ingenieure im selben Raum haben – und fast niemand hat alle drei.