Die Geschäftsführung möchte KI einführen. Schließlich verspricht die Technologie, Arbeitsabläufe zu beschleunigen, repetitive Tätigkeiten zu automatisieren und Mitarbeitende zu entlasten.
Doch beim genaueren Hinsehen zeigt sich, dass viele Prozesse historisch gewachsen sind, Verantwortlichkeiten nicht eindeutig geklärt und Informationen über verschiedene Systeme verteilt.
Sollte das Unternehmen zunächst seine Prozesse optimieren, bevor es in KI investiert? Oder wäre es sinnvoller, die neuen technologischen Möglichkeiten direkt zu nutzen?
Die Antwort lautet: Es kommt darauf an, welches Problem gelöst werden soll.
Denn weder ist KI automatisch die beste Lösung für ineffiziente Abläufe, noch muss jeder Prozess vollständig optimiert sein, bevor neue Technologien eingesetzt werden können. Hauptsache werden die Prozessgestaltung und Technologie nicht isoliert voneinander betrachtet.
Was ist der Unterschied zwischen klassischer Prozessoptimierung und KI?
Klassische Prozessoptimierung beschäftigt sich damit, wie Arbeitsabläufe effizienter, zuverlässiger und sinnvoller gestaltet werden können.
Dazu gehört beispielsweise:
Unnötige Arbeitsschritte beseitigen
Zuständigkeiten und Schnittstellen klären
Doppelarbeit vermeiden
Freigabeprozesse vereinfachen
Informationen besser verfügbar machen
Wiederkehrende Abläufe standardisieren
Nicht jede dieser Maßnahmen erfordert neue Technologie. Manchmal lässt sich ein Problem bereits dadurch lösen, dass ein unnötiger Freigabeschritt entfällt oder eine Entscheidung künftig direkt von der zuständigen Person getroffen werden darf.
Künstliche Intelligenz eröffnet zusätzliche Möglichkeiten. Sie kann beispielsweise Informationen klassifizieren, Muster erkennen, Texte zusammenfassen oder die Bearbeitung bestimmter Aufgaben unterstützen.
Anders als klassische regelbasierte Automatisierung kann KI dabei auch Aufgaben bearbeiten, bei denen Eingaben oder Ausgaben weniger stark standardisiert sind. Allerdings sind KI-Ergebnisse nicht immer zuverlässig oder reproduzierbar. Je nach Anwendung müssen sie überprüft, korrigiert oder durch menschliche Entscheidungen ergänzt werden.
Warum KI ineffiziente Prozesse nicht automatisch verbessert
Stellen wir uns ein Unternehmen vor, in dem Kundenanfragen über mehrere Abteilungen weitergeleitet werden. Jede Abteilung prüft bestimmte Informationen, stellt Rückfragen und gibt die Anfrage anschließend weiter. Die Geschäftsführung möchte diesen Ablauf beschleunigen und führt ein KI-System ein, das Kundenanfragen automatisch zusammenfasst und kategorisiert. Die Bearbeitung einzelner Schritte wird dadurch möglicherweise schneller. Doch die grundlegenden Probleme bleiben bestehen: Unklare Zuständigkeiten, mehrfache Freigaben und unnötige Übergaben. Das Unternehmen hat einen Teil des Prozesses automatisiert, ohne den Prozess selbst wesentlich zu verändern.
Im ungünstigsten Fall können sogar zusätzliche Probleme entstehen. Wenn fehlerhafte Informationen automatisch weiterverarbeitet werden, müssen diese später korrigiert werden. Oder die eingesparte Zeit wird durch zusätzliche Prüf- und Abstimmungsschritte wieder aufgebraucht.
Ein schnellerer Arbeitsschritt bedeutet nicht automatisch einen besseren Gesamtprozess.
Dieses Problem ist keineswegs neu. Bereits Davenport und Short (1990) beschrieben, dass Informationstechnologie nicht nur zur Automatisierung bestehender Abläufe eingesetzt werden sollte, sondern auch Möglichkeiten für deren grundsätzliche Neugestaltung eröffnet. Mit KI wird diese Frage erneut relevant.
