KI-Transformation : Immer wieder die gleichen Fehler

In den vergangenen Monaten ist in vielen Unternehmen ein eigenartiger Wettbewerb ausgebrochen. Er trägt den Namen Tokenmaxxing: Mitarbeitende werden danach bewertet, wie viele KI-Tokens sie verbrauchen, als wäre ein roher Konsum schon ein Beweis von Produktivität. Mittlerweile wieder eingestampft, sorgte das Verfahren bei Tech-Größen wie Meta oder Amazon für KI-Verbrauch als Selbstzweck, um den Nutzenden auf den ersten Platz in der Rangliste zu verhelfen.

Doch auch ohne diese künstlichen Anreize bekommen Unternehmen den vollen Preis ihrer Agenten-Experimente zu spüren: Ein einzelnes Unternehmen soll für die KI-Nutzung in einem einzigen Monat rund eine halbe Milliarde US-Dollar gezahlt haben, einfach weil niemand Verbrauchsgrenzen gesetzt hatte. Uber hat sein Jahreskontingent für ihr KI-Coding-Tool in vier Monaten aufgebraucht. Erste Unternehmen stellen sich die Frage: Rechtfertigt der Produktivitätsgewinn autonomer Agenten ihre Kosten überhaupt?

Das Problem ist nicht die Rechnung

Es wäre bequem, daraus zu schließen, KI sei einfach zu teuer, oder die agentische Transformation als gescheitert zu betrachten. Das greift zu kurz. Die explodierenden Rechnungen sind nur eines der Symptome eines tieferen Fehlers: Unternehmen schrauben KI an Prozesse, die für eine Welt ohne KI entworfen wurden.

Ich habe in diesem Jahr viele Agenten-Demos gesehen. Die meisten brechen in dem Moment zusammen, in dem man ihnen eine Folgefrage stellt. Das liegt nicht an der Intelligenz der Modelle, sondern weil die Orchestrierung drumherum fehlt. Hier wird ein Copilot eingeführt, da eine Empfehlungs-Engine. Vielversprechend werden erste Quick Wins als Effizienztreiber angepriesen. Doch dann, beim Versuch zu skalieren, fällt das Kartenhaus zusammen. Die Ausnahmen häufen sich, die Systeme verlieren den Kontext, und die Gewinne verflachen oder kehren gar um.

Die immer gleichen Fehler

Zwischen Branchen-Know-How, Schlagzeilen aus der Tech-Welt und eigenen Erfahrungen sehe ich drei wiederkehrende Muster.

Geschwindigkeit vor Disziplin: Viele setzen darauf, dass ein schneller Rollout wichtiger sei als sauberes Design. Einige haben Glück, doch die meisten verbrennen sich. Nicht weil die KI zu langsam ist, sondern weil sie zu autonom, zu undurchsichtig und zu weit von der Geschäftslogik entfernt ist, der sie dienen sollte. Eine britische Studie dokumentierte fast 700 reale Fälle, in denen KI-Agenten entgleisten. Forschende vergleichen ihr Verhalten mit „leicht unzuverlässigen Junior-Mitarbeitenden.“

Governance per Prompt: Unternehmen führen ihre autonomen Agenten wie Menschen. Statt sie durch deterministischen Code in ihrer Handlungsfähigkeit einzuschränken, prompten sie ihre Richtlinien in menschlicher Sprache und hoffen, dass der Agent sie befolgt. Sie verstehen nicht, dass ein Prompt eher beratend als bindend wirkt. Horrorgeschichten zeigen das Worst-Case-Szenario: In elf Sekunden hat ein Coding-Agent eine gesamte Produktionsdatenbank gelöscht. Die Sicherheitsanweisungen waren da – nur als Prompt.

Silos und „Agent Sprawl“: Agenten sprießen unkoordiniert. In 71 Prozent der Unternehmen kommen sie zum Einsatz, aber nur 11 Prozent der Anwendungsfälle schaffen es in die Produktion. Knapp die Hälfte gibt an, dass ihre Agenten in Silos arbeiten, statt End-to-End angebunden zu sein.

Wie hilft Re-Engineering hier weiter?

Die unbequeme Wahrheit: Jeder Unternehmensprozess ist momentan „Legacy“. Nicht weil er selbst veraltet ist, sondern weil er für eine Welt entworfen wurde, in der Menschen lesen, weiterleiten und entscheiden mussten. Deshalb reicht es nicht, einzelne Schritte zu automatisieren. Die richtige Frage lautet nicht „Wie automatisieren wir diesen Schritt?“, sondern „Sollte dieser Schritt überhaupt existieren?“

Das ist das „Great Process Re-Engineering“: vom gewünschten Ergebnis her rückwärts denken und Prozesse um KI-zentrierte Annahmen herum neu bauen, statt KI obendrauf zu schrauben. Doch das ist kein Selbstläufer. Ein durchschnittliches Unternehmen führt über 500 Kernprozesse. Einen davon auf die traditionelle Methode neu zu entwerfen, dauert rund zwölf Monate. Das ist eine lange Zeit, wenn gleichzeitig KI-Fähigkeiten im Wochentakt voranschreiten.

Um das zu beschleunigen, kann man sich KI zunutze machen. Der Prozess umfasst vier Schritte: Den Ist-Zustand der Prozesse analysieren, den Soll-Zustand anhand der Outcomes festlegen, die Prozesse hierfür neu entwerfen und umsetzen, und zu guter Letzt im laufenden Betrieb optimieren.

Es lohnt sich also, eine einzige Frage zu stellen: Würden wir diesen Prozess, mit allem, was KI heute kann, noch einmal genauso bauen? Für fast jeden Prozess in fast jedem Unternehmen lautet die ehrliche Antwort: nein. Genau deshalb hat das Great Re-Engineering begonnen. Wer Tokens zählt, misst Aufwand. Wer Prozesse neu denkt, misst Ergebnisse.

Jakob Freund ist Mitgründer und CEO und verantwortlich für die Entwicklung einer Vision und Strategie für Camunda. Er ist auch die treibende Kraft hinter Camundas internationalem Wachstum und der Unternehmenskultur. Jakob ist Co-Autor von „Real-Life BPMN“.