KI-Workflows augmentieren oder neu gestalten?

Kernfrage für Unternehmen

Bei KI-gestützter Arbeit unterscheidet der KI Business Kompass drei Entscheidungsachsen. Die Abgrenzung verbindet die tätigkeitsbezogene Analyse der Wissensarbeit mit der Ergebnis- und Schnittstellenlogik KI-nativer Organisation (Lindner 2026; Zwingmann 2026):

• Aufgabenebene: Welche Tätigkeiten übernimmt KI, welche der Mensch? Das vertieft KI-gestützte Wissensarbeit.
• Workflow-Ebene: Bleibt der Ablauf bestehen, werden mehrere Schritte umgebaut oder wird der Weg zum Ergebnis neu gestaltet? Diese Frage behandelt die vorliegende Seite.
• Organisationsebene: Wer verantwortet das Ergebnis, welche Teams und Schnittstellen braucht es? Das vertieft KI-native Arbeitsorganisation.

Diese Ebenentrennung ist eine redaktionelle Synthese aus der tätigkeitsbezogenen Wissensarbeitsanalyse und der Ergebnis-, Team- und Schnittstellenlogik KI-nativer Organisation (Lindner 2026; Zwingmann 2026).

Diese Achsen sind nicht identisch. Ein end-to-end neu gestalteter Workflow braucht nicht zwingend einen autonomen Agenten; eine lokale Unterstützung kann technisch anspruchsvoll sein. Die Eingriffstiefe beschreibt die Veränderung der Arbeit, nicht den Autonomiegrad der Technik (Zwingmann 2026; Zwingmann 2025).

Zwingmann kontrastiert bestehende Arbeitsunterstützung mit einer Neugestaltung des Wegs zum Ergebnis und nennt die beiden Pole „Faster Horses“ und „Teleporters“. Die Metapher ist eine Praxisheuristik, keine wissenschaftlich validierte Taxonomie. Der KI Business Kompass ergänzt dazwischen den schrittweisen Umbau, weil Unternehmen häufig einzelne Übergaben und Kontrollschleifen verändern, bevor ein vollständiges Zielbild tragfähig ist. Die folgende Dreiteilung ist damit eine redaktionelle Entscheidungshilfe, keine empirisch bestätigte Reifeleiter (Zwingmann 2025; Raisch und Krakowski 2021).

Abbildung: Die redaktionelle Entscheidungshilfe unterscheidet lokale Augmentierung, schrittweisen Workflow-Umbau und end-to-end Neugestaltung. Die gemeinsame Evidenzschleife verhindert, dass einzelne Produktivitätswerte ungeprüft auf ganze Prozesse übertragen werden. Quelle: eigene Darstellung nach Zwingmann 2025, Zwingmann 2024, Dell’Acqua et al. 2023 und Brynjolfsson, Li und Raymond 2025.

Prozess und System vor der Automatisierung beschreiben

Eine belastbare Neugestaltung beginnt nicht beim Modell oder Workflow-Builder. Forschung zu Business Process Redesign und soziotechnischem Systemdesign behandelt Technologie als eine Gestaltungsdimension neben Kundennutzen, Informationsfluss, realer Arbeit, Rollen und Organisation. Ein technisch funktionierender Ablauf kann deshalb trotzdem scheitern, wenn er unnötige Arbeit festschreibt oder informelle Praktiken, Verantwortung und Ausnahmen ignoriert (Mansar und Reijers 2005; Baxter und Sommerville 2011).