Die Technologie kann nicht nur einzelne Aufgaben beschleunigen, sondern auch verändern, wie Aufgaben zwischen Menschen, Teams und technischen Systemen verteilt werden.
Wann sollten Unternehmen zuerst ihre Prozesse optimieren?
Eine vorgelagerte Prozessklärung ist besonders sinnvoll, wenn die Schwierigkeiten überwiegend organisatorischer Natur sind.
1. Verantwortlichkeiten sind unklar
Wenn niemand genau weiß, wer für eine Aufgabe oder Entscheidung zuständig ist, wird KI diese Verantwortung nicht automatisch sinnvoll verteilen.
Zunächst sollte geklärt werden, welche Rolle welche Aufgaben und Entscheidungen übernimmt. Erst danach lässt sich beurteilen, wo KI unterstützen kann.
2. Ein Prozess enthält unnötige Schritte
Nicht jeder bestehende Arbeitsschritt sollte automatisiert werden. Manchmal wurde eine zusätzliche Freigabe vor Jahren eingeführt, obwohl ihr ursprünglicher Zweck inzwischen entfallen ist. Hier stellt sich zuerst die Frage, ob dieser Schritt überhaupt noch benötigt wird.
Einen unnötigen Prozessschritt zu automatisieren, macht ihn nicht notwendig.
3. Daten und Informationen sind unzureichend organisiert
KI-Anwendungen benötigen geeignete Informationen, um nützliche Ergebnisse liefern zu können. Wenn Daten widersprüchlich, unvollständig oder schwer zugänglich sind, kann die Qualität der Ergebnisse leiden.
Je nach Anwendung müssen deshalb zunächst Datenqualität, Zugriffsrechte und Informationsflüsse verbessert werden.
4. Das eigentliche Problem ist noch nicht verstanden
Wenn ein Unternehmen lediglich weiß, dass ein Prozess zu lange dauert, aber nicht warum, wäre die Auswahl eines KI-Tools verfrüht. Vielleicht liegt der Engpass in der Bearbeitung einzelner Dokumente. Vielleicht entstehen die Verzögerungen jedoch durch Wartezeiten zwischen zwei Abteilungen. Beide Probleme erfordern unterschiedliche Maßnahmen.
Vor der technischen Lösung steht deshalb eine nachvollziehbare Problemanalyse.
Wann kann KI bereits vor einer umfassenden Prozessoptimierung sinnvoll sein?
Umgekehrt gibt es Situationen, in denen Unternehmen nicht erst alle Abläufe neu gestalten müssen, bevor sie KI einsetzen.
1. Ein klar abgegrenzter Anwendungsfall bietet erkennbaren Nutzen
Wenn Mitarbeitende beispielsweise regelmäßig umfangreiche Dokumente strukturieren oder Informationen aus mehreren Textquellen zusammenführen müssen, kann eine geeignete KI-Anwendung bereits im bestehenden Arbeitsablauf hilfreich sein.
Voraussetzung ist, dass die Aufgabe ausreichend klar beschrieben, die Nutzung zulässig und die Ergebnisqualität überprüfbar ist.
2. Neue technologische Möglichkeiten verändern die Prozessgestaltung
Manche Prozesse wurden unter der Annahme entwickelt, dass bestimmte Aufgaben nur manuell bearbeitet werden können. Wenn KI diese Aufgaben künftig unterstützen oder teilweise übernehmen kann, entstehen neue Gestaltungsmöglichkeiten.
In solchen Fällen wäre es wenig sinnvoll, den alten Prozess zunächst unabhängig von den technologischen Möglichkeiten zu perfektionieren. Stattdessen sollten Prozess und KI-Anwendung gemeinsam neu gedacht werden.
3. Ein begrenztes Experiment kann wichtige Erkenntnisse liefern
Nicht jede neue Anwendung lässt sich vollständig theoretisch bewerten. Manchmal zeigt sich erst in einem kontrollierten Pilotprojekt, welchen Nutzen KI tatsächlich bietet, welche Fehler auftreten und wie viel Überprüfung notwendig ist. Solche Experimente können wertvolle Informationen für die weitere Prozessgestaltung liefern.
