Beginnen Sie mit einem kostspieligen Prozess, nicht mit einer unternehmensweiten Einführung

Worum es geht

Wählen Sie einen einzigen Prozess, bei dem die Kosten leicht zu sehen sind: Routineanfragen beantworten, Angebote erstellen, Rechnungen bearbeiten. Messen Sie ihn, setzen Sie ein KI-Werkzeug ein, dessen Ergebnisse ein Mensch prüft, und messen Sie erneut. Gehen Sie erst zum nächsten Prozess, wenn der erste ein Ergebnis zeigt.

Was die Evidenz zeigt

Vier Studien erklären, warum dieser Rat verbreitet ist.

• Gewinne zeigen sich bei bestimmten Aufgaben. In einer Studie mit 5.172 Kundendienst-Mitarbeitenden bei der Arbeit steigerte ein KI-Assistent die gelösten Anliegen je Stunde um 15 %. Die Aufgabe kam häufig vor, war klar umrissen und leicht zu messen.
• Breite Verfügbarkeit ändert wenig. Eine Studie über den dänischen Arbeitsmarkt fand, dass KI-Chatbots breit genutzt wurden, Verdienst und Arbeitsstunden sich aber nicht änderten. Eine frühere Fassung der Studie bezifferte die durchschnittliche Zeitersparnis auf 2,8 % der Arbeitszeit. In einem Feldexperiment mit 7.137 Beschäftigten in 66 Unternehmen verbrachten Beschäftigte, die per Zufall einen KI-Büroassistenten erhielten, etwa zwei Stunden pro Woche weniger mit E-Mails, und Umfang und Mischung ihrer übrigen Arbeit änderten sich nicht. Drei der vier Autoren arbeiteten für Microsoft, das den Assistenten verkauft.
• Arbeit, die niemand erledigte, gewinnt vielleicht am meisten. In randomisierten Experimenten auf einer großen Online-Handelsplattform kam der größte Gewinn, 16,3 % mehr Umsatz, von einem Chatbot, der Käufern antwortete, die vorher gar keine Live-Hilfe hatten. Von KI geschriebene Produktbeschreibungen steigerten den Umsatz nur bei Produkten, die vorher eine Beschreibung von weniger als 50 Wörtern hatten.

Viele Projekte werden zudem aufgegeben. In einer 2025 veröffentlichten Umfrage von S&P Global gaben 42 % der Unternehmen an, die meisten ihrer KI-Vorhaben aufgegeben zu haben. Ein einzelner Prozess mit einer klaren Messgröße lässt sich billig stoppen, wenn er nicht funktioniert.

So gehen Sie vor

1. Listen Sie drei bis fünf Prozesse auf, die die meiste Arbeitszeit kosten oder die größten Verzögerungen verursachen.
2. Wählen Sie den, der am häufigsten vorkommt und den klarsten Maßstab für ein gutes Ergebnis hat. Ein Prozess, den Sie heute gar nicht abdecken, etwa unbeantwortete Anfragen oder fehlende Produktbeschreibungen, gewinnt vielleicht am meisten.
3. Erfassen Sie zwei bis vier Wochen lang die heutigen Zahlen: Zeit je Vorgang, Fehlerquote, Kosten.
4. Setzen Sie ein handelsübliches KI-Werkzeug ein. Lassen Sie anfangs jedes Ergebnis von einem Menschen prüfen.
5. Lassen Sie es einen festgelegten Zeitraum laufen und vergleichen Sie dann mit den Ausgangszahlen.
6. Entscheiden Sie: behalten, ändern oder stoppen. Schreiben Sie auf, warum.
7. Wählen Sie erst dann den zweiten Prozess.

Was Sie messen

• Die Zeit je Vorgang, vorher und nachher.
• Die Fehler- oder Nacharbeitsquote, vorher und nachher.
• Die Zeit, die die prüfende Person mit dem Prüfen verbringt. Sie gehört zu den Kosten.

Um zu sehen, was diese Zahlen in Geld bedeuten, geben Sie sie in Rechnet sich KI? ein. Das Werkzeug vergleicht einen ausgewählten Prozess mit einer Einführung für alle.

