KI Entscheidungsqualität: Warum schneller nicht besser ist

Eine Zahl aus einer Gartner-Befragung von 2026 ließ mich aufhorchen: 45 Prozent der Finanzchefs richten ihre KI-Investitionen auf Produktivität aus, nur 20 Prozent auf bessere Entscheidungen. Der Rest verteilt sich irgendwo dazwischen. Das ist keine Nuance. Es ist eine Weichenstellung, die kaum jemand offen ausspricht, weil sie unbequem ist.

Dahinter steckt eine stille Annahme: Wenn ein Text schneller entsteht, sei er auch besser geworden. Die beiden Größen haben aber nichts miteinander zu tun. Eine MIT-Studie aus dem NANDA-Projekt bestätigt das Muster, wie Fortune berichtet: 95 Prozent der unternehmensweiten KI-Pilotprojekte zeigen keinen messbaren Geschäftsnutzen, weil die Werkzeuge einzelne Mitarbeiter produktiver machen, sich aber nicht in die eigentlichen Entscheidungsprozesse einfügen. Ein Budgetantrag, der Amortisation in vierzehn Monaten verspricht und die ganze Rechnung auf gesparte Arbeitsstunden stützt, misst Tempo und nennt es Qualität. Ob die Texte dadurch besser werden, taucht in solchen Anträgen selten auf. Es war nie versprochen, also wird es nie gemessen.

Warum sich Tempo leichter verkauft als Urteil

Produktivität hat einen unschlagbaren Vorteil im Budgetgespräch: Sie passt in eine Tabelle. Zwanzig Pressemitteilungen statt acht, ein Redaktionsplan, der sich fast von selbst füllt. Das versteht jeder Controller sofort, und er nickt.

Entscheidungsqualität dagegen ist sperrig. Sie fragt nicht, wie viele Texte entstanden sind, sondern ob der richtige entstanden ist. Ob die Botschaft trägt. Ob der Vorstand mit diesem Statement in eine Richtung gedrängt wurde, die in drei Monaten teuer wird. Solche Fragen passen in keine Amortisationsrechnung; deshalb fallen sie hinten runter.

Im NANDA-Projekt des MIT scheiterten 95 Prozent der Pilotprojekte nicht am Modell, sondern daran, dass die Ergebnisse nirgendwo in eine Entscheidung mündeten. Die Lücke sitzt nicht in der Technik, sie sitzt im Urteil, das niemand einpreist.

Der Vorstand erwartet trotzdem beides. Er hört "KI" und denkt an klügere Entscheidungen, schärfere Analysen, eine Kommunikation, die vorne mitdenkt. Der CFO liefert ihm einen Effizienzhebel. Zwischen diesen beiden Erwartungen sitzt die Kommunikationsabteilung und soll erklären, was sie eigentlich gekauft hat.

Schneller falsch ist immer noch falsch

Ein Beispiel aus der Praxis. Eine mittelgroße Pressestelle, Energiebranche, hatte ihren Statement-Prozess auf KI umgestellt. Das Modell zog Kernbotschaften aus internen Vermerken, formulierte Entwürfe, schlug Zitate für die Geschäftsführung vor. Die Durchlaufzeit sank spürbar. Alle waren zufrieden.

Bis ein Statement zur Netzentgeltdebatte rausging, das eine regulatorische Position vertrat, die das Unternehmen intern längst korrigiert hatte. Die KI hatte auf einem Vermerk aus dem Vorjahr aufgesetzt, weil der neuere schlechter formuliert und damit für die Maschine schlechter verwertbar war. Niemand hatte gegengelesen; der Prozess war auf Tempo optimiert, nicht auf Urteil. Die Korrektur danach kostete mehr Zeit als der ganze eingesparte Vorlauf, und die schlechteren drei Wochen im Dialog mit dem Regulierer gab es obendrauf.

Hier laufen Produktivität und Qualität auseinander. Ein Text, der schneller entsteht, aber die falsche Linie transportiert, hat die Entscheidung nicht verbessert. Er hat einen Fehler nur früher in Umlauf gebracht.

Das dritte Glied, das im Business Case fehlt

Die meisten KI-Prozesse in der Kommunikation kennen zwei Rollen. Jemand stößt die Maschine an und füttert sie mit Kontext. Die Maschine produziert. Was fehlt, ist die dritte Rolle: der Mensch, der das Ergebnis an einem vorher gesetzten Kriterium misst und entscheidet, ob es rausgeht.

