KI scheitert an der falschen Arbeitsteilung

Kurzfassung: KI im Mittelstand bringt wenig, wenn sie nur alte Abläufe beschleunigt. Der größere Hebel liegt in einer neuen Arbeitsteilung: Systeme bereiten Fälle vor, Menschen prüfen und entscheiden. Dafür müssen Falltypen, Datenquellen, Übergaben und fachliche Verantwortung klarer zugeschnitten werden.

Viele KI-Projekte starten mit einem plausiblen Ziel: weniger Suchaufwand, schnellere Texte, bessere Zusammenfassungen. Im Alltag zeigt sich dann oft ein nüchterner Befund. Einzelne Mitarbeitende arbeiten schneller, aber Kunden erhalten Angebote nicht deutlich früher, Servicefälle werden nicht stabiler gelöst, Projektentscheidungen bleiben verzögert. Der Grund liegt selten allein im Modell. Häufig wird KI in Abläufe eingebaut, die historisch für menschliche Abstimmung, Erfahrung und Improvisation entstanden sind. Für Geschäftsführer und Bereichsleiter entsteht daraus eine andere Managementfrage: Nicht welches Werkzeug eingeführt wird, sondern an welcher Stelle Arbeit neu zwischen System, Fachkraft und Führung verteilt werden muss.

Agentische Systeme verändern den Blick auf Arbeit

Die aktuelle KI-Entwicklung verschiebt den Fokus von reinen Textassistenten zu Systemen, die Aufgaben über mehrere Schritte bearbeiten können. Anthropic beschreibt wirksame Agenten als Systeme, die Werkzeuge nutzen, Informationen aus Quellen abrufen und mehrstufige Aufgaben ausführen. OpenAI stellt Codex als Software-Agenten vor, der in einer Entwicklungsumgebung Aufgaben übernimmt, Code verändert und Ergebnisse zurückmeldet. Microsoft beschreibt im Work Trend Index 2025 Organisationen, in denen Menschen zunehmend mit KI-Agenten zusammenarbeiten und Arbeit neu verteilt wird.

Für KI im Mittelstand ist daran weniger das Etikett „Agent“ entscheidend. Wichtiger ist die Voraussetzung: Solche Systeme benötigen eine Arbeitsumgebung mit erkennbaren Aufgaben, gültigen Informationen, Rückmeldungen und Prüfpunkten. In der Softwareentwicklung ist das vergleichsweise gut sichtbar. Es gibt Dateien, Versionen, Tests, Aufgabenbeschreibungen und nachvollziehbare Änderungen.

Viele operative Abläufe in KMU sehen anders aus. Ein Angebot entsteht aus CRM-Daten, ERP-Preisen, technischen Rückfragen, alten Kalkulationen, Excel-Listen und persönlichem Erfahrungswissen. Ein Servicefall hängt an Maschinenhistorie, Vertrag, Dokumentation, Ticketsystem und dem Wissen erfahrener Mitarbeitender. KI kann darin einzelne Schritte beschleunigen. Sie kann aber nicht automatisch erkennen, welche Information gilt, welche Ausnahme kritisch ist oder wer bei Abweichungen entscheiden darf.

Die Managementeinsicht lautet deshalb: Agentische Arbeitsabläufe sind keine reine Softwarefrage. Sie verlangen eine neue Arbeitsteilung, bei der das Unternehmen festlegt, was ein System vorbereiten darf, wo fachliche Prüfung nötig ist und an welcher Stelle Verantwortung bleibt.

Wert entsteht vor dem Text, nicht im Text

Ein typisches Beispiel ist die Angebotserstellung. Viele Unternehmen beginnen dort mit KI, weil der Nutzen sofort sichtbar ist. Aus Stichpunkten wird ein professionelles Anschreiben. Produktvorteile werden verständlicher formuliert. Varianten lassen sich schneller beschreiben.

Der wirtschaftliche Zeitverlust liegt jedoch häufig vor dem fertigen Dokument. Ist die Kundenanforderung vollständig? Ist die technische Variante freigegeben? Stimmt die Preislogik? Ist die Lieferzeit belastbar? Gibt es Sonderkonditionen? Muss eine Marge geprüft werden? Wenn diese Fragen weiter über Rückrufe, interne E-Mails und Erfahrungswissen geklärt werden, verkürzt KI nur den letzten sichtbaren Schritt.

Ein produktiverer Zuschnitt beginnt beim Falltyp, nicht beim Text. Für qualifizierte Erstangebote einer bestimmten Produktgruppe kann ein Unternehmen festlegen, welche Angaben zu Beginn erforderlich sind, welche Preisquelle verbindlich ist, welche Varianten Standard sind und welche Abweichungen eine Freigabe auslösen. Dann kann KI fehlende Angaben markieren, Informationen zusammenführen, Standardfälle vorbereiten und einen Entwurf erstellen, der fachlich prüfbar ist.