Woran es scheitert

• Der Prozess ist selten oder unklar. Wenn er nur ein paar Mal im Monat vorkommt, gibt es zu wenig zu messen.
• Der Prozess ist kaputt. KI auf einem schlechten Prozess ergibt einen schnelleren schlechten Prozess. Bringen Sie ihn zuerst in Ordnung oder gestalten Sie ihn neu.
• Das Pilotprojekt endet nie. Legen Sie den Entscheidungstermin fest, bevor Sie anfangen.
• Eng oder breit ist nicht geklärt. In einer Umfrage der OECD unter 2.018 kleinen und mittleren Unternehmen berichteten nur 2 % der Unternehmen, die KI für einzelne Aufgaben nutzten, von einer grundlegend verändernden Wirkung, gegenüber 23 % derer, die sie im ganzen Unternehmen nutzten. Die Wirkungen sind das, was die Unternehmen sagten, die OECD sagt, die Umfrage sei nicht repräsentativ, und etwa drei Viertel der Antworten zu KI kamen aus Japan. Zwei andere Quellen zeigen in eine andere Richtung. Eine Auswertung der Federal Reserve fand, dass kleine US-Unternehmen, die KI in ihre Prozesse eingebaut hatten, keine besseren Einstellungserwartungen hatten als Unternehmen, die noch experimentierten. In Lohnabrechnungsdaten von Gusto, einem Anbieter von Lohnabrechnungssoftware, zeigten Unternehmen, die KI für alltägliche Aufgaben nutzten, denselben Zuwachs bei den Einstellungen wie Unternehmen, die sie tief in ihren Betrieb eingebaut hatten. Ob ein enger Anfang oder breiter Einsatz mehr bringt, ist nicht geklärt.

Nach Unternehmensgröße

• Kleinst- und Kleinunternehmen: Ein Prozess ist in den ersten Monaten das ganze Programm. Das ist in Ordnung.
• Mittlere Unternehmen und Gehobener Mittelstand: Führen Sie zwei oder drei in verschiedenen Abteilungen durch, jeden mit eigener Ausgangsmessung und verantwortlicher Person.
• Großunternehmen: Große Unternehmen haben meist schon Pilotprojekte. Ihr Problem ist, aus diesen Pilotprojekten neu gestaltete Arbeitsabläufe zu machen. Deshalb ist diese Praktik dort weniger wichtig.

So sieht es angewandt aus

• Durchgerechnetes Beispiel Ein 90-Tage-Plan für ein Pilotprojekt in einem Unternehmen mit 118 Beschäftigten Drei Phasen, beginnend mit einigen einfachen digitalen Aufgaben. Jede Phase hat eigene Messgrößen und am Ende eine Entscheidung.

Firmenfälle

Unternehmen, die das getan haben

• Duolingo Das erste Ziel war das Schreiben von Kursen, bei dem ein einziger neuer Kurs ein kleines Team Jahre kosten konnte. Vom Unternehmen gemeldetes Ergebnis
• eBay eBay richtete die maschinelle Übersetzung auf ein einziges Hindernis: Käufer in Lateinamerika konnten die Angebote von US-Verkäufern nicht lesen. Gemessenes Ergebnis
• EIST Der Inhaber wählte eine Aufgabe: die Kalkulation von Sonderteilen, die pro Anfrage Stunden dauern konnte und den Betrieb Aufträge kostete. Vom Unternehmen gemeldetes Ergebnis
• Herges Stahl- und Blechbau Das Projekt beschränkte sich auf einen Arbeitsschritt, das Walzen von Blech, mit einem Aufbau, der sich auf Schweißen und Montage erweitern lässt. Gemessenes Ergebnis
• Hitachi Energy Die Arbeit zielte auf ein Produkt und einen Kostenblock: Transistorchips, die den Endtest nicht bestehen, werden verschrottet. Gemessenes Ergebnis
• META-Regalbau Die Analyse umfasste einen Ablauf: das Kommissionieren der vielen Einzelteile eines bestellten Regalsystems im Lager. Vom Unternehmen gemeldetes Ergebnis
• Milkforbubs Der Shop setzte das Werkzeug für eine einzige Aufgabe ein: immer wieder dieselben Kundenfragen beantworten, viele davon nachts. Vom Unternehmen gemeldetes Ergebnis
• Ministry of Clean Die Software zielte auf ein einziges Problem: eine wachsende Kundenliste, die in Tabellen geführt wurde. Vom Unternehmen gemeldetes Ergebnis
• Rue La La Die Arbeit zielte auf eine einzige Entscheidung: den ersten Preis für Produkte, die der Händler nie zuvor verkauft hatte und die den größten Teil seines Umsatzes bringen. Gemessenes Ergebnis
• Temple & Webster Die ersten Zahlen, die das Unternehmen meldete, betrafen einen einzigen Prozess: Kunden vor und nach dem Kauf antworten. Vom Unternehmen gemeldetes Ergebnis
• Walmart Walmart setzte KI auf eine Aufgabe an: Produktdaten ergänzen und korrigieren. Diese Daten, sagte der Vorstandschef, „affects nearly everything we do“ [„beeinflussen fast alles, was wir tun“]. Vom Unternehmen gemeldetes Ergebnis