Für die Prozess- und Systemgestaltung empfiehlt sich folgende Reihenfolge. Sie verbindet etablierte Redesign- und Risikomanagementprinzipien mit den AI-FIRST-Praxisimpulsen „vereinfachen vor automatisieren“ und „verbundene Systeme statt isolierter Einzelschritte“; sie ist kein validierter Anbieterstandard (Mansar und Reijers 2005; Schlenther 2026; NIST 2024):

1. Ergebnis und Grenze klären: Outcome, Auslöser, Prozessgrenze, Owner, Nicht-Ziele und Baseline festlegen.
2. Reale Arbeit verstehen: Beteiligte, Varianten, Ausnahmen, Entscheidungen, Wartezeiten und informelle Umgehungen mit Fachleuten und Betroffenen erheben.
3. Eliminieren und vereinfachen: unnötige Schritte, Doppeleingaben, vermeidbare Freigaben und Übergaben entfernen, bevor KI hinzukommt.
4. Prüfbar spezifizieren: Inputs, Outputs, Qualitätskriterien, Schnittstellen, Regeln, Ausnahmen, Verantwortlichkeiten und zulässige Zustandsübergänge dokumentieren.
5. Ausführung wählen: manuelle Arbeit, Assistenz, deterministische Automation, fester KI-Workflow oder begrenzter Agent nach Variabilität, Fehlerfolge und Betriebsfähigkeit auswählen.
6. Kontrollen und Tests platzieren: Human Gates nicht nur am Ende, sondern dort vorsehen, wo Fehler teuer, schwer reversibel, rechtlich relevant oder beziehungswirksam sind; Normal-, Grenz-, Fehler- und Missbrauchsfälle end-to-end testen.
7. Betrieb und Änderung absichern: Monitoring, Eskalation, manuelle Übernahme, Versionierung, Regressionstests, Rollback und Abschaltung vor dem produktiven Einsatz festlegen.

Ein kompaktes Systemraster verhindert, dass nur der sichtbare Ablauf modelliert wird. Die sechs Felder sind eine redaktionell neutralisierte Checkliste nach einem AI-FIRST-Praxisbeitrag, nicht die Definition eines wissenschaftlichen Systemstandards (Schlenther 2026; NIST 2024):

Systemfeld	Leitfrage für den Zielworkflow
Zweck	Welches Ergebnis und welche Qualitäts- oder Risikogrenze soll das System erfüllen?
Elemente	Welche Menschen, KI-Komponenten, Regeln, Datenquellen und Fachsysteme sind beteiligt?
Verbindungen	Welche Übergaben, Nachrichten, Schnittstellen und Abhängigkeiten koppeln diese Elemente?
Speicher und Zustand	Wo liegen verbindliche Daten, Dokumente, Fallstatus, Warteschlangen und frühere Entscheidungen?
Regeln und Kontrollen	Welche Varianten sind erlaubt, wer darf entscheiden und wo wird geprüft oder eskaliert?
Rückkopplung	Welche Messwerte, Fehler und Rückmeldungen lösen Review, Änderung, Rollback oder Stilllegung aus?

„Gemeinsamer Zustand“ bedeutet nicht, alle Informationen in eine zentrale Datenbank zu kopieren. Verantwortete Quellsysteme können föderiert bleiben, wenn Version, Gültigkeit, Berechtigung und Übergabe eindeutig sind. Wo digitale Ereignisprotokolle vorliegen, können sie dokumentierte Abläufe mit tatsächlich beobachteten Varianten, Wartezeiten und Abweichungen vergleichen; sie erklären jedoch weder Ursachen noch informelle Arbeit automatisch (van der Aalst et al. 2012).

Auch das Darstellungsformat folgt dem Zweck. Text unterstützt gemeinsames Verständnis, Tabellen und Entscheidungstabellen machen Regeln explizit, JSON oder Toolkonfiguration können Implementierung und Austausch unterstützen, und BPMN kann Ereignisse, Verzweigungen, Rollen und Nachrichtenflüsse standardisiert darstellen. BPMN definiert eine implementierungsneutrale Notation, beweist aber nicht, dass der modellierte Prozess sinnvoll oder sicher ist. Umgekehrt ist ein KI-erzeugtes JSON ein Implementierungsentwurf, keine fachlich freigegebene Prozesswahrheit (OMG 2014; Schlenther 2026).

