Die meisten KI-Initiativen in Unternehmen scheitern. Nicht an der Technologie, die funktioniert in eng definierten Anwendungsfällen durchaus passabel, sondern an den Organisationen, die sie einsetzen wollen. Eine MIT-Studie mit über 300 KI-Projekten beziffert: 95 Prozent der KI-Pilotprojekte liefern keinen messbaren Ertrag. Die verbleibenden fünf Prozent erwirtschaften jedoch Millionen. Der Unterschied zwischen beiden Gruppen liegt nicht in der Technik; er liegt in der Organisation.
Dieser Befund ist der Ausgangspunkt für eine Diskussion, die in der öffentlichen Debatte zu kurz kommt und der sich dieser Kommentar widmet. Während Wirtschaftswissenschaftler darüber streiten, ob KI Arbeitsplätze in Summe vernichtet oder schafft, droht Unternehmen ein ganz anderes Problem: KI wird eingeführt, ohne dass die Organisation selbst darauf vorbereitet ist.
Ein 75 Jahre altes Muster
Frei nach Mark Twain: Geschichte wiederholt sich nicht, sie reimt sich. Entsprechend hat auch das, was gerade mit KI passiert, einen Vorläufer. 1951 untersuchten die Soziologen Eric Trist und Kenneth Bamforth den Wandel in englischen Kohlegruben. Neue Fördertechnik hatte die Produktivität steigern sollen. Stattdessen sank sie, und die Krankenstände stiegen. Der Grund: Die Technik wurde modernisiert, aber die Arbeitsorganisation blieb unverändert. Die eingespielten Teams, die vorher autonom kleine Abschnitte bearbeiteten, wurden in ein starres Fließbandsystem gezwungen, das zwar zur neuen Technik passte, aber nicht zu den Menschen. Trist und Bamforth formulierten daraus ein Prinzip, das als Joint Optimization in die Organisationstheorie einging: Technisches und soziales System müssen gemeinsam gestaltet werden, eine nur teilweise Optimierung führt dazu, dass das Gesamtsystem aus Mensch, Prozessen und Technik womöglich schlechter funktioniert als vorher.
Dass Organisationen diesen Fehler mit KI wiederholen, zeigt sich an den Ergebnissen — auch wenn die meisten Studien eher die Symptome messen als die Ursache. In einer randomisierten Studie des Forschungslabors METR arbeiteten erfahrene Softwareentwickler mit KI-Unterstützung 19 Prozent langsamer als ohne, obwohl sie selbst glaubten, 20 Prozent schneller zu sein. Eine IBM-Befragung von 2.000 Vorstandsvorsitzenden ergab, dass drei von vier KI-Projekten kein messbares Ergebnis liefern. Und eine Untersuchung von Carnegie Mellon und Salesforce zeigt, dass KI-Agenten in zwei Dritteln der Fälle an ihren Aufgaben scheitern.
Woher rührt die Diskrepanz zwischen Versprechen und Wirklichkeit? Laut der OECD AI Deployment Survey fließen rund 90 Prozent der KI-Budgets in Technologie: Lizenzen, Infrastruktur, Modelle. Weniger als zehn Prozent gehen in Führung, Kompetenzaufbau und Begleitung des Wandels. Die Technik wird modernisiert, die Arbeitsorganisation bleibt unverändert. Trist und Bamforth hätten wohl eine Vermutung wie das Ganze ausgehen könnte …
Schneller, aber nicht besser
Die 90/10-Verteilung erklärt, warum KI auf Organisationsebene so wenig bewirkt. Doch es gibt eine zweite Dimension, die das Problem verschärft: Selbst dort, wo einzelne Mitarbeiter KI produktiv nutzen, profitiert die Organisation oft kaum davon.
Etliche Beschäftigte, vor allem aus der Softwareindustrie, nutzen generative KI und berichten von drei- bis fünffachen Produktivitätssteigerungen bei KI-gestützten Aufgaben. Auf Organisationsebene schlägt sich das bisher jedoch nicht nieder. Mitarbeiter werden individuell schneller, aber die Organisation kann diese Produktivitätsgewinne nicht aufnehmen. Prozesse, Abstimmungswege und Entscheidungsstrukturen sind nicht darauf vorbereitet.
KI steigert zwar den Durchsatz, aber wenn das System kaputt ist, hat man im Grunde nur versucht, ein Zahnrad in einer sonst blockierten Maschine schneller zu drehen. Dies liegt auch daran, dass Organisationen "mehr Aufgaben erledigt" oft mit "bessere Ergebnisse" verwechseln.