Allerdings sollten die Risiken überschaubar und die Erfolgskriterien vorab definiert sein.
Entscheidungshilfe: KI, Prozessoptimierung oder beides?
Für eine erste Orientierung lassen sich zwei Fragen miteinander kombinieren:
1. Wie gut funktioniert der bestehende Prozess?
Sind Aufgaben, Verantwortlichkeiten und Abläufe nachvollziehbar? Entstehen unnötige Verzögerungen oder wiederkehrende Fehler?
2. Wie groß ist das Potenzial von KI für die konkrete Aufgabe?
Kann KI tatsächlich einen relevanten Teil der Arbeit verbessern? Sind geeignete Daten verfügbar? Lassen sich Qualität, Kosten und Risiken angemessen beurteilen?
Daraus ergeben sich vier typische Situationen.
Situation A: Schwacher Prozess, geringes KI-Potenzial
Der Prozess verursacht Probleme, doch KI bietet keinen überzeugenden Mehrwert. Hier sollte die klassische Prozessoptimierung im Vordergrund stehen. Vielleicht müssen Zuständigkeiten geklärt, Schritte vereinfacht oder Schnittstellen verbessert werden.
Eine KI-Einführung würde zusätzliche Komplexität verursachen, ohne das eigentliche Problem zu lösen.
Situation B: Schwacher Prozess, hohes KI-Potenzial
Der Prozess funktioniert nicht gut, aber KI eröffnet relevante neue Möglichkeiten. Hier lohnt sich eine gemeinsame Neugestaltung. Statt den bisherigen Ablauf lediglich zu automatisieren, sollte untersucht werden, welche Schritte zukünftig erforderlich sind, welche Aufgaben KI übernehmen kann und wo menschliche Entscheidungen notwendig bleiben.
Situation C: Gut funktionierender Prozess, geringes KI-Potenzial
Der Prozess erfüllt seinen Zweck und KI verspricht kaum zusätzlichen Nutzen. In dieser Situation besteht zunächst kein zwingender Handlungsbedarf. Nicht jeder Prozess muss KI enthalten.
Situation D: Gut funktionierender Prozess, hohes KI-Potenzial
Der bestehende Ablauf ist klar und zuverlässig, enthält jedoch Aufgaben, die durch KI möglicherweise sinnvoll unterstützt werden können. Hier kann eine gezielte KI-Integration sinnvoll sein. Dabei sollten Zeitersparnis, Ergebnisqualität, Prüfaufwand und Risiken gemeinsam bewertet werden.
Diese vier Situationen sind eine praktische Entscheidungsheuristik, keine wissenschaftlich validierte Diagnosematrix.
Wie sollten Unternehmen konkret vorgehen?
Statt Technologie und Prozessoptimierung als konkurrierende Initiativen zu betrachten, empfiehlt sich ein schrittweises Vorgehen.
Schritt #1: Das eigentliche Problem definieren
Beginnt nicht mit einer Liste verfügbarer KI-Tools. Fragt stattdessen:
Was funktioniert im bestehenden Ablauf nicht?
Welche Auswirkungen hat das?
Wen betrifft das Problem?
Woran würden wir eine Verbesserung erkennen?
Erst wenn das Ziel klar ist, lassen sich geeignete Lösungen vergleichen.
Schritt #2: Den tatsächlichen Arbeitsablauf untersuchen
Ein Prozessdiagramm kann hilfreich sein, es sollte jedoch nicht allein auf formalen Vorgaben beruhen. In der Praxis können Arbeitsabläufe erheblich davon abweichen. Deshalb ist es sinnvoll, diejenigen Menschen einzubeziehen, die täglich mit dem Prozess arbeiten.
Wo entstehen Wartezeiten? Welche Umwege sind notwendig? Welche Entscheidungen müssen eskaliert werden? Dabei sollten auch informelle Arbeitsweisen sichtbar werden.
Schritt #3: Unnötige Schritte von technologisch unterstützbaren Aufgaben unterscheiden
Betrachtet die einzelnen Prozessschritte und fragt:
Muss diese Tätigkeit überhaupt stattfinden?
Kann sie vereinfacht oder standardisiert werden?