Rückkopplung ist schließlich kein automatisches Selbstlernen. Ein beobachteter Fehler wird erst nach Ursachenprüfung, fachlicher Entscheidung, Versionierung, Regressionstest und Freigabe zu einer produktiven Regel. Schlechte oder widersprüchliche Rückmeldungen müssen verworfen werden können; für jede Änderung braucht es einen gesicherten Rückweg (Schlenther 2026; NIST 2024).

Abbildung: Der Entscheidungspfad verbindet Zielklärung, Prozessvereinfachung, fachliche Spezifikation, passende Ausführungsform und kontrollierten Betrieb. Verlässliche Quellen, Verantwortung und Governance wirken durchgängig; Feedback gelangt nur nach Prüfung, Test und Freigabe in eine produktive Version zurück. Quelle: eigene Darstellung nach Schlenther 2026, Mansar und Reijers 2005 und NIST 2024.

Drei mögliche Eingriffstiefen

Eingriffstiefe	Diagnose	Was sich verändert	Messfokus
Lokal augmentieren	Ablauf, Ergebnis und Verantwortung sind grundsätzlich tragfähig; ein konkreter Schritt verursacht Aufwand oder Qualitätsprobleme	ein Arbeitsschritt oder eine Arbeitsoberfläche	Bearbeitungszeit, Fehler, Nacharbeit und Ergebnisqualität
Schrittweise umbauen	Schleifen, Übertragungen oder Übergaben begrenzen den lokalen Nutzen; das vollständige Zielbild ist noch nicht ausreichend geprüft	Ablauf, Kontrollpunkte und einzelne Rollenübergaben	Durchlaufzeit, unnötige Übergaben, Rückläufer, Fallkosten und Ergebnisqualität
End-to-end neu gestalten	der bestehende Ablauf selbst erzeugt Wartezeit, Medienbrüche oder unklare Verantwortung	Wertstrom, Rollen, Systeme, Entscheidungen und Verantwortung	Prozesskapazität, Zykluszeit, Ergebnisqualität, Fehlerrisiko und Geschäftswirkung

Die drei Optionen sind keine zwingende Reihenfolge. Zwingmann empfiehlt aus seiner Beratungspraxis, mit arbeitsplatznaher Unterstützung zu lernen und daraus systemische Chancen zu entdecken. Der Kompass behandelt dies als plausible Pfadhypothese, nicht als universelle Regel: Die passende Einstiegstiefe hängt vom bereits vorhandenen Prozesswissen, von belastbarer Evidenz, Risiken und Veränderungsfähigkeit ab (Zwingmann 2025).

Raisch und Krakowski warnen außerdem vor einer starren Trennung von Augmentierung und Automatisierung. Automatisierte Schritte verändern regelmäßig die verbleibenden menschlichen Aufgaben, Kompetenzen und Kontrollen. Unternehmen sollten deshalb nicht einmalig „Mensch oder Maschine“ entscheiden, sondern die Wechselwirkung im gesamten Arbeitsablauf beobachten (Raisch und Krakowski 2021).

Lokale Augmentierung gut gestalten

Lokale Unterstützung passt, wenn Menschen einen tragfähigen Ablauf behalten und KI an einem konkreten Engpass hilft. Zwingmann und Weber beschreiben dafür im eigenen TRICUS-Praxisrahmen sechs Merkmale: Unterstützung soll rechtzeitig, relevant, erkenntnisreich, glaubwürdig, unaufdringlich und spezifisch sein. TRICUS ist kein allgemein validierter Qualitätsstandard (Zwingmann 2024).

Für die Praxis ergeben sich daraus sechs Prüffragen (Zwingmann 2024):

1. Rechtzeitig: Erscheint die Hilfe in dem Moment, in dem sie eine Handlung unterstützt?
2. Relevant: Bezieht sie sich auf Ziel und aktuellen Arbeitskontext?
3. Erkenntnisreich: Liefert sie eine konkret nutzbare Verbesserung statt zusätzlichen Text?
4. Glaubwürdig: Können Nutzer:innen das Ergebnis angemessen beurteilen und prüfen?
5. Unaufdringlich: Reduziert sie Wechsel und Unterbrechungen, statt einen parallelen KI-Prozess zu erzeugen?
6. Spezifisch: Passt sie zu Fall, Rolle und Entscheidung?

