KI-Optionen brauchen saubere Übergaben

Kurzfassung: AlphaDev und „The AI Scientist“ zeigen KI-Systeme, die Lösungswege in begrenzten Räumen suchen. Für KMU liegt der Managementnutzen nicht in Autonomie, sondern in Übergabequalität: Ein KI-Vorschlag muss Annahmen, Datenbezug und nächste Handlung so zeigen, dass daraus eine bessere betriebliche Entscheidung entsteht.

Viele Diskussionen über KI im Mittelstand beginnen bei Automatisierung: schneller schreiben, schneller suchen, schneller zusammenfassen. Bei agentischen Arbeitsabläufen reicht dieser Blick nicht aus. Interessanter wird die Frage, ob ein System eine Option so vorbereitet, dass Vertrieb, Service, Projektleitung oder Technik damit belastbar weiterarbeiten. Produktivität entsteht dann nicht nur durch weniger Aufwand, sondern durch bessere Übergaben zwischen Arbeitsschritten.

Was AlphaDev und „The AI Scientist“ tatsächlich zeigen

Google DeepMind hat mit AlphaDev ein KI-System vorgestellt, das per verstärkendem Lernen schnellere Sortieralgorithmen gefunden hat. Die Ergebnisse wurden 2023 in Nature veröffentlicht. Der wichtige Punkt für Führungskräfte liegt nicht im Sortieren selbst, sondern in der Struktur der Aufgabe: Der Suchraum war eng, das Ziel messbar. Ein Sortieralgorithmus muss korrekt sortieren; seine Geschwindigkeit lässt sich prüfen.

Sakana AI beschreibt mit „The AI Scientist“ ein System, das Forschungsideen formuliert, Experimente ausführt, Code nutzt und wissenschaftliche Textentwürfe erstellt. Auch hier ist die Grenze wichtig: Ein erzeugter Entwurf ersetzt keine wissenschaftliche Validierung. Menschliche Bewertung bleibt Teil des Prozesses.

Für KMU ergibt sich daraus eine nüchterne Einsicht. KI wird dort operativ relevant, wo sie nicht nur eine Antwort liefert, sondern eine prüfbare Vorarbeit an den nächsten Schritt übergibt. Das betrifft besonders Abläufe mit mehreren Beteiligten: Angebote, Servicearbeit, Projektabwicklung, Produktionsplanung, Softwaretests oder technische Dokumentation.

Der Managementhebel liegt also nicht in der großen Erzählung von selbstständig forschenden Systemen. Er liegt in einer kleineren, aber wirtschaftlich konkreten Frage: Kommt der KI-Vorschlag so im Prozess an, dass ein Fachteam ihn verstehen, bewerten und nutzen oder begründet verwerfen kann?

Antwortqualität ist nicht gleich Übergabequalität

Viele KI-Ergebnisse wirken auf den ersten Blick brauchbar, weil sie flüssig formuliert sind. Für das Betriebsmodell eines Mittelständlers ist das zu wenig. Eine gute Übergabe zeigt nicht nur das Ergebnis, sondern auch die Annahmen dahinter.

Ein Beispiel aus der Angebotsarbeit: Eine KI-Anwendung erstellt schneller ein Angebotsdokument. Das spart Zeit, verbessert aber noch nicht automatisch die kaufmännische Entscheidung. Wertvoller ist eine vorbereitete Gegenüberstellung mehrerer Varianten: kurze Lieferzeit mit geringerer Marge, längere Lieferzeit mit stabilerer Kapazitätsplanung, zusätzlicher Serviceumfang mit höherem Kundenwert.

Damit diese Varianten nutzbar werden, müssen Preisstand, Rabattlogik, Lieferfähigkeit, Stücklisten, Kapazitäten und Risiken erkennbar sein. Sonst entsteht ein schöner Entwurf, den erfahrene Mitarbeitende mühsam rückwärts prüfen. Die KI verschiebt die Arbeit dann nur, statt sie zu verbessern.

Ähnlich im Kundendienst. Eine automatische Antwort an den Kunden ist oft nur der sichtbare Teil. Der größere Nutzen liegt in der Fallentscheidung: Gewährleistungsrisiko, technische Dringlichkeit, Ersatzteilbedarf, Schlüsselkunde, Eskalation an die Technik. Eine Serviceklassifikation ohne Folgehandlung bleibt Zusatzinformation. Eine Einstufung mit Begründung, Kundenhistorie und ähnlichen Fällen verbessert dagegen die nächste operative Entscheidung.

Übergabequalität bedeutet deshalb: Der Empfänger erkennt, worauf der Vorschlag beruht, was offen bleibt und welcher nächste Schritt naheliegt. Für KI-Governance ist das mindestens so wichtig wie die Frage, welches Werkzeug freigegeben wurde.

