KI macht aus Bearbeitung Rollenarbeit

Kurzfassung: KI-Projekte scheitern oft nicht am Modell, sondern am alten Zuschnitt von Arbeit. Agentische Systeme verändern, wer vorbereitet, prüft, entscheidet und Regeln pflegt. Für das Management entsteht daraus eine praktische Aufgabe: Jobs neu ordnen, bevor Werkzeuge skaliert werden.

Viele Unternehmen beginnen mit KI dort, wo der Nutzen schnell sichtbar ist: Texte entstehen rascher, E-Mails klingen besser, Besprechungen werden automatisch zusammengefasst. Das entlastet einzelne Tätigkeiten, verändert aber selten die Leistung des gesamten Vorgangs. Der größere Hebel liegt im Rollenumbau: Menschen bearbeiten nicht mehr jeden Fall vollständig selbst, sondern übernehmen stärker Prüfung, Ausnahmeentscheidung, Kundenurteil und Verbesserung der Regeln, nach denen KI-Systeme arbeiten.

Der Auslöser: Agenten sind keine besseren Textgeneratoren

Die aktuelle Diskussion über agentische KI führt zu einer nüchternen Managementfrage: Soll KI einzelne Arbeitsschritte beschleunigen, oder soll ein Vorgang neu zugeschnitten werden? Genau hier liegt der Unterschied zwischen einem Assistenten und einem Agenten.

OpenAI beschreibt Agenten in seinem Praxisleitfaden als Systeme, die Aufgaben über mehrere Schritte bearbeiten, Werkzeuge nutzen und auf ein Ziel hinarbeiten können. Anthropic betont in „Building effective agents“ ebenfalls klare Aufgaben, geeignete Werkzeuge, begrenzte Handlungsspielräume und definierte menschliche Eingriffspunkte. Beides ist für Führungskräfte weniger als technische Architektur interessant, sondern als Hinweis auf eine veränderte Arbeitsteilung.

Ein klassischer Servicefall beginnt bei einer Mitarbeiterin: Anfrage lesen, Kundendaten suchen, Vertragsstatus prüfen, Antwort formulieren, dokumentieren und bei Unsicherheit eskalieren. KI als Assistenz hilft in dieser Kette, etwa mit einem Antwortvorschlag. Ein agentischer Ablauf setzt früher an: Das System erkennt den Falltyp, ruft definierte Informationen ab, prüft Regeln und bereitet eine Lösung vor oder erledigt einfache Standardfälle innerhalb enger Grenzen.

Damit entsteht kein nur schnellerer alter Job. Aus vollständiger Fallbearbeitung werden getrennte Rollen: maschinelle Vorarbeit, fachliche Prüfung, Ausnahmeentscheidung, Regelpflege und Qualitätsverantwortung. Für KI-Management ist das der entscheidende Punkt.

Alte Jobs erzeugen neue Nacharbeit

Viele KI-Initiativen enttäuschen, weil sie an einer sichtbaren Stelle ansetzen, aber den übrigen Ablauf unverändert lassen. Im Vertrieb schreibt KI Angebotsentwürfe. Im Service formuliert sie Antworten. In Projekten erzeugt sie Protokolle und Statusberichte. Das ist nützlich, aber noch kein belastbarer Produktivitätsgewinn.

Der Unterschied zeigt sich am verwertbaren Ergebnis. Ein Angebot ist nicht gut, weil es sauber formuliert wurde. Es muss Preise, Marge, Lieferfähigkeit, Sonderkonditionen und Vertragsrisiken korrekt berücksichtigen. Eine Serviceantwort ist nicht belastbar, nur weil sie freundlich klingt. Sie muss Kundenstatus, Produktdaten, Kulanzregeln und bisherige Kommunikation einbeziehen. Ein Projektbericht verbessert die Steuerung erst, sobald offene Entscheidungen, Abhängigkeiten und Risiken früher sichtbar werden.

Die MIT-NANDA-Veröffentlichung „The GenAI Divide — State of AI in Business 2025“ beschreibt eine Kluft zwischen vielen GenAI-Piloten und messbarem Nutzen im Unternehmensbetrieb. Für Manager ist die naheliegende Lehre nicht, generative KI abzuschreiben. Der Befund verweist auf organisatorische Anschlussfähigkeit: Datenzugang, Zuständigkeit, fachliche Maßstäbe und Einbindung in reale Abläufe entscheiden über Wirkung.

Bleibt der Jobzuschnitt unverändert, entsteht häufig zusätzliche Kontrollarbeit. Mitarbeitende erhalten mehr Entwürfe, müssen diese aber weiterhin vollständig prüfen. Führung sieht hohe Nutzung, während Durchlaufzeit, Fehlerquote oder Entscheidungsqualität kaum besser werden. Die Organisation hat dann KI-Aktivität erzeugt, aber keine neue Produktivität.