Quellen

1. Brynjolfsson, Li and Raymond (2025). Generative AI at Work. The Quarterly Journal of Economics, 140(2), 889–942. Was diese Studie untersucht und gefunden hat
2. Humlum and Vestergaard (2025). Still Waters, Rapid Currents: Early Labor Market Transformation under Generative AI. NBER Working Paper 33777 (revised March 2026). Was diese Studie untersucht und gefunden hat
3. Dillon, Jaffe, Immorlica and Stanton (2025). Shifting Work Patterns with Generative AI. NBER Working Paper 33795; arXiv 2504.11436, version 4 (November 2025). Was diese Studie untersucht und gefunden hat
4. Fang, Yuan, Zhang, Donati and Sarvary (2025). Generative AI and Sales Productivity: Field Experiments in Online Retail. arXiv 2510.12049, version 6 (29 June 2026). Was diese Studie untersucht und gefunden hat
5. Gartner (2024). Prediction that at least 30% of generative AI projects would be abandoned after proof of concept by the end of 2025. gartner.com
6. CIO Dive (2025), reporting an S&P Global Market Intelligence survey: 42% of companies abandoned most of their AI initiatives. ciodive.com
7. OECD (April 2026). Empowering SMEs in the age of AI. Includes the D4SME survey of 2,018 small and medium-sized firms; the OECD says it is not representative. oecd.org
8. Aarons and Sarkar (October 2026). Federal Reserve Bank of New York, Liberty Street Economics. Analysis of AI use and hiring expectations in the Small Business Credit Survey. libertystreeteconomics.newyorkfed.org

Verwandte Praktiken

• Messen Sie die eingesparte Zeit je Aufgabe an einer Ausgangsmessung Halten Sie fest, wie lange eine Aufgabe dauert und wie gut das Ergebnis ist, bevor Sie KI einsetzen. Ohne diesen Ausgangswert können Sie einen echten Gewinn nicht von einem erhofften unterscheiden. Zuerst · Aufwand: gering (Tage, eine Person) Evidenz: Gängige Praxis Messung · Einführen
• Erfassen Sie die Aufgaben, bevor Sie entscheiden, was Sie automatisieren Zerlegen Sie Berufe in Aufgaben und betrachten Sie jede einzeln. Veröffentlichte Werte schätzen, wie viel eines Berufs KI übernehmen könnte, die „Exposition“. Behandeln Sie einen hohen Wert als Hinweis, wo Sie genauer hinsehen, nicht als Entscheidung zum Automatisieren. Zuerst · Aufwand: gering (Tage, eine Person) Evidenz: Mittel Umstritten Prozesse neu gestalten · Erkunden
• Gestalten Sie den Arbeitsablauf neu, statt nur ein Werkzeug hinzuzufügen Wer Menschen ein KI-Werkzeug in einem unveränderten Prozess gibt, ändert wenig. Legen Sie neu fest, wer jeden Schritt erledigt, in welcher Reihenfolge und wo ein Mensch prüft. Als Nächstes · Aufwand: hoch (Monate, mehrere Teams) Evidenz: Mittel Prozesse neu gestalten · Umgestalten