Empfindliche Stellen liegen an Bereichsgrenzen

Im Mittelstand entstehen viele Entscheidungen an Übergängen zwischen Funktionen. Vertrieb übergibt an Projektleitung. Service übergibt an Technik. Konstruktion übergibt an Dokumentation. Einkauf, Produktion und Auftragsabwicklung arbeiten mit gemeinsamen Annahmen, aber oft mit unterschiedlichen Datenständen.

Genau dort zeigt sich, ob KI im Mittelstand organisatorische Anschlussfähigkeit erreicht. Eine verbindliche Datenquelle ist dabei kein technisches Detail. Preislisten, Lieferzeiten, Stücklisten, Servicehistorie oder Projektdaten müssen ausreichend verlässlich sein, damit ein Vorschlag nicht nur plausibel wirkt, sondern weiterverwendbar ist.

In der Projektabwicklung ist das besonders deutlich. Ein System könnte ein neues Projekt mit abgeschlossenen Vorhaben vergleichen und Hinweise liefern: bestimmte Sonderwünsche führten früher zu Nacharbeit, bestimmte Zulieferteile verursachten Terminverschiebungen, bestimmte Kundengruppen brachten nach Freigabe überdurchschnittlich viele Änderungen ein. Der Nutzen entsteht aber erst, sobald der Projektleiter erkennt, aus welchen Fällen die Ähnlichkeit abgeleitet wurde und warum sie für den aktuellen Auftrag relevant ist.

Auch technische Dokumentation zeigt den Unterschied. KI kann Texte strukturieren, ergänzen oder verständlicher formulieren. Für den Betrieb zählt jedoch, ob Normbezug, Produktsicherheit, Vollständigkeit und Kundentauglichkeit prüfbar bleiben. Ein sprachlich guter Abschnitt ohne markierte Annahmen erzeugt mehr Kontrollaufwand als ein weniger eleganter Entwurf, der Herkunft, Lücken und offene Prüfungen sichtbar macht.

Die Prozessauswahl sollte deshalb nicht nur nach Arbeitsmenge erfolgen. Geeignet sind Vorgänge, in denen wiederkehrende Entscheidungen an andere Bereiche weitergegeben werden und der Empfänger heute häufig nachfragen, korrigieren oder neu bewerten muss. Dort verbessert KI nicht nur einen Einzelschritt, sondern die Übergabe zwischen Bereichen.

Der Status eines KI-Vorschlags muss erkennbar sein

Agentische Arbeitsabläufe verbinden mehrere Teilschritte: Informationen abrufen, Annahmen bilden, Varianten entwickeln, Ergebnisse begründen. Damit verändern sie die Rolle eines Vorschlags im Arbeitsprozess. Er ist nicht mehr nur ein Textentwurf, sondern möglicherweise eine Entscheidungsgrundlage.

Darum braucht jedes Unternehmen Klarheit über den Status solcher Ergebnisse. Manche Hinweise bleiben unverbindliche Zusatzsicht. Andere sollten prüfpflichtig sein, etwa bei niedriger Angebotsmarge, hohem Gewährleistungsrisiko oder auffälliger Terminunsicherheit. Wieder andere lösen eine Freigabe aus, zum Beispiel bei Rabattgrenzen, vertraglichen Risiken oder Zusagen an Schlüsselkunden.

Diese Unterscheidung verhindert zwei typische Fehlsteuerungen. Bleiben alle KI-Hinweise unverbindlich, verschwinden sie im Tagesgeschäft. Wirken sie faktisch bindend, obwohl keine fachliche Prüfung erfolgt ist, entsteht Scheinautomatisierung. Produktive KI-Governance liegt dazwischen: Das System bereitet Optionen vor, die Fachverantwortliche übernehmen, anpassen oder verwerfen.

Kompetenzaufbau folgt daraus anders als bei einfachen Textwerkzeugen. Mitarbeitende müssen nicht nur Eingaben formulieren, sondern KI-Ergebnisse wie fachliche Übergaben lesen: verwendete Daten, Annahmen, Begründung, offene Prüfung, wirtschaftliche Auswirkung, Kundeneffekt. Für Führungskräfte ist diese Bewertungsfähigkeit ein praktischer Reifegradindikator.

Ein sinnvoller Einstieg ist ein begrenzter Vergleich an realen Fällen. Zehn Angebote, Servicefälle oder Projekte reichen oft aus, um zu sehen, ob KI die Übergabe an den nächsten Arbeitsschritt verbessert. Wird weniger nachgefragt, früher eskaliert, klarer entschieden oder sauberer dokumentiert, entsteht ein belastbarer Nutzen. Bleibt der Vorschlag dagegen ein zusätzlicher Entwurf neben dem eigentlichen Prozess, sollte ein KMU zuerst Übergaben, Datenstände und Entscheidungsstatus klären, bevor weitere Automatisierung eingeführt wird.