Das Modell ist nicht die Strategie: Warum KI-Einführung bei den Prozessen beginnt

Ford verkleinerte seine Kreditorenbuchhaltung in den achtziger Jahren von 500 auf 125 Beschäftigte, nicht weil ein schnellerer Rechner die alten Abläufe beschleunigte, sondern weil der Berater Michael Hammer und sein Team die Abläufe komplett neu dachten, bevor überhaupt eine Zeile Software geschrieben wurde. Vierzig Jahre später wiederholt sich die Geschichte fast wortgleich, nur mit einem neuen Werkzeug im Zentrum. Laut der McKinsey-Erhebung „The State of AI" von November 2025 nutzen fast neun von zehn Unternehmen KI inzwischen regelmäßig, doch nur sechs Prozent zählen zu den sogenannten High Performern, die daraus einen nennenswerten wirtschaftlichen Wert ziehen. Der Unterschied liegt selten am Modell.

Das Modell ist nicht die Strategie

Ob ein Unternehmen GPT, Claude, Gemini oder eines der offenen Modelle aus den aktuellen Rankings einsetzt, für die meisten Aufgaben fällt der Unterschied in der Praxis kaum auf. Die führenden Anbieter clustern in aktuellen Benchmarks eng beieinander, und laut Marktanalysen kontrollierten die fünf größten LLM-Anbieter bereits 2024 rund 78 Prozent des Enterprise-Marktes. Mayur Khandelwal, Vizepräsident beim Analytikdienstleister EXL, bringt es im Forbes Technology Council auf eine schöne Kürze:

„The model isn't the strategy."

Seine Empfehlung an Entscheider: in eine modellunabhängige Architektur investieren, die einen Wechsel zwischen Anbietern erlaubt, statt sich früh auf ein einziges System festzulegen. Wer heute in Frankfurt oder anderswo eine KI-Strategie aufsetzt und dabei tagelang zwischen zwei Modellen abwägt, verbringt seine Zeit vermutlich an der falschen Stelle. Der vollständige Beitrag beschreibt diesen Marktwandel als historisches Muster, das jede reife Technologie durchläuft, von der Elektrizität bis zur Cloud: erst konkurrieren viele Anbieter um dieselbe Aufgabe, dann setzen sich wenige durch, und am Ende zählt nicht mehr, wer die Turbine gebaut hat, sondern wer die Fabrik damit betreibt.

Wo die Modellwahl doch etwas ausmacht

Ganz egal ist sie trotzdem nicht. Bei Schreibaufgaben liegen die Fehlerquoten verschiedener Modelle laut aktuellen Praxis-Benchmarks bei etwa 5 Prozent Differenz, beim komplexen Schlussfolgern bei rund 13 Prozent, und zwischen Labor-Benchmark und echtem Praxiseinsatz klafft eine Lücke von bis zu 37 Prozent. Deshalb setzt sich für 2026 ein neues Muster durch: Routing. Unternehmen verteilen Anfragen automatisiert auf mehrere Modelle, je nach Aufgabe, Tempo und Kosten, statt sich auf ein einziges zu verlassen. Das bestätigt Khandelwals These eher, als sie zu widerlegen. Nicht das einzelne Modell entscheidet, sondern wer die Architektur darüber baut.

Was Hammer schon 1990 wusste

Zurück zu Ford. Hammer beschrieb sein Vorgehen in einem Aufsatz, der bis heute zu den meistzitierten der Managementliteratur zählt: „Reengineering Work: Don't Automate, Obliterate", erschienen im Juli 1990 im Harvard Business Review. Seine Kernaussage traf die Berater seiner Zeit unvorbereitet: Wer einen schlechten Prozess automatisiert, bekommt einen schnelleren schlechten Prozess. Unternehmen sollten ihre Abläufe nicht mit Software beschleunigen, schrieb er, sondern zuerst radikal infrage stellen, notfalls bis zur vollständigen Neuerfindung.

Fünfunddreißig Jahre später liefert McKinsey den Beleg in Zahlen. Organisationen, die als High Performer gelten, gestalten ihre Arbeitsabläufe 2,8-mal häufiger grundlegend neu als der Rest der Befragten, 55 Prozent gegenüber 20 Prozent. Der Rest kauft ein Werkzeug und klebt es auf einen Prozess, der seit Jahren unverändert lief.

Ein schnellerer schlechter Prozess bleibt ein schlechter Prozess. Nur merkt jetzt niemand mehr, wie schlecht er ist, bevor der Schaden entstanden ist.