Eignet sie sich für klassische Automatisierung?
Könnte KI einen relevanten Mehrwert schaffen?
Welche Aufgaben sollten weiterhin Menschen übernehmen?
Nicht jede Automatisierung erfordert künstliche Intelligenz. Für eindeutig regelbasierte, wiederkehrende Abläufe können klassische Automatisierungslösungen geeigneter, besser kontrollierbar und wirtschaftlicher sein.
Schritt #4: Kleine, kontrollierte Experimente durchführen
Wenn ein sinnvoller KI-Anwendungsfall identifiziert wurde, sollte er zunächst unter klaren Bedingungen getestet werden. Dabei sind insbesondere folgende Fragen relevant:
Verbessert sich die Bearbeitungszeit?
Wie zuverlässig sind die Ergebnisse?
Wie viel menschliche Überprüfung ist notwendig?
Welche Fehler treten auf?
Welche Auswirkungen hat die neue Arbeitsweise auf andere Prozessschritte?
Der Prüfaufwand gehört ausdrücklich zur Wirtschaftlichkeitsbetrachtung. Eine KI-Anwendung, die einen Text in wenigen Sekunden erstellt, kann wenig Zeit sparen, wenn dessen Korrektur länger dauert als die ursprüngliche Erstellung.
Schritt #5: Den Gesamtprozess bewerten
Nach einem erfolgreichen Pilotprojekt sollte nicht nur die einzelne automatisierte Aufgabe betrachtet werden. Was hat sich im gesamten Prozess verändert? Wurden Wartezeiten reduziert? Entstanden neue Abstimmungen? Müssen Ergebnisse an anderer Stelle zusätzlich geprüft werden?
Auch Auswirkungen auf Verantwortlichkeiten, Zusammenarbeit und die Kompetenzen der Mitarbeitenden sollten berücksichtigt werden.
Die OECD weist in ihrem Bericht zur KI-Adoption kleiner und mittlerer Unternehmen (2025) darauf hin, dass die erfolgreiche Nutzung von KI unter anderem von geeigneten digitalen Grundlagen, Kompetenzen und Ressourcen abhängt. Ein weiterer OECD-Bericht aus dem Jahr 2026 zeigt, dass die strategische und sichere Integration in die Geschäftsabläufe vieler KMU weiterhin uneinheitlich ist.
Schritt #6: Neue Arbeitsweisen organisatorisch verankern
Wenn sich eine Lösung bewährt, muss sie dauerhaft in die Organisation integriert werden. Dazu gehört zu klären:
Wer verantwortet die Anwendung?
Wer überprüft die Ergebnisse?
Welche Kompetenzen benötigen Mitarbeitende?
Wie werden Fehler und Abweichungen behandelt?
Wie wird die Wirksamkeit regelmäßig kontrolliert?
Die Einführung einer KI-Anwendung ist deshalb nicht mit ihrer technischen Bereitstellung abgeschlossen.
Drei typische Fehler bei der KI-gestützten Prozessoptimierung
Fehler #1: Automatisieren, was eigentlich abgeschafft werden sollte
Ein bestehender Prozess wird übernommen, ohne seinen Zweck zu hinterfragen. Dadurch bleiben unnötige Arbeitsschritte erhalten, nur in digitaler Form.
Fehler #2: Nur auf die Geschwindigkeit einzelner Aufgaben schauen
Die Erstellung eines Dokuments wird schneller, gleichzeitig steigen aber der Prüfaufwand und die Anzahl zusätzlicher Ergebnisse. Eine Verbesserung auf Aufgabenebene muss deshalb nicht zu einer Verbesserung auf Prozessebene führen.
Fehler #3: Verantwortlichkeiten für KI-Ergebnisse nicht klären
Wenn KI Arbeitsergebnisse vorbereitet oder Entscheidungen unterstützt, muss weiterhin nachvollziehbar sein, wer deren Qualität prüft und wer für die Verwendung verantwortlich ist. Insbesondere bei risikoreichen Anwendungen sind geeignete Kontroll- und Governance-Strukturen notwendig.
Das NIST AI Risk Management Framework bietet hierfür einen international etablierten Orientierungsrahmen.