Für generative KI erweitert der Kompass „glaubwürdig“ bewusst um sichtbare Quellen, Kontextgrenzen und Unsicherheit. Eine fachlich gute Empfehlung kann zu spät kommen; eine elegante Unterstützung kann unbrauchbar sein, wenn Menschen Fehler nicht erkennen können. Entscheidend ist weniger Reibung bei weiterhin wirksamer menschlicher Prüfung (Zwingmann 2024).

Wann der Workflow selbst geprüft werden sollte

Ein schrittweiser Umbau spricht sich an, wenn lokale Zeitgewinne in nachfolgenden Wartezeiten, manuellen Übertragungen oder Freigabeschleifen verschwinden. Das Team betrachtet dann den Arbeitsablauf vom gewünschten Ergebnis rückwärts und prüft, welche Übergaben, Doppeleingaben oder Kontrollen entfallen beziehungsweise anders gesetzt werden können (Zwingmann 2025).

Ein begrenzter KI-Schritt kann dafür Lernsignale erzeugen: Wo funktioniert die Unterstützung, welche Ausnahmen treten auf und welche Qualitätskriterien fehlen? Der Ausbau sollte an vorab benannte Evidenz geknüpft werden. Er ist kein Automatismus und auch kein Beleg, dass jeder lokale Assistent später in einen vollständig neuen Workflow führen muss. Diese redaktionelle Ableitung verbindet Zwingmanns Pfadhypothese mit dem bestehenden Anschlussfähigkeitstest für erste KI-Vorhaben (Zwingmann 2025; Zwingmann 2026).

Eine end-to-end Neugestaltung sollte geprüft werden, wenn viele Übergaben, lange Liegezeiten, wiederholte Datenerfassung oder unklare Ergebnisverantwortung den eigentlichen Engpass bilden. Das ist kein größeres Toolprojekt, sondern eine gemeinsame Aufgabe aus Prozess-, Arbeits- und Organisationsgestaltung. Fraunhofer empfiehlt dafür frühe Beteiligung der betroffenen Fachleute, Zielklärung, Qualifizierung und die bewusste Gestaltung von Prozessveränderungen (Kutzias, Dukino und Leuteritz 2023; Braun et al. 2023).

Was die Forschung tatsächlich stützt

Die folgenden Studien bestätigen nicht die redaktionelle Dreiteilung und vergleichen auch keine Transformationspfade. Sie zeigen, warum Unternehmen KI-Wirkung aufgaben- und nutzergruppenspezifisch testen müssen (Dell’Acqua et al. 2023; Brynjolfsson, Li und Raymond 2025).

Dell’Acqua et al. untersuchten 758 Beratungsfachkräfte bei realitätsnahen Aufgaben. Innerhalb der getesteten GPT-4-Fähigkeitsgrenze erledigten Personen mit KI im Durchschnitt mehr Aufgaben schneller und in höherer Qualität. Bei einer bewusst außerhalb dieser Grenze liegenden Aufgabe produzierten KI-Nutzer:innen jedoch seltener die richtige Lösung. Die Studie belegt aufgabenspezifische Chancen und Risiken, keine allgemeine Produktivitätsquote für Wissensarbeit (Dell’Acqua et al. 2023).

