KI-Transformation: Agenten überlagern oder Organisation neu gestalten?
Unternehmensführer stehen 2026 vor einer konkreten KI-Transformations-Entscheidung: Sollen sie KI-Agenten in bestehende Arbeitsabläufe integrieren, um schnelle kurzfristige Erfolge zu erzielen, oder das Betriebsmodell so umgestalten, dass Agenten bedeutende Teile der Arbeit eigenständig übernehmen? Der Unterschied ist relevant, weil der Markt eine große Lücke zwischen Ambition und Reife zeigt. Laut MIT Technology Review Insights wollen 85 % der Organisationen innerhalb von drei Jahren agentisch werden, doch 76 % geben an, dass ihre aktuellen Abläufe und Infrastrukturen dafür nicht bereit sind.
Diese Lücke deutet darauf hin, dass viele Unternehmen zunächst kein Tool-Problem haben. Sie haben ein Design-Problem: Wie müssen Technologie, Management und Messung verändert werden, wenn KI nicht mehr als Assistent, sondern als Operator über Arbeitsabläufe hinweg agiert?
Überlagerung vs. Neugestaltung: Die eigentliche Wahl bei der KI-Transformation
| Kriterium | Agenten in aktuelle Abläufe einbauen | Betriebsmodell für Agenten neu gestalten |
|---|---|---|
| Zeit bis zum ersten Piloten | Schneller, oft in Wochen messbar | Langsamer zu Beginn, da Prozessverantwortung geklärt werden muss |
| Wertumfang | Enge Produktivitätsgewinne in einem Team oder Ablauf | Breitere Erfolge über Funktionen und Übergaben hinweg |
| Architekturanforderungen | Kann auf bestehenden Apps mit begrenzten Integrationen aufsetzen | Erfordert stärkere Enterprise-KI-Integrationen über Systeme und Daten hinweg |
| Management-Auswirkung | Zunächst minimale Organisationsänderung | Manager und Prozessverantwortliche brauchen neue Rollen und Kontrollen |
| KPI-Modell | Meist Output-Metriken wie bearbeitete Tickets oder erstellte Berichte | Outcome-Metriken wie Durchlaufzeit, Eskalationsrate, Conversion oder Retention |
| Fehlermodus | Punktlösungen, doppelte Schritte, unklare Verantwortlichkeit | Langsamere Einführung, aber sauberere Skalierung, wenn Governance und Ownership gesetzt sind |
Der Markt spaltet sich zunehmend entlang dieser beiden Modelle auf. Der Überlagerungspfad ist attraktiv, weil er zu Jahresplanungszyklen, bestehenden Budgets und vertrauten Genehmigungsstrukturen passt. Doch er bewahrt oft dieselben Übergaben, Hierarchien und Berichtslinien, die frühere digitale Transformationsprogramme bereits gebremst haben.
Der Neugestaltungspfad verlangt den Führungskräften mehr ab. Er erfordert Entscheidungen zu Workflow-Eigentum, funktionsübergreifendem Datenzugriff und menschlichen Genehmigungsrechten. Das macht den Start schwieriger, doch er ist auch der Pfad, der stärker auf durchgängige KI-Business-Automation statt auf isolierte Experimente ausgerichtet ist.
Warum das Klebeband-Modell scheitert
Der Bericht von MIT Technology Review konzentriert sich auf einen Punkt, den Prasun Shah von PwC UK Consulting herausstellt: Viele Unternehmen betten KI-Mitarbeiter in ein im Grunde menschliches Betriebsmodell ein. Er verglich diesen Ansatz damit, Klebeband an Teile eines Betriebsmodells zu kleben, das bereits bröckelt.
Dieser Kompromiss ist einfach. Agenten auf alte Prozesse zu legen, kann in Kundenservice, HR oder Vertrieb sichtbare Erfolge bringen, vor allem dort, wo die Arbeit repetitiv ist. Die Quelle nennt Schätzungen, dass KI-Agenten Geschäftsprozesse um 30 % bis 50 % beschleunigen und die Zeit für wenig wertschöpfende Arbeit um 25 % bis 40 % reduzieren können. Das sind bedeutende Zahlen. Doch sie können auch strukturelle Reibungen verschleiern, wenn der umgebende Ablauf weiterhin linear, genehmigungslastig und über Anwendungen fragmentiert bleibt.
Ein vergleichender Blick auf den Markt zeigt drei häufige Gründe, warum das Überlagerungsmodell stockt:
- Agenten erben schlechtes Prozessdesign. Wenn der zugrunde liegende Ablauf redundante Prüfungen oder unklare Verantwortlichkeiten hat, führt der Agent die Verwirrung nur schneller aus.