Der Rollenumbau beginnt in der Sacharbeit

Der tiefere Wandel betrifft Tätigkeiten, die historisch als vollständige Fallverantwortung organisiert wurden. Eine Person nimmt einen Vorgang an, sammelt Informationen, gleicht Regeln ab, entscheidet, kommuniziert und dokumentiert. Diese Bündelung war sinnvoll, solange Software vor allem Daten speicherte und Menschen die Verbindung zwischen Systemen, Erfahrung und Kundenkontext herstellten.

Agentische Arbeitsabläufe lösen diese Bündelung teilweise auf. Wiederkehrende Recherche, Klassifikation, Abgleich und Dokumentation können aus dem menschlichen Ablauf herausgenommen werden. Gleichzeitig werden andere Fähigkeiten wichtiger: ein Ergebnis beurteilen, Grenzfälle erkennen, falsche Systemlogik korrigieren, Datenqualität sichern und entscheiden, ob eine maschinelle Empfehlung tragfähig ist.

Im Kundendienst bedeutet das: Eine erfahrene Servicekraft beantwortet weniger Standardfragen von Anfang bis Ende. Sie prüft schwierige Fälle, entscheidet Kulanz, erkennt Muster in Fehlklassifikationen und verbessert Regeln. Ihre Rolle wird nicht kleiner, sondern anders zugeschnitten.

Im Vertrieb kann ein System Kundendaten aus dem CRM zusammenführen, Produktbausteine vorschlagen und Angebotsvarianten vorbereiten. Der Verkäufer bleibt für kommerzielle Tragfähigkeit, Verhandlung, Kundenbeziehung und finale Zusage verantwortlich. Muss jede Variante vollständig nachgerechnet werden, ist der Ablauf noch nicht reif für mehr Automatisierung.

In der Projektabwicklung liegt der Nutzen nicht im schöneren Statusbericht. Wertvoll wird KI, sobald sie Zusagen, offene Entscheidungen, Budgetfolgen oder Abhängigkeiten aus verschiedenen Quellen erkennbar macht. Die Projektleitung verbringt dann weniger Zeit mit Formulierungen und mehr Zeit mit Priorisierung und Entscheidung.

Gerade bei KI im Mittelstand ist diese Rollenfrage sehr praktisch. Viele Unternehmen funktionieren über Erfahrungswissen: besondere Kundenbedingungen, realistische Lieferzusagen, akzeptierte Abkürzungen, informelle Eskalationswege. Solange dieses Wissen nur in Köpfen steckt, kann ein Agent höchstens oberflächlich unterstützen. Soll er belastbare Vorarbeit leisten, müssen Regeln, Datenquellen und Prüfgrenzen ausdrücklich beschrieben werden.

Führung muss Ergebnisverantwortung neu zuschneiden

Der Rollenumbau gelingt nicht nebenbei. Er verlangt klare fachliche Entscheidungen, nicht nur technische Integration. IT bleibt wichtig für Sicherheit, Zugriffskontrolle, Schnittstellen und Betrieb. Der Fachbereich muss jedoch festlegen, was ein gutes Ergebnis ist.

Im Service geht es darum, bei welchen Anliegen ein System abschließen darf und ab welcher Unsicherheit ein Mensch übernimmt. Im Vertrieb muss klar sein, welche Marge, Vertragsabweichung oder Lieferzusage eine Prüfung auslöst. In Projekten braucht es Kriterien für Risiken, Eskalationen und entscheidungsrelevante Abweichungen. In regulierten Bereichen müssen Grenzen für automatische Entscheidungen enger gezogen werden.

Auch die Wirtschaftlichkeitsrechnung verändert sich. Lizenzen, Nutzerzahlen oder erzeugte Dokumente reichen als Kennzahlen nicht aus. Sinnvoller sind Bearbeitungszeit pro abgeschlossenem Fall, Prüfzeit pro KI-Ergebnis, Nacharbeit, Fehlerquote, Erstlösungsquote, Freigabeaufwand und Wirkung auf Kundenversprechen. Diese Messgrößen zeigen, ob KI nur Aktivität produziert oder tatsächlich Arbeit aus dem menschlichen Vollzug herausnimmt.

Anbieterentscheidungen gehören ebenfalls in diese Betrachtung. Viele KI-Funktionen kommen über CRM-, ERP-, Service- oder Kollaborationsplattformen in den Betrieb. Das kann den Einstieg erleichtern, prägt aber oft auch Fallklassifikation, Datenzugriff, Eskalationslogik und verfügbare Qualitätsmetriken. Bei unkritischen Hilfsfunktionen ist das meist unproblematisch. Bei Vorgängen mit Preiswirkung, Haftung, Qualität oder Kundenzusage sollte ein Unternehmen wissen, welche Regeln es selbst kontrolliert.

Für einen KMU-Geschäftsführer ergibt sich daraus ein konkreter Startpunkt: einen wirtschaftlich relevanten Falltyp auswählen, etwa Serviceanfragen, Angebotsvorbereitung oder Projektstatus; die künftige menschliche Rolle beschreiben; die verbindliche Datenquelle festlegen; Prüfgrenzen definieren; Erfolg am verwertbaren Ergebnis messen. Erst damit wird KI nicht nur ein Werkzeug im alten Job, sondern Teil einer tragfähigen neuen Arbeitsteilung.