Häufige Fragen zu KI und Prozessoptimierung
Sollte man Prozesse optimieren, bevor man KI einführt?
Nicht immer. Wenn ein Prozess grundlegende organisatorische Probleme aufweist, ist eine vorgelagerte Klärung sinnvoll. Eröffnet KI jedoch neue Möglichkeiten zur Arbeitsgestaltung, können Prozessoptimierung und KI-Einführung gemeinsam entwickelt werden.
Kann KI ineffiziente Prozesse verbessern?
Ja, sofern die Technologie die tatsächlichen Ursachen der Ineffizienz adressiert. KI kann beispielsweise bestimmte Informations- und Bearbeitungsaufgaben unterstützen. Unklare Zuständigkeiten oder unnötige Freigabeschleifen löst sie jedoch nicht automatisch.
Was ist besser: KI oder klassische Automatisierung?
Das hängt von der Aufgabe ab. Bei klar definierten, regelbasierten Prozessen kann klassische Automatisierung geeigneter sein. KI ist insbesondere dann interessant, wenn Aufgaben beispielsweise Sprachverarbeitung, Mustererkennung oder die Bearbeitung weniger strukturierter Informationen erfordern.
Wie erkennt man, ob sich KI für einen Geschäftsprozess lohnt?
Indem Zeitaufwand, Ergebnisqualität, notwendige Überprüfung, technische Integration, Risiken und Gesamtkosten gemeinsam bewertet werden. Entscheidend ist der Mehrwert im gesamten Arbeitsablauf, nicht nur die Geschwindigkeit eines einzelnen Schrittes.
Muss jeder Geschäftsprozess mit KI optimiert werden?
Nein. Manche Prozesse funktionieren bereits gut, andere können durch organisatorische Maßnahmen oder klassische Automatisierung verbessert werden. KI ist eine mögliche Lösung, aber kein Selbstzweck.
Zuerst das Problem erkennen, dann über KI oder Prozessoptimierung nachdenken.
Die Frage, ob Unternehmen zunächst ihre Prozesse optimieren oder KI einführen sollten, lässt sich nicht allgemeingültig beantworten. Manchmal müssen zunächst Zuständigkeiten geklärt und unnötige Arbeitsschritte beseitigt werden.
Manchmal eröffnet KI erst die Möglichkeit, einen Prozess grundlegend anders zu gestalten.
Und manchmal ist die beste Entscheidung, bewusst auf KI zu verzichten.
Entscheidend ist nicht, möglichst schnell neue Technologie einzuführen, sondern Arbeit sinnvoller zu organisieren und dort zu verbessern, wo tatsächlich ein Mehrwert entsteht.
Bei Truelutions betrachten wir technologische Veränderungen deshalb nicht isoliert. Wir verbinden die Perspektiven auf Prozesse, Organisationsstrukturen und die Menschen, die täglich damit arbeiten.
Ihr fragt euch, ob eure aktuellen Herausforderungen eher durch Prozessoptimierung, KI oder organisatorische Veränderungen gelöst werden können? Lasst uns gemeinsam einen Blick darauf werfen.
Wissenschaftliche Quellen und weiterführende Literatur
Davenport, T. H., & Short, J. E. (1990). The new industrial engineering: Information technology and business process redesign. Sloan Management Review, 31(4), 11–27. https://dspace.mit.edu/entities/publication/35dee1b9-8824-4539-9f44-9644ff4fdc42
Fettke, P., & Di Francescomarino, C. (2025). Business process management and artificial intelligence: Literature survey and future research. KI – Künstliche Intelligenz, 39, 67–79. https://www.dfki.de/en/web/research/projects-and-publications/publication/16638
OECD. (2025). AI adoption by small and medium-sized enterprises: OECD discussion paper for the G7. OECD Publishing. https://doi.org/10.1787/426399c1-en
OECD. (2026). Empowering SMEs in the age of AI: The 2026 OECD D4SME Survey. OECD SME and Entrepreneurship Papers. https://doi.org/10.1787/bf5a9816-en
National Institute of Standards and Technology. (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0). https://doi.org/10.6028/NIST.AI.100-1