Was die MIT-Studie zusätzlich zeigt: Die erfolgreichen fünf Prozent investieren in tiefe Integration, in Partnerschaften, in Systeme, die sich über die Zeit verbessern. Die anderen stecken in dem, was auch als "Pilot Hell" bezeichnet wird: einem endlosen Kreislauf aus Proof-of-Concepts, die nie in Produktion gehen. Aufschlussreich ist dabei, wo der wirtschaftliche Nutzen tatsächlich entsteht: nicht in den vorzeigbaren Anwendungsfällen aus Marketing und Vertrieb, sondern in der unauffälligen Back-Office-Automatisierung. Reduktion von Outsourcing-Verträgen, Einsparung bei Agenturen, Optimierung von Compliance-Prozessen. Vorgänge, die kaum ein Berater in Verkaufspräsentationen als Beispiel wählen würde.
Der Mensch als Engpass
Warum schlagen individuelle Gewinne nicht auf die Organisation durch? Ein Teil der Antwort liegt in der Natur der Arbeit selbst. KI kann Teilstrecken eines Prozesses automatisieren, oft mit beeindruckender Geschwindigkeit. Aber an jedem Übergabepunkt, jedem Entscheidungspunkt, jedem Medienbruch muss ein Mensch eingreifen: prüfen, bewerten, freigeben, weiterleiten. Diese Schnittstellen werden zum neuen Engpass.
Wenn KI die Ausführung beschleunigt, aber Entscheidungswege und Abstimmungsprozesse gleich bleiben, staut sich das System an den menschlichen Knotenpunkten. Doch das Problem geht tiefer als Geschwindigkeit. KI verändert nicht nur das Tempo der Arbeit, sondern die Art, wie Arbeit aufgeteilt wird. Wo bisher ein Vorgang sequenziell von A über B nach C lief, fällt mit der Automatisierung der Ausführungsschritte vor allem die wechselseitige Abstimmung als verbleibende Aufgabe an. Das erfordert eine andere Form der Zusammenarbeit als vorher, und damit andere Prozesse, andere Rollen, eine andere Arbeitsteilung. "AI agents don't invent coordination. They inherit it." KI-Agenten erben die bestehende Koordinationsstruktur. Wenn sie nicht zur veränderten Arbeitsteilung passt, macht KI es nicht besser, sondern mindestens unübersichtlicher, wenn nicht schlimmer.
Was folgt daraus?
Nicht die Unternehmen mit den höchsten Technikbudgets bewältigen den KI-Wandel am ehesten, sondern jene, die das Zusammenspiel von Technologie und Arbeitsorganisation verstehen. Die MIT-Studie zeigt: Die erfolgreichen fünf Prozent geben nicht mehr Geld aus als der Rest, sie geben es anders aus. Sie investieren in Prozessverständnis, bevor sie automatisieren. Sie befähigen Mitarbeitende, statt sie zu ersetzen. Und sie akzeptieren, dass ihre Organisationsstrukturen gewachsen sind, nicht am Reißbrett entworfen. Gerade deshalb lässt sich KI nicht einfach einstöpseln, als wäre die Organisation eine Maschine, in die man ein neues Bauteil einsetzt. Wer Technologie einführt, muss mit der Organisation arbeiten, wie sie ist — und Technik und Arbeitsorganisation gemeinsam weiterentwickeln.
Konkret heißt das: Für jeden Prozess bewusst entscheiden, wo KI menschliche Arbeit ersetzt und wo sie diese unterstützt. Diese Entscheidung muss explizit getroffen werden. Eine aktuelle Studie in Management Science zeigt, dass genau diese Unterscheidung zwischen Automatisierung und Augmentierung die zentrale Designentscheidung ist, die in den meisten Organisationen gar nicht bewusst getroffen wird. Darüber hinaus: die Arbeitsteilung und Koordination an die veränderten Abläufe anpassen, statt KI in bestehende Strukturen zu pressen. Die bestehenden Piloten zu Ende führen, statt neue aufzusetzen. Und die eingesparte Zeit in Kompetenzaufbau investieren, statt Stellen abzubauen um KI-Lizenzen zu finanzieren.
Doch unabhängig davon, wie gut oder schlecht einzelne Organisationen diesen Wandel bewältigen, auf individueller Ebene ist eine durch KI ausgelöste Verschiebung bereits im Gang. Wettbewerbsdruck, veränderte Erwartungen und der wachsende Einsatz von KI in der Breite verändern, was kognitive Arbeit ausmacht und was sie wert ist. Organisationen müssen KI nicht erfolgreich einführen, damit sich die Anforderungen an den Einzelnen verschieben, es reicht bereits, dass andere das tun. Was diese Verschiebung für Experten, Berufseinsteiger und die kognitive Belastbarkeit von Wissensarbeitern bedeutet, ist Gegenstand des nächsten Artikels dieser Serie.