- Enterprise-KI-Integrationen bleiben oberflächlich. Ein Agent, der auf ein System beschränkt ist, kann die größere Aufgabe nicht koordinieren.
- Teams messen Aktivität, nicht Wert. Ein hohes Aufgabenvolumen kann beeindruckend wirken, während sich Geschäftsergebnisse kaum bewegen.
Hier wird KI-Strategie wichtiger als die Auswahl des Modells. Die entscheidende Frage ist nicht nur, welche Agentenplattform gekauft wird, sondern welche Arbeitsabläufe es wert sind, neu verdrahtet zu werden, damit Agenten Arbeit über Systeme hinweg koordinieren können, anstatt eine weitere Schnittstelle hinzuzufügen.
Technologie-Stack vs. Bindegewebe
Ema's Framing, das im Quellenartikel behandelt wird, ist hilfreich, weil es Agenten nicht als weitere Anwendung, sondern als Bindegewebe behandelt, das sich durch Systeme bewegt. Das ist eine andere architektonische Annahme als die anwendungszentrierten Stacks, die die meisten Unternehmen in den letzten zehn Jahren aufgebaut haben.
Im Überlagerungsmodell sitzt KI-Workflow-Automation meist innerhalb einer engen Aufgabengrenze: einen Fall zusammenfassen, eine Antwort entwerfen, ein Formular klassifizieren, eine Ausnahme routen. Das kann produktiv sein, und in manchen Umgebungen ist es der richtige erste Schritt. Der Kompromiss ist, dass jede Automatisierung von menschlicher Koordination zwischen den Systemen abhängt.
Im Neugestaltungsmodell sind Agenten so konfiguriert, dass sie Kontext aus mehreren Systemen abrufen, interpretieren und eine größere Geschäftsaufgabe abschließen. Das entspricht eher der Beschreibung im Quellenartikel, wonach Agenten ganze Arbeitsabläufe mit begrenztem menschlichen Input ausführen. Es ist auch der Grund, warum die Architektur entscheidend wird. Wie McKinseys Arbeit zu generativer KI und der nächsten Produktivitätsfront gezeigt hat, steigt der Wert, wenn KI in Kernprozesse eingebettet ist, statt am Rand geparkt zu werden.
Der Kompromiss hier ist Geschwindigkeit gegen Beständigkeit. Überlagerungs-Automation kann mit leichterer Integrationsarbeit beginnen. Neugestaltung erfordert stärkeren Datenzugriff, bessere Prozesskarten und bewusstere KI-Implementierungsdienstleistungen. Doch wenn ein Unternehmen möchte, dass Agenten vom Piloten in die Produktion gelangen, ohne dass für jeden Use Case sechs Monate maßgeschneiderte Softwarearbeit nötig sind, ist eine Bindegewebe-Architektur die bessere langfristige Wette.
Ein relevanter interner Bezugspunkt ist Encorps Service-Seite für KI-Integrationsservices für Microsoft Teams. Es ist kein vollständiges Angebot zur Neugestaltung des Betriebsmodells, passt aber in die Trainingsstufen-Diskussion, weil es zeigt, wie Workflow-Level-KI-Integration aufdecken kann, wo Kollaborationsmuster und Prozessverantwortung vor einer breiteren Einführung geändert werden müssen.
Hierarchien vs. hybride Teams
Der Arbeitskräftevergleich ist ebenso wichtig wie der Technologievergleich. Traditionelle Organigramme gehen davon aus, dass Koordination, Eskalation und Optimierung durch Ebenen menschlicher Manager laufen. Agentische Systeme schwächen diese Annahme ab.
Laut der Quelle argumentiert Shah, dass Manager in hybriden Teams Vertrauen, Erklärbarkeit, psychologische Sicherheit und Status-Dynamiken managen müssen. Das deutet auf eine Verschiebung der Management-Arbeit von der Überwachung der Ausführung hin zur Überwachung von Urteil, Ausnahmen und Verantwortlichkeit.
| Arbeitskräfte-Frage | Legacy-Hierarchie | Hybrides Mensch-Agent-Team |
|---|---|---|
| Wer führt Routinearbeit aus? | Analysten, Koordinatoren, Agenten im HR-Sinne | Software-Agenten plus menschliche Prüfer |
| Was machen Manager? | Aufgaben zuweisen, Output überwachen, Probleme eskalieren | Leitplanken setzen, Ausnahmen prüfen, Konflikte lösen, Ergebnisse überwachen |
| Wie wird Kompetenz aufgebaut? | Einstellung und Training nach Funktion | Upskilling, Umsetzung und Workflow-Neugestaltung über Funktionen hinweg |
Der Kompromiss ist nicht Menschen gegen Maschinen. Es ist die Frage, ob ein Unternehmen bereit ist, Jobs neu um Orchestration, Ausnahmebehandlung und Entscheidungsqualität zu gestalten. McKinsey hat geschätzt, dass bis 2030 ein großer Teil der aktuellen Jobs neu gestaltet, qualifiziert oder umgesetzt werden muss. In der Praxis bedeutet das, dass maßgeschneiderte KI-Agenten nicht einfach eine Beschaffungsentscheidung sind; sie sind eine Personal- und Betriebsmodell-Entscheidung.