Der Unterschied ist betriebswirtschaftlich relevant. Ein schöneres Angebot spart Minuten. Ein besser vorbereiteter Angebotsfall kann die Zeit von Anfrage bis belastbarer Antwort senken, Nacharbeit reduzieren und knappe technische Kapazität gezielter einsetzen. Genau dort entsteht Produktivität: nicht durch mehr KI-Nutzung, sondern durch weniger Reibung zwischen Arbeitsschritten.

Fachkräfte werden Steuerer der fachlichen Logik

Wenn KI mehrstufige Aufgaben vorbereitet, verschiebt sich die Rolle der Mitarbeitenden. Das ist kein abstrakter Zukunftspunkt, sondern betrifft konkrete Tätigkeiten im Vertrieb, Service und in der Projektabwicklung.

Im Service kann ein System eine Anfrage klassifizieren, Vertragsdaten heranziehen, Maschinenhistorien zusammenfassen und bekannte Fehlerbilder vorschlagen. Die Fachkraft sucht dann nicht mehr jede Information einzeln zusammen. Ihre Arbeit verlagert sich zur Bewertung: Ist der Vorschlag plausibel? Handelt es sich um einen Standardfall? Muss eskaliert werden? Zeigt sich ein Muster, das Qualitätssicherung oder Produktmanagement prüfen sollte?

In der Projektabwicklung ist der Effekt ähnlich. Automatische Protokolle helfen, lösen aber nicht das Kernproblem. Wertvoller ist eine Struktur, die Abweichungen früher sichtbar macht: Terminrisiken, Margeneffekte, ungeklärte Kundenzusagen oder fehlende Entscheidungen. Dann wandert Aufmerksamkeit von der Statussammlung zur fachlichen Einordnung.

Damit verändert sich auch Macht und Verantwortung im Betriebsmodell. Fachbereiche sind nicht mehr nur Anwender eines KI-Werkzeugs. Sie werden Eigentümer der fachlichen Regeln, Beispiele, Grenzfälle und Qualitätsmaßstäbe. IT klärt Systemzugriffe, Datenanbindungen und Sicherheitsgrenzen. Das Management entscheidet über den Zuschnitt: Was wird vorbereitet, was geprüft, was bleibt menschliche Entscheidung?

Das ist praktische KI-Governance. Sie beginnt nicht mit einem großen Regelwerk, sondern am Arbeitsergebnis. Ein automatisch vorbereiteter Servicevorschlag braucht andere Prüfung als ein internes Protokoll. Ein Angebot mit Margewirkung braucht andere Freigaben als eine Standardantwort. Ein System mit Kundendaten braucht andere Zugriffskontrollen als ein allgemeines Schreibwerkzeug.

Die entscheidende Kennzahl liegt an der Übergabe

Viele Unternehmen messen KI zunächst über Nutzung: Anzahl der Anwender, gesammelte Anwendungsfälle, eingesparte Minuten pro Text. Diese Werte sind als Startpunkt nützlich, aber sie erklären selten den wirtschaftlichen Effekt.

Für eine Geschäftsleitung sind andere Größen aussagekräftiger: Zeit von Anfrage bis qualifiziertem Angebot, Anteil der Nacharbeit, Erstlösungsquote im Service, Zahl unnötiger interner Rückfragen, früher erkannte Projektrisiken oder geringerer Suchaufwand nach gültigen Informationen. Diese Kennzahlen zeigen, ob KI organisatorische Anschlussfähigkeit findet.

Wenn ein Vertriebsmitarbeiter schneller schreibt, der Kunde aber weiterhin auf technische Klärung wartet, bleibt der Nutzen begrenzt. Wenn ein Servicefall zusammengefasst wird, aber Vertragsstatus und Maschinenhistorie unsicher bleiben, entsteht zusätzliche Prüfung. Wenn Projektprotokolle automatisch entstehen, aber Entscheidungen zu Termin, Kosten oder Leistungsumfang unklar bleiben, wird nur Dokumentation beschleunigt.

Der sinnvolle Einstieg ist deshalb eng und konkret: ein wirtschaftlich relevanter Falltyp mit Wiederholung, klarer Kundenauswirkung und prüfbarem Ergebnis. Nicht „KI im Vertrieb“, sondern Erstangebote für eine definierte Produktgruppe. Nicht „KI im Service“, sondern wiederkehrende Störungsmeldungen für installierte Anlagen mit vorhandener Historie. Nicht „KI in Projekten“, sondern frühere Erkennung von Termin- und Margenabweichungen.

Für KMU-Manager folgt daraus eine klare Entscheidung: Bevor das nächste Werkzeug ausgerollt wird, sollte ein Falltyp so zugeschnitten werden, dass verbindliche Datenquelle, fachliche Prüfung, Rollenverteilung und wirtschaftliche Messgröße zusammenpassen. Erst dann wird KI vom persönlichen Helfer zu einem belastbaren Bestandteil produktiver Arbeit.