Prozessanalyse vor KI: Warum KI schlechte Prozesse nicht rettet

KI als Brandbeschleuniger für Unklarheit

Ein mittelständisches Unternehmen führt einen KI-Chatbot für den Kundenservice ein. Der Chatbot beantwortet Standardfragen – aber niemand weiß genau, welche Fragen Kunden am häufigsten stellen, welche Antworten korrekt sind und wer im Unternehmen bei Eskalationen zuständig ist. Das Ergebnis: Der Chatbot eskaliert einen Großteil aller Anfragen an Mitarbeiter, die nicht wissen, was zu tun ist – schneller als vorher, aber genauso chaotisch.

Dieses Szenario wiederholt sich in Unternehmen jeder Größe. KI beschleunigt und skaliert, was bereits existiert. Sie macht funktionierende Prozesse schneller und effizienter. Sie macht fehlerhafte oder undokumentierte Prozesse schneller und fehleranfälliger. Das klingt offensichtlich – aber in der Praxis wird dieser Grundsatz häufig ignoriert, weil der Druck groß ist, KI sofort einzuführen.

Die Ursache liegt meist im falschen Verständnis von KI als Technologie: KI wird als Werkzeug gesehen, das fehlende Prozessklarheit ersetzen kann. Tatsächlich ist KI ein Verstärker – sie verstärkt, was sie bekommt. Gute Daten, klare Prozesse, definierte Zuständigkeiten ergeben gute KI-Ergebnisse. Unstrukturierte Eingaben, undefinierte Zuständigkeiten und fehlende Qualitätskriterien ergeben schlechte KI-Ergebnisse – nur schneller produziert als je zuvor.

Prozessanalyse vor KI: Das Vorgehensmodell

1. Ist-Prozesse dokumentieren: Bevor ein KI-Tool ausgewählt wird, müssen die relevanten Prozesse visualisiert sein. Ein Swimlane-Diagramm ist dafür das einfachste und effektivste Werkzeug: Wer macht was, wann, mit welchen Inputs und Outputs? Für einen Kundenservice-Prozess bedeutet das: von der ersten Kundenanfrage bis zur abgeschlossenen Lösung jeder Schritt, jede Übergabe, jede Entscheidung dokumentiert. Dauer: ein halber bis ein ganzer Tag pro Hauptprozess. 2. Automatisierungspotenzial bewerten: Nicht jeder Schritt eines Prozesses eignet sich für KI. Bewertungskriterien: Wie oft wiederholt sich der Schritt? Wie gut sind die Eingabedaten strukturiert? Gibt es klare Qualitätskriterien für die Ausgabe? Schritte mit hohem Wiederholungsgrad, strukturierten Daten und messbarer Ausgabequalität sind ideale KI-Kandidaten. Einmalige, kreative oder stark kontextabhängige Schritte bleiben besser beim Menschen. 3. Datenqualität prüfen: KI arbeitet mit Daten. Wenn die zugrundeliegenden Daten schlecht sind – unvollständig, inkonsistent, veraltet – wird die KI-Ausgabe entsprechend schlecht sein. Prüfen Sie vorab, ob die relevanten Stammdaten aktuell sind, ob es einheitliche Begriffe und Kategorien gibt und ob historische Daten nutzbar sind. 4. Quick Wins identifizieren: Nicht alle Prozesse müssen gleichzeitig angegangen werden. Identifizieren Sie zwei bis drei Bereiche mit dem größten Quick-Win-Potenzial: hoher Zeitaufwand, klare Struktur, geringe Fehleranfälligkeit. Typische Quick Wins im Mittelstand: E-Mail-Triage und -Beantwortung, Protokollerstellung aus Meetingnotizen, Standardberichte aus Datenquellen, einfache interne FAQ-Bots. 5. KI-Use-Cases priorisieren und planen: Nach der Prozessanalyse ergibt sich eine priorisierte Liste von KI-Anwendungsfällen. Priorisierungskriterien: Einsparungspotenzial, Implementierungsaufwand, strategische Relevanz, Datenschutz-Anforderungen. Planen Sie Use Cases in drei Kategorien: Quick Wins in vier Wochen, mittelfristige Projekte in zwei bis drei Monaten, strategische Vorhaben in sechs bis zwölf Monaten. 6. KI einführen und messen: Erst jetzt kommt das eigentliche KI-Tool. Mit klaren Prozessen, guten Daten und definierten Erfolgskriterien ist die Implementierung deutlich einfacher und die Erfolgsmessung möglich. Definieren Sie messbare KPIs: Bearbeitungszeit vorher und nachher, Fehlerrate, Mitarbeiter- und Kundenzufriedenheit.

Typische Fehler bei der KI-Einführung ohne Prozessanalyse

Der häufigste Fehler: Ein Chatbot wird eingeführt, ohne dass der zugrundeliegende Prozess dokumentiert ist. Niemand weiß, welche Fragen der Bot beantworten soll, welche Antworten korrekt sind und wie Eskalationen gehandhabt werden. Das Ergebnis ist ein Bot, der technisch funktioniert, aber keinen messbaren Nutzen liefert – und intern Vertrauen in KI generell beschädigt.

Zweiter häufiger Fehler: KI als Ersatz für fehlende Entscheidungsstrukturen einzusetzen. Wenn im Unternehmen unklar ist, wer für eine bestimmte Entscheidung zuständig ist, wird ein KI-System diese Unklarheit nicht auflösen – es skaliert sie. Verschiedene Mitarbeiter bekommen unterschiedliche KI-Empfehlungen, die alle anders umgesetzt werden. Das Ergebnis: mehr Inkonsistenz, nicht weniger.

Dritter Fehler: keine Erfolgsmessung einplanen. Viele KI-Projekte werden mit großem Enthusiasmus gestartet und nach wenigen Monaten still beerdigt, weil niemand weiß, ob sie erfolgreich waren. Ohne Baseline-Messung vor der Einführung gibt es keinen Vergleichswert und keine Grundlage für eine Entscheidung über Ausbau oder Einstellung.

Checkliste: Ist Ihr Unternehmen KI-ready?

• Prozesse dokumentiert: Die relevanten Abläufe sind als Diagramm oder Prozessbeschreibung vorhanden
• Zuständigkeiten klar: Für jeden Prozessschritt gibt es eine definierte verantwortliche Person oder Rolle
• Datenqualität geprüft: Stammdaten sind aktuell, konsistent und strukturiert verfügbar
• Erfolgskriterien definiert: Es gibt messbare KPIs, an denen der KI-Erfolg bewertet werden kann
• Datenschutz geklärt: Es ist klar, welche Daten in welche KI-Systeme fließen dürfen
• Mitarbeiter eingebunden: Die betroffenen Teams wissen, dass KI eingeführt wird, und wurden in die Planung einbezogen
• Pilotbereich ausgewählt: Ein klar abgegrenzter Bereich wurde als erstes Testfeld definiert

Wenn KI-Projekte scheitern

Die Hauptursache für gescheiterte KI-Projekte ist selten die Technologie selbst – sondern fehlende Prozessklarheit vor der Einführung. Studien zu Digitalisierungsprojekten zeigen regelmäßig, dass ein Großteil der Vorhaben die gesteckten Ziele verfehlt. Der häufigste Grund: Die Basisprozesse waren nicht stabil genug, um Technologie darauf aufzubauen. Bei KI ist das noch kritischer als bei klassischer Software, weil KI-Outputs direkt von der Qualität der Eingaben und des Prozessrahmens abhängen. Investieren Sie in Prozessklarheit, bevor Sie in KI-Tools investieren.