Deutschland optimiert, transformiert aber noch nicht

Für den deutschen Mittelstand bringt es Deloitte in einer Pressemitteilung auf den Punkt: „Deutsche Unternehmen optimieren mit KI, transformieren aber noch nicht". In einer begleitenden globalen Erhebung unter mehr als 3.000 Führungskräften aus 24 Ländern gab gut ein Drittel an, auf die organisatorischen Anforderungen der generativen KI nicht ausreichend vorbereitet zu sein, mit Engpässen bei Führung, Organisationsstruktur und der Befähigung der eigenen Mitarbeiter. Wert entsteht laut Deloitte erst, wenn KI nicht nur Prozesse beschleunigt, sondern die Organisation dahinter neu ausrichtet. Optimierung ist noch keine Transformation.

Das ist Hammers Satz von 1990, nur in Beraterdeutsch von 2026 übersetzt. Die Technik hat sich seither mehrfach überschlagen. Der eigentliche Engpass ist derselbe geblieben.

Wie das in der Praxis aussieht, lässt sich an einem alltäglichen Fall zeigen. Eine KI übernimmt das Vorformulieren von Angeboten, die der Vertrieb am Ende trotzdem komplett neu aufbaut, weil niemand die Angebotsvorlage selbst überarbeitet hat. Das Werkzeug ist neu, der Papierkram dahinter ist geblieben, wie er 2015 war. Am Ende steht eine zusätzliche Zeile im IT-Budget und keine einzige gesparte Minute.

Automatisieren oder KI-agentisch entwickeln, zwei verschiedene Fragen

Ist der bisherige Prozess einmal hinterfragt, folgt die zweite Weichenstellung, und sie wird in der Praxis oft übersprungen: Reicht klassische Automatisierung, oder braucht die Aufgabe ein System, das selbst Entscheidungen trifft und über mehrere Schritte hinweg koordiniert? Klassische Automatisierung folgt festen Regeln und ist verlässlich, solange nichts Unerwartetes passiert. Agentische KI kommt mit Ausnahmen zurecht, kostet dafür mehr Aufwand in Aufbau und Kontrolle. Branchenanalysten wie Forrester empfehlen für 2026 eine Entscheidung entlang von fünf Kriterien: Komplexität der Aufgabe, Zeit bis zum Nutzen, Risiko, Tiefe der Integration in bestehende Systeme und strategischer Wert.

Ein Beispiel macht den Unterschied greifbar. Die Prüfung eingehender Rechnungen gegen eine Bestellung ist ein Fall für klassische Automatisierung: klar definierte Schritte, wenige Ausnahmen, ein Ergebnis, das sich eindeutig richtig oder falsch nennen lässt. Die erste Antwort auf eine unklare Kundenanfrage, die je nach Fall an den Vertrieb, den Support oder die Reklamationsabteilung gehört, verlangt dagegen ein System, das selbst einordnet und entscheidet, wohin der Fall gehört. Wer beides mit demselben Werkzeug lösen will, baut entweder eine zu einfache Lösung für den komplizierten Fall oder eine zu teure für den einfachen.

Automatisierung folgt Regeln. Agentische KI trifft Entscheidungen. Wer beides verwechselt, baut das Falsche für die falsche Aufgabe.

Die meisten erfolgreichen Unternehmen fahren laut Branchenbeobachtungen zweigleisig: Standardplattformen für den Großteil der Routineaufgaben, eigens entwickelte Agenten nur für die kritischen zwanzig Prozent, die wirklich einen Unterschied machen.

Die Regulatorik ist kein Zusatz

Wer in der EU KI einführt, entscheidet nicht frei, ob Mitarbeiter dafür vorbereitet werden. Artikel 4 des europäischen KI-Gesetzes, seit dem 2. Februar 2025 in Kraft, verpflichtet Anbieter und Betreiber von KI-Systemen zu einem angemessenen Maß an KI-Kompetenz ihrer Beschäftigten, unabhängig von Unternehmensgröße oder Risikoklasse des eingesetzten Systems. Eine förmliche Zertifizierung schreibt die EU-Kommission nicht vor, wohl aber die Pflicht, Kenntnisstand, Schulungshintergrund und Einsatzkontext der Mitarbeiter zu berücksichtigen. Ab dem 2. August 2026 kommen für Hochrisiko-Systeme in sensiblen Bereichen wie Recruiting, Kreditwürdigkeitsprüfung oder kritischer Infrastruktur weitere Pflichten zu Governance und Transparenz hinzu, mit Bußgeldern von bis zu 35 Millionen Euro oder 7 Prozent des weltweiten Jahresumsatzes. Wie groß die Lücke zwischen Strategie und gelebter Steuerung bei deutschen Unternehmen noch ist, zeigt der Artikel KI-Governance: Warum 98 Prozent eine Strategie haben und nur 39 Prozent auch Regeln.