Brynjolfsson, Li und Raymond analysierten die gestaffelte Einführung eines generativen Assistenten bei 5.172 Kundenservice-Beschäftigten. Die Zahl gelöster Fälle pro Stunde stieg im untersuchten Betrieb durchschnittlich um 15 Prozent. Weniger erfahrene und leistungsschwächere Beschäftigte verbesserten Geschwindigkeit und Qualität; bei den erfahrensten und leistungsstärksten zeigten sich nur kleine Geschwindigkeitsgewinne und leichte Qualitätseinbußen. Die peer-reviewte Studie betrifft einen konkreten Assistenzworkflow und lässt sich nicht pauschal auf andere Rollen oder Organisationen übertragen (Brynjolfsson, Li und Raymond 2025).

Für Führungskräfte folgt daraus: Ein Durchschnittswert kann verschleiern, dass eine Unterstützung einer Gruppe hilft und eine andere stört. Messen Sie deshalb nach Aufgabe, Nutzergruppe und end-to-end Ergebnis (Dell’Acqua et al. 2023; Brynjolfsson, Li und Raymond 2025).

Typische Stolpersteine

Zeitersparnis mit Geschäftswirkung verwechseln

Zeitersparnis bei E-Mails, Zusammenfassungen oder Präsentationen bleibt zunächst ein lokaler Effekt. Geschäftlicher Wert entsteht erst, wenn die frei werdende Kapazität genutzt wird, die Qualität steigt oder ein Prozessengpass sinkt. Addieren Sie geschätzte Minutenersparnisse deshalb nicht automatisch zu Vollzeitstellen oder Gewinn (Zwingmann 2025).

Eine KI-Schicht auf unnötige Arbeit setzen

Ein zusätzlicher Assistent oder Agent kann einen schlechten Ablauf komplizierter machen. Prüfen Sie vor dem Bau, ob ein Schritt nötig ist, eine klassische Regel genügt oder die Information bereits vorliegt. Gute Augmentierung entfernt Bedien- und Koordinationslast, statt sie zu verdecken (Zwingmann 2024).

Autonomie mit Prozessinnovation gleichsetzen

Ein Agent verändert nicht automatisch den Geschäftsprozess. Wenn er denselben unnötigen Ablauf autonomer durchläuft, bleibt die Prozesslogik bestehen. Wählen Sie zuerst den gewünschten Arbeitsablauf und danach die einfachste technische Architektur, die ihn zuverlässig unterstützt (Zwingmann 2025; Anthropic 2024). Die Architekturentscheidung vertieft Chatbot, Assistent, Automatisierung oder Agent?.

Redaktionelle Entscheidungscheckliste

Die folgende Liste ist eine Synthese des KI Business Kompass, kein direkt aus einer einzelnen Quelle übernommenes Modell:

1. Welches Geschäftsergebnis soll sich verbessern?
2. Wo entstehen Bearbeitungszeit, Liegezeit, Fehler, Nacharbeit oder unnötige Übergaben?
3. Ist der bestehende Ablauf grundsätzlich tragfähig oder selbst Teil des Problems?
4. Genügt Unterstützung in einem Schritt, müssen mehrere Schritte verbunden werden oder braucht es ein neues end-to-end Zielbild?
5. Bei welchen Aufgaben oder Nutzergruppen sinken Lösungsrichtigkeit oder messbare Qualität?
6. Welche Daten, Systeme und Regeln braucht der Zielworkflow?
7. Wo bleiben menschliche Entscheidung, Freigabe und Eskalation erforderlich?
8. Welche Ausgangswerte und Prozesskennzahlen werden vor dem Pilot festgehalten?
9. Welche Evidenz rechtfertigt Ausbau, Änderung oder Stopp?

Testen Sie nicht nur die KI-Ausgabe, sondern den gesamten Arbeitsfluss mit repräsentativen Fällen und Nutzergruppen. Vergleichen Sie Qualität, Durchlaufzeit, Nacharbeit, Übergaben und Ergebniswirkung mit dem Ausgangszustand (Kutzias, Dukino und Leuteritz 2023; Zwingmann 2026; Zwingmann 2026). Portfolio und Reihenfolge behandelt KI-Use-Cases priorisieren und Roadmap bauen; geeignete Kennzahlen stehen unter KI-Nutzen planen und messen.