Doch diese dritte Rolle endet nicht beim einzelnen Text. Der Maßstab selbst hat ein Verfallsdatum, das viele übersehen. Wer nur den fertigen Entwurf gegenliest, bemerkt irgendwann nicht mehr, dass die Vorgabe, an der er den Entwurf prüft, längst nicht mehr zur tatsächlichen Leistung des Modells passt. Deshalb gehört zum Prozess ein zweiter Kreislauf: das echte Feedback zur Arbeit der eingesetzten KI, zu den verwendeten Skills, Prompts und Vorgaben, muss regelmäßig zurück in den Maßstab fließen. Wo produziert das Werkzeug wiederkehrend dieselbe Schieflage? Wo formuliert es sauber und trifft trotzdem die falsche Linie? Diese Beobachtungen schärfen nicht den einzelnen Text nach, sondern das Werkzeug selbst. Der Mensch bleibt Kurator des Skills, nicht nur Korrektor des einzelnen Ergebnisses; das ist der Teil, den fast alle überspringen, weil er sich nicht als Durchlaufzeit messen lässt.

PR-Agenturen verkaufen Ihnen die Skalierung, und Skalierung ohne Urteil erzeugt nur mehr Fehler schneller. KI-Beratungen verkaufen Ihnen Datenreife, Governance und Compliance-Checklisten. Alles nicht falsch, alles unvollständig. Datenreife erklärt nicht, warum ein technisch sauberer Text die falsche strategische Linie fährt. Das beantwortet nur ein redaktionelles Urteil, und das lässt sich weder herunterladen noch als Modul zubuchen.

Im Rechtsteam würde niemand einen Vertragsentwurf durchwinken, in dem eine längst überholte Klausel steht, nur weil das Muster meistens passt. In der Kommunikation lassen wir Texte raus, die über die Position des Unternehmens entscheiden, und niemand fühlt sich zuständig.

Wer die Reifegrad-Logik ernst nimmt, sieht das schnell. Technik, Prozesse und Menschen sind eigene Achsen; die schwächste bestimmt die Stufe. Ein Unternehmen kann das beste Modell und saubere Daten haben, doch wenn niemand das Urteil trägt, bleibt die Prozessachse dünn. Wie sich das systematisch bewerten lässt, habe ich in KI-Readiness in der Kommunikation ausführlicher beschrieben.

Wie Sie KI-Einsatz jenseits der Effizienzrhetorik prüfen

Drei Schritte, die keine neue Software brauchen.

Erstens: Trennen Sie die beiden Fragen im Business Case sauber. Was spart der KI-Einsatz an Zeit, und was verbessert er an der Entscheidung? Bleibt die zweite Spalte leer, haben Sie ein Produktivitätsprojekt gekauft und dem Vorstand ein Qualitätsprojekt versprochen. Das rächt sich beim nächsten Review.

Zweitens: Setzen Sie den Maßstab, bevor die Maschine läuft. Woran erkennt Ihre Redaktion, dass ein KI-Statement gut genug ist? Stimmt die aktuelle Unternehmensposition, ist die Quelle die richtige, hält der Ton der Marke stand? Ohne dieses Kriterium redigiert niemand, weil niemand weiß, wogegen. Und planen Sie den Termin gleich mit, an dem Sie dieses Kriterium wieder anfassen: Ein Maßstab, den man einmal festschreibt und nie mehr nachschärft, altert schneller als das Modell darunter. Konkrete Regeln dafür finden Sie in KI-Texter richtig einrichten.

Drittens: Benennen Sie die Person, die freigeben darf. Nicht das Team, nicht der Prozess. Einen Namen. Freigabe ohne Zuständigkeit ist keine Freigabe, sie ist ein Durchwinken mit besserem Etikett.

Wenn Ihr KI-Business-Case nur eine Spalte für gesparte Stunden hat und keine für bessere Entscheidungen, dann messen Sie Geschwindigkeit und verkaufen sie als Qualität.

Was der Vorstand eigentlich wissen will

Ein Vorstand fragt selten, wie schnell ein Statement entstand. Er fragt, ob es das Unternehmen dorthin bewegt, wo es hinsoll. Die Effizienzrhetorik gibt darauf keine Antwort; sie zählt nur den Output.

Das heißt nicht, dass Produktivität wertlos wäre. Ich bin selbst dankbar, wenn ein Rohentwurf in Minuten statt Stunden steht. Nur ist das der Anfang der Arbeit, nicht das Ende. Der AI Index Report 2026 zeigt an anderer Stelle dasselbe Muster: Die Nutzung steigt, der belegte Nutzen hinkt hinterher. Am Ende ist auch das eine Frage des Urteils, nicht der Rechenleistung.

Ich habe früher selbst zu schnell auf Durchlaufzeiten geschaut, weil sie sich so ordentlich messen ließen. Das war ein Fehler. Die Fälle, die mich später Nerven kosteten, waren nie die langsamen; es waren die schnellen, bei denen niemand mehr die Frage stellte, ob das Ergebnis überhaupt stimmt.

Also, bevor Sie das nächste KI-Budget freigeben: In welcher Spalte steht Ihr eigentliches Versprechen?