Der Gesetzgeber hat aus einer guten Managementidee eine Pflicht gemacht: Wer KI einführt, muss die Menschen dabei mitnehmen, ob er will oder nicht.

Der Mensch als Konstante

Diese Verbindung zwischen Technik und Mensch ist keine Erfindung der KI-Ära. 1951 veröffentlichten Eric Trist und Ken Bamforth vom Londoner Tavistock Institute eine Studie über englische Kohlebergwerke, die bis heute zu den meistzitierten Arbeiten der Organisationsforschung zählt. Konkret ging es um die Umstellung vom handwerklich geprägten Kurzwand-Verfahren, bei dem kleine, selbstorganisierte Teams weitgehend eigenständig arbeiteten, auf das mechanisierte Langwand-Verfahren mit starrer Arbeitsteilung und Schichtplänen von oben. Die neue Maschine förderte mehr Kohle pro Stunde. Die Bergleute verloren dabei die Kontrolle über ihren eigenen Arbeitstag, und genau das schlug sich in Fehlzeiten, Konflikten und sinkender Leistung nieder, trotz der besseren Maschine. Daraus entstand die soziotechnische Systemtheorie, eine der Grundlagen moderner Organisationsforschung:

Technik und Arbeitsorganisation müssen gemeinsam entworfen werden, nicht nacheinander.

Aktuelle Forschung bestätigt das Muster fast unverändert. Eine 2024 erschienene, fachlich begutachtete Übersichtsarbeit zu KI-Widerstand am Arbeitsplatz kommt zu einem ähnlichen Schluss: Ablehnung gilt selten der Technik selbst, sondern der wahrgenommenen Bedrohung von Autonomie, Status und dem eigenen Urteilsvermögen im Arbeitsprozess. Wie sich das kommunikativ auffangen lässt, beschreibt der Beitrag Change Communication bei Digitalisierungsprojekten im Detail. Wer die Arbeitsorganisation beim Umbau übergeht, bekommt keinen Widerstand gegen KI. Er bekommt Widerstand gegen sich selbst.

Die Lücke, die man noch sieht

Wie groß die Kluft zwischen Zugang und echter Nutzung noch ist, zeigen drei amerikanische Erhebungen, die das Beratungsunternehmen Oxford Global Resources zusammengetragen hat. Laut Stanford HAI nutzten 2024 bereits 78 Prozent der Organisationen KI in irgendeiner Form. Laut einer Gallup-Erhebung vom Februar 2026 arbeiten trotzdem nur 13 Prozent der amerikanischen Beschäftigten täglich damit. Und die Federal Reserve Bank of St. Louis fand zwischen August 2024 und August 2025 zwar einen Anstieg der privaten KI-Nutzung von 44,6 auf 54,6 Prozent, die tatsächliche Nutzung am Arbeitsplatz wuchs im selben Zeitraum jedoch nur von 33,3 auf 37,4 Prozent. Zugang wächst schneller als Integration.

In Deutschland holt der Mittelstand gerade auf, aber von einem niedrigen Stand aus: Laut Bitkom nutzten Anfang 2026 bereits 41 Prozent der Unternehmen ab 20 Beschäftigten KI aktiv, weitere 48 Prozent planten oder diskutierten den Einsatz, gegenüber nur 17 Prozent aktiver Nutzer ein Jahr zuvor. Das Tempo stimmt. Ob die Prozesse und die Menschen mitziehen, entscheidet sich nicht in dieser Statistik, sondern in jedem einzelnen Unternehmen für sich.

Die Frage, mit der die meisten KI-Projekte beginnen, lautet: welches Modell nehmen wir? Nach allem, was die Forschung von Hammer bis Trist, von McKinsey bis zum Gesetzgeber in Brüssel zusammengetragen hat, ist das die zweitwichtigste Frage im Raum. Die erste lautet: Sind wir bereit, die Prozesse zu verändern, die wir seit Jahren nicht mehr angeschaut haben, und sind wir bereit, die Menschen mitzunehmen, die diese Prozesse jeden Tag am Laufen halten? Ford wusste die Antwort 1990, ohne ein einziges Sprachmodell zur Verfügung zu haben. Das sollte zu denken geben.