Output-Metriken vs. Outcome-Metriken
Das ist möglicherweise der am meisten unterschätzte Vergleich in aktuellen KI-Transformationsprogrammen. Output-Metriken schmeicheln frühen Einführungen. Outcome-Metriken zeigen auf, ob das System das Geschäft tatsächlich verbessert.
Ema's Beispiel im Quellenartikel ist aufschlussreich: Ein Unternehmen wechselte von Tool-Metriken wie Kosten pro Query und Modell-Genauigkeit zu Geschäftsergebnissen wie dem Anteil der Verträge, die ohne menschliche Eskalation geprüft wurden, und berichtete, dass der gemessene ROI innerhalb von zwei Quartalen verdreifacht wurde. Ob dieser genaue Gewinn verallgemeinerbar ist, ist weniger wichtig als das Prinzip. Wenn das KPI-System an Aktivität gebunden bleibt, optimiert KI das falsche Ziel.
Wenn Sie KI-Mitarbeiter in die Belegschaft bringen, werden Aktivitätsmetriken bedeutungslos oder aktiv irreführend, sagte Ema-CEO Surojit Chatterjee gegenüber MIT Technology Review Insights.
Der Vergleich ist klar:
- Output-Metriken helfen, wenn das Ziel die Prüfung technischer Zuverlässigkeit ist.
- Outcome-Metriken helfen, wenn das Ziel operative und finanzielle Performance ist.
Ein nützlicher Benchmark kommt von Gartners Leitlinien für positive KI-ROI, die betonen, KI-Initiativen an Geschäftsergebnissen statt an isolierten technischen Indikatoren zu koppeln. Für Enterprise-Käufer ist das der Punkt, an dem viele KI-Implementierungsdienstleistungen entweder Disziplin schaffen oder Berichtstheater produzieren.
Was Führungskräfte zuerst neu gestalten sollten
Die Erkenntnisse aus dem Quellenartikel und aus breiteren Mustern der Enterprise-KI-Einführung deuten auf eine Sequenzierungsfrage hin, nicht auf eine binäre Ja-oder-Nein-Entscheidung. Nicht jeder Ablauf braucht am Tag eins eine vollständige Neugestaltung. Doch Unternehmen müssen wissen, welche Ebene sie zuerst verändern.
Eine praktikable Sequenz sieht so aus:
- Wählen Sie einen funktionsübergreifenden Ablauf, nicht ein Tool. Kunden-Onboarding, Vertragsprüfung, HR-Fallbearbeitung und Vertriebsoperationen sind stärkere Ausgangspunkte als einzelne Prompts oder Assistentenfunktionen.
- Kartieren Sie die Übergaben, bevor Sie mehr Agenten kaufen. Wenn Eigentum, Eskalationspfade und erforderliche Systeme unklar sind, produziert der Pilot nur Rauschen.
- Setzen Sie Outcome-KPIs vor dem Rollout. Durchlaufzeit, Eskalationsrate, First-Pass-Abschluss und Umsatz- oder Retention-Effekte sind wichtiger als Aktivitätszählungen.
- Schulen Sie Manager für hybride Aufsicht. Deshalb passt hier die Programmstufen-Eignung: Zuerst Führungskräfte-Bildung, dann tiefere Implementierung.
Die breitere Implikation ist, dass KI-Transformation zunehmend weniger darum geht, Intelligenz zu Aufgaben hinzuzufügen, und mehr darum, wie Arbeit koordiniert wird neu zu gestalten. Das ist eine anspruchsvollere Agenda als die meisten Copilot-Projekte aus dem Jahr 2024, doch dort dürfte auch der nachhaltige Wert entstehen.
Fazit: Wählen Sie das Überlagerungsmodell, wenn das Ziel ein schneller Pilot, ein enger Ablauf und eine geringe organisatorische Störung ist. Wählen Sie das Neugestaltungsmodell, wenn das Ziel Enterprise-skalierbare KI-Workflow-Automation, stärkere Enterprise-KI-Integrationen und ein KPI-System ist, das Outcomes statt Aktivität misst.
Schlagwörter
Martin Kuvandzhiev
CEO and Founder of Encorp.io with expertise in